周子彭 张文朗
市场对于央行货币政策的预测往往基于主观判断，相对缺少客观的度量法则。在总结美联储调整货币政策规律时可以参考泰勒法则，而总结中国货币政策时，却存在着货币工具多样化和使用不连续的特点。这增加了归纳中国央行货币决策机制的难度。
借助构建货币政策指数（MPI），我们将中国央行从2003年开始施行的主要货币工具，按照其政策效果，统一度量指标来解决央行货币政策多样化以及使用工具不连续的问题。同时为了减轻测量误差的干扰，我们将MPI转化为以+1收紧、0不变、-1宽松为度量值的离散的月度有序时间序列，并以此来测度央行的货币政策决定机制。
我们发现中国央行在决定是否宽松或收紧货币政策时，确实遵循着“稳通胀、盯住增长目标、稳币值”的行为目标。在此目标下，央行货币政策调整存在以下几个特征：首先，与CPI通胀相比，央行货币政策调整对PPI通胀并不敏感；其次，非食品CPI通胀对货币调整影响力要远大于食品CPI通胀，非食品CPI通胀的1个百分点的上行与食品CPI通胀11个百分点的上行相当；再次，央行调整货币政策更取决于实际GDP与两会增长目标的差值，而不是通常意义上GDP增速缺口，从影响央行货币政策调整角度讲，GDP目标差值上行0.1个百分点相当于CPI通胀上行1个百分点；最后，人民币贬值压力，也会显著加强央行收紧货币政策的倾向。
通过度量央行货币政策的“行为”法则，我们对2020年的货币政策进行预测。在基准情形下，2020年央行的货币政策宽松力度可能弱于2009年和2015年，但2020年央行仍有可能在1月、3月以及6月至12月期间，在MPI意义上进行约4次相对宽松的月度货币操作。
从央行货币调整的概率出发，本文还为判断2020资本市场走势提供了一个新的视角。根据央行调整政策的概率指标与资本市场表现的历史关系，我们发现当概率指标超过一定阈值并且下行较大时股市表现较优异。2020年这一概率指标具有这样的特点，因此我们对2020年特别是下半年的股市表现较为乐观。不过对债市而言，由于安全资产与风险资产配置存在轮转，从2015年开始政策紧松概率差与国债收益率成反比。在2020年货币政策的紧松概率差有可能深度下行的大背景下，我们对国债市场的表现，特别是节奏的把握要非常小心，可能与传统惯例有所区别。
风险提示：央行货币政策的制定仍然有很多无法公开观测到的决定因素。从MPI的有序序列推演得到的央行货币政策决定法则可以作为测度央行制定货币政策行为的基准，但对资产进行配置时，需要参考更多的外部条件，比如市场风险偏好的变动，全球贸易环境的演化，国际资本的流入，以及国家政策的波动等。
正文
引子
2019年末中国食品CPI通胀扶摇直上，但非食品CPI通胀却有减无增，2020年央行的货币政策究竟会怎么走，通胀是否是掣肘因素？在讨论美联储的货币政策决策时，人们往往将包含增长缺口和通胀等变量的泰勒法则作为基准，那么在中国是否也存在类似的法则？党的十九届四中全会审议通过《中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定》，提出要“建设现代中央银行制度，完善基础货币投放机制，健全基准利率和市场化利率体系。”货币政策决策机制的规范化，是中央银行制度现代化的一个重要环节。
我们能否从数据中窥见中国央行货币政策制定机制的端倪？如果能够找到央行的货币政策决定机制，这或能帮助我们更好地理解央行的货币政策并为判断未来央行的货币政策提供参考。本文利用货币政策指数（MPI）统一度量中国的货币政策，并使用ordered-logit模型对中国货币政策决定机制进行度量。我们发现央行的货币政策调整机制有章可循，“稳通胀、盯住增长目标、稳币值”是中国货币政策制定的重要目标。而与食品通胀相比，央行货币政策对非食品通胀更为敏感，因此食品通胀的快速上行对货币政策的掣肘相对较小，预计2020年央行的货币政策或将仍以宽松为主，并且宽松的幅度可能低于2009年，但或会高于2019年。
工具多样性增加度量央行政策机制难度
尽管在2008年金融危机之后，美联储也采用了诸如期限拍卖融资便利、一级交易商信贷便利、量化宽松、扭转操作等多种非常规的货币政策，但长期来看联邦基金利率是美联储主要的货币政策调整工具，相对单一的货币工具，为研究美联储的货币政策决定规则提供了便利。
不过与美联储不同，为了适应经济结构和内外部环境的快速变动，中国人民银行采取多样化的货币政策工具，并且在不同阶段对货币政策工具的使用还有不同侧重。但是央行相对灵活的货币政策工具选择，却导致了统一的政策指标的缺失，这为综合测度央行的货币政策并判断央行的货币决策机制增加了难度。
根据中国央行官网，当前中国的货币政策可以分为三大类，即价格工具、数量工具和窗口指导。其中价格工具主要包括：存贷款基准利率、再贴现再贷款利率、法定/超额存款准备金利率，以及LPR报价机制（LPR于2019年8月20日执行新的报价机制，同时作为浮动利率贷款合同的定价基准）。数量工具主要包括：公开市场业务（回购、央行票据、现券交易、短期流动性调节工具SLO、央行票据互换CBS、国库现金管理）、存款准备金、中央银行贷款（再贴现与再贷款）、常备借贷便利SLF、中期借贷便利MLF、抵押补充贷款PSL、定向中期借贷便利TMLF，以及为应对春节假期的现金投放需求，设立的临时流动性便利TLF（2017年初）和临时准备金动用安排CRA（2017年底）。窗口指导工具则主要包括：规定专业银行的年度和季度信贷最高限额、对专业银行信贷投向提出建议，指导信贷结构调整、央行与专业银行之间的行长联席会或碰头会传达央行指导等。我们将货币政策工具框架以及各项工具相应的解释列于附表1。
不同的货币政策工具的使用不能直接进行比较，在测度央行的决策机制时，首先就需要将不同的货币政策统一成单一的央行货币政策指标。我们参考Weibo Xiong（2012），Girardin et al. (2017)和Laurent（2019）的方法，使用货币政策指数（MPI）来作为中国的货币政策的统一指标。利用这一指标，我们构建了包含“收紧”、“不变”、“放松”三种政策选择的时间序列，在减少测量误差（measurement error）干扰的原则下，测算了中国货币政策的决定规则，并据此对2020年的货币政策做出判断。
MPI：“统一”度量中国的货币政策
中国加入世界贸易组织后，中国央行货币政策的制定理念开始与现代化央行逐渐接轨[1]。因此我们在研究中国的货币政策时，主要聚焦于2002年之后货币政策决定机制。
表1汇总了央行货币工具的使用情况。从2003年到2010年，央行将多种货币政策工具混合使用。自2011年起，央行将再贴现率保持在2.25%，不再发生变化。2013年以后央行陆续开始使用常备借贷便利（SLF）、中期借贷便利（MLF）、抵押补充贷款（PSL）一系列货币政策工具。2015年底，央行将7天逆回购利率作为重要货币政策工具，存、贷款基准利率不再变动。2016年之后数量工具逐渐成为货币政策工具的主角。
构造中国货币政策指数(MPI)的核心思想，是根据不同货币政策的执行效果，将央行的不同的货币政策统一至以存贷款基准利率为基准的MPI度量上。根据这一思路，我们将央行的价格工具、数量工具以及窗口指导这3大政策工具都转化为月度频率的MPI指标。具体的算法记录列于表2，我们以此构建了中国的货币政策指数。
价格工具转MPI波动
中国的价格工具，主要包括各类利率政策工具。价格工具转化为MPI的具体规则是：（1）存款基准利率、贷款基准利率、再贴现利率变化的基点转换为同等的基准利率变化，7天逆回购利率每变化1个基点对应基准利率同向变化1.25个基点；（2）将这些价格工具的等价变化合并起来，采用以下汇总规则：将所有价格工具都赋予相同的权重，若它们作用效果都相同（都对应紧缩或扩张的货币政策），则取所有价格工具中转化为基准利率变化后的最大值，若作用效果不完全相同，则先在四项转换值中分别取正、负号中绝对值最大的两个，再对这两个正负值进行求和。
数量工具转MPI波动
中国的数量工具包括各类公开市场操作、各类字母化工具以及存款准备金率。数量工具转化为MPI的具体规则是：（1）存款准备金率每变化50个基点对应基准利率同向变化25个基点；（2）将公开市场操作+SLF+MLF+PSL的净流动性变化转换为等效的基准利率变化，方法如下：给定2019年9月释放8000亿人民币的流动性的公开市场操作相当于存款准备金率变化50个基点（对应MPI同向变化25个基点）。利用各月金融机构的各项存款余额（以2019年9月金融机构各项存款余额1907341亿元为基准）对其他月份降准50bp 相当于释放多少流动性进行计算，从而获得25bp的MPI变化对应多少流动性变化；（3）将存款准备金率对应基准利率的变化量与公开市场操作+SLF+MLF+PSL对应基准利率的变化量相加，得到数量工具变化对于MPI的影响。
窗口指导工具转MPI波动
窗口指导是指央行根据实体经济运行状况，规定商业银行的贷款重点投向和贷款变动数量的货币政策。我们通过异常的信贷增长速度，将窗口指导这类不能量化的因素纳入考虑范围。我们根据文献的经验，采用如下的窗口指导工具转化标准：当信贷增长速度超过20%并较上月加速，对应基准利率减少25个基点；当信贷增长速度超过30%并加速，则对应基准利率减少50个基点。
合并获得中国MPI月频序列
最后，我们把通过价格工具、数量工具和窗口指导工具转化后的MPI合并。具体合并的算法如下：首先，我们将这三类工具都赋予相同的权重，若它们对MPI的影响方向相同，则取三类工具中对MPI影响最大的那个数，作为三类工具对MPI的总影响；若三类工具对MPI的贡献正负皆有，则分取三类工具中对MPI正影响和负影响最大的两个数，求和得到总影响。在此算法下，我们可以计算每一个月，央行的货币工具使用对MPI的边际变化值， ΔMPI。最后我们以2002年8月的贷款基准利率（476bp）作为MPI的初始值，再将每期MPI变化值累积，就得到从2002年8月开始的MPI月频序列。
中国的MPI和货币政策执行序列
利用上述的方法，我们将计算出来的中国货币政策指数（MPI）列于图1，2002年之后，中国MPI的最低值出现在2003年9月（456bp），最高值出现在2008年8月（1655bp），截至2019年10月中国的MPI最终值为709bp。
中国货币政策指数的走势，整体上与中国在不同阶段所处的宏观环境相吻合。从2003-2007年，为了防止中国经济过热，中国的货币政策指数持续上行。在2008-2009年、2011-2012年分别受次债危机和欧债危机的负面影响，央行货币政策趋于宽松。而在2015-2016年受经济下滑影响，央行的货币政策也趋于宽松。
不过合成MPI也有显而易见的缺点。比如，在不同时间点上尽管我们计算的MPI序列同宏观环境和央行的政策意图相吻合，但是在具体的数值计算上仍然无法排除测量误差的影响。一方面，在合成过程中不同货币政策工具转化成离散利率波动（比如25bp）时，忽略了更小程度的一些波动；另一方面，在合并MPI的过程中，也忽略了在不同宏观背景下不同货币工具MPI转化率会有变动的可能。
为了减少测量误差导致的扰动，我们对每个月的MPI波动设立上下两个阈值，即当MPI当月上行或下行超过（包括等于）25bp时，我们认为央行采取了收紧或放松的货币政策，其余的波动我们近似认为央行保持货币政策稳定。这样可以减少由于MPI波动幅度测量误差带来的扰动。我们的信息只利用到央行大概率放松、收紧或者维持货币政策不变的层面。
我们通过建立MPI，综合各种货币工具的交叉影响，从而把央行的货币政策空间分成三个有序的维度：1.收紧；0.不变；-1.放松。从2003年1月至今，中国央行的货币政策执行统计如图2所示。
至此，我们得到了中国央行货币政策变动的时间序列[2]，根据这一序列我们可以检验央行的货币政策是否显著地由宏观变量来决定。如果能够找到宏观变量对货币政策的作用关系，那么通过跟踪宏观变量的变动我们就能测度出央行货币政策立场的可能概率，也就意味着我们获得了央行货币政策执行的隐含法则。
为了减少测量误差的扰动，我们主要使用ordered-logit模型，将央行的货币政策赋值为1,0，-1的从高到低的有序变量，越低的排序说明央行的货币政策越宽松，以此作为我们的被解释变量。在ordered-logit模型中，排序的位置有意义，而赋值的大小没有意义。
有了被解释变量，接下来我们抓取了市场比较关注的、频率合适的宏观变量作为解释变量。我们选取的数据时间段从2003年1月一直持续到2019年10月。在回归过程中，我们考察了30个月频的宏观变量，最终选取有宏观解释力的8个解释变量，同时也将PPI作为控制变量（有助于我们判断当前的CPI通胀和PPI通胀究竟哪个会影响货币政策）。
我们分别进行了三组ordered-logit多元回归，分别为回归1、回归2和回归3。由于被解释变量是通过MPI获得的月频央行货币政策松紧的有序变量，为了减少内生性问题，宏观解释变量除GDP目标差额外，使用的是月频宏观变量的上一期值。回归结果列于表3，后三列数值是各变量回归系数，值越大表示央行加息概率越高。根据表3结果，我们可以得到3个重要结论。
结论1：央行货币政策存在隐含多目标决策机制
在表3的回归1中，我们使用CPI通胀、PPI通胀、GDP目标差额（实际增长与两会目标差），固定资产投资目标差额（固定资产投资增速与两会目标差），人民币兑美元汇率月度同比增幅，美元指数作为被解释变量。我们发现央行的货币政策决定中隐含着“稳通胀、盯住增长目标、稳币值”的政策目标。回归结果中，CPI通胀、GDP目标差额、人民币兑美元汇率同比增幅的系数较大且都较为显著。并且央行在通胀较高时、经济增长高于政府目标时、人民币贬值压力较大时收紧货币政策的概率都会较高。此外当我们考虑币值因素之后，美元指数的上行，会降低央行收紧货币政策的概率。主要原因在于，美元指数上行，有可能意味着全球经济环境的恶化（比如贸易摩擦加剧），从而导致央行加息的概率降低。
结论2：CPI通胀影响大于PPI通胀
2019年下半年，受到猪肉价格的推动，CPI通胀扶摇直上，11月份达到4.5%，然而PPI通胀11月份却只有-1.4%。央行究竟对哪个通胀更敏感呢？从回归1的结果中CPI与PPI的系数可以看到，CPI通胀的系数不仅比PPI通胀高而且比PPI通胀更显著。因此如果单纯比较CPI通胀和PPI通胀，显然CPI在央行的决策机制扮演更重要的角色。
结论3：非食品通胀影响远高于食品通胀
2019年CPI通胀主要是因为猪肉价格飞涨造成的影响，那么究竟是食品通胀对货币政策影响大，还是非食品通胀呢？在回归2中，我们将回归1中的CPI通胀替换成食品通胀和非食品通胀，其余解释变量保持不变。非食品通胀的系数要远大于食品通胀，并且更为显著。因此我们可以认为，央行在制定货币政策考虑的众多因素中，非食品价格所占的权重更大。但是我们也要看到CPI通胀中，食品CPI通胀的波动率是非食品CPI通胀波动率的5倍[3]，畸高的食品CPI通胀也会显著提高央行收紧货币政策的可能。言而总之，食品CPI和非食品CPI通胀都会提高央行收紧货币政策的概率，但是央行对非食品CPI通胀更为敏感。
“房住不炒”的大背景下，二手房价的波动幅度略有下行，在回归3中，我们加入了70城二手房价的价格同比作为新的解释变量，回归结果显示二手房价增速对央行的货币政策也有一定的影响。当房价上涨较快时，央行收紧货币政策的概率增加，相应放松货币政策的概率降低。在后续的讨论中，我们主要集中对于表3中的回归2和回归3的讨论。
为了更好地对表3的后两列的回归系数进行解读，我们将其转化为胜算比（odds ratio），列于图3和图4。胜算比表示宏观变量每增加1个单位，央行收紧货币政策的发生率比维持不变或放松货币政策的发生率会增加多少倍。以回归2（图3）为例，非食品CPI每上行1个百分点，央行收紧货币政策的概率比央行不收紧货币政策的概率要变大1.73倍，而食品CPI每上行1个百分点，央行收紧货币政策的概率比央行不收紧货币政策的概率要大1.05倍。这也就意味着食品CPI要上行11个百分点对货币政策的影响才能等同于非食品CPI上行1个百分点的影响[4]。
而GDP目标，如果换算成食品CPI通胀的影响，基本可以认为0.1个百分点GDP目标差的上行约等同于1个百分点食品CPI通胀的上行[5]。
2020央行会宽松，节奏如何？
表3中的回归2和回归3，为我们提供了央行货币政策的隐含规则。利用这一规则，我们就可以基于明年的基准假设来预测明年的货币宽松的可能。在这里我们使用ordered-logit回归中拟合值落于收紧区间的概率减去拟合值落于放松区间的概率（后文统一称为概率拟合值），来度量央行是采取收紧还是放松的货币政策，所得结果显示于图5。无论是回归2和回归3，当概率拟合值为正时，央行更多处于一个收紧的货币政策环境中；当概率拟合值为负时，央行更多处于一个放松货币政策的环境中；而当概率拟合值趋近于零时，央行的货币政策趋近于维持原状。无论是回归2还是回归3的概率拟合值的走势都比较好地体现了这些特征。
为了和历史做比较，我们将回归概率拟合值等于-0.28设为央行放松货币政策的阈值，如果低于这一阈值我们倾向于认为央行会宽松货币政策。以回归3为基准，从2006年1月初至2019年10月份中，有54个月的回归概率差值小于-0.28（图5蓝色箭头）[6]，而其中有23个月央行实施了较为明显的宽松的货币政策，概率达到46%。
那么在2020年我们该如何判断呢？我们的基准假设是：1)预期2020年GDP增长目标为6.0%左右，而4个季度的实际增长可能分别为5.9%、5.9%、5.8%、5.8%；2) 2020年食品与非食品CPI增速如图6所示；3)人民币兑美元汇率同比增幅取2015年1月至2019年1月均值；4)美元指数取2015年1月至2019年10月均值；5)七十城二手房价[7]估计值如图7所示（从回归2和回归3差异来看影响不大）。
图5阴影部分是分别按照回归2和回归3计算的预测值。两者预测的概率差较为接近，如果我们仍然以回归3为基准，在预测值中，2020年1月、3月以及6月至12月共有9个月的概率差小于-0.28。按照历史的概率，这很可能意味着在这些月份中，尽管宽松的幅度可能低于2009年和2015年，但在MPI的定义层面上（具体使用何种工具并非重点），央行有可能会进行约4次的较为明显的月度“松货币”的操作。
对股市与债市的含义
概率差越小，央行放松货币政策的概率就越大。从历史对应关系来看，当概率差突破阈值且下行较深时，央行宽松预期较为强烈，股指往往会有较明显的上行（如图8中的2008年11月，以及2014年10月）。而2020年中，预期概率差有较大下行空间且也会突破阈值，因此有可能更为利好中国股市表现。
但是，从2015年开始概率差的走势与国债收益率的走势呈现一定的反向关系（如图9中彩色阴影所示），这可能反映了市场对于安全资产和风险资产的风格切换。当货币政策预期极为宽松时，人们对风险资产的追逐，可能会导致安全资产的配置需求降低，反而抬高国债资产的收益率。从这一角度来看，我们对2020年的国债资产的表现，持相对谨慎预期。
风险提示
央行货币政策的制定仍然有很多无法公开观测到的决定因素。从MPI的有序序列推演得到的央行货币政策决定法则可以作为测度央行制定货币政策行为的基准，但对资产进行配置时，需要参考更多的外部条件，比如市场风险偏好的变动，全球贸易环境的演化，国际资本的流入，以及国家政策的波动等。
附录
脚注：
[1] 参考Girardin et al. (2017)
[2] 我们剔除了春节前后流动性投放和回收的货币政策。
[3] 从2001年至2019年11月，食品CPI波动率（标准差）为5.44%，非食品CPI波动率（标准差）为1.02%。
[4] (1.05)^11≈1.71
[5] 从2000年至2019年9月份，GDP增速的标准差为2.23%。(2.04)^0.1≈1.07
[6] 取该阈值的基准主要是保证在低于阈值时，央行收紧概率最小而宽松概率最大。
[7] 使用ARIMA模型进行估计。
参考文献：
[1] Xiong，W.(2012). Measuring the monetary policy stance of the People’s Bank of China: An oderdedprobit analysis. China Economic Review.
[2] Girardin, E., Lunven, S., and Ma, G. (2017). China's evolving monetary policy rule:from inflation-accommodating to anti-inflation policy. Technical report, Bank forInternational Settlements.
[3] Laurent L. Pauwels, Predicting China’s Monetary policy with forecast combinations, HKIMR Working Paper No.09/2019
光大宏观组团队介绍
张文朗 首席宏观分析师 13811233375
黄文静 宏观经济和市场研究 18611288099
郭永斌 财政与固定收益 15120034181
周子彭 宏观经济和资产配置 13699222628
刘政宁 海外经济与金融市场 13761178275
邓巧锋 债券市场和货币市场 13810828167
郑宇驰 实体经济和产业研究 17621950127
免责声明
