2015年-ECB欧洲央行_A_survey-based_measure_of_slack_for_the_euro_area_56页_1mb

报告摘要

文档总结：金融周期的多变量与时变方法分析

核心内容

本文提出了一种新的方法，用于识别和刻画金融周期。该方法结合了多变量谱分析与时间变化的聚合技术，旨在构建一个能够反映系统性金融波动的合成指标。研究对象包括13个欧盟国家和欧元区合成指标，时间跨度为1970年至2013年的季度数据。

主要观点

金融周期的识别方法
- 引入了一种名为**power cohesion（PCoh）**的多变量谱分析方法，用于识别一组指标中共同的周期频率。
- 该方法基于估计的（交叉）谱密度的相关性，通过计算所有指标对的交叉谱密度绝对值的平均来衡量共同波动的重要性。
- 与传统的**squared coherency cohesion（SCoh）**相比，PCoh更能准确捕捉共同周期，因为它不依赖于自谱密度，从而避免了因白噪声相关性带来的误导性结论。
合成金融周期的构建
- 提出了一种时间变化的聚合方法，用于构建一个综合的金融周期指数。
- 聚合权重根据指标之间的相关性结构随时间变化，强调系统性发展。
- 通过设定频率窗口，筛选出对综合金融周期最具代表性的周期频率，该窗口包含约2/3的共同波动。
金融周期与经济周期的对比
- 金融周期与经济周期（业务周期）在同步性上存在显著差异，仅在67%的时间内表现出一致的波动。
- 金融周期普遍较长，尤其在上升阶段，平均持续时间为7.2年，但国家间差异较大，最短约为4年（奥地利、葡萄牙），最长约为17年（西班牙）。
- 某些国家集群表现出较高的同步性，例如六个最同步的金融周期国家（比利时、英国、瑞典、芬兰、西班牙、爱尔兰）的同步度达到78%，而德国的同步度最低，仅为53%。
金融周期预测能力
- 通过合成金融周期，信用和资产价格表现出显著的周期相似性，其预测系统性银行危机的能力优于信用与GDP比率（credit-to-GDP gap）。
- 合成金融周期在1至3年的预测窗口中表现尤为突出，且对更长的预测期也有增强作用。

关键信息

指标选择：包括总信贷、住宅价格、股票价格以及基准债券收益率，以全面反映金融部门的波动。
方法创新：
- 引入power cohesion方法，用于识别共同周期频率。
- 提出时间变化的聚合方法，以构建反映系统性波动的综合指数。
实证结果：
- 金融周期普遍较长，且国家间存在显著异质性。
- 金融周期与业务周期的同步性不高，仅为67%。
- 金融周期预测能力优于传统指标。
政策意义：
- 金融周期的刻画对宏观审慎政策制定具有重要意义。
- 强调在政策制定中需考虑国家特定的周期特征和跨国家同步性。
- 建议采用动态方法而非固定频率窗口来识别周期，以提高准确性。