金融科技与银行信贷：他们对货币政策有何反应？（英）

BIS工作文件 编号1157 金融科技与银行信贷：他们对货币政策有何反应？ GiulioCornelli,FiorellaDeFiore,莱昂纳多·甘巴科尔塔和克里斯蒂娜·马内 货币和经济部 2023年12月 JEL分类:D22,G31,R30 关键词：金融科技信贷，货币政策，PVAR，抵押渠道 国际清算银行工作文件由国际清算银行货币和经济部门的成员撰写，并不时由其他经济学家撰写 ，并由银行出版。这些论文涉及的主题是热门主题，具有技术性。其中表达的观点是作者的观点 ，不一定是国际清算银行的观点。 该出版物可在BIS网站（www.bis.org）上获得。 ©BankforInternationalSettlements2023.Allrightsreserved.Briefexcerptsmaybereplicatedortranslatedprovidedthesourceisstated. ISSN1020-0959(打印) ISSN1682-7678(在线) 金融科技与银行信贷：他们如何应对货币政策？ GiulioCornelli、FiorellaDeFiore、LeonardoGambacorta和CristinaManea* Abstract 金融科技信贷，包括点对点和市场贷款以及主要科技公司促进的贷款，正在全球范围内快速增长。然而，它对货币政策转变的反应在很大程度上仍未被探索。这项研究采用了2005年至2020年跨19个国家的新信贷数据集，并进行了PVAR分析，以揭示金融科技和银行信贷对政策利率变化的不同反应。主要结果是，与传统银行信贷相比，金融科技信贷对货币政策冲击的敏感性较低（甚至不显著）。鉴于金融科技信贷的宏观经济意义仍然很小，尽管增长迅速，但其在解释实际GDP变异性方面的贡献不到2％，而银行信贷的贡献约为四分之一。 JEL代码：D22，G31，R30。 关键词：金融科技信贷，货币政策，PVAR，抵押渠道。 *GilioCorelli（电子邮件：gilio。corelli@bis.org)与国际清算银行(BIS)和苏黎世大学(UZH)合作。相应的作者。FiorellaDeFiore（电子邮件：Fiorella。defiore@bis。org)和莱昂纳多·甘巴科尔塔(电子邮件：莱昂纳多。gambacorta@bis.org)与国际清算银行和CEPR的研究员在一起。克里斯蒂娜·马内(克里斯蒂娜。maea@bis。org)与BIS。作者感谢MaxCroce，MarcoJacopoLombardi和一位匿名裁判的有用评论。所表达的观点是作者的观点，不一定代表国际清算银行，UZH和CEPR的观点。 1.Introduction 信贷市场正在经历一场深刻的变革。虽然银行和信用合作社等传统贷款机构仍然是大多数经济体的主要资金来源，资本市场在某些情况下也发挥着重要作用，但新的中介机构已经开始崭露头角。特别是，在过去十年中，点对点贷款和市场贷款等数字贷款模式在许多经济体中都出现了显着增长（Claesses等人。，2018） 。此外，近年来，一些著名的技术驱动公司（通常被称为“大技术”）已经冒险进入信贷市场，直接或与金融机构合作向客户提供贷款（Frost等人。2019)。这些由在线平台和大数据支持的新型信贷通常被称为“金融科技信贷”。 金融科技信贷正在见证快速的全球扩张，在包括中国、韩国、马来西亚和肯尼亚在内的许多国家实现了宏观经济意义，这些国家的信贷总额高达5%(Corelli等人。，2023年）。鉴于这一趋势，研究金融科技信贷如何应对货币政策，并确定其货币传导机制相对于传统银行信贷的关键差异变得至关重要。 金融科技和银行信贷之间的三个主要差异可能会影响它们对货币政策冲击的反应。 首先，金融科技信贷的商业模式不是依靠实物抵押来解决贷款人和借款人之间的代理问题，而是以数据为基础(Gambacorta等，2019年)。因此，金融科技信贷对货币政策转变引发的资产价格波动的反应能力较低(Gambacorta等，2022年)。 第二，金融科技平台可能在不同于传统银行的监管框架内运作，使它们能够在不同的条款下扩展信贷。此外， 1金融科技信贷包括各种创新信贷形式。这包括数字贷款模式，如点对点（P2P）/市场贷款和发票交易，所有这些都是由在线平台而不是传统银行或贷款机构推动的。另一种值得注意的形式是“大型技术信贷”，即主要从事技术领域的大公司直接或与金融机构合作提供的信贷。为了简单起见，本文我们将这两种替代金融形式归为一组，将两者统称为“金融科技信贷”。 2关于大科技和银行信贷对货币政策传导的相对影响的模型分析，参见DeFiore等（2023）。 金融科技平台和传统银行之间的竞争动态可以以不同的方式塑造信贷产品及其对货币政策的反应。随着传统银行信贷由于货币政策收紧而变得更加受限，企业可以重新应对其对金融科技平台的需求（Hasan等，2023）。 第三，大型科技贷方的卓越监控和筛选能力使其信用评分对公司交易量和网络评分的变化高度敏感，尤其是对于在线公司（Gambacorta等人。2022年）。因此，影响一般商业状况的货币政策的任何改变都可能迅速影响信贷供应。特别是，当货币政策放松时，大型科技贷款人比传统同行更有可能与企业建立新的贷款关系(Hagetal.，2023年）。这表明，大型科技信贷可能会通过相对于传统银行贷款的广泛边际来促进货币政策的传导。 综上所述，虽然前两个差异表明货币政策通过金融科技信贷的有效性减弱，但后者的含义恰恰相反。为了阐明这些影响中的哪一个占主导地位，本文利用了2005-2020年期间19个国家的新数据(Corelli等人，2023年)。我们进行了面板VAR（PVAR）分析，以评估金融科技和银行信贷对货币政策冲击的反应。我们的主要发现是，与银行信贷相比，金融科技信贷对货币政策冲击的反应能力降低（甚至不显著）。 2.数据说明 PVAR分析基于2005年至2020.3年期间19个国家的年度数据。通过以下变量分析了货币政策，信贷市场和经济活动之间的相互作用：i）房地产价格指数的对数（p）；ii）实际GDP的对数（Y）；iii）消费者价格指数的对数（p）；iv）银行贷款的对数（L）；v）短期信贷利率（F） 3分析中包括的国家/地理区域是：澳大利亚，巴西，加拿大，智利，中国，欧元区，印度尼西亚，以色列，印度，日本，韩国，墨西哥 ，俄罗斯，南非，瑞士，泰国，土耳其，英国和美国。金融科技和银行信贷的行为可能在发达经济体(AE)和新兴市场经济体(EME) 之间有所不同。但是，由于可用的观察数量有限（AEs为96，EMEs为150），我们无法对两组国家进行样本分割分析。 房地产价格指数和银行信贷数据由国际清算银行编制。实际GDP和CPI来自国际货币基金组织，《世界经济展望》。短期利率来自国家中央银行4，而金融科技信贷来自Cornelli等人(2023)开发的新数据集。 为了避免虚假相关性的问题，我们在第一个差异中考虑了PVAR。表1中报告了分析中使用的所有变量的汇总统计数据。 汇总统计数据1 表1 Observations Mean 标准开发 Min Max ΔLn(房地产价格指数) 274 0.05 0.05 –0.02 0.18 ΔLn(实际国内生产总值) 304 0.01 0.09 –0.16 0.16 ΔLn(CPI) 304 0.03 0.03 0.00 0.10 ΔLn(银行信贷) 304 0.07 0.13 –0.32 0.46 ΔLn(金融科技信贷) 304 0.38 0.73 –0.22 2.43 Δ短期利率 304 –0.23 1.56 –9.50 7.77 1数据位于第5和第95百分位数。 资料来源：Cornelli等人(2023)；国际清算银行；国际货币基金组织；国家数据；作者的计算。 下面的Table2reportsunitrootPhillips-Perrontestsforallvariablesinfirstdifference.Thenullassumptionthatthevariablescontainsunitrootisalwayslargelyreject. 单位根测试1表2 ΔLn(性质价格指数) ΔLn(实数GDP) ΔLn(CPI) ΔLn(银行Credit) ΔLn(金融科技 Credit) Δ短期 rate Stat P值 Stat P值 Stat P值 Stat P值 Stat P值 Stat P值 逆卡方(38) 81.7 0.00 134.3 0.00 104.6 0.00 204.7 0.00 100.1 0.00 203.5 0.00 逆法线 –4.0 0.00 –7.3 0.00 –5.8 0.00 –10.3 0.00 –5.8 0.00 –10.8 0.00 反向logitt(99) –4.1 0.00 –8.2 0.00 –6.1 0.00 –12.8 0.00 –6.0 0.00 –12.9 0.00 修正inv卡方 5.0 0.00 11.0 0.00 7.6 0.00 19.1 0.00 7.1 0.00 19.0 0.00 1BasedonPhillips-Perrontests.Thenullhypothesisisthatallpanelscontainsunitroot.Thesampleinclude19countriesovertheperiod2005-2020.Datawinsorisedatthe5thand95percententiles. 资料来源：作者的计算。 4根据数据可用性，我们用LJKmfa，LJKLimited的影子利率替换短期利率。有关更多详细信息，请参阅Krippner（2013）。 3.PVAR模型 Wemodelasix-variableVARsystem;allthevariables,thatarefoundtobeI(0),aretreatedasenchannic.Therefore,thestartingpointofthevariantanalysisis: ￿ 𝑧𝑐�=𝜇�+�𝛷𝛷�𝑧𝑐𝑡−�+𝜀𝜀𝑐�𝑐�=1,…,𝑁�𝑡�=1,…,𝑇� ￿=1 𝜀𝑐~VWN(0Σ(1) where￿￿=and￿￿是残差的向量。5 模型的确定性部分包括国家固定效应(￿￿)，而滞后数(l)设置为1。 最优滞后选择准则遵循Adrews和L(2001)。下面的表3显示了使用内生变量的前四个滞后作为工具的一阶 ，二阶，三阶和四阶PVAR模型的结果。对于四阶面板VAR模型，仅计算确定系数（CD），因为模型是刚刚识别的。一阶PVAR是首选模型，因为它具有最小的MBIC、MAIC和MQIC。对于等于1的滞后，CD也被最小化。6通过测试等级顺序和确定性成分的联合假设（所谓的Patla原理），已验证了确定性成分 （常数与趋势）的选择。 在对PVAR模型进行检验之前，我们已经分析了 𝑧𝑐�变量，特别关注fintech信用。格兰杰测试验证x变量是否有助于预测另一个变量y的值，条件是y的过去值，即x是否“格兰杰原因”y(Granger1969)。这可以作为单独的Wald测试来实现 5我们将横截面冲击视为独立的，并且我们没有明确地对跨境传播进行建模。这一假设与建模方法相一致，在建模方法中，每个国家的冲击不会同时受到其他国家冲击的直接影响。这种简化确保了模型的可操作性和可解释性，特别是考虑到对金融科技和银行信贷的影响。有限数据的约束，尤其是时间维度，进一步限制了我们采用更复杂的建模技术的能力，这些技术可能会潜在地捕获跨国相互依存关系。例如，诸如全球VAR（GVAR）或其他擅长捕获此类动态的多国计量经济模型之类的方法需要更广泛的数据集以及其他识别假设以产生可靠的估计。有关PVAR模型中缺乏跨