一、引言及文献综述

2008年金融危机的影响是长期且潜在的，自那以后，我国经济一直处于不稳定的状况——从前期的下滑到复苏再到近两年出现的企稳。面对国内外错综复杂的金融经济形势，我国政府在 2008年下半年至 2010年上半年期间实施了宽松的货币政策。此后，我国的货币政策基本维持在稳健水平，为我国金融和经济的发展创造并维持了稳定的货币金融环境；同时为了防范国内外各种各样的金融风险，增强对经济金融运行的监测分析，政府不断调整金融宏观调控措施。然而在经济“新常态”背景下，金融对经济的影响越来越深且难以控制其不利影响，其影响系数和传导机制也越来越复杂，依赖某个单一的变量或指标来判断金融对经济的影响及其未来走势已不再准确，对货币政策的制定与实施造成了一定难度。因此，为了全面综合地将这种影响反映出来，就需要构建金融状况指数，以综合各类重要经济金融信息，达到预测未来经济形势的目的，从而作为政策制定的依据。

早期，国内外学者主要使用静态或动态的线性同频数据模型编制与应用金融状况指数(FCI)。第一，静态模型。国外学者在构建 FCI时主要使用的静态线性同频数据模型包括 Goodhart和 Hofmann(2001)最早使用的 VAR 模型、Mayes和 Virén(2001)的IS曲线方法、Lack(2003)的宏观模型结构式方法以及 English等(2005)的因子模型方法等。国内学者仿照国外研究方法将静态线性同频模型应用于我国 FCI研究中。自王玉宝(2003)首次构建中国 FCI(CFCI)后，国内学者对 CFCI的研究基本还处于标准FCI的研究阶段，其显著特征就是使用 VAR模型测算权重，构建和应用标准的静态FCI，代表性文献包括陆军和梁静瑜(2007)、李成等(2010)、郭晔和杨娇(2012)等的论述。第二，动态模型。为了克服上述静态模型和方法在构建 FCI时无法反映一个经济体中金融和经济动态结构变化的不足，一些国外学者对早期模型进行拓展改进，应用动态模型方法编制 FCI，包括 Matheson(2012)使用的动态因子模型、Brave和Butters(2012)的主成分分析方法、Koop和 Korobilis(2014)的 TVP-FAVAR模型，以便更好地预测未来经济状况。我国国内这方面研究主要为余辉和余剑(2013)使用的时变参数状态空间模型。

近年来，也有少量学者使用非线性模型编制与应用 FCI，主要包括 MS-VAR模型(封思贤等，2012；溦易晓等，2014)以及MI-TVP-SV-VAR模型(周德才等，2015)，从而更加灵活动态地研究我国FCI的非线性和周期性特征。

无人机测绘技术具有明显的科技优势。在工程测量中，运用遥感技术可全面了解整体项目建设情况，并在施工过程中提高项目的检测率，实时掌控工程项目建设中的问题，并及时进行处理和解决，避免了安全隐患。另外，无人机测绘技术在紧急事件处理方面高效快捷，可以对施工项目周边的地理、地质及水文情况进行实时监控，施工技术人员可以根据无人机监测反馈结果来及时制定相应的解决方案和措施，以便提高工程项目建设过程中的稳固性，有效改善工程质量。

由于使用同频数据模型会造成数据处理过程中的信息丢失，近年来混频数据模型开始在经济研究领域兴起。目前，国内外学者主要运用混频数据模型对我国 GDP、CPI进行预测研究以及对经济周期监测进行研究。刘汉和刘金全(2011)运用混合数据抽样模型(MIDAS)对我国季度 GDP进行预报和预测；李正辉和郑玉航(2015)运用 MSMIDAS模型构建了我国三机制经济周期模型。他们的研究都表明了基于混频数据模型的预报和监测具有精确性和时效性。同时，也有少量学者将混频数据模型运用于金融与经济的指数构建和分析中，如 Mariano和 Murasawa(2003)、Aruoba等(2009)、郑挺国和王霞(2011)、叶光(2015)等使用混频动态因子(MF-DFM)模型构建中美等国家的混频经济景气指数；同时栾惠德和侯晓霞(2015)使用混频动态因子模型(MF-DFM)编制的我国实时 FCI；周德才等(2017)使用 MF-VAR模型构建的中国混频 FCI。他们的研究都表明，运用混频数据得到的指数不仅与经济走势吻合，还能够对经济形势进行实时预报。

病灶的典型层面及ADCtot值的测量方法见图1。两位医师测得的ADCtot值分别为(1.54±0.27)×10-3、(1.55±0.28)×10-3mm2/s，ICC为0.994，一致性优秀。以ADCtot中位数(1.5×10-3mm2/s)为标准分成高低值两组进行比较。

（2）本评价按机动抢险船水面以上净高4.5m考虑，要求电力线路距100年一遇设计洪水位最小距离不小于15.0m。电力线路沿线各档最大弧垂距20年一遇设计洪水距离，青甸洼蓄滞洪区内在17.36～45.26m之间，均大于15.0m，满足动力线安全输电要求。

综上可见，使用非线性模型构建金融状况指数的研究还比较少，运用混频数据模型来构建金融状况指数的研究更是屈指可数，而将非线性模型和混频数据模型结合起来构建我国非线性混频金融状况指数的研究几乎空白。鉴于此，本论文通过马尔科夫机制转换混频向量自回归(Markov Switch Mixed Frequency Vector Autoregress，MSMF-VAR)模型计算不同机制下的脉冲响应函数，基于货币供应量、短期利率、股票价格、房地产价格、汇率、社会融资规模 6个金融状况指标，构建了我国非对称混频金融状况指数(Markov Switch Mixed Frequency Financial Conditions Index，MSMFFCI)，并应用于分析其对以 GDP为代表的经济形势预测，并将研究结果与同样条件下标准的VAR模型计算的同频金融状况指数(SFFCI)进行对比。

二、构建马尔科夫机制转换混频向量自回归计量模型

（一）构建MS-MF-VAR具体形式

1.MS-MF-VAR模型的一般形式。MS-MF-VAR模型的一个主要特点为对不同频率的数据进行非对称分析。定义为每三个月才能观察到的N1个季度指标的随机变量序列(本文为GDP)；为月度指标的N2个随机变量序列(本文为金融状态指标)；N=N1+N2。对GDP环比增长率季度数据，Mariano和Murasawa(2002)提出使用几何平均方法进行月度频率分解，但郑挺国和王霞(2011)发现这不适合中国GDP为同比增长率的国情，提出了如下算术平均方法：

2016年的“一号文件”还提出要进行农业供给侧结构性改革。农业供给侧结构性改革发端于2015年11月中央经济工作会议，尽管2016年的“一号文件”着墨不多，但已开始启动。此外，文件特别指出，农村一切工作的出发点和落脚点在于“坚持农民主体地位、增进农民福祉”，这充分体现了新时代“三农”工作的基本立场和根本要求。

 

鬼子发现占领东山的国军正在向江边撤退，一路尾随追击而来。石大勇心想，如果不就地组织阻击，他们这样被敌人追着打，还不等跑到江边，就会被敌人消灭干净。于是，他反身停了下来，对身后的战士们说：“班长以上的军官们留下阻击敌人，其它战士护送连长先撤。你们记住，到了江边不要等我们，让所有的划夫们都撤，你们上了木排顺江向下游烟收坝南岸撤，上岸后从点军回石牌。如果你们活着回去了，让连长去找师长，代我们问一句话，为什么攻城的大部队撤走时不带上我们？就这，都赶紧走。”

 

其中则它的遍历不可约的马尔科夫过程的转移概率矩阵如下：

 

2.MS-MF-VAR的状态空间模型形式表示。设 MS-MF-VAR模型滞后阶数为根据Camacho(2013)的研究，MS-MF-VAR模型的状态空间模型形式表示为：

 

 

其中：是状态向量Zt的系数矩阵；是状态向量矩阵；R∼iid.N(0,G)是量测方程误差项；是状态方程t在机制下St下的常数项，是状态议程的误差项；是状态方程在机制下 St下的系数矩阵，

（二）估计MS-MF-VAR

1.MS-MF-VAR的变量替换和方程重设。是季频数据，在与月频数据放在一起进行模型参数估计时，每个季度就会产生第1月和第2月的数据的缺失问题。对此，本文将季度数据看作是有缺失值的月度数据，并用随机抽样 rt填充缺失的观察值，将这个由季度数据新构造出来的月度数据表示为，其分布不依赖于表征Kalman滤波的参数空间，即：

 

由于中每个季度的第1月和第2月的数据是人造的，因此需要将前文状态空间模型及其变量进行重设和替换，以允许Kalman滤波在更新时跳过缺失观察值。

设矩阵位于矩阵的Y前N行(一般为第 1行)，H'是将矩阵 H的前N行元素t11全部换成0组成的矩阵；是向量Rt前N1行的元素换成rt组成的向量；G'是矩阵G的前N1行N1和前N1列的元素全部换成组成的矩阵；是将向量中前N1行元素全部换成0组成的矩阵，即：

 

阅卷完毕后，则是统分环节。传统考试人工统分需要耗费大量人力、时间，人工核算，还难以避免误差，重复工作。智学网下的数学阅卷采取智能统分。即系统自动判定学生客观题得分，再累加教师阅卷输入的每道主观题得分，自动得出每位学生总分。

 

2.MS-MF-VAR的Kalman滤波估计。借鉴Kim(1999)，由式(13)和式(14)组成的MS-MF-VAR参数通过使用Kalman滤波与平滑方法进行估计，而Kalman滤波估计过程已经由Kim(1999)进行了详细介绍，本文在此不赘述，具体情况请参考其专著。

三、构建非对称混频金融状况指数测度模型和测算方法

（一）介绍标准FCI的静态同频测度模型和测算方法

Goodhart和Hofmann(2001)提出构建标准FCI的静态同频测度模型和测算方法。周德才等(2015)对标准 FCI的静态同频测度模型和测算方法进行了详细介绍，由于篇幅限制，本文不赘述。

月频指标组成的向量被假设为遵循一个具有 M 种机制的 MSVAR(p)过程：

（二）构建非对称混频金融状况指数测度模型和测算方法

考虑到我国现正处于全面深化改革发展的新阶段，金融和经济状况正处于“新常态”或者向“新常态”发展，并且从“老常态”向“新常态”转换存在一些结构变化。因此，提出了构建非对称混频金融状况指数(MSMFFCI)的非对称混频测算模型和测算方法。

首先，构建我国MSMFFCI的混频测度模型。M种机制的 MSMFFCI的混频测算模型如下。

第五步，将月度非对称混频金融状况指数(MSMFFCIm)代入到式(18)，得到季度期望非对称混频金融状况指数(MSMFFCIq)。

 

其中，是第i种机制下月频MSMFFCI，i=1,2,⋅⋅,M，M是机制数；是第i种机制下第j个金融状况指标的月度权重系数，j=1,2,⋅⋅,N，N是金融状况指标数量，且是第i个金融状况指标在第个t时期的月度缺口值，可以通过HP滤波测算得到；是货币政策目标变量(GDP)对来自第j个金融状态变量在第i种机制下的一个标准差信息冲击的月度脉冲响应函数值，j=1,2,⋅⋅,K，K是脉冲响应函数的期数，而每种机制下的脉冲响应函数值是通过MS-MF-VAR模型估计出来的。

根据《3～110 kV电网继电保护装置运行整定规程》DL/T 584-2007 和《电力系统继电保护与安全自动装置整定计算》可以发现，考虑到保护动作时间、断路器动作时间以及断路器断口熄弧特性相对固定，10 kV配电网线路重合闸时间主要与故障点断电熄弧去游离时间紧密相关。如果在断路器重合前，非永久性故障点已经成功熄弧，重合闸操作即可成功，否则重合闸将失败。

(2)计算月度总体非对称混频金融状况指数(MSMFFCIm)：

这些替换导致一个没有缺失观察值的状态空间模型，因此Kalman滤波可以直接应用于对测量方程(4)和状态方程(5)用替换后的新变量进行简化表达，以允许Kalman滤波在更新时跳过缺失观察值。

 

其中，为通过MS-MF-VAR模型计算出来的第i种机制下的月度滤波概率或平滑概率。

(3)计算季度非对称混频金融状况指数(MSMFFCIq)。由于在Kalman滤波过程中，季度GDP增长率是由月度GDP增长率算术平均得到，从而季度MSMFFCIq也应由月度MSMFFCIm算术平均得到，计算公式具体如下：

 

其中，MSMFFCI1、MSMFFCI2、MSMFFCI3分别表示一个季度中第 1、2、3个月的月度非对称混频金融状况指数(MSMFFCIm)。

其次，构建非对称混频金融状况指数(MSMFFCI)的测算方法。

第一步，选择经过处理好的混频样本数据，主要使用 MS-MF-VAR模型进行估计，得到它们之间的马尔科夫机制转换混频脉冲响应函数值

另外现在的学生多为独生子女，对他们的心理健康关注尤其重要。比如：教育和引领孩子们正确地面对挫折，保持良好心态，健康快乐生活，使他们认识到与人相处的意义。

在对学生进行“你选择职业的主要依据是什么”的问题调查中，排在第一位的是经济收入，占41%；其次是个人价值的体现，占36%。总的来看，毕业生就业和择业趋于务实。

标准化是实施模块化的基础和目标之一.模块化也是标准化的一种新形式,它是标准化原理中简化、统一化、系列化、通用化、组合化等理论的综合运用,是标准化的高级形式.

第三步，将马尔科夫机制转换混频权重代入到式(16)，得到每种机制下的月度非对称混频金融状况指数

其中，1421I×是14×21维单位阵。

(1)计算第j种机制下的月度非对称混频金融状况指数

四、中国非对称混频金融状况指数编制前的数据处理与检验

（一）变量的选择与数据的处理

根据标准 FCI的测算方法以及前人的研究。本文选取货币供应量(M2)、短期利率(IR)、股票价格(SP)、房地产价格(HP)、汇率(REER)、社会融资规模(SF)作为构建MSMFFCI的金融状况指标，分别以广义货币供应量 M2、中国银行间7天同业拆借利率、上证综指月末收盘价、房地产开发企业商品房销售额除以房地产开发企业商品房销售面积、人民币实际有效汇率、社会融资规模作为其代理变量。

由于我国全社会融资规模在 2002年元月才开始公布，因此以上 6个金融状况指标的样本区间为2002年1月至2015年12月，且均为月度数据，其中短期利率将原数据加100变成本利和形式，人民币实际有效汇率换算成以2002年1月为基期的数据。衡量经济增长的代理指标为GDP当季同比实际增速，样本区间为2002年第1季度至2015年第4季度，为季度数据。此外，通货膨胀率等于CPI减去100，定基比消费者价格指数以2002年1月为基期。所有数据来源于中国人民银行、国家统计局、国际货币基金组织。接着对数据作以下处理：(1)所有变量均用 X12方法进行季节调整；(2)除GDP当季同比实际增速及REER外，M2、SP、HP、SF都通过用名义值除以定基比消费者价格指数得到实际值，IR的实际值由名义值减去通胀率得到；(3)对6个月度变量进行对数化处理；(4)然后使用HP滤波方法计算6个金融状况指标的缺口值。

（二）单位根检验

为了避免实证分析汇中有可能呈现的伪回归现象，需要检验时间序列是否为平稳的时间序列，因此在估计MS-MF-VAR模型之前，本文采用ADF检验方法对7个金融和经济变量进行单位根的检验，检验结果表明 7个金融和经济变量都在 1%,的显著性水平上拒绝时间序列具有单位根(Unit Root)的原假设，说明 7个变量都是平稳序列，因此可以进行MS-MF-VAR模型的实证分析① 因篇幅所限，在此未列出检验结果，备索。。

（三）最优滞后阶数的确定

本文使用Eviews中的VAR模型Lag Order Selection Criteria进行检验，来确定模型的最优的滞后的具体阶数。根据SC准则，同时考虑到模型方程的简化与运算，本文将模型的最优的滞后的具体阶数检验确定为1阶。

五、中国非对称混频金融状况指数实证测度

（一）MS-MF-VAR具体形式的设定

1.量测方程设定。本文选择了由1个季度数据GDP和6个月度数据广义货币供应量(M2)、短期利率(IR)、股票价格(SP)、房地产价格(HP)、汇率(REER)、社会融资规模(SF)的组成的混频样本数据，分别用和、、、、、来表示，其中缺失的月度数据用均值为 0和方差为 1的正态分布随机数补充，表示为。按照前文构建的 MS-MF-VAR模型，季度 GDP增长率是月度GDP增长率以及滞后2阶的月度GDP增长率的算术平均数，因此，量测方程中的状态变量的个数为 7∗3＝21个。根据前文构建的模型形式以及现在的模型参数的设定，MS-MF-VAR模型的具体形式见式(16)。

 

其中：I是单位阵。

2.状态方程设定。本文设定马尔科夫机制的个数为 2，即 M＝2；MS-MF-VAR模型的滞后阶数为1阶；为了避免过度参数化，使得研究简单明了，参考Camacho(2013)的做法，本文只把状态方程的常数项演变过程设定为马尔科夫机制转换过程，其他项不设。因此，MS-MF-VAR模型的状态方程的具体形式见式(17)。

 

第四步，将每种机制下的月度非对称混频金融状况指数代入到式(17)，得到月度期望非对称混频金融状况指数(MSMFFCIm)；

（二）中国非对称混频金融状况指数实证测算结果

本文使用 Matlab运行 MS-MF-VAR模型程序，得到模型估计结果。根据模型估计结果，使用两种机制下的21期马尔科夫机制转换混频脉冲响应函数值，代入公式(16)，分别计算出两种机制下的然后根据两种机制下的月度 MSMFFCI以及月度卡尔曼平滑概率，代入公式(17)，得到总体非对称混频金融状况指数MSMFFCIm。由于在计算Kalman滤波过程中，早期的数据不太稳定，因此将前面12个月的数据作为测试样本，有效样本为2003年1月至2015年12月的数据。

1.马尔科夫机制转换混频脉冲响应函数值。由图1中的各个子图可知，两种机制下GDP对各变量的脉冲响应图走势基本一致，机制2的脉冲响应值大于机制2的脉冲响应值，但不论是何种机制，6个变量对GDP的脉冲响应在作用和方向上都不同，这更说明构建一个能够综合多个变量信息的指数来监测和预报未来经济状况比依赖于一个单一变量更合理。

与“丝绸之路经济带”交织并行的黄河可谓是山西融入“一带一路”的绝佳路经，山西未来应强化沿黄旅游与丝路旅游的良性互动，切实加强沿黄九省旅游合作，为“一带一路”画上三晋符号。

2.平滑概率图。为了更好地描述我国货币政策的松紧程度，根据Kim(1994)的平滑概率算法，得到两种机制下的平滑概率估计结果，具体见图2。由图2可知，两种机制下的平滑概率走势图是对称的，代表不同的货币政策发生的概率大小。本文以概率值是否大于0.5为判断标准，当平滑概率值大于0.5时，货币政策处于该机制下的概率就越大，反之则说明处于另一种机制。图2显示我国货币政策在机制1时处于高概率的持续时间较长，结合实际状况表明机制1为我国实行稳健的货币政策的概率，如从2011年起到2015年基本持续的高概率阶段正是我国以维持经济增长为目的实施稳健的货币政策时期；而机制2表示我国的货币政策发生转变，实行宽松的货币政策，如图2显示2009年的概率较高，而该年我国为了应对全球经济危机实施宽松的货币政策。

第二步，利用构成 MSMFFCI各个金融状况指标的马尔科夫机制转换混频脉冲函数累计值在全部累计值中的比值，计算出每一种机制下的马尔科夫机制转换混频权重

  

图1 两种机制下GDP对各变量的脉冲响应图

  

图2 两种机制下的平滑概率

3.权重系数图。为了充分说明6个金融状况指标对于我国经济增长的影响，以下给出6个金融状况指标在FCI计算中的两种机制下的权重系数图。由图3可知，两种机制下各变量所占的权重有所不同，尤其是货币供应量、股价以及社会融资规模所占权重在两种机制下的差异较大，并且权重排名有所不同。货币供应量在机制1下所占权重排名最低，而在机制2排名第一；股价在机制1时排名第二，机制2时排名第5；社会融资规模在机制1排名第一，机制2排名第三。由以上分析可知：造成这种差异的原因主要在于：机制1表示我国实行稳健的货币政策，反映出我国经济发展平稳且趋好，而其表现之一就是股市较热，对实体经济的影响很大，因此在该机制下股价所占权重很大。同时由于我国稳健货币政策的主要手段就是调整信贷规模，因此机制1下社会融资规模对经济的影响更大，所占权重也更大。机制2表示我国实行宽松的货币政策，而我国宽松的货币政策主要以增发货币来进行，因此机制2下货币供应量M2对经济的影响很大，所占权重也最大。但总的来看，短期利率和房价在两种机制的权重都较大，而汇率的权重都较低，排名靠后。其主要原因是从1996年开始，我国不断推进利率自由化和市场化改革，利率调控更加倚重市场化的货币政策工具和传导机制，其通过金融体系尤其是银行以及投资消费对经济的作用机制逐渐凸显，因此利率权重较高。自从2008年全球经济危机后，全球的消费逐渐萎缩，导致我国一些出口产品供过于求，许多企业纷纷转为内销，再加上政府刺激消费的举措频频出台，内需逐步成为推动我国经济增长的最主要的因素，到2015年，我国成功实现了经济增长由投资和外贸拉动为主向由内需特别是消费为主的重大转型，汇率作为影响我国外贸的主要因素之一，随着出口对我国经济的贡献率的下降，其对我国经济的影响也逐渐降低，此外我国人民币国际化进程的缓慢也抑制了汇率对我国经济的有效作用，因此拥有较低的权重。

  

图3 两种机制下各金融指标的权重系数

4.趋势图。通过 MS-MF-VAR模型计算出来的两种机制下的月度混频金融状况指数MSMFFCIm见图4。由图4可知，两种机制下的MSMFFCIm几乎重合。一般说来，金融状况指数越大，表明经济不确定因素越多，市场压力越大。2008年至2010年正值全球金融危机前后，我国股票价格大幅度下挫，对外贸易受全球消费萎缩的影响而深受打击，同时政府为了振兴经济实施了一系列扩张的财政政策和货币政策，货币超发又催生经济泡沫。内外部压力使得此时段的非对称混频金融状况指数迅速上升并持续处于高位，市场面临极大的不确定性。除了2008年至2009年起伏很大，其他时间段都呈小幅波动的状态，总体而言，我国金融运行状况比较平稳。

  

图4 两种机制下的MSMFFCIm

（三）MSMFFCIq 与GDP图形比较

由于估计出来的 MSMFFCI为月度数据，为了能与季度 GDP数据进行比较，将MSMFFCIm进行月度平均换算为季度数据，再将季度MSMFFCIq与季度 GDP画出折线图。

由图5可以看出，MSMFFCIq与GDP的趋势轨迹大致相同，并且从几个波峰和波谷可以看出，MSMFFCIq显著地领先GDP大约1-2个季度。如2008年我国由于受金融危机的影响，经济大幅下滑，GDP当季同比实际增速于 2008年第四季度达到最低点，而MSMFFCIq于 2008年第三季度就达到了波谷；在此之后随着全球经济的逐渐复苏以及我国扩张性财政政策的推进，我国2009年GDP呈现快速增长，于2009年第四季度达到顶点，而MSMFFCIq在 2009年第二季度就显示了波峰；而由于此次财政的扩张与实际消费能力和经济吸收能力的不匹配，导致过度投资和货币超发和流动性过剩以及经济增速又出现放缓现象。这到 2012年才逐渐稳定，而MSMFFCIq的走势也完全符合了这一轮的经济波动。这表明MSMFFCIq对于GDP有一定的预测能力，可以作为GDP的先行指标，预测时间大致为1-2个季度。为了探索中国非对称混频金融状况指数(MSMFFCI)是否更有效，本文计算出同样条件下运用标准VAR模型得到的同频金融状况指数SFFCIq，并画出MSMFFCIq、SFFCIq以及GDP的折线图以进行比较，见图6。总的来说MSMFFCIq与SFFCIq都领先 GDP，如 2009年第四季度GDP达到波峰，而MSMFFCIq 与 SFFCIq都于 2009年第二季度就达到了波峰。但在 2008年第四季度 GDP达到波谷时，SFFCIq于同期达到波谷，而MSMFFCIq提前一个季度就达到了波谷。总的来看，MSMFFCIq对GDP的领先作用要优于SFFCIq。

  

图5 MSMFFCIq与GDP当季同比实际增速折线图

  

图6 MSMFFCIq、SFFCIq与GDP当季同比实际增速比较图

（四）格式杰因果关系

为了探索MSMFFCIq与 GDP的关系，对其进行格兰杰因果关系检验。结果表明，格兰杰检验在1%的显著性水平上拒绝了滞后期为1-6阶时MSMFFCIq不是GDP的原因的假设，说明MSMFFCIq是 GDP的格兰杰原因；在 1%的显著性水平上接受了滞后期为 1-6阶时 GDP不是MSMFFCIq的原因的假设。说明在 1-6阶时，MSMFFCIq与GDP之间有单向的因果关系，可以进行预测分析。篇幅限制没有列出检验结果。

（五）MSMFFCIq 与GDP跨期相关性分析

为了进一步判断MSMFFCIq对 GDP是否有领先和预测作用，对MSMFFCIq与GDP进行跨期相关检验，同时为了比较，也检验了SFFCIq与GDP的跨期相关性，结果见表1。

结果表明：MSMFFCIq与 GDP的跨期相关系数随领先期的增加先增大后减小，并在第2期达到最大值0.472，第1期和第3期的相关系数也较大；而SFFCIq与GDP之间最大的跨期相关系数为第 1期的 0.3152，总体说来其与 GDP的相关性要低于MSMFFCIq。说明MSMFFCIq与 GDP之间具有明显的跨期动态相关性，MSMFFCIq对未来经济增长趋势的预测在中短期效果最佳，且预测效果优于SFFCIq。

 

表1 MSMFFCIq、SFFCIq与GDP跨期相关关系

  

领先期 0 1 2 3 4 5 6 MSMFFCIq 0.134 0.3915 0.472 0.4036 0.1725 -0.0191 -0.1697 SFFCIq 0.2528 0.3152 0.2385 0.0805 -0.1914 -0.3661 -0.4512

（六）预测检验

本文采用回归方程式对GDP进行预测，其具体公式如下：

 

其中表示提前k期的MSMFFCIq，这里k=1,2,⋅⋅,6，SFFCIq对GDP的预测方法也一致，预测结果如表2所示。

 

表2 MSMFFCIq和 SFFCIq对GDP的预测检验

  

注：MAE为平均绝对误差，RMSE为均方根误差。

 

MSMFFCIq对GDP预测检验 SFFCIq对GDP预测检验提前期数 系数 P值 R2 AIC SC MAE RMS-E 系数 P值 R2 AIC SC MAE RMS-E 0 0.3024 0.9561 0.0180 2.944383 3.0194 0.8772 1.0149 0.4873 1.8476 0.0639 2.8965 2.9715 0.8670 0.9909 1 0.8860 2.9858 0.1539 2.8149 2.8907 0.8340 0.9506 0.6080 2.3277 0.0996 2.8772 2.9529 0.8408 0.9806 2 1.0690 3.7271 0.2244 2.747448 2.8239 0.7585 0.9183 0.4615 1.7080 0.0573 2.9426 3.0191 0.8387 1.0125 3 0.9211 3.0533 0.1655 2.841068 2.9183 0.8146 0.9615 0.1625 0.5674 0.0068 3.0152 3.0924 0.8919 1.0490 4 0.3937 1.2020 0.0305 3.006298 3.0843 0.8789 1.0435-0.3899-1.3723 0.0393 2.9971 3.0751 0.9134 1.0387 5 -0.0435 -0.1293 0.0004 3.059341 3.1381 0.9244 1.0706-0.7445-2.7451 0.1434 2.9049 2.9836 0.8739 0.9910 6 -0.3938 -1.1745 0.0304 3.032681 3.1122 0.9258 1.0554-0.9507-3.6251 0.2300 2.8022 2.8817 0.8162 0.9405

由表2可知，提前1-3期的对GDP的影响系数都在 1%,的置信水平上显著，说明MSMFFCIq对 GDP有较好的预测能力。其中提前 2期的拟合优度最高，为22.44%,，并且提前 2期的MAE和RMSE是所有期数中最小的；而SFFCIq对 GDP预测的系数估计值除了第 3期，其他期数都在 10%,的显著性水平上显著不为零，其中第 6期的拟合优度最高，为 23%,，略高于MSMFFCIq，但SFFCIq提前 6期的 MAE和RMSE都要高于MSMFFCIq。虽然对于一般的回归预测来说，MSMFFCIq和SFFCIq对于 GDP的解释力度都较低，但由于影响经济增长的因素很多，变化机制很复杂，且由于市场的不健全、消费的不成熟等因素使得其对经济影响的传导速度慢、链条太长、滞后性高，要想提高模型的解释力度，还需要加入除FCI的其他变量，但由于本文的目的不在此，因此并不做相关研究。

六、结论与建议

为了充分利用混频数据信息和减少人造同频数据导致的信息丢失，本文选择 1个2002年第1季度—2015年第4季度的GDP当季同比实际增速季度数据和6个2002年1月—2015年12月的货币供应量、短期利率、股价、房价、汇率、社会融资规模金融状况指标月度数据组成了一个混频样本数据，通过马尔科夫机制转换混频向量自回归(MS-MF-VAR)模型计算系数权重，构建中国非对称混频金融状况指数(MSMFFCI)，并实证检验了其对GDP的预测能力，同时将其与标准VAR模型构建的同频金融状况指数(SFFCI)进行了比较。结果表明：第一，根据 MS-MF-VAR模型构建的中国非对称混频金融状况指数(MSMFFCI)与 GDP具有显著的格兰杰因果关系，同时跨期相关系数检验表明MSMFFCI比SFFCI更有效，领先GDP大致1-2个季度，最大跨期相关系数为 0.472，预测检验的最大拟合优度为 22.44%,，表明本文构建的中国非对称混频金融状况指数(MSMFFCI)可以作为经济增长的一个先行指标；第二，6个金融状况指标对 GDP的作用在大小和方向上都不同，这表明综合多个经济金融信息来监测经济增长的必要性和准确性；而同一个变量在不同的机制下对GDP的作用程度也是不同的，机制1反映我国实行稳健的货币政策，机制2反映我国实行宽松的货币政策，而两种机制下各个变量的权重差异符合经济解释和现实意义，这表明本文构建的中国非对称混频金融状况指数(MSMFFCI)是合理有效的。不论是在哪种机制下，短期利率和房价对经济增长具有较大的影响，而汇率对经济增长的有效性则显得不足。

以SPSS19.0统计学软件进行数据的处理和分析,应用(±s)和(%)进行计量和计数,由t值和χ2检验,P<0.05代表对比具有统计学意义。

为更好地发挥新金融状况指数对经济增长的预测作用，本文提出以下几点建议。

铜陵河段综合治理的实施将对铜陵河段各汊道的分流比、河段水位以及流速产生影响，为较全面的反映不同水文条件下整治方案对防洪及河势的影响，综合考虑铜陵河段的水流特征及防洪要求，选定平滩流量为45 000 m3/s、多年平均洪峰流量为56 800 m3/s和防洪设计流量为82 400 m3/s作为水文条件进行数学模型计算[11]。工程实施后水文情势变化如下：

第一，定期编制中国非对称混频金融状况指数，并应用于经济增长的预测。混频金融状况指数弥补了同频模型构建的标准 FCI由于在同频数据处理过程中造成的信息丢失的缺点，从而对经济形势具有较高的解释力度，同时又具有很强的具体操作性。因此，国家可以指定专门的机构部门对中国非对称混频金融状况指数进行跟踪测算，并且对其进行定期公布，真实透明地反映我国金融状况的松紧程度，并对我国未来的经济增长趋势进行预测。这个方面我国可以借鉴外国经验，事先指定一个相对独立的金融部门或者金融机构对我国的混频 FCI进行跟踪测算，定期公布测算结果，并将其作为我国宏观经济监测重要参考指标。

第二，持续推动我国人民币全面国际化，强化我国汇率对经济的作用机制。本文研究结果表明，货币供应量、股价和社会融资规模在不同机制下的FCI中所占权重较大，短期利率和房价在两种机制下权重都较大，而汇率所占权重较小。最大的原因可能在于我国过于缓慢的人民币国际化改革进程，虽然目前人民币已经加入 SDR，但人民币在国际货币体系中依然缺乏主导地位，从而汇率的资产配置效应还未释放出来，存在资金的管制，在对经济的作用中难以立见成效。因此，我国应切实持续推动人民币国际化，在有效控制风险的情况下加快金融市场的开放，从而提高金融市场调控经济的主动性和有效性。

参考文献

［1］封思贤，谢启超，张文正.金融状况、通胀不确定性与通胀预测——基于 Markov机制转换模型的分析[J].当代经济研究，2012(5)：58-64.

［2］郭 晔，杨 娇.货币政策的指示器——FCI的实证检验和比较[J].金融研究，2012(8)：16-28.

［3］李 成，王 彬，马文涛.我国金融形势指数的构建及其与宏观经济的关联性研究[J].财贸经济，2010(3)：20-26.

［4］李正辉，郑玉航.基于混频数据模型的中国经济周期区制监测研究[J].统计研究，2015，32(1)：33-40.

［5］李正辉，郑玉航.金融状况指数的动态特征及其有效性研究[J].财经理论与实践，2015(4)：39-44.

［6］刘 汉，刘金全.中国宏观经济总量的实时预报与短期预测——基于混频数据预测模型的实证研究[J].经济研究，2011(3)：4-17.

［7］刘妍琼，许涤龙.中国金融状况指数的构建及其时间演化特征[J].财经理论与实践，2014，35(6)：18-23.

［8］陆 军，梁静瑜.中国金融状况指数的构建[J].世界经济，2007(4)：13-24.

［9］栾惠德，侯晓霞.中国实时金融状况指数的构建[J].数量经济技术经济研究，2015(4)：137-148.

［10］王玉宝.资产价格的政策信息作用与FCI指数[J].金融理论探索，2003(6)：5-6.

［11］叶 光.基于混频数据的一致指数构建与经济波动分析[J].统计研究，2015，32(8)：17-26.

［12］溦易晓，刘 洋.中国金融状况指数构建及货币市场稳定性研究[J].上海经济研究，2014(8)：3-15.

［13］余 辉，余 剑.我国金融状况指数构建及其对货币政策传导效应的启示——基于时变参数状态空间模型的研究[J].金融研究，2013(4)：85-98.

［14］郑挺国，王 霞.一种基于混频数据的中国经济景气一致指数[C].中国数量经济学会，2011：15.

［15］周德才，冯 婷，邓姝妹.我国灵活动态金融状况指数构建与应用研究——基于 MI-TVPSV-VAR模型的经验分析[J].数量经济技术经济研究，2015(5)：114-130.

［16］周德才，燕 洪，钟佳敏.中国混频金融状况指数的构建[J].统计与决策，2017(15)：5-10.

［17］Aruoba S.B.，Diebold F.X.，Scotti C.Real-time Measurement of Business Conditions[J].Journal of Business &Economic Statistics，2009，27(4)，417-27.

［18］Brave S.，Butters A.Diagnosing the Financial System：Financial Conditions and Financial Stress[J].International Journal of Central Banking，2012，8(2)：191-239.

［19］Camacho M.Mixed-frequency VAR Models with Markov-switching Dynamics[J].Economics Letters，2013，121(3)：369-73.

［20］Mayes DG.，Viren M.Financial Conditions Indexes[C].Bank of Finland Discussion Papers 17，2001.

［21］English W.，Tsatsaronis K.，Zoli E.Assessing the Predictive Power of Measures of Financial Conditions for Macroeconomic Variables[C].BIS Papers，2005，22：228-52.

［22］Goodhart C.，Hofmann B.Asset Prices，Financial Conditions，and the Transmission of Monetary Policy[J].Proceedings，2001，114(2)：198-230.

［23］Koop G.，Korobilis D.A New Index of Financial Conditions[J].European Economic Review，2014，71：101-16.

［24］Kim C.J.，Nelson C.R.State-Space Models with Regime Switching：Classical and Gibbs-Sampling Approaches with Applications[J].Journal of the American Statistical Association，1999，1(232)：105.

［25］Lack C.P.A Financial Conditions Index for Switzerland[J].Monetary Policy in a Changing Environment，2003：398-413.

［26］Mariano B.S.，Murasawa Y.A New Coincident Index of Business Cycle and Based on Monthly and Quarterly Series[J].Journal of Applied Econometrics，2003，18：427-43.

［27］Matheson T.D.Financial Conditions Indexes for the United States and Euro area[J].Economics Letters，2012，115(3)：441-46.