劉振亞，鄧 磊

(1.中國人民大學(xué)財(cái)政金融學(xué)院，北京 100872;2.英國伯明翰大學(xué)經(jīng)濟(jì)學(xué)院，伯明翰B152TT)

一、引 言

(一)研究問題和背景

有關(guān)貨幣規(guī)則(Monetary Rule)的討論由來已久，焦點(diǎn)在于不同貨幣規(guī)則在不同歷史時(shí)期和經(jīng)濟(jì)階段的適用性及其對社會(huì)經(jīng)濟(jì)變量和福利水平的影響。關(guān)于我國貨幣規(guī)則的研究主要集中于數(shù)量控制型規(guī)則與價(jià)格控制型規(guī)則的比較。我國現(xiàn)階段貨幣規(guī)則受到了比較大的挑戰(zhàn)和質(zhì)疑，在利率市場化機(jī)制尚不健全的情況下，數(shù)量型調(diào)控手段受制于國際資本流動(dòng)、貨幣流通速度、企業(yè)異質(zhì)性等因素，調(diào)控目標(biāo)與實(shí)際效果之間的關(guān)聯(lián)性減弱，貨幣政策的不確定性問題越來越突出。

一般的結(jié)構(gòu)模型研究大都使用線性近似而并非高階逼近的非線性近似方法。在線性模型中，貨幣政策變量通過改變經(jīng)濟(jì)變量水平而產(chǎn)生作用。但眾所周知，線性近似方法無法捕捉到不確定性本身及其變化對經(jīng)濟(jì)變量的真實(shí)影響，只能說明隨機(jī)沖擊對變量水平的實(shí)際作用。線性近似意味著任何具有相同穩(wěn)定狀態(tài)的政策都具有相同的社會(huì)福利水平，并且經(jīng)濟(jì)主體行為決策過程不受不確定性的影響。這顯然與實(shí)際情況不符，政策的穩(wěn)定性關(guān)系著預(yù)期和效用的形成，經(jīng)濟(jì)主體的決策過程也在不同程度上會(huì)考慮不確定性因素，并最終帶來經(jīng)濟(jì)變量的改變。也就是說，政策變量的波動(dòng)性及其變化會(huì)產(chǎn)生真實(shí)作用，因此有必要對其波動(dòng)性變化進(jìn)行模擬和估計(jì)。本文將圍繞貨幣規(guī)則問題展開研究，對兩種不同的貨幣規(guī)則進(jìn)行非線性估計(jì)，以此為基礎(chǔ)對比兩者在我國宏觀經(jīng)濟(jì)下所體現(xiàn)出來的特征和適用性。

(二)文獻(xiàn)綜述

數(shù)量控制型貨幣規(guī)則又稱為泰勒規(guī)則(Taylor Rule);價(jià)格控制型規(guī)則又稱為麥克勒姆規(guī)則(McCallum Rule)。國內(nèi)關(guān)于貨幣規(guī)則類型的研究大致持有以下幾種觀點(diǎn)。有學(xué)者綜合使用兩種貨幣規(guī)則并進(jìn)行對比，比如Zhang［1］同時(shí)使用兩種規(guī)則，并認(rèn)為泰勒規(guī)則更為有效;張杰平［2］利用DSGE模型①即動(dòng)態(tài)隨機(jī)一般均衡模型(Dynamic Stochastic General Equilibrium)。對中國宏觀經(jīng)濟(jì)中泰勒貨幣規(guī)則和麥克勒姆貨幣規(guī)則政策進(jìn)行了對比，發(fā)現(xiàn)我國更適合采用泰勒規(guī)則;馮濤等［3］認(rèn)為我國貨幣政策實(shí)行的是同時(shí)控制貨幣總量和利率的“雙重調(diào)控”。Burdekin和Silklos［4］認(rèn)為中國貨幣政策更符合麥克勒姆規(guī)則;劉斌［5］從社會(huì)福利損失角度驗(yàn)證了泰勒規(guī)則的優(yōu)越性;夏斌和廖強(qiáng)［6］從貨幣流通速度變化、基礎(chǔ)貨幣可控性和貨幣乘數(shù)不穩(wěn)定性等角度進(jìn)行分析，認(rèn)為應(yīng)該改變數(shù)量控制型貨幣政策中介目標(biāo);奚君羊和賀云松［7］利用線性近似方法在DSGE模型框架內(nèi)分析了前瞻、后顧、同期三種不同預(yù)期形成模型下泰勒規(guī)則的福利損失比較;謝平和羅雄［8］認(rèn)為泰勒規(guī)則可以很好地衡量中國貨幣政策。也有觀點(diǎn)對泰勒規(guī)則提出了質(zhì)疑，比如徐高［9］認(rèn)為我國利率市場化并未形成，不宜采用利率調(diào)控型貨幣政策;李春吉和孟曉宏［10］指出，中國貨幣政策主要依靠信貸調(diào)控，利率政策對產(chǎn)出和通貨膨脹影響較小，數(shù)量控制型貨幣政策更能代表中國經(jīng)濟(jì)實(shí)際情況。Huang等［11］的研究表明，普遍采用的前瞻性泰勒規(guī)則會(huì)增加主要經(jīng)濟(jì)變量的不確定性，無論經(jīng)濟(jì)是否具有價(jià)格粘性、工資粘性、特定資本等特征，這種不確定性在貨幣規(guī)則加入產(chǎn)出因素之后都沒有得到改善。

以上研究都是以線性模型為基礎(chǔ)，隨著國內(nèi)外研究對非線性結(jié)構(gòu)模型研究的不斷推進(jìn)，貨幣政策的不確定性得到了更多的關(guān)注。Fernandez－Villaverde和Rubio－Ramirez［12］最早將隨機(jī)波動(dòng)模型和高階近似方法引入DSGE模型，利用粒子濾波和隨機(jī)波動(dòng)模型分析了宏觀經(jīng)濟(jì)變量波動(dòng)性的結(jié)構(gòu)性影響，研究表明非線性模型在經(jīng)濟(jì)波動(dòng)和政策研究中具有顯著的解釋力，是隨機(jī)宏觀模型所不可或缺的;Justiniano和Primiceri［13］將投資沖擊、偏好沖擊、技術(shù)沖擊等因素的隨機(jī)波動(dòng)因素加入DSGE模型中，作者發(fā)現(xiàn)投資沖擊在過去二十年間成為美國經(jīng)濟(jì)波動(dòng)的主要來源;Andreasen［14］針對不同的非線性DSGE模型研究了二階和三階擾動(dòng)近似方法情況下波動(dòng)性的動(dòng)態(tài)效應(yīng)，并指出三階近似在時(shí)變波動(dòng)性研究中的必要性。

本文的重點(diǎn)在于研究時(shí)變波動(dòng)性貨幣規(guī)則的估計(jì)問題。在模型設(shè)計(jì)、求解和估計(jì)上，采用非線性的粒子濾波和MCMC(Markov Chain Monte Carlo)方法估計(jì)狀態(tài)空間模型和結(jié)構(gòu)參數(shù)，從而從波動(dòng)性上分析貨幣規(guī)則及其與經(jīng)濟(jì)運(yùn)行之間的密切關(guān)系。

二、研究方法與結(jié)果

(一)隨機(jī)波動(dòng)模型及粒子濾波

隨著對上個(gè)世紀(jì)80年代以來以美國為代表的宏觀波動(dòng)性下降的關(guān)注，近些年來國內(nèi)外宏觀經(jīng)濟(jì)研究從不同角度和方法力圖對宏觀經(jīng)濟(jì)變量方差的時(shí)變性給予解釋，包括機(jī)制轉(zhuǎn)換方法［15］和隨機(jī)波動(dòng)方法［16，17］得到較多使用，前者認(rèn)為是政策或目標(biāo)變化帶來了方差的下降，而后者認(rèn)為是客觀的隨機(jī)因素使得變量變化更加平穩(wěn)。Fernandez－Villaverde和Rubio－Ramirez［12］把隨機(jī)波動(dòng)模型引入宏觀經(jīng)濟(jì)模型，并嘗試非線性狀態(tài)空間模型的非線性模擬解法;Justiniano和Primiceri［13］研究了帶隨機(jī)波動(dòng)的DSGE模型，該模型對美國經(jīng)濟(jì)問題具有很強(qiáng)的解釋力。隨機(jī)波動(dòng)模型在宏觀經(jīng)濟(jì)研究領(lǐng)域得到較多的應(yīng)用，并受到越來越多的重視。

隨機(jī)波動(dòng)模型最早應(yīng)用于金融時(shí)間序列研究，用來刻畫收益率序列方差隨著新增信息的變動(dòng)情況。一般地，隨機(jī)波動(dòng)模型的設(shè)計(jì)如下:

其中εt，vt～N(0，1)為對均值和波動(dòng)過程的隨機(jī)沖擊。隨機(jī)波動(dòng)模型要解決的問題是如何對非線性、非高斯?fàn)顟B(tài)空間模型進(jìn)行求解和估計(jì)。目前，在解決這一問題時(shí)通常采用粒子濾波方法(Particle Filter)。粒子濾波突破了卡爾曼濾波(Kalman Filter)在處理非線性、非高斯模型方面之不足，在上世紀(jì)90年代得到廣泛的發(fā)展和應(yīng)用。自Gordon等［18］之后，粒子濾波方法在理論上取得快速發(fā)展［19］，并在實(shí)際研究中被廣泛應(yīng)用［20，21］等。

借鑒重要性抽樣(IS)的思路，粒子濾波的基本機(jī)制如下:

表1 APF算法

(二)隨機(jī)波動(dòng)貨幣規(guī)則估計(jì)

表2 隨機(jī)波動(dòng)模型參數(shù)先驗(yàn)分布

隨機(jī)波動(dòng)泰勒貨幣規(guī)則設(shè)定如下:

隨機(jī)波動(dòng)McCallum貨幣規(guī)則設(shè)定如下:

選擇1995－2011年相關(guān)季度數(shù)據(jù)①數(shù)據(jù)來源于中經(jīng)網(wǎng)數(shù)據(jù)庫。，貨幣量采用M2指標(biāo)，利率采用一年期貸款利率。在MCMC方法中對參數(shù)的抽樣次數(shù)M=13000，粒子濾波個(gè)數(shù)N取5000，前3000次抽樣作為廢棄樣本，得到表3所列參數(shù)估計(jì)。根據(jù)參數(shù)估計(jì)并利用粒子濾波方法，得到貨幣規(guī)則參數(shù)抽樣如圖1和圖2所示:

表3 貨幣規(guī)則參數(shù)估計(jì)

(三)貨幣規(guī)則波動(dòng)性估計(jì)

在得到貨幣規(guī)則的參數(shù)估計(jì)之后，經(jīng)過粒子濾波分別得到關(guān)于貨幣量和利率的貨幣規(guī)則波動(dòng)性估計(jì)，如圖3所示。兩種貨幣規(guī)則波動(dòng)性過程均顯示出一定的規(guī)律性:波動(dòng)性在1998年和2009年前后達(dá)到峰值。而兩個(gè)時(shí)間段分別對應(yīng)著亞洲金融危機(jī)和世界經(jīng)濟(jì)危機(jī)，也就是說，經(jīng)濟(jì)困難時(shí)期貨幣規(guī)則的波動(dòng)性會(huì)有突然上升的過程。這種波動(dòng)性與經(jīng)濟(jì)反向變化的關(guān)系在已有的研究中也受到了普遍的關(guān)注［25］。由波動(dòng)性隨機(jī)沖擊的持久性來看，兩個(gè)規(guī)則的波動(dòng)性系數(shù)都非常接近單位值，這說明波動(dòng)沖擊具有較強(qiáng)的持久性。另外，在泰勒規(guī)則中，波動(dòng)性總體取值相對較小，而在麥克勒姆規(guī)則中，波動(dòng)性取值較大。這說明數(shù)量控制型貨幣政策在過去近二十年時(shí)間里被較為經(jīng)常地采用以應(yīng)對物價(jià)壓力和經(jīng)濟(jì)困境，價(jià)格控制型貨幣政策更加遵循規(guī)則的規(guī)律，只是在經(jīng)濟(jì)困難時(shí)期被用來平滑經(jīng)濟(jì)波動(dòng)。單純從波動(dòng)性的角度出發(fā)，泰勒規(guī)則相對麥克勒姆規(guī)則會(huì)暗含較小的波動(dòng)性，更加具有穩(wěn)定性。

三、結(jié) 論

本文借助隨機(jī)波動(dòng)模型和粒子濾波方法研究了泰勒規(guī)則和麥克勒姆規(guī)則下我國貨幣規(guī)則的波動(dòng)性問題。粒子濾波對規(guī)則中狀態(tài)變量(波動(dòng)性)和參數(shù)給出了較為準(zhǔn)確的估計(jì)。從估計(jì)結(jié)果可以得到以下結(jié)論:

首先，由波動(dòng)性的動(dòng)態(tài)過程可知，波動(dòng)性的上升和經(jīng)濟(jì)困難有著密切的聯(lián)系。貨幣政策變量在絕大多數(shù)時(shí)間里保持著較低的波動(dòng)性，但經(jīng)濟(jì)困難時(shí)期往往伴隨著波動(dòng)性的突然增大。這意味著，一般情況下，貨幣政策變量運(yùn)動(dòng)具有自身的規(guī)律性;然而當(dāng)經(jīng)濟(jì)向下趨勢明顯時(shí)，貨幣政策會(huì)做出較之以往更為強(qiáng)烈的反應(yīng)，此時(shí)政策的不確定性增加，在對貨幣政策變量進(jìn)行預(yù)測時(shí)需結(jié)合考慮宏觀經(jīng)濟(jì)狀況。

其次，從總體上看，泰勒規(guī)則的波動(dòng)性相對較小，從穩(wěn)定性和可預(yù)見性上看，泰勒規(guī)則具有一定的優(yōu)勢。泰勒規(guī)則伴有較小的波動(dòng)性，也說明該規(guī)則對利率變量的解釋力強(qiáng)于麥克勒姆規(guī)則對貨幣量的解釋力。該結(jié)論為中國宏觀經(jīng)濟(jì)研究中使用泰勒規(guī)則的合理性提供了一定的證據(jù)。

最后，雖然目前兩種貨幣規(guī)則均顯示貨幣政策變量的波動(dòng)性已經(jīng)大體恢復(fù)到危機(jī)前水平，但仍有一定差距。說明宏觀經(jīng)濟(jì)中不穩(wěn)定因素仍未完全排除，世界經(jīng)濟(jì)復(fù)蘇尚待時(shí)日，我國經(jīng)濟(jì)自身問題仍很突出。為了不斷應(yīng)付經(jīng)濟(jì)增長放緩和通脹壓力，不排除貨幣政策變量波動(dòng)性仍有轉(zhuǎn)而上升的可能性。

本文研究的貨幣規(guī)則波動(dòng)性問題也可以放在更廣泛的視角下來理解，進(jìn)一步審視該波動(dòng)性的福利效應(yīng)和真實(shí)效應(yīng)，從而更準(zhǔn)確地捕捉減少波動(dòng)性和增加政策穩(wěn)定性的重要價(jià)值。本文的研究為一般均衡模型提供了基礎(chǔ)，這也是該方向研究需要繼續(xù)完善之處。

圖3 政策變量隨機(jī)波動(dòng)方差變化情況說明:上、下圖分別為泰勒規(guī)則和麥克勒姆規(guī)則下平滑后的貨幣波動(dòng)沖擊(exp(σt))。

［1］ZHANG WENLANG.China’s Monetary Policy:Quantity Versus Price Rules［J］.Journal of Macroeconomics，2009，31(3):473 －484.

［2］張杰平.DSGE模型框架下我國貨幣政策規(guī)則的比較分析［J］.上海經(jīng)濟(jì)研究，2012(3):93－102.

［3］馮濤，喬笙，苑為.雙重調(diào)控下的貨幣政策績效研究［J］.金融研究，2006(2):44－51.

［4］BURDEKIN R C K，SIKLOS P L.What Has Driven Chinese Monetary Policy Since 1990?Investigating the People’s Bank’s Policy Rule［R］.East－ West Center Working Paper，2005，No.85.

［5］劉斌.最優(yōu)貨幣政策規(guī)則的選擇及在我國的應(yīng)用［J］.經(jīng)濟(jì)研究，2003(9):3－13.

［6］夏斌，廖強(qiáng).貨幣供應(yīng)量已不宜作為當(dāng)前我國貨幣政策的中介目標(biāo)［J］.經(jīng)濟(jì)研究，2001(8):33－43.

［7］奚君羊，賀云松.中國貨幣政策的福利損失及中介目標(biāo)的選擇——基于新凱恩斯DSGE模型的分析［J］.財(cái)經(jīng)研究，2010(2):89－98.

［8］謝平，羅雄.泰勒規(guī)則及其在中國貨幣政策中的檢驗(yàn)［J］.經(jīng)濟(jì)研究，2002(3):3－12.

［9］徐高.基于動(dòng)態(tài)隨機(jī)一般均衡模型的中國經(jīng)濟(jì)波動(dòng)數(shù)量分析［D］.北京:北京大學(xué)，2008.

［10］李春吉，孟曉宏.中國經(jīng)濟(jì)波動(dòng)——基于新凱恩斯主義壟斷競爭模型的分析［J］.經(jīng)濟(jì)研究，2006(10):72－82.

［11］HUANG KEVIN X D，MENG QINGLAI，XUE JIANPO.Is Forward－Looking Inflation Targeting Destabilizing?The Role of Policy’s Response to Current Output Under Endogenous Investment［J］.Journal of Economic Dynamics and Control，2009，33(2):409－430.

［12］JESUS FERNANDEZ－VILLAVERDE，JUAN F RUBIO－RAMIREZ.Estimating Macroeconomic Models:A Likelihood Approach［R］.Nber Technical Working Papers，2006，No.0321.

［13］ALEJANDRO JUSTINIANO，GIORGIO E PRIMICERI.The Time－Varying Volatility of Macroeconomic Fluctuations［J］.Ameri-can Economic Review，2008，98(3):604 －41.

［14］MARTIN M ANDREASEN.How Non－Gaussian Shocks Affect Risk Premia in Non－Linear DSGE Models［R］.Creates Research Papers，2010，No.2010 －63.

［15］SIMS C，ZHA T.Were There Regime Switches in Macroeconomic Policy? ［J］.American Economic Review，2006，96:54－81.

［16］PRIMICERI GIORGIO E.Time Varying Structural Vector Autoregressions and Monetary Policy［J］.The Review of Economic Studies，2005，72:821 －52.

［17］CANOVA FABIO，LUCA GAMBETTI.Structural Changes in the U.S.Economy:Bad Luck or Bad Policy? ［M］//Mimeo.Universitat Pompeu Fabra and IGIER，2005.

［18］GORDON N J，SALMOND D J，SMITH A F M.Novel Approach to Nonlinear/Non－Gaussian Bayesian State Estimation［J］.IEEE Proceedings－F，Radar and Signal Processing，1993，140(2):107－113.

［19］DEL MORAL P.Nonlinear Filtering:Interacting Particle Resolution［J］.Markov Processes and Related Fields，1996，2(4):555－580.

［20］CREAL D.A Survey of Sequential Monte Carlo Methods for Economics and Finance［J］.Econometric Reviews，2012，31(3):245－296.

［21］HEDIBERT F LOPES，RUEY S TSAY.Particle Filters and Bayesian Inference in Financial Econometrics［J］.Journal of Forecasting，2011，30(1):168－209.

［22］MICHAEL K PITT，NEIL SHEPHARD.Filtering Via Simulation:Auxiliary Particle Filters［R］.Economics Group，Nuffield College，University of Oxford，1997 － W13.

［23］ARNAUD DOUCET，NANDO DE FREITAS，NEIL GORDON，et al.Sequential Monte Carlo Methods in Practice［M］.Springer，2001.

［24］CHIB SIDDHARTHA，NARDARI FEDERICO，SHEPHARD NEIL.Markov Chain Monte Carlo Methods for Stochastic Volatility Models［J］.Journal of Econometrics，2002，108(2):281 －316.

［25］JESUS FERNANDEZ－VILLAVERDE，PABLO GUERRON－QUINTANA，KEITH KUESTER，et al.Fiscal Volatility Shocks and Economic Activity［R］.PIER Working Paper Archive，2012，No.11:022.