高频货币政策冲击的新数据集2024

一种新的高频货币政策冲击数据集 Marijn A. Bolhuis ， Sonali Das 和 Bella Yao WP/ 24/224 IMF 工作文件描述作者正在进行的研究，并将其发布以征求评论并促进 Debate。国际货币基金组织（IMF）工作论文中的观点仅代表作者的观点，并不一定反映国际货币基金组织、执行董事会或国际货币基金组织管理层的观点。 2024OCT IMF 工作文件战略、政策和审查部 新的高频货币政策冲击数据集 * 由 Marijn A. Bolhuis ， SonaliDas 和 Bella Yao 编写 授权发行由 Anna Ilyina 于 2024 年 10月 IMF 工作文件描述作者正在进行的研究 ， 并发表以引起评论和鼓励辩论。国际货币基金组织工作论文中的观点仅代表作者个人观点，并不一定反映国际货币基金组织、执行董事会或国际货币基金组织管理层的观点。 摘要 ： 本文介绍了涵盖21个发达经济体和8个新兴市场的新的货币政策冲击数据集，时间范围从2000年至2022年。我们通过中央银行公告前后短期利率互换利率的变化来识别意外的货币政策路径冲击。由此产生的系列数据可用于研究不同国家在货币政策冲击影响方面的异质性。我们确立了一个新的实证事实：小型开放经济体的中央银行的货币政策决策不仅主要对其他国家的互换利率和债券收益率产生显著溢出效应，而且小型中央银行的决策同样具有重要影响，而不仅仅是大型中央银行。 推荐引用:Bolhuis A. Marijn, Sonali Das and Bella Yao (2024): A New Dataset of High - Frequency Monetary Policy Shocks. IMF Working Paper, No. WP 24 / 224. 工作文件 一种新的高频货币政策冲击数据集 由 Marijn A. Bolhuis ， Sonali Das 和 Bella Yao 编写1 Contents 二、数据与方法 A.数据。7 B.识别冲击。10 C.实施。13 D.汇总统计数据。14. 三、货币政策冲击的高频冲击 A.当天的反应。18 B.动态冲击。22 C.高频溢出。27. 五、结论 … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … 参考资料 31 Introduction 新冠病毒衰退后引发的通胀飙升促使政策制定者重新评估货币政策的有效性和传导机制。由于中央银行在制定政策时会根据经济发展的实际情况作出反应，因此估计货币政策的效果需要一种方法来识别那些与经济活动无关的因素。识别外生货币政策冲击的方法包括叙述法（例如，Romer和Romer, 1994）以及最近出现的“高频”方法，该方法利用了伴随货币政策事件发生的金融市场“惊喜”。这些“惊喜”通过在央行公告前后狭窄的时间窗口内金融市场价格的变化进行衡量。这种方法最早可追溯至Kuttner(2001) 和Bernanke与Kuttner (2005) 对美国的研究，近年来还包括Nakamura和Steinsson (2018) 的研究。高频方法还被用于研究欧元区（例如，Altavilla等人, 2019）、英国（Cesa-Bianchi等人, 2020；Braun等人, 2023）和中国（Das与Song, 2023）的货币政策效果。研究人员将这些冲击应用于广泛的研究，以探讨货币政策对各类金融变量（例如，Gurkaynak等人, 2005；D’Amico与Farka, 2011；Hanson与Stein, 2015）的影响、宏观经济指标（例如，Gertler与Karadi, 2015；Ramey, 2016；Bauer与Swanson, 2023a）以及企业层面的结果（例如，Ottonello与Winberry, 2020；Cloyne等人, 2023；Jeenas, 2023）。 在本文中，我们描述了一个新的跨国货币政策冲击数据库，该数据库使用高频方法涵盖了从2000年到2022年的29个国家——包括发达经济体（AE）和新兴市场（EM）经济体。我们利用这些冲击来验证现有文献中的发现，并展示货币政策传导的新颖结果。我们在实证货币经济学领域的多个研究方向做出了贡献。 首先，我们构建了一个每日频率的货币政策冲击样本，涵盖29个国家，对应20家中央银行、12家发达经济体（AE）中央银行和8家新兴市场国家（EM）中央银行。虽然高频方法之前已在个别国家的研究中被用于研究货币政策，但这是首次使用这种方法构建跨国数据库，并标准化了货币政策冲击。强调一致测量惊喜的重要性（使用相同类型的金融工具，如布伦南等人的研究，2024），我们收集了每个国家的一年期利率互换（IRS）系列数据，其中指数利率具有最短的到期日。对于大多数国家而言，指数利率为隔夜利率。我们收集了总共3,545次货币政策公告的数据。 事件 ， 其中 60% 来自 AE ， 40% 来自 EM 。我们构建货币政策惊喜使用央行公告前后国债利率变化的日波动来衡量这些意外情况。然后，我们引入一个简单的框架，将这些意外情况分为外生货币政策冲击。休克并且存在内生的央行信息效应。后者反映了关于经济状况的消息。该方法借鉴了嵌入货币政策意外中的信息效应的相关文献（例如，Jarociński和Karadić, 2020；Miranda-Agrippino和Rico, 2021；Bauer和Swanson, 2023a, b）。 这种数据库相对于其他近期的跨国货币政策冲击数据库的主要优势在于识别冲击时采取的细致方法以及覆盖面的广泛性。其他跨国数据集（例如，Willems, 2020；Jorda et al., 2020；Brando-Marqueset al., 2021；Deb et al., 2023；Checo et al., 2024）则依赖更为严格的识别假设。2此外，数据库的面板维度允许对现有的单一国家货币政策研究进行改进，通过增加更多的事件来提高统计功效，并增加冲击的多样性。这些额外的观察数据可以用于研究货币政策传导的各种类型的state-dependence。3此外，我们惊喜系列的日常性质允许研究货币政策溢出效应的高频影响 Across国家。 本文也与近期使用高频识别方法研究新冠疫情期间（即短期名义利率在许多发达经济体达到零下限之前）非传统货币政策效应的相关工作有关（例如，Wright, 2012；Gilchrist等，2015；Bauer和Swanson, 2022）。 我们的第二项贡献是使用高频货币政策冲击来利用面板局部投影估计货币政策对各种资产价格的影响，并确认相关结果。 2维尔默斯（2020）选择那些长期宽松货币政策突然被大幅加息取代的年份作为事件期。约拉等（2020）利用国际金融中的三难选择来构建年度货币干预措施，这些措施在很大程度上可以被视为与国内因素无关的外生变量。布兰达-马奎斯等（2021）利用每月基于简单预测规则的利率偏差来识别对利率的冲击。德博等（2023）使用季度利率预测误差来识别货币政策冲击。切科等（2024）利用金融市场分析师对未来货币政策利率预测的误差来识别冲击。这个新数据集的横截面维度使研究人员能够在比仅使用时间序列更温和的外生性假设下研究货币政策有效性的时间依赖性（例如 3，Tenreyro和Thwaites, 2016）。这种方法的主要识别假设是，在不同国家和不同时期，宏观经济变量变化对宏观经济的影响存在差异，但这种差异在平均值上并不与使经济对高频货币冲击更加敏感的其他因素相关。 先前在我们扩展的跨国样本文献中发现。我们还发现了与新兴市场（EMs）汇率谜题一致的证据。与教科书宏观经济模型预测的效果不同，我们发现紧缩性货币政策冲击导致汇率变动幅度较小。折旧在新兴市场中。最后，我们对货币政策溢出效应的文献做出了贡献，该领域的研究主要集中在美国货币政策对国外的影响（例如，Georgiadis, 2016；Albagli等，2019；Kalemli-Ozcan, 2019；Miranda-Agrippino和Rey, 2020；Di Giovanni和Hale, 2022），并包括了少数关于欧洲中央银行（ECB）政策溢出效应的研究（例如，Fratzscher等，2016；Jarocinski, 2022）。我们记录了一个新的实证发现：不仅主要中央银行的货币政策事件，而且小开放经济体中央银行的货币政策事件也对其他国家的利率产生了显著的溢出效应。这些结果表明，货币政策溢出效应可以表现为信息效应，而不仅仅是通过传统的贸易和金融渠道。 其余部分的论文结构如下。第二部分详细描述了我们使用高频方法构建跨国货币政策冲击数据库的方法论。我们概述了为确保不同国家和中央银行的货币政策惊喜具有可比性而采取的标准化步骤，并介绍了用于分解货币政策的简单框架。惊喜进入货币政策冲击并且探讨了中央银行信息的影响。在第三部分，我们实证研究了货币政策意外变化和冲击对样本国家 各种每日金融变量的影响，并研究了货币政策对外部国家的影响溢出效应。第四部分进行总结，并指出未来研究的方向。 二、数据和方法 这一部分描述了新的数据集以及用于计算货币政策意外因素和识别货币政策冲击的框架。 A. 数据 覆盖范围。我们的每日数据集覆盖了从2000年到2022年的时期。这一时间段晚于美联储现有冲击系列的时间范围（例如，Kuttner, 2001；Gurkaynak等，2005；Gertler和Karadi, 2015；Nakamura和Steinsson, 2018；Bauer和Swanson, 2018）以及欧洲央行（例如，Altavilla等，2019）。数据集中包括20家中央银行，共计3,545个货币政策事件。 对于欧元区，我们收集了10个国家的金融数据。这使得总共有29个国家的数据，其中21个国家是发达经济体（AEs），8个国家是新兴市场（EMs）。4附件一提供了有关数据收集的详细信息。 公告。中央银行公告来源于彭博经济日历。数据系列包含中央银行会议后发布的货币政策公告的日期和时间。5定期召开的会议频率从每年四次（瑞士）到十二次（匈牙利）不等，因此会议之间的间隔时间为一到三个月（表A.3）。在我们样本中的大多数国家，公告通常在金融市场收盘前发布，但有些例外情况（如巴西和智利）会在市场收盘后宣布政策利率的变化。我们在计算货币政策惊喜时考虑了公告的时间安排： • 对于在市场开盘前后宣布声明的中央银行，我们通过将金融工具的收盘价与宣布前一日的收盘价进行比较来衡量意外程度。• 对于在市场收盘后宣布的声明，意外程度则通过比较宣布后一天的收盘价与宣布当天的收盘价来进行测量。• 当在周末宣布声明时，意外程度为周一的收盘价与前一个周五的收盘价之差。 对于每一家中央银行，我们将其会议分类为“紧急会议”仅在会议时间表之外举行时。总计，我们每季度收集约40次会议的公告，其中20次涉及新兴经济体（AEs），20次涉及新兴市场（EMs）（见图1，面板A）。紧急会议相对罕见，大多数紧急会议通常发生在重大危机之后：例如，在9/11恐怖袭击事件之后、全球金融危机（GFC）、欧洲主权债务危机、2013年至2014年的“削减恐慌”以及COVID-19大流行期间（见图1，面板B）。在大多数季度中，紧急会议的比例为零。 注 ： 详见正文。来源 ：见附件一 现有的研究使用不同的期货合约和利率互换的成熟度来构建货币政策意外情况。对于美国而言，一些研究使用与政策利率相关的当前月份期货合约的变化（例如，Kuttner, 2001），而其他研究则使用三个月后的期货合约（例如，Gertler和Karadi, 2015）或一系列期货合约（例如，Gurkaynak等, 2005；Nakamura和Steinsson, 2018；Bauer和