英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
利率和储备要求比率对我国商业银行风险的影响：面板平滑过渡回归方法
一、介绍
宽松的货币条件，如低利率，往往导致信贷过度扩张，这可以在很大程度上解释金融失衡和经济波动。在互联网泡沫破灭之后，许多央行倾向于采取软性货币政策，并在较长时期内实施低利率以缓解潜在的经济衰退。持续的低利率可以推动资产价格和证券化信贷的增长，并推动金融实体承担更多风险[1]。因此银行风险似乎有所增加。虽然现在不是将这种货币政策归因于2008年全球金融危机的时候，但它可能有助于其形成。因此，越来越多的学术和实践辩论围绕着货币政策对银行风险的影响，这已经成为2008年全球金融危机背后的核心问题[2,3]。中国的银行体系对中国的金融体系贡献最大，商业银行面临的风险是对国家金融稳定的最大威胁。因此，货币政策对银行风险的影响是建立宏观审慎管理框架时应该高度重视的一个重要问题。与标准单一工具（政策利率）操作程序主导货币政策工具的发达经济体不同，中国人民银行（中国人民银行，中国央行）频繁调整利率（主要基于价格的工具）和储备要求比率（主要定量工具）同时实现其目标。 2007 - 2012年，中国人民银行将人民币1年期基准存款利率和存款准备金率调整了17次（2007年6次，2008年4次，2010年2次，2011年3次，2次）时间在2012年）和三十四次（2007年10次，2008年9次，2010年6次，2011年7次，2012年2次），分别在国际惯例中非常罕见。有一些有趣的事情。问题：利率和存款准备金率对银行风险有不同的影响吗？如果中国坚持频繁和同时操纵利率和存款准备金率，它会否巩固金融稳定性和价格稳定性？ （关于价格稳定与金融稳定之间的关系，有两个相互矛盾的观点。一个是“协同”观点，即以价格稳定为目标的货币政策将有利于金融稳定[4]。另一个是“权衡”观点，即以价格稳定为目标的货币政策不一定有助于金融稳定，价格稳定与金融稳定之间存在权衡关系[5,6]。）中国在货币政策方面的经验是否值得学习其他经济实体来定制货币政策？上述问题的答案需要深入研究利率和存款准备金率对中国银行风险影响的实证检验。线性模型一直是大多数关于货币政策对银行风险影响的研究的主要焦点，而从我们的角度来看，货币政策工具由于银行风险行为的主观和非理性属性而对银行风险产生非线性影响。银行的风险偏好，风险认知和风险决策行为在货币政策实施后缓慢，渐进和持续变化。此外，不同的货币政策工具在不同的宏观环境和银行特征方面对银行风险有不同的影响，由于抵消决定因素，这些影响也存在不确定性。因此，货币政策工具与银行风险之间的关系遵循非线性路径。利用非线性模型分析货币政策工具对银行风险的影响避免假设误差和偏差更为合理。自20世纪70年代以来，非线性理论和模型逐渐成熟，这使得学者们接受了这样一个事实：非线性模型可以更好地适应经济现象和经济规律[7]。在多种可用的非线性模型中，区域切换模型是最受欢迎的模型。常见的非线性区域切换模型包括以下三种模型：马尔可夫状态切换（MRS）模型，阈值回归（TR）模型和平滑过渡回归（STR）模型。 MRS和TR模型基于这样的假设：从一种状态到另一种状态的转变是离散的，这在许多情况下与现实不一致，因此限制了它们在实践中的应用。 Hansen [8]首次尝试引入阈值效应，并采用面板阈值回归（PTR）模型，该模型假设通过不同的制度跳跃过渡。在提高实用性方面，冈萨雷斯等人。 [9]开发了面板平滑过渡回归（PSTR）模型，将平滑过渡回归（STR）模型扩展到面板成员之间以及随着时间推移的面板数据异质性[10]。将STR和面板数据结合在一起的合并PSTR版本使得过渡能够在不同时间的制度之间切换，尽可能顺利。本文利用PSTR模型研究货币政策工具（即利率和存款准备金率）与银行风险之间的非线性。我们的研究在以下方面与以前的文献不同。首先，在分析利率和存款准备金率对银行风险影响的PSTR模型中，实证结果表明利率和存款准备金率对银行风险具有非线性影响。其次，结果表明中央银行的目标函数应该是非线性的，并引入金融部门。标准教科书方法采用线性二次（LQ）框架分析最优货币政策，其中经济的动态行为被描述为线性的，强调政策目标的目标函数是二次的。货币政策始终通过寻求最佳匹配点来保持平衡，在该最佳匹配点处，损失函数被最小化，并且通货膨胀差的平方值和输出缺口的平方值同时包含[11]。我们的实证结果证明货币政策工具对银行风险产生非线性影响。在这种情况下，中央银行应将非线性要素和金融稳定性变量纳入其目标函数。第三，我们试图区分利率和存款准备金率对银行风险的影响，从而为中国的实施提供全面的政策指导。此外，可以从结果中挖掘出一些有用的信息，同时也有助于其他国家的政策制定者设计货币政策。本文的其余部分安排如下：第2节回顾文献。第3节概述了要估计的一般经验模型并描述了数据。第4节介绍了实证结果和相关评论。第5节提供了确凿的评论。
二、文献综述
货币政策对银行风险的影响是Oosterloo和de Haan [12]详述的货币政策与金融稳定之间关系的一部分，虽然可以区分，但这里不再讨论。到目前为止，关于货币政策对银行风险影响的理论支持和经验证据非常有限[1]。发达经济体通常使用政策利率作为货币政策工具。因此，货币政策对银行风险影响的研究主要集中在利率对银行风险的影响上。文献中的理论研究表明利率影响银行风险的几个渠道[13,14] 。(1）“资产评估”渠道：利率下降提升资产和抵押品价值，从而改变银行的估值违约概率，违约损失和波动率，以及银行承担风险。（2）“寻找收益率”渠道：低利率导致银行目标收入下降，这促使银行投资于高利润和高风险领域或金融工具。（3）“资产替代”渠道：利率下降将导致银行资产组合中安全资产的比例较低。风险中性银行将增加对风险资产的需求，直到安全资产和风险资产的比率出现新的均衡。（4）“持续杠杆”渠道：商业银行的目标是持续杠杆率。低利率将提振资产价格。银行股权将增加，银行将通过增加对风险资产的需求来应对杠杆率的下降。这种反应加强了对资产价值的初步提升，等等。结果是一个更脆弱的银行系统，更容易受到资产价值的负面冲击，因此风险更大。（5）“中央银行通信”渠道：如果央行有透明的政策和可信的承诺，低利率是一种隐含的承诺，将引发集体道德风险。低利率意味着宽松的货币和监管环境，刺激银行承担更多风险。（6）“资产负债不匹配”渠道：当利率较低时，银行只能吸收短期存款。短期存款与长期项目融资之间的不匹配倾向于高杠杆。银行利用的杠杆越多，失败的风险就越高。（7）“习惯形成”渠道：如果利率低，投资者倾向于消费更多，预期信贷利差高。因此，投资者愿意并且能够从银行获得更多贷款或投资高风险金融工具，从而导致更高的银行风险。此外，一些研究表明，利率对银行风险的影响不确定，这取决于影响相互抵消力量的诸多因素[1]。利率变化对银行风险的影响可能随着时间的推移而变化。银行系统的变化或银行本身特征的变化[15]。实证研究显示一些相互矛盾的发现。其中一项发现声称低利率导致银行风险增加，高利率可能阻止其积累[16-19]，而其他人[20,21]则认为反过来是正确的。有趣的是，Thakor [22]，Jimenez等人。[23]和Martha Lopez等人。[24]记录了利率对银行风险的不确定影响。利率对资本较高的银行的风险资产影响较小，但对业务余额较多的银行影响较大。某些银行可以对利率变化做出异质反应。具有高资本充足率和收入多样化的银行在承担风险方面的表现更为根本。从上面引用的文献中可以注意到一些观察结果。首先，大多数先前的研究采用普通最小二乘法和广义最小二乘法建立线性模型，以研究货币政策在横截面或时间序列背景下对银行风险的影响。 Yener等人。[25]通过简单地将解释变量 - 信用扩张的二次项结合到线性回归方程中，研究了货币政策对银行风险的非线性效应，而没有建立尖端的非线性模型。其次，很少有研究比较利率和存款准备金率对银行风险的不同影响。在发达经济体，利率是主要的货币政策工具。因此，他们主要关注利率对银行风险的影响。在中国，一些学者关注利率和存款准备金率对银行风险的影响，但他们都得出了相同的结论，即利率和存款准备金率对银行风险都有负面影响[26,27]。
三、型号规格和数据
当样本量不够大时，引入太多将导致解释变量、自由度和多重共线性的下降。因此，这项研究只会集中于影响力 银行风险的宏观经济因素并未考虑 银行层面微观因素对银行风险的影响。从 我们构建的货币政策工具的角度 以下PSTR模型研究了兴趣的影响 银行风险的利率和准备金率（约为 PSTR模型的详细方法，参见Granger和 Terasvirta [28]，Terasvirta [29]，Eitrheim和Terasvirta [30]， Hansen [8]和Gonzalez等人。
EDF?,? = ?? ?0IR?,? ?1??,? (?0IR?,? ?1??,?) sdot; ? (??,?; ?, ?) ??,?, (1)
EDF?,? = ?? ?0RR?,? ?1??,? (?? 0RR?,? ?? 1??,?) sdot; ? (??,?; ?, ?) ??,?, (2)
其中?= 1 ，?，?= 1 ，?和?和?表示 面板的横截面和时间尺寸。 EDF?，?=预期的默认频率，这是相关的 变量，mu;?代表固定效应，IR?，?=利率; RR?，?=存款准备金率; ??，?=房地产价格 指数; ??，?=采购经理人指数，一个门槛变量。 ?是过渡函数，归一化为有界 在0和1之间。（当转换函数等于0或1，相应的模型，或称为低制或高度制度。过渡函数的价值在两者之间传递 0和1平滑，这使得模型之间传递 低制度和高制度顺利。）gamma;斜率参数 表示从一种政权过渡到另一种政权的速度， ?阈值参数，残余项，beta;回归系数。 在进行实证分析之前，我们应该 讨论使用的变量和数据集。鉴于此数据的可用性，我们使用季度（从2007年4月起 截至2012年3月13日中国上市银行的数据。 （数据上市银行来自?股市场，而不是?分享市场。我们不包括中国农业银行，中国光大银行和中国建设银行。该 原因如下。中国农业银行和中国 光大银行于2010年成为上市银行 数据不多。 2011年12月，人数 中国建筑的总股份，股份和?股 银行分别为250.01亿，95.93亿和2148.3亿。 ?股份占总股份的比例仅为3.84％ ?股票市场价值之间的不匹配（太少）和 负债（太多）。这种不匹配将导致这一事实 EDF的计算值无法客观地反映出来 预计中国建设银行违约率。） 考虑到EDF的计算需要银行的股票 返回和市场价值数据，只能出现 在银行名单和交通银行之后，兴业银行，中信银行，宁波银行，南京银行和北京银行上市 在2007年的银行，我们的样本从第四季度开始 2007年，以尽可能获得样本数据。该样本包含三家大型商业银行，七家 股份制商业银行和三个城市商业银行 银行。其中，大型商业银行包括 中国工商银行（ICBC） 中国银行（BOC）和交通银行 （交银）;股份制商业银行包括中信银行，华夏银行（HB），平安银行（PB），招商局 银行（CMB），上海浦东发展银行 （SPDB），兴业银行（IB）和中国民生银行 有限公司（CMSB）;城市商业银行包括北京银行 （BB），南京银行（NJB）和宁波银行（NBB）。 表1提供了变量的描述性统计 用于实证分析。表2报告了相关性 这些变量之间的系数。根据古吉拉特语 Damodar [31]，如果零阶相关系数为2 回归量超过0.8，多重共线性问题将是 严重。我们研究中的相关性处于可接受的水平 如表2所示。 在下文中，我们分析了依赖的选择， 解释，转换和控制变量。 3.1。银行风险。至于因变量测量库 风险，我们选择了预期的默认频率（EDF）。这个 指标已经成为衡量银行稳健性的一种流行指标 关于金融稳定的相关实证研究。从理论上讲， 根据风险的性质，利用股票的EDF 价格和收益波动以表征风险行为 银行无疑是理想的选择[25]。原因如下所列。首先，EDF是相对客观的，因为它是 根据股票交易数据和财务数据计算 在上市银行的财务报表中找到的数据。 其次，EDF是一个动态索引，可以根据需要进行更新 关于股票交易数据的变化和定期发布 上市银行的财务报表。因此，EDF可以 反映银行风险随时间的变化。第三，EDF克服了 应用历史数据代表未来所引起的偏见 趋势。EDF是根据实时情况计算的 股票市场。中国收益率和市场价值的变化 股市可以反映银行的表现，市场 期望和未来趋势。 EDF是穆迪KMV模型的结果 建立距离之间的函数关系 默认值和默认概率。公司的EDF 随着时间的推移而变化，反映了不断变化的经该公司或其工业部门。详细说明默认距离与EDF之间的映射 措施也可以参考Crouhy等人。[32]。 我们使用Brandimarte [33]的方法来计算 EDF。通过Matlab7.0软件计算EDF的结果报告见表3.无风险利率需求用于计算EDF，它基于每日人民币1年期基准存款的加权平均值率。
四.结果与分析
4.1线性和无剩余非线性结果。
线性测试的结果显示在表4中，并且表明无效假设，即模型（1）和模型（2）都是线性的，在Wald检验的5％显着性水平被拒绝，暗示了它们之间的关系。利率，存款准备金率和银行风险确实是非线性的。表5给出了假设双区模型后没有剩余非线性的测试。结果表明，零假设不能被拒绝，这意味着模型（1）和模型（2）只有一个阈值或两个制度。这意味着只有一个阈值水平的利率或储备要求比率，它将模型（1）或模型（2）中的低和高货币供应制度。
4.2模型估计结果。
我们利用非线性最小二乘法估计参数。在估计参数之前，我们应该应用网格搜索方法来确定转换速度（gamma;）和位置参数（?）的初始值。迭
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[20521]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
