中国“动态”金融压力指数构建与时变性宏观经济效应研究

中国“动态”金融压力指数构建与时变性宏观经济效应研究
任爱华1 刘玲2

(1.河北金融学院 金融创新与风险管理研究中心，河北 保定 071051；2.河北金融学院 经济贸易学院，河北 保定 071051)

摘 要： 本文将动态模型平均思想纳入时变因子扩展向量自回归模型，进而从金融脆弱性、金融体系发展以及国际金融形势等方面构建动态变化的金融压力指数(FSI)体系，并探索了金融压力对主要宏观经济变量冲击反应的时变特征。研究结果表明：相比其它因子模型，本文同时考虑参数时变、变量动态选择和模型维度时变的TVP-FA-VAR-DMA模型不仅能够提高FSI预测模型参数估计的效率，且能够较好地反映出中国金融压力情况和金融特殊事件；通过马尔科夫模型识别出我国金融压力具有明显的三区制转移特征，样本区间内FSI大多时间处于金融平稳时期，并且金融失衡时期与国内外重大特殊事件较为吻合；通过时变参数模型经验分析发现了金融压力的上升对经济增长主要表现为短期负向传导效应，对物价水平和消费水平的冲击均表现为由强到弱的短期负向效应，对投资水平的负向冲击效应呈递增趋势。此外还发现在重大金融事件发生的高风险时期，金融压力的上升会对宏观经济的负向冲击更为强烈。

关键词： 金融压力指数； TVP-FA-VAR-DMA； 宏观经济效应

一、引言
近年来，全球经济不确定性风险日益加强，区域性和全球性金融危机也随之渐发。我国企业杠杆率高居不下，金融结构性问题也越发凸显。在此双重背景下，对我国宏观经济调控及监管提出了更高的要求，这需要一套能够精确并动态反映出金融风险的压力指数体系。越来越多的学者开始关注如何设计出优良的计量方法对金融风险进行精确的动态跟踪，以防范系统性金融风险给实体经济造成的巨大冲击[1,2]。特别是在中国金融市场快速发展的背景下，金融经济对实体经济的影响越发变得不容忽视，进而意味着金融风险的测量及其对宏观经济造成的冲击已然成为宏观调控部门关注的重点问题之一[3,4]。

习近平总书记强调既要高度警惕“黑天鹅”事件，也要防范“灰犀牛”事件，既要打好防范和抵御金融风险的有准备之战，又要打好金融危机治理之战，并在中国共产党第十九次全国代表大会上明确指出“要牢牢守住不发生系统性金融风险的底线”。这其中防范金融风险的先手和打好防范抵御金融风险的有准备之战的关键因素就在于金融风险的监测，因此，构建科学合理的金融监测方法，对金融风险进行及时预警，可以避免金融风险的不利冲击，及其对金融系统乃至宏观经济带来的负面影响。另外，鉴于金融压力指数是金融风险预警的重要指标之一[5]，合理的金融压力指数以能够精确反映出金融系统的稳定情况，以及如何更为准确地评估或识别金融压力的上升对宏观经济冲击的时变性特征。这不仅有利于决策者和相关管理人员了解金融稳定的现状，也对有效识别和防范系统性金融风险、维护金融稳定具有重要的理论价值和现实意义。

二、文献综述
20世纪90年代以来，金融风险防范逐渐成为宏观金融领域的重点研究问题之一，金融风险具有系统扩散性，制造业与金融风险具有密切联系性[6-8]。金融风险的爆发及扩散会引起经济衰退，金融风险防范是领域内重点研究对象，其关键点在于金融风险的度量。Freixas等(2015)[9]提出了一种以金融市场内部相关程度、系统鲁棒程度及金融风险潜在爆发程度等几个方面来综合测度金融风险的方法。Acharya等(2012)[10]发现系统鲁棒程度及金融风险潜在爆发程度具有重要的先验预警作用。Brownless和Engle(2015)[11]认为系统鲁棒程度及金融风险潜在爆发程度包括条件风险价值和系统性的风险指标。张龙等(2020)[12]发现金融风险的潜在爆发程度与央行货币政策有着显著相关性，且央行的差异性“量价”政策对金融风险的潜在爆发程度影响也不同。

金融压力指数最早由Illing和liu(2003)[13]提出，以大类资产数据合成金融压力指数，并有效地测度了金融压力程度。随后，Cardarelli等(2009)[14]研究了面板金融压力指数，发现金融压力指数在发展中国家比发达国家有更精确的测度水平。Balakrishna等(2009)[15]选取新兴经济体和发达经济体的银行、债券、股票、汇率等金融市场的相关变量，采用等方差加权法构建出指数并得到了同样的发现。除此之外，学者们结合中国经济金融的实际情况对中国金融压力指数的研究也已取得一系列成果。其中，赖娟和吕江林(2010)[16]首次将单个金融市场扩展到包含银行、股票及债券等多个金融市场来综合构建金融压力指数，但变量选取仍然较少，且各市场指标的选取并非学术界普遍公认的指标，实证结果值得商榷；徐国祥和李波(2017)[17]以全球经济危机到欧债危机后期的中国金融市场数据构建了反映中国经济形势的金融压力指数，发现金融压力指数对宏观经济指标具有显著的指导效应。

对于测度方法，相关分析大都基于ARIMA模型、GARCH族、格兰杰检验等不变参数以及基于TVAR模型、MSVAR模型、STR模型等结构突变参数方法来测度金融压力指数，进而实证分析金融压力对产出和物价等宏观经济变量的影响[7]。在不变参数测度方面，Louzish和Vouldis(2013)[18]、Islami和Kim(2013)[19]分别采用多变量GARCH模型、加权平均法等对欧洲国家的银行、债券、股票、外汇、房地产等金融市场的多个金融变量进行金融压力指数(FSI)合成，研究结果显示，金融压力指数对宏观经济变量具有较好的危机预警效果。刘晓星和方磊(2012)[20]、刘润兴(2015)[21]分别构建了向量自回归模型和Granger Test模型，从脉冲响应和因果关系的角度来衡量金融压力的经济增长效应。此外，在结构突变参数方面，Roye(2014)[22]、陈忠阳和许悦(2016)[23]等在构建德国、中国的金融压力指数的基础上，采用门限向量自回归模型TVAR分析金融压力的变动对宏观经济造成的影响，结果均显示，在FSI指数超过一定的门限值时，金融压力才会对宏观经济产生显著的负向冲击效应。Davig和Hakkio(2010)[24]、Aboura和Roye(2017)[25]及秦建文和王涛(2017)[26]采用马尔科夫区制转换向量自回归MS-VAR模型分析金融压力在不同区制下对宏观经济的传导，发现金融压力在不同的区制对经济增长和物价水平等宏观经济变量负向冲击效应存在明显的差异。另外，张勇等(2017)[27]构建了逻辑平滑迁移模型研究金融压力和通货膨胀的关系，并发现了在不同状态下通货膨胀对金融压力的敏感程度不同。

综上所述，相关领域已对金融压力指数的测度及其宏观经济影响进行了深入而广泛的研究，但是，仍然存在如下的研究不足有待弥补：第一，以往研究金融压力指数测度大都采用不变参数、单一维度回归等方法确定各金融变量的权重，然而随着经济金融形式的多样化和复杂化，这些由静态且确定的权重得到的金融压力指数仅能长期一致不变地衡量金融稳定情况及未来走势，而不能衡量动态时变的金融稳定情况及未来走势，进而意味着其研究结果明显与现实情况严重不符；第二，以往研究金融压力指数测度时，在参数估计自由度的约束下仅能考虑少数几个变量来合成金融压力指数，这会导致遗漏信息变量引起的研究误差问题；第三，以往研究金融压力宏观经济效应时，大都基于TVAR、MS-VAR等结构突变参数方法，甚至基于Granger Test模型等常参数方法，导致金融压力和宏观经济间的动态关系无法被捕捉。

基于此，本文综合考虑银行、股票市场、外汇市场、房地产市场等金融市场层面的16个金融变量，从金融稳健性、金融脆弱性、金融体系发展等方面构建中国金融压力指数指标体系，并将动态模型平均与时变参数因子扩展向量自回归模型相结合测算出1997年第一季度至2017年第三季度期间的中国金融压力指数，随后对中国金融压力期进行状态识别，并实证检验了金融压力在不同区制下对经济增长、物价水平、投资及消费等宏观经济变量冲击反应的时变特征，进而以期为有效防控中国金融风险提供参考价值。

本文可能的创新性贡献体现在：(1)将动态模型平均DMA方法引入时变参数向量自回归TVP-SV-VAR模型，构建动态权重的金融压力指数，可以有效反映出宏观金融稳定的时变特征及未来走势；(2)以因子扩展方法FA-VAR和动态模型平均DMA相结合，从金融稳健性、金融脆弱性、金融体系发展等方面充分考虑了16个金融变量，降低因自由度限制引起的遗漏变量偏差问题；(3)采用上述模型建立方法最终可以构建出TVP-FA-VAR-DMA模型，通过构建动态权重的金融压力指数，研究在不同时期不同经济环境下金融压力对宏观经济的差异性影响，弥补了以往方法仅能研究静态金融压力对宏观经济的长期不变影响的不足。

三、模型设定
(一)TVP-FA-VAR模型的设定
1.TVP-FA-VAR模型的构建

首先，参照Primiceri(2005)[28]的经典设定，TVP-FA-VAR模型的基本形式为

yt=b1tyt-1+…+bpyyt-p+vt

(1)

其中，yt′=[ft′,zt′,xt]，ft表示k×1维的共同因子金融压力指数(FSI)向量，[zt′,xt]为一个包含观测变量和金融变量的(l+1)×1维向量。观测变量向量为zt=(Gt,Pt,It,Ct)′，其中Gt为GDP同比增长率，Pt为通货膨胀率，It为投资同比增长率，Ct为消费同比增长率。bjt(j=1，…，p,t=1,…，T)为m×m阶(m=k+l+1)的系数矩阵，随机扰动项vt～N(0,Qt)，Qt为m×m阶的协方差矩阵。

随后，令观测序列xit由提取的共同因子ft和宏观经济变量zt所构成的带有自相关误差和随机波动率的因子分析回归模型构成

width=126,height=20,dpi=110
(2)

uit=ρi1uit-1+ρi2uit-2+…+ρiquit-q+εit

(3)

其中，width=14,height=20,dpi=110为n×k维的共同因子系数矩阵，width=14,height=20,dpi=110为n×l维的宏观经济变量系数矩阵。假定对于所有i,j=1,…，n、t,s=1，…，T(t≠s)都存在E(εitft)=0、E(εitεjt)=0，为了使模型无自相关，需对式(2)和式(3)进行转换

xt=λfft+λzzt+Γ(L)xt+εt

(4)

其中，Γ(L)=diag(ρ1(L),…,ρn(L))，ρi(L)=width=304,height=23,dpi=110随机波动率εt～N(0,Ht)，Ht=diag(exp(h1t),…，exp(hnt))，且hit也服从随机游走，即width=202,height=20,dpi=110另外，借鉴张龙和金春雨(2018)[29]与Canova(2009)[30]对协方差矩阵Qt进行分解的形式

AtQtAt′=ΣtΣt′

(5)

其中，Σt=diag(σ1,t，…，σk,t)，At表示主对角线为1的下三角矩阵，令系数矩阵width=140,height=20,dpi=110及βt=(vec(b1t)′,…，vec(bpt)′)′。参考Primiceri(2005)[28]的构建形式，构建出具有随机游走的结构参数和扰动项

λt=λt-1+ψt

(6)

βt=βt-1+ηt

(7)

其中，ψt～N(0,Wt)，ηt～N(0,Rt)。需要注意的是，上述TVP-FA-VAR模型由FA-VAR模型方程式(1)、因子模型方程式(4)及参数方程共同构成，进一步对TVP-FA-VAR模型施加不同的限制可获得不同类型的VAR模型：假定因子载和矩阵为常数(Wt=0，λt=λ0)，这种情况式(1)与式(4)就是典型的因子模型，而式(6)与式(7)是包含FSI的TVP-VAR模型，此时构成FA-TVP-VAR模型。当参数均为常数时(Wt=Rt=0)，TVP-FA-VAR模型为FA-VAR模型。当共同因子的个数为零时，就构成了TVP-VAR模型。如果共同因子个数ft为零，且参数λt、Bt均为常数(Wt=Rt=0)，回归模型为普通的VAR模型。

2.TVP-FA-VAR模型的估计方法

考虑到贝叶斯蒙特卡洛模拟(MCMC)估计多变量联合密度因子的复杂性导致TVP-FA-VAR模型计算量很大，本文借鉴Koop和Korobilis(2013)[31]的处理方法，基于卡尔曼滤波平滑与方差矩阵分解相结合的双重线性滤波算法对不可观测状态变量ft与时变参数θt=(λt,βt)进行估计，该方法简化了共同因子提取与参数估计的过程。其具体步骤如下。

第一步，给定状态变量的初始条件均值f0、载荷参数λ0、向量自回归系数β0，误差项vt和μt的协方差初值Q0与H0，采用主成分分析法估计出初始因子width=23,height=20,dpi=110

第二步，通过指数权重移动平均(EWMA)的方法估计出误差协方差Qt与Ht，然后借鉴Koop和Korobilis(2013)[31]采用遗忘因子法估计协方差矩阵Rt及Wt，在给定(Qt,Ht,Rt,Wt)条件下，通过卡尔曼滤波平滑法估计出时变参数λt、βt。

第三步，将第二步中得到的时变参数λt与βt作为已观测到的数据，在给定先验分布的条件下，通过卡尔曼滤波平滑法可以实现对共同因子ft的估计。

3.各类FA-VARs模型参数的初始设置

本部分主要概述各类FA-VARs模型参数的初始设置。首先，设置动态模型平均在选择过程中所用到的因子ft、时变参数λt和βt、时变协方差Vt和Qt、转换概率π0|0,j的初始值。f0～N(0,4),λ0～N(0,4×In(s+1))，β0～N(0,VMIN)，V0≡1×In，Q0=1×Is+1，π0|0,j=1/J。将控制协方差矩阵的衰减因子参数k1与k2均设定为0.96，该值与被广泛应用在贝叶斯VAR与FA-VAR文献中的随机波动率模型提供的波动率估计值较为接近[32]。对于遗忘因子参数k3与k4，借鉴Cogley和Sargent(2005)[33]，假定式(6)和式(7)在随机游走形式下各时期参数的变化相对较慢并且稳定，因此，为了体现这种系数的缓慢变化，在所有TVP-FA-VAR与TVP-VAR模型中设定参数k3=k4=0.99。然而，当k3=1且k4=0.99，转变为FA-TVP-VAR模型。

(二)引入动态模型平均DMA的TVP-FA-VARs模型
大部分传统的时间序列预测模型如多元回归模型或自回归模型等常系数模型，具有估计简单的优点，但常系数回归模型的参数只能是固定的，因此，时变状态空间模型与时变参数向量自回归(TVP-VAR)模型能克服常系数模型的这种缺点，它允许解释变量参数动态时变，较好地刻画出解释变量与被解释变量之间的时变关系。然而，鉴于参数估计自由度对分析有效性的影响，部分学者提出贝叶斯模型平均(BMA)方法，采用MC3技术求解后验概率对变量进行筛选，避免出现“伪回归”的现象[34]。本文在贝叶斯模型平均BMA的基础上，将DMA的思想引入时变的因子扩展向量自回归模型，该方法允许模型维度、解释变量和参数是时变的，并在不同时点下自动选择或识别出最佳模型，以期更为灵活、准确地预测出宏观经济指标。其模型结合过程如下

width=155,height=23,dpi=110
(8)

width=278,height=46,dpi=110
(9)

其中，xt为预测解释金融变量，ft为提取的共同因子FSI，zt为观测变量的向量。如果在xt中有m个预测变量，那么将有K=2m个不同组合的预测模型，对于特定的预测模型Mk(k=1,2,…,K)描述过程如下

width=120,height=23,dpi=110
(10)

width=111,height=23,dpi=110
(11)

其中，width=686,height=44,dpi=110以动态时变的方式将这些模型的不确定性因子进行整合

width=173,height=32,dpi=110
(12)

其中，模型k的概率π(t|t-1,k)=Pr(Lt=k|Yt-1)，Lt=k表示在时间t选择的第k个模型，且令yt-1={y1,…,yt-1}，DMA通过对所有模型的预测值按权重进行加权平均获得预测结果，用π(t|t-1,k)表示。本文参考朱奇锋和吴恒煜(2021)[35]采用卡尔曼滤波方法对DMA模型进行估计，通过以下更新方程来实现DMA参数的估计。

width=436,height=23,dpi=110
(13)

width=404,height=23,dpi=110
(14)

其中，width=28,height=23,dpi=110为模型预测参数，满足独立同分布，给定初始先验条件π(0|0,k)，采用遗忘因子α导出模型预测方程

width=220,height=55,dpi=110
(15)

其中，fl(yt|Yt-1)为模型l的概率密度，式(13)-式(15)共同构成了卡尔曼滤波预测与更新过程的所有步骤，DMA过程就是对式(15)进行K次卡尔曼滤波。进一步，需设定宏观经济变量的预测概率的拟合值pk(yt|Yt-1)，同估计误差方差矩阵的衰减和遗忘因子(k1,k2,k3,k4)相类似，遗忘因子0<α≤1能够迅速反映出回归模型之间的转换速度，α值越小，那么合成FSI的金融变量间切换的越迅速，如果α=1，模型就转变为传统的贝叶斯模型平均(BMA)。

四、中国动态金融压力指数构建
为更全面地反映我国金融风险的整体情况，本文选取16个金融指标覆盖金融资产价格、金融波动率、信用风险及其流动性等方面，从金融稳健性、金融脆弱性、金融体系发展以及国际金融形势四个维度构建我国金融压力指标体系。样本区间为1997年第1季度至2017年3季度，采用季度数据，数据来源于CEI数据库、SAFE官网、RESET数据库、BIS官网、Wind数据库，为使模型的回归系数及权重更具有可比性，以下所有金融指标均已转化为正向指标，且均通过标准化处理，具体指标选取情况如下。

(一)合成FSI的指标说明
1.金融稳健性

金融稳健性维度指标共设置5个，用于反映本国的金融健康状况和稳健性，具体包括：(1)泰德价差，其衡量了银行间金融压力对风险溢价的敏感程度，用以反映资金流动性情况和微观主体风险偏好的变化，本文采用3个月银行间同业拆借利率与3个月国债到期收益率之差来表示泰德价差。(2)贷存款比率，它在一定程度上反映出金融系统抵御流动性风险的能力，贷款/存款比率越高，表示银行信贷规模扩张加剧银行流动性风险，进而影响到金融市场的资金流动性，本文通过金融机构各项贷款余额与金融机构各项存款余额相比得到。(3)股票收益率负值，它衡量了股票市场的风险情况，该指标越大说明投资者和企业潜在的损失越大，本文采用上证综合指数增长率的负值来衡量。(4)国房景气指数波动，它是价格、资金和土地开发指数的加权平均，在一定程度上衡量了房地产信贷风险，指数波动越大越不利于金融系统的稳定，本文采用国房景气指数GARCH(1,1)模型计算出的时变方差来表示。(5)存款利率与贷款利率之差，它反映了金融中介资源配置效率的高低，由于银行通常将短期存款转换为长期贷款，该指标值越大表示银行的获利能力越弱，银行业的金融压力就越大，本文采用1年期存款基准利率与1年期贷款基准利率之差来表示。

2.金融脆弱性

金融脆弱性维度指标共设置5个，具体包括：(1)通货膨胀率。适度的通胀率范围可以增强投资者的信心，过高的通胀率会造成金融市场剧烈波动，导致金融不稳定，本文选取环比CPI作为通货膨胀的代理变量。(2)汇率波动，它反映了外汇市场压力的大小，人民币汇率的异常波动会严重影响到金融系统的稳定性，本文以GARCH(1,1)方法计算出名义有效汇率指数的时变方差来衡量。(3)存款/M2，它反映了我国货币市场的流动性压力，该指标的恶化会加剧通货膨胀的压力，不利于金融系统的稳定性，本文采用金融机构存款余额与广义货币供应量(M2)的比值得到。(4)财政赤字/GDP，它反映了政府财政情况，过高的财政赤字会降低投资的信心，不利于金融市场的稳定，财政赤字通过公共财政收入与公共财政支出的差额表示，季度财政赤字由季度内各月底财政赤字加总得来。(5)经常账户赤字/GDP，即本国进口货物及服务与出口货物及服务的差额占GDP的比重，该指标值越大，表明贸易逆差越大，会导致本国货币严重贬值，引起汇率剧烈波动，进而带来金融不稳定性，它反映了本国对外部冲击的敏感性。

3.金融体系发展

金融体系发展维度指标共设置3个，具体包括：(1)信贷总额/GDP，该指标衡量了经济社会发展对金融发展的依赖程度，信贷总额占比越大，说明金融发展对宏观经济的贡献越大，但该指标在一定程度上也体现出了潜在风险水平。(2)股票市值与GDP相比的负值。该值越大表示股票市值占GDP的比重越低，即股票市场的金融发展水平越低，不利于金融市场的整体稳定。(3)广义货币供给M2/GDP的负值，该指标值越大代表广义货币供应量M2占GDP的比重越低，表明宏观经济系统抵御金融内部风险的能力越弱，导致金融市场的压力越高。

4.国际金融形势

国际金融形势维度指标共设置3个，用来反映国际金融市场波动对中国金融系统稳定的影响情况，具体指标说明如下：(1)美国股市波动，美国股市的剧烈波动会影响中国金融系统的稳定性，本文通过GARCH(1,1)模型计算出的纳斯达克指数的时变方差来反映美国股市的波动。(2)美元汇率波动，它在一定程度上反映出国内金融市场受国际金融冲击的大小。美元汇率的异常波动会影响国际金融市场波动与通货膨胀率，不利于国内金融系统的稳定，本文以GARCH(1,1)方法计算出有效汇率指数的时变方差来衡量。(3)伦敦同业拆借利率(LIBOR)，该指标常常作为国际借贷、债务发行等的基准利率，其大幅度上升意味着国际金融环境的恶化，不利于中国金融稳定，本文直接以对应指标衡量。

(二)中国金融压力指数的测算结果
图1为TVP-FA-VAR模型与引入动态模型平均方法的各类FA-VARs模型测算出的FSI对比。观察图1不难发现，采用FA-VAR-DMA与FA-TVP-VAR-DMA模型测算出FSI在全样本时期的走势情况基本相同，而允许参数时变、模型维度和变量动态选择的TVP-FA-VAR-DMA模型测算出的FSI在亚洲金融危机时期和全球金融危机时期表现出小幅度的差异，其余各时期的FSI走势情况与FA-VAR-DMA和FA-TVP-VAR-DMA测算出的FSI走势几乎一致。值得注意的是，TVP-FA-VAR模型测算出的亚洲金融危机时期和全球金融危机时期的FSI值高于其它引入DMA方法的FA-VARs模型在相应时期测算出的FSI值。图2给出了DMA与BMA下的FA-VARS模型估计出的FSI变化走势。观察图2不难看出，同样采用BMA方法进行变量动态选择的TVP-FA-VAR模型和FA-VAR模型测算出的FSI在2001年之前表现出明显的差异性，其它各时期的FSI走势情况基本吻合。相比未引入模型平均方法的FA-VARs模型而言，引入DMA和BMA的TVP-FA-VAR模型均具有模型维度和参数时变的优势，这两种方法不仅充分利用大量的宏观金融信息，避免变量信息的遗漏，而且可以保证模型的自由度，但贝叶斯模型平均不能够灵活地进行变量动态选择，致使测算出的FSI存在较大的差异，尤其体现在全球金融危机时期与欧洲债务危机时期，可见基于动态模型平均下的TVP-FA-VAR模型测算出的FSI能够更好的捕捉到危机时期的金融压力情况，可能的原因在于，危机时期金融市场波动较为剧烈，不同金融变量对金融系统稳定性的冲击反应具有明显的时变特征。接下来，进一步详细的分析TVP-FA-VAR-DMA模型测算出的FSI趋势性特征。

width=311,height=199,dpi=110
图1 DMA下的FA-VARs模型测算出的FSI

width=318,height=213,dpi=110
图2 DMA与BMA下的FA-VARs模型测算出的FSI

具体来看，1997年Q1至2017年Q3期间中国金融压力指数的波动幅度较为明显。1997年第3季度之前中国金融压力呈现大幅度下降趋势，而后由于受亚洲金融危机及洪水等自然灾害的影响，金融市场流动性趋紧，金融压力开始出现上升的势头，为此，央行采取频繁降低存款准备金率、贷款利率以及结合贷款限额放松等货币政策手段，在一定程度上缓和了金融压力，直至1999年Q3，消费和投资需求双双增加，以及M2的加速增长使得中国金融压力短时期内转向了松弛状态。进入21世纪后，国际套利资本流出导致人民币有效汇率上行和股票市场低迷并举，进而中国金融压力又再次回到紧缩时期，直至2001年Q3之后，中国股票市场呈现回升趋势，房地产市场也逐渐繁荣，银行信贷逐渐增加，中国金融市场状况逐渐转好，这一状况持续到2004年Q2，央行大幅上调利率来为“兴奋”的房价和信贷规模降温，进而导致金融状况由松转紧。进入2005年，汇率体制改革使得人民币汇率调整灵活性增强，货币供应量增速再次大幅度上升，中国金融压力指数呈显著下降态势，然而，伴随美国次贷危机的爆发，中国金融市场也出现低迷，金融压力指数迅速攀升，直至经济危机爆发后一系列反周期政策的出台，金融压力指数才逐渐缓解，并于2009年第2季度达到样本区间内的最低点。伴随着经济的逐渐复苏，扩张性的财政政策如4万亿计划使得大量资金流向房地产，诱发房地产市场过热，也给金融市场带来了隐患，金融压力指数不断攀升。随着欧洲主权债务危机的爆发及后期全球经济新常态时期的到来，中国金融经济持续波动，尤其是沪深股票市场，从5 000点的繁荣到股灾爆发，金融压力指数也是由高走低。总体来看，中国金融压力指数在1997年Q1至2017年Q3期间共出现3次明显的波峰，分别对应着2004年Q2、2008年Q4与2011年Q3，这三个时期表现为“金融失衡”，在2007年Q1、2009年Q2与2015年Q2等三个时期表现为“金融良好”。中国金融压力指数每次的异常波动均与国内外的金融特殊事件息息相关，这充分说明了本文采用TVP-FA-VAR-DMA模型测算出的FSI能够有效的反映出我国金融压力情况。

(三)潜在预测解释变量的期望个数
为了更清晰地描述DMA方法能够简化模型参数估计过程、避免过度识别的问题与增强模型预测精准度的优势，此处给出了以FSI为被解释变量，基于TVP-FA-VAR模型采用DMA方法实时预测解释变量的个数期望值。如果用nk表示模型k提取FSI的预测解释变量的个数，结合模型k的预测概率πt|t,k，那么可以计算出各时期预测解释变量的个数期望值：width=202,height=32,dpi=110图3给出了基于提前一期预测(h=1)的预测解释变量个数期望值的时变图。

width=346,height=216,dpi=110
图3 DMA模型预测解释变量个数期望值

从图3中明显可以看出，预测解释变量个数的期望值在1997—2001年期间呈现出明显下降的趋势，这段时期所需解释变量的个数维持在1-4个之间。在2001年之后，预测解释变量个数的期望值表现出较大幅度的上升态势，所需解释变量的个数在1-8之间，可见随着时间的推移，对FSI动态测度的难度逐渐增强，过度的模型简约显然不适合FSI的预测，但相对于整个变量体系来说，DMA方法简化模型的效果较为明显。

五、中国金融压力指数对宏观经济变量的传导效应分析
(一)宏观经济变量说明
本文以GDP季度同比增长来衡量经济增长；以CPI月度数据的加权平均来衡量通货膨胀；采用季度固定资产投资总额的累积值转化为当季值来作为中国实际投资水平的代理变量。同时，对转化后的数据进行X12季节调整后再除以定基CPI，最后采用同比对数差分得出投资同比增长率；采用社会消费作为消费水平的代理变量，同时，将季度内各月的社会消费总额的累计值转化为当季值，并对其进行X12季节调整后再除以定基CPI，最后采用同比对数差分得出消费同比增长率。上述所有数据主要来源于中国统计年鉴、中经网数据库、CEIC数据库。为初步考察金融压力与经济增长、通货膨胀、投资及消费之间的关系，图4与图5分别给出了金融压力指数、GDP同比增长率、通胀率、投资同比增长率及消费同比增长率的变化趋势图，其中，阴影部分为中国金融压力较为紧张的阶段。

width=361,height=233,dpi=110
图4 FSI与经济增长、物价水平的变化趋势

width=369,height=255,dpi=110
图5 FSI与投资、消费的变化趋势

从图4的曲线走势图可以看出，GDP同比增长率与FSI之间具有较强的负相关性，而通胀率与FSI具有一定程度的正相关性，且领先于FSI大概1个季度，尤其体现在2007年Q1至2008年Q4期间，当金融压力指数呈现上升趋势时，GDP同比增长率呈现下降趋势，而通胀率呈现出领先FSI的同步上升趋势。从图5中FSI、投资同比增长率和消费同比增长率走势来看，三者的同步性并不强，尤其体现在经济新常态时期，FSI在均值附近平稳震荡，而投资增长率与消费增长率均呈现明显下滑趋势，且投资增长率下降的更为迅速。接下来，通过MS-AR模型对FSI进行状态机制识别，选取典型的金融压力期并采用TVP-SV-VAR模型进行脉冲响应分析。

(二)中国金融压力期的识别
近年来，马尔科夫区制转换模型已成为学者们研究非对称性问题的重要工具，该方法最初由Goldfeld和Quandt(1973)[36]提出，后来由Hamilton(1989)[37]与Krolzig(1997)[38]改进为MS-AR模型来刻画不同状态下的宏观金融波动情况。因此，为更清晰地反映我国金融系统的压力情况，本文采用MS-AR模型对中国金融压力指数进行状态机制识别，将回归滞后性设定为2，按照自回归参数、截距、均值及方差可以分为不同的模型形式，并结合AIC、SC、HQ及极大似然估计值判断出MSIH(3)-AR(2)模型的拟合效果最佳，图6给出了MSIH(3)-AR(2)模型的三区制平滑转换概率图。

观察图6不难看出，我国金融压力具有明显的三区制转移特征，结合表1中FSI状态机制识别结果得知，区制1的FSI平均值为0.31，标准差为0.72%，对应着我国金融系统较为良好时期，并分别有0和0.20的概率转向区制2和区制3的状态，这表明当本季度金融系统稳定性处于良好状态，下季度仍很有可能处于良好状态，若一旦发生状态机制转换，则最有可能直接转换成金融失衡状态，其典型时期有2007年Q1、2009年Q2及2015年Q2；区制2的FSI平均值为0.35，标准差为0.64%，对应着我国金融系统较为平稳时期，样本数为43.47个季度，持续期为13.09个，表明我国金融压力指数大部分处于区制2，且持续时间较长，不容易发生区制转换，这点也可由表1中的区制间转移概率看出。其典型时期有2001年Q1、2006年Q2及2014年Q2；区制3的FSI平均值为0.37，标准差为0.83%，对应着中国金融压力较高时期，样本数为9.28个季度，持续期仅为1.61个季度，表明金融压力处于失衡的持续时间并不长，且向金融良好状态和金融平稳状态转换的概率较大，典型时期有2004年Q2、2008年Q4及2015年Q3。

width=730,height=386,dpi=110
图6 中国金融压力指数状态机制识别图

表1 各区制样本数、频率、持续期与区制间转移概率

width=686,height=170,dpi=110
(三)基于TVP-SV-VAR模型估计的结果
对GDP同比增长率、通货膨胀率、投资同比增长率以及消费同比增长率建立TVP-SV-VAR模型。参照Nakajima等(2011)[39]将预烧2 000次MCMC抽样，随后抽取18 000次进行迭代参数估计，估计的先验信息如下：width=688,height=44,dpi=110Gamma(4,10-4)，其中width=108,height=20,dpi=110及width=49,height=20,dpi=110分别为矩阵(Σβ)2、(Σα)2及(Σh)2对角线上第i个元素对应的数值。从表2给出的结果来看，Geweke统计量都在5%的水平下显著，说明所有参数均不能拒绝收敛于后验分布的原假设，无效影响因子最大值为156.01，这意味着在20 000次抽样下可以得到足够数据来进行后验信息的统计推断。

表2 TVP-SV-VAR参数估计结果及检验

width=686,height=246,dpi=110
注：sbi、sbj、sbk(i=1,2; j=1,2; k=1,2)分别表示矩阵(Σβ)2、(Σα)2及(Σh)2及对角线上第i、j、k个元素对应的数值，Σβ和Σα的估计值和标准差均乘以100。

(四)时点脉冲响应分析
图7给出了FSI对GDP同比增长率(G)、通货膨胀率(P)、投资同比增长率(I)及消费同比增长率(C)的时点脉冲响应。观察图7不难发现，4个宏观经济变量受FSI冲击的影响存在明显的时变特征。

width=693,height=454,dpi=110
图7 典型时期经济增长、通胀、消费及投资受FSI冲击的脉冲响应图

首先，FSI冲击对GDP同比增长率(εf→G)在第4个季度之前表现为显著的负向效应，4个季度之后转变为正向效应，且在金融失衡时期(2008年Q4)这种正向效应长期存在。而在金融压力良好时期这种正向效应持续到第9个季度就转变为显著的长期负向效应。在金融较为平稳时期和当前供给侧改革时期，FSI对GDP同比增长率的冲击响应在第4个季度时具有微弱的正向响应，1个季度之后就掉头转变为显著的长期负向效应，可见，FSI在金融系统较为平稳或良好时对经济增长具有短期的负向影响，且这种负向影响在长期内持续存在。而在金融压力较为紧张的情况下，FSI对经济增长的冲击在短期内表现为负向效应，长期内表现为正向效应，这表明随着中国金融压力的逐渐紧张，经济增长短期内会受到严重的负向冲击，长期内这种负向冲击效应减弱，尤其是金融失衡时期的金融压力指数的上升对经济增长具有微弱的长期正向促进作用。

其次，FSI在4个典型时期对通货膨胀率(εf→P)冲击都呈现下降趋势，并在3期左右达到极值，负向反应持续到6个季度之后。FSI对金融较为平稳时期和当前供给侧改革时期的通胀率冲击逐渐呈现正向上升趋势，随后在15个季度之后趋于平稳。而对于金融压力较为良好时期，FSI对通胀率的冲击仅在第6期至第11期产生了正向响应，当金融压力处于失衡时期(2008年Q4)，FSI对通胀率的冲击响应在第6个季度之后仍然表现为负向效应，持续到第15个季度这种负向效应彻底消失，可见，FSI对通货膨胀的冲击主要表现为短期负向效应，长期效应并不存在，即随着FSI的逐渐提高，物价水平短期内呈现下降趋势，通货膨胀程度降低。

再次，FSI对投资水平的冲击(εf→I)呈现出显著的负向效应，且这种负向效应在第3季度之前逐渐减弱，而后掉头马上逐渐增强，直到第5个季度之后再次表现为逐渐减弱的负向效应，FSI在不同的金融压力时期对投资水平的冲击趋势基本一致，但幅度存在较大差异，具体而言，FSI在金融压力良好和金融压力失衡时期对投资水平的负向冲击效应表现的更弱，而在金融压力平稳和当前供给侧改革时期对投资水平的负向影响较强，且除金融失衡时期，FSI对投资水平具有长期的负向冲击影响，特别是在经济新常态时期和当前供给侧改革关键时期，FSI对投资水平的负向冲击影响尤为明显，表明当前合理的防控系统性金融风险对宏观经济稳定具有至关重要的作用。

最后，金融压力的上升对消费水平的传导效应(εf→C)以负向为主，金融较为平稳时期和当前供给侧改革时期FSI的一个单位正向冲击会引起消费水平的脉冲响应在第0期表现为正，1个季度之后转变为逐渐增强的负向响应。而在金融系统良好时期和金融系统失衡时期FSI对消费水平起初就表现为逐渐增强的负向影响作用，但4个典型时期的FSI对消费水平的负向冲击响应均在第3个季度达到最强，而后转为逐渐减弱的态势，且金融系统良好时期和金融系统失衡时期的这种负向冲击响应更强。除金融失衡时期FSI对消费水平不存在长期影响之外，在其它3个典型时期FSI对消费水平均具有长期的负向影响，可见，消费水平会受到金融压力的强烈负向冲击，即随着金融压力的提高，消费水平会逐渐下滑。

(五)预期脉冲响应分析
为进一步分析金融压力对经济增长、物价水平、投资水平及消费水平的长短期影响，本文也分析了预期脉冲响应(见图8)。图中的实线、长虚线、短虚线分别对应着提前2期、4期和8期。从图中可以看出：(1)FSI对GDP同比增长率、通货膨胀率、投资同比增长率及消费同比增长率均具有明显的短期负向效应，且随着时间的推移，FSI对投资水平负向冲击影响在各期均逐渐回调，而经济增长对其冲击的响应在2007年之前逐渐走低，2007年之后表现为小幅度上升的趋势，但中长期响应一直在正负之间交替震荡并在2016年逐渐消失为0。FSI对通货膨胀的短期负向影响呈现缓慢减弱的迹象，而在中期内表现为大幅度减弱的趋势，长期响应在2002年至2008年期间主要表现为正向，其余时期为负向。就消费水平而言，FSI对消费水平的短期负向冲击在1999年之前逐渐减弱，在1999—2004年期间中间增强，而在2004年至2009年期间短期负向冲击响应基本处于平稳状态，2009年之后，FSI对消费水平的短期负向冲击作用逐渐减弱，但FSI在中期内对消费水平的负向冲击作用却始终呈现减弱现象，类似的，长期效应也仅在2003年至2004年期间表现为微弱的正向促进效应，其余时期均表现为负向效应，且1997年至2002年期间这种长期负向效应表现的尤为明显，而当经济进入新常态时期，FSI对消费水平的长期负向冲击较弱。可见，不同时期FSI对经济增长、物价水平、投资水平以及消费水平的影响强度存在较大的差异。FSI对投资水平的负向影响越来越强，而对经济增长在2007年之前表现为增强趋势，而后呈现越来越弱的迹象，对物价水平和消费水平的短期和中期响应程度均呈现减弱的态势。(2)FSI对4个宏观经济变量的短期负向冲击效应均强于中长期的负向冲击效应。物价水平和消费水平在三个危机时期对FIS的负向响应更为敏感，而在新常态时期金融压力的上升对投资水平具有更强的负向冲击影响，全球金融危机时期金融压力上升对经济增长表现为较强的冲击作用。可见，FSI对宏观经济变量的影响随着提前冲击的增加而呈现逐渐减弱的趋势，并且在某些时间段产生正向影响，危机时期金融压力对宏观经济造成的冲击更为强烈。

width=693,height=346,dpi=110
图8 经济增长、通胀、消费及投资受FSI冲击的等间隔脉冲响应图

综上分析，较大的金融压力会对经济发展产生阻碍作用，导致投资和消费水平双双下降，价格水平走低，体现出整体经济环境不景气，经济运行状况不健康。金融压力骤增的状态下，微观主体的风险偏好和实际收益率都会下调，进而金融中介会紧缩银根，尤其针对于中小微企业，造成整体市场的流动性下降及微观主体的购买力下降，进而导致投资和消费的有效需求皆不足[40]。在这样的状态下，高技术产业的中小微企业会降低产量，而不面临融资问题的传统大型制造业却依然扩大库存，这样就导致了经济总体发展不平衡，不平衡的弊端暴露出的现象即是实体经济下滑，物价水平走低，进而体现出金融压力上升会对宏观经济产生不利影响[41]。

六、结论与政策建议
本文构建了金融压力指数指标体系，并在该体系下将动态模型平均与带有时变参数的因子扩展向量自回归模型相结合的方法测算出1997年第一季度至2017年第三季度期间的中国金融压力指数，基于MS-AR模型对中国压力期进行识别，选取典型时期采用TVP-SV-VAR模型实证分析金融压力对经济增长、物价水平、投资及消费等宏观经济变量冲击反应的时变特征。发现了TVP-FA-VAR-DMA模型与其他模型测算出的FSI在亚洲金融危机时期、全球金融危机时期与欧洲债务危机时期存在较大的差异，其他各时期的FSI走势情况基本吻合，且FSI的每次异常波动均与国内外的金融特殊事件息息相关，这充分说明了本文采用TVP-FA-VAR-DMA模型测算出的FSI不仅能够提高模型参数估计效率，且能够有效地反映出我国金融压力情况和金融特殊事件。此外，通过MS-AR方法发现FSI大多时间处于金融较为平稳时期，持续时间较长，不容易发生区制转换，而金融失衡时期持续时间较短，且容易向金融较为平稳时期和金融良好时期转换，金融失衡时期与国内外重大特殊事件相吻合。当本季度金融系统稳定性处于良好状态，下季度仍很有可能处于良好状态，若一旦发生状态机制转换，则最有可能直接转换成金融失衡状态。金融压力的上升对经济增长主要表现为短期负向传导效应，FSI在金融系统较为平稳或良好时对经济增长具有显著的短期负向冲击效应，而在金融压力较为紧张的情况下，FSI对经济增长的冲击在短期内表现为负向效应，长期内表现为正向效应，对物价水平的负向冲击表现为先由强到弱而后逐渐趋于零的“火车头效应”，对投资水平在短中长期内均具有明显的负向冲击效应，且在样本期间内这种负向冲击效应逐渐增强，对消费水平在短期和中期表现为先逐渐增强后逐渐减弱的负向冲击效应，且在重大金融事件发生的高风险时期，这种负向冲击效应表现的尤为明显，表明危机时期金融压力对宏观经济造成的危害更大。

由此可见，金融压力指数FSI发挥了金融风险的先行指标作用，对宏观经济的影响并非是长期一致不变的，而是存在动态时变性。因此，在守住不发生系统性金融风险底线、促进宏观经济健康持续发展的基础上，应该对金融风险的先行指标进行强监管、严防范。本文提出如下参考性的监管政策建议。第一，货币政策方面，在实施价格型的泰勒规则或数量型的麦卡勒姆规则时，应该将金融稳定指标纳入目标函数，使得货币政策工具在盯住产出缺口和通胀缺口变化的同时也应该盯住稳态金融稳定指标，尤其是本文发现了金融压力指数对宏观经济的影响在短期和长期的影响具有差异性，因此应根据不同金融压力情况综合运用短期借贷便利、常备借贷便利等短中期货币政策工具及存款准备金率等相对长期货币政策工具。第二，宏观审慎方面，建议加快构建完备的宏观审慎管理体系，以微观审慎管理为基础，以宏观审慎管理体系为指导，严格监管和把控房地产市场、股票市场、银行信贷市场的流动性和波动性，尤其是在本文构建的金融压力指数中，上述部门的相关指标是金融压力指数的重要组成部分，这意味着对房地产市场、股票市场、银行信贷市场的监管和预警即是对金融压力指数的监管和预警，同时也是对宏观经济良好运行的保障，因此要有针对性差别化的逆周期监管措施，并在恰当时间实施。主要政策措施包括逆周期资本缓冲、动态损失储备、杠杆率、流动性监管等。同时，不同经济金融环境下的工具组合搭配、政策实施节点和时滞等问题都是实行逆周期金融监管政策面临的阻碍，宏观审慎监管需要在实践中丰富完善。第三，“双支柱”框架机制方面，应该根据金融周期的特征及所处的阶段，结合宏观经济形势、微观主体行为变化、价格变化及汇率预期等来判断和监管资本流动方向，尤其是对提取金融压力指数的重要部门的资金流动监管，进而可以在银行部门、股票市场、外汇市场、房地产市场的资金流动下率先构建脆弱部门的金融压力先行指标。同时要注意的是，在不同经济时期的不同经济环境下金融压力指数对宏观经济的影响程度具有差异性，这就需要多个监管部门协同统计及预判宏观经济走势，进而在负向响应时期做出紧缩性监管政策，在正向响应时期做出宽松性监管政策。

参考文献

[1]BLOOM N.The impact of uncertainty shocks[J].Econometrica,2009,77(3):623-685.

[2]BLOOM N.Fluctuations in uncertainty[J].Journal of Economic Perspectives,2014,28(2):153-175.

[3]HUANG Z,TONG C,QIU H,et al.The spillover of macroeconomic uncertainty between the U.S.and China[J].Economics Letters,2018,171(3):123-127.

[4]许志伟,王文甫.经济政策不确定性对宏观经济的影响——基于实证与理论的动态分析[J].经济学(季刊),2019(1):27-54.

[5]MIKHAIL O,JOHN D,STEPHEN O.The financial stress index:identification of systemic,risk conditions[J].Risks,2015,3(3):420-444.

[6]PHILIPPE J.Financial risk manager handbook[J].Wiley Finance,2007,4(4):206-207.

[7]金春雨,吴安兵.中国金融市场波动的周期性特征及其宏观经济效应研究[J].西安交通大学学报(社会科学版),2017(37):1-11.

[8]殷红,张龙,叶祥松.我国财政政策对全要素生产率的非线性冲击效应——基于总量和结构双重视角[J].财贸经济,2020(12):37-52.

[9]FREIXAS X,LUC L,AND PEYDRO J L.Systemic risk,crises,and macroprudential regulation[J].Economic Record,2015,92(297):313-314.

[10]ACHARYA V V,DAVYDENKO S A,STREBULAEV I A.Cash holdings and credit risk[J].The Review of Financial Studies,2012,25(12):3572-3609.

[11]BROWNLEES C,ENGLE R A.A conditional capital shortfall index for systemic risk measurement[J].Journal of Econometrics,2015,73(1):36-61.

[12]张龙,殷红,王擎.数量型还是价格型——来自货币政策“非线性”有效性的经验证据[J].中国工业经济,2020(7):61-79.

[13]ILLING M,LIU Y.An index of financial stress for Canada[J].Journal of Financial Stability,2003,2(3):240-265.

[14]CARDARELLI R,ELEKDAG S A,LALL S.Financial stress,downturns,and recoveries[J].Social Science Electronic Publishing,2009,9(1):25-29.

[15]BALAKRISHNA N,HAREESH G.Statistical signal extraction using stable processes[J].Statistics & Probability Letters,2009,79(7):851-856.

[16]赖娟,吕江林.基于金融压力指数的金融系统性风险的测度[J].统计与决策,2010(19):128-131.

[17]徐国祥,李波.中国金融压力指数的构建及动态传导效应研究[J].统计研究,2017(4):59-71.

[18]LOUZIS D,VOULDIS A.A financial systemic stress index for Greece[J].Journal of Banking and Finance,2013,71(1):37-61.

[19]ISLAMI M,KIM K J R.A single composite financial stress indicator and its real impact in the euro area[J].International Journal of Finance & Economics,2013,19(3):204-211.

[20]刘晓星,方磊.金融压力指数构建及其有效性检验——基于中国数据的实证分析[J].管理工程学报,2012(3):1-6.

[21]刘瑞兴.金融压力对中国实体经济冲击研究[J].数量经济技术经济研究,2015(6):147-160.

[22]ROYE B V.Financial stress and economic activity in Germany[J].Empirica,2014,41(1):101-126.

[23]陈忠阳,许悦.我国金融压力指数的构建与应用研究[J].当代经济科学,2016(1):27-35.

[24]DAVIG T A,HAKKIO C S.What is the effect of financial stress on economic activity[J].Economic Review,2010,95:35-62.

[25]ABOURA S,ROYE B V.Financial stress and economic dynamics:the case of France[J].International Economics,2017,149(5):57-73.

[26]秦建文,王涛.新常态下中国金融压力与宏观经济动态效应研究[J].浙江工商大学学报,2017(3):75-87.

[27]张勇,彭礼杰,莫嘉浩.中国金融压力的度量及其宏观经济的非线性效应[J].统计研究,2017(1):67-79.

[28]PRIMICERI G E.Time-varying structural vector autoregressions and monetary policy[J].Review of Economic Studies,2005(3):821-852.

[29]张龙,金春雨.数量型和价格型货币政策工具的有效性对比研究[J].中国工业经济,2018(1):119-136.

[30]CANOVA F.Structural changes in the US economy:is there a role for monetary policy?[J].Journal of Economic Dynamics & Control,2009,33(2):477-490.

[31]KOOP G,KOROBILIS D.Large time-varying parameter vars[J].Journal of Econometrics,2013,177(2):185-198.

[32]彭洋,张龙,吴莉昀.时变概率的区制转换泰勒规则设计及其“稳定器”作用机制研究[J].金融研究,2019(7):19-37.

[33]COGLEY T,SARGENT T J.Drifts and volatilities: monetary policies and outcomes in the post WWII U.S.[J].Review of Economic Dynamics,2005,8(2):262-302.

[34]殷红,张龙,叶祥松.美联储货币政策对人民币外汇市场压力的冲击[J].管理科学学报,2020(11):87-102.

[35]朱奇锋,吴恒煜.基于DMA方法和异质市场理论的中国股市波动性研究[J].数理统计与管理,2021(6):1-15.

[36]GOLDFELD S M,QUANDT R E.A Markov model for switching regressions[J].Journal of Econometrics,1973,1(1):3-15.

[37]Hamilton J D.A new approach to the economic analysis of nonstationary time series and the business cycle[J].Econometrica,1989,57(2):357-384.

[38]KROLZIG H M.Markov switching vector auto-regression,modelling,statistical inference and application to business cycle analysis[J].International Journal of Mass Spectrometry and Ion Processes,1997,156(1):85-101.

[39]NAKAJIMA J,KASUYA M,WATANABE T.Bayesian analysis of time-varying parameter vector autoregressive model for the Japanese economy and monetary policy[J].Journal of the Japanese and International Economies,2011,25(3):120-143.

[40]MURILLO A C,JOHN R,HARVEY B.The real effects of financial constraints:evidence from a financial crisis[J].Journal of Financial Economics,2010,97(3):470-487.

[41]王婉婷.研发支出过度资本化测度模型构建[J].统计学报,2020(4):81-94.

The Construction of Dynamic Financial Stress Index in China and Its Time-Varying Macroeconomic Effects
REN Ai-hua1, LIU Ling2

(1.Center for Financial Innovation and Risk Management, Hebei Finance University, Baoding 071051, China; 2.School of Economic and International Trade, Hebei Finance University, Baoding 071051, China)

Abstract：We take the idea of dynamic model averaging into the Factor-augmented Vector Autoregressive with Time-Varying Parameters model, and use the model to construct China’s financial stress index system from aspects of financial stability, financial fragility, financial system development and international financial situation.After that, we use the model to test the time-varying characteristics of the impact of financial stress on main macroeconomic variables.The results show that: compared with other factor models, the FSI estimated by TVP-FA-VAR-DMA, which takes into account both time-varying parameters, dynamic selection of variables and time-varying model dimensions, can not only improve the efficiency of parameter estimation of FSI prediction model, but also reflect the financial stress and financial special events in China.Through the MS-AR model, we find that the financial stress of our country has obvious characteristics of three-zone system transfer.Most of the FSIs in the sample interval are in a relatively stable financial period, and the period of financial imbalance coincides with major special events both at home and abroad.The empirical analysis of the TVP-SV-VAR model shows that the rise of financial stress on the economic growth is mainly manifested in the short-term negative conduction effect, the impact on the price level and consumption level both from strong to weak short-term negative effect, the negative impact of financial pressure on the investment level showed an increasing trend.In addition, we find that the rise of financial pressure will have a more negative impact on the macro-economy in the high-risk period of major financial incidents.

Key words：financial stress index; TVP-FA-VAR-DMA; macroeconomic effect