我国狭义货币供应量M1的预测与分析

【摘要】货币供应量是整个国民经济的重要环节，文章建立以时间为自变量的回归模型结合ARIMA模型对回归模型进行调整，建立关于我国狭义货币供应量M1的预测组合模型，通过预测货币供应量与市场预期相比较，有效规避资本市场的系统性风险。

【关键词】货币供应量；回归分析；ARIMA；组合模型

一、引言与文献回顾

自2008年金融危机以来，我国货币政策制定日益频繁，货币供应调控难度不断加大，现正受到越来越多的关注，货币投放过多或者过少可能给实体经济带来的恶性通货膨胀与通货紧缩的风险，对于资本市场，每一次货币政策的变动都会引起其剧烈的反应，而狭义货币供应量M1的变动与资本市场的变动的相关性最强。对货币供应量的有效的预测可以使投资者预期未来货币政策的方向，以降低买卖证券的风险。

关于货币供应量的研究，朱新天等（1993）通过建立基础货币供应量数学模型，揭示货币乘数在信贷计划体制下不规则波动的特殊机理，认为基础货币的投放需要与控制信贷规模相适应。何运信（2006）通过评估货币乘数的可预测性及央行对于货币供应量的控制实现程度，发现近年来我国货币供应量偏离其目标并不完全是控制能力和技术方面的原因。李海波等（2011）研究发现资本市场中的预期效应，资产组合效应，股票内在价值增长效应，通货膨胀效应会对货币供给产生影响。孙艳芳（2011）采用ANFIS进行货币供应量预测，混合学习算法调整前提参数和结论参数，自动产生模糊规则，所得结果表明利用ANFIS预测货币供应量有效。胡俊华（2010）通过分解我国货币供应量的诸多宏观影响因素，建立货币供应量多变量回归模型，预测货币供应。本文将我国狭义货币供应量M1作为退势平稳时间序列进行建模，结合ARIMA方法对回归模型中的变量自相关以及残差进行调整，结果显示模型通过检验，预测有效。

二、实证分析

1.数据的选取

本文数据取自中国人民银行统计公布的从1978年1月至2011年10月共406个狭义货币供应量M1的月度时间序列数据。同时将1978年1月作为时间T的起点，令其值为T=1，以此类推至2011年10月令其值为T=406，生成406个时间自变量数据。

2.模型建立

（1）建立以时间为自变量，以M1作为因变量的回归模型

因变量M1的线图显示其走向具有曲线趋势，建立以时间以常数项C，一次项T，二次项T2，三次项T3，四次项T4，为自变量，货币供应量M1为因变量的回归模型：

M1=7638.336*C-410.846*T+5.744*T2-0.0262*T3+4.59*10-5T4

（6.367）（-10.086）（14.138）（-17.482）（25.120）

R2＝0.995 F=21257.39 DW=0.123

E－Views6.0输出的结果显示每一个自变量都通过t检验，联合检验F值远大于临界值显示自变量整体有效，调整后的拟合度也到达了0.995趋近于1，但是DW值为0.123

（2）模型调整

提取回归后的残差做自相关图与偏相关图显示，原始回归方程是一个明显的AR(2)过程，适合在回归方程中加入AR(1)、AR(2)项对模型进行修正。用E-views6.0对加入AR(1)、AR(2)的方程进行回归。

修正后的模型算子表达式（B为后退算子）：

(1+0.9533B+0.123B2)* M1t=1.408*T2－0.010*T3＋2.72*10-5*T4+Vt

（16.546） （2.426） （3.013）（-3.535）（5.980）

R2=0.999 DW=2.194 Q(10)=46.031

输出结果显示自变量T2、T3、T4以及AR(1)、AR(2)均通过t检验，特征方程的2个单位根均落在园内，拟合度达到0.999，DW值为1.984介于1.818-2.142之间表明模型的自相关得到消除，但是残差适应性检验Q(10)=46.031>Q(10-2-0)=15.5显示残差未通过适应性检验，残差中含有部分信息未被提取，需要对残差Vt进行调整，使其达到白噪声。

第二次回归得到的残差自相关图与偏相关图显示，可以建立关于残差Vt的ARIMA模型，使残差到达白噪声。用E-views6.0得到残差的ARIMA模型的算子表达式为(at为移动平均算子)：

(1+0.126B+0.284B2+0.776B3-0.337B9)*(1-B12)*(1-0.587B12)Vt=(1-0.270B-0.718B2)*at P(Q(10))=0.281

结果显示第二次回归得到的残差对其运用ARIMA模型进行处理后，通过残差适应性检验P(Q(10))=0.281>0.05，表明第二次回归得到的残差的ARIMA模型有效，可以对残差做出预测。

根据以上调整后的结果，得出最终关于狭义货币供应量M1的组合模型为：

M1t={1.408*T2－0.010*T3＋2.72*10-5*T4+［(1-0.270B-0.718B2)*at/(1+0.126B+0.284B2+0.776B3-0.337B9)*(1-B12)*(1-0.587B12)]}/(1+0.9533B+0.123B2)

（3）数据预测

运用上述组合模型二分别预测M1的2011年8－2011年10月的值与2011年11月－2012年1月的值，结果分别为（表1），（表2）。

三、结论及建议

1.研究结论

本文建立关于我国狭义货币供应量M1的退势平稳预测组合模型，得出以下结论：

（1）货币供应量M1t的与其滞后一阶M1(t-1)，M1(t-2)存在较强的相关性，说明央行在制定当月货币发行量时充分考虑了前几个月货币供量应对于实体经济的影响。

（2）对第二次回归结果的残差进行周期为12的季节差分后，残差仍然表现出较强的周期为12的季节相关性，说明不同年份的同一月度之间的货币供应量存在着较强的相关性，这与经济活动规律以及M1的统计口径包含的统计项目相一致。

（3）表2同比增长率显示，年内货币政策拐点可能出现在2011年底或2012年初，这与市场预期12月份的中央经济工作会议会使货币政策转向在时间上相一致。

2.操作建议

（1）由于资本市场对于货币政策的敏感性极强，当预测出的货币供应量高于市场预期时，意味着货币政策紧缩的可能性较小，此时资本市场系统性风险相对较小，投资者应当适当买入证券；当预测出的货币供应量低于市场预期时，意味着货币政策紧缩的可能性较大，此时资本市场的系统性风险较大，投资者应当适当卖出证券。

（2）当狭义货币供应量M1预测值的同比出现拐点时，往往也意味着货币政策的转型，可能同时意味着资本市场走势的转变，当预测的狭义货币供应量M1同比增加值出现连续回落时，说明货币政策趋向紧缩，此时投资者应当减少证券持有量，当预测的狭义货币供应量M1同比增加值出现连续增加时，说明货币政策趋向宽松，此时投资者应当提高证券持有量。

参考文献

[1]李海波.我国货币供应量对股票价格指数的影响研究[J].西南交通大学学报,2011(03).

[2]孙艳芳.基于自适应模糊神经网络的货币供应量预测[J].科技信息,2011(23).

[3]胡俊华.我国广义货币供应量M2的回归模型与预测[J].中国货币市场,2010(07).

[4]孙亚星,徐庭兰.我国货币供应量的ARIMA模型与预测[J].数学理论与应用,2009(04).

[5]何运信.我国货币供应量可控性的实证分析[J].财经论丛,2006(02).

作者简介：刘畅（1989―），男，江苏连云港人，学士，现就读于山西财经大学统计学院，研究方向：金融统计。