上海銀行間同業(yè)拆借利率的影響因素及其預(yù)測(cè)分析

孔夢(mèng)奇,徐靜怡

(河南財(cái)經(jīng)政法大學(xué) 金融學(xué)院，河南 鄭州 450046)

1 引言

國(guó)內(nèi)外學(xué)者都曾展開(kāi)對(duì)同業(yè)拆借利率的研究。2009年田敏、李純青、馬雷[1]借助ARMA模型實(shí)現(xiàn)Shibor的預(yù)測(cè)，經(jīng)過(guò)取對(duì)數(shù)一階差分后的Shibor時(shí)間序列數(shù)據(jù)是隨機(jī)的、平穩(wěn)的。2012年謝小璐[2]借助小波神經(jīng)網(wǎng)絡(luò)和回歸時(shí)間序列組合模型對(duì)Shibor進(jìn)行預(yù)測(cè)，結(jié)果表明小波神經(jīng)網(wǎng)絡(luò)的擬合和預(yù)測(cè)誤差均小于回歸時(shí)間序列組合模型。2021年黃定[3]利用ARIMA和Prophet模型應(yīng)用于Shibor的隔夜品種預(yù)測(cè)中，后采用灰色預(yù)測(cè)方法和MTFNN模型再次預(yù)測(cè)。綜上所述，目前針對(duì)Shibor的預(yù)測(cè)仍處于不斷發(fā)展階段。

基于文章，創(chuàng)新點(diǎn)有:①論證分析對(duì)Shibor存在影響的相關(guān)因素，并采用熵權(quán)法進(jìn)行影響因素篩選以降低數(shù)據(jù)冗余；②采用PSO優(yōu)化算法對(duì)BPNN模型的參數(shù)進(jìn)行尋優(yōu)，基于PSO-BPNN的組合預(yù)測(cè)模型對(duì)于Shibor的預(yù)測(cè)效果優(yōu)于基礎(chǔ)模型。

2 模型與方法

2.1 Shibor影響因素分析

(1)央行貨幣供應(yīng)量M2。央行可以通過(guò)公開(kāi)市場(chǎng)操作或者調(diào)整貨幣存款準(zhǔn)備金率等貨幣政策來(lái)調(diào)整貨幣供應(yīng)量。Shibor隨著存款準(zhǔn)備金率上升而有一定幅度的上升，而Shibor下行則意味著銀行資金充足，這就為投資者在進(jìn)行市場(chǎng)資金面分析時(shí)提供一個(gè)重要的指標(biāo)，此處以貨幣供應(yīng)量M2為代表。

(2)物價(jià)水平。物價(jià)水平是所在的目標(biāo)市場(chǎng)潛在的消費(fèi)能力和其經(jīng)濟(jì)狀況的重要指標(biāo)，通常由消費(fèi)者物價(jià)指數(shù)CPI來(lái)表現(xiàn)。在其他因素不變的情況下，當(dāng)物價(jià)水平上升到一定水平就會(huì)引發(fā)膨脹。貨幣需求大于貨幣供給，最終導(dǎo)致利率上升；反之，當(dāng)物價(jià)水平下降，貨幣的需求小于貨幣供給，最終導(dǎo)致利率下降。

(3)股票價(jià)格指數(shù)。一般來(lái)講，股票價(jià)格與利率成反比例關(guān)系。市場(chǎng)利率上升到一定程度時(shí)市場(chǎng)資金趨于緊張，籌資成本增加使得公司盈利相對(duì)減少，加之由于利率上升人們對(duì)未來(lái)股市不看好而紛紛拋出股票，從而股價(jià)下跌；當(dāng)利率下降時(shí)籌資成本降低，公司盈利，股票價(jià)值提高。因此股價(jià)的變動(dòng)與同業(yè)拆借市場(chǎng)利率的變動(dòng)有關(guān)系。文章以上證綜合股價(jià)指數(shù)代表股票價(jià)格。

(4)匯率。匯率可以影響利率的變動(dòng)，主要表現(xiàn)為進(jìn)出口貿(mào)易、國(guó)內(nèi)物價(jià)水平、短期資本流動(dòng)影響。匯率降低即本幣升值、外幣貶值時(shí)，會(huì)使外國(guó)商品相對(duì)本國(guó)商品更具有競(jìng)爭(zhēng)力，這時(shí)本國(guó)出口減少，進(jìn)口增加，進(jìn)而增多導(dǎo)致貨幣外流增加，此時(shí)市場(chǎng)上貨幣存量減少，從而市場(chǎng)利率上升；再者本幣的購(gòu)買(mǎi)力下降，國(guó)內(nèi)物價(jià)水平相對(duì)上升，此時(shí)本幣需求增加，導(dǎo)致本國(guó)利率上升。文章選擇美元兌換人民幣的匯率作為影響因素。

(5)國(guó)際利率。當(dāng)國(guó)內(nèi)利率高于國(guó)外利率時(shí)，資金會(huì)從國(guó)外流入國(guó)內(nèi)，造成資金內(nèi)流。此時(shí)國(guó)外市場(chǎng)貨幣供應(yīng)量減少，國(guó)內(nèi)貨幣市場(chǎng)貨幣供應(yīng)量增加，使得國(guó)外利率上升而國(guó)內(nèi)利率下降。Libor，即倫敦同業(yè)拆借利率，是國(guó)際貨幣市場(chǎng)中最重要的短期參考利率，多數(shù)國(guó)家以Libor為基礎(chǔ)來(lái)確定資金借貸的利率。文章選取美元Libor作為變量之一進(jìn)行研究。

(6)法定存款準(zhǔn)備金率。我國(guó)規(guī)定商業(yè)銀行需按照一定比例將存款交付給央行作為準(zhǔn)備金，這一比例為法定存款準(zhǔn)備金率。在其他因素不變時(shí)，央行若上調(diào)法定準(zhǔn)備金率，商業(yè)銀行就需要繳納更多的準(zhǔn)備金，這體現(xiàn)了央行緊縮的貨幣政策，在減少銀行流動(dòng)資金的同時(shí)使得Shibor上升。

2.2 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

首先初始化參數(shù)設(shè)置，一開(kāi)始找到初始化粒子的位置，根據(jù)初始粒子的位置與速度進(jìn)而確定目標(biāo)函數(shù)。

其次確定整體全局粒子，更新群體中的速度和位置。

最后根據(jù)更新出的粒子速度和位置計(jì)算粒子的目標(biāo)函數(shù)。判斷目標(biāo)函數(shù)是否收斂，收斂則確定的粒子為全局最優(yōu)粒子；如果不收斂則循環(huán)重復(fù)上面步驟，進(jìn)一步不斷更新粒子速度與位置確定全局最優(yōu)粒子。

圖1 粒子群算法流程

3 算例分析

3.1 數(shù)據(jù)收集與影響因素篩選

文章選取2019年1月到2021年12月的數(shù)據(jù)進(jìn)行因素分析，其中貨幣供應(yīng)量是從中國(guó)人民銀行官網(wǎng)所得，消費(fèi)物價(jià)指數(shù)和法定存款準(zhǔn)備金率從東方財(cái)富官網(wǎng)所得，上證綜合股價(jià)指數(shù)從上海證券交易所中A股數(shù)據(jù)所得，美元兌人民幣匯率從國(guó)家外匯管理局網(wǎng)站所得，美元Libor從Libor官方網(wǎng)站獲取。

對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化，再對(duì)指標(biāo)進(jìn)行賦權(quán)。為了得到較為客觀的權(quán)重，文章采用熵值法[5]對(duì)指標(biāo)進(jìn)行計(jì)算。以貨幣供應(yīng)量M2、消費(fèi)者物價(jià)指數(shù)CPI、上證綜合股價(jià)指數(shù)、美元兌人民幣匯率、美元Libor、法定存款準(zhǔn)備金率為自變量，上海銀行間同業(yè)拆借利率Shibor為因變量。按月收集2019—2021年度數(shù)據(jù)，對(duì)全月進(jìn)行算術(shù)平均；上證綜合股價(jià)指數(shù)均源于上海證券交易所發(fā)布的上海A股月最高與最低綜合股價(jià)指數(shù)的算術(shù)平均所得數(shù)值。

利用熵值法計(jì)算得出各指標(biāo)權(quán)重，如表1所示。

表1 熵值法結(jié)果分析

美元Libor對(duì)Shibor的影響最大，對(duì)因變量的影響中占比32.4731%。大力發(fā)展同業(yè)拆借市場(chǎng)需要不斷完善Libor和Shibor報(bào)價(jià)制度，加強(qiáng)利率風(fēng)險(xiǎn)管理匯率。

美元兌人民幣匯率貢獻(xiàn)率高達(dá)17.6797%。當(dāng)今市場(chǎng)逐漸國(guó)際化，美國(guó)作為經(jīng)濟(jì)大國(guó)，與中國(guó)不斷增強(qiáng)貿(mào)易交流，其匯率的變動(dòng)必然帶動(dòng)我國(guó)市場(chǎng)利率的變動(dòng)，也會(huì)對(duì)同業(yè)拆借市場(chǎng)產(chǎn)生影響。

貨幣供應(yīng)量和法定存款準(zhǔn)備金率是影響Shibor變動(dòng)的重要因素，權(quán)重分別為15.8776%和12.9191%。我國(guó)當(dāng)前實(shí)施寬松的貨幣政策，以及對(duì)市場(chǎng)利率的放松態(tài)度。

上證綜合股價(jià)指數(shù)和消費(fèi)者物價(jià)指數(shù)在影響因素評(píng)價(jià)中貢獻(xiàn)最小，權(quán)重較小，分別為10.4704%和10.5801%。雖然占比較小，但股價(jià)對(duì)利率的影響也是不容忽視的。

3.2 基于BPNN神經(jīng)網(wǎng)絡(luò)及其改進(jìn)模型的Shibor預(yù)測(cè)結(jié)果

3.2.1 變量選取

經(jīng)過(guò)熵值法的因素篩選，排除掉權(quán)重較低的因素：CPI和上證綜合股價(jià)指數(shù)，采用的輸入因素為2019—2021年貨幣供應(yīng)量、美元兌人民幣匯率、美元Libor和法定存款準(zhǔn)備金率，輸出數(shù)據(jù)為2019—2021年Shibor值。其中訓(xùn)練樣本為2019年1月至2021年3月共27組數(shù)據(jù)，預(yù)測(cè)樣本為2021年4月至12月共9組數(shù)據(jù)。

3.2.2 BPNN及PSO-BPNN模型結(jié)果對(duì)比

BP神經(jīng)網(wǎng)絡(luò)模型主要確定神經(jīng)網(wǎng)絡(luò)的層數(shù)、隱含層的節(jié)點(diǎn)個(gè)數(shù)、輸入層、輸出層、訓(xùn)練方法及隱含層的節(jié)點(diǎn)個(gè)數(shù)。文章采用一層隱含層的BP神經(jīng)網(wǎng)絡(luò)即神經(jīng)網(wǎng)絡(luò)層數(shù)為3。

圖2 優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)回歸精度

從圖中可以看出優(yōu)化后訓(xùn)練集擬合優(yōu)度為0.83907，總體樣本擬合優(yōu)度為0.84913，擬合效果較好，優(yōu)化后的預(yù)測(cè)精度得到顯著提高。

表2 不同樣本下對(duì)應(yīng)的數(shù)值

PSO-BPNN的預(yù)測(cè)值與真實(shí)值更為接近，其預(yù)測(cè)誤差遠(yuǎn)遠(yuǎn)小于BPNN。對(duì)于誤差指標(biāo)MAE，BPNN模型為0.002863，PSO-BPNN模型為0.00064114；對(duì)于MSE，BPNN模型為0.2922×10-6，PSO-BPNN模型為4.9813×10-7，經(jīng)過(guò)粒子群算法優(yōu)化可以大大降低模型預(yù)測(cè)的誤差。

4 結(jié)論

文章以2019—2021年的數(shù)據(jù)為例，采用熵值法對(duì)Shibor的影響因素進(jìn)行篩選，剔除掉影響程度較低的因素，再將剩余因素輸入BPNN神經(jīng)網(wǎng)絡(luò)模型及PSO-BPNN模型中實(shí)現(xiàn)對(duì)Shibor未來(lái)趨勢(shì)的預(yù)測(cè)。分析得出以下數(shù)據(jù)：

(1)BPNN神經(jīng)網(wǎng)絡(luò)模型對(duì)于Shibor預(yù)測(cè)的效果一般，其總體樣本相關(guān)系數(shù)居于80%左右，而經(jīng)過(guò)模型改進(jìn)后，PSO-BPNN模型的預(yù)測(cè)效果優(yōu)于BPNN模型，總體樣本相關(guān)系數(shù)高于基準(zhǔn)模型。

(2)通過(guò)借助BP神經(jīng)網(wǎng)絡(luò)和粒子群算法進(jìn)行預(yù)測(cè)，進(jìn)一步比較擬合優(yōu)度和預(yù)測(cè)精度，結(jié)果表明結(jié)合粒子群算法的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差均小于BP誤差。

針對(duì)文章實(shí)證分析，我國(guó)在預(yù)測(cè)Shibor變動(dòng)加快金融創(chuàng)新發(fā)展的同時(shí)，應(yīng)綜合考慮國(guó)內(nèi)市場(chǎng)變化、人民消費(fèi)水平及國(guó)際環(huán)境等情況進(jìn)行動(dòng)態(tài)調(diào)整，不斷提高貨幣政策傳導(dǎo)的有效性。