17 中国金融风险预警研究_基于MSVAR模型的实证分析_周华

2013年第1期

总第347期第32卷中国金融风险预警研究

——基于MSV AR模型的实证分析

周华周晖刘灿辉

摘要：本文结合前人研究的成果，提出将各类指标综合成分别反映货币危机、银行危机、资产泡沫危机的货币危机指数、银行危机指数、资产泡沫危机指数，并分别以这些指数为变量，在假定风险等级分为“低风险”“中风险”和“高风险”的基础上，利用MS(3)-V AR（1）模型，对我国1998年1月至2011年6月的数据进行检验，得出MS(3)-V AR（1）模型准确有效的预警了每次危机的结论，并依据结论提出了相关政策建议。

关键词：预警，货币危机指数，资产泡沫危机指数，MS-V AR模型。

JEL分类号：E63，G10，F40

一、引言及文献综述

2008年，一场突如其来的金融危机如飓风般席卷全球，给世界大经济体带来沉重的打击，至今世界各国仍然艰难的行进在复苏的曲折道路上。经济危机给人民带来了痛苦的失业潮，美国自2008年次贷危机以来失业率一直维持在10%以上，中国在2008年出现农民工返乡潮；经济危机给政府带来不稳定的压力，随着失业的加重，英国青年走上街头抗议，美国出现了占领华尔街的活动。金融危机所造成的破坏性影响是难以估量的，世界银行的一项统计显示，从1985年-2001年，墨西哥、阿根廷、韩国、日本等共计65个国家经历了银行危机，在此期间各国政府为援助银行所支付的直接成本就高达2500亿美元。这其中有12次金融危机所导致的救助成本超过危机发生国国内生产总值（GDP）的10%。在1997年的亚洲金融危机中，各公共部门为救助破产银行所花费的成本更为巨大。印度尼西亚花费的金额占其GDP的58%，泰国为30%，韩国为16%，马来西亚为10%。而本次次贷危机中美国为救市已经注资1500亿美元，欧洲接近5000亿美元，中国为救市注资接近6000亿美元，甚至还出现了因为救市资金过于庞大，无力救市而宣布破产的冰岛政府。金融危机的频发和巨大的破坏力引起了各国学者的关注。

真正的神医非救人于垂死，而是除病于未有形。很多学者认为我们应将因对金融危机的重点放在金融危机的预见上，而非危机发生后的因对措施。事前对危机的防范往往比危机发生后的挽救措施更加重要。国外学者对此作了大量的研究。Frankel和Rose（1997）通过研究41个国家的经贸数据，发现各个国家经济周期存在相吻合的现象，从而提出依照外贸数据预测经济危机的FR模型。Jeffrey D.Sachs，Aaron

作者介绍周华：中南财经政法大学经济学院,博士研究生；

周晖：浙江财经学院，研究员，博士生导师；

刘灿辉：深圳证券交易所博士后流动站，在站博士后。

中国金融风险预警研究

Tornnell和Andres Velasco(1996)通过研究墨西哥危机以及东南亚危机提出可以通过M2/GDP、M2/外汇储备、银行负债这三个指标来反映一个国家的脆弱程度，或者说是可能爆发危机的程度。Graciela Kaminsky, Saul Lizondo和Carmen Reinhart（1998）将指标增多，给每个指标设置一个阀值，当指标超过阀值范围的时候，发出一个预警信号，用发出的信号来预测金融危机，又称“信号法”或者KLR模型。以上的学者使用的都是线性模型，随着计量技术的进步，很多非线性的模型被引入用来模拟金融风险。Ashok K Nag and AmitMitra（2002）将网络神经模型和自然的网络模型结合起来模拟日常的外汇交易价格，以预测金融危机，结果显示该模型的预测结果远远好于一般的线性模型。Manmohan S.Kumar,Uma Moorthy,和W.R.M. Perraudin（2007）在滞后的宏观经济金融数据基础上使用简单的logit模型在发掘哪些新兴市场的危机是可以预测的。Abdul Abiad（2011）通过危机恢复中的数据来检验各种危机预测模型，并建立了准确度更高的基于区制转换模型的危机预测系统。

1997年亚洲金融危机在国门口爆发，危机给亚洲各国带来深重灾难的同时也深深的影响着经济学界。为了防范于未然，避免此类危机发生在我国，国内学者开始着手探讨建立与我国实际情况相符合的预警指标体系和预警模型方法。信玉红和高东伟（2004）利用国内经济数据，采用KLR模型得出中国的经济危机可能主要集中于国内经济，发生外部冲击型金融危机的可能性不大。石柱鲜和牟晓云（2005）利用三元logit模型对我国外汇风险预警进行了实证分析，估计了我国外汇风险预警指数及其临界值，并根据样本预测结果计算了我国外汇风险预警模型的拟合度。结果显示我国1991年左右发生外汇危机的概率高，而1994年汇改后发生汇率危机的可能性比较小。胡辉（2008）在1998-2007年数据的基础上，选择我国宏观金融风险指标建立了指标体系评分法预警模型。王守东（2010）运用中国经济数据通过logit模型建立了我国金融风险预警体系。

本文参考文献中的一些研究，在构建危机指数，建立预警模型和更新统计数据三个方面进行了改进：1.采用多个指标合成的方法构建压力指数。2.采用非线性的MS-V AR模型建立金融危机预警系统，争取更加准确的预测金融风险。3.所有的经济数据都使用截止到2011年6月的最新数据。

二、模型方法与参数估计

在时间序列模型中，很多时候资产的价格会因为某一个可以识别的重大事件发生很大的改变，例如在一周为单位的时间序列中，美联储的利率和国债利率是相关联的，但是放在更长的时间段来看，美联储的利率还会受到各种货币财政政策的影响，例如1979年美联储的一次公开市场操作就造成了利率的不连续变化。那么这个时间序列将会被分为两段来进行研究。很多经济上的重大事件都会影响金融的时间序列，例如第二次世界大战和欧佩克突然的减少石油供给，这些都应该被认为是金融时间序列中可以识别的一段时期。

下面我们反过来想，假设我们不知道金融时间序列被划分为了哪几个时期，但是我们知道所有的金融时间序列数据，当我们看到不连续的时间序列数据时，我们可不可以推测出时间序列数据已经进入到另一个时期的可能性呢？答案是肯定的。如文献综述中提到的，Krolzing.H-M(1997)提出马尔科夫区制转换的向量自回归模型（Markov-Switching Vector Autoregress;MS-V AR）成功解决了这一难题。

MS-V AR可视为基本有限阶V AR(q)模型的推广。考虑如下一个X维时间序列构成向量y t=(y1t,?,y x t)'的q阶自回归过程：

y t=ν+A1y t-1+?+A q y t-q+u t（1）其中，t=1,2,?,T，u t~N(0,1),y0,?,y t-q均为既定值。如果误差项服从正态分布，u t~N(0,1)，则方程式（1）为稳态高斯V AR（q）模型的截距形式，它可以表示成如

Study on China ’s Financial Risk Warning

下的均值调整形式：

y t -u =A 1(y t -1-u )+?+A q (y t -q -u )+u t （2）

其中，

u =(I X -∑j =1q A j )-1。在实际研究中，如果时间序列受到区制变化的支配，且假设有N 个区制。并且假设不可观测的区制已实现值S t ∈{1,?,N }是一个离散时间和离散状态的马尔科夫链，其转移概率为：p ij =p (S t +1=j |S t =i )，∑j =1M p

ij =1，?i ,j ∈{1,?M }。

则方程（2）可以写成阶数为q ，区制数为N 的马尔科夫区制转移式：y t -u s t =A 1(S 1)(y t -1-u s t -1)+?+A q (S q )(y t -q -u s t -q )+u t （3）

其中u t ~N (0,1)，u s t ，A 1(S 1),?,A q (S q )用来描述参数u ，A 1,?A q 对于已实现区制s t 依赖的变参数函数。在模型（4）的模拟过程中，如果一个区制发生一个一次性的跳跃，那么模型会随之改变，利用Hamilton 给出的马尔科夫区制转移类模型的极大似然估计（ML ）算法——期望最大化算法（EM ）估计模型（4）中一个区制转换到另一个区制的概率（转移矩阵）。通过估计区制变量s t 的取值概率来划分区制变量的主要状态。当然这会带来巨大的计算量，尤其是当区制数N 和变量个数q 增大时，计算量将呈指数级增加。因此，虽然Krolzing.H-M 在1997年就已经提出此模型，但是其真正广泛的应用却还是得益于国外一些学者将该模型程序化并将程序源码公布于网上。

本文将使用国外学者提供的程序包，利用中国的经济数据，对中国经济从一种状态（区制）向另一种状态转换的概率进行检验和预测，以此来对经济健康情况发出预警。首先，我们将金融风险的恶化程度设置为三种状态：“低风险”“中风险”和“高风险”，然后我们定义：我们以区制的平滑概率估计值是否大于0.5为评价标准，若大于0.5，则表明其处于某相应的风险状态。我们以高风险区制为例，每当高风险区制的平滑概率估计值大于0.5时，为高风险状态，预警系统发出高度警报信号，从而预警金融危机。

三、金融风险预警指标描述与选取

（一）风险预警指标体系

通过对历年经济金融危机的总结，我们可以将危机分为三个种类，一是由一国货币迅速贬值造成的危机，例如墨西哥危机，东南亚金融危机等。另一种是由于银行迅速扩张信贷又无力收回，引发挤兑潮，造成由银行危机引起的经济危机。例如1933年美国内华达州和爱荷华州银行被挤兑停业后，挤兑潮蔓延到全美国，导致全国大部分银行“放假”。引发经济危机。还有一种就是由一个国家的资产泡沫迅速累积，然后破灭引发的危机，例如1989年日本的金融危机。三种危机的经济学原理及指标见表1：

基于表1分析，本文现构建货币危机指数、银行危机指数和资产泡沫指数来预警金融风险。由于使用频率较高的月度数据可以更加准确的预警，考虑到数据的可得性，本文选取1998年1月到2011年6月的月度数据进行研究。数据来自WIND 数据库，其中GDP 没有月度数据，本文中的月度GDP 是利用WIND 软件转换得到。

（二）压力指数的构建

1.货币危机指数

由于经济活动是一个整体，单纯一个指标的变动有时并不能够说明什么，因此本文将多个指标合成，构建货币危机指数。根据汇率平价理论，影响汇率的因素有即时汇率和国内利率。考虑到特殊情况下一国的外汇储备对于稳定汇率起到极其重要的作用，因此我们将外汇储备考虑在内。我们用ER 表示外汇汇

表1风险指标体系

类型货币危机银行危机资产泡沫危机经济学原理

货币价值高估，外汇储备耗尽后，货币迅速贬值，进口

成本急剧增加，外债无法偿还，引发货币危机。银行快速扩张信贷，当国内利率升高，营业成本升高，贷款又无法按时收回时，会发生破产情况，引发整个银行业的挤兑危机。资产价格快速上涨引发资产泡沫，泡沫破灭使资产价

格快速缩水，引发灾难性的金融危机。

指标名称汇率国家外汇储备

国内利率

贷款/存款实际利率

货币供应量

股票价格指数

房价指数率，用IR 表示国内利率，用FER 表示国家的外汇储备，用MP 表示货币危机指数，即综合汇率、国内利率、国家外汇储备变动计算得到的压力指数。计算公式如下：

MP T =ωER (ER t -ER t -1ER T -1)+ωIR (IR t -IR t -1IR T -1)-ωFER (FER t -FER t -1FER t

)（4）其中，ωER 、ωIR 、ωFER 表示汇率变动、利率变动、外汇储备变动的权重。权重的计算公式为：ωi =(1STDEV i )(1STDEV ER +1STDEV IR +1STDEV FER

)（5）其中，i=ER,IR,FER 。本文使用人民币指数来表示外汇汇率，使用一年期人民币存款利率减去当月CPI 指数（即实际利率）来表示利率，计算得到货币危机指数见图1

。

图1货币危机指数

2.银行危机指数

根据表1的分析，我们采用银行的存贷比（LD ），实际利率IR 和货币供应量三个指标来合成银行危机指数。这里我们借鉴Jeffrey D.Sachs ，Aaron Tornnell 和Andres Velasco(1996)的方法，使用M2/GDP 来表示货币供应量。用CP 代表银行危机指数，计算公式为：

CP T =ωLD (LD t -LD t -1LD t -1)+ωIR (IR t -IR t -1IR T -1)+ωMS (MS t -MS t -1MS t

)（6）其中权重指数的计算方法和货币危机指数相同。计算结果如图2所示：中国金融风险预警研究

图2银行危机指数

3.资产泡沫指数

在我国资本市场主要是股票市场和房地产市场，其他的市场和交易品种虽然也有，但是要么交易不活跃，要么交易量比较小，因此，本文主要研究股票价格和房地产价格带来的泡沫。股票价格和房地产价的变动是多种经济变量共同作用的结果，因此不能简单的认为股价或者房地产价格上涨了泡沫就产生了，还需综合考虑。

本文使用A 股流通市值/（M2-M1）作为股票市场泡沫的指标，我们知道：

M0=流通中的现金

M1=M0+企业活期存款+机关团体部队存款+农村存款+个人持有的信用卡类存款；M2=M1+城乡居民储蓄存款+企业存款中具有定期性质的存款+信托类存款+其他存款

实际上M1大体相当于实体经济部门的短期现金流，而M2则是全社会的现金流。M2-M1则是全社会可供支配的自由现金流。可供支配的现金流流入股市的比例越大，股市泡沫越大，而A 股流通市值/（M2-M1）正是代表这一比例，因此本文使用A 股流通市值/（M2-M1）作为衡量股票市场泡沫的指标。

衡量房地产泡沫的通用指数是房价收入比，因此本文用我国房价指数和居民收入指数的比值来代表全国的房价收入比指数，用来衡量我国的房地产泡沫。

假设使用SH 代表A 股流通市值/（M2-M1），用HR 代表我国房价收入比指数，用BP 代表资产泡沫指数，计算公式为：

BP T =ωSH (SH t -SH t -1SH t -1)+ωHR (HR t -HR t -1HR t -1

)（7）其中权重指数的计算方法和货币危机指数相同。计算结果如图3

：

图3资产泡沫指数

Study on China ’s Financial Risk Warning

四、模型与实证检验

本节将使用上一节计算得到的1998年1月到2011年6月的货币危机指数、银行危机指数和资产泡沫指数作为变量，将金融风险状态分为“低风险”，“中风险”和“高风险”三个状态。利用MATLAB 软件，使用MS(3)-V AR(1)模型，对该模型的预警能力做出检验，看其是否能够对经济金融危机发出准则有效的预警。最后利用ARIMA 模型对三大危机指数中变量的2011年下半年的数据进行预测，最终对2011年下半年的金融风险状况进行预警。

（一）货币危机预警模型检验

用货币危机指数为自变量，设置状态(区制)参数，使用MS(3)-V AR(1)模型得到的结果如图4-6

所示：

图4货币危机指数低风险区平滑移动概率（smooth probabilities of regime 1

）

图5货币危机指数中风险区平滑移动概率（smooth probabilities of regime 2

）

图6货币危机指数高风险区平滑移动概率（smooth probabilities of regime 3）

表2区制转移概率矩阵

区制1

区制2

区制3区制1

0.920.080.00区制20.000.970.03区制31.000.000.00中国金融风险预警研究

从上图中可以得知，从1998年1月年到2011年6月，多数时间我国货币危机指数都处于低度风险和中度风险状态下；从表2中可以得知，这两种区制的转移概率分别为0.92、0.97，表明它们的稳定性非常高。只有极少时间处于高风险情况下，高风险区转移概率发出预警的时间：2002年11月到2003年1月，2007年9月到2007年12月，2009年1月到2009年2月，2010年11月到2010年12月。2002年底，我国刚开始实施一揽子货币改革政策，汇率变动频繁，导致模型发出预警信号。2007年底，次贷危机开始显现，国际资金开始回流，导致我国汇率出现波动，模型发出预警信号。2008年底雷曼兄弟破产，加重危机，模型继续发出预警信号。2010年底随着欧债危机愈演愈烈，模型在此发出预警信号。由此可见，货币危机模型具有较强的预警能力。

（二）银行危机预警模型检验

用银行危机指数为自变量，设置状态(区制)参数，使用MS(3)-V AR(1)模型得到的结果如图7-9

所示：

图7银行危机指数低风险区平滑移动概率（smooth probabilities of regime 1

）

图8银行危机指数中风险区平滑移动概率（smooth probabilities of regime 2

）

图9银行危机指数高风险区平滑移动概率（smooth probabilities of regime 3）

Study on China ’s Financial Risk Warning

表3区制转移概率矩阵

区制1

区制2

区制3区制1

0.800.200.00区制20.320.520.18区制30.110.000.89

以上图表显示，银行危机指数在1998年1月到2011年6月期间大部分时间处在低风险和中风险区域，较少处在高风险区域；从表3中可以得到，三个区制的转移概率分别为0.80、0.52和0.89，表明这三个风险区制的稳定性较高。图9显示，2000年1月到5月，模型发出高风险预警信号，2004年7月到2005年1月模型发出高风险预警信号，2008年1月到2009年2月，模型发出高风险预警信号。

我国银行业在这三个区间内风险较大与其面临的实际情况是吻合的。在经历过1997年到1998年的金融危机后，经济动荡造成我国银行业高达34%的不良贷款率，这自然增大了银行业2000年期间的风险。虽然2000年到2004年间，各家银行努力降低不良贷款率，但是随着房地产市场的升温，银行总的贷款量持续上升，2004年到2005年期间模型发出高风险预警信号。2005年我国实行国有银行股份制改革，国有银行上市融资缓解资金压力，风险迅速降低，直到2007年次贷危机出现，引发银行不良贷款率上市，加上国家四万亿投资计划，加大货币供应，M2/GDP 升高，使得模型发出高风险预警信号。

（三）资产泡沫预警模型检验

用资产泡沫危机指数为自变量，设置状态(区制)参数，使用MS(3)-V AR(1)模型得到的结果如图10-12

所示：

图10资产泡沫危机指数低风险区平滑移动概率（smooth probabilities of regime 1

）

图11资产泡沫危机指数中风险区平滑移动概率（smooth probabilities of regime 2）中国金融风险预警研究

图12资产泡沫危机指数高风险区平滑移动概率（smooth probabilities of regime 3）

表4区制转移概率矩阵

区制1

区制2

区制3区制1

0.770.050.18区制20.120.880.00区制30.530.000.47

以上图表显示，资产泡沫指数各区制的转移概率分别为0.77、0.88和0.47，表明这三个区制的稳定性较高。资产泡沫指数在2006年7月之前和2009年12月之后大多数时间低风险阶段，处于高风险阶段的时间极短；2006年7月到2009年12月则一直处于中高风险阶段，尤其在2008年大多数时间处于高风险阶段，模型发出高风险预警。

1999年我国A 股市场展开了一波快速上涨的牛市行情，社会资金开始迅速涌入资本市场，模型发出预警信号；2001年到2003年我国房地产市场改革初见成效，房价涨幅开始大幅超越居民收入指数涨幅，模型三次发出预警信号。2004年底，由于股改带来A 股流通市值增加，使得模型发出了预警信号。2006年7月后，随着一波空前绝后的大牛市到来，股市出现了巨幅的上涨，短短的一年时间上证指数就上涨了4倍多，股市泡沫开始累积至危险阶段，模型开始发出危机预警信号，虽然2008年金融危机期间，我国A 股市场下跌幅度较大，但是房地产市场在四万亿的推动下经过短暂的休整后继续高歌猛进，使得我国资产泡沫的危险一直居高不下，模型持续发出危机预警信号。

（四）金融风险状况预警

为了对我国2011年下半年的金融风险进行预警，本文首先采用ARIMA 模型对三大风险指数中的各变量的2011年下半年的各月度数据进行预测，接着将预测数据和原先样本进行合并，运用MS （3）-V AR （1）模型进行估计，得到三大风险指数的各区制的转移概率，最终我们得到了各区制的风险预警状况。研究结果表明：货币危机和资产泡沫危机预警模型发出低度风险预警，银行危机预警模型则发出中度风险预警。

Study on China ’s Financial Risk Warning

图13货币危机指数预警模型平滑移动概率（预测2011年下半年

）

图14银行危机指数预警模型平滑移动概率（预测2011年下半年

）

图15资产泡沫危机指数预警模型平滑移动概率（预测2011年下半年）

五、结论与政策建议

通过实证分析本研究得出两大结论：1.本文使用的货币危机指数，银行危机指数，资产泡沫危机指数能够很好的代表和反映整体经济的运行状况，是整体经济情况的晴雨表。2.本文选用的MS （3）-V AR(1)模型能够对1998年1月到2011年12月期间发生的危机都做出预警，预警效率比较高，说明将风险等级划分为“低风险等级”、“中风险等级”和“高风险等级”是比较符合我国经济情况，该模型是适合我国国情的预警模型。此外，参照该模型在2011年期间的预警结果，本文提出两点政策建议：1.由于模型在2011年初发出银行危机高风险预警信号，在2011年下半年发出中度风险预警信号，表明我国的银行不良贷款将会上升，建议银行加大对贷款风险控制，避免银行危机引发金融风险。2.基于模型在2010年全年到2011年6月的资产泡沫高风险预警信号增强，由于此时的股市跌幅较大，表明房地产泡沫危机较大，建议国家继续坚持限购政策，建设保障房的政策，逐渐让房地产价格回归理性，避免资产价格泡沫危机引发的金融危机。中国金融风险预警研究

Study on China’s Financial Risk Warning

参考文献

[1]James D.Hamilton,Analysis of Time Series Subject to Changes in Regime.Journal of Econometrics.1990,03.

[2]Jeffrey Sachs,AaronTornell,AndresVelasco,Finacial Crises in Emerging Markets:The lessons From1995,Harvod University,

1997.01.

[3]Graciela Kaminsky,SaulLizondo,and Carmen M.Reinhart,Leading Indicators of Currency Crises.International Monetary Fund,

1998,03.

[4]Ashok K.NAG and AmitMitra,Forecasting Daly Foreign Exchange Rates Using Genetically Optimized Neural Networks,

Journal of Forecasting,2002,07.

[5]ManmohanKumar,UmaMoorthy and William Perraudin,Predicting Emerging Market Currency Crashes,International Money-

tary Fond,2002,01.

[6]Benoit Bellone,Classical Estimation of Multivariate Markov-Switching Models using MSV ARlib,This Version,2005,07.

[7]Andrew Breg,Eduardoborensztein,and Catherine Pattillo;Assessing Early Warning Systems:How Have They Worked in

Practice?,International Monetary Fond,2005,11.

[8]Michael Artis,PeterClaeys,What holds cycles together?，International Monetary Fond，2007,10.

[9]MarkkuLanne,Stock Prices and Economic Fluctuations:A Markov Switching Structural Vector Autoregressive Analysis,Euro-

pean University Institute,2009,01.

[10]Abdul Abiad,Giovanni Dell Ariccia,and Bin LI,Creditless Recovers,International Monetary Fond,2011,03.

[11]KROLZIG H-M.Markovswitching vector autoregressions:modelling,statisitical inference and application to business cycle

analysis[M].Berlin:Springer,1997

[12]陈守东，马辉，穆春舟，中国金融风险预警的MS-V AR模型与区制状态研究，《吉林大学社会科学学报》，2001,01。

[13]陈秋玲，薛玉春，肖璐，金融风险预警：评价指标、预警机制与实证研究，《上海大学学报》，2009，9。

Abstract:Combining the previous studies,this paper proposes that various types of indicators should be integrated into three comprehensive reflection of the currency crisis,banking crisis and the asset bubble crisis,which is currency crisis index,bank-ing crisis index and asset bubble crisis index.And with the index for variables respectively,this paper assumes that the risks are rated as“low risk”“middle risk”and“high risk”.Based on the MS(3)-V AR(1)model,according to the inspection of da-ta from January1998to June2011,we obtained the conclusion that MS(3)-V AR(1)model early warning the conclusion

of each crisis accurately and effectively.

Key Words:Early Warning,Currency Crisis Index,Asset Bubble Crisis Index,MS-V AR Model.

补正

我刊于2012年第十期刊发了清华大学王桂琴同志的文章《金融服务营销的基本逻辑框架研究》，没有标注作者简介信息，现补正如下：《金融服务营销的基本逻辑框架研究》作者王桂琴为清华大学经济管理学院金融系副教授，电子科技大学博士生。

在此向作者和读者表示歉意！