论文部分内容阅读
公众通胀预期是公众对通货膨胀未来变动方向与程度的预期,它是现代经济理论研究的重要基础性概念。对公众通胀预期进行引导以更好实现货币政策目标,是一项重要的货币政策工具性举措。自2009年我国官方正式提出管理通胀预期以来,我国学术界和货币当局对公众通胀预期引导重要性的认识在不断加深,但货币政策调控效果不尽如人意,预期引导方面举措不多、效果不明显。究其原因,首先是对我国公众通胀预期的形成及预期引导的机制尚了解不深。通过梳理现有研究,发现存在以下三个方面的问题:一是现代预期理论的基础——理性预期假说过于严苛的条件以及对预期形成过程“黑箱”式设定,对现实中公众通胀预期的形成解释不够深入;二是国内研究偏重货币当局对公众通胀预期影响的单向传递,对公众通胀预期在预期引导等货币政策工具操作实施后如何变化和反馈的研究不足;三是当前互联网已经深刻变革了信息传导的方式,必然影响公众信息获取和处理过程,可能促使公众通胀预期的形成机理及波动特征发生变化,但迄今为止相关研究并不多见。基于此,本文从学习视角、互动视角和互联网视角开展研究,构建基于网络信息搜索的公众通胀预期形成模型和公众通胀预期量化指数,对我国公众通胀预期形成与预期引导过程中的影响因素、与宏观经济波动和货币政策实施的相关性等进行实证分析,以期为我国货币当局优化公众通胀预期引导、提升货币政策实施效果提供有益借鉴。在理论研究方面,本文将适应性学习模型引入到新凯恩斯主义动态随机一般均衡模型这一主流的宏观经济分析框架,在模型中区分公众预期和货币当局预期,设置公众网络信息获取参数,构建了基于网络信息搜索的公众通胀预期适应性学习形成机制理论框架,通过对均衡状态收敛条件和其变化的分析,阐释了互联网环境下公众网络信息获取与货币当局预期引导之间的互动关系。进一步地,本文通过对经典M-S模型的动态改进和构建多目标非对称信息博弈模型以及隐函数模型,揭示了公众通胀预期形成和预期引导过程中公众和货币当局围绕信息开展的合作与博弈过程,分析了互联网环境下公众网络信息获取的充分程度与公众对货币当局的信任程度、货币当局信息披露的精度、货币政策不确定性等因素对预期引导效果的影响。在实证分析方面,本文将互联网大数据处理方法引入到通胀预期量化领域,依托百度搜索指数并采用关键词的范围提取法、主成成分分析法等方法,实现数据降维,合成了公众学习信息获取指数(PIAI),作为公众通胀预期的量化指标;基于文本信息提取法辅以人工判定,合成了货币当局的信息披露指数(HI),作为预期引导的量化指标,为分析宏观经济系统动态变化中的通胀预期形成和预期引导效果提供了核心数据支持。依托这两个指标,基于中国2006-2019年数据,分别运用SVAR模型并施加能够反映现实状况的参数约束条件,绘制出公众通胀预期、货币当局信息披露与货币政策干预变量、宏观经济关键变量之间的脉冲响应图谱;通过提取具有广泛代表性的宏观经济变量共同因子进入FAVAR模型,并运用等窗宽滑窗方法将整体脉冲响应进行分解,深入分析了公众通胀预期与货币政策刺激下的宏观经济波动之间的关联。最后通过马尔科夫区制转换向量自回归(MS-VAR)模型,引入货币政策不确定性指数,根据模型内生变量自身的波动特征进行客观合理的区制划分,检视了不同时期下的公众通胀预期引导效果。本文的主要结论可概括如下:(1)适应性学习理论与新凯恩斯主义动态随机一般均衡模型的融合,较好地阐释了我国互联网环境下公众通胀预期的形成机制。公众与货币当局之间存在着持续性的学习互动。互联网环境既为公众提高自身信息获取的充分程度创造了条件,也为货币当局更加迅捷和精度更高的信息披露提供了空间,但同时也会放大公众与货币当局间的互动性。(2)公众与货币当局间围绕信息开展的合作与博弈决定了预期引导的效果。网络信息获取的便捷性使得私人信息精度大幅提升,公众通胀预期的“独立性”进一步增强,货币当局必须进一步提升公开信息披露的精度,才能在与公众的信息博弈中占据主动。(3)互联网环境下我国公众通胀预期对货币政策的实施效果有显著影响。伴随着我国公众通过网络搜索对宏观经济、金融数据和政策动向相关信息获取行为的加强,公众深度学习后形成的预期贴近理性预期,但也一定程度地降低了货币政策刺激下的产出和通胀及其波动水平,弱化了货币政策的调控效果。(4)受货币政策不确定性的影响,我国预期引导过程中存在显著的非线性效应。理性预期特征仅在货币政策不确定性较低的时期显现。在货币政策不确定性较高、货币政策操作频繁时期,公众通胀预期形成与货币当局预期引导间的良性互动被打破,预期引导和货币政策实施效果弱化,并反过来增强了货币政策不确定性。这种非线性效应的存在对我国货币当局的决策和预期引导方式提出了更高的要求,货币当局应当进一步加强对公众通胀预期的监测,在经济增长和稳定通胀这两大主要货币政策目标之间进行权衡,在不同的时期设定不同的公众通胀预期引导模式,提高信息披露的针对性和精细度。