【《货币政策对A股市场涨跌幅影响的实证分析案例》4700字】

货币政策对A股市场涨跌幅影响的实证分析案例目录TOC\o"1-3"\h\u28633货币政策对A股市场涨跌幅影响的实证分析案例 1235991.1实证模型及数据的选取 183051.1.1实证模型 1157531.1.2数据选取及处理 2224221.2货币政策对A股市场的直接影响 6267891.2.1ADF检验 6159391.2.2协整检验 7285981.2.3VAR模型 877811.2.4AR根检验 8316041.2.5Granger因果关系检验 9210931.2.6脉冲响应分析 10181541.2.7方差分解 11292491.3货币政策对A股市场的间接影响 12140071.3.1ADF检验 13128801.3.2协整检验 13202951.3.3VAR模型 15187081.3.4AR根检验 15106941.3.5Granger因果关系 1673811.3.6脉冲响应 17178971.3.7方差分解 17160871.4总结 181.1实证模型及数据的选取1.1.1实证模型本文意在研究货币政策对A股市场涨跌幅影响，所以选择了无约束的向量自回归模型（VAR模型），以此来研究利率、存款准备金率以及货币供应量作为变量的货币政策对A股市场的影响。VAR模型是比较常见的一种计量经济学模型，是自回归模型（AR模型）的一种推广。VAR模型是对模型中每个变量对其变量的若干滞后变量进行回归，是由多元时间序列组成的一组由向量构成的自回归模型。VAR模型一般可表示为：Yt=c+A1yt−1其中c是n×1维的常数向量，Ai是n×n的系数矩阵。et是n×1误差向量，p为滞后阶数。1.1.2数据选取及处理本文选取的数据为：全国7天期银行间同业拆借月度加权平均利率作为利率的代理变量中国人民银行公布的存款准备金率月度数据中国人民银行公布的M2月度数据作为货币供应量的代理变量上证综指月k收盘价作为A股市场价格指数的代理变量发电量作为GDP的代理变量（1）利率本文对于利率变量的选取，参考了近期发布的大多数相关研究文献所选取的全国7天期银行间同业拆借月度加权平均利率（R）作为利率的代理变量。同时数据进行了季节性调整，得到数据R_SA。图4-1利率的季节性调整（2）货币供应量M2货币供应量通常情况分为三种：M0：库存以及居民手中现金的总和；M1:是指M0加上企业的活期存款；M2：是M1加上企业的定期存款和城乡居民个人在银行的各项储蓄存款以及证券公司的客户保证金。其中M2可以很好的反映出受通胀压力的状况以及社会需求的变化，所以一般货币供应量通常指M2。此处对M2进行了季节调整和自然对数处理，使得数据更加平滑且更好处理，得到数据lnm2_sa。图4-2M2的季节性调整及自然对数处理（3）存款准备金本文参考了一些学者的做法，选择了大型金融机构的存款准备金率（RRR）作为存款准备金的代理变量。（4）上证综指A股市场指数当中具有代表性的是上证综指、深证成指及沪深300指数，但是最具代表性的属上证综指莫属，虽然沪深300的公司股票更具代表性，但是上证综指时间跨度长，股票样本含量更多，固本文选取了上证综指作为A股市场指数的代理变量。由于其他数据进行了季节性调整并且取了自然对数，同时为了消除上证综指受到的季节性影响，此处对上证综指也进行季节性调整和自然对数处理。图4-3上证综指季节调整与对数处理（5）发电量用发电量作为GDP的代理变量是因为GDP只有季度数据，没有月度数据，而发电量有月度数据，所以选择了发电量作为GDP的代理变量，但是这需要做相关性检验，具体检验步骤如下：对两组季度数据进行自然对数处理，其走势如下：图4-4GDP与发电量自然对数走势图其相关系数为：表4-1GDP与发电量相关系数FDLGDPFDL1.0000000.957136GDP0.9571361.000000可以看到发电量与GDP有很高的相关性，所以可以将发电量作为GDP的代理变量。最后对发电量进行季节调整，消除季节干扰。图4-5发电量季节调整及对数处理表4-2本文所用变量变量类型变量名称变量含义变量内容被解释变量SZA股的价格上证指数月K收盘价解释变量R利率全国7天期银行同业拆借月度加权平均利率解释变量M2广义货币供应量央行公布的M2月度数据解释变量FDL发电量国家统计局公布的发电量月度数据解释变量RRR存款准备金率大型金融机构存款准备金率月度数据1.2货币政策对A股市场的直接影响首先检验以货币供应量、利率及存款准备金率为代表的货币政策对A股市场的涨跌幅影响,建立以M2、R、RRR的VAR模型。1.2.1ADF检验ADF检验是为了避免“伪回归”的情况发生，对时间序列进行平稳性检验，如果序列平稳或者同阶单整，那么就可以检验协整关系，如果存在协整关系，就可以建立VAR模型了。所以要先使用ADF检验来检查M2、R、RRR的平稳性。表4-3ADF检验结果SeriesProb.LagMaxLagObsLNM2_SA0.0002012131LNSZ_SA0.4133012131R_SA0.0020012131RRR0.8595312128从ADF检验中可以看出，SZ和RRR的P值远大于0.05，为非平稳序列，而M2和R的P值小于0.05，是平稳序列。为了能接下来验证协整关系，需要验证序列一些差分的平稳性。表4-4ADF一阶差分检验结果SeriesProb.LagMaxLagObsD(LNM2_SA)

0.0000

0

12

130D(LNSZ_SA)

0.0000

0

12

130D(R_SA)

0.0000

1

12

129D(RRR)

0.0091

2

12

128从表5中可以看出M2、SZ、R、RRR在一阶差分的情况下P值都远小于0.05，则SZ、RRR为一阶单整序列，可以继续进行协整检验。1.2.2协整检验为了得到最优滞后阶数，本文先对数据建立起VAR模型，在其中进行LagLengthCriteria处理，得到了如下表格。表4-5滞后阶数表

LagLogLLRFPEAICSCHQ0-303.2197NA

0.001668

1.955156

5.046133

1.9921131

586.2889

1707.283

1.27e-09-9.133693

-8.678809*

-8.948908*2

599.9720

25.37978

1.32e-09-9.096322-8.277530-8.7637103

618.8321

33.76576

1.26e-09-9.142453-7.959755-8.6620134

642.0133

40.00617*

1.13e-09*-9.258278*-7.711672-8.6300115

651.4383

15.65771

1.26e-09-9.152230-7.241717-8.3761356

663.5855

19.39633

1.36e-09-9.090089-6.815668-8.1661657

677.2461

20.93154

1.43e-09-9.052356-6.414028-7.9806058

691.5036

20.92642

1.49e-09-9.024252-6.022017-7.804674根据AIC准则，得到的最优滞后阶数是4阶。则继续进行Johansen协整检验。表4-6迹检验及最大特征值检验结果HypothesizedTrace0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.239466

67.01589

47.85613

0.0003Atmost1*

0.164460

32.25164

29.79707

0.0256Atmost2

0.038209

9.432629

15.49471

0.3269Atmost3*

0.034698

1.484940

3.841466

0.0342HypothesizedMax-Eigen0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*0.23946631.7642527.584340.0050Atmost1*0.16446022.8190121.131620.0287Atmost20.0382091.94768911.264600.7484Atmost3*0.0346981.4849403.8414660.0342从表7中可以看到4个变量中存在2对协整关系，因此可以建立VAR模型。1.2.3VAR模型以被解释变量SZ方程表示为：LNSZ_SA=C(2,1)*LNM2_SA(-1)+C(2,2)*LNM2_SA(-2)+C(2,3)*LNM2_SA(-3)+C(2,4)*LNM2_SA(-4)+C(2,5)*LNSZ_SA(-1)+C(2,6)*LNSZ_SA(-2)+C(2,7)*LNSZ_SA(-3)+C(2,8)*LNSZ_SA(-4)+C(2,9)*R_SA(-1)+C(2,10)*R_SA(-2)+C(2,11)*R_SA(-3)+C(2,12)*R_SA(-4)+C(2,13)*RRR(-1)+C(2,14)*RRR(-2)+C(2,15)*RRR(-3)+C(2,16)*RRR(-4)+C(2,17)1.2.4AR根检验为了进行脉冲分析以及方差分解，此处需要验证模型的平稳性，本文将采用AR根检验，的方法，如果模型估计的所有根都在单位圆内，就可以说明VAR模型是稳定的。图4-6AR根检验结果从AR根检验当中可以看出所有的根都落入了单位圆当中，可以说明此VAR模型是稳定的，可以进行后续的脉冲分析和方差分解。1.2.5Granger因果关系检验由于模型平稳，可以直接对变量进行Granger因果检验，验证货币政策代理变量是否为SZ的Granger原因。表4-7Granger因果检验结果Dependentvariable:LNSZ_SAExcludedChi-sqdfProb.LNM2_SA

5.6494314

0.2269R_SA

2.1474924

0.7087RRR

2.5815064

0.6301All

13.2592112

0.3505Dependentvariable:RRRExcludedChi-sqdfProb.LNM2_SA

17.183204

0.0018LNSZ_SA

16.252974

0.0027R_SA

1.9987214

0.2874All

45.6089012

0.0000从结果中可以看出，在至少77.31%的置信水平上，可以认为货币供应量LNM2_SA是A股的Granger原因，而利率和存款准备金率不是A股的Granger原因。同时在99.82%和99.73%的置信水平上，可以认为A股和货币供应量是存款准备金率的Granger原因，在71.26%的置信水平上，则可以认为利率是存款准备金率的Granger原因。1.2.6脉冲响应分析为了动态的考察货币政策对A股市场的影响，研究当某一结束变量发生变动的时候其他变量作出的反应，就需要用到脉冲响应分析。图4-7脉冲响应结果由脉冲响应的结果可以看到，当货币供应量M2发生变动冲击A股时的时候，A股在1至6期呈现负向趋势，但是从第10期开始会上升并最终变为正值，之后影响会逐渐减弱导致A股逐渐小幅回落。而当利率变动时，第3期开始会是正值，之后会迅速变为负值，并且随着时间增长影响逐渐变小收敛。当存款准备金率变动时会在第2至4期对A股产生一个负向的影响，但第四期之后会逐渐变为正值，然后在第11期重新变为负值之后收敛。1.2.7方差分解方差分解可以用来分析A股的变动误差是由那些货币政策变量导致的，并且可以得到这些货币政策变量作用的效果占比。图4-8方差分解结果通过方差分解可以看到在12期后，利率对A股的解释约为15%，而货币供应量M2和存款准备金率对A股几乎没有解释力，这与理论情况不太符合。1.3货币政策对A股市场的间接影响由上文的分析并且结合实际过程中，可以发现货币政策对A股的影响也会通过实体经济传导从而影响到A股，所以在此就有必要同时研究实体经济是否会对A股市场的涨跌幅产生影响，所以在这里就引入了GDP的代理变量发电量与上证数据建立VAR模型来进行研究。

1.3.1ADF检验表4-8ADF及一阶差分检验结果SeriesProb.LagMaxLagObsLNFDL_SA

0.8021

2

12

129LNM2_SA

0.0002

0

12

131LNSZ_SA

0.4133

0

12

131R_SA

0.0020

0

12

131RRR

0.8595

3

12

128SeriesProb.LagMaxLagObsD(LNFDL_SA)

0.0000

1

12

129D(LNM2_SA)

0.0000

0

12

130D(LNSZ_SA)

0.0000

0

12

130D(R_SA)

0.0000

1

12

129D(RRR)

0.0091

2

12

128由ADF检验结果可知，M2和利率为平稳序列，发电量、上证、存款准备金率都为1阶单整序列。1.3.2协整检验表4-9滞后阶数表

LagLogLLRFPEAICSC0-59.39554NA

1.94e-06

1.038638

1.1523591

845.6427

1722.492

1.33e-12-13.15553

-12.47320*2

869.3033

43.12338

1.36e-12-13.13392-11.882993

891.0440

43.09670

1.38e-12-13.12974-11.310214

921.1462

50.00856*

1.28e-12*

-13.21204*-10.823895

941.6179

27.61654

1.47e-12-13.09061-10.133866

955.4863

20.80252

1.79e-12-12.91107-9.3857177

976.0448

29.17993

1.99e-12-12.83943-8.7454768

1003.908

37.30089

1.98e-12-12.88562-8.223053利用LagLengthCriteria处理，并且根据AIC准则，最优滞后阶数为4阶。

HypothesizedTrace0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.309163

98.42546

69.81889

0.0001Atmost1*

0.169086

51.45440

47.85613

0.0221Atmost2

0.156780

27.93027

29.79707

0.0808Atmost3

0.039255

6.273259

15.49471

0.6632Atmost4

0.009306

1.187393

3.841466

0.2759表4-10迹检验及最大特征值检验结果HypothesizedMax-Eigen0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.309163

46.97106

33.87687

0.0008Atmost1

0.169086

23.52413

27.58434

0.1522Atmost2*

0.156780

21.65701

21.13162

0.0422Atmost3

0.039255

5.085866

11.26460

0.7309Atmost4

0.009306

1.187393

3.841466

0.2759根据Johansen检验可以发现最少存在一堆协整关系，因此可以建立var模型。1.3.3VAR模型被解释变量SZ方程表示为：LNSZ_SA=C(2,1)*LNM2_SA(-1)+C(2,2)*LNM2_SA(-2)+C(2,3)*LNM2_SA(-3)+C(2,4)*LNM2_SA(-4)+C(2,5)*LNSZ_SA(-1)+C(2,6)*LNSZ_SA(-2)+C(2,7)*LNSZ_SA(-3)+C(2,8)*LNSZ_SA(-4)+C(2,9)*R_SA(-1)+C(2,10)*R_SA(-2)+C(2,11)*R_SA(-3)+C(2,12)*R_SA(-4)+C(2,13)*RRR(-1)+C(2,14)*RRR(-2)+C(2,15)*RRR(-3)+C(2,16)*RRR(-4)+C(2,17)*LNFDL_SA(-1)+C(2,18)*LNFDL_SA(-2)+C(2,19)*LNFDL_SA(-3)+C(2,20)*LNFDL_SA(-4)+C(2,21)1.3.4AR根检验图4-10AR根检验结果AR根检验结果显示模型所有的根都落在单位元之内，VAR模型是稳定的，则可以进行脉冲分析和方差分解。1.3.5Granger因果关系表4-11Granger因果关系检验结果ExcludedChi-sqdfProb.LNM2_SA

5.0851184

0.2787R_SA

0.9994094

0.9099RRR

3.1691314

0.5299LNFDL_SA

2.0079554

0.7343All

15.0292116

0.5225ExcludedChi-sqdfProb.LNM2_SA

11.535304

0.0058LNSZ_SA

6.9923194

0.1363R_SA

5.8694834

0.2091RRR

10.622844

0.0311All

27.7011016

0.0343有Granger因果关系检验可以看出GDP的代理变量发电量不是A股的Granger原因。而在99.42%以及96.89%的置信度上，可以认为货币供应量和存款准备金率是GDP的Granger原因，在86.37%和79.09%的置信度上可以认为上证和利率是GDP的Granger原因，由此可见以存款准备金率和货币供应量为代表的货币政策可以很好地解释GDP为代表的实体经济的变动，说明货币政策可以很好地传导至实体经济当中。1.3.6脉冲响应图4-11脉冲响应结果-1通过脉冲响应分析可以看到当LNFDL_SA变动时，上证会在第5期之后迅速变为负值，之后逐渐收敛。图4-12脉冲响应结果2从图4-14这组脉冲分析结果中可以看到，在第五期之前GDP的代理变量LNFDL_SA主要受到货币供应量LNM2_SA、利率R_SA以及存款准备金率RRR的影响，随着期数的增加解释力逐渐变弱。1.3.7方差分解