1.7 Выводы

Обобщая сказанное в первой главе данной работы, операционным ориентиром процентной политики Банка России является краткосрочная процентная ставка рынка межбанковского кредитования, нахождение которой вблизи ключевой ставки, т.е. центра симметричного процентного коридора, осуществляется путем проведения кредитных и депозитных операций постоянного действия на основе прогнозируемой потребности банковского сектора в ликвидности.

Изменение краткосрочной процентной ставки денежного рынка в свою очередь влечет соответствующие корректировки в динамике промежуточных макроэкономических показателей (процентные ставки по депозитам физических лиц, процентные ставки по кредитам юридическим лицам, обменный курс национальной валюты, темп прироста денежных агрегатов и т.д.). Принимая во внимания данные изменения, домашние хозяйства и предприятия меняют собственные решения, тем самым оказывая влияние на величину компонент, определяющих валовой внутренний выпуск (потребление, инвестиций и чистый экспорт), что в свою очередь в дальнейшем определяет поведение индекса потребительских цен.

Учитывая описанные выше процессы, происходящие вследствие принимаемых Банком России в рамках процентной политики решений, оценка макроэкономических эффектов, генерируемых изменением ключевой ставки, необходима для правильного использования системы инструментов, имеющихся в распоряжении регулятора.

Однако прежде чем провести соответствующую оценку необходимо рассмотреть используемые в настоящий момент подходы для анализа эффектов монетарной политики и выбрать метод, наиболее полно отвечающий цели и задачам настоящего исследования.

денежный кредитный политика банк

Глава 2. Подходы в оценке денежно-кредитной политики

В данной главе изложены методологические основы наиболее распространенных в настоящий момент подходов к моделированию экономик различных стран и, соответственно, к оценке эффектов денежно-кредитной политики: метод векторных авторегрессий (VAR) и динамические стохастические модели общего равновесия (DSGE), пришедшие в конце в 1970-ых гг. на смену стандартным макромоделям. Наиболее подробно в данной главе описана методология VAR, а именно оценивание приведенной и структурной форм, так как именно данный подход был взят для проведения эконометрического анализа макроэкономических эффектов процентной политики Банка России, описанию результатов которого посвящена третья глава. Помимо сравнения двух главенствующих моделей, названных выше, ряд эмпирических стилизованных фактов приведен в конце настоящей главы, позволяющих построить гипотезы относительно влияния процентной политики Банка России на выпуск и на инфляцию.

2.1 Методология VAR

В настоящее время в эконометрических исследования, целью которых является оценка влияния шоков денежно-кредитной политики или анализ работоспособности каналов денежно-кредитной трансмиссии, как правило, используется методология VAR (векторных авторегрессий), предложенная Кристофером Симсом в 1980 году.

Выступая с критикой широко используемых на тот момент систем одновременных уравнений для макроэкономического моделирования [16, с.414-415], которая заключалась в периодически слабо обоснованном априорном определении некоторых переменных в качестве экзогенных, Кристофер Симс предложил подход векторных авторегрессий, согласно которому все переменные изначально считались эндогенными [33, с.15]. Впоследствии допускается накладывать ограничения на переменные таким образом, чтобы, во-первых, учесть их экзогенность, на которую указывают результаты проведенных статистических тестов, и, во-вторых, принять во внимание наиболее вероятные теоретических взаимосвязи.

Из этого следует преимущество данного подхода, позволившее ему получить столь сильное развитие и заключающееся в возможности проводить анализ, не располагая достоверной информацией о взаимозависимостях между переменными. Помимо этого очевидным достоинством методологии VAR является имеющийся обширный инструментарий, с помощью которого можно составлять прогнозы динамики входящих в систему эндогенных переменных, а также исследовать структурные экономические гипотезы [27, с.2].

Исходя из методологий, лежащих в основе проанализированных исследований, можно выделить следующие виды и модификации модели VAR:

1. Приведенная форма VAR без ограничений (Unrestricted VAR)

2. Структурная форма VAR (Structural VAR)

3. Байесовкая модель VAR (Bayesian VAR)

4. Факторно-расширенная модель VAR (Factor Augmented VAR)

5. Пороговая модель VAR (Threshold VAR)

Согласно схеме, представленной в работе Х. Луткепола [27, с.3], анализ с применением методологии VAR начинается со спецификации и оценивания с помощью метода наименьших квадратов приведенной формы VAR, которая затем проверяется на соответствие условиям стационарности временных рядов, стабильности модели, отсутствия автокорреляции, гетероскедастичности, а также нормальности распределения остатков уравнений. Успешное выполнение данных тестов указывает на отсутствие необходимости отвергать имеющуюся модель и изменять её спецификацию, что даёт исследователю право на проведение дальнейших процедур, отвечающих целям исследования, которыми могут быть либо прогнозирование, либо анализ причинности по Грейнджеру, либо структурный анализ, подразумевающий под собой оценивание функции импульсного отклика и разложения дисперсии переменных.

Далее каждый шаг описанной выше схемы будет рассмотрен подробнее, чтобы наиболее полно раскрыть методологию, с помощью которой была проведена оценка макроэкономических эффектов процентной политики Банка России, результаты которой отображены в следующей главе.

2.1.1 Оценивание приведенной формы VAR

Стандартная иллюстрация приведенной формы VAR без ограничений представляет собой систему из нескольких уравнений, в которых каждая переменная описывается линейной функцией, определяемой прошлыми значениями всех переменных, входящих в модель, следующим образом:

, (3)

Где yt - n*1 вектор эндогенных переменных, xt - k*1 вектор экзогенных переменных, c - n*1 вектор констант, A1, A2, …, A - n*n матрицы оцененных по методу наименьших квадратов параметров для соответствующих временных лагов l = 1, 2, …, p эндогенных переменных, B - k*k матрица оценок коэффициентов экзогенных переменных, vt - n*1 вектор ошибок («белый шум», то есть vt ~ N(0, у2In).

Оцениванию модели VAR предшествует ряд процедур, выполнение которых необходимо для построения верной спецификации системы, что подразумевает под собой, помимо выбора перечня переменных на основе теоретических концепций и собственных предположений, проверку временных рядов на стационарность и определение оптимального количества лагов.

Все временные ряды переменных, включенных в модель, должны быть стационарными, то есть их свойства не должны изменяться при изменении начала отсчёта времени [16, с.310-311]. Таким образом, основные условия стационарности временных рядов могут быть проиллюстрированы независимостью от времени их математического ожидания и дисперсии (4).

(4)

Для проверки предположения о стационарности временного ряда можно использовать тест Дики-Фуллера (Augmented Dickey-Fuller Test - ADF), нулевая гипотеза которого заключается в наличии единичного корня, то есть не стационарности данных. Если нулевая гипотеза не отклоняется, то необходимо использовать данные не в уровнях, а в первых или во вторых разностях, в зависимости от результатов теста. Если тест Дики-Фуллера указал на стационарность временного ряда лишь в разностях, то необходимо также провести коинтеграционный тест Йохансена (Johansen cointegration test), проверяющий предположение о наличии долгосрочной зависимости между переменными.

По результатам двух названных выше тестов определяется вид, в котором переменные включаются в модель, а также делается выбор между VAR и VECM методами [31, с. 611]:

a) Если переменные стационарны в уровнях, то оценивается модель VAR в уровнях;

b) Если переменные стационарны лишь в разностях, но гипотеза о наличии коинтеграционного соотношения отвергнута, то используется модель VAR в первых или вторых разностях;

c) Если переменные стационарны лишь в разностях, но при этом коинтегрированны, то строится модель коррекции ошибок VECM (vector error correction model), учитывающая наличие долгосрочной зависимости между переменными, или модель VAR в уровнях.

Не менее важная, чем тесты на интеграцию и коинтеграцию временных рядов, процедура - это выбор порядка лага для выбранной модели VAR, от величины которого в значительной степени зависят результаты дальнейших операций. Поиск оптимального лага модели, как правило, осуществляется с помощью информационных статистических критериев, основными из которых являются критерии Акаике (Akaike information criterion - AIC), Шварца (Schwarz information criterion - SC), Ханнана-Куинна (Hannan-Quinn information criterion - HQ), а также тест отношения правдоподобия (Likelihood Ratio - LR).