对中国影子银行规模的预测并检验其与A股市场的关系

李锦成

摘 要：首先通过GDP、M2和信贷规模数据测算1996—2015年中国影子银行月度规模数据。利用ARIMA（4，1，5）预测截至2016—2018年初的影子银行月度规模数据，结果发现预测值有显著的下降趋势。通过协整检验和误差修正模型检验中国影子银行与A股市场的长期稳定与动态关系，结果发现影子银行对A股市场存在-7%的动态影响性。

关键词：影子银行；ARIMA模型；协整方程；误差修正模型

中图分类号：F832 文献标志码：A 文章编号：1673-291X（2016）12-0050-05

一、理论基础

测算影子银行规模，只要测算出需要观察的每个时期的实际货币需求量（实体经济规模）与从商业银行得到的信贷（信贷规模）之差，就算出这个时期非银行流通出的影子银行规模。那么，测算货币实际需求量需要测算出货币实际需求系数，通过需要观察的区间内当期实际GDP乘以货币实际需求系数来得出实际货币需求量。货币实际需求系数可以用需要观察的当期的M2总值除以同期GDP总值。人民银行公布的M2和信贷规模为月度数据，而国家统计局公布的GDP数据为季度数据，那么，就需要对季度数据转换成月度数据才可以横向测算，最终可以算出月度影子银行规模数据，从而进行实证检验。

利用ARMA模型可以预测时间序列，但本文要检测的影子银行规模序列、上证指数序列等都属于经济和金融序列，通常不稳定，ARIMA模型属于ARMA模型的扩展，针对于不稳定的时间序列，例如经济和金融时间序列。具体表达形式为ARIMA（p，d，q），p为自回归过程阶数，d表示差分阶数，q表示移动平均过程的阶数。若时间序列为非平稳的，则需要通过d阶差分平稳过程然后建模ARIMA。通过单位根可以检验时间序列的平稳性，本文通过ADF检验方法来检验影子银行规模时间序列和上证指数时间序列的平稳性。

经过d阶差分后的ARMA（p，q）模型就是ARIMA（p，d，q）， 然后，通过检验模型的参数显著性与平稳性来确定模型是否合理。进一步检验模型，假设影子银行、上证指数、成交量在某个经济系统内联系在了一起，那么从长远看，这些变量存在着稳定的长期均衡关系，受到季节或其他随机干扰，这些经济变量会偏离均值，但随时间推移最终会回归均值，这就是协整关系，它可以表达两个或多个序列的长期稳定关系，即如果两个或多个非平稳时间序列的线性组合是平稳的，那么这些非平稳的时间序列被认为存在协整关系。如果变量间存在长期稳定的关系，即协整性，则可以通过建立误差修正模型来检验变量间的相关性。

二、实证检验

首先，季度GDP数据存在显著的季节趋势，利用X12法对其进行季节调整，再对1996—2015年季度GDP数据进行高频化转换为月度GDP数据，然后，测算出1996—2015年月度GDP总值，通过对应时期内M2总值除以GDP总值算出货币需求系数，再利用货币需求系数乘以实际月度GDP算出实际货币需求量，再减去对应月度信贷规模得出影子银行规模。影子银行规模、上证指数价格、成交量作为经济和金融数据属于非平稳序列，通过取对数来进一步观察（如下页图1所示）。

其次，对滞后期进行检验来确定滞后阶数，原则上，通过VAR模型的ACF和PACF来识别阶数是比较困难的。所以，在实际应用中一般采用逐步升级的方法，找出最恰当的模型阶数。从下页表1中可以确定最大滞后阶数为六阶。

再利用常用的单位根检验方法ADF方法检验单位根。从下页表2各变量单位根检验中，三个变量的ADF值并为大于5%和1%的临界值，为I（1）单整，即在一阶差分后序列平稳。

从本文图2可以明显看出，影子银行、上证指数价格和成交量一阶差分序列可见，一阶差分不再具有趋势特征，时间序列DY1=dln（shadowbank），DY2=dln（price），YD3=dln（volume），经过ADF检验，序列平稳化，这样确立了差分次数后，就可以继续对影子银行序列进行ARMA模型分析。

通过对dln（Y）序列的自相关函数图和偏自相关函数本文图3中可以看到，他们都是明显拖尾，因此可以设定ARMA过程。

根据自相关函数和偏自相关函数图可以看出自相关函数在4，5阶时落在了2倍标准差边缘，则q阶可到5阶，而偏自相关函数的3，4阶也正好落在2倍标准差边缘，则p阶可到4阶，这导致无法有效采用传统的Box-Jenkins方法确定模型的阶数。所以，通过反复对模型进行估计比较不同模型的变量对应参数的显著性来确定模型阶数。既有：ARMA（4，5）。

从下页表3中可以看出，通过各种模拟拟合的参数检验结果看，ARMA（4，5）模型拟合效果解释变量的系数估计值并没有完全在15%的显著水平下显著。

由于移动平均自回归目的是为了预测，通常分为动态和静态两种预测，由于静态预测更加直观，所以继续对影子银行进行未来两年的预测直至2018年初（如本文图5所示）。

本文图5中蓝线代表了影子银行规模预测值，预测了二年的区间，从2016年初至2018年初，两条虚线则提供了2倍标准差的置信区间。从本文图5中可以看出，Theil不相等系数0.03，表明模型的预测能力较好，分解表明偏误比例较小，方差比例很小，说明实际序列的波动较大，而模拟序列的波动很大，总体来看模型预测效果良好。

从预测本文图6中也可以看出，十八届三中全会以后，也就是从2013年底开始，影子银行规模开始有下降的趋势，尤其是在2014年底有显著的变化。模型预测了2016年1月至2018年1月，可以看出，在2016年底，影子银行规模会产生V型底，影子银行的快速下降可能是以下几种原因导致：（1）2015年后经济下行背景下，中央供给侧改革有一个快速的成效在2017年初产生，那么，商业银行信贷将重新进行市场化配置，曾经得不到信贷资金需要借助影子银行的中小企业得到了银行的支持，导致影子银行规模快速下降。（2）美联储在2017年初加息再次导致中国外汇储备快速流出，不但使银行间流动性快速下降，甚至导致了影子银行规模也快速下降。总的来看，影子银行规模呈现逐渐下台阶的趋势，也说明未来货币政策部门对中国多年来货币超发的情况会有所改善。

影子银行这种波动性是否会对中国A股市场产生影响，二者间是否存在相关性，本文将接着对中国影子银行序列和上证指数及成交量进行协整检验，来验证二者之间是否存在长期性关系。

模型表达式为：

对残差序列 t进行单位根检验，结果显示 t序列在1%的显著性水平下拒绝原假设，因此可以确定 t为平稳序列，这表明，1996—2015年的月度影子银行规模数据与上证指数存在协整关系。

表5 残差项ADF检验

检验了中国影子银行规模与A股市场的协整关系，为了进一步考察二者的动态关系，现通过误差修正模型来进行分析。首先另残差项为ECM（如表6所示）。

模型表达式为：

从以上公式可以看出，T检验值均显著，误差修正的系数为0.1827，这说明长期均衡对短期波动的影响适中。其经济意义是：当短期波动偏离长期均衡时，将以18%的的调整力度将非均衡状态拉回至均衡状态。长期均衡动态关系中影子银行的系数为-7%，说明在长期动态关系中，中国影子银行规模的变化与上证指数的变化呈现负相关性，即影子银行的增长会抑制A股市市场上涨，起到了分流金融市场资金流的作用。

三、小结

本文利用ARIMA（4，1，5）预测了截至2018年初的中国影子银行规模数据，其走势并没有呈现出逐渐攀升的趋势，模型预测结果2016年后影子银行开始下降，或许是对供给侧改革产生效果的一种正反馈。而预测图形中也显现出一个短期的快速脉冲现象，2016年全球经济处在一个美国加息的周期中，或许是美国自2015年底的首次加息后的二次加息对中国货币市场产生了一个短期的溢出效应，境内影子银行快速下降后V型反弹，总之，美国的加息势必会导致中国境内影子银行的流出，这或许可以解释预测的这种短期现象。

通过协整方程检验了中国影子银行规模和A股市场的长期关系，结果显示的确二者存在着长期的稳定关系，因为影子银行代表了货币在非银行体系的流动性，而股票市场对流动性有着最高的需求，流动性越高，股票市场的风险溢价也会越高，在股市的估值模型中，除了未来现金流业绩增速外，流动性是最重要的。通过误差修正模型检验了中国影子银行规模和A股市场的动态关系发现，影子银行对A股市场有-7%的影响性，即影子银行增长，股票市场下降，影子银行分流了一定货币量，对股票市场的流动性会有一定的影响性。