毕业文致谢范文国语,毕业文致谢范文翻译

惠州学院

HUIZHOU UNIVERSITY

毕 业 论 文

中文题目:货币政策对我国股票指数影响的实证分析

英文题目: The empirical analysis of the influence from moary policy to stock index in our country

姓 名 张景亮

学 号 070403230

专业班级 财务管理(2)班

指导教师

提交日期

货币政策对我国股票指数影响的实证分析

作者姓名:张景亮 专业班级:财务管理(2)班 指导老师:李芳 职称:副教授

摘 要

近些年,货币政策对股市发展的影响一直都是我国经济理论中的热点问题.中国股市发展至今,已有近20年的时间,在国民经济中已成为不可或缺的一个重要部分,逐渐呈现出国家经济 "晴雨表"的雏形.而在近几年,股票暴涨暴跌,大起大落的股市行情使很多投资者损失巨大,也使整个社会经济遭受了深刻的震动.因此,本文运用现代的计量统计分析方法,从事中和事后两个不同的侧面深入研究我国货币政策对股票指数的影响和作用,即通过货币政策工具的过程变量(广义货币供应量M2,银行同业拆解利率Rate30)和货币政策工具的主要目标变量(国内生产总值GDP,居民消费物价指数CPI)对股指(SZ)进行ADF单位根检验,协整检验,短期误差修正检验和格兰杰因果检验等实证研究,得出了货币政策工具的过程和目标变量均与股指的发展具有长期的均衡协整关系和比较明显的因果关系,同时还就此提出了相应的政策建议.

关 键 词

货币政策 股票指数 单位根检验 协整检验 误差修正模型

格兰杰因果检验

目录

1 引言1

1.1 文献综述2

1.2 研究方法4

1.3 论文的创新之处4

2 理论分析5

2.1 两大货币政策相似度检测工具5

2.1.1 货币供应量5

2.1.2 利率5

2.2 两大货币终极目标6

2.2.1 经济增长指标6

2.2.2 物价指数7

3 中国股市近十年的发展概况7

3.1 2001年国有股减持,开始启动长达4年大熊市7

3.2 2005--2006年股权分置改革完成,牛市呼之即来8

3.4 2016年股指一落千丈9

3.5 2016年至2016年,股市初见"小阳春"9

4 货币政策对我国股指影响的实证分析9

4.1 数据变量的选取9

4.1.1 股票指数(SZ)9

4.1.2 货币供应量(M2)10

4.1.3 利率(Rate30)10

4.1.4 工业增加值(GYZ)10

4.1.5 居民消费物价指数(CPI)10

4.2 数据的处理11

4.3 实证分析(使用软件EViews)12

4.3.1 各变量的单位根检验12

4.3.2 方程的协整检验14

4.3.3 误差修正模型(ECM)15

4.3.4 格兰杰因果检验16

4.4 实证结论与解释17

4.4.1 两大货币政策相似度检测工具变量对股指的影响17

4.4.2 两大货币政策目标变量对股指的影响19

5 政策建议21

5.1 慎用存款准备金率政策,更多的采用公开市场操作,逐步推进银行资金入市21

5.2 加快利率市场化步伐22

5.3 优化投资者结构,减少政府的直接干预22

致 谢24

参考文献25

附表1:原始数据27

附表2:调整后的数据30

1 引言

众所周知,金融发展理论的核心是金融发展与经济增长之间的相互促进作用,金融市场是当实体经济发展到一定阶段才形成的,很大程度上反映了实体经济的运行情况,同时其产生与发展的目的是为了促进宏观经济的发展.作为金融市场重要组成部分的股票市场与经济增长,以及由此引申出来的资本市场与宏观经济之间的关系,是当前国内外经济研究的热点问题.股价指数是衡量股票市场总体水平及其变动趋势的尺度,也是反映一个国家或地区经济发展状态的灵敏信号,被看成是国民经济的"晴雨表".

中国股市从上世纪90年代末建立至今,风雨征程二十多年,在中国社会经济的不断变革和发展中经受了无数次挑战和锤炼.在这期间,为了股票市场健康,有序的发展,政府一直承担着守护人和保护伞的角色,致力于提供一个较为稳健的金融环境.特别是自2007年以来,由美国次级债引发的全球金融危机,对世界各国,包括我国的股票市场都产生了极大的冲击和影响,同时也严重地波及到各国的实体经济.面对这样巨大的挑战,中国政府采取积极的货币政策干预,承托股票市场.时至今日,中国货币政策的积极干预已经取得了显着的成效,逐步走出了金融危机的笼罩,开始复苏起来.截至2016年8月,在我国A股市场上市的公司已有1970多家,沪深股市的总市值已经达23.51万亿元,股票发行的总股本也已达2.58万亿股.回顾这二十年的时光,股票市场逐渐成为了市场经济发展过程中不可缺少的主要组成部分,已经具有相当规模,并在多方面取得了引人瞩目的成就,但在我们这个发展中国家的股票市场,它是否已经得到充分发展,足以承担国民经济的"晴雨表",依然是极富争议性的.

我国股票的波动是受到多方面因素影响的,例如经济增长情况,通货膨胀,汇率,利率,货币供应量,居民储蓄以及政府的监管干预力度等等.本文主要研究货币政策工具对股市的事中控制和事后作用,即选择货币政策的两个重要相似度检测工具变量:货币供应量,利率,货币政策的两大终极目标变量:国内生产总值,居民消费物价指数.而股市方面,本文主要选取股票指数,因为它在很大程度上反映了股票市场的运行情况.在此,本文将采用最新的数据,通过更完整的计量模型,更加充分的完善货币政策与股票指数有关的理论体系,发现它们的长短互动关系,因果关系和相互影响能力,阐述未来政策趋势以及对股票市场可能的影响,提出有建设性的意见.

1.1 文献综述

毫无疑问,股票市场是从宏观经济体衍生出来的虚拟资本市场,最早产生于西方发达的资本主义国家,而且得到了长足的发展.在国外,有关股市发展的研究已经相当成熟,特别是在货币政策与股市的关联性研究上.而国内成立20余年的股票市场,已慢慢成为货币政策的重要传导渠道之一,越来越受到国内学者的重视.但有关我国货币政策对股市影响的学术研究仍然处在一个萌芽阶段,分歧较大,研究成果也有很大的不同.

钟小强(2016)指出,股指和货币供应量和同业拆借利率之间存在长期稳定的均衡关系,从股指和货币供应量,同业拆借利率之间的关系来看,与大多数理论和研究相一致,它们之间的关系是确定的,即货币供应量上升,股指上升,利率上升,股指下降.这说明政府决策当局可以通过货币政策来达到对股市进行干预的目的,同时也说明中国的股票市场经过这么多年的改革和发展.已经具有一定的有效性,能够对各种政策做出反映.[1]

汪东芳,徐长生(2005)运用EVIEWS软件对1991～2003年上证指数(si)与货币供应量(m2)年度指标进行了回归分析,因果分析,弹性分析,实证分析结果表明货币供应量与股指之间存在着比较明显的因果关系,这说明货币供应量的变化必然会影响股指的变化.弹性分析表明股票指数对货币供应量的弹性系数值基本上大于l,这说明股指对货币供应量的变化比较敏感.回归分析表明股票指数与货币供应量存在着正的相关关系,并且股指对数值与货币供应量对数值的线性关系要强于股指与货币供应量的线性关系.[2]

王瑞(2016)建立误差修正模型,说明我国自2002年以来,上证指数,货币供应量及存款利率之间具有稳定长期均衡关系.股票与存款利率之间存在一种负相关关系,即利率上升时,股票会下降,利率下降时,股票则会上升.而股票与货币供应量之间存在的是正相关关系,即货币供应量增加,会使股票上涨.[3]

屈玲(2016)选取存贷款基准利率,存款准备金率,这两项货币政策工具,分析了其从理论上和实践上对我国股票市场的影响.研究表明提升利率短期内对股票市场的影响不大,通过提高存款准备金率,减少货币供应量,不能起到抑制股票上涨的作用.[4]

巩月明,魏巍(2016)应用独立样本t检验,分析了2004年以来的央行4次加息对中国股市的短期影响效应,结合协整方法实证检验了货币政策对中国股市的长期影响效应.研究结果表明,短期内中国股市对加息具有一定的敏感度和滞后性,长期而言,利率与股指呈现负相关,而货币供应量与股指之间的关系自2004年以来发生明显改变,由以前的负相关转变为2004年以后的正相关.[5]

邹新月,代林清(2016) 在对影响金融资产波动宏观因素进行理论分析的基础上,建立股指波动与经济增长,物价水平,货币供应量,利率水平,国际收支之间的动态拟合模型.通过实证分析,提出可持续的经济增长,稳定的汇率政策,适宜的货币政策,完善的监管制度是避免金融资产不正常波动的有效措施.[6]

陈姝(2016) 利用GARCH模型,运用事件研究方法研究利率,存款准备金率调整对股票市场的短期影响.通过实证分析,表明货币政策调整会对股票收益产生影响,但每次政策调整宣告对股票市场的影响程度,作用时间甚至影响方向都有所不同.[7]

杨琪(2016) 从其检测设缺陷出发说明是微观交易人的有限理性预期而不是完全理性推动了股指的上涨,因此,基于凯恩斯主义的政策不是"对症下药",仅依据经济数据制定政策是不完善的.[8]

苏春静,袁甄,张凯(2016)基于1999年—2016年数据分析,资产(以股指和房地产指数为例)对央行货币政策利率的影响是显着的,因此,货币政策应高度关注资产变动,将资产作为货币政策的重要参考要素.[9]

纪庆帅(2016) 用格兰杰因果关系检验以及最小二乘估计的方法,研究中国证券市场和货币供应量的关系,并进一步研究我国货币市场和资本市场直接的相互关系.实证结果显示,M0,M1,M2与证券市场之间存在因果关系.证券市场可以用货币供应量MO,M1和M2来解释,而证券市场变化不是引起货币供应量变化的原因.[10]

陈立双(2016) 选取2002年1月_2007年12月的月度数据,通过建立滞后模型分析利率和货币供应量对上证综指的滞后影响.研究结果表明,两变量的变化对上证综指的影响在大约半年后表现得最为明显,而且利率的调控效果明显要强于货币供应量.[11]

卢明珠(2016) :运用单根检验,Granger因果检验,VAR模型和脉冲响应等计量方法对我国货币政策对股市的有效应做了研究,得币政策能够影响股票市场,其中利率比货币供应量能够更加显着的影响股票市场,因此央行在制定政策时可以更多的考虑利用利率这一工具.[12]

吕江林(2005) 考察了我国上证综指与实际国内生产总值之间的动态关系,发现股指与实体经济间存在着双重协整关系和单向因果关系.[13]

陈阳(2007)利用协整检验表明股价,股利,利率之间简单的长期稳定关系时不存在的,股价更多的是由短期的,瞬时的因素所决定.利率对股价存在着因果关系,而股利与股价之间却不存在这种关系.[14]

1.2 研究方法

本文主要采取理论研究与实证研究结合,定性分析和定量分析相结合的研究方法,对我国货币政策与股票指数的关系进行研究.针对以往大多数文献只停留在定性分析上,或者只有少数的运用了简单的回归,相关分析.本文研究的着重点将放在对经济数据的实证分析上,主要选取2002年至2016年近10年的最新数据,使用现代的计量经济学方法:

(1)ADF单位根检验.从根本上杜绝"伪回归"的产生,避免建立的经济模型失真. (2)协整检验.在ADF单位根检验的基础上,寻找各个经济变量长期的均衡关系.

(3)误差修正检验.在协整检验的基础上,考察系统变量在短期波动中偏离长期均衡

关系的程度,或者说系统变量一旦偏离均衡状态能否进行迅速的调整.

(4)格兰杰因果检验.通过双向的格兰杰因果检验,发现经济变量之间相互作用的过程和因果关系.

1.3 论文的创新之处

(1)数据选取上的创新.以往的实证研究,采用的数据较少,而且数据的时间较早.众所周知,中国的股市起步较晚,仅仅是这近十年的时间才算开始具备规模,相对以往比较成熟.寻常百姓对中国股市的认识,也是这近十年才有了更多的关注,投入了更多的热情.所以,为了适时地研究货币政策对中国股指的影响,论文选取了2002年至2016年的月度数据.

(2)模型的建立更加完善.过往关于货币政策对股指的影响多数都是采用传统的两大相似度检测工具变量即货币供应量和利率.本人认为这样都是不全面的,首先从模型的完整性上是有缺失的,再者这也是不满足实际经济运行情况.因此,本论文从货币政策在股市传导的事中和事后两个侧面来进行研究,即货币政策的两大相似度检测过程变量货币供应量和利率,货币政策的两大目标变量经济增长和居民消费物价指数.无论从数学意义上,还是经济意义上,这样建立的模型都是更加完备的.

(3)技术方法上的创新.国内有关货币政策与股市关系的实证研究多是运用多元线性回归,寻找其中的线性关系,这样做的话模型可能很美观,但也很有可能是在制造着"伪回归".所以本文运用现代的计量经济技术,从根源上杜绝了"伪回归",找出其长期均衡协整关系.

(4)结论上的创新.本文的研究得出,货币政策对股指的影响存在长期的均衡关系,利率工具却不像理论上的那样与股指呈反向变动,而是同向运动,中国的股票市场在一定程度上不能反映实体经济的运行,"晴雨表"的重任还有待商榷.

2 理论分析

2.1 两大货币政策相似度检测工具

2.1.1 货币供应量

众所周知,人们的财富如果不以货币形式持有,而以其他形式持有,会给他们带来收益.着名学者凯恩斯认为,人们对货币的需求主要产生于三种形式需要:交易动机,谨慎动机或称预防性动机,投机动机.

公式表示为:L等于L1+L2

L表示货币的总需求,L1表示交易动机和谨慎动机所产生的全部实际货币需求,L2表示货币的投机需求.[15]着名的"棘轮效应"说明,L1通常是日常生活模式所决定的,具有一定稳定性.所以当货币供给量调整时,最容易改变的是L2,即投机动机.如果银行增大货币供给量时,人们将持有更多的货币,这样单位货币的边际效用将会下降,在其他条件不变的情况下,人们所持有的货币超过日常交易的货币需求.将促使这部分货币进入股市寻益,从而增加股市资金供应,促使股价上升,反之当货币供应量减少时,人们为了规避风险,会以货币的形式保有自己的财富,自然股市的资金源将会短缺,股市进入低迷,股价下跌.当然,这只是西方经济学上的理论分析,回到我们这个刚刚起步不久的中国股市,这套理论是否也能在我们的股票市场发挥作用呢,还是有待实证检验.

2.1.2 利率

利率是资本市场的一个敏感指标,同时也是货币政策在宏观调控的另一重要工具.

(1)首先从股票的定价公式可知:

P等于 +

其中,Di 为i期预期股息,L为第n期出售股票的,r为市场利率.从定价方程看出股票等于未来各期每股预期股息和某年后出售价值的现值之和.当每期的股息Di都等于D,n趋于无穷大时,则股票P等于D/i.所以从最后的推导结果可以看出,股票与利率呈反方向变动.

(2)从西方经济学的投资需求曲线可知,在投资的预期利润率既定时,企业是否进行投资,首先就决定于实际利率的高低.利率上升时,投资需求量就会减少,利率下降时,投资需求量就会增加.总之,投资是利率的减函数,利率下降,投资增加,通过乘数扩张效应,使得股票投资收益提高,从而利好股票市场,反之,则对股票市场起到消极的打击作用.[16]

2.2 两大货币终极目标

通过货币政策的制定和实施所期望达到的最终目的,这是货币政策制定者银行的最高行为准则货币政策的目标一般可概括为:稳定物价,充分就业,经济增长,国际收支平衡.股票是一种虚拟资本,他的价值是在实体经济中反映出来的.与实体经济的关系,可以归纳为:赖于实体经济实体经济借助于实体经济为虚拟经济的发展提供物质基础这就从根本上决定了无论是它的产生,还是它的发展,都必须以实体经济为物质条件GDP是反映一国经济整体实力的最重要的宏观指标.实体经济运行的好,经济增长强劲,会给人们的收入带来全面的上升,投资的气氛自然就浓厚.股票作为现代一项重要投资工具,交投自然也会活跃起来,促进股指上扬,股价攀升.反之,萧条的经济形势,人们的可支配收入降低,对股市产生悲观的情绪,不敢随意入市,导致股价下跌,同时,手中已持股票的人也会迅速抽离股市,这将加速股票市场的恶化.

2.2.2 物价指数

在货币幻觉说中,莫迪古里安(Modigliani)和科恩(Cohn)认为在一个经历了长期低通胀的经济环境下,投资者会自动按习惯和历史通货膨胀情况对资产的名义收益率和真实收益率做出调整,对未曾预料到的通货膨胀上升也仍按习惯进行调整.对于资产名义收益率的上升,投资者会认为是真实收益的增加,于是就会对资产做出调整,即提高资产的.但名义收益率的上升很快会被通货膨胀的增加所抵消,资产又会回落.这样,从长期来看,股价和通货膨胀间不是正相关的.通货膨胀并不会提高资产的真实收益水平,因而通货膨胀也就不能提高股票的真实水平,反而可能导致股价的下跌.

从另一个角度看,由于物价与持币成本成正相关关系,在一定基准利率下,通货膨胀水平越高,持币成本越高,这时人们投资股市热情就越大,就越有利于股票市场的发展.同时,在描述通货膨胀与股票间关系时,我们知道通货膨胀的上升时期一般也是经济周期的上升阶段,对股市来说又是一个利好消息.

所以,论文将会在后面的篇幅实证分析物价指数与股票指数是否存在关系关系又是如何

3 中国股市近十年的发展概况

3.1 2001年国有股减持,开始启动长达4年大熊市2000点的这次跨越只是短暂的,市昙花一现的涨势伴随2001年的国有股减持改革,,一个耗时4年的熊市再次.在这将4年的熊市中,每日成交额基本都维持在40至50亿元附近,很少超过百亿元.2001年7月26日,国有股减持在新股发行中正式开始,当日股市暴跌.2001年10月22日,电视台宣布,国有股减持办法暂停.长达4年的大熊市给中国股民留下的创伤是的2005--2006年股权分置改革完成,牛市呼之即来在2005年,中国开始了规模最大,影响最深的一次牛市.从2005年4月至2006年9月,历时一年半的股权分置改革最终完成,而规模空前的牛市也紧接着出人意料地到来了.2006年11月,沪指报收2209.02 点,重回2000点大关,而这仅仅是开始,此后,两市指数的窜升速度让人一个月后,2006年12月,沪指报收2839.92点,当日成交额457.9亿元,一个月击穿500点,首次站上了点的高位.2007年突破6000点,火箭升空2007年4月12日,沪指开盘3503.23点,报收3532.86点.随后,经过"5.30"的调整后,沪指重新开始了新一轮的起跑,2007年8月1日,沪指收盘4502.3点,并与2007年的10月16日达到历史的最高点6124.04点.2007年上证全年以96.66%的涨幅使其成为全球最大的亮点.2005年7月28日,两市总市值突破3万亿元,2007年1月9日突破10万亿,8月3日突破20万亿截至2007年11月5日,沪深总市值已经突破30万亿大关.这意味着不到两年半的时间,沪深总市值翻了10倍.中国股市的市值也在2007年首次超过了全国GDP的总量,也是中国股市历史上具有里程碑意义的一年.2016年股指一落千丈上证指数从2016年的年初点回落到的左右.从国际环境看,在次贷危机引发美国经济走软,石油等能源维持高位以及美元贬值导致资金大量流入新兴市场等多重不利因素的影响下,政策推动,信贷搭台,机构唱戏,中小投资者积极参与 目的在于消除时间序列可能存在的异方差和自相关问题,方便模型的建立与检验.

图4.2.1: 原始数据:SZ 图4.2.2: 调整后:LNSZ

图4.2.3: 原始数据:M2 图4.2.4: 调整后:LNM2

图4.2.5: 原始数据:Gyz 图4.2.6: 调整后:LNGyz

图4.2.7: 原始数据:CPI 图4.2.8: 调整后:LNCPI

上述数据均由中国人民银行网站,国家统计局网站,凤凰网财经网站上收集,附表1,附表2.

4.3 实证分析(使用软件EViews)

4.3.1 各变量的单位根检验

(1)如前文所述,为避免"伪回归"的出现,必须先对各个变量进行ADF单位根的平稳性检验.具体过程如下:

表4.3.1.1: 无差分的ADF单位根检验 (1%,5%,10%均为显着性水平)

原始数据变量1%5%10%t检验值LNSZ-3.4959-2.8900-2.5818-1.4349LNM2-3.4959-2.8900-2.58181.1200Rate30-3.4959-2.8900-2.5818-2.4230LNGyz-3.4959-2.8900-2.5818-1.4279LNCpi-3.4959-2.8900-2.5818-2.0162

表4.3.1.1的结果表明在不进行差分处理的情况下,LNSZ,LNM2,Rate30,LNGYZ,LNCPI的t检验统计量值分别为-1.4349,1.1200,-2.4230,-1.4279,-2.0162均大于1%,5%,10%显着性水平下的-3.4959,-2.8900,-2.8900,由此说明原始数据是不平稳的.

(2)一阶差分的ADF检验:

表4.3.1.2: 一阶差分后的ADF单位根检验 (1%,5%,10%均为显着性水平)

调整后的变量1%5%10%t检验值LNSZ-3.4965-2.8903-2.5819-3.8389LNM2-3.4965-2.8903-2.5819-4.3493Rate30-3.4965-2.8903-2.5819-5.3862LNGyz-3.4965-2.8903-2.5819-6.4900LNCpi-3.4965-2.8903-2.5819-4.1131

表4.3.2.2的结果表明在一阶差分后,LNSZ,LNM2,Rate30,LNGYZ,LNCPI的t检验统计量值分别为-3.8389,-4.3493,-5.3862,-6.4900,-4.1131均小于1%,5%,10%显着性水平下的-3.4965,-2.8903,-2.5819,由此说明调整后的数据是一阶单整的,即是平稳的.

4.3.2 方程的协整检验

在ADF单位根检验的基础上,我们发现各变量都是一阶单整的,符合协整检验的基本检测设.下面是EG两步法的协整过程:

(1)OLS回归

表4.3.2.1: OLS回归

Dependent Variable: LNSZMethod: Least SquaresDate: 11/27/10 Time: 11:33Sample: 2002:01 2016:08Included observations: 104VariableCoefficientStd. Errort-StatisticProb. LNM21.5258590.2385466.3965100.0000RATE300.2670600.0510645.2298820.0000LNGYZ-0.6819250.200745-3.3969690.0010LNCPI0.2144621.7710170.1210950.9039C-7.4284517.996235-0.9289940.3552R-squared0.652132 Mean dependent var7.642809Adjusted R-squared0.638076 S.D. dependent var0.440169S.E. of regression0.264806 Akaike info criterion0.227244Sum squared resid6.942099 Schwarz criterion0.354378Log likelihood-6.816697 F-statisti6.39762Durbin-Watson stat0.389052 Prob(F-statistic)0.000000

(2)将上述OLS回归得到的残差进行ADF检验

由于残差序列的均值为0,所以选择无截距项,无趋势项的DF检验,得:

表4.3.2.2: 残差的ADF单位根检验

ADF Test Statistic-3.2268151% Critical Value-2.58585% Critical Value-1.943210% Critical Value-1.6174表4.3.2.2表明残差的t检验统计量值为-3.226815均小于置信水平1%,5%,10%的-2.5858,-1.9432,-1.6174,所以残差是平稳的,由此说明OLS回归方程成立,变量LNSZ,LNM2,RATE30,LNGYZ,LNCPI存在协整,各变量间有着长期均衡关系:

SZ等于1.5259LNM2+0.2671Rate30-0.6819LNGyz+0.2145LNCPI-7.4285

t 等于 (6.397) (5.230) (-3.340) (0.121) (-0.929)

从协整方程看出,表3的R^2和调整R^2都做得比较好,都达到了0.6以上,说明回归拟合得较好,而F的P值远远小于置信水平的0.1,说明各解释变量与被解释变量存在着较为显着的相关性.更加具体的分析,将在下文论述.

4.3.3 误差修正模型(ECM)

实证证明,货币政策各变量与股指变量之间存在长期均衡关系.但从短期来看,可能会出现失衡,为了增强模型的精度,下面将进行误差修正模型检验.

表4.3.3: 误差修正模型(ECM)

Dependent Variable: D(LNSZ)Method: Least SquaresDate: 11/27/10 Time: 11:38Sample(adjusted): 2002:02 2016:08Included observations: 103 after adjusting endpointsVariableCoefficientStd.Errort-StatisticProb. C-0.0042980.012948-0.3319160.7407D(LNM2)0.7891680.7710291.0235260.3086D(RATE30)-0.0084550.015122-0.5590850.5774D(LNGYZ)-0.0754160.074609-1.0108170.3146D(LNCPI)-0.3308160.934498-0.3540040.7241ET(-1)0.0240690.0310670.7747480.4404

从表4.3.3的误差修正模型中,我们主要看ET(-1)即残差滞后项.ET(-1)系数为正数,绝对值相当的低,t对应的P值(0.4404)是接受原检测设的,即ET(-1)和ET关系是不大的,说明了模型系统的短期自我修复较差.具体原因将在下文进行分析.

4.3.4 格兰杰因果检验

由于LNSZ与LNM2,RATE30,LNGYZ,LNCPI之间存在协整关系,因而可以对其进行格兰杰因果关系检验.为了增加检验的可信性,对其进行连续滞后的第2,第3期检验.

(1)滞后2期的检验结果如下:

表4.3.4.1: 2期格兰杰检验

Null Hypothesis:ObsF-StatisticProbability LNM2 does not Granger Cause LNSZ102 3.65879 0.02938 RATE30 does not Granger Cause LNSZ102 2.19254 0.11714 LNGYZ does not Granger Cause LNSZ102 1.22154 0.29927 LNCPI does not Granger Cause LNSZ102 4.49751 0.01355

(2)滞后3期的检验结果如下:

表4.3.4.2: 3期格兰杰检验

Null Hypothesis:ObsF-StatisticProbability LNM2 does not Granger Cause LNSZ101 2.97270 0.03567 RATE30 does not Granger Cause LNSZ101 1.24105 0.29930 LNGYZ does not Granger Cause LNSZ101 1.28849 0.28295 LNCPI does not Granger Cause LNSZ101 2.55891 0.05970

从表4.3.4.1我们看到滞后2期的LNM2,LNCPI格兰杰检验P值分别为0.02938,0.01355,均小于0.1的置信水平,即拒绝原检测设LNM2,LNCPI不是LNSZ的格兰杰原因,而RATE30,LNGYZ的P值0.11714,0.29927则大于0.1的置信水平,即接受原检测设RATE30,LNGYZ不是LNSZ的格兰杰原因.同理,从表4.3.4.2,我们看到了滞后3期的LNM2,LNCPI是LNSZ的格兰杰原因,RATE30,LNGYZ不是LNSZ的格兰杰原因.所以,从滞后两期同样的结果,可以肯定了格兰杰检验的正确性.同时,格兰杰检验结果和上述的协整,误差修正结果的经济含义都是"不谋而合"的.

4.4 实证结论与解释

本文通过选取货币政策的相似度检测工具变量:货币供应量,利率和货币政策的两大目标变量:国内生产总值,居民消费物价指数,分别对上证综合指数的影响进行实证分析,得出以下结论及相应的解释:

4.4.1 两大货币政策相似度检测工具变量对股指的影响

(1)货币供应量的影响

本文在选取广义货币供应量M2进行实证分析时,发现M2与上证综合指数SZ有着长期稳定的均衡关系.从协整的OLS方程,我们看到LNM2的系数为1.5259,对应t的P值远远小于0.1的置信水平,所以说明了广义货币供应量M2与上证综合指数SZ是存在高度正相关的,这也是符合前文的理论分析检测设.通过格兰杰因果检验,我们发现货币供应量是上证综合指数的格兰杰原因,这和协整方程的结果是一致,M2是SZ的一个有力支撑.

由于现阶段我们股市机制尚不完善,有效性不强,股市的波动很大程度上取决于进入股市的资金量,而货币供应量的变化可以直接增加或减少进入股市的资金量,无疑会对我们中国股市产生很大的影响.在新千年的初期,我国实施的是紧缩的货币政策,物价下滑,房地产市场相对还是比较低迷.存款准备金率准备金率从我国的实际情况来看,GDP长期保持在%左右,温和的通胀刺激了经济增长,而经济的增长2007年初CPI超出此前常规的4%,沪指用10个月时间完成了从年初2700多点到6000多点的疯狂上涨.可见CPI保持温和增长时,大盘会不断攀升.按照货币主义的理论,通胀归根结底是一种货币现象.134610.3亿元上升至2016年八月份的687506.92亿元,足足翻了5倍有多.由于流动性,就意味着会出现较多货币追逐较少商品的情况,而股票作为一种具有投资价值的商品,也必然会成为过剩资金追逐的对象现阶段央行已经将存款准备金率作为常态政策工具,而其动用之频繁也表明政策效用的局限性取消外资银行开展人民币业务的地域和客户怎么写作限制,并可以经营银行零售业务利率市场化是指通过和制,在某一时点上由供求关系决定的利率运行机制就是将利率的决策权交给金融机构,由金融机构自己根据资金状况和对金融市场动向的判断来自主调节利率水平《公司法》和《证券法》本文是在的精心指导下完成的.从论文选题,方案论证,论文撰写直到最后稿的整个过程中,都倾注了大量的心血,给我很大的帮助.老师知识渊博,治学严谨,具有崇高的敬业精神,所有这一切,都使我受益匪浅,也会激励我在今后的学习生活中更加刻苦努力.值此论文完成之际,谨向表示衷心的感谢和崇高的敬意同时,我要感谢学院所有给我授过课的老师,他们丰富的授课内容拓宽了我的视野我能顺利的完成这篇文章,完全的功劳.

焉得谖草,言树之背,养育之恩,无以回报,你们永远健康快乐是我最大的心愿.所有永远健康,快乐,幸福,安康.参考文献(理工版),2005,18(1)

[3] 王瑞,货币供应量与存款利率变动对股票的影响[学术期刊]. 合作经济与科技,2016,(10)

[4] 屈玲,货币政策对我国股票市场的影响[学术期刊]. 现代经济(现代物业下半月刊),2016,7(11)

[5] 巩月明, 魏巍,货币政策对中国股市影响的统计分析——基于独立样本t检验

的实证研究[学术期刊]. 特区经济,2016,(4)

[6] 邹新月, 代林清,金融资产波动的宏观因素实证分析[学术期刊]. 浙江工商大学学报,2016,(2)

[7] 陈姝,我国货币政策变动对股票市场短期调控效应的实证分析[学术期刊]. 金融发展研究,2016,(6)

[8] 杨琪,有限理性预期与股市非理性繁荣——从两大学派看货币政策对股市的无效性[学术期刊]. 中国证券期货,2016,(3)

[9] 苏春静, 袁甄, 张凯,资产波动下的利率分析——基于1999年-2016年数据分析[学术期刊]. 商场现代化,2016,(17)

[10] 纪庆帅,股价指数与货币供给量关系研究[学术期刊]. 合作经济与科技. 2016,(9)

[11]陈立双,货币政策对股价指数影响的滞后效应分析[学术期刊]. 广西财经学院学报. 2016年10月 22(5)

[12] 卢明珠,货币政策对股票指数影响实证研究——基于VAR模型分析[学术期刊]. 现代商贸工业. 2016年第20期

[13] 吕江林,我国的货币政策是否应对股价变动做出反应[学术期刊].经济研究. 2005,(3)

[14] 陈阳,关于股票,利率和股票红利之间关系的实证研究[学术期刊]. 全国商情·经济理论研究. 2007,(6)

[15]高鸿业,西方经济学(宏观部分)[专着].4版.北京中关村大街31号:中国人民出版社,2007.第494页-495页

[16] 高鸿业,西方经济学(宏观部分)[专着].4版.北京中关村大街31号:中国人民出版社,2007.第480页-481页

[17] 林升平中国股市18周年发展历程与投资心得 icbc../icbc/%E5%8E%9F%E5%88%9B%E8%88%9E%E5%8F%B0/%E5%A4%A7%E8%AF%9D%E6%8A%95%E8%B5%84/%E8%B0%88%E8%82%A1%E8%AE%BA%E5%9F%BA/%E4%B8%AD%E5%9B%BD%E8%82%A1%E5%B8%8218%E5%91%A8%E5%B9%B4%E5%8F%91%E5%B1%95%E5%8E%86%E7%A8%8B%E4%B8%8E%E6%8A%95%E8%B5%84%E5%BF%83%E5%BE%97.,2016-07-18/2016-11-10

The empirical analysis of the influence from moary policy to stock index in our country

Author name:Gordon zhangClass: Financial Management (2) Class Adviser: Li Fang Job Title: Associate Professor

Abstract

Recent years, the influence of the moary policy to the stock's development which has been the hot topic in the economic theory of China. Chinese Stock market is born from 1990, with more than 20 years development and the standard, had already made the considerable progress and became an indispensable important part of the national economy, which presented the embryonic form of state economy gradually that called "the barometer". Especially in recent years, the stock price rose and dropped suddenly and sharply, which caused many investors to lose greatly, also made the entire social economy unstable. Therefore, I utilized modern the method of econometrics, and deeply researched the influence and the function from our country moary policy to the stock index in two different sides. Namely, the moary policy tool's procedure variable (Broad money supply :M2, interbank-lending rate: Rate30)and the moary policy tool's essential target variable(gross domestic product:GDP, consumer price index:CPI) and stock index(SZ).Through these variables, thesis uses ADF unit root test, Cointegration Tests, Error Correction Model,, Granger Causality Tests, so it obtain the moary policy tool's process and the target variable that has the long-term balanced association entire relations with the stock index development and the quite obvious causal relation. At the same time, thesis put forward the corresponding policy proposal in light of this.

Keywords:Moary Policy Stock Index Unit Root Test Cointegration Tests Error Correction Model Granger Causality Tests

附表1:原始数据

SZ(亿元)M2(亿元)Rate30GYZ(亿元)CPIJan-021553.53 159639.272.71 215899Feb-021575.23 160935.592.77 1880100Mar-021663.25 164064.572.39 245699.2Apr-021698.46 164570.562.50 256998.7May-021658.69 1660232.12 261798.9Jun-021671.91 169601.242.16 278099.2Jul-021768.66 170851.142.51 256899.1Aug-021732.50 173250.922.18 263499.3Sep-021700.02 176985.212.19 282599.3Oct-021600.55 177294.152.45 283099.2Nov-021529.21 179736.262.32 294999.3Dec-021457.03 185006.972.24 321699.6Jan-031473.44 190545.052.30 2662100.4Feb-031567.50 190108.412.36 2547100.2Mar-031556.29 194487.32.37 3134100.9Apr-031633.49 196130.132.02 3197101May-031601.41 199505.192.14 3190100.7Jun-031605.19 204907.422.21 3633100.3Jul-031573.05 206193.072.35 3410100.5Aug-031521.14 210591.92.81 3498100.9Sep-031469.44 213567.132.84 3704101.1Oct-031437.58 214469.363.29 3753101.8Nov-031428.15 216351.733.16 3966103Dec-031530.99 221222.822.94 4351103.2Jan-041638.09 225101.933.22 3344.15103.2Feb-041737.54 227050.722.47 3709.29102.10 Mar-041779.68 231654.62.76 4264.82103.00 Apr-041759.32 233627.862.62 4370.51103.80 May-041633.16 234842.42.76 4309.62101.40 Jun-041551.13 238427.492.98 4607.94105.00 Jul-041486.67 234842.42.91 4408.98105.30 Aug-041434.63 239729.193.34 4544.46105.30 Sep-041445.60 2437573.34 4812.36105.20 Oct-041430.51 2437403.03 4885.24104.30 Nov-041406.02 247135.583.36 5083.9102.80 Dec-041373.46 253207.70 2.31 5488.41102.40 Jan-051290.09 257708.47 2.40 4843.7101.90 Feb-051320.62 259357.29 2.57 4255.35103.90 Mar-051305.41 264588.94 3.05 5367.04102.70 续附表1Apr-051253.59 266992.66 2.12 5646.5101.80 May-051158.86 269240.49 2.31 5701.57101.80 Jun-051125.61 275785.53 2.35 6191.38101.60 Jul-051104.26 276966.28 1.54 5810.95101.80 Aug-051199.62 281288.22 1.91 5967.51101.30 Sep-051235.87 287438.27 1.84 6275.25100.90 Oct-051173.48 287591.61 1.86 6319.93101.20 Nov-051154.79 292350.39 1.58 6590.16101.30 Dec-051181.35 298755.48 2.09 6712.43101.60 Jan-061272.17 303571.65 1.82 5639.61101.90 Feb-061343.35 304516.27 1.85 5473.09100.90 Mar-061338.04 310490.65 2.01 6679.72100.80 Apr-061439.13 313702.34 1.84 6819.78101.20 May-061640.68 316709.81 1.98 7059.86101.40 Jun-061685.67 322756.35 2.54 7817.77101.50 Jul-061770.95 324010.76 2.59 7199.84101.00 Aug-061686.40 327885.67 2.95 7355.47101.30 Sep-061780.78 331865.36 2.66 7754.06101.50 Oct-061889.00 332747.17 2.77 7601.37101.40 Nov-062067.61 337504.15 3.33 7936.33101.90 Dec-062515.28 345577.91 2.61 7699.15721102.80 Jan-072949.29 351498.77 2.47 6624.490983102.20 Feb-072935.59 358659.25 2.67 6162.69934102.70 Mar-073151.18 364104.66 2.55 7855.35072103.30 Apr-073702.75 367326.45 2.99 8006.42172103.00 May-074287.75 369718.15 2.83 8337.69466103.40 Jun-074047.05 377832.15 3.08 9334.41738104.40 Jul-074217.33 383884.88 3.11 8495.8112105.60 Aug-074995.77 387205.04 3.08 8642.67725106.50 Sep-075555.97 393098.91 5.59 9219.57734106.20 Oct-076081.88 394204.17 3.94 8962.01523106.50 Nov-075660.40 399757.91 5.50 9309.31509106.90 Dec-075317.43 403401.30 5.07 9038.810565106.50 Jan-085170.59 417846.17 3.59 7462.187979107.10 Feb-084627.02 421037.84 3.24 7111.755038108.70 Mar-084107.24 423054.53 3.16 9253.603148108.30 Apr-083512.98 429313.72 3.35 9263.42993108.50 May-083735.60 436221.60 3.40 9671.725806107.70 Jun-083240.31 443141.02 3.80 10827.92416107.10 Jul-082894.10 446362.17 3.37 9744.695446106.30 Aug-082683.83 448846.68 3.45 9748.939938104.90 Sep-082195.87 452898.71 3.47 10270.60916104.60 续附表1Oct-082065.18 453133.32 3.38 9696.900479104.00 Nov-081959.15 458644.66 2.99 9812.018105102.40 Dec-082055.80 475166.60 1.42 9554.022767101.20 Jan-092027.83 496135.31 1.25 8391.569573101.00 Feb-092304.47 506708.07 1.12 7894.04809398.40 Mar-092325.00 530626.71 1.04 10021.6522198.80 Apr-092577.50 540481.21 1.06 9939.66031598.50 May-092715.71 548263.51 1.08 10532.509498.60 Jun-092973.73 568916.20 1.10 11986.5120598.30 Jul-093360.14 573102.85 1.50 10797.1225598.20 Aug-093222.83 576698.95 1.72 10948.0595598.80 Sep-092995.03 585405.34 1.67 11698.2238399.20 Oct-093126.35 586643.29 1.70 11258.1014699.50 Nov-093296.72 594604.72 1.72 11695.92558100.60 Dec-093342.71 610224.52 1.73 11321.51698101.90 Jan-103287.97 625609.29 1.74 9627.92749101.50 Feb-103123.54 636072.26 1.91 8904.486248102.70 Mar-103196.03 649947.46 1.82 11835.57126102.40 Apr-103146.68 656561.22 1.82 11708.91985102.80 May-102801.93 663351.37 2.00 12270.37345103.10 Jun-102611.48 673921.72 3.45 13628.6642102.90 Jul-102607.92 674051.48 2.55 12243.93698103.3Aug-102759.62 687506.922.11 12469.83983103.50 SZ:上证综合指数,M2:货币供应量,Rate30:银行同业间拆借利率,GYZ:工业增加值,CPI:居民消费物价指数

数据均由中国人民银行网站,国家统计局网站,凤凰网财经网站上收集

附表2:调整后的数据

LNSZLNM2Rate30LNGYZLNCPIJan-027.34828182111.980671992.71 7.6769371464.59511985Feb-027.36215657211.98875952.77 7.5390270564.605170186Mar-027.41652879912.008015352.39 7.8062892894.597138014Apr-027.43747723712.011094692.50 7.8512719974.592084946May-027.41378039912.019881612.12 7.8697839034.594109239Jun-027.42172196412.041205312.16 7.9302062074.597138014Jul-027.47797747712.048547932.51 7.8508826654.596129441Aug-027.45732073112.062496232.18 7.8762588824.598145571Sep-027.43839529512.083821452.19 7.9462636444.598145571Oct-027.37809947512.08556552.45 7.9480319914.597138014Nov-027.33250654112.099245832.32 7.9892214094.598145571Dec-027.28415196512.128148782.24 8.075893634.601162165Jan-037.29535508212.157643932.30 7.8868329994.609162207Feb-037.35723727312.155349772.36 7.8426714754.607168189Mar-037.3500568512.178122142.37 8.0500654234.614129927Apr-037.39847104812.186533652.02 8.0699681494.615120517May-037.37863664812.203595532.14 8.0677761964.6121458Jun-037.38099740912.230313552.21 8.1978140324.608165695Jul-037.36077168912.236568242.35 8.134467574.610157727Aug-037.32721204612.257677422.81 8.1599466564.614129927Sep-037.29263665512.271706492.84 8.2171685964.616110126Oct-037.27071642312.275922163.29 8.2303107994.623010104Nov-037.26413517912.284660743.16 8.2855133094.634728988Dec-037.33366986412.306925712.94 8.3781609834.636668853Jan-047.40128620812.32430863.22 8.114967834.636668853Feb-047.46022559912.332928712.47 8.2185957634.625952725Mar-047.48418604212.353002752.76 8.3581552554.634728988Apr-047.47267980812.361484792.62 8.3826349864.642465971May-047.39826900612.366669932.76 8.3686050124.619073091Jun-047.34673575312.381820522.98 8.4355361814.65396035Jul-047.30429399812.366669932.91 8.3913986494.656813419Aug-047.26866225512.387265193.34 8.4216641884.656813419Sep-047.27627973912.403927113.34 8.4789428874.6558633Oct-047.26578630312.403857363.03 8.4939736934.647271362Nov-047.24851474112.417692373.36 8.5338339634.632785353Dec-047.22508474212.441965382.31 8.6103938754.628886713Jan-057.16246726212.459584262.40 8.485434174.62399194Feb-057.18585281612.465961892.57 8.3559322944.643428898Mar-057.17426861612.485932733.05 8.5880318254.631812117续附表2Apr-057.13376671412.494976452.12 8.6387911634.623010104May-057.05518772812.503360272.31 8.6484968544.623010104Jun-057.02608083412.527378782.35 8.7309132814.621043535Jul-057.00693387612.531651041.54 8.6674993484.623010104Aug-057.08976136912.547135121.91 8.6940850344.618086411Sep-057.1195300512.56876341.84 8.7443686044.614129927Oct-057.06772513712.569296731.86 8.7514634114.617098757Nov-057.05167205612.585708331.58 8.7933329064.618086411Dec-057.07440889912.607380732.09 8.811716314.621043535Jan-067.14848174112.623372941.82 8.6375701934.62399194Feb-067.20292400612.62647981.85 8.6075986354.614129927Mar-067.19896113612.645909072.01 8.8068313494.613138356Apr-067.27179647512.656199851.84 8.8275824924.617098757May-067.40286393612.665741211.98 8.86218054.619073091Jun-067.42992046612.684652982.54 8.9641546274.620058798Jul-067.47927394612.6885322.59 8.8818140834.615120517Aug-067.43035165512.700420262.95 8.9031995334.618086411Sep-067.48480506512.712484622.66 8.9559718564.620058798Oct-067.54380366212.715138232.77 8.9360837734.619073091Nov-067.63414959712.729333093.33 8.9792062314.62399194Dec-067.83013940812.75297342.61 8.9488661494.632785353Jan-077.98931957312.769961492.47 8.7985288154.626931678Feb-077.98466526712.790128052.67 8.7262701654.631812117Mar-078.05553337612.805196632.55 8.9689501994.637637376Apr-078.21683093112.814006242.99 8.9879992144.634728988May-078.36351739912.820496242.83 9.0285420374.638604962Jun-078.305743512.842205333.08 9.1414636424.648229675Jul-078.3469563212.858097993.11 9.0473285214.659658371Aug-078.51634753412.866709653.08 9.0644676814.668144985Sep-078.62262884412.881816545.59 9.1290844744.665324109Oct-078.71306954912.884624253.94 9.1007503954.668144985Nov-078.6412493112.898614425.50 9.13877084.671893818Dec-078.57874613512.907687135.07 9.109282874.668144985Jan-088.55074208112.942868633.59 8.9176039454.673762977Feb-088.43966831112.950477993.24 8.8695043334.688591794Mar-088.32050533212.955256363.16 9.1327682844.684905154Apr-088.16421853612.969943213.35 9.1338296624.686750173May-088.22566372712.985905653.40 9.1769620434.679349584Jun-088.0834227413.001643333.80 9.2898836474.673762977Jul-087.97042773313.008885943.37 9.1844783594.666265285Aug-087.89499829513.014436643.45 9.1849138344.653007515Sep-087.69433360213.023423783.47 9.2370416154.650143552续附表2Oct-087.63297266913.023941673.38 9.1795615754.644390899Nov-087.58026343313.036031032.99 9.1913632514.628886713Dec-087.62842034613.071420761.42 9.1647175774.617098757Jan-097.61472153513.114603971.25 9.0349828594.615120517Feb-097.74260382413.135690321.12 8.9738643484.589040804Mar-097.75147316713.181814061.04 9.2125032524.593097605Apr-097.85457521613.200215161.06 9.2042881264.590056548May-097.90680870813.214511311.08 9.2622218874.591071262Jun-097.99757183213.251488431.10 9.39153734.588024027Jul-098.11973702613.258820481.50 9.2870349474.587006215Aug-098.07801606513.265075661.72 9.300917514.593097605Sep-098.00470869213.280059771.67 9.36719234.597138014Oct-098.04762226913.282172231.70 9.3288432784.600157644Nov-098.10068467913.295652131.72 9.3669958194.611152258Dec-098.11453788213.321582241.73 9.3344603514.62399194Jan-108.09802700113.346481321.74 9.1724232684.620058798Feb-108.04672129313.363067461.91 9.0943105024.631812117Mar-108.06966594513.384646811.82 9.3788647894.628886713Apr-108.05410193713.394771221.82 9.3681062114.632785353May-107.93806499413.40506012.00 9.4149429744.635699391Jun-107.86767200613.420869253.45 9.5199305154.633757643Jul-107.86630978213.421061772.55 9.4127861534.637637376Aug-107.92284736213.440827172.11 9.4310681944.639571613数据均由中国人民银行网站,国家统计局网站,凤凰网财经网站上收集

27

1