中央银行流动性调控的目标函数优化研究

中央银行流动性调控的目标函数优化研究引言：从”大水漫灌”到”精准滴灌”的调控逻辑转变站在金融体系的枢纽位置，中央银行的流动性调控就像给经济机体输送血液的”总阀门”——既不能让”血液”不足导致器官缺血，也不能让”血液”过剩引发”高血压”。过去很长一段时间，我们常听到”流动性闸门”这样的比喻，但随着金融市场复杂化、经济周期波动加剧，简单的”开闸”或”关闸”已难以满足调控需求。近年来，无论是应对突发公共事件冲击，还是平衡稳增长与防风险的双重任务，都在倒逼中央银行重新思考：如何构建更科学的目标函数，让流动性调控从”经验驱动”转向”模型驱动”，从”被动应对”走向”主动优化”？这不仅是技术层面的改进，更是宏观调控理念的升级。当我们把目光投向中央银行的政策操作日志，会发现每一次公开市场操作的利率调整、每一笔中期借贷便利的投放规模，背后都隐含着对多重目标的权衡。本文试图拆解这一复杂的决策过程，从理论逻辑到实践挑战，探讨如何通过优化目标函数，让流动性调控更精准、更可预期。一、流动性调控目标函数的理论根基：从单一到多元的演进轨迹1.1流动性调控的本质：货币市场的”水位管理”要理解目标函数，首先需要明确流动性调控的核心对象。简单来说，中央银行调控的”流动性”主要指银行体系的超额准备金规模，这是金融机构开展信贷投放、债券交易等业务的”基础弹药”。当超额准备金过多，银行间市场利率会下行，推动资金向实体经济渗透；反之则利率上行，抑制过度扩张。但这种”水位管理”绝非简单的数量控制——现代金融市场中，流动性的”量”与”价”高度关联，短期资金利率（如DR007）的波动，往往比超额准备金的绝对规模更能反映市场松紧。打个比方，就像给农田灌溉：过去只看水库的存水量（数量目标），现在更关注水渠里的水流速度（价格目标），因为水流太慢可能意味着渠道堵塞，太快则可能冲毁田埂。中央银行需要同时关注”量”的充足性和”价”的稳定性，这构成了目标函数的基础维度。1.2传统目标函数的框架：从泰勒规则到扩展模型早期的货币政策目标函数相对单一。20世纪90年代前，多数央行以控制通胀为首要目标，目标函数可以简化为”最小化（实际通胀-目标通胀）²”。随着1993年泰勒规则的提出，目标函数开始纳入产出缺口，形成”通胀偏差+产出缺口偏差”的二次损失函数。这种框架的进步在于承认了政策的”权衡属性”——为了稳定产出，可能需要容忍短期通胀偏离目标；反之亦然。但2008年全球金融危机暴露了传统框架的重大缺陷：当金融体系出现系统性风险时，仅关注通胀和产出的目标函数会”失效”。危机中，美国联邦基金利率已降至零下限，但银行间市场流动性依然冻结，这迫使美联储引入”金融稳定”目标，通过量化宽松（QE）直接向市场注入长期流动性。此后，越来越多的央行将金融稳定（如金融机构杠杆率、市场波动率）纳入目标函数，形成”价格稳定+经济增长+金融稳定”的三元框架。1.3目标函数的动态特征：时变权重与状态依赖现实中的经济环境从不是静态的。在经济上行期，金融稳定的权重可能低于经济增长；在通胀高企时，价格稳定的优先级会显著提升；而当外部冲击（如地缘政治冲突、能源价格暴涨）出现时，目标函数的结构可能需要临时调整。这种”时变性”要求目标函数不能是固定的权重组合，而应具备”状态依赖”特征。以某国央行的实践为例：在疫情初期，经济面临断崖式下滑风险，目标函数中”经济增长”的权重被大幅提高，通过降准、再贷款等工具释放长期流动性；随着经济企稳但通胀压力显现，目标函数逐步向”价格稳定”倾斜，通过公开市场操作回收短期冗余流动性；当观察到部分金融机构加杠杆炒债时，又将”金融稳定”指标（如质押式回购余额增速）纳入目标函数，通过调整逆回购期限结构抑制过度投机。这种动态调整，本质上是目标函数对经济状态的”自适应学习”。二、目标函数的构建逻辑：多重目标的量化与权衡2.1目标变量的选取：从可观测到可调控的筛选标准构建目标函数的第一步是确定”要调控什么”。理论上，所有影响宏观经济稳定的变量都可能被纳入，但实际操作中需满足三个条件：一是可观测性（能及时获取高频数据），二是可控性（政策工具能直接或间接影响），三是相关性（与最终政策目标高度关联）。价格稳定：最常用的指标是消费者价格指数（CPI）和生产者价格指数（PPI），部分央行还会关注核心CPI（剔除能源和食品）以排除短期波动。这些指标的优势是数据公开透明、更新频率高（通常每月发布），且与居民生活、企业成本直接相关。经济增长：传统上用GDP增速或产出缺口（实际GDP与潜在GDP的差值）衡量。但GDP是季度数据，存在滞后性，因此央行会同时观测工业增加值、社会融资规模、PMI（采购经理指数）等高频指标作为补充。例如，PMI的荣枯线（50）能提前反映经济扩张或收缩的趋势，对目标函数的实时调整有重要参考价值。金融稳定：这是最复杂的维度，因为金融风险可能隐藏在表外业务、影子银行等”暗箱”中。常用指标包括金融机构的资本充足率、流动性覆盖率（LCR）、市场波动率（如VIX指数）、债券市场信用利差（高收益债与国债的利差）等。近年来，部分央行开始尝试构建”金融压力指数”，通过综合多个指标量化金融体系的整体风险水平。2.2权重的确定：从主观判断到计量模型的跨越确定各目标的权重是目标函数优化的核心难点。早期实践中，权重更多依赖政策制定者的经验判断——比如”通胀目标占60%，增长目标占40%“。但这种主观权重可能因决策者偏好不同而波动，影响政策的一致性。近年来，计量经济学方法被广泛应用于权重估计。最常用的是最小二乘法（OLS）和贝叶斯估计，通过历史数据拟合政策工具（如政策利率、准备金率）与目标变量之间的反应函数，反推出隐含的权重。例如，通过观察某段时间内央行在通胀上升1%时提高利率25BP，而在产出缺口扩大1%时降低利率20BP，可以计算出通胀目标的权重约为1.25倍于增长目标。更前沿的研究则引入了动态随机一般均衡模型（DSGE），将家庭、企业、金融机构等经济主体的行为纳入模型，模拟不同权重下的政策效果，选择能使社会福利损失最小的权重组合。这种方法的优势在于能捕捉变量间的动态反馈（如加息抑制通胀但可能导致企业融资成本上升，进而影响产出），但对数据质量和模型设定的要求极高，目前更多用于学术研究而非实际政策操作。2.3约束条件的纳入：从”无摩擦”到”现实摩擦”的修正传统目标函数常假设市场是”无摩擦”的，即政策操作能立即、完全地传导至目标变量。但现实中，政策传导存在时滞（通常6-18个月）、金融市场存在信息不对称（如银行可能隐藏真实风险偏好）、外部冲击具有不确定性（如疫情、自然灾害），这些都需要作为约束条件纳入目标函数。例如，当央行考虑通过逆回购投放流动性时，需要预判：这些资金会被银行用于放贷（支持实体经济）还是用于购买债券（推高金融资产价格）？如果金融市场存在”流动性陷阱”（利率已极低但资金仍滞留银行体系），那么单纯增加流动性供给可能无法达到刺激经济的目标，此时目标函数可能需要调整为”在稳定市场利率的同时，引导资金流向特定领域（如中小微企业）“。再比如，在汇率波动较大的时期，资本外流压力可能限制流动性调控的空间——大幅宽松可能加剧本币贬值，而过度收紧又可能抑制经济。此时，目标函数需要将汇率稳定（或外汇储备规模）作为隐性约束，在优化过程中设置”权重上限”，避免政策操作突破外部平衡的底线。三、目标函数的优化路径：从理论模型到政策实践的落地3.1工具选择与目标函数的匹配：“长钱”与”短钱”的组合艺术中央银行的政策工具本质上是实现目标函数的”操作按钮”。不同工具对目标变量的影响路径不同，需要与目标函数的结构相匹配。短期工具（如7天逆回购、SLF）：主要影响银行间市场的短期利率（如DR007），适合维护流动性的”日常平稳”。当目标函数中”价格稳定”（短期利率波动）的权重较高时，央行会通过高频操作（如每日公开市场操作）平滑利率波动。中期工具（如MLF、TMLF）：期限通常为3个月至1年，能影响银行的中长期资金成本，进而影响贷款市场报价利率（LPR）。当目标函数需要引导实体经济融资成本下行（“经济增长”权重较高）时，央行会通过调整MLF利率或增量续作MLF来传递政策信号。长期工具（如降准、再贷款）：释放的是长期流动性，适合应对结构性问题（如支持绿色产业、小微企业）。当目标函数中”金融稳定”（防止结构性流动性短缺）或”结构优化”（引导资金流向）的权重上升时，这类工具会被优先使用。2022年某国央行的操作就是典型案例：面对疫情反复导致的中小微企业融资难，目标函数中”结构优化”权重提高，因此在保持DR007围绕政策利率波动（价格稳定）的同时，通过增加支小再贷款额度、降低再贷款利率（长期工具），定向向中小银行输送低成本资金，引导其加大对小微客户的信贷投放。3.2动态优化：应对不确定性的”前瞻指引”与”相机抉择”经济系统的最大特征是不确定性，这要求目标函数的优化不能是”一次性”的，而应是”动态的”。中央银行需要在”规则”与”discretion”（相机抉择）之间找到平衡：既要避免政策过度随意导致市场预期混乱，又要避免机械遵循规则而忽视新出现的风险。“前瞻指引”是近年来广泛使用的优化手段。通过提前向市场沟通政策目标函数的结构（如”在通胀持续高于2%且就业达到充分水平前不加息”），央行可以引导市场主体形成合理预期，降低政策操作的”意外冲击”。例如，美联储在2020年推出的”平均通胀目标制”，本质上是将目标函数从”盯住当前通胀”调整为”盯住一段时间内的平均通胀”，允许通胀在经济复苏阶段适度高于目标，以补偿之前的低于目标时期，这种调整通过前瞻指引传递后，有效稳定了市场对长期利率的预期。“相机抉择”则体现在对突发冲击的应对中。当超预期事件（如地缘冲突导致能源价格暴涨）发生时，央行需要快速评估其对各目标变量的影响：是否会引发持续通胀？是否会导致经济衰退？是否会触发金融机构流动性风险？然后动态调整目标函数的权重。例如，2020年疫情初期，多数央行将目标函数中的”金融稳定”权重提升至历史高位，通过临时流动性便利（TLF）、扩大抵押品范围等非常规工具，防止金融市场出现”踩踏式”抛售。3.3跨周期设计：短期平衡与长期可持续的统一传统目标函数更关注短期稳定（1-2年），但随着经济金融周期的复杂化（如债务周期、房地产周期的长度可能超过10年），央行需要将视野扩展至中长期，避免”按下葫芦浮起瓢”。跨周期设计的核心是在目标函数中纳入”长期可持续性”指标，如宏观杠杆率（债务/GDP）、金融体系韧性（资本缓冲水平）、绿色转型进度（绿色贷款占比）等。以宏观杠杆率为例：短期来看，宽松的流动性环境可以刺激经济增长（提升产出），但可能导致企业和居民过度加杠杆（推高宏观杠杆率），埋下长期金融风险。因此，目标函数需要在”短期增长”和”长期杠杆”之间建立权衡机制——比如设定”杠杆率增速不超过GDP增速”的约束条件，当杠杆率增速过快时，即使短期增长面临压力，也需要适当收紧流动性。这种跨周期思维在我国近年来的政策实践中尤为明显。2020年疫情期间，尽管经济增速大幅下滑，央行依然保持了相对克制的宽松力度，未采取”大水漫灌”，而是通过结构性工具精准滴灌；2021年后，当经济逐步复苏时，又及时调整目标函数，将”稳杠杆”纳入重点，通过MPA（宏观审慎评估）考核约束金融机构的过度扩张行为。这种”短期稳增长、长期防风险”的平衡，正是目标函数跨周期优化的体现。四、实践挑战与优化方向：从”理想模型”到”现实可行”的跨越4.1信息不完全与认知偏差：目标函数的”输入困境”目标函数的优化高度依赖对经济状态的准确判断，但现实中存在严重的信息不完全问题。例如，潜在GDP增长率（计算产出缺口的关键参数）无法直接观测，只能通过模型估算，不同方法可能得出差异较大的结果；金融稳定指标（如影子银行规模）存在统计盲区，部分业务可能未被纳入监管报表；外部冲击（如技术变革对生产率的影响）具有不可预测性，难以提前量化。这种信息不完全可能导致目标函数的”输入误差”。2008年金融危机前，多数央行基于历史数据构建的目标函数低估了金融创新（如次贷衍生品）对金融稳定的威胁，导致政策工具未能及时应对影子银行的过度扩张。教训表明，目标函数需要建立”信息修正机制”——比如定期更新潜在GDP的估算方法，引入高频大数据（如支付清算数据、企业用电数据）补充传统统计指标，利用机器学习技术挖掘非结构化信息（如新闻文本、市场情绪指数）。4.2多目标冲突与政策边界：“不可能三角”的现实映射中央银行的目标函数本质上面临”多目标冲突”的困境，这类似于开放经济中的”三元悖论”（独立货币政策、固定汇率、资本自由流动不可兼得）。例如：当通胀上升时，收紧流动性（提高利率）有助于抑制通胀，但可能增加企业融资成本，拖累经济增长；为支持经济增长而宽松流动性时，可能推高资产价格（如房价、股价），积累金融风险；维持汇率稳定可能需要干预外汇市场，影响国内流动性总量，与国内调控目标冲突。这种冲突要求目标函数的优化必须明确”政策边界”——即哪些目标是”必须守住的底线”（如不发生系统性金融风险），哪些目标是”可以灵活调整的区间”（如通胀在2%-3%之间波动可接受）。例如，我国央行提出的”保持流动性合理充裕”中的”合理”，本质上就是在多重目标间划定的动态边界，避免为了单一目标过度牺牲其他目标。4.3优化方向：技术升级与机制创新的双轮驱动面对上述挑战，目标函数的优化需要从技术和机制两方面突破：技术层面：引入更先进的计量模型和大数据工具。例如，使用机器学习中的随机森林、神经网络模型，捕捉传统线性模型无法识别的非线性关系（如流动性投放与金融市场波动率的非对称效应）；利用实时数据（如日度银行间市场交易数据、周度票据贴现利率）提升目标变量的观测频率，减少信息滞后；开发”政策模拟沙盒”，在虚拟环境中测试不同目标函数设置的效果，降低现实政策试错成本。机制层面：加