李錦成

摘 要：首先通過GDP、M2和信貸規(guī)模數(shù)據(jù)測算1996—2015年中國影子銀行月度規(guī)模數(shù)據(jù)。利用ARIMA（4，1，5）預測截至2016—2018年初的影子銀行月度規(guī)模數(shù)據(jù)，結(jié)果發(fā)現(xiàn)預測值有顯著的下降趨勢。通過協(xié)整檢驗和誤差修正模型檢驗中國影子銀行與A股市場的長期穩(wěn)定與動態(tài)關(guān)系，結(jié)果發(fā)現(xiàn)影子銀行對A股市場存在-7%的動態(tài)影響性。

關(guān)鍵詞：影子銀行；ARIMA模型；協(xié)整方程；誤差修正模型

中圖分類號：F832 文獻標志碼：A 文章編號：1673-291X（2016）12-0050-05

一、理論基礎(chǔ)

測算影子銀行規(guī)模，只要測算出需要觀察的每個時期的實際貨幣需求量（實體經(jīng)濟規(guī)模）與從商業(yè)銀行得到的信貸（信貸規(guī)模）之差，就算出這個時期非銀行流通出的影子銀行規(guī)模。那么，測算貨幣實際需求量需要測算出貨幣實際需求系數(shù)，通過需要觀察的區(qū)間內(nèi)當期實際GDP乘以貨幣實際需求系數(shù)來得出實際貨幣需求量。貨幣實際需求系數(shù)可以用需要觀察的當期的M2總值除以同期GDP總值。人民銀行公布的M2和信貸規(guī)模為月度數(shù)據(jù)，而國家統(tǒng)計局公布的GDP數(shù)據(jù)為季度數(shù)據(jù)，那么，就需要對季度數(shù)據(jù)轉(zhuǎn)換成月度數(shù)據(jù)才可以橫向測算，最終可以算出月度影子銀行規(guī)模數(shù)據(jù)，從而進行實證檢驗。

利用ARMA模型可以預測時間序列，但本文要檢測的影子銀行規(guī)模序列、上證指數(shù)序列等都屬于經(jīng)濟和金融序列，通常不穩(wěn)定，ARIMA模型屬于ARMA模型的擴展，針對于不穩(wěn)定的時間序列，例如經(jīng)濟和金融時間序列。具體表達形式為ARIMA（p，d，q），p為自回歸過程階數(shù)，d表示差分階數(shù)，q表示移動平均過程的階數(shù)。若時間序列為非平穩(wěn)的，則需要通過d階差分平穩(wěn)過程然后建模ARIMA。通過單位根可以檢驗時間序列的平穩(wěn)性，本文通過ADF檢驗方法來檢驗影子銀行規(guī)模時間序列和上證指數(shù)時間序列的平穩(wěn)性。

經(jīng)過d階差分后的ARMA（p，q）模型就是ARIMA（p，d，q）， 然后，通過檢驗模型的參數(shù)顯著性與平穩(wěn)性來確定模型是否合理。進一步檢驗模型，假設(shè)影子銀行、上證指數(shù)、成交量在某個經(jīng)濟系統(tǒng)內(nèi)聯(lián)系在了一起，那么從長遠看，這些變量存在著穩(wěn)定的長期均衡關(guān)系，受到季節(jié)或其他隨機干擾，這些經(jīng)濟變量會偏離均值，但隨時間推移最終會回歸均值，這就是協(xié)整關(guān)系，它可以表達兩個或多個序列的長期穩(wěn)定關(guān)系，即如果兩個或多個非平穩(wěn)時間序列的線性組合是平穩(wěn)的，那么這些非平穩(wěn)的時間序列被認為存在協(xié)整關(guān)系。如果變量間存在長期穩(wěn)定的關(guān)系，即協(xié)整性，則可以通過建立誤差修正模型來檢驗變量間的相關(guān)性。

二、實證檢驗

首先，季度GDP數(shù)據(jù)存在顯著的季節(jié)趨勢，利用X12法對其進行季節(jié)調(diào)整，再對1996—2015年季度GDP數(shù)據(jù)進行高頻化轉(zhuǎn)換為月度GDP數(shù)據(jù)，然后，測算出1996—2015年月度GDP總值，通過對應時期內(nèi)M2總值除以GDP總值算出貨幣需求系數(shù)，再利用貨幣需求系數(shù)乘以實際月度GDP算出實際貨幣需求量，再減去對應月度信貸規(guī)模得出影子銀行規(guī)模。影子銀行規(guī)模、上證指數(shù)價格、成交量作為經(jīng)濟和金融數(shù)據(jù)屬于非平穩(wěn)序列，通過取對數(shù)來進一步觀察（如下頁圖1所示）。

其次，對滯后期進行檢驗來確定滯后階數(shù)，原則上，通過VAR模型的ACF和PACF來識別階數(shù)是比較困難的。所以，在實際應用中一般采用逐步升級的方法，找出最恰當?shù)哪Ｐ碗A數(shù)。從下頁表1中可以確定最大滯后階數(shù)為六階。

再利用常用的單位根檢驗方法ADF方法檢驗單位根。從下頁表2各變量單位根檢驗中，三個變量的ADF值并為大于5%和1%的臨界值，為I（1）單整，即在一階差分后序列平穩(wěn)。

從本文圖2可以明顯看出，影子銀行、上證指數(shù)價格和成交量一階差分序列可見，一階差分不再具有趨勢特征，時間序列DY1=dln（shadowbank），DY2=dln（price），YD3=dln（volume），經(jīng)過ADF檢驗，序列平穩(wěn)化，這樣確立了差分次數(shù)后，就可以繼續(xù)對影子銀行序列進行ARMA模型分析。

通過對dln（Y）序列的自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)本文圖3中可以看到，他們都是明顯拖尾，因此可以設(shè)定ARMA過程。

根據(jù)自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖可以看出自相關(guān)函數(shù)在4，5階時落在了2倍標準差邊緣，則q階可到5階，而偏自相關(guān)函數(shù)的3，4階也正好落在2倍標準差邊緣，則p階可到4階，這導致無法有效采用傳統(tǒng)的Box-Jenkins方法確定模型的階數(shù)。所以，通過反復對模型進行估計比較不同模型的變量對應參數(shù)的顯著性來確定模型階數(shù)。既有：ARMA（4，5）。

從下頁表3中可以看出，通過各種模擬擬合的參數(shù)檢驗結(jié)果看，ARMA（4，5）模型擬合效果解釋變量的系數(shù)估計值并沒有完全在15%的顯著水平下顯著。

由于移動平均自回歸目的是為了預測，通常分為動態(tài)和靜態(tài)兩種預測，由于靜態(tài)預測更加直觀，所以繼續(xù)對影子銀行進行未來兩年的預測直至2018年初（如本文圖5所示）。

本文圖5中藍線代表了影子銀行規(guī)模預測值，預測了二年的區(qū)間，從2016年初至2018年初，兩條虛線則提供了2倍標準差的置信區(qū)間。從本文圖5中可以看出，Theil不相等系數(shù)0.03，表明模型的預測能力較好，分解表明偏誤比例較小，方差比例很小，說明實際序列的波動較大，而模擬序列的波動很大，總體來看模型預測效果良好。

從預測本文圖6中也可以看出，十八屆三中全會以后，也就是從2013年底開始，影子銀行規(guī)模開始有下降的趨勢，尤其是在2014年底有顯著的變化。模型預測了2016年1月至2018年1月，可以看出，在2016年底，影子銀行規(guī)模會產(chǎn)生V型底，影子銀行的快速下降可能是以下幾種原因?qū)е拢海?）2015年后經(jīng)濟下行背景下，中央供給側(cè)改革有一個快速的成效在2017年初產(chǎn)生，那么，商業(yè)銀行信貸將重新進行市場化配置，曾經(jīng)得不到信貸資金需要借助影子銀行的中小企業(yè)得到了銀行的支持，導致影子銀行規(guī)?？焖傧陆?。（2）美聯(lián)儲在2017年初加息再次導致中國外匯儲備快速流出，不但使銀行間流動性快速下降，甚至導致了影子銀行規(guī)模也快速下降?？偟膩砜矗白鱼y行規(guī)模呈現(xiàn)逐漸下臺階的趨勢，也說明未來貨幣政策部門對中國多年來貨幣超發(fā)的情況會有所改善。

影子銀行這種波動性是否會對中國A股市場產(chǎn)生影響，二者間是否存在相關(guān)性，本文將接著對中國影子銀行序列和上證指數(shù)及成交量進行協(xié)整檢驗，來驗證二者之間是否存在長期性關(guān)系。

模型表達式為：

對殘差序列 t進行單位根檢驗，結(jié)果顯示 t序列在1%的顯著性水平下拒絕原假設(shè)，因此可以確定 t為平穩(wěn)序列，這表明，1996—2015年的月度影子銀行規(guī)模數(shù)據(jù)與上證指數(shù)存在協(xié)整關(guān)系。

表5 殘差項ADF檢驗

檢驗了中國影子銀行規(guī)模與A股市場的協(xié)整關(guān)系，為了進一步考察二者的動態(tài)關(guān)系，現(xiàn)通過誤差修正模型來進行分析。首先另殘差項為ECM（如表6所示）。

模型表達式為：

從以上公式可以看出，T檢驗值均顯著，誤差修正的系數(shù)為0.1827，這說明長期均衡對短期波動的影響適中。其經(jīng)濟意義是：當短期波動偏離長期均衡時，將以18%的的調(diào)整力度將非均衡狀態(tài)拉回至均衡狀態(tài)。長期均衡動態(tài)關(guān)系中影子銀行的系數(shù)為-7%，說明在長期動態(tài)關(guān)系中，中國影子銀行規(guī)模的變化與上證指數(shù)的變化呈現(xiàn)負相關(guān)性，即影子銀行的增長會抑制A股市市場上漲，起到了分流金融市場資金流的作用。

三、小結(jié)

本文利用ARIMA（4，1，5）預測了截至2018年初的中國影子銀行規(guī)模數(shù)據(jù)，其走勢并沒有呈現(xiàn)出逐漸攀升的趨勢，模型預測結(jié)果2016年后影子銀行開始下降，或許是對供給側(cè)改革產(chǎn)生效果的一種正反饋。而預測圖形中也顯現(xiàn)出一個短期的快速脈沖現(xiàn)象，2016年全球經(jīng)濟處在一個美國加息的周期中，或許是美國自2015年底的首次加息后的二次加息對中國貨幣市場產(chǎn)生了一個短期的溢出效應，境內(nèi)影子銀行快速下降后V型反彈，總之，美國的加息勢必會導致中國境內(nèi)影子銀行的流出，這或許可以解釋預測的這種短期現(xiàn)象。

通過協(xié)整方程檢驗了中國影子銀行規(guī)模和A股市場的長期關(guān)系，結(jié)果顯示的確二者存在著長期的穩(wěn)定關(guān)系，因為影子銀行代表了貨幣在非銀行體系的流動性，而股票市場對流動性有著最高的需求，流動性越高，股票市場的風險溢價也會越高，在股市的估值模型中，除了未來現(xiàn)金流業(yè)績增速外，流動性是最重要的。通過誤差修正模型檢驗了中國影子銀行規(guī)模和A股市場的動態(tài)關(guān)系發(fā)現(xiàn)，影子銀行對A股市場有-7%的影響性，即影子銀行增長，股票市場下降，影子銀行分流了一定貨幣量，對股票市場的流動性會有一定的影響性。