全球金融稳定的监测框架

四、金融稳定风险的总量指标：GaR方法

　　本节论述了如何用GaR衡量金融稳定风险以进行多边监测。GaR是一种自上而下的汇总指标，衡量由金融条件引发的金融稳定风险。（*1.关于GaR在双边监测中的运用和部分国家案例，详见Prasad et al.（2019）的研究。）它意在刻画GDP增长的下行风险，当金融条件对经济增长概率分布的不同部分产生不同影响时，这一指标非常有用。具体而言，GaR被定义为在GDP预测增长率条件分布中的某一低分位数上的增长率。在这里，我们选取较低的分位数，即5%。因此，一个GaR值表示预测的经济增长率将会有5%的概率低于该值。2017年4月的GFSR首次介绍了GaR。此后，GaR引起了广泛的讨论和研究，从而不断改进测算方法和拓宽适用范围。后续的讨论又提出了GaR的期限结构，也即在三年的预测期内，GaR如何基于初始的金融条件发生变化。期限结构说明短期内可以降低经济增长下行风险的宽松金融条件是否能持续到中期。

　　GaR对政策制定意义重大，因为它直接以产出增长率量化风险，它最终也是社会福利水平的度量指标。金融稳定风险的各种汇总指标也可以包括以银行资本损失衡量的资产抛售带来的外部性成本、多家银行倒闭的概率（Greenwood、Landier and Thesmar，2015）以及条件在险价值（conditional value at risk，下文简称“条件VaR”，Adrian and Brunnermeier，2016）等。但这些指标不容易转换成经济活动方面的风险。有关宏观审慎政策和货币政策如何影响GaR的模型正在开发之中。因此，当前的GaR框架无法给出直接的政策建议。

　　1.测算GaR

　　在介绍GaR测算方法前，首先引入一个基于两组面板的实证研究，这两组面板分别由11个发达经济体和11个新兴市场经济体组成。GDP增长率分布是一个预测值，它是关于金融条件指数、GDP增长率、通胀率、反映金融脆弱性的指标（由信贷增长和反映信贷繁荣的虚拟变量构成）、国家虚拟变量和一个常数项的函数。这里的分析采用分位数回归法，这一回归法可以对GDP分布的函数形式构建更一般的模型。

　　为每个国家构建的金融条件指数反映了融资和信贷成本，这一成本就是潜在的风险定价。金融条件指数是在控制了宏观经济条件后估计得出的，因此它们不仅仅是无条件融资成本的指标。（*1.金融条件指数的估算基于Koop and Korobilis（2014）的研究，以及时变参数的向量自回归模型（Primiceri，2005）。更详细的介绍，请见Adrian、Grinberg、Liang and Malik（2018）。）金融条件指数的计算涉及17个变量，包括国内和全球金融价格指数、公司信用风险价差、股票价格、波动性和各国的外汇等。（*2.涉及的变量包括银行间利差、公司利差、主权利差、期限利差、股票收益、股票收益波动、实际长期利率变化、房价收益、金融部门股票市值占上市公司总市值份额、股票交易量、预期银行违约次数、股票市值、债券市值、国内商品价格通胀率、外汇变动和波动率指数（VIX）。这些数据与2017年10月的GFSR中用于计算金融条件指数的数据一致。我们使用了更灵活的模型，以控制当前宏观经济环境并解决估计期内部分数据缺失的问题。同时，我们去掉了两个与信贷有关的变量，只关注价格和信贷的交叉项。在可以获得大多数其他数据的情况下，这一调整对金融条件指数并没有显著影响。）此外，金融脆弱性变量由信贷增长率与GDP增长率之比［Borio、Drehmann and Tsatsaronis （2011）证明了信贷的重要性］和反映信贷繁荣程度的虚拟变量衡量，该虚拟变量是信贷GDP比高增长和高金融条件指数的交叉项。这些条件反映了风险承担行为在何种环境下最广泛。

　　图5展示了GDP预测增长率分布的主要特征，从中可见波动性并非不变，金融条件对GDP增长下行风险的影响大于对上行风险的影响。下一年的GDP预测增长率分布显示，当中位数上的预测增长率下降时，5%分位数上的预测增长率也随之下降，但95%分位数上的预测增长率基本没有变化。这表明下行风险的波动性大于上行风险。这一波动性差异说明，中位数附近的增长率波动风险和反映波动性变化的金融稳定风险指标值得重视。（*3.值得注意的是，预测通胀率的条件分布并未呈现出同样的非对称性。这说明同方差假设更加合理。）

点击查看大图

　　2.估算经济下行风险的期限结构

　　图6展示了在预测期内，金融条件对中位数和5%分位数上的GDP增长率的影响。从面板数据的分位数回归结果看，不管是在发达经济体还是在新兴市场经济体，5%分位数和中位数上的金融条件指数的系数估计值显著不同。（*1.GDP增长率被定义为第1个季度到第12个季度的年化平均季度增长率。）5%分位数上的系数估计值在短期内显著为负，说明宽松的金融条件（金融条件指数下降）在边际上能显著降低经济下行风险。在预测期内，金融条件指数的系数在5%分位数上的变化要大于在中位数上的变化，这表明预测增长率分布在预测期内的波动性较大。此外，5%分位数上的金融条件指数的系数由负转正，说明宽松的金融条件对经济增长具有重要的跨期替代效应（trade-off），也就是说，宽松的金融条件缓解经济下行风险的效果不可持续，这一效果在中期内会显著减弱。

点击查看大图

　　在宽松的金融条件下，预测期内GDP增长率的条件分布的变化与宏观金融不平衡的积累步调一致。该结论也与有关宏观金融关联的研究一致。当初始金融条件宽松，风险管理约束不强时，GDP预测增长率较高，且分布更加紧密。然而，在宽松的金融条件下，由于存在金融摩擦，脆弱性通过各种渠道积累，导致当金融系统受到冲击时，经济下行风险骤增。系数的变化与杠杆率周期一致（Geanakoplos，2009；Adrian and Shin，2010）。该结果强调了跨期替代效应，即宽松的金融条件在短期内提高经济增长并减少经济波动，但由于内生的脆弱性不断积累，中期经济增长的波动变大。

　　我们可以绘制一个代表性国家某几个季度的GDP预测增长率的概率分布，以此说明GaR及其期限结构。特别是，图7a给出了金融条件最宽松（1%分位数上的金融条件指数）和信贷繁荣时期，11个发达经济体组成的面板中的一个代表性国家在预测期h，即4个季度和10个季度的GDP预测增长率分布。该图说明了两点。首先，相较于中期分布（10个季度，实线），短期分布（4个季度，虚线）的中位数较高，方差较低。其次，相较于中期分布，短期分布的左尾较小（下行风险较低）。（*1.图7显示了11个发达经济体的平均概率分布，对多边监测来说，也是一种可能的表述方法。另一种方法是给出一个加权平均，权重可以是各国的GDP，金融部门在发达经济体总GDP、新兴市场经济体总GDP中的占比，以及金融部门在发达经济体和新兴市场经济体各自GDP中的占比。）这说明，未来10个季度的经济下行风险要高于未来4个季度的下行风险。

点击查看大图

　　我们可以估计出每个预测季度（h）的GDP增长率的概率分布，然后绘制出每个预测季度的GaR，就可以得到GaR的期限结构（如图7b所示）。由高金融条件指数和信贷繁荣决定的GaR及其期限结构显示经济下行风险在近期内较低，而随着时间的推移上升，增长率分布曲线的左尾将随着时间的推移越来越呈现厚尾特征。

　　许多研究将金融条件与经济预期增长率相联系，事实上，货币政策通常会通过作用于金融条件进一步影响经济增长。但分析表明，金融条件并非同比例地影响经济增长的左尾分布。同时，金融条件在预测期内对经济增长的影响可能会逆转，即宽松的金融条件在短期内降低下行风险，而在中期内增加下行风险。即使采用其他估计方法，这一结论依然成立。然而，由于数据不完善，以及金融部门的风险承担行为和信贷对预期经济增长的影响不显著，该模型无法适用于每个国家。

　　3.量化短期和中期的全球GDP下行风险

　　利用全球GDP和全球金融条件指数测算的全球GaR，在2018年4月的GFSR第一章中得到首次使用，这旨在传递一个自上而下总体看待金融稳定风险的观念。实际上，早在2017年10月，GFSR第三章就介绍了GaR的方法论。全球GDP是43个国家和地区的加总GDP。全球金融条件指数由这些国家和地区的金融条件指数汇总得出，其中包括29个具有全球系统重要性金融部门的辖区。

　　2019年4月的GFSR进一步阐述了如何执行该全球金融稳定监测框架。尤其是，更一致地披露了金融条件，各部门的金融脆弱性，以及国家、地区或全球层面的GaR。如图8a所示，2019年第一季度的金融条件指数尽管不如2018年第三季度宽松，但较前一季度有所放宽。基于全球金融条件指数预测的下一年全球GDP增长率分布密度图（如图8b所示）表明，2019年第一季度的下行风险相对前一季度有所好转。下一年的 GaR预测值（图8c）上升至历史的较高水平。然而，三年的GaR预测值则不那么乐观（图8d），尽管下行风险比2017年底小。原因可能在于前些年过分宽松的全球金融条件导致了金融脆弱性的积累。

点击查看大图

　　尽管全球GaR未将中期的经济下行风险归因于某方面的脆弱性，但监测矩阵里的指标有助于识别可能的风险来源。一个可能的风险来源是债务人更多的举债行为，近年来债务指标在部分国家或地区及某些部门不断上升。前文图4所示的蛛网图和热力图显示了大多数地区的主权债务、家庭债务和非金融企业债务在增长。中国的银行和其他金融机构的高杠杆率是其金融脆弱性的来源。

　　未来全球GaR的指标应尽力刻画金融脆弱性和跨境互联。这些GaR指标将从以下两方面继续得到改进。首先，正如上一节讨论的面板估计将金融脆弱性指标包含在内一样，这些指标（如前文图4所示）也可以纳入对GaR的估计。如此一来，我们就可以更全面地评估哪些脆弱性就是重大风险。其次，各个国家可能以不同方式影响全球GaR，而这些方式并没有反映在GDP权重中。这一点从各国金融脆弱性的巨大差异中可见一斑。影响的差异也可能源于在全球经济活动的参与程度不同，经济体量相近的国家在全球金融系统的重要性也许不同。阿德里安和布伦纳梅尔（Adrian and Brunnermeier，2016）提出用条件VaR估算系统性风险源（systemic risk contributions），这不失为改进全球GaR测算的一种方法。这两位作者在将VaR作为风险度量标准的基础上，将条件VaR定义为系统性风险源的一个度量标准。