金融科技与银行信贷 ： 他们对货币政策有何反应 ？

金融科技与银行信贷：他们对货币政策有何反应？ Giulio Cornelli, Fiorella De Fiore,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。 ISSN 1020 - 0959 (打印)ISSN 1682 - 7678 (在线) 金融科技与银行信贷：他们如何应对货币政策？ Giulio Cornelli、Fiorella De Fiore、Leonardo Gambacorta和Cristina Manea * 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。 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， 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(Hag et al.，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） 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。 表1 下面的Table 2 reports unit root Phillips - Perron tests for all variables in first difference. The null assumptionthat the variables contains unit root is always largely reject. 表2 3.PVAR模型 We model a six - variable VAR system; all the variables, that are found to be I (0), are treated as enchannic. Therefore,the starting point of the variant analysis is: 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 𝑧𝑐𝑡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 (Granger 1969)。这可以作为单独的Wald测试来实现 零假设，即内生变量的所有滞后系数共同等于零；因此，可以在PVAR模型的方程中排除系数。 表3 下面的表4显示了对每个变量的滞后系数是否为零的测试。例如，在95％的置信水平下，拒绝了银行信贷或货币政策利率的变化不会导致房地产价格指数对数变化的测试。有趣的是，虽然金融科技信贷不会导致房地产价格指数，但它会导致CPI价格、银行信贷和短期利率。金融科技信贷略微格兰杰导致实际GDP（p值0.13），也考虑到其仍然有限的宏观经济影响。 在检查了PVAR的稳定性之后（请参见附录中的图A1），我们计算了正交化的脉冲响应函数（IRF）和预测误差方差分解（FEVDs）。正交化IRF和FEVDs可能会根据内生变量在Cholesy分解中的排序方式而变化。具体来说，排序限制了响应的时机：对排序较早的变量的冲击将同时影响后续变量，而对排序较晚的变量的冲击将只影响滞后一个周期的前一个变量。 由于变量的排序很可能会影响正交IRF和结果的解释，因此根据理论，我们对变量排序如下：￿￿,￿,￿,￿,利率排序在最后，因此它对一年内的所有变量都有反应。这种选择是由使用VAR模型分析货币政策冲击有效性的文献指导的。 图1报告了IRF。置信区间是使用蒙特卡罗模拟计算的，p值带为90％。 IRF表示，虽然货币紧缩对资产价格和银行信贷有负面影响，但金融科技信贷仍不受影响。货币政策利率上升1.1个百分点(左上图)与资产价格在第一年后下降0.5%、第二年下降0.4% (右下图)相关。从第三年开始，当利率也回到基线时，效果在统计上与零没有什么不同。由于货币政策收紧，银行信贷大幅下降：-。一年后为1.8%，两年后为- 0.8%。它也从第三年开始回到基线(最高中心小组)。 有趣的是，金融科技信贷不受货币政策冲击的影响(左下方)。这一发现与面对货币紧缩时银行信贷与大型科技信贷的强烈替代效应以及“抵押渠道”对这种信贷形式的有限有效性相一致（Gambacorta等人，2022）。货币紧缩对实际GDP（右上图）和CPI指数产生负面影响。对价格水平的显着影响会延迟一些（仅在一年半之后），并在第三年之后消失（底部中心面板）。我们为变量ΔL（实际GDP）计算预测误差方差分解（FEVD），以评估实际GDP的可变性有多少是由银行信贷和金融科技信贷的变化驱动的。在线附录中的练习有助于我们了解的数量。 来自实际GDP形成过程中每个变量的信息（参见图A2）。虽然近四分之一的实际GDP变化可以归因于银行信贷变量，但金融科技信贷仅贡献约2％，因为这种信贷形式在大多数分析国家的宏观经济足迹仍然有限。 图1 4.稳健性测试 我们以三种不同的方式测试了结果的稳健性。 作为第一个稳健性测试，我们以Cholesky分解顺序交换银行信贷和金融科技信贷的位置。Cholesky分解中变量的顺序至关重要，因为它暗示了变量响应中的因果顺序。首先出现的变量被认为是外生的，这意味着它不受其他变量的影响 同时。每个后续变量在同一时间段内被视为受到前面变量的影响。换句话说，通过按照Cholesky分解顺序交换银行信贷和金融科技信贷的位置，我们允许金融科技信贷仅受到银行贷款滞后的影响，而不受同期水平的影响。图2显示了此PVAR模型的IRF。 图2 货币条件紧缩对资产价格和银行信贷有负面影响。相反，金融科技信贷仍然不受影响。与基线情况类似，货币政策利率上升1.2个百分点（左上面板）与第一年后资产价格下降0.5％有关，第二年下降0.4％（右下面板），以及 从第三年开始，效果在统计学上没有与零不同。作为货币政策紧缩的影响，银行信贷大幅下降：一年后为- 1.9%，并且- 两年后为0.8%。它也从第三年开始回到基线（顶部中心面板）。最后，CPI价格和实际GDP的结果与我们基线规范中获得的结果相似。总体而言，这些结果表明IRF具有实质性的稳定性。 作为第二个稳健性测试，我们增加了基线PVAR，将股票市场发行的股票的对数作为附加变量。对我们结果的一种解释可能是，货币政策冲击引发了金融科技和传统贷款人之间的替代效应。但是，这种替代效应中的一些可能会受到公司在资本市场上发行股票的影响，PVAR可能无意中将这种影响归因于金融科技贷方。为了解决这个问题，我们扩展了PVAR模型，增加了一个变量— —股票市场发行的股票的对数。图3显示了该增强PVAR模型的IRF。 货币政策利率上升1.25个百分点（左上图）与资产价格在第一年后下降0.9％，第二年下降0.7（右下图）有关，从第三年开始，其效果在统计上与零没有差异。由于货币政策收紧，银行信贷大幅下降：一年后下降2.3%。它从第二年开始返回基线(顶部中心面板)。与我们的基准规范一致，金融科技信贷仍然不受影响。在货币政策收紧后的第一年，股票发行量大幅下降：- 35%。最后，CPI价格和实际GDP的结果与我们的基线规范中获得的结果相似。总体而言，这些结果表明，即使考虑到资本市场中股票发行的动态，IRF模式也保持稳定。 图3 一个令人担