识别欧洲央行货币政策的统计方法

工作文件系列 Y²ld²zAkkaya,LeaBitter,ClausBrand,识别的统计方法 路易斯·丰塞卡欧洲央行货币政策 免责声明:本文不应被报告为代表欧洲中央银行的观点 （ECB)。表达的观点是作者的观点，不一定反映欧洲央行的观点。 Abstract 我们从政策公告后的高频资产价格变化中构建货币政策指标，强调资产价格响应集中在特定维度上，并且这些响应呈现出尖峰分布。传统方法通过基于经济假设的主成分旋转来识别这些维度，而这些假设忽略了超额峰度中的信息。我们采用Varimax旋转，利用超额峰度而不使用经济限制条件。在欧元区无风险资产集合中，Varimax验证了沿先前由结构识别方法得出的维度的政策新闻，并拒绝了宏观经济信息冲击的证据。然而，在加入风险资产后，Varimax仅在一个中长期收益率中识别出一个无风险因子，并指出了额外的风险转移因子。 JEL代码：E43，E52，E58，C46，G14。 关键词：货币政策工具，Varimax，肥尾，事件研究，高频识别。 非技术性摘要 在全球金融危机（GFC）及其引发的经济挑战之后，中央银行采用了新的政策工具，这些工具以不同于传统短期利率手段的方式影响资产价格。欧洲央行通过诸如利率前瞻指引和资产购买等策略来降低长期利率，并减少主权债务市场的碎片化。这些措施减轻了风险规避情绪，并在整个市场上改善了融资条件。相反，在后疫情环境下通货膨胀飙升后，中央银行开始逐步退出资产购买计划并收紧货币政策，同时继续引导金融市场对未来政策行动的预期。这种做法有助于管理短期政策预期，但也导致长期收益率对政策新闻作出显著反应。这些发展表明不同的货币政策工具可以影响特定的资产价格段落，暗示货币政策在多维度上发挥作用。 这篇论文介绍了一种新的、无偏的方法，通过利用欧洲央行政策公告前后高频资产价格变动来衡量货币政策的多维效应。传统方法通常仅依赖于经济假设，而我们的方法则利用数据的统计特性来识别不同的货币政策因素，而不施加任何经济限制。这种方法被称为主成分的Varimax旋转。 当将Varimax轮换应用于无风险收益率时，我们识别出相同的政策因素(目标,path,andQE即（i.e.）量化宽松措施（quantitativeeasing）的情况与以往研究中发现的相符，我们并未在欧洲央行政策公告中找到宏观经济信息新闻的证据。这一验证表明 ，我们的方法可以从统计上支持识别这些因素的传统方法。然而，加入风险资产模糊了之前识别的前瞻性指导与量化宽松维度之间的分离，更倾向于风险转移因素。具体来说 ，当我们考虑各种主权债券的收益率时，我们的方法确认了额外的因素。主权风险因素包括更多来自风险资产的数据，如企业债券利差、股票价格、股市波动性、利率不确 定性以及欧元/美元汇率，这些数据揭示了进一步的风险维度，并将其细分。主权风险,政策不确定性,and公司风险。我们随后对这些因素的金融传播进行建模。 样本期（从2002年直至2023年底）涵盖了不同的货币政策阶段，包括金融危机前的平静期、金融危机本身、主权债务危机、政策利率受到有效下限约束的后续时期、新冠肺炎疫情以及疫情后的通胀飙升。我们发现，在金融危机前后及正式采用前瞻性指导之前 （即2013年），不同的欧洲央行货币政策工具一直影响着中长期债券收益率。然而，自金融危机以来，货币政策对风险资产的影响变得更加显著，尤其是在主权债券收益率差和风险偏好方面。 我们的方法不同于传统上依赖经济假设的方法，而是采用了Varimax旋转技术。这种方法利用了峰度这一统计特性，该特性表明资产价格对政策公告的响应中存在显著的异常值，并且每一种政策工具影响着不同的资产子集，从而确保了解释性和稀疏性。在这种情况下，异常值是一个特征，而不是缺点。虽然大多数货币政策意外效应较小且围绕零点分布，但大型公告效应特别有助于识别。 这些发现对中央银行的政策决策具有重要的意义。通过证明传统货币政策因素可以通过纯粹的统计方法来识别，我们为政策制定者提供了坚实的方法，以获得更深入的洞察力 ，了解政策措施如何运作，并最有效地加以运用。 此外，检测到的风险转移维度在欧元区的重要性增强了对货币政策工具运作机制的理解 。它表明中央银行需要考虑更广泛的市场条件，而不仅仅是传统的无风险资产，以全面理解货币政策的传导机制。 我们表明，即使沟通不被视为前瞻指导中的显性要素，它仍具有强大的持久金融影响。此外，沟通与资产购买在风险维度上传递效果显著，而在欧元区，这种传递效果似乎主要通过“央行信息”渠道（即中央银行对经济状况的公共评估所产生的强大金融影响）起作用，而不是通过关于政策工具的沟通。 总之，我们的新型方法提供了多维货币政策效应的统计验证全面视角。它强调了考虑广泛资产价格反应的重要性，并为设计货币政策和货币政策沟通提供了宝贵见解。 1Introduction 在全球金融危机（GFC）之后，中央银行部署了新型政策工具，这些工具以不同于传统短期利率工具的方式影响资产价格。在欧元区，欧洲中央银行（ECB）通过不同的利率前瞻指引和资产购买方式来降低长期利率，并减轻主权债券市场的碎片化现象，从而更广泛地放宽融资条件。相反，中央银行在疫情后通胀飙升的情况下收紧了货币政策，同时试图引导市场对政策利率上调速度和幅度的预期。这种沟通努力有助于控制对未来货币政策决策短期走势的预期误差，但同时也导致了历史上规模巨大的长期收益率调整。这些例子表明，不同货币政策工具的影响可以集中在特定的资产价格段落上，显示出货币政策在多个且不同的维度上发挥作用。 从高频资产价格变动around政策公告时的多维度效果出发，提出在不同成熟度期限测量货币政策的此类多重效应的做法已被突出提出。G-urkaynaketal.(2005)，在开创性的论文之后 库特纳(2001)，他专注于使用短期收益率进行货币政策的单维度度量。 在本文中，我们采用了一种新颖且无偏的方法，从欧洲央行货币政策公告后的高频资产价格变化中构建多维度的货币政策指标，依靠统计特性进行识别。与现有的文献依赖结构假设并在跨资产价格调整中旋转主成分的方法不同，我们采用了Varimax旋转。这种方法利用了政策工具影响的超额峰度和稀疏性，而不使用经济约束条件。 使用Varimax来识别货币政策的不同维度是一个自然的选择，鉴于货币政策公告会引起特征明显的两种关键高频变化。首先，货币政策工具的影响通常集中在特定维度内，这意味着某些资产类别相比其他类别会表现出更为显著的反应。其次，这些资产价格的高频变化不符合正态分布。如图所示：1，在大多数情况下 响应幅度较小，但在重要的货币政策公告情况下，资产价格的响应幅度显著，从而使分布呈现出肥尾特征（见原文）。Jaroci'nski, 2024). 我们证明，将Varimax轮换应用于无风险收益率揭示了相同的政策因素-目标,path,and量化宽松(QE)-如先前在Altavilla等人。(2019)和其他研究一致，统计上验证了他们在特定资产组合中结构识别方法的有效性。然而，在加入风险资产（如主权债券、公司债利差、股票价格、股市波动性、利率不确定性以及欧元/美元汇率）的额外信息后，我们发现区分前瞻指引和量化宽松（QE）的具体维度更加困难，反而识别出进一步的风险转移可以分割为主权风险因素，此外政策不确定性anda公司风险因素。 我们的样本涵盖了从2002年到2023年底的时间段，捕捉了货币政策工具使用的不同阶段。我们表明，在全球金融危机（GFC）之前的一段时间内，欧洲央行（ECB）的货币政策对中长期债券的影响与自2013年正式采用前瞻性指导以来的影响相当，并且在资产购买计划部署之前就已经显著。同时，在全球金融危机期间以及直至最近，货币政策工具对风险资产，尤其是主权债券收益率的影响变得尤为重要。在整个货币政策工具维度上，近期通胀飙升期间货币政策效果显著。在此期间，欧洲央行通过提高利率并逐步减少资产组合规模来实施量化紧缩政策以收紧货币政策。 令人惊讶的是，尽管超额峰度是数据中一个显而易见的方面，但在大量识别货币政策与资产价格关系的文献中，这一现象却被很大程度上忽视了。这些文献广泛依赖于结构假设，在旋转主成分中提取金融资产价格对货币政策事件反应中观察到的主要维度。1主成分分析在政策公告前后解释资产价格大部分变异方面非常有效，但它们本质上是统计性的，并不能直接代表导致货币政策公告前后资产价格变化的根本结构性经济冲击。与向量自回归（VAR）文献中的简化形式冲击类似，它们 1¨ 见例如，品牌等人。(2010);Altavilla等人。(2019);座右铭和Ozen(2022)对于欧元区，起源于G-urkaynaketal.(2005)fortheUS.Thesameapplytothesingle-dimensionindicatororiginatedfrom库特纳(2001). 图1：基于ECB行政理事会会议前后选定资产基点变化的高频值。Altavilla等人。(2019). OIS3M 15 10 5 0 −5 −10 200220062010201420182022 10 OIS10Y 5 0 −5 −10 200220062010201420182022 25 意大利语10Y-德语10Y 0 −25 200220062010201420182022 样本期：2002年1月-2023年10月。 体现了潜在的结构性冲击。 为了对主要成分进行结构解释，研究多重维度的货币政策惊喜时通常会基于经济理论施加识别限制以旋转主要成分。然而，由于任何主要成分的旋转在数据中都是观察等价的 ，因此结果的可信度完全依赖于先验经济假设的合理性。 通过使用Varimax方法，我们采用了一种直接的统计方法，利用资产价格数据中的超额峰度来估计货币政策指标，而不依赖于先验的经济假设。这与文献中常规的做法一致：首先从高频资产价格变化中提取出与政策新闻相关的主成分。在第二步中，我们不使用结构假设来旋转主成分，而是利用了由Varimax旋转技术引入的方法。凯撒(1958)并且广泛应用于各个学术领域（该论文在GoogleScholar上的引用次数超过一万次）。我们基于经济假设重构了结构性因素，以证明传统的基于经济限制的货币政策因素可以从仅考虑大量资产价格反应显著尾部的存在这一方法中产生，而无需施加任何特定政策工具相关的经济限制。 Varimax旋转通过旋转因子以实现稀疏性和可解释性而脱颖而出。它利用了尖峰分布和因子的集中性。 特定资产板块的响应。在我们的背景下，轮动的目标是发现货币因素而不对其结构施加经济假设。其目标是在保持正交性的前提下，最大化因子在各类资产上的方载荷变异程度。这一目标旨在尽可能将每个因子归因于最小数量的资产子集，考虑到稀疏性的概念 ，即每个因子主要影响变量的一个子集。在我们具体的情境中，这一目标意味着每一种政策工具影响资产价格谱的不同部分。数据的峰度越高，越能增强对最关键和可解释性较强的因子的识别。 Jaroci'nski(2024)是第一个利用这些关键的统计特征，估计独立和可解释的学生--由分布因素驱动的资产价格对美国联邦储备货币政策公告的响应。Jaroci'nski (2024你：表明他的结果与基于经济假设识别出的四个因素所获得的结果一致。不同于其他采用的方法。Jaroci'nski(2024)，Varimax不依赖于分布假设。它更接近于传统方法，即从大量资产价格中提取主成分并进行旋转。然而，Varimax与传统的主成分分析方法之间存在一定的类比关系。Jaroci'nski(2024的策略和Varimax：当数据服从正态分布且不存在厚尾现象时，似然函数变得平坦。在这种情况下，Varimax方法也无法具备统计能力来识别生成数据的主要成分的基本旋转。 我们的论文的主要贡献如下：首先，专注于无风险资产的高频变化，我们替代性的统计方法显著确认了通过结构方法通常识别出的货币政策指标的存在性和特征。在欧元