GDP缺口预测中金融变量预测能力分析.docVIP

GDP缺口预测中金融变量预测能力的分析 　　摘 要:2008年的金融危机对全球的经济产生了深远的影响,因此,在预测主要宏观经济指标时就应更多的考虑金融变量。通过利用主成分分析得到了能够反映中国金融状况的几个主成分,并利用这些金融主成分对GDP缺进行了预测。本课题通过比较分析来评价金融主成分在预测GDP缺口中的作用。 　　关键词:GDP缺口;金融主成分;Stock-Watson扩散指数法 　　中图分类号:F830文献标志码:A文章编号:1673-291X(2010)24-0059-03 　　 　　引言 　　2008年由美国次贷危机引发的金融危机对全球经济都产生了深远的影响,而随着中国金融市场的不断开放,这次危机对中国的金融市场也造成了一定的冲击。根据经验,一国的金融变量与宏观经济指标之间存在着复杂的联系。Tobin(1969)提出一国的金融市场受到冲击,这种冲击不仅会影响本国的金融市场,还会影响到本国的宏观经济的走势。因此,在预测宏观经济指标时充分考虑金融变量的影响就具有重要的意义。 　　由于金融变量比较多,而直接将这些变量引入模型会大大降低模型的自由度,因此,这里采用的是Stock和Watson(2002)提出的扩散指数方法。他们的方法是利用主成分分析从大量的潜在信息指标变量中获取信息,然后以这些主成分作为预测的基础变量。 　　一、模型和数据 　　本文采用的方法是Stock和Watson(2002)提出的扩散指数方法(以下缩写为SW)。所有序列都通过ADF平稳性检验。若序列在5%的显著性水平下出现了单位根,则对原序列进行差分处理。在SW的方法中,为了避免度量单位和个别数据发散对潜在因素估计的影响,所有的数据都作了标准化(即减去均值再除以标准差)。 　　(一)基本模型 　　SW过程的基本假设是一系列的预测变量Xt和被预测变量yt可以用以下不可观测的因素Ft描述。 　　即Xt=∧Ft+et yt+k=α(L)yt+βFt+ηt+k (1) 　　其中,∧为因子负荷矩阵,α(L)为预测变量的自回归函数,β是金融因素的系数向量。这里我们假设误差相et在变量间是弱相关的,预测误差ηt+k与不可观测的因素间是无关的(即E[ηt+k|Ft]=0)。 　　本文利用主成分分析获得几个不可观测的因素,这些因素可以反映金融部门状况的大部分信息,并分析这些因素在预测宏观经济变量中的作用。这里,我们所用的预测方程如下: 　　yt+k=αjyt-j+βjπt-j+γijFi,t-j+ηt+k (2) 　　其中,y是GDP缺口,π是通货膨胀率,模型中选择主成分分析中前七个主成分作为模型的解释变量。模型中各解释变量及其滞后项的选择是使AIC值达到最小,随着模型拟合程度的提高AIC的值会变小。 　　为了简化预测模型一般情况下会给定预测期限。在一些研究中通常所选择的预测期限为一年或两年(即对于季度数据来说为4或8),这样的期限也比较符合货币政策制定的要求。Smets和Tsatsaronis(1997)也提出在这样的预测期限下,金融变量对经济行为的预测能力是比较强的。 　　(二)模型的比较 　　本研究除了要建立GDP缺口的预测模型外,还要通过比较分析来评价金融变量对宏观经济的预测能力。Estrella和Hardouvelis(1991),Estrella和Mishkin(1997)的研究表明利率的期限结构对宏观经济指标有着重要的影响。在大多数的研究中股价指数也是一个重要的宏观经济先行指标。因此,本文中我们用短期利率、收益率曲线斜率、股价指数实际增长率作为解释变量建立GDP缺口的预测模型,并与加入金融因素的模型进行比较,根据两个模型的拟合效果来评价金融条件变量在预测GDP缺口中的作用。 　　这里我们将用两种方式进行模型之间的比较。首先,将仅包含以上三个金融变量的模型与上一部分建立的模型(2)进行比较。其次,将三个金融变量加入到模型(2)中再与原来的模型进行比较。通过以上两种方式的比较来判断金融主成分在预测GDP缺口中的作用。 　　(三)数据 　　本文数据为季度数据,数据来源主要是《中国人民银行统计季报》和《中国经济景气月报》。金融变量的选取主要参考了William English ,Kostas Tsatsaronis和Edda Zoli(2005)的研究成果。本文所选取的用于主成分分析的22个变量(如表1所示): 　　上面变量的数据为从1995年第一季度至2009年第四季度的季度数据,对于那些原序列在5%的显著性水平下没有通过单位根检验的个别变量这里进行了差分处理,因此以下的研究数据为1995年第二季度至2009年第四季度。对于受到季节因素影响的变量,如GDP、投资等,这里我们用X12方法进行了季节调整。 　　表1中