预期管理货币政策的传导机制研究——基于文本大数据的数据挖掘视角

时间：2024-08-31

课题组

（中国人民银行天津分行营管部天津 300451；中国人民银行天津分行天津 300040）

一、引言

预期管理是指央行通过披露宏观经济形势、货币政策执行情况以及对未来货币政策及经济趋势的展望，与公众进行交流，目的在于提高货币政策透明度、引导公众经济决策行为，从而达到宏观调控效果。近年来，各国央行都高度重视预期管理在经济调控体系中的作用。例如，美联储对外公布联邦公开市场委员会（FOMC）的会议内容，对公众披露FOMC 会议做出的货币政策决策及其原因、经济运行风险评估、未来货币政策关注要点等信息。欧央行通过新闻发布会、发布预测信息、前瞻性指引等多渠道多方式与公众进行信息沟通、引导公众预期。2020年以来，新冠肺炎疫情的暴发给全球经济带来巨大冲击，常规货币政策面临名义利率零下限约束、易引发金融不稳定效应等问题，全球各大经济体纷纷采取前瞻性指引等政策加强预期管理，引导公众预期，提高货币政策有效性。

近年来，我国高度重视预期管理在宏观调控体系中的重要作用。2018 年7 月31 日中共中央政治局会议首次提出“六稳”的概念，“六稳”的最后一项就是“稳预期工作”。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》提出，要完善宏观经济政策制定和执行机制，重视预期管理，提高调控的科学性。在此背景下，研究预期管理货币政策的传导机制，对于央行完善预期管理机制，优化预期管理模式，推动货币政策宏观调控提质增效，具有重要理论意义和应用价值。

二、文献综述

（一）央行沟通测度

央行的货币政策信息披露方式可分为口头沟通和书面沟通两种。书面沟通主要媒介是通过人民银行官网披露的《中国货币政策执行报告》，而口头沟通主要内容是新闻媒体发布的人民银行关于货币政策的论述。书面沟通的内容相较口头沟通语言较为规范、信息全面，但时效性一般。口头沟通时效性较强，但与书面沟通相比，语言规范性较低且措辞多变，测度难度较大。Rosa 和Verga（2007）采取人工赋值法对央行沟通内容进行逐个标记，由紧缩到宽松赋予－2 到+2 共5个离散值。冀志斌和宋清华（2012）通过事件统计与主观赋值法量化书面沟通与口头沟通变量。Heinemann 和Ullrich（2007）以及林建浩和赵文庆（2015）通过方差分析方法，以《中国货币政策执行报告》为基础测度央行书面沟通指数。Jegadeesh 和Wu（2015）综合运用Tetlock（2007）词库方法与哈佛社会心理学、LM 金融两个词典，将FOMC 会议的每一分钟内容量化为情绪指标。林建浩等（2019）采用有监督的词典分析方法对央行行长口头信息进行量化。张琦等（2019）通过网络爬虫与文本分析方法结合网络内容与市场利率构建货币政策松紧度综合指数。

（二）预期管理政策传导

卞志村和张义（2012）对货币政策执行报告及城镇居民储户调查数据进行了分析处理，发现央行信息披露与实际干预能够有效引导居民通胀预期。冀志斌和宋清华（2012）通过EHARCH 模型实证分析表明，央行沟通对短期金融市场存在一定影响。马理等（2013）发现央行沟通行为对市场利率的波动程度存在显著影响，且书面沟通比口头沟通更有效。郭豫媚等（2016）构建DSGE 模型，检验证明预期管理能够引导市场通货膨胀预期、减小经济波动，从而提高货币政策有效性。闫先东和高文博（2017）利用SVAR 模型实证发现，传统货币政策工具、央行信息披露行为等变量对公众通胀预期存在一定引导作用。Hansen 和McMahon（2016）通过FAVAR 模型证实，央行沟通能够对金融市场和实际经济变量造成显著影响。陈良源等（2021）证实央行沟通有助于预测货币政策实际干预，能够在一定程度上帮助公众预测央行政策。

（三）文献述评及本文创新点

现有研究对预期管理的传导效果研究多集中于从央行信息披露直接传导到货币政策目标，较少考虑到公众预期的中间作用。部分考虑到公众预期的研究成果，对于公众预期的测度也大多基于对央行调查数据的分析处理，对公众在社交平台上表达看法的量化及对应的量化指标与货币政策传导相关变量的影响分析研究相对较少。大数据背景下，社交平台隐含大量信息，有效提取并分析公众在社交平台的言论是厘清预期管理传导机制的重要一环。本文重点在于通过微博社交平台量化公众预期指数，进而厘清预期管理的传导机制，创新点概括为两方面。一是借助Python 语言通过网络爬虫技术与文本分析，爬取新浪微博中公众对于货币政策的评论，并量化公众预期指数。二是厘清预期管理的传导机制并通过实证分析予以验证，为央行更有效地实施预期管理提供扎实的理论及经验支撑。

三、货币政策信号披露指数的构建

《中国货币政策执行报告》是中国人民银行公开发布的有关货币政策执行情况的报告。报告深入分析了宏观经济金融形势，阐释了货币政策操作，并披露下一步货币政策取向，具有权威性。本文选取2001 年一季度至2020 年四季度共计80 期《中国货币政策执行报告》作为央行书面沟通内容来源，参考Heinermann 和Ulrcich（2007）及林建浩等（2015）的方法构建货币政策信号披露指数。

（一）关键措辞选择

按照货币政策执行报告中货币政策执行情况划分政策时期。如果报告涉及降准、降息、政策宽松、投放流动性等词汇，则判定处于政策宽松期，相反则判定处于政策缩紧期，如果报告中未涉及利率、存款准备金率、流动性等相关描述，则判定为政策中性期。

为描述不同时期货币政策特点，本文定义了政策紧缩、政策中性、政策宽松、上调利率、下调利率、流动性偏多、流动性偏少共7类关键措辞，将每一种表达意思相近的描述方式均归类于以上7 类措辞中。为筛选出具有代表性的关键措辞，本文采用ANOVA 单因素方差分析法与单调性相结合的方法，分析各措辞类型的差异性。ANOVA 方差分析法用来分析各措辞类型在政策宽松期与紧缩期的差异性，单调性用来分析关键措辞在3 个时期是否呈单调变动，如措辞类型“政策紧缩”在政策紧缩期的均值应大于政策中性期，在政策中性期的均值应大于政策宽松期。本文借助Python 语言，对三种货币政策时期的报告内容进行分词并去除部分停用词后，统计7 类措辞在各个时期出现的频率。对每类措辞在不同时期的频率进行方差分析，结果如表1 所示。

表1 货币政策措辞ANOVA 方差分析结果

方差分析结果表明，除政策中性外，其余6 类措辞类型均满足单调性条件，但同时满足政策宽松期与紧缩期的差异性在10%水平下显著的措辞类型只有“政策紧缩”“利率下调”“利率上调”“流动性偏多”。因此，本文选择这4 类措辞构建货币政策信号披露指数。

（二）货币政策信号披露指数构建

本文借鉴Heinemann 和Ulrich（2007）的方法构建货币政策信号披露指数，公式如下：

其中，f（d，t）表示措辞类型i 在t 时刻出现的频率；mean（d）表示措辞类型i 在所有时期出现频率的平均值；tdv（d）表示措辞类型i 在所有时期出现频率的标准差；sign（d）表示措辞类型i 的符号，在本文最后选取的4 类措辞类型中，“政策紧缩”“利率上调”及“流动性偏多”3 类措辞符号为负，“利率下调”符号为正；η表示各类措辞在指数计算过程中的权重，由组间离差平方和与总离差平方和相除所得。公式（1）表明信号披露指数绝对值越大，央行传达未来市场紧缩或宽松的信号就越强烈。本文按照上述方法计算得到的2001 年一季度至2020 年四季度的货币政策信号披露指数如图1 所示。

图1 货币政策信号披露指数

从图1 可以看出，货币政策信号披露指数能够反映央行不同时期的货币政策取向。为缓释2000 年美国科技股泡沫破灭引发的经济影响，央行于2001-2002 年采取宽松的货币政策实现稳定经济增长目标。2003 年我国通胀率快速上升，央行采取紧缩货币政策遏制通胀率上涨。2006 年我国经济出现过热现象，房地产价格增长过快，为保证经济平稳发展，央行继续采取紧缩的货币政策。2008年，全球金融危机给各国经济造成重创，为恢复经济央行实行宽松的货币政策。2010 年我国再次面临高增长高通胀局面，央行适度上调利率收紧货币政策。2011 年四季度起受全球产能过剩、有效需求不足的影响，中国经济下行压力不断加大，2012 年GDP 增速破“8”，央行采取一系列宽松货币政策刺激经济增长。2015 年经济增速又进一步从“7”字头进入“6”字头，我国经济面临结构性调整压力，央行多次采取下调存贷款基准利率、开展逆回购操作等宽松货币政策。2017年为实现全面去杠杆，央行适度上调利率，采取紧缩货币政策。2018 年后为激发市场活力、推动我国经济高质量发展，央行降低存款准备金率、投放中长期流动性，助力实体经济发展。

四、公众预期指数的构建

随着互联网、大数据等技术飞速发展，信息传播速度越来越快，传播途径越来越广，各种交互网站为公众提供了表达事件看法的平台，其中新浪微博就是最热门的信息交互平台之一。本文选取新浪微博作为构建公众预期指数的数据来源，同时考虑到2012年起新浪微博逐渐流行，本文选择爬取2012-2020 年公众对于“货币政策”关键词的看法。

（一）数据爬取流程

本文借助Python 语言的requests 和lxml库爬取“货币政策”关键词相关内容。由于当前的网页大部分具有反爬虫功能，本文首先通过模拟新浪微博的cookie 值并设置网页访问间隔时间，克服浏览器的反爬措施，之后借助新浪微博的高级搜索功能逐日爬取从2012 年1 月1 日起至2020 年12 月31日的相关内容，并将爬取到的数据按照日期存储到对应年度季度的表格中。经过22 小时的数据爬取，共得到57.1 万条有关“货币政策”关键词的公众言论看法。

（二）微博文本分词

本文借助Python 与Jieba 包对微博文本数据进行处理。在得到涉及“货币政策”关键词的文本数据后，考虑到公众在社交平台发表的言论相比货币政策执行报告更加口语化，且数据呈非结构化特征，本文首先建立货币政策相关措辞的自定义词典并通过Jieba 库的load_userdict 功能加载自定义词典，之后对各季度微博数据进行分词，并去除标点、语气词、关联词等噪声字符。

（三）公众预期指数构建

本文构建公众预期指数的原理如公式（2）（3）所示：

其中，S表示季度t 的微博预期倾向，num表示季度t 内爬取到的微博数，num_ 宽松t 表示季度t 内表达政策宽松预期的微博数量，num_ 紧缩t 表示季度t 内表达政策缩紧预期的微博数量。判定微博预期倾向S的方法如下：通过将各季度的各条微博进行分词后，分别将分割后的词语与货币政策宽松词库、货币政策紧缩词库进行对比，如果词语属于宽松词库，则该条微博对应的宽松性指标count_ 宽松加1，紧缩性指标count_ 紧缩同理。如果count_宽松与count_紧缩之差大于0，代表该条微博预期货币政策为宽松，num_ 宽松t 加1，反之则代表预期为紧缩，num_紧缩t 加1，之后按照公式（2）计算得到该季度微博预期倾向。在得到各季度微博倾向后，通过公式（3）标准化处理得到最终的公众预期指数。按照上述原理构建出的公众预期指数如图2 所示。

图2 公众预期指数

将货币政策信号披露指数与公众预期指数进行对比，可以看出货币政策信号披露指数与公众预期指数基本呈同趋势变动，在2013 年及2015-2017 年货币政策信号披露指数下行期，公众预期指数基本保持相同趋势持续下降；在2014 年及2018-2020 年，货币政策信号披露指数呈现上行趋势，公众预期指数快速拔升，同时图中显示公众预期相较央行信息披露变动幅度更大，表明公众预期对央行信息披露变化反应较为明显，进一步体现了政策沟通对引导公众预期的重要作用。

五、预期管理传导机制实证分析

传统货币政策传导渠道研究是通过从货币政策传导到中间变量，再由中间变量影响最终变量的角度对货币政策传导路径进行分析，而预期管理货币政策传导路径增加了公众预期环节，具体运行机制如图3 所示。央行根据当前经济形势采取适当沟通措施，公众通过解读央行沟通内容形成公众预期，从而相应地改变自身的投资、消费、储蓄等行为，进而对货币政策中间变量造成影响，最终由货币政策中间变量传导至货币政策最终变量，而货币政策最终变量又是新一轮央行沟通内容的来源。本文分别对央行沟通对公众预期的传导、市场预期对货币政策目标变量的影响进行实证分析。

图3 预期管理传导机制

（一）央行沟通对公众预期的传导

本文将货币政策信号披露指数与公众预期指数作为央行沟通与市场预期的代理变量。本文认为，公众预期指数可能与当期货币政策信号披露指数及上期货币政策信号披露指数、公众预期指数存在一定联系。本文通过参数检验方法和非参数检验方法，对央行沟通行为对公众预期的引导作用进行验证。

1.参数检验。本文定义如下回归模型进行指数之间的参数检验：

其中，Com代表公众预期指数，Signal代表当期货币政策信号披露指数，Signal代表上期货币政策信号披露指数，Com代表上期公众预期指数，μ为误差项，代表除上述变量以外的解释变量，cons 为常数项。模型回归结果如表2 所示。

表2 信号披露指数与公众预期指数参数检验结果

检验结果显示，当期信号披露指数、上期公众预期指数的系数分别为1.06、0.61，且分别在5%、1%水平下显著，而上期信号披露指数和常数项没有通过显著性检验。这表明，公众预期指数与当期信号披露指数、上期公众预期指数有较强相关性。

2.非参数检验。为进一步验证货币政策信号披露指数与公众预期指数之间的联系，本文采取非参数检验方法进行验证。非参数检验适用于对总体分布类型未知的数据进行检验，判断变量之间的关联程度与方向。Spearman 检验法是常用非参数检验方法，这种方法通过对数据对编秩排序，借助秩次计算秩相关系数，可用于分析指数间变动的一致性。

本文通过Spearman 检验法对公众预期指数与其他3 个变量的一致性进行分析，检验结果如表3 所示。

表3 信号披露指数与公众预期指数Spearman 检验结果

检验结果显示，信号披露指数、上期公众预期指数、上期信号披露指数与当期公众预期指数的Spearman 相关系数值分别为0.7476、0.7317、0.5625，且均在1%的水平下显著，这表示信号披露指数、上期公众预期指数与公众预期指数的变化趋势一致性较强，上期信号披露指数与公众预期指数的变化一致性相对较弱。

结合参数检验与非参数检验结果可以发现，公众预期指数与货币政策信号披露指数、上期公众预期指数具有较强相关性，而上期货币政策信号披露指数与公众预期指数相关性相对较弱。这表明，央行沟通行为与公众上一期对央行沟通内容的解读，都会对当期的公众预期产生一定引导作用，同时由于公众的学习行为及量化指数的频率相对较低，公众能够在当季内理解央行的沟通内容并形成认知，因此上期央行沟通内容对当前公众预期不会造成显著影响。

（二）公众预期对货币政策目标变量的传导

该部分重点考察公众预期对于货币政策中间变量、货币政策中间变量对货币政策最终变量的影响，鉴于传统的VAR 模型并不能计算变量之间的当期关系，而是将当期的关系隐藏在误差项中，因此为了验证公众预期对货币政策目标变量的当期关系，本文通过SVAR 模型对该传导过程进行实证检验。包含k 个变量的SVAR 模型如下所示：

其中，Q 为k 阶矩阵，对角线上元素值均为0，反映变量之间的当期关系；μ是白噪声向量。可以通过添加约束对矩阵Q 元素进行识别，完全估计矩阵Q 需要添加k个约束，而现有方程的残差协方差矩阵只能提供k*（k+1）/2 个约束，因此需要根据实际经济意义添加k*（k-1）/2 个约束。

1.变量选取与数据处理。货币政策中间变量的选取主要包括社会融资规模（熊礼慧等，2020；付彤杰和张衔，2021）、货币供应量（曾令华和李红光，2007；吕昊旻和李成，2020）、市场利率（张辉和黄泽华，2011；张琛，2020）等，考虑到最新研究中更加重视社会融资规模与利率的传导效果，因此本文选取这两项指标作为货币政策数量与价格中间变量。为量化经济增长、稳定物价两大目标，选取GDP 增速、通货膨胀率作为货币政策最终变量，以公众预期指数作为核心变量、货币供应量作为控制变量，具体介绍见表4。

表4 主要变量及来源

考虑到SVAR 模型需要各变量符合平稳性条件，对各个变量进行ADF 平稳性检验结果如表5 所示。

表5 变量平稳性检验结果

检验结果表明，通货膨胀率、GDP 实际增速、广义货币供应量增速的P 值均小于1%，表示序列平稳且在1%水平下显著，社会融资规模增速在5%显著水平下序列平稳，而对公众预期指数、Shibor 各期限利率进行一阶差分后P 值小于1%。

2.实证分析。（1）公众预期对货币政策中间变量的实证分析。选取公众预期指数Com、广义货币供应量环比增速M2、社会融资规模环比增速、30 天期Shibor 利率、一年期Shibor 利率进行SVAR 模型实证分析，根据实际经济情况添加约束条件如下：

①公众预期指数对社会融资规模、货币供应量、利率变化的反应存在时滞；

②公众预期、社会融资规模对货币供应量不存在当期效应；

③公众预期对社会融资规模、利率的传导存在时滞。

其中，30 天期、一年期Shibor 利率对各变量的脉冲响应分别如图4、5 所示。

图4 30 天期Shibor 利率对各变量的脉冲响应

来自M2 的一个正标准差的冲击对30天期和一年期Shibor 均会在一个季度后造成负向冲击，冲击持续大概一个季度，于第二季度衰减为0，但短期利率对M2 冲击的响应程度更为明显，表明M2 增速的提高会增加市场货币供应量，导致货币供给大于需求，进而降低市场利率。

公众预期的提高能够实现降低短期和长期利率的效果，但对于长期利率，来自公众预期的正向标准差的冲击在滞后一个季度后便达到最大负向冲击，且冲击效果只持续一个季度，而对于短期利率的负向冲击持续两个季度，且第二个季度冲击最强。表明当央行沟通表达宽松倾向时，公众会通过对央行沟通内容的解读预期未来政策宽松，并通过调整自身市场行为（如增加投资等）提高市场流动性，从而引导利率下降，且对短期利率的影响更为显著。

图5 一年期Shibor 利率对各变量的脉冲响应

来自社会融资规模的一个正标准差冲击会对短期和长期利率造成正向冲击，其中对30 天期Shibor 利率于第一季度形成最大负向冲击，第二季度便衰减为0，对一年期Shibor 利率的负向冲击效果从第一季度持续至第二季度，且第二季度的冲击更剧烈。这说明社会融资规模增速的提高会导致市场对货币的需求大于供给，进而提高资产价格，拉升市场利率。

社会融资规模对各变量的响应如图6所示。从图6 中可以发现，M2 对社会融资规模的冲击效果并不显著，而利率的冲击效果最为明显，30 天期Shibor 利率的正向冲击能够在当季有效抑制社会融资规模增长，一年期Shibor 利率的冲击相对滞后，在一个季度后起到抑制效果，证实利率提高能够显著降低社会融资规模增速。来自公众预期的冲击能够对社会融资规模造成正向影响，冲击强度效果从当季起持续两个季度，在第三个季度转负后衰减为0，表明公众预期政策宽松时，会增加股票、债券等投资，进而增加直接融资，促进社会融资规模增长。

图6 社会融资规模对各变量的脉冲响应

（2）货币政策中间变量对货币政策最终变量的实证分析。选取广义货币供应量环比增速M2、社会融资规模环比增速、30 天期和一年期Shibor 利率、实际GDP 环比增速、CPI环比增速进行SVAR 模型实证分析，根据实际经济意义添加约束条件如下：

①货币供应量、社会融资规模增速、短期及长期Shibor 利率对GDP、CPI 的变化具有时滞性，在当期不受影响；

②假设两期利率间不存在当期影响；

③社会融资规模增速变化对M2 的影响存在一定滞后性。

实际GDP 增速、CPI 增速对各变量的脉冲响应分别如图7、8 所示。结果显示，来自短期与长期利率的正标准差冲击在当季均伴随实际GDP 的增长，而在一个季度后对实际GDP 的增长起到抑制作用，之后冲击逐渐衰减，与预期相符；短期利率会对CPI 在一个季度后形成正向冲击，在第二季度冲击转向为负，可能的解释是利率对CPI 的影响面临其他因素的冲击，例如短期利率的提高会导致国外资金涌入，短期内冲释利率对CPI产生调节作用，而长期利率受短期资金涌入的影响较小，因而在当期就能对CPI 产生抑制作用。

图7 实际GDP 增速对各变量的脉冲响应

来自社会融资规模的冲击在当季会对实际GDP 造成负向冲击，第一季度负向冲击衰减后在第二季度形成正向冲击，在当季会对CPI 造成正向冲击，之后冲击效果衰减，这表明社会融资规模的增长短期内会提高通货膨胀率，因而并不能有效提高实际GDP，而在通货膨胀的影响消失后，社会融资规模对实际GDP 的拉动作用才逐渐得到体现。

六、结论与政策建议

（一）主要结论

图8 CPI 增速对各变量的脉冲响应

本文借助Python 语言与文本分析方法，基于《中国货币政策执行报告》构建货币政策信号披露指数，运用网络爬虫技术爬取新浪微博2012-2020 年有关“货币政策”关键词的公众言论并构建公众预期指数。之后，将预期管理政策传导路径划分为三个阶段并分别通过实证进行验证。本文得到以下主要结论：

1.货币政策信号披露指数与公众预期数变化趋势基本一致。实证分析发现，央行信息披露程度及公众上期对央行沟通内容的解读与当期的公众预期具有较强的相关性，表明预期管理能够在一定程度上引导公众预期，验证了预期管理机制的重要性。

2.公众预期对于货币政策中间变量会产生一定影响且具有时滞性。通过实证分析发现，公众预期与社会融资规模具有正相关关系，宽松的公众预期能够在当季对社会融资规模产生拉动作用且效果持续两个季度；公众预期会对市场利率产生一定程度的引导作用，宽松的市场预期能够有效引导短期和长期利率下行。实证结果验证了公众预期能够有效影响货币政策中间变量的假设，进一步表明了加强预期管理的重要意义。

3.货币政策中间变量能够显著影响货币政策最终变量。通过实证分析发现，短期与长期利率会对实际GDP、CPI 造成显著影响，提高利率能够控制通货膨胀率、抑制GDP 增速，其中长期利率对CPI 的控制效果更为明显、短期利率对GDP 的影响更为显著；社会融资规模对于实际GDP 增长具有推动作用，但存在滞后性，这与短期内社会融资规模的增长会提高通货膨胀率有一定关系。实证结果还表明，利率市场化改革背景下，价格型货币政策中间变量比数量型货币政策中间变量更有效，未来应更加重视利率调控在促经济稳增长方面的积极作用。