宏观经济数据范文
时间：2023-03-14 04:59:24
导语：如何才能写好一篇宏观经济数据，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
9月宏观经济数据令人期待。首先，9月CPI到底是向下、持平还是反弹，是判断下一步政策会否放松、何时放松的重要信号。其次，9月工业增加值是延续下滑势头，还是在定向宽松政策刺激下企稳甚至回升，是考验决策者对经济增速下滑容忍阙值的重要依据。总体而言，我们认为9月CPI通胀率将与8月持平，增长仍会在紧缩政策调控下继续温和放缓。
CPI不会反弹，PPI明显下行
从总体上看，今年8月CPI同比和PPI同比与7月相比均有小幅回落。就9月食品价格而言，估算各品种的环比价格，虽然仍是涨多跌少，涨幅最大的是蔬菜，平均涨幅达8-9%；其次是鸡蛋，涨幅达到3%；最后是食用油，也有2%左右涨幅。而下跌品种主要为水产品和水果，但跌幅不大。就9月工业品出厂价格而言，煤炭价格有所上涨，而化工产品、水泥、有色金属价格有所下跌，但涨跌幅均不大。因此，我们认为，9月食品价格周环比涨幅明显高于8月，预计9月CPI不会回落，而会与8月持平于6.2%。
最近3月PPI同比之所以保持在7%之上，主要是因为去年同期PPI环比曾明显通缩，留下了很低的基数。未来几月，随着基数效应的过去PPI将会明显下行。我们预计9月PPI为5.8%。
投资总体稳健，经济温和放缓
预计9月社会消费品零售总额同比降至16.5%，这部分是因为高通胀之下居民消费意愿的持续走低。预计前9月固定资产投资增长保持稳健，增速微降至24.7%。原因是，短期内相应的项目审批没有出现松动，整体基建增速还将持续回落。房地产销售面积增速持续低迷，地产资金链继续恶化，虽然保障房具有一定的对冲效果，但整体房地产投资可能出现快速回落。
由于商品房销售增速保持低位，基本电器的农村普及性需求高峰已经过去，新增的家电家具等更新需求相对偏弱，我们预期社会零售总额的真实增速略有小幅回落，9月社会消费品零售总额同比增长16.5%。
制造业投资继7月明显下滑后再度回升。9月汇丰中国制造业PMI初值较8月小幅回落，已连续三月位于荣枯分界线之下，显示紧缩政策对经济增长的制约效应在逐渐显现。因此我们预计9月规模以上工业增加值同比增速将下滑至13.3%。预计3季度GDP同比增速降至9.1%。
信贷投放回归常态，货币增速继续走低
最近数月央行信贷投放持续向2006-08年的“常态”节奏回归，我们预计9月新增人民币贷款5500亿元。由于监管层对商业银行资金的监管趋于严格，预计9月M2增速会继续走低至13.0%。
政策变化的时间窗口或在11月中央经济工作会议前后打开，如果经济硬着陆，可能采用积极财政和适度宽松货币政策组合，政策将向战略性新兴产业、水利建设、民生和消费倾斜。如果经济软着陆，则积极财政、稳健货币政策将贯穿四季度，但在资金紧张的中小企业和政策支持的水利建设等方面或实行定向宽松。
进出口均将明显回落
出口方面，欧元区经济持续低迷，美国经济复苏依然疲弱，虽然新兴市场国家增速相对较高，但难以抵消发达国家经济下滑对国内出口的冲击，预计9月出口将环比下行，同比增速降至22%。进口方面，国内整体需求仍处于下降通道，企业补库存动力偏弱，即国内偏紧政策基调未变，预计8月进口也将环比下行，同比增速降至22%。估计9月贸易顺差为206亿美元。
篇2
重阳投资认为，11月中国经济运行平稳，工业增加值同比增长10.0%，CPI同比增长3.0%，出口增速升至12.7%，1-11月投资增速小幅回落至19.9%。前瞻的看，当前房地产和基建投资增速仍然处于较高水平，将对后续的工业生产构成支撑，经济有望保持平稳。具体来看，有以下四个方面的特点：
1、固定资产投资增速小幅回落。1-11月固定资产投资同比增长19.9%，11月单月增长17.6%。分行业来看，房地产和基建仍然是投资增长的主要引擎，11月房地产开发投资和基建投资分别同比增长22.0%和24.2%，增速较10月加快6.9和8.2个百分点。此前三个月增长较快的制造业投资增速在11月降至14.1%，表明在企业盈利能力较差、利率高企的情况下，制造业去产能的过程仍在延续。
2、出口增速略超预期。11月出口金额同比增长12.7%，出口金额首次突破2000亿美元。11月中国对美国和欧元区出口分别同比增长17.7%和18.4%，圣诞假期临近可能是欧美需求大增的主要原因。需要注意的是，当前出口的高速增长可能存在一定水分。11月统计局公布的出货值同比增长5.8%，增速较10月回落0.3个百分点。此外，11月韩国及台湾的出口增速分别只有0.2%和-4.7%，增速均较10月大幅回落。韩国和台湾均是出口导向型经济体，历史上其出口增速与中国大陆具有较强的同步性。同时，近期人民币升值压力加大，国家外管局再次发文严查贸易融资，也表明套利资金可能再次通过虚假贸易的方式流入境内。
3、工业生产高位运行。11月工业增加值同比增长10.0%，尽管增速较10月回落0.3个百分点，但仍处于较高水平。从主要工业品产量来看，11月发电量和粗钢产量增速出现回落，但水泥、汽车、有色金属产量增速进一步上行。前瞻的看，当前房地产和基建投资增速仍然处于较高水平，将对后续的工业生产构成支撑，工业增速有望保持平稳。
4、通胀保持稳定。11月CPI同比增长3.0%，环比下降0.1%，增速略低于市场预期。11月食品价格环比下降0.2%，今年相对温暖的天气是蔬菜等食品价格下跌的主要原因。11月非食品价格环比持平，增幅略低于0.1%的历史均值，居住价格增长较慢是主要原因。我们预计12月CPI同比增速可能位于3.0%附近，全年CPI平均增速2.7%。
程定华对市场趋于谨慎
程定华认为，根据首次公布的短期流动性调节工具（SLO）交易公告，央行曾在10月末进行了两次SLO操作，期限为2天，交易量分别为410亿和180亿，中标利率均为4.5%，与当时的回购利率4.7%差不多。SLO主要是为了向市场投放短暂资金，平复突发性波动，定价也比较市场化。本周资金面略微宽松，票据回购、银行间拆借等利率有所回落。但与上半年相比，不论是短期拆借，还是各个期限的国债收益率，利率中枢都已上了一个台阶。临近年底，银行面对存贷考核、资金备付、以及可能出台的同业规管，揽储的压力增加（近期出现理财产品数量增加，收益率提高的现象）。预计年底前资金面都将延续比较紧的局面。
程定华认为，PMI等景气指标显示生产活动平稳，短期内关注指导新型城镇化和地方国企改革的政策会否出台。预计在这些政策公布期间，与其相关的地产、建材、建筑、工程机械、地方国企等板块受到政策题材的刺激而上涨。但以地产销量而言，在武汉等城市展开调控加码之后，11月份整体商品房价格环比涨幅收窄、成交量下降。11月份二线城市的成交量比10月份下降了13.9%，同期的一线城市成交量也下降了6.8%。由于过去十二个月的住宅新开工面积环比上升了近5%，如果销售量形成下滑趋势，将会对房价（尤其是二三线城市）造成压力，并且会影响开发商拿地和投资的进度。
程定华表示，IPO发行制度改革方案出台后，市场总体表现平稳，但创业板跌幅比较大，符合各方对市场的一致预期。要彻底消化IPO改革方案，市场大约需要半年到一年的时间，因为新的发行方案是一次前所未有的革命，对市场短期多空的看法可能会低估这次改革的深远影响。
篇3
【关键词】资产价格；货币政策；货币供应量
一、引言
长期以来，关于货币政策对资产价格的影响始终是货币经济学领域关注的焦点，其争论也未曾停息过。目前，房地产价格，作为最主要的资产价格之一，其变动与金融、经济活动密切相关，是用于理解经济行为以及预测经济和金融发展的中心。同样地，股票市场是资本市场的重要组成部分，而中国的股票市场，自1990年上海证券交易所建立以来，正在迅速扩张。2008年国际金融危机以来，中国的股市极度低迷，严重打击了居民的投资信心。
由于股票市场与房地产市场具有一定程度的相似性，因而有关这两方面的研究方法也有其相通之处。瞿强（2001）认为货币政策操作要关注资产价格但不宜盯住资产价格。易纲（2002）从股市角度分析了货币政策与股价的关系，认为中央银行在考虑货币政策制定的同时应考虑股价及商品与服务的价格。冯用富（2003）建立了中国特定约束条件下的资产选择模型，说明用货币政策干预股市波动是无效的。吕江林（2005）实证考察了我国上证综指与实际国内生产总值之间的动态关系，发现两者之间存在着双重协整关系和单向因果关系，并提出了我国货币政策应对股价变动做出适时反应。
本文在构建VAR模型的基础上，利用中国宏观经济实际数据来研究资产价格与货币供应量（M2）关系，以此来回答我国货币政策是否应该关注资产价格的波动，并提出相应的政策建议。
二、研究与计量检验
（一）变量选取
为了研究房地产市场、股票市场与货币政策之间的关系，我们需要选取相应的变量来进行研究。根据我国大量学者的研究经验，本研究把房地产综合景气指数作为我国房地产市场的代表变量，股票市场的代表变量选择上海证券综合指数收盘值。而对于货币政策，中国货币政策的操作目标是货币供应量。央行能够控制基础货币，并且通过基础货币影响货币总量。因此，可以用广义货币M2的月度同比增长表示货币政策的变动。
（二）数据收集与处理
考虑到我国房地产市场、股票市场的发展历史，以及经济数据的时效性与可得性，本文将用1998年6月到2013年3月的月度数据作样本进行实证分析。房地产综合景气指数、M2月末同比增速及上证收盘综合指数均来自中经网统计数据库。其中，房地产综合景气指数中很多年份1月数据缺失，采取将相邻两月的数据取平均值代替的办法补充。考虑到收集的数据具有较大的波动性，本文采用区对数的方法来减小波动。经处理后的三个变量分别用LN_FJ（房地产综合景气指数）、LN_MS（M2月末同比增速）和LN_SZ（上证收盘综合指数）来表示。
（三）基本统计特征
表1给出了各时间序列的统计性描述。因为没有将通货膨胀的因素考虑在里面，所以从表格中的均值来看，并没有得到有用的信息。从波动性角度考虑，房地产综合景气指数波动相对于上证收盘综合指数、M2月度增速来说较小，这说明房地产价格水平相对于股票市场价格与货币供给的波动小，可以猜测房地产市场对货币政策的反应程度不及股票市场对货币政策的反应灵敏。
（四）变量平稳性检验
本研究利用EVIEWS软件，对各变量进行单位根检验，以确定变量的平稳性。通过检验发现LN_FJ、LN_MS为平稳变量，而LN_SZ为非平稳性变量。本研究对平稳性变量采取差分法，结果见表2.。其中，D（LN_SZ）表示对LN_SZ取一阶差分值。从表2可以看出，经过处理后所有数据序列在10%显著水平下都是平稳的。
（五）协整检验与格兰杰检验
1.Johansen协整检验。协整关系是检验变量之间 是否存在长期的相关 关系。Johansen在1988年及1990 年与Juselius一起提出了一种以VAR模型为基础的检验 回归系数的方法，对多变量协整检验有较好的检验能力。主要的检验方法有特征根检验（Trace）和最大特征值检验（Max-Eigenvalue）。 由各变量的平稳性检验知道，LN_FJ、LN_MS、LN_SZ并不是同阶平稳的，从而它们并不能进行协整分析。
2.Granger因果关系检验。首先明确格兰杰因果检验是检验统计上的时间先后顺序，并不表示这是真正的存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。格兰杰因果检验要求所有的变量应该是平稳的，这是格兰杰检验能够进行的前提条件，如果单位根检验发现两个变量是不平稳的，那么不能直接进行格兰杰因果检验，否则可能会出现虚假回归问题。于是，由于LN_FJ、LN_MS、D（LN_SZ）是平稳的，所以可以对修正后的变量进行格兰杰因果检验。下表的滞后期设为2。
根据表3的结果，可以看出在10%的显著水平下，短期内，变量D（LN_SZ）能Granger引起变量LN_FJ，变量LN_MS能Granger引起变量LN_FJ，变量LN_FJ能Granger引起变量LN_MS，其他变量之间的Granger因果关系相对而言并不显著。这说明股票市场的波动能引起房地产市场的波动，而同样货币政策与房地产市场之间存在相互因果关系。这说明，相比而言，我国的股票市场与货币政策之间关系要比房地产市场与货币政策之间关系更紧密。
（六）脉冲响应函数分析
脉冲响应函数描述的是在随机误差项上施加一个标准差大小的冲击后，对变量的当前值和未来值所带来的影响。我们在VAR模型下使用广义脉冲函数，对是否协整关系不要求。
此处的图显示了LN_FJ、LN_MS、LN_SZ三个变量对相对冲击的动态反应。分析可知：房地产综合景气指数对其自身的一个标准差新信息立刻产生了较弱反应，立即增加了0.04%，而且随后反应程度逐渐上升，知道从第4个月左右开始逐步下降，表现出强烈的自相关性，这可能源于购房者对于房价的”追涨杀跌”；货币供应量对来自于房地产综合景气指数的新信息没有立刻产生较强的反应，而是随着时间的推移逐渐增强，到第十个月时到了0.4%，而且从一开始就是负值，可能是因为房地产价格水平上涨后人们调节了资产结构，多持有房地产少持有货币；同样上证收盘综合指数对来自房地产价格的新信息没有立刻作出较强的反应，三个月后有了0.1%的增加，而从第6个月开始反应是负值，这可以解释为房地产价格的上涨导致人们将股票市场中的资产投入房地产市场中。
货币供应量对其自身的一个标准差的新信息立即产生较弱的反应，立即增加了0.6%，但随着时间的推移，该新信息产生的反应慢慢的减弱，到第8个月时稳定在0.4%左右；房地产综合景气指数对来自于货币供应量的新信息没有立刻产生较强的反应，但是从第2个月开始就慢慢增加，到第10个月时还有上涨的趋势，说明货币供应量对房地产市场的价格水平可以产生影响，而且影响的持续性较强；上证收盘综合指数对来自于货币供应量的新信息立即产生了较弱的反应，有0.1%的增加，而且到第5个月后基本稳定在0.2%的增长，同样说明货币供应量对股票市场有着持续性的影响，并且与房地产市场比较而言，股票市场对货币供应量的反应更加敏感。
上证收盘综合指数对其自身的一个标准差的新信息立即产生较强的反应，立即增加了0.8%，但从第4个月开始，该新信息产生的反应慢慢的减弱，到10个月后还有继续减弱的趋势；房地产综合景气指数对来自于上证收盘综合指数的新信息没有立刻产生较强的反应，但是在慢慢增加，到5个月后到达最大值，随后又逐渐减小，10个月后仍有继续减小的趋势；货币供应量对来自于上证收盘综合指数的新信息没有立即产生强烈的反应，2个月后增加0.05%左右，为最大值，但到第6个月开始为负值，10个月后仍有下降的趋势，这可能是因为股票市场前景好的情况下，也就是“牛市”时，人们会暂且观望随后在确定股票市场的前景后会将持有的货币投入到股票市场中，于是导致货币供应量减少。
三、结论与政策建议
文章采用向量自回归模型，考察了货币政策与房地产市场、股票市场价格波动之间的联系。经过实证分析认为：货币供给量的正冲击会给房地产综合景气指数与上证收盘综合指数带来正面的影响，观察可知房地产市场的反应比较滞后，第一期影响不明显，第二期开始逐步上升，而股票市场反应则相对灵敏，第一期开始就有较强的反应，而且两种市场下由货币供给量带来的影响效应具有长期有效性。货币供应量对资产价格的影响随着时间的增加，其影响程度越来越深，因此扩张性货币政策会导致房地产价格、股票价格上涨，
本研究认为在货币政策的实施过程中，需要纳入资产价格，并将其作为调控的目标之一，以消除潜在的资产价格泡沫过度膨胀的隐患。。在对资产价格的波动密切关注的同时，也要对市场的变化要持续关注，如果市场已作出了反应，应及时变化政策，避免走上极端。另外，政策实施过程中，应避免直接的行政干预，力图顺应市场规律，从而维持金融体系的稳定和实体经济的健康发展。
参考文献：
[1]冯用富. 货币政策能对股价的过度波动做出反应吗？[J]. 经济研究， 2003， 1： 37-44.
[2]吕江林：《我国的货币政策是否应对股价变动做出反应》[J]，《经济研究》，2005（3）
篇4
关键词：宏观经济统计分析；相关内容；发展问题；提高方法
引言：
宏观经济统计分析在社会经济领域应用的范围在扩大，都促进众多领域的发展和进步发挥出了重要的作用。其在发展过程中对基础性的理论、方法等开展合理化运用有利于提高宏观经济统计分析研究、应用的水平。对于国家有关经济主管部门来讲，对宏观经济统计分析理论知识、模式等进行有效性应用可以把握好经济发展的整体性趋势，为从人力、物力、财力方面指导我国众多中小企业的发展提供重要数据信息参考。因此，我们针对宏观经济统计分析相关内容、发展面临的问题、提高方法进行分析和研究工作。
一、宏观经济统计分析相关内容
宏观经济统计分析学科由以往的经济学、统计学融合而组成，通过对宏观经济理论的运用，进行众多经济运行资料、信息、数据的统计和分析，对宏观经济的运行形成基本的统计分析结果，加深对经济发展趋势、产业经济结构认知的水平。在具体的应用中，宏观经济统计分析通过专题性的统计分析工作和制度化的统计分析工作形成对宏观经济运行发展趋势的深刻判断，渐渐形成完整性的报告内容[1]。
二、宏观经济统计分析发展面临的问题
宏观经济统计分析发展中主要存在以下方面的问题。第一，宏观经济统计分析应用的方法存在滞后性的问题，无法有效性、客观性的反映出宏观经济运行中深刻的问题。同时，有关方面的统计分析人员缺乏创新性思维，没有顺应经济发展运行的客观规律。第二，没有充分的认识到大数据时代特征。比如：对大数据时代网络信息技术的应用特点存在认知上的缺陷，使得大数据特征的宏观经济统计分析模型无法有效构架，无法科学、客观、准确的分析、判断宏观经济运行特点、未来发展的趋势等等。第三，缺乏必要市场机制的内在推力，影响到了宏观经济统计分析发展。比如：众多企业出口积极性受到削弱、供需矛盾的进一步加剧等等[2]。
三、提高宏观经济统计分析发展方法
（一）全面贯彻新型的理念
宏观经济统计分析发展需要以发展性、多样性、灵活性、全面性理念为支撑，提高其发展的质量和水平。具体来讲吗，第一，需要有效性、灵活性的贯彻我国政府提出的经济发展方针，充分结合我国经济运行实际情况，采取有效性的方法规避经济运行中的风险因素，促进我国经济更加平稳、科学、健康的发展和进步。第二，需要应用多样化的理念，充分的协调好经济运行发展中的各种资源、各个领域，使得它们在多样化发展的理念下更加协调，促进我国宏观经济整体性进步。第三，需要应用好宏观经济分析理论，有效性的解决其发展中存在的问题，把握好其未来运行规律，进一步的提高我国宏观经济发展运行质量和效率[3]。
（二）提升宏观经济调控能力
经济的发展运行是促进宏观经济统计分析发展的基础。因此，对于我国政府来讲，需要应用有效性的手段促进我国经济发展，使得宏观经济统计分析发展有可靠的动力。具体来讲，第一，明确我国宏观经济运行发展目标，依照经济发展的不同情况进行不同的模式、方法解决经济运行中的问题，提高经济运行的质量。第二，对于宏观经济调控的目标进行科学规划，有效性的巩固国家对经济宏观调控的结果，使得我国经济的效能得到充分发挥，促进经济平稳、安全、科学、健康发展。第三，进行投融资体制的创新。投融资体制的质量直接影响到社会中各个企业资本的质量和安全性。因此，我国需要加快革新投融资体制，建立起必要的风险投资基金。第四，我国政府需要促进出口退税进程的加快，为众多出口企业的信贷提供有效保障。第五，进行国家发展资金的统筹，对重点的经济领域进行全面性扶持，为宏观经济统计分析发展提供有效保障和支持。
（三）构建大数据宏观经济统计分析模式
大数据理论和技术模式的应用有利于构建新型的宏观经济统计分析模型，提高宏观经济统计分析应用质量和水平。具体来讲，我国需要以政府信息数据发展应用为重要切入点，全面促进政府信息数据共享平台的建设，使得政府对我国经济社会发展进行中长期的科学规划，提高经济分析的水平和效率，促进我国宏观经济统计分析发展[4]。
（四）保障社会供求基本平衡
保障社会供求基本平衡有利于为宏观经济统计分析提供重要指标数据支持。因此，对于我国的政府来讲，需要从众多的方面着手，保持我国社会总供给和总需求的平衡。具体来讲，第一，需要应用多种方式提高我国的就业率，提高我国社会保障机制的应用能力。第二，适当性的增加政府支出，提高我国经济运行中消费比例的提高、拉动内需，提高宏观经济发展质量和水平，为更好的开展宏观经济统计分析提供重要依据。第三，促进货币的流通，加大对基础性经济领域的投资。第四，降低城乡之间差距，提高居民实际收入水平，开展合理化的资源分配，促进我国经济的进一步发展[5]。
结论：
在大数据的背景下，本文以我国政府为主要的视角，通过对宏观经济统计分析发展问题为研究的重点，提出来其发展中存在的问题，通过政府在各个方面的举措应用完善了宏观经济统计分析发展平台的构建，对于经济运行中社会各个方面的因素进行分析，对于众多资源进行统筹，有效性解决了经济发展问题，提高了我国经济发展水平，也促进了宏观经济统计分析发展和进步。
参考文献：
[1]李伟.探索宏观经济统计分析发展的基本问题[J].现代营销（下旬刊），2016，01：8.
[2]袁天夫.宏观经济统计分析发展的基本问题研究[J].现代经济信息，2016，06：20.
[3]丁宇昕.宏^经济统计分析发展的基本问题探索[J].现代经济信息，2016，06：31-32.
篇5
关键词：基本问题；统计分析；宏观经济
宏观经济分析是一项系统性的工作，有着十分鲜明复杂性特点与专业性特点，涉及工业、农业以及科研等多个社会经济领域。做好宏观经济的统计与分析工作对于科学决策有着十分重要的意义。这就需要相关的研究人员综合运用各种理论与技术对宏观经济统计分析的方法进行深层次的研究。
一、宏观经济统计分析概述
宏观经济统计分析是一项经济学与统计学相结合而形成的独立知识科目体系。由于统计学是经济学十分重要的研究工具，二者之间存在着相互推动、共同发展的关系。将统计学知识与经济学知识结合起来，能够将各个领域的研究方面与研究方法统一起来，打破不同研究内容在领域上的界限，为经济决策与经济规律的探索创造良好的条件。由于我国在宏观经济统计分析领域的起步比较晚，在该研究领域中尚未形成一个高效的研究体系，在我国产业结构升级与经济增长方式变化的过程中，宏观经济统计分析的重要意义才逐渐显示出来。
二、宏观经济统计分析在发展过程中普遍存在的问题
在宏观经济统计分析发展初期，由于统计学的有关理论沿未得到完善，尤其是在计算机技尚未成熟时，统计学分析理论在应用方面的重要意义没有充分显示出来，对于宏观经济分析方面的支持十分有限，造成宏观经济统计分析在实际应用方面所直到的作用不够突出。随着我国社会生产部门的不断分化，越来越多的小型企业尤其是民营企业，在管理与经营决策方面对于新的统计与分析技术表现出了巨大的需求，加上计算机技术的不断发展。统计学理论在研究人员的不断探索下开始进入到了快速发展的阶段。在这一过程中，政府以及有关部门形成了比较明确的周期性经济规划目标，根据周期性经济目标对我国农业、工业以及服务业等产业进行了有针对性的宏观调控，大幅提高我国经济建设的科学性与合理性，为我国经济的调整增长奠定了良好的基础。目前我国宏观经济统计分析在能力在已经进入宏观统计与微观统计并行发展的重要阶段，宏观统计与微观统计在目的划分上更加明确，在应用效率与应用水平上得到了大幅度的蚊帐，两项学科之间存在着相互促进、共同发展的新局面，同时也将宏观经济统计分析的发展带入了一个全新的阶段。
当前我国已经全面进入信息化与数字化时代，选择计算机技术与统计分析技术为宏观经济统计分析的发展奠定了良好的基础。尤其是在我国电子商务领域不断创新与发展的过程中，宏观经济统计分析的重要作用得到了最大程度的体现。在网络环境下，消费群体在消费过程中会产生大量的消费需求数据，有关单位与企业可以以用户的消费数据为资源，以统计学与经济学的有关理论为基础，以宏观经济统计分析为重要手段，对未来一段时间内的消费行为进行科学、有效的判断，提高社会产品生产的合理性与有效性，为电子商务消费用户提供更加具有针对性的商品，为我国经济消费的不断增长创造有利的条件。除了电子商务领域之外，银行业与服务业也可以利用宏观经济统计分析的有关手段对用户名的储蓄行为与消费行为进行判断，为用户制定出更加科学的理财方案与出行方案。对于政府单位来说，则可以利用宏观经济统计分析结果，对社会公众的物流状态与交通状态进行有针对性的分析，对社会公众在日常的生产生活活动中的支行规律有一个全面且深入的了解，将宏观经济统计分析的重要作用充分发挥出来。
三、宏观经济统计分析的发展问题研究
当前我国宏观经济统计分析领域已经进入到了快速发展的新阶段。成经济发展过程中，宏观经济统计分析已经成为分析国民经济发展情况与发展水平十分重要的一项工具。有关部门需要进一步加大该领域的研究力度，为领域的发展奠定良好的人才基础与技术基础，真正认识到宏观经济统计分析对于国民经济发展的重要意义。同时，政府及有关单位还需要进一步加强城市数据信息的收集能力建设与处理能力建设，设置云计算中心，对各方面流动数据进行统计，了解经济数据变化的有关规律，交各方面的统计与分析结果应用到市政管理与组织决策中，为区域内乃至于国家的经济增长奠定良好的基础。
四、宏观经济统计分析的自主发展
由于宏观经济统计分析无论对于政府机关还是在于中小企业来说有着十分重要的意义与价值，尤其是在计算机技术不断发展的大背景下，宏观经济统计分析的应用范围与应用空间得到了进一步的拓展，在社会各阶段与各领域工作与研究人员的共同努力下，宏观经济统计分析中的有关理论将会得到不断的发展与完善。同时也是统计学领域宏观经济分析得到快速独立发展的重要机遇，由此可以现对人类经济社会发展的重要进步性影响，宏观经济统计分析在自身的独立发展前提下吸收了大量的信息数据，之后又利用统计学的思想和方法进行创新研究尝试。
结束语
先进的科技和信息技术的发展是国家宏观经济统计分析发展的重要支持，与此同时还应该配合以功能强大的数据库系统和计算机网络系统，在先进技术和统计学专家的密切配合下可以进一步推动其发展，实现系统完善的宏观经济统计分析体系。
参考文献：
[1]蔡真.宏观经济统计分析发展的基本问题[J].商，2015，47：266.
[2]袁天夫.宏观经济统计分析发展的基本问题研究[J].现代经济信息，2016，06：20.
篇6
【关键词】 商业银行;信用风险;宏观压力测试
一、引言
随着金融全球化进程加快、大型商业银行跨国活动增加、信贷衍生产品迅猛发展,新形势下商业银行信用风险管理问题日益突出。特别是2007年底次贷危机的爆发,使得各国商业银行的资产质量严重恶化,大量银行纷纷破产,虽然我国的商业银行因为种种政策性原因,在这次危机中损失较小,但随着我国金融市场的进一步开放,我国商业银行和国际金融市场的完全融合,将对我国商业银行的信用风险管理水平提出挑战。
目前,宏观压力测试由于能模拟潜在金融危机等极端事件对商业银行体系稳定性的影响,已经引起了国际金融组织和各国政策当局广泛的重视,并在实践中得到迅速推广。本文运用宏观压力测试法,结合我国商业银行的特性,对商业银行的信用风险水平及其影响因素进行分析,这对现阶段我国商业银行信用风险管理具有现实意义。
二、文献综述
宏观压力测试是用于评估一国金融体系在受到“异常但合理”宏观经济冲击时的稳定程度,其通过情景设定或历史事件,来衡量宏观经济冲击对整个对整个金融体系的影响。自20世纪90年代末以来,国外对宏观压力测试的研究及其在实践中的应用都已取得了丰硕的成果,其中最具代表性的是Wilson(1997a,1997b)用各工业部门违约概率与一系列宏观经济变量的敏感度直接建模,通过模拟将来违约概率分布的路径,得到了资产组合的预期异常损失,进而模拟出在宏观经济波动冲击下的违约概率值。Boss M(2002)和Virolainen (2004)利用Wilson提出的模型,根据加总的企业违约概率估计出宏观经济信贷模型来分析澳大利亚和芬兰银行部门的压力情境。
而在国内对宏观压力测试的研究还尚在起步阶段。在理论研究方面,徐明东、刘晓星(2008)通过对国际上流行的几种宏观压力测试方法的比较,阐述了如何运用宏观压力测试方法去评估一国金融体系的稳定性。在模型研究和实证方面,任宇航、孙啸坤等(2007)利用Logit回归测试的方法,通过收集我国的宏观经济数据和金融机构的数据,对我国银行业信用风险损失作出了合理估计。但国内的这些研究只是借鉴了压力测试的思想,使用传统的方法,通过模拟情境下宏观经济因素异动,由Logit模型最终得出稳定性指标期望值的点估计来评价银行体系的稳定性。这种方法存在一定的缺陷:其不能有效地反映出宏观变动冲击对银行体系的影响,不能具体看出压力情境下哪些宏观经济变量对银行信用风险的影响最大,这就有进一步研究的必要。
三、模型构建与实证研究
宏观压力测试是对微观层面压力测试的有益补充,它是将各宏观经济冲击变量整合量化为一个宏观因子,将宏观波动因素整合到评估银行信用风险的模型中,通过压力情境的构建,预测在极端情形下宏观经济变动对银行系统信用风险的影响。
(一)模型构建
本文在研究我国商业银行信用风险水平与宏观经济变量的关系时借鉴了Wilson(1997a, 1997b),Boss(2002),and Virolainen(2004)所提出的模型。该模型主要包括:建立了一个信用风险水平和宏观经济变量间的联立方程;用蒙特卡洛法模拟了违约损失的分布。
具体来说,假定商业银行将贷款贷给了J个经济部门,其中j部门在t时刻违约的概率为pj,t,在这里j=1,2,…,J,pj,t介于0和1之间,用它的Logit转换值yj,t作为回归值,即:
进而,设定yt=(y1,t,……,yj,t)*,yt为转换指标。本文所采用的模型是基于M个宏观经济变量的现在值和滞后期的值所构成的一个线性方程:
yt=m+A1xt+…+A1+sxt-sη1yt-1+…+ηkyt-k+vt (2)
式(2)中明确表示了各宏观经济变量与违约转换指标yt之间的关系。其中,xt=(x1,t,x2,t…xm,t)表示宏观经济变量,其为M×1阶向量;m为截距项,其为J×1阶向量;A1……A1+s和η1……ηk为系数,它们分别为J×M阶和J×J阶矩阵;vt为随机误差项,其为J×1阶向量。
同时为了考虑各宏观经济变量之间的相关性,根据Wilson模型中关于宏观经济变量的等式系统,本文采用了下列的描述:
xt=n+δ1xt-1+…+δpxt-p+μ1yt-1+…+μqyt-q+ξt (3)
其中,n为M×1阶列向量,系数δ1,…δp和μ1,…μq分别为M×M和M×J阶矩阵向量,随机误差项ξt为M×1阶向量。
本文所考虑的模型在Wilson(1997a,1997b),Boss (2002)和Virolainen(2004)基础上,进行了两点改进:一是考虑了宏观经济变量对商业银行信用风险影响的时滞效应;二是模型的设定还考虑了商业银行体系对宏观经济变量的回馈效应。考虑到我国商业银行在国民经济中所占有的重要地位,该模型更符合我国的实际情况,因而用其来研究我国商业银行信用风险水平与宏观经济变量间的关系,具有很强的适用性。
(二)变量的选取与数据描述
为了建立商业银行信用风险水平和宏观经济变量之间的实证关系,本文收集了2003年1季度到2009年2季度共26个季度的商业银行不良贷款率和相关宏观经济数据,并通过参考国内外学者在研究宏观压力测试时的变量选择,考虑我国商业银行信用风险以及宏观经济发展的特点,对相关变量做了如下选择。
1.被解释变量
本文综合考虑了我国商业银行经营的特殊性和相关数据的可得性,选用了商业银行体系的信用风险为被解释变量,以不良贷款率为其衡量指标,即:商业银行体系的不良贷款率越高,其信用风险水平就越高。我国商业银行的不良贷款率的数据来源于中国银监会网站和国研网的统计数据库,其中,商业银行的样本包括了国有商业银行、股份制商业银行、城市商业银行、农村商业银行和外资银行。根据《贷款质量评估指导原则》,中国的贷款按照五级分类法进行分类,不良贷款率=(次级+可疑+损失)/贷款总额。
2.解释变量
在解释变量方面,鉴于我国宏观经济的运行情况以及相关数据的获取难度,选取了GDP增长率、CPI指数(用以表示通货膨胀率)、广义货币增长率M2、进口额同比增长率M、三至五年期贷款利率R、房地产价格指数RE、失业率U七个宏观变量,数据来源于锐思数据库和国泰安数据库。
3.数据描述
从表1可以看出:(1)我国商业银行的不良贷款率经过Logit模型转换为yt后,其波动率仍然较大。(2)从选取的宏观经济变量来看,我国的宏观经济进入了高增长、低通胀、低失业、适度宽松货币政策的繁荣时期,但房价指数RE和进口额增长率M的波动较大。
(三)实证研究与结果分析
1.实证研究
根据上述的模型设定,首先对Pj,t运用Logit模型进行转换,得到转换指标yt,再将对商业银行信用风险构成冲击的各宏观经济变量及其yt的一阶滞后变量(考虑到宏观经济冲击的滞后性往往为一年)的数据代入,利用Eviews5.0与yt进行多元线性回归,结果显示:GDP增长率ZGDP、通货膨胀率CPI、房价指数RE、贷款利率R、进口总额同比增长率M以及yt的一阶滞后变量这六个变量显著,而失业率U和广义货币增长率M2不显著,被剔除。然后再利用式(3)进行各宏观经济变量的自回归。回归结果如表2。
从表2可以看出:(1)在1%到10%的显著性水平上,CPI指数、GDP增长率、进口额增长率M、贷款利率R以及房价指数RE均显著影响到了我国商业银行的信用风险水平,且信用风险的转换指标受其滞后一期值的显著影响;(2)各宏观经济变量均受到其滞后项的显著影响,且除商品房销售价格指数RE外其余宏观经济变量还受到了转换指标滞后一期值的影响。
2.结果分析
从上述模型中,可以看出在宏观经济变量中贷款利率R对转换指标的影响最大,R的上升代表企业的融资成本增加,为了按期还本付息,企业就必须拿出更多的利润交给银行,如果融资成本大于企业盈利能力,那企业就有违约的冲动,使得商业银行的信用风险加大。而CPI对银行信用风险的影响与R则恰恰相反,其上升预示着国家在实行宽松的货币政策,使得企业融资成本降低,企业的盈利大幅上升,减少银行的信用风险。GDP增长预示着整个社会的宏观经济比较景气,经济处于上升繁荣期,企业平均盈利能力较好,不良贷款率也将随之下降。进口总额增长率M上升,对我国的出口企业造成负面影响,致使其业绩下降,进而会增加银行的信用风险。房地产销售价格指数的上升,会使得大量的资金涌入房地产市场,产生泡沫经济,鉴于目前我国房屋贷款在银行贷款中的比重,将会使银行的不良贷款率显著提高,进而增大银行的信用风险。同时,也可以发现转换指标的滞后一期对当期影响显著。显然,模型的回归结果符合经济学上的解释。
四、宏观压力情景的设定及其风险分析
压力测试主要是通过情境设定,根据情境假设下可能的风险因子变动情形,重新评估金融商品或投资组合的价值。通常重新评估的方式不会有太大的差异,但是情境设定的方式却有很多种选择。情境分析是目前应用的主流,即利用一组风险因子定义为某种情境,分析在个别情境下的压力损失。情境分析的事件设计方法有两种:历史情境分析和假设情境分析。整个程序通常分为两大步:一是情境设定;二是重新评估。
(一)情境设定
分析上述模型的回归结果,可以发现贷款利率R对银行信用风险的影响最大,而GDP增长率则是判定一国经济发展最重要的指标,同时考虑到大多数危机的冲击期会持续四个季度,因而假定2009年2季度为基期,模拟从2009年3季度到2010年2季度共4个时间点涵盖了一年期的未来路径。本文设定了两个压力情境:一是GDP指数突然大幅下降的情境。假定我国GDP季度增长率自2009年2季度起在未来的4个季度里每季度均会同比下降一个百分点。二是贷款利率R大幅上升的情境。设定我国的贷款利率自2009年2季度起在未来的4个季度里,每季度均会同比上升一个百分点。为了便于计算,假定这两个冲击是相互独立的,即当一个宏观解释变量受到冲击,其它解释变量仍然保持不变。
(二)重新评估
设定情景下的冲击结果如表3。
从表3中可以看出,在设定的两种压力情境下,我国商业银行的信用风险水平明显增加,其不良贷款率显著提高。同时,还可以发现,贷款利率R的大幅升高比GDP增长率的降低对商业银行体系信用风险的冲击幅度更大,这也充分说明了货币政策在调控宏观经济中的重要性及其对商业银行的显著影响。
为了更清晰地表现两种压力情境下银行体系信用风险的变化,将上述结果绘在图1中。
图1中P1代表了GDP增长率突然下降情境下的我国商业银行体系的不良贷款率,P2代表了贷款利率R上升时我国商业银行体系的不良贷款率。从图1中可以清楚地看到P2一直在P1的上方,即贷款利率R的大幅上升比GDP增长率的大幅降低对商业银行体系信用风险的冲击幅度更大。
五、结论
本文采用我国2003年1季度到2009年2季度的宏观经济数据和商业银行的不良贷款率数据,基于Wilson (1997a, 1997b),Boss(2002)及Virolainen(2004)所提出的模型,通过Eviews5.0软件建立了商业银行信用风险转换指标 与各宏观经济变量及转换指标滞后一阶的回归方程,结果表明GDP增长率、通货膨胀率、房价指数、贷款利率、进口总额同比增长率对我国商业银行的信用风险影响显著。进而利用得出的回归方程,依据假设情景对我国商业银行的信用风险进行了压力测验,在宏观压力测试的情境分析中,得出了贷款利率R的大幅上升比GDP增长率的大幅降低对商业银行体系信用风险的冲击幅度更大的结论。
鉴于本文的研究结论,可以看出宏观经济变量和商业银行信用风险之间有着密切的联系,在本轮的次贷危机中我国的商业银行虽没有受到大的冲击,但应该吸取欧美大银行在这次危机中的教训,防患于未然,提高自身的风险意识,继续降低银行的不良贷款率。另外,政府在遇到宏观经济问题时,货币政策起着至关重要的作用。一国货币当局在面对危机时,应该审时度势,制定正确的货币政策,确保经济的快速增长。
【参考文献】
[1] Wilson T C. Portfolio credit risk I [ J ]. Risk, 1997, 9(10) : 111 - 170.
[2] Wilson T C. Portfolio credit risk II [ J ]. Risk, 1997, 10(10) : 56 - 61.
[3] BossM. A Macroeconomic credit risk model for Stress Testing the Austrian credit portfolio [ J ]. Financial Stability Report, 2002(4): 64 - 82.
篇7
关键词：商业银行；信用风险；宏观压力测试
一、引 言
自20世纪70年代末到21世纪初，全球有93个国家先后爆发了112次系统性银行危机。尤其90年代以来频频爆发的金融危机——如1987年美国股市崩盘、1994年美国利率风暴及中南美洲比索风暴、1997年亚洲金融危机、1998年俄罗斯政府违约事件，特别是2007年春季开始的次贷危机最终演变为2008年的全球金融风暴，波及范围之广，影响程度之大，史无前例。它们不仅使一国多年的经济发展成果毁于一旦，还危机到一国的经济稳定，对全球经济也产生了强大的冲击。［1］
收稿日期：2008-07-05
项目资助：本文受到西安交通大学“985工程”二期资助（项目编号：07200701），国家社会科学基金（08DJY156）资助。
作者简介： 李江（1962-），湖南省湘潭市人，金融学博士，西安交通大学经济与金融学院副教授，
硕士研究生导师，研究方向：金融风险管理；刘丽平（1982-），女，河北省承德市人，西安交通大学经济与金融学院硕士研究生，研究方向：财务预警。
金融系统的宏观压力测试是一类前瞻性分析的工具，用于模拟“异常但合理” 宏观经济冲击对金融体系稳定性的影响，可以帮助中央银行识别金融体系的薄弱环节，有助于各方理解金融部门与宏观经济之间的联系，同时提高中央银行和金融机构的风险评估能力。因此，受到各国金融监管当局的重视，逐渐成为检验一国银行体系的脆弱性，维护金融稳定的首选工具。在金融全球化的趋势下，随着我国金融市场的完全开放，我国金融业和国际金融市场的逐步融合，是否拥有一个稳定和富有竞争力的银行体系对于中国而言显得非常迫切。对银行体系进行稳定性评估，尤其是对银行体系面对的信用风险
进行宏观层面的压力测试，对防范和化解系统性金融风险，维护中国金融稳定和安全具有重要意义。
下面研究宏观压力测试在银行信用风险评估中的应用，通过对国外已有的成熟模型理论成果分析比较的基础上，根据我国的宏观经济及金融发展特点，经济、金融数据统计及披露特点，模型的数据需求深度广度要求，建立适用于我国的模型并以此进行实证分析。
二、文献综述
（一）宏观经济因素对银行信贷违约风险的影响
McKinnon R［2］认为，宏观经济稳定时，银行经营行为非常保守，不会出现不顾风险单方面追求效益的现象。但在实际汇率波动、通货膨胀出现等宏观经济不稳定的情况下，政府或明或暗的存款担保，导致银行会产生以高利率对高风险项目贷款的风险行为。Donald van Deventer［3］通过线性回归分析，确定了宏观因素对银行股价变动的解释在统计上是显着的。
对20 世纪80 年代以来各国银行不稳定尤其是银行危机现象， 国际组织和国内外学者进行了大量研究， 积累了十分丰富的实证资料。尤其是来自美国、英国、澳大利亚、芬兰的许多国外学者， 在对20 世纪80、90 年代全球银行不稳定事件的实证分析中发现， 宏观经济因素波动在各国银行不稳定中扮演着重要角色。Tom Bernhardsen［4-5］建立起银行破产与不良贷款和宏观经济因素的关系模型，并且利用欧洲国家的面板数据进行了实证检验。Erlenmaier U［6］和Gersbach H［7］利用挪威中央银行的宏观经济模型RIMINI对总体审慎指标的趋势与发展进行预测，并且建立了评估贷款违约率的宏观信贷方程。Froyland E和Larsen K［8］利用RIMINI对银行不良贷款在宏观经济波动情境下进行了压力测试。Pesola J［9］分析了银行系统危机对宏观经济因素波动的敏感性，并利用芬兰的数据通过建立模型对两者之间的关系进行定量分析。Virolainen K［10］对芬兰金融风险的实证评估，建立了宏观信贷模型并进行宏观压力测试，揭示了芬兰银行系统贷款违约风险与宏观经济波动的相关性。
国内对于银行体系的稳定评估的实证研究，包括陈华，伍志文［11］运用1978～2000年间的数据对我国银行体系脆弱性状况进行了量化分析。结果发现，中国整个银行体系在1978～2000年之间有11年是不稳定的，尤其是在1992年和1998年前后更为突出，银行体系出现了不稳健的征兆，存在较大的金融风险。
（二）宏观压力测试理论和实践
在执行宏观压力测试使用的宏观信贷模型的研究领域，有两个学者的模型框架占据举足轻重的地位，并为日后的学者不断的进行模型的拓展研究和实证应用奠定了良好的基础。他们是Wilson T C［12-13］和 Merton R［14］。Wilson对各工业部门违约概率对一系列宏观经济变量的敏感度直接建模。模型的思想是对违约概率和宏观因素的关系进行建模，模拟将来违约概率分布的路径，就可以得到资产组合的预期异常损失，进而模拟出在宏观经济波动冲击下的违约概率值。相比较而言，Merton模型则多加入了股价对宏观要素的反映，将资产价格变动整合进违约概率评估模型。因此，前一种模型更直观，计算量较小；而后一种方法对数据的广度和深度的要求以及计算量要求都很高，其中有些市场数据也许是信贷风险的噪音指标。 世界各地的学者，运用上述模型框架进行了大量的实证研究。Vlieghe G［15］对英国银行体系累加的企业违约概率进行建模估计，发现GDP、实际利率和真实工资水平具有较显着的解释能力。Bunn P，Cunningham A和Drehmann M［16］曾使用probit模型来测算英国企业部门的贷款违约风险。Boss M［17］针对加总的企业违约概率估计出宏观经济信贷模型来分析澳大利亚银行部门的压力情境，结论说明工业产值，通货膨胀率，股票指数，名义短期利率和油价都是违约概率的决定因素。Marco M 、Sorge、KimmoVirolainen［18］利用Wilson模型框架对芬兰银行系统的信贷违约概率进行了宏观压力测试分析。结果证明在压力情境下，违约概率（PD， portability of default）的蒙特卡罗模拟分布明显异于常态分布，其Var值远高于基期的测算值。Jim Wong，Ka-fai Choi和 Tom Fong［19］建立了香港零售银行面对宏观经济波动的信贷风险宏观压力测试框架。模型框架中引入的宏观经济变量包括：国内生产总值（GDP），利率（HIBOR），房地产价格（RE）和大陆的GDP。同时用宏观压力测试评估了香港银行体系的贷款资产和住房抵押贷款风险暴露。压力情境的设定模拟了亚洲金融危机时发生的宏观经济波动，并分别引入了测试模型。结果表明在置信水平90%时，在所有压力情境下有些银行仍然能够盈利。这意味着目前银行系统的信用风险较稳和。当VaR取99%的置信水平这一极端情况时，一些银行出现了巨额损失，但这类事件发生的概率极低。
Hoggarth G和Whitley J［20］与Drehmann M Hoggarth， G Logan A， Zecchino L［21］在他们的研究中引入了英国在FSAP框架指引下宏观压力测试的执行结果和方法，在压力情境的设定方面采用在险价值框架下的蒙特卡罗模拟法。Jones M T， Hilbers P和Slack G［22-23］提供了宏观压力测试的更一般的非线性的方法。Worrell D［24-25］ 讨论了一个将早期预警系统，金融健全性指标和宏观压力测试整合的方法。
一些学者研究将信用风险和市场风险整合测量，例如 Allen L 和 Saunders A［26］尝试将宏观经济因素整合进信用风险的测量模型。而最近的一些文献如Pain D、Vesala J［27］和Gropp等人［28-29］则是引用Wilson 的宏观信用模型分析了宏观要素对银行的债务人的信用质量的影响。而Wilson 的模型的一个替代选择则是Merton 的公司层面的结构模型. Gray D、Merton 和Bodie［30］将这一框架扩展至研究主权违约风险。Derviz A 和Kadlcakova N ［31］将商业周期的影响整合进一个具有结构模型和简化模型特征的复合模型。Drehmann M、Manning M［32］和Pesaran M H等［33］在利用Merton模型框架的宏观压力测试中研究了违约概率和宏观经济变量的非线性关系。Benito A，Whitley J和Young G ［34］将基于衡量违约概率的Merton模型融入针对模拟个别企业违约的probit模型。他们发现Merton模型方法比仅仅依靠企业的财务数据的模型效果更优。
还有一些文献使用不良贷款，贷款损失额或者复合指标与宏观经济因素整合成矩阵向量来测算金融体系的稳定性。Hanschel E和Monnin P［35］针对瑞士银行系统构建了一个复合压力指标，该指标综合了金融不稳定的市场指标和银行资产负债表上的衍生变形指标。Kalirai H 和 SchEicher M［36］针对对澳大利亚银行体系累加的贷款损失，通过涉及广泛的宏观经济变量的模型进行了时间序列的回归估计。这些宏观经济变量包括国内生产总值、工业产值缺口、消费者价格指数、货币供给增速、利息率、股票市场指数、汇率、出口额和油价。
（三）国内外研究述评
目前国外开展的关于银行稳定性评估的实证研究十分丰富，其中挪威和芬兰中央银行的研究对金融系统的评估最具综合性。稳定性评估的目的在于，对银行体系的健全状况和抵御系统性金融危机的能力进行定量和定性的客观评价。为此采用了金融稳健指标分析（Financial Sound Indi cators)和压力测试的方法，对宏观经济环境中例外但有可能发生的冲击（Shock）情境进行模拟，来量度和评估银行体系在遇到冲击甚至遇到金融危机时，保持稳定（即银行保持基本运营不会发生突变）的能力。
而国内对于银行体系的稳定评估的实证研究都偏重于评价银行体系的稳定性，对在抵御不确定性风险的能力评估并未涉及。目前我国关于宏观压力测试的研究才刚刚涉及，孙连友［37］，高同裕、陈元富［38］等学者对宏观压力测试进行了理论上的探讨，但多为国外文献的整理或综述，未能进一步的发展和深入。尤其在模型研究方面，仅仅停留在介绍早期国外学者的模型框架和较为成熟的各国宏观压力测试手册指引中的操作流程。其内容多为宏观压力测试的必要性、目的作用、所用方法、国内外的具体实践等，未能有很系统和深入的介绍，而对多种宏观压力测试模型的介绍和分析尚无涉及。
在实证方面，熊波［39］通过建立宏观经济因素的多元Logit回归分析，并对结果进行假设情境的压力测试分析。得出的结论是， 国内生产总值和通货膨胀率这样的宏观经济变量的确是影响中国银行体系稳定性的重要因素。但是该文只是借鉴了压力测试的思想，使用传统的方法，通过模拟情境下宏观经济因素异动，由Logit模型最终得出稳定性指标期望值的点估计来评价银行体系的稳定性。这种方法不能有效地反映出宏观变动冲击对银行体系的影响，不能看出压力情境下银行面临的最主要的信用风险的分布状况，即贷款违约率的概率分布。
三、宏观压力测试方法流程及模型设定
（一）方法流程
宏观压力测试是模拟“危机事件”来估计极端却可能的压力情境下金融体系的波动。在宏观压力测试的框架中，其模型表示为：
Q(t+1｜t+1≥X=f(Xt，Zt)（1）
在（1）中 表示在模拟的压力情境下评价金融体系的稳定性的指标的表现。在宏观压力测试模型中衡量金融部门波动性的最一般的方法是资本的潜在损失率。Q(·)表示衡量金融系统波动性的风险矩阵，衡量违约情况的指标例如贷款损失额主要通过模拟压力情境下的点估计得到。在这种情况中，该条件概率值表示的风险矩阵较容易计算。而在险价值方法中，在任何给定的压力情境下，资产组合的损失应产生概率分布，而不是前一种方法中的点估计值。框架中f(·)表示损失方程，该方程模拟了宏观经济冲击对金融体系中加总的资产组合的影响关系。该方程可包含风险暴露，违约概率，相关性，回馈效应，以及宏观经济变量变动与系统层面金融稳定性表现的相互关系。
压力测试的执行方式主要是通过情境设定，根据情境假设下可能的风险因子变动情形重新评估金融商品或投资组合的价值，整个程序通常分为两大步：一是情境设定；二是重新评估。通常重新评估的方式不会有太大的差异，但是情境设定的方式却有很多种选择。情境分析（Scenario Analysis）是目前应用的主流。即利用一组风险因子定义为某种情境，分析在个别情境下的压力损失，因此此类方法称为情境分析，情境分析的事件设计方法有两种：历史情境分析（Historical Scenario）和假设性情境分析（Hypothetical Scenario）。其他方法还有敏感度分析（Sensitive Analysis）和极值理论法（Extreme Value Theory， EVT）。
本文根据信用风险压力测试的相关文献以及世界银行和国际货币基金组织联合开发的FSAP（financial Sector ass ess ment programme)的手册，将压力测试的执行程序见图1所示。
图1 压力测试流程图
（二）模型的设定
本文将在Wilson、Boss和Virolainen研究框架的基础上建立适合我国银行系统信用风险评估的宏观压力测试模型。首先借鉴国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标，以指标作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。
yt=ln1-PDt[]PDt（t=1， 2…， N）（2）
yt=α0+α1Xt+…α1+mX1-m+β1yt-1+…+βny1-n+μt（3）
Xt=0+1Xt-1+…+pX1-p+φ1yt-1+…+φqyt-q+εt（4）
PDt代表t年度的贷款的平均违约率，Y是一个反映宏观经济状况的综合性指标，也可以将它理解为是反映银行体系违约概率和各宏观经济变量的关系的“中介指标”，X代表宏观经济变量。在利用历史数据进行模型估计时，通过处理的违约概率值代入（2）就可以得到估计的综合指标的估计值。将其带入（3）就可以估计出宏观方程的系数，并以此估计出的方程作为进行宏观压力测试的基础。而在执行压力测试的时候，通过压力情境的设定，用不同方法得到的各相关宏观经济变量值代入估计出的（3）就可以得到压力情境下的Y，再通过（2）就估计出了压力情境下的银行系统的违约概率。
公式（2）就是对贷款违约率进行Logit回归分析，PDt表示t年度的贷款的平均违约率，yt表示一系列宏观经济变量的综合指标。
公式（3）是反映各宏观经济变量与综合性指标yt的关系的方程，本文采用多元线性回归的方法来模拟变量之间的关系。其中Xt=(x1，t，x2，t…xl，t)′是L×1阶列向量，代表L个宏观经济因素构成的列向量；μt是方程的随机扰动项。截距α0是一个L×1阶列向量；系数α1，α2…α1+m分别代表L×1阶向量，系数β1…βn是L×n阶矩阵向量。
公式（4）是关于各宏观经济变量的时间序列模型。考虑到宏观经济因素采取的时间序列数据，可能存在变量的滞后性，因此对各宏观经济变量进行P阶自回归分析，剔除模型中的序列相关性。在（4）中，0是L×1阶的列向量， 1，…，p都是L×1阶矩阵向量，φ1，…φq是L×q阶矩阵向量，随机误差εt都是L×1阶列向量。
在这个模型中，假设μt和εt是序列不相关的，并且分别服从方差协方差为矩阵∑μ和∑ε的正态分布。其中μt和εt相关的方差协方差矩阵为∑μ，ε。
在 Wilson（1997）和Virolainen（2004）提出的框架中，yt仅仅与Xt有关，而本文模型的设定更符合实际情况，yt不仅与Xt相关，考虑到宏观冲击的时滞效应，yt还与其滞后期的值yt-1，…，yt-n有关。
从（4）可以看出，模型不仅考虑到了宏观经济变量值之间的相互影响，模型的设定考虑到了金融体系对宏观经济波动的回馈效应。将银行的表现对经济的反馈影响通过在宏观因素变量的自回归方程中引入综合变量来实现。通过各行业综合指标Y的前期值对各宏观经济变量的影响设定来反映现实世界中的金融与经济发展的相互影响关系。
（三）变量选取
1.解释变量
根据各国的实证研究经验和我国银行体系业务发展特点，本文模型的变量选取1990～2006年的年度数据，主要考虑到数据的可得性、宏观经济统计的特征以及经济冲击发生的持续时间来决定的。鉴于研究的宏观层面，从数据的可得性及计算量考虑，本文的宏观模型是基于整个经济体系的，因此各宏观经济变量将不采用各经济部门的统计值，而是采用本国的整体水平的统计值。
本文选取八个宏观经济变量作为解释变量：
NGDP—国内生产总值名义年增长率；
RGDP—国内生产总值实际年增长率；
NR—一年期存款的名义基准利率；
RR—一年期存款的实际基准利率；
NLR—一年期流动资金贷款的名义平均利率；
RLR—一年期流动资金贷款的实际平均利率；
CPI—居民消费价格指数；
RE—房地产价格指数；
2.被解释变量
本文选取违约概率作为评估信用风险的指标，银行系统的信用风险主要表现为贷款资产的违约风险。违约率水平是评估银行贷款质量的最直接的指标，违约风险可以用借款人在规定期限内的违约概率度量。Virolainen K对芬兰银行系统的违约概率进行的宏观压力测试分析中，对违约概率指标采取如下方式赋值：在研究时段内，某行业的破产机构数量与总的机构数量的比率为银行体系面对的违约率。Jim Wong、Ka-fai Choi和Tom Fong［19］建立的香港零售银行面对宏观经济波动的信贷风险压力测试框架中，违约概率是逾期3个月以上的贷款额与总贷款额的比率。本文选取四家国有商业银行和交通银行、招商银行、光大银行等十家股份制商业银行的信贷数据作为样本，以平均的逾期贷款率代表贷款违约率，即以年末样本银行的总逾期贷款额与总贷款余额的比率。其中，1990、1991、1992三年的各样本银行的详细数据欠缺，因此本文根据各类媒体披露的总的逾期贷款的变动率和贷款额的变动率计算出了这三年的逾期贷款率，其他各年份的详细数据均来自中国金融年鉴和各银行的年报。
四、实证结果
（一）模型估计
代入1990～2006年的宏观经济数据对上述模型进行多元回归分析和模型估计，先用宏观经济变量的名义指标值和实际值，与引入的综合指标Y的两期滞后变量分别对Y进行回归。从两个模型的t检验指标看出，模型中GDP、LR、R作为解释变量的参数并不显着，而引入的Y的二阶滞后变量对因变量的解释性也不显着。因此模型的参数需要进一步调适剔除。根据经验和宏观经济冲击的滞后性往往为一年，因此模型中只引入Y的一阶滞后变量。虽然两个模型的拟合优度统计检验指标和D-W指标略微下降，但两个指标值分别为0.987和2，仍是非常理想的检验指标值。在剔除掉一年期存款利率后，两个模型各参数的t检验指标都非常显着。但是以模型解释变量的参数符号来看，通货膨胀率CPI在以名义宏观经济变量值为自变量的模型中的系数符号为负，这表明随着CPI的增加，Y值也会减小，经过Logit变换后的违约概率PD将会增大，显然符合经济学原理。而在关于实际变量的模型中系数为正号，这是违背经济学原理的。所以本文确定以名义变量作为模型解释变量的方程为最佳的宏观经济模型（见表1）。这说明我国银行的信贷违约率对名义的宏观经济因素的波动更敏感。Marco Sorge、 Kimmo Virolainen（2004）利用wilson（1997）模型框架对芬兰银行系统的违约概率进行了宏观压力测试分析，宏观经济模型估计结果与我国上述情况类似，即名义的宏观经济变量对违约概率的解释能力更显着。
根据回归方程的t检验（5%的显着性水平），各宏观因素指标的实际值对综合指标的影响并不显着，所以剔除不列入表内。从表1中可以看出，综合经济指标和各宏观经济变量指标的名义值关系显着。且综合指标的一期滞后值对各宏观经济指标影响均显着。从关于综合指标的多元线性回归方程也可以看出，国内生产总值增长率、贷款利率水平、通货膨胀率和房地产价格的确是影响到我国银行体系违约概率的显着因素，而且综合指标明显受其一期滞后值的显着影响。
（二）宏观压力情境的设定及其结果
本文选择情境分析作为执行压力测试的方法。针对模型所选取的宏观经济变量，我们设定两个压力情境：一种是GDP增长突然放缓的情境；一种是CPI上升到较高的水平（5%以上）。对于各种压力情境下，反映压力的宏观经济变量的变动幅度，可以通过以往的历史相似情境数据或历史经验直接进行人为的设定。而本文在对银行体系遇到极端情境进行构建之前，利用时间序列模型对解释变量NGDP、CPI进行了2008～2010年的简单ARMA模型预测，作为我们构建的参考基准情境（baseline scenario）。
从表2可以看出，在设定的两种压力情境下，我国的银行体系的信贷风险明显增加，从模型预测估计出的贷款违约率都有不同幅度的增加。随着国民生产总值增速的大幅降低，贷款违约概率增大，但幅度较缓。而随着通货膨胀率的骤增，违约概率出现大幅度的激增。这充分说明在压力情境下，宏观经济变量对银行系统信贷违约概率的冲击效应非常显着。从而判断，通货膨胀率的同等幅度波动对银行体系信贷违约率值的影响更大。
五、结论及建议
本文在对比分析国外成熟模型的基础上，构建了适合我国经济环境的宏观压力测试模型。首先本文借鉴了国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标Y，以指标Y作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。借鉴已有研究成果中在选择信贷风险的评估指标方面的做法，以逾期贷款率作为模型中反映银行体系信贷风险的指标。
结果发现：宏观经济变量名义国内生产总值，消费者价格指数，房地产价格指数和名义流动贷款利率对银行体系贷款违约率影响是显着的。特别是名义国内生产总值和通货膨胀率指标，冲击力较强。在关于名义国内生产总值大幅下降和通货膨胀率骤升的压力情境设定下，银行体系的贷款违约率都出现了不同程度的大幅度提高。尤其在关于通货膨胀率的压力情境下，贷款违约率的增长幅度高于名义国内生产总值下降情境下的增幅。
本文研究结果对中国国情有着一定的解释力，让我们有信心支持这样的研究思路的继续开展。通过分析我们可以看出，中国的银行体系稳定性还有待进一步加强，在面临假设的宏观经济冲击时，化解风险的能力就显得不足。当然我们构建的这些极端情形发生的概率都是极小的，毕竟中国经济目前来看几年内保持稳定增长的态势是确定的。
参考文献：
［1］ 中国人民银行金融稳定分析小组.中国金融稳定报告（2005）［EB/OL］. pbc.gov.cn/detail.asp?col=100&ID=2257&keyword.
［2］ McKinnon R. Financial growth and macroeconomic dtability in China.1978-1992: implications for Russia and other transitional economies［J］. Journal of Comparative Economics， 1994， 17(2): 438-469.
［3］ Deventer D V， Kenji I. Credit risk models and the Basel Accords［M］. BEijing: RENMIN University of China Press， 2005: 14-56.
［4］ Bernhardsen T. Real-time data for Norway: Challenges for monetary policy［J］. The North American Journal of Economics and Finance， 2005， 19(3): 333-349.
［5］ Bernhardsen T. The relationship between interest rate differentials and macroeconomic variables: a panel data study for European countries［J］. Journal of International Money and Finance， 2000， 18(2): 289-308.
［6］ Erlenmaier U. Correlations models in Credit Risk Managem［D］. Norway: University of HEIdelberg， 2004.
［7］ Erlenmaier U. Gersbach H.Default probabilities and default correlations［D］. Norway: University of Heidelberg， 2005.
［8］ Froyland E， Larsen K. How vulnerable are financial institutions to macroeconomic changes? An analysis based on Stress Testing［J］. Economic Bulletin， 2002， 3(11): 127-169.
［9］ Pesola J. The role of macroeconomic shocks in banking crises［J］. Bank of Finland Discussion paper， 2000， 2: 457-504.
［10］ Virolainen K. Macro stress-testing with a macroeconomic credit risk model for Finland［J］. Bank of Finland， mimeo， 2004， 19(1): 1-66.
［11］ 陈华，伍志文．银行体系脆弱性：理论及基于中国的实证分析［J］．数量经济技术经济研究，2004(9)：34-51．
［12］ Wilson T C. Portfolio credit risk I［J］. Risk， 1997， 9(10): 111-170.
［13］ Wilson T C. Portfolio credit risk II［J］. Risk， 1997， 10(10): 56-61.
［14］ Merton R. On the pricing of corporate debt: the risk structure of interest rates［J］. Inance， 1974， 29(7): 449-470.
［15］ Vlieghe G. Indicators of fragility in the UK corporate sector［J］. Bank of England Working Paper: on.146， 2001.
篇8
【关键词】股市波动 宏观经济 格兰杰检验
一、引言
证券市场股票价格波动和宏观经济波动之间的关系一直是国内外学者关心的问题，也是国际经济学界的热点问题之一。2008年以来由美国次贷危机发展而来的全球金融危机，给世界经济带来了严重的影响，我国经济虽然一直保持平稳运行，国民生产总值增速也出现了明显的放缓，由2007年的14.2%到2008年～2012年分别为9.6%、9.2%、10.4%、9.3%和7.8%，而期间我国股市，以上证综指收盘价为例，也由2007年年末的5261.56下降到2013年8月末的2098.38。在此背景下，对我国股市波动与我国宏观经济波动之间关系的研究越来越受国内外众多学者的关注，其宏观经济指标的选取也越来越成为研究的焦点问题。
二、文献综述
有关股市波动和宏观经济波动，国内外众多研究者从不同角度对其进行了研究和分析，Fama的研究表明，股票价格与经济增长之间存在着正相关关系。[1]Engsted主要研究丹麦股票市场的波动影响因素，总结了股票价格、利率、汇率、消费、储蓄、国际收支、税收平滑指数、通货膨胀、劳动力需求、货币需求等因素相互之间的影响。[2]Dritsaki实证研究希腊的股票价格指数和希腊国内的宏观经济因素的长期关系，宏观经济因素主要是工业生产值、通货膨胀率和利率。同时，这些变量都通过了Johansen检验和格兰杰因果检验。[3]
我国学者对股市波动的分析主要是从基本面和政策面进行。比较具有代表性的是靳云汇、于存高（1998）对中国股票市场与国民经济关系的实证研究。他们分别研究了股票市场规模与国民生产总值GDP、居民储蓄、通货膨胀等变量的关系，股票市场与经济周期以及股票价格与宏观经济因素之间的关系，认为中国股票市场已经基本具备了经济晴雨表的作用，在一定程度上提前反映中国经济周期的变动。[4]
从前述文献看来，已有研究普遍认为经济增长、工业生产、通货膨胀、利率以及汇率等宏观经济因素波动与股市波动有较强的联系，是重要的有代表性的宏观经济变量指标，但在对我国股市波动与我国宏观经济波动之间关系的研究上，所选用的宏观经济变量指标普遍较少，也缺乏对全球金融危机后我国股市波动与宏观经济波动的研究。
三、指标选取与数据来源
首先，在指标选取上，通常用股价指数等指标来描述股票市场的波动，而在股价指数种类的选择上，最具代表性的是上海综合指数和深证成分股指数。本文选择上海综合指数进行研究，主要基于以下几方面的考虑：一是综合指数以在证券交易所挂牌上市的全部股票作为编制对象，能够反映证券市场总体变动情况；二是中国证券市场历来存在着沪强深弱的现象，上海证券市场相对而言更能代表中国证券市场的发展状况。[5]因此，本文采用上证指数进行研究。
另一方面，根据相关经济理论和我国经济发展实际情况，我们从众多宏观因素中选取了有代表性的12个指标：反映国民经济整体运行状况的工业增加值增长速度（GY）和制造业采购经理人指数（PMI）；反映通货膨胀的居民消费价格指数（CPI），工业生产者出厂价格指数（PPI）和商品零售价格指数（RPI）；反映货币政策的一年期存款基准利率（LL），狭义货币供应量（M1）和广义货币供应量（M2）；反映财政政策的财政支出增长速度（LGV）；反映对外贸易的进出口差额（XM）；反映汇率水平的人民币美元汇率（HL），外汇储备（WH）。这些指标基本涵盖了我国宏观经济情况。
其次，在上证综指和有代表性的宏观因素的样本选取上，本文采用2008年1月～2013年8月的月度数据，相对于大多数研究采用季度或年度数据，扩展了样本容量，使研究结果更可信。在实证研究中，所使用的上证综指收盘价（SZ）、汇率收盘价来自大智慧，所使用的其他宏观经济数据来自于中华人民共和国国家统计局、中国人民银行和东方财富网。
四、实证过程分析
（一）单位根检验
由于我们采用的是月度数据，因此首先通过eviews6.0软件对部分缺失数据采用指数平滑法计算，然后用X11方法分离出季节影响，再对季节调整后的时间序列进行单位根检验，检验其平稳性，在10%的显著性水平下，且根据SIC准则选择滞后阶数，运用ADF法进行单位根检验，根据ADF统计量和P值数据可知，SZ、GY、PMI、CPI、PPI、RPI、LGV、XM均表现平稳，而LL、M1、M2、HL、WL表现为一阶单整。其中，通过对以上一阶单整非平稳宏观经济变量进行一阶差分所得DLL、DM1、DM2、DHL以及DWH均表现为平稳。
（二）协整检验
由上述单位根检验，我们可以知道SZ、GY、PMI、CPI、PPI、RPI、LGV、XM以及经过一阶差分处理后的LL、M1、M2、HL、WH在10%的显著性水平下均表现出平稳性。接下来我们通过协整检验考察其是否存在长期均衡关系，方法有两种：一种是基于回归残差的EG两步法协整检验。主要适用于检验两变量的协整关系，另一种是基于回归系数Johanson协整检验，适用于多变量之间协整关系的检验。[6]在这里，我们采用第一种方法EG两步法进行协整检验，检验结果如下：
由以上协整方程可以得出，在5%的显著性水平下，所有宏观经济变量均与上证综指呈现比较显著的协整关系，即长期均衡关系。且与进出口差额（XM）、工业增加值增长速度（GY）、制造业采购经理人指数（PMI）、居民消费价格指数（CPI）、工业生产者出厂价格指数（PPI）、商品零售价格指数（RPI）、财政支出增长速度（LGV）、外汇储备（WH）、一年期存款基准利率变动率（DLL）以及狭义货币供应量变动率（DM1）正相关，与广义货币供应量变动率（DM2）、人民币美元汇率变动率（DHL）负相关，这些检验结果与相关经济理论的结论基本相符。
（三）格兰杰因果检验
我们采用以上12个平稳宏观指标对上证综指（SZ）进行双变量格兰杰因果检验它们是否是彼此的格兰杰原因，并且采用AIC准则来确定滞后期数，相伴概率P值越小，表明解释变量对被解释变量的统计上的因果关系及预测能力越强。
由检验结果我们可得出如下结论：在10%的显著性水平下，上证综指（SZ）是狭义货币供应量变动率（DM1）、广义货币供应量变动率（DM2）、制造业采购经理人指数（PMI）、工业增加值增长速度（GY）、工业生产者出厂价格指数（PPI）、商品零售价格指数（RPI）变动的显著原因，而居民消费价格指数（CPI）、工业生产者出厂价格指数（PPI）、商品零售价格指数（RPI）又是上证综指（SZ）变动的显著原因。而国际收支、汇率、外汇储备、政府支出则与股市波动相关性很低。
五、结论与政策建议
本文采用2008年1月～2013年8月的月度数据，对其进行格兰杰因果检验，由以上实证分析可以得出，全球金融危机以来，我国股市波动性对我国宏观经济变量的解释能力较好，在某种程度上能反映我国经济发展的趋势水平，发挥经济周期变化的“晴雨表”的作用，但是从检验结果中我们可以发现两个问题，一是宏观经济变量对我国股市波动性解释能力较弱，二是某些传统意义上对股市波动有影响的宏观经济因素却与我国股市相关性较弱，如国际收支、汇率、外汇储备等。这可能是我国股市发展不够完善、不够开放的原因造成的。
针对我国股市的现实情况，为使我国股市与宏观经济健康协调发展，本文提出如下几点政策建议：
第一，应完善证券市场监管体系，加强股票市场的立法和规范化管理，建立一个公平的市场竞争环境，保护投资者利益。当前，我国的监管主要是以政府为导向的监管，政府监管是市场经济和股市正常运行的保证，但是不能过度替代市场功能，否则将会降低股市效率，阻碍股市的良好发展，因此，市场机制与政策导向要合理结合，增加行业自律的比重，这样，我国股票市场才会越来越成熟与完善。
第二，应提高上市公司的质量，统一入市准则，完善退市机制，降低信息不对称性，提高股市透明度。正是因为我国上市公司质量普遍不高，不具备投资价值，因此我国许多投资者寻求短期投机获利，因此，完善我国上市公司的信息披露制度，保护投资者利益时尤为重要的。
第三，要坚持对外开放，促进股票市场的产业创新，努力创建统一的、多层次的市场体系，促进股市的可持续发展，积极推动我国股票市场的国际化进程。由市政分析结论也可看出，相对于发达国家股票市场，我国股市还不够完善与开放，这也就造成了宏观经济波动对我国股市波动的解释能力较弱，因此，坚持对外开放，与国际接轨，对我国股市与宏观经济健康协调发展是十分重要的。
参考文献
[1]Fama，E，F.Stock returns， expected returns and real activity[J].Journal of Finance，1990，45：1089-1108.
[2]Engsted， T.1. Measures of Fit for Rational Expectations Models[J].Journal of Economic Surveys；2002，Vol.16 Issue3：301-355
[3]Dickson，David G.Stock market integration and macroeconomic fundamentals：an empirical analysis[J].Applied Financial Economics；2000，l0：261、276
[4]靳云汇，于存高.中国股票市场于国民经济的实证研究（上）.金融研究，1998（3）：40-45.
[5]林毓鹏.中国股市波动的宏观经济因素分析，2009.4.1
篇9
关键词：独立学院 宏观经济学 教学改革
20世纪经济学的一个主要突破是宏观经济学的发展，它促使人们更好地理解如何应对周期性经济危机和刺激长期经济增长等问题（萨缪尔森，2008）。《宏观经济学》是国家教育部根据高等教育面向21世纪教学内容和课程体系改革计划规定的专业核心课程——《西方经济学》的一个分支。《宏观经济学》的教学使学生掌握宏观经济基本理论、研究方法和实证分析技巧，在对基本理论和方法充分理解的基础上，培养学生运用经济学基本理论和思维分析、研究和解决现实经济问题的能力，为学生进一步学习国际贸易、货币银行学、国际金融等其他课程打下坚实的基础。
一、教学内容坚持适用性和系统性原则
相比微观经济学，《宏观经济学》公式、图表数量大大减少，理论难度相对较低。所以，《宏观经济学》授课相对容易。独立学院宏观经济学教学应该坚持“理论知识够用，强调技能，提高素质”原则，让学生入门即可。
国民收入决定理论是教学重点。《宏观经济学》课程教学按照由浅入深的逻辑顺序，先后几章分别阐述NI-AE模型、IS-LM模型、AS-AD模型，以此构成国民收入决定理论。最简单的模型：NI-AE模型，I=S，一个方程，一个未知数国民收入Y；IS-LM模型，两个方程，两个未知数Y、r[在NI-AE模型基础之上，引入利率r可以得到IS曲线；再给出货币供给和货币需求（货币需求和利率r有关），得到货币市场均衡的LM曲线]；AS-AD模型：两个方程，两个未知数Y、P（AD曲线可由IS曲线和LM曲线推导得到，在前面模型基础之上，引入一般物价水平P，通过总量生产函数得到AS曲线）。
二、教学案例坚持实用性原则
《宏观经济学》是研究政府行为如何对经济产生影响的学科，是一门应用性很强的学科。主要通过两方面工作体现应用性原则：一是数据，二是案例。数据方面，在介绍国民收入核算时，加入2012年中国GDP数据，并和同时期外国GDP数据进行比较，让学生了解中国在国际上的经济地位；PPT中加入国内各地区的GDP数据，了解浙江省在全国的经济地位；PPT罗列中国经济增长四架马车（消费、投资、政府购买和净出口）的数据，让学生认识我国经济增长主要靠政府投资和出口的现状，掌握用支出法核算我国GDP的方法；在PPT中罗列中国近20年的CPI数据、中国失业率、中国大学生就业率、科艺学院就业率和就业单位等数据，更加深刻掌握中国物价波动的原因、就业市场现状等相关内容；通过人民币汇率波动等数据，让学生更好学习开放条件下的宏观经济等。西方经济学理论性强的学科特性决定了案例教学的必要性，应用性强的学科特性决定了案例教学的可能性，而案例教学的特点又为其在西方经济学教学中的应用提供了广阔空间。教学中以苏州工业区中合资企业芭比娃娃和罗技鼠标（罗技鼠标美国售价40美元，中国只能赚3美元）、肯德基汉堡和翠苑电影票的利润分成为例，让学生了解GDP/GNP的区别，延伸到中国在全球产业价值链上的地位以及微笑曲线相关理论，引导学生更加深刻认识所处的世界；在劳动力工资和原材料价格上涨、人民币升值的背景下，结合数学公式讲述中国出口企业为什么会面临汇率风险、订单减少，深刻体会中国经济增长模式面临的瓶颈和弊端；通过2012年中国国际收支平衡表分析、资本外逃和热钱流入对国际收支平衡的影响、索罗斯的卖空操作赚取12亿美元、美元国际霸权、以汽车产业为例反思中国利用外资的利弊等案例学习开放经济下的宏观经济。
三、强调课堂练习的重要性
《宏观经济学》课程教学特别强调案例和习题的作用，多进行课堂练习，可以起到事半功倍的教学效果。比如在介绍完“NI-AE模型”后，布置课堂练习，然学生通过“I=S”方法，计算均衡国民收入；然后再增加投资的金额，再计算均衡国民收入后会发现投资增加，国民收入成倍增加。通过该计算过程，可以切身体会乘数理论。
四、鼓励学生参与，加强师生互动
围绕中国案例展开讨论，让学生做等PPT（内容包括中国通货膨胀的原因、经济增长的源泉等）在课堂上讲授。将学生独立思考能力、分析问题能力和实际动手能力的培养融合到课堂与实践教学环节中。
五、通过试题库抽题进行考试
考试试卷由教师自主命题而不是试题库抽题。自主命题时，试卷的标准化程度、难易程度、题量大小等各方面难以控制。利用计算机进行试卷的自动生成，通过试题库抽题能够真正实现考、教分离，规范同门课程所有教师的教学活动，克服个人命题中容易出现的片面性、随意性。而且保证了命题的客观性和科学性，对试题和试卷的保密管理将变得高效而便捷。
参考文献
篇10
关键词：压力测试 商业银行 Logit模型
?一、引言
从我国国情来看，商业银行是我国国民经济的重要组成部分，但是从我国经济的宏观发展情况来看，持续攀升的房价，以及起伏不定的物价指数都不利于我国整体经济的长远发展，而这对整个金融行业的影响尤为明显，通过对商业银行的各项风险指标的监控分析，尤其是对于商业银行的信用风险的分析，将会提高银行业信用风险管理水平，加强应对未知风险的免疫力，减少风险成本，降低风险发生时的财务成本，从而有利于我国银行业的健康发展。
二、压力测试的方法
（一）选择风险因素
在选择风险因素的时候我们需要先确定承压对象，所谓的承压对象一般指的是模拟进行压力测试的对象，如业务/资产组合的风险属性。通过承压对象的选择，进一步将其具体化就是承压指标，承压指标是一种可量化可计算的承压对象，通过对承压指标的量化分析能使得压力测试结果更加具有可预测性。
风险因素也是压力因素，一般指引发承压对象极端波动的原因。例如对于商业银行信用风险压力测试，不良贷款率就是一个压力因素，不良贷款率的上升可能会给银行的信用风险带来巨大影响。压力指标是压力因素的具体化表现形式，是可计算可量化的具体指标，一般在选择压力因素的时候，通常是选择在常态情景下也具有现实意义的变量。
在选择承压对象和风险因素时一般需要同时满足这两个条件：一是能够很好的解释测试者所关心的问题，并且具有现实意义；二是承压对象应该与压力因素有可信的关联关系，也就是说，选择的压力测试应该是有效的，在压力情景测试时确实会有极端情景出现。
（二）建立压力测试模型
根据国家统计局的分类将商业银行分为国有商业银行，股份制商业银行，城市商业银行、农村商业银行和外资银行，本文主要是对前四类商业银行的信用风险进行压力测试。在选定压力测试对象、方法和风险因素以后，根据风险因素之间的相关性以及数据的可得性，选择适当的压力测试方法和模型，将反映商业银行信用的稳健与可靠的承压指标与所选择的风险因素结合起来，建立Y=αx1+βx2+γx3 +…+ε代表宏观经济指标（风险因子）对于承压指标的影响。
三、压力测试的过程
（一）建立模型
衡量商业银行的信用稳定性的宏观经济因素有很多，而对商业银行的信用风险测试的模型也有很多，本文以商业银行的不良贷款率作为考察商业银行信用风险的承压指标，用Logit模型将不良贷款利率通过离散模型转换为代表宏观经济的综合指标Y，然后将得到的各类商业银行的综合指标作为因变量与宏观经济变量建立自回归模型。
本文所采用的数据是2006-2012年我国四类商业银行以及宏观经济指标的季度数据，由于Logit模型是离散模型，其因变量的取值只能是0或者1，因此本文通过建立模型公式Y=ln（（1-NPLR）/NPLR）将不良贷款率转换为0或者1，通过在excel中操作，得到新的Y值，将Y3.5赋值为1，Y=1表示发生不良贷款，Y=0表示未发生不良贷款，从而将不良贷款率转换为宏观经济综合指标。在Logit模型中解释变量为消费价格指数CPI、国房景气指数RECI以及固定支出投资价格指数PII，而四类商业银行分别以其中文字母，guoyou，gufen，chengshi，nongcun 表示。
Yj，t=ln（1-BLj，t）/ BLj，t t=1、2、3……， j=1， 2，3 （1）
Yguoyou =C+α1*X1+α2*X2+α3*X3+..+ε1，t （2-1）
Ygufen=C+β1*X1+β2*X2β3*X3+..+ε2，t （2-2）
Ychengshi =C+γ1*X1+γ2*X2+γ3γ*X3+…+ε3，t （2-3）
Ynongcun=C+δ1*X1+δ2*X2+δ3*X3+…+ε4，t （2-4）
（1）式中BL为银行t期的不良贷款率，通过Y将不良贷款率转换为宏观综合指标，其中j=1、2、3分别代表了国有商业银行、股份制商业银行、城市商业银行以及农村商业银行四类商业银行。由于四类商业银行的经营规模、经营效率、经营模式、以及盈利能力的不同，这也使其在面对信用风险是其的表现有所不同，因此通过分别建立压力测试方程。然后对宏观经济变量的自回归形态变化进行模型分析。
表1 转换后的不良贷款率
四类银行通过logit模型转换结果
国有商业银行 股份制商业银行 城市商业银行 农村商业银行
C 22.99774 -2.38651 7.03962 -15.703962
RECI -0.14371 -0.14371 -0.238247 -0.07322
CPI 0.250633 -0.011639 0.148606 0.485255
PII -0.234922 0.192213 -0.024524 -0.261547
R2（Mcfadden） 0.286187 0.165859 0.26185 0.14418
LR statistic 10.73786 2.390007 8.772796 5.575916
prob（LR） 0.013231 0.495497 0.032469 0.134168
四类银行通过logit模型转换后得到新的宏观经济指标Y分别用等式表示为：
Yguoyou=22.99774-0.14371RECI+0.250633CPI-0.234922PII
Ygufen=-2.38651-0.14371RECI-0.011639CPI+0.192213PII
Ychengshi=7.03962-0.238247RECI+0.148606CPI-0.024524PII
Ynongcun=-15.703962-0.07322RECI+0.485255CPI-0.261547PII
a）指标的选择
在参考众多实证研究文献的指标选取以及对指标有效性的分析之后，本文以不良贷款率作为测试商业银行信用风险的承压指标，主要指的是贷款五级分类中的次级、可疑、损失类所占贷款总额的比例。不良贷款率是银行各种风险的综合体现，是评估商业银行风险管理水平以及风险管理能力的最直接有效的指标。而对于宏观经济指标的选取主要选择了与银行信用关系密切，并且对银行影响较大的几项指标：消费者价格指数（CPI）、固定资产投资价格指数（PII）以及国房景气指数（RECI）。固定资产投资价格指数反映了固定资产投资中的各类商品和取费项目价格变动趋势和变动幅度。因此，随着我国近年来房地产行业的欣欣向荣，以及居高不下的房价，考虑到繁荣背后的危机，防范于未然对于整个银行体系是很有必要的。
综合考虑了指标选取的可靠性与易取性以及统一性，本文统一选取了季度数据作为样本数据，并对月度消费者价格指数进行了季度调整。本文将样本的数据区间定为2006-2012年的季度数据，数据主要来源与中国人民银行网、国家统计局网站以及和讯网。
四类银行与宏观经济指标相关性分析
CHENGSHI GUOYOU NONGCUN GUFEN CPI PII RECI
CHENGSHI 1.000000 0.786245 0.588784 0.438529 0.317221 0.070428 -0.403245
DASHANG 0.786245 1.000000 0.748855 0.344791 0.206894 -0.344332 -0.490452
NONGCUN 0.588784 0.748855 1.000000 0.258199 0.198220 -0.001169 -0.169312
GUFEN 0.438529 0.344791 0.258199 1.000000 -0.026035 0.189303 -0.087125
CPI 0.317221 0.206894 0.198220 -0.026035 1.000000 -0.010510 -0.245442
PII 0.070428 -0.344332 -0.001169 0.189303 -0.010510 1.000000 0.375994
RECI -0.403245 -0.490452 -0.169312 -0.087125 -0.245442 0.375994 1.000000
表2 变量之间相关系数矩阵图
从图中看出，四类银行之间都呈现正相关，各类银行与CPI、PII指数的正相关性也较强，同时各宏观经济指标之间也存在着相关性，而从图中可以看出RECI指数与各类指标之间都呈现出负相关性。这表明四类银行与宏观经济指标之间存在线性相关性，可以通过回归模型来估计四类银行与宏观经济指标的相关性。
宏观经济变量自回归结果
解释变量 CPI RECI PII
constant -655.8552 -5.17E-11 -6.977242
CPI（-1） -0.19629 -4.99E-15 -0.018103
CPI（-2） -0.101446 1.20E-14 -0.026147
RECI（-1） -4.82837 1 0.259409
RECI（-2） 1.955765 -4.76E-13 -0.00499
PII（-1） 2.340554 1.28E-12 1.111714
PII（-2） -4.636237 -1.08E-12 -0.384949
R2 0.231812 1 0.90345
DW 2.08646 1.546426 2.094915
表3 宏观经济变量分布滞后模型估计与检验结果
由于R2的取值在0-1之间，由宏观经济变量的自回归结果可以看出，回归拟合效果不是很好，而从DW检验中也可以看出，在K=3，N=28时，DL=1.18，DU=1.65，由于DU
四类银行与宏观经济变量回归模型估计结果
国有控股银行 股份制商业银行 城市商业银行 农村商业银行
constant 8.39755 0.62426 2.874097 1.387797
CPI 0.002793 -0.000992 0.005004 0.004224
RECI -0.053417 -0.014821 -0.055913 -0.021163
PII -0.025816 0.018388 0.028956 0.007692
R 0.281438 0.070066 0.261713 0.057587
DW 0.208419 0.590254 0.149773 0.237366
F 3.133354 0.602757 2.835892 0.488846
prob（F） 0.044188 0.619543 0.059452 0.69328
由表中R2可以看出，四类商业银行与宏观经济指标的回归拟合优度效果不是很好，但从DW检验可以看出，在K=3，N=28时，DL=1.18，DU=1.65，由于DU
为了进一步分析各个宏观经济指标的变动对于四类商业银行Y值的影响是否存在差异，本文就四类商业银行与宏观经济的回归模型进行Wald检验，以便进一步说明，具体原假设如下：
（1）消费者价格指数CPI：α1=β1=γ1=δ1
（2）国房景气指数RECI：α2=β2=γ2=δ2
（3）固定资产投资价格指数PII：α3=β3=γ3=δ3
模型解释变量的Wald检验结果
F值 概率
CPI：α1=β1=γ1=δ1 10.73062 0.0001
RECI：α2=β2=γ2=δ2 515.2517 0.0000
PII：α3=β3=γ3=δ3 698.4055 0.0000
从表中wald检验系数可以看出，宏观经济变量对四类银行的影响都具有显著性，但其表现却不尽一样，显然RECI和PII相对于CPI对于商业银行的影响更大一些。由于不同的银行对于房地产市场的进入程度不同以及房贷的风险管理控制水平的不同，因而房价变动对于各类银行的影响程度也不尽相同，但这也从侧面反映房价的变动是可以调控的，信用风险也是可以降低的。根据所选择的宏观经济指标对于商业银行的影响程度不同，本文的压力测试时采用RECI以及PII这两个宏观经济因素，来构成压力测试的情景因素。
（二）设定压力情景
本文采用了情景分析方法对商业银行信用风险进行压力测试，本文预测的重点在于，通过在预测的时间段内设定压力测试源，然后对宏观经济指标进行估值以及这些指标在压力情景下Y和违约率的估值。在压力测试来源确定以后，通过运用蒙特卡罗模拟其他宏观经济指标相应的估值，模拟出商业银行的不良贷款分布率，再与基准情景进行对比，从而分析出宏观经济对于商业银行稳健性的影响。
1、情景设置
纵观我国目前的经济形势与国家宏观政策调控方向，以及宏观经济对于商业银行的影响显著性的不同，本文选取了国房景气指数RECI以及固定资产投资价格指数PII作为情景指数，2013年-2014年两年共八个季度的指标来设置较坏情景和严重情景。以下两幅图表示的是在基准情景下，各宏观经济变量的走势。
2006-2014RECI、PII季度预测结果
2006-2012年我国PII、RECI走势图
（1）较坏情景：以2006-2012年的数据为基准预测，得出到2014年第四季RECI指数下跌了2%，固定资产价格指数下降了5%。
（2）危机情景：以2006-2012年的数据为基准预测，得出到2014年第四季RECI指数下跌了5%，固定资产价格指数下降了11%。
2、执行压力测试
通过前文运用区间预测得到了RECI以及PII的值，再以2012年第四季度的各指标值为基准情况，与危机情景，以及严重情景进行对比，得出结果如下表：
宏观压力测试结果
危机情景 严重情景 基准情景
RECI 132.283 135.802 95.59
RECI 139.403 142.34 100.3
从上表中可以看出，与基准情况相比较，在严重情景和危机情景下，各宏观经济指标都有大幅度的上升，说明宏观经济对我国商业银行信用风险有很大的影响。
四、小结
从我国四类商业银行与宏观经济指标的压力测试中可以看出，宏观经济指标的变化对于我国商业银行的信用风险有很大的影响，随着宏观经济指标的不断上升，商业银行的信用风险也就增大，因此，对于商业银行来说，应该在宏观经济指标不断变化的同时降低银行的不良贷款率，这样就能够减少商业银行的信用风险。通过实证研究可以发现，商业银行的信用稳定性有待加强，面对宏观经济变化的复杂性与多样性，商业银行抗风险冲击与抵御风险的能力有待加强。
参考文献：
[1]谭晓红，樊纲治.我国商业银行宏观压力测试研究-基于四类银行的SUR模型[J].投资研究2011（12）.3-16
[2]巴曙松，金玲玲，朱元倩.巴塞尔Ⅲ下市场风险资本框架的改革及中国商业银行的应用[J].金融发展研究.2012（1）.3-8
[3]王雯，陈，叶宇.我国银行业信用风险宏观压力测试的实证分析-基于SUR方法[J].金融与经济.2012（11）.27-30
[4]巴曙松，朱元倩.压力测试在银行风险管理中的应用[J].经济学家.2010（2）.70-79
[5]李关政.基于MF-Logistic模型的银行信用缝隙那压力测试[J].金融理论与实践.2012（1）.11-15
