金融软件应用操作实践报告 作业.docx

金融软件应用操作实践报告 作业.docx

《金融软件应用操作实践报告 作业.docx》由会员分享，可在线阅读，更多相关《金融软件应用操作实践报告 作业.docx（13页珍藏版）》请在冰豆网上搜索。

金融软件应用操作实践报告作业

题目：

货币供应量与国内经济水平和消费价格变动的关系

一、选题背景意义：

在市场经济作用的条件下,金融的宏观调控作用日益明显。

央行其行使各项货币政策的最终目的是保持人民币币值的稳定,这意味着,中央银行分析和判断经济、金融运行趋势,调整及实施货币政策的分析指标体系将发生明显转变。

为了达到这一目标,那么人民银行的宏观调控要从总量调控与结构调整并重，转向以总量控制为主。

所谓控制总量，就是要控制整个银行系统的货币供应量。

货币供应量的增长必须与经济增长相适应，以促进国民经济的持续、快速、健康发展。

因此，分析某一阶段各个层次的货币供应量是否合理，必须与当时的经济增长幅度相联系，与货币流通速度相联系。

衡量货币供应是否均衡的主要标志是物价水平的基本稳定。

物价总指数变动较大，则说明货币供求不均衡，反之则说明供求正常。

从这个意义上讲，货币供应量亦是一个与普通百姓有关联的经济指数，它的多与少、量与度,影响国民经济的运行速度，决定手中货币的币值。

二、理论模型

1、理论分析

货币供应量是指一国在某一时点上为社会经济运转服务的货币存量，它由包括中央银行在内的金融机构供应的存款货币和现金货币两部分构成。

货币供应量对国民经济运行有着极其重要的参考价值，对居民生活有着不可忽视的作用，这是各国央行选择货币供应量为调控经济主要手段的重要原因。

应总量持续增长，加深了经济货币化程度。

货币和准货币（M2）的平均年增长率16.35%，绝对规模从1990年15293.4亿元增加到2009年的725774.05亿元，增加了近47倍，M1也维持较快的增速，尤其是2009年同比增速高达32.4%；国内生产总值也从1990年的18667.82亿元增长至2010年的397983亿元，年均增长率接近10%。

数据来源：

1990-2009年统计年鉴；2010年数据来源于中国统计局、中国人民银行

选择M2作为衡量货币供应量的指标的,主要原因是随着金融系统的发展，各国央行逐渐将货币调控的目标放在了与利率有一定敏感度且利于控制的M2上。

M2不仅反映现实购买力，还反映潜在购买力，较好地体现社会总需求的变化，体现了经济活动中的长期购买能力，被央行作为货币政策的中介目标。

此外，随着金融业的发展和创新，M2所具有的流动性也在不断提高，对经济影响程度也在不断增加，而且更能影响长期的经济均衡问题。

我国目前如此庞大的M2规模，到底是由哪些因素影响的呢？

本文经过分析认为我国货币供应量M2主要来源于两部分，即中央银行的基础货币和商业银行的货币创造。

基础货币由央行根据国民生产总值的增长情况而适量发行，因此GDP的增长意味着生出的成品的增多必然会导致货币的大量供应。

货币供应量中很大一部分是由商业银行的货币创造而产生的。

影响商业银行货币创造的主要因素就是居民价格消费。

当居民价格消费扩大时，银行就会大量贷款获利，从而造成货币供给的增多。

在假定贷款利率不变情况下，居民价格消费指数对M2有反向影响。

（虽然准备金制度影响商业银行放贷款数量，但由于超额准备金制度和同业拆借的办法可以抵消影响，因为认为法定准备金对M2的影响不显著。

） 

根据上述分析我决定选取建立一个M2受GDP、居民价格消费指数等因素影响的模型。

2、理论模型

回归模型：

Yt=b0+b1X1t+b2X2t

Yt:

货币供应量（M）X1t:

国内生产总值（GDP）X2t:

居民价格消费指数（CPI）

三、实证分析

1、数据收集与数据描述

1990年至2011年数据均来源于《2012年中国统计年鉴》

DATE

M

GDP

CPI

2011

851590.9

473104.05

565

2010

725851.8

401512.8

536.1

2009

606225.01

340902.81

519

2008

475166.6

314045.43

522.7

2007

403442.21

265810.31

493.6

2006

345603.59

216314.43

471

2005

298755.7

184937.37

464

2004

254107

159878.34

455.8

2003

221222.8

135822.76

438.7

2002

185006.97

120332.69

433.5

2001

158301.9

109655.17

437

2000

134610.3

99214.55

434

1999

119897.9

89677.05

432.2

1998

104498.5

84402.28

438.4

1997

90995.3

78973.03

441.9

1996

76094.9

71176.59

429.9

1995

60750.5

60793.73

396.9

1994

46923.5

48197.86

339

1993

34879.8

35333.92

273.1

1992

25402.2

26923.48

238.1

1991

19349.9

21781.5

223.8

1990

15293.4

18667.82

216.4

货币供应量（M）用流通中的现金+企业活期存款+机关团体部队存款+农村存款+个人持有的信用卡类存款+城乡居民储蓄存款+企业存款中具有定期性质的存款+外币存款+信托类存款来表示

国内经济水平（GDP）

消费价格变动（CPI）居民价格消费指数表示

2.多元回归模型参数估计及结果分析

Yt=b0+b1X1t+b2X2t

（1）Yt=1.0e+004*1.9041+（1.0e+004*0.0002）X1t-（1.0e+004*0.0185）X2t

se:

t:

0.785535.0417-2.5622

p:

0.44199.9437e-190.0191

R2=1.0e+008*0.0000F=1.0e+008*0.0000

p=1.0e+008*0.0000MSE=1.0e+008*3.7815

根据回归经验模型得出的数据我们可以得出：

在其他条件不变的情况下，国内生产总值每变动一个单位，货币供应量将会变动1.0e+004*0.0002个单位（b1）；在其他条件不变的情况下，居民价格消费指数每变动一个单位，货币供应量将会变动-（1.0e+004*0.0185）个单位（b2）；从t和p值上看各项均显著，从R2值上看拟合非常完美，从F和p值上看各项均显著。

（2）通过MATLAB检验出2009，2008年的数据有异常，但却没有找出不显著的自变量。

Yt=1.0e+004*1.5009+（1.0e+004*0.0002）X1t+（1.0e+004*-0.0180）X2t

se:

1.0e+004*1.43991.0e+004*0.00001.0e+004*0.0043

t:

1.042460.5723-4.1891

p:

0.31030.00000.0005

在其他条件不变的情况下，国内生产总值每变动一个单位，货币供应量将变动1.0e+004*0.0002个单位（b1）；在其他条件不变的情况下，居民价格消费指数每变动一个单位，货币供应量将变动-（1.0e+004*0.0180）个单位（b2）；从t和p值上看各项均显著

四、结论和展望

1.主要结论

通过上面计量经济学的回归分析，可以得出如下结论：

国内经济水平、消费价格变动等因素确实对货币供应量存在一定影响。

伴随着国内生产总值的不断增大，货币供应量逐日增多，通过以购买更多的商品等方式，从而来维持物价的稳定与经济平稳增长。

货币供应量与居民价格消费指数存在着负相关，当居民价格消费指数增大，使得居民储蓄量的增多，从而导致市场上流通货币量的减少。

当货币供给大量增加可能导致通货膨胀等问题的出现，所以要限制货币的超出的供给量。

2、不足之处及展望

广义货币供应量（M2）、国内生产总值（GDP）和消费价格指数（CPI）均来自于中国经济统计数据库和中国统计年鉴。

考虑到季度数据更容易反应货币政策的作用，年度数据可能会丢失短期信息，故选取了时间跨度相对较小的季度数据。

而中国从1994年开始按季公布货币供应量，1995年将货币供应量纳入货币政策中介目标体系中，所以样本的范围是从1994年第一季度到2010年第一季度，一共69组数据.由于采取的是时间序列数据，未进行平稳性检验，可能导致回归并不可信，另外由于GDP等对货币供应量的影响存在时滞性，故还应引入滞后变量进行回归。

再者对变量的随机性也没有进行检验。

不过该模型已基本能够说明问题。

五、程序代码

>>x=[ones（size（date））,gdp,cpi];

>>x1=[gdp,cpi];

>>[b,bint,r,rint,stats]=regress（m,x）

b=

1.0e+004*

1.9041

0.0002

-0.0185

bint=

1.0e+004*

-3.16976.9779

0.00020.0002

-0.0336-0.0034

r=

1.0e+004*

1.5801

2.4135

1.9379

-5.8689

-4.1864

-0.7495

0.5468

0.8103

1.8901

1.1889

0.6627

0.2712

0.6241

0.2262

-0.0019

-0.1958

-0.3193

-0.3210

-0.2404

-0.1983

-0.0670

-0.0033

rint=

1.0e+004*

-1.63734.7976

-1.03475.8617

-1.79915.6750

-8.5185-3.2194

-7.6199-0.7530

-4.78843.2895

-3.50394.5975

-3.22264.8433

-2.05665.8368

-2.81035.1881

-3.33644.6617

-3.72284.2653

-3.34054.5888

-3.71104.1634

-3.90793.9040

-4.12203.7304

-4.31183.6733

-4.33113.6890

-4.08023.5994

-3.85863.4619

-3.63973.5058

-3.52743.5209

stats=

1.0e+008*

0.00000.00000.00003.7815

>>rcoplot（r,rint）

>>regstats（m,x1）

Variableshavebeencreatedinthecurrentworkspace.

>>[bstats]=robustfit（x1,m）

b=

1.0e+004*

1.5009

0.0002

-0.0180

stats=

ols_s:

1.9446e+004

robust_s:

5.7698e+003

mad_s:

5.2720e+003

s:

1.1550e+004

resid:

[22x1double]

rstud:

[22x1double]

se:

[3x1double]

covb:

[3x3double]

coeffcorr:

[3x3double]

t:

[3x1double]

p:

[3x1double]

w:

[22x1double]

R:

[3x3double]

dfe:

19

h:

[22x1double]

>>stats.se

ans=

1.0e+004*

1.4399

0.0000

0.0043

>>stats.t

ans=

1.0424

60.5723

-4.1891

>>stats.p

ans=

0.3103

0.0000

0.0005

>>stats.w

ans=

0.7068

0.9180

0.9679

0

0

0.2327

0.9766

0.9934

0.4643

0.8198

0.9758

0.9980

0.9610

0.9993

0.9774

0.9435

0.9303

0.9569

0.9892

0.9983

0.9952

0.9839

>>stepwise（x1,m）