中国金融周期与经济周期测度及动态关系研究

中国金融周期与经济周期测度及动态关系研究***
作者：孙晨童陈磊李俊杰
来源：《东北财经大学学报》2020年第06期
〔 DOI〕 10.19653/ki.dbcjdxxb.2020.06.002
〔引用格式〕孙晨童，陈磊，李俊杰.中国金融周期与经济周期测度及动态关系研究[J].东北财经大学学报，2020，（6）：12-21.
〔关键词〕金融周期;经济周期;MS-DFM模型;MS-VAR模型
中图分类号：F037.1 文献标识码：A 文章编号：1008-4096（2020）06-0012-10
一、引言
2008年爆发的全球金融危机对传统经济周期理论产生了巨大的冲击，由于忽视了金融因素对宏观经济周期波动的影响，导致理论与现实经济运行脱节。

危机过后学术界开始重新审视和探究金融因素在宏观经济运行中的角色和作用。

Claessens等[1]认为金融周期可以运用经济周
期的实证方法进行测度，通过比较金融周期与经济周期的波动变化，分析金融体系的融资服务、风险变化对金融体系稳定及实体经济波动变化的影响。

目前，对金融周期的研究受到国内外学者的广泛关注。

其中，如何准确测度金融周期是进行金融周期相关研究所面临的首要问题。

关于金融周期的测度大致有三种方式：一是以信贷周期来代表金融周期，Riccardo和Andrea[2]采用单变量信贷规模来代表信贷周期;二是Hatzius和Hooper[3]、韩艾等[4]、邓创和徐曼[5]選取宏观金融相关月度指标，通过不同的计量方法合成金融状况指数（FCI）来反映金融周期的周期性波动特征，但选择的指标体系存在较大差别;三是Claessens等[1]、Drehmann等[6]、Borio[7]基于季度数据合成金融周期指数，从信贷、资产价格信息（房地产价格、股票价格）等方面，选取信贷/GDP、信贷、房地产价格以及股票价格相关指标度量金融周期。

国内学者伊楠和张斌[8]、朱太辉和黄海晶[9]、王博和李昊然[10]沿用了上述指标体系，对中国金融周期进行了测度。

结合国内外对金融周期测度的现有成果来看，基于季度数据的金融周期测度主要从信贷和资产价格方面选择代理指标，但受制于统计技术和统计发布制度，相关季度数据的发布存在很大的时滞性，不能满足对周期实时监测的需要。

而基于月度数据的金融周期测度在指标选择上存在很大差别。

产生这种现象的主要原因是金融周期测度的基准指标没有统一的选择标准，不能在既定的基准指标下根据指标之间的协同性进行筛选，这就导致不同研究度量的金融周期无论是峰谷点对应，还是周期的波动幅度及持续时间都不尽相同。

为了弥补上述不足，本文参考以往文献中金融周期测度的指标体系，结合中国金融市场运行的实际情况及数据可得性对月度金融周期测度的相关月度指标进行筛选。

同时，本文参考陈磊等[11]研究中对月度经济周期测度的指标体系，应用MS-DFM模型分别测度中国金融周期和经济周期。

Stock和Watson[12]提出了动态因子模型（DFM），可以捕捉经济变量之间的协同性变化，通过提取共同因子来反映经济系统的整体运行规律。

Kim和Nelson[13]将单变量马尔科夫区制转换模型（MS）引入到动态因子模型中建立了MS-DFM模型，实现了对经济周期测度及周期波动状态的同时分析。

国内学者Wang等[14]、林秀梅等[15]应用该方法对中国经济周期相关问题进行了实证研究，而中国金融周期领域的研究仍属空白。

本文尝试应用MS-DFM模型对中国金融周期进行度量及转折点识别，并使用景气分析方法对金融周期和经济周期的波动特征和运行态势进行分析。

通过对现有文献梳理发现，对金融周期与经济周期之间关系的研究，现有成果可以总结为如下四个方面：第一，关于周期波动特征的研究。

Borio[7]指出金融周期比经济周期的长度更长、波动幅度更大，系统性银行危机往往出现在金融周期的波峰附近。

伊楠和张斌[8]、王博和李昊然[10]指出中国的金融周期与经济周期的中长期波动也存在类似的关系特征。

此外，朱太辉和黄海晶[9]指出中国金融周期的短期波动与国家金融调控政策导向高度吻合。

第二，关于协同性关系的研究。

Claessens等[1]、曹永琴和李泽祥[16]、岑丽君和黄新克[17]认为金融周期与经济周期存在显著的动态正相关关系。

曹永琴和李泽祥[16]指出随着中国金融改革深化程度和金融市
场开放度的提高，金融周期与经济周期的动态关联程度持续上升。

第三，关于先行滞后关系的研究。

邓创和徐曼[18]、刘璐[19]、田新民和陆亚晨[20]认为中国金融周期和经济周期存在着明显的峰谷交错现象，金融周期波动先行于经济周期波动，金融周期可以作为经济周期运行监测的指示器。

第四，关于交互影响关系的研究。

朱太辉和黄海晶[9]指出金融周期与经济周期互为Granger因果关系，Billo和Petronevich[21]、邓创和徐曼[18]、田新民和陆亚晨[20]认为金融周期与经济周期之间存在显著的交互影响关系并具有时变特征。

国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简
化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些經济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将
第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在動态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，
考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1為S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理
国内外学者应用各种计量模型从不同角度对金融周期与经济周期的关系进行了分析，但鲜有文献分析金融周期与经济周期之间的非线性动态关系。

本文参考以往学术成果及研究方法，考察了金融周期与经济周期之间的先行滞后关系并深入分析了产生这种关系的原因。

同时，尝
试应用Krolzig[22]提出的MS-VAR模型对金融周期与经济周期的非线性动态关系进行实证分析。

本文首先对MS-DFM模型及其估计方法进行介绍，随后运用该方法分别测度金融周期与经济周期，并对其扩张与收缩阶段进行识别与分析;通过建立金融周期与经济周期的MS-VAR 模型，识别二者的联合波动区制，并通过脉冲响应函数分析在不同区制下二者的交互影响关系;最终得出本文的主要研究结论。

二、金融周期与经济周期测度及转折点识别
（一）MS-DFM模型及其估计
Stock和Watson[12]假定一些经济变量所包含的信息能够由一个潜在共同因子和一个异质性成分所描述，而潜在共同因子是这些经济变量的联合反应，由动态因子模型具体可以表示为：
Kim和Nelson[13]在动态因子模型的基础上引入了马尔科夫转换机制，考虑到共同因子f t可能在两种不同区制状态（S t=0或S t=1）下发生变化，模型设定为：
其中，C St=0和C St=1为S t两种不同状态的截距项，S t服从遍历的马尔科夫链：
因此，S t转移状态依据转移概率矩阵可表示为：
其中，P（S t=0∣S t-1=0）=p00以此类推。

用式（4）替换式（2），与式（1）和式（3）共同组成了马尔科夫区制转换动态因子模型（MS-DFM）。

传统MS-DFM估计方法需要利用Hamilton滤波对离散变量S t进行概率推断，同时，又要通过Kalman滤波对模型的状态空间形式中的状态变量（共同因子f t和异质性成分z it）进行推断，然后由指定初值进行迭代，通过极大似然估计得到参数估计值，整个过程需要估计的参数过多，模型非常难估计。

本文参考Diebold和Rudebusch[23]的两步估计法对模型估计进行简化：第一步，将动态因子模型（DFM）改写成状态空间形式进行Kalman滤波估计;第二步，将第一步估计得到的共同因子代入到Hamilton[24]提出的单变量马尔科夫区制转换模型（MS）中进行极大似然估计。

（二）变量选择与数据处理。