《2021-2022收藏的精品资料CPI、货币供给量、股指关系建模分析4.doc》由会员分享，可在线阅读，更多相关《2021-2022收藏的精品资料CPI、货币供给量、股指关系建模分析4.doc（37页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、37CPI、货币供给量、股指关系建模分析摘要本文旨在研究分析CPI、货币供给量（以M0、M1、M2为主要研究指标）和股票指数(简称股指、STOCK)三者间存在的相关关系。经查找相关资料及收集相关数据通过理论初步分析和建模分析角度，完成题目要求。首先，本文选取1990年12月到2010年12月241个样本点为研究样本，通过SPSS软件绘制出241个样本点的CPI、货币供给量以及股指（STOCK）随时间变化的曲线图，通过比较三个曲线特性来大致分析三者间的相关关系的初步分析。其次，本文在三者之间进行两两相关性分析。一、本文选用1997年1月- 2008年3月的数据进行构建二元线性分析-模型，并运用S
2、PSS软件分析得出线性回归方程。结果表明：M0对CPI影响存在滞后效应；二、从CPI指数对股指造成影响的角度，以向量自回归模型VAR模型为依托，通过ADF单根检验、协整检验以及格兰杰因果关系分析，建立误差改正模型：D(HUSHI) = - 0. 035( HUSHI( - 1) +17.099CPI( -1) -14693.09 ) - 0. 023D(HUSHI( - 1) ) +0.245D(HUSHI( - 2) ) + 17.099D(CPI( - 1) ) + 16.724D(CPI( - 2) ) + 8.342从而得出居民消费价格指数CPI是股市指数的格兰杰因果关系：两者存在协整
3、关系且修正模型修正后拟合度较低,表明它们的短期关系并不稳定，居民消费价格指数虽然能够影响股市波动,但影响有限。三、通过模型二的建立，可以看出用VAR模型分析效果并不理想，因此对于货币供给量与股指，本文改用最小二乘估计法，通过ADF单根检验、协整检验以及格兰杰因果关系分析，得到以下预测模型：在建立模型时反复比较了货币供给增量M0对上证综指的影响, 可知存款类货币供给领先上证综指变化,两者存在一定的滞后期 ，印证了货币政策的传导效应。另外，本文采用主成分分析模型，模拟分析出三者间的根本原因为货币供给量。最后，采用灰色GM（1，1）预测模型，应用MATLAB软件编程，根据2011年12个月的CPI、
4、货币供给量以及股指（STOCK）值，预测出2011年前半年的发展走势。综合以上，本文着能对不同问题构建不同模型求解去较为合理与完善的答案。对题目要求进行全面的主义阶段并取得了不多的效果。关键字：CPI 货币供给量 股指 灰色GM（1，1）预测模型 VAR模型 线性回归 MATLAB SPSS 1.问题重述 通过查找一定年限的对应CPI值、货币供给量、股市指数数据，进行数学建模，完成以下五个问题： 1.分析CPI、货币供给量、股指的走势及初步关系； 2.对之间的关系进行建模分析； 3.分析到底哪一个是根本原因，并进行统计分析； 4.对这些指标的未来走势进行预测； 5.提出相应的对策和建议。2.问
5、题背景CPI(Consumer Price Index 居民消费价格指数）指在反应一定时期内居民消费商品及服务项目的价格水平变化趋势和变化程度。在现代经济评价中，消费者物价指数（CPI）已成为了金融市场上被仔细研究的另一个热门的经济指标。货币供给量（Money Suppiy)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组成。我国将货币供给量划分为四部分。M0：流通中的现金；M1：M0+企业活期存款+机关团体部队存款+农村存款+个人持有的信用类存款；M2：M1+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；
6、M3：M2+金融债券+商业票据+大额可转让存单等；M4：M3+其它短期流动资产。股指是股票价格指数的简称。股票价格指数即股票指数，是由证券交易所或金融服务机构编制的表明股票市场变动的一种供参考的指示数字。在宏观角度看来，CPI、货币供给量和股指三者是与相互独立的经济体系，但随之发展，三者却具有这各种微妙的微观联系。到底是这个微观联系是如何存在的，又将如何发展，这就是本文中将要通过数学建模来讨论的问题。3.问题分析1）初步关系分析可以明确本题旨在要求通过宏观上的初步分析来描述CPI、货币供给量和股指三者间的关系。对此本文选取1990年12年到2010年12月为样本容量是241的样本群，统计这24
7、1个样本的各项相关数据。从而制作出三个时间指数曲线图，通过观察曲线图的走势大致可以反映出所研究的CPI值、货币供给量和股票指数的基本走势和初步关系。（241个样本点相关数据可从中华人民共和国统计局网站、中国数据网、中国经济数据中心等网络渠道查找收集并统计整理出来。）2）模型建立分析在问题一的初步分析下，选取合适的数学模型，对三项指数进行微观的相关性分析与讨论。可以在三者之间进行两两相关性分析。选用1997年1月- 2008年3月的数据进行构建二元线性分析-模型，并运用SPSS软件分析得出线性回归方程；可通过对样本数据进行单位根检验、格兰杰因果检验、VAR模型估计分析CPI和股市指数、CPI与上
8、证综合指数的关系。3）根本原因分析在分析CPI、货币供给量和股票指数三者的根本原因问题中，可以采用主成分分析法求解。运用SPSS软件，SPSS在调用Factor Analyze过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后值得变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，如果需要得到标准化数据则需调用Descriptives过程进行计算。4）预测分析采用灰色GM（1，1）预测模型，应用MATLAB软件编程，根据2011年12个月的CPI、货币供给量以及股指（STOCK）值，预测出2011年前半年的发展走势。4.模型假设与符号说明4.1模型
9、假设1） 在讨论CPI、货币供给量和股指间的关系时假设无其他因素影响；2） 在预测模型中，假设2011年16月份国家经济不发生重大事件；4.2符号说明符号名称（代表意义)CPI（C)代表居民消费物价指数HUSHI代表上证收盘综合指数S(STOCK)股票指数（文中简称股指）M0流通中的现金M1狭义货币M2广义货币0次累加数级比1次累加数HUSHI(-1)上证指数一阶差分M0(-1)或M0M0一阶差分M0(-2)M0二阶差分M1(-1)或M1M1一阶差分M1(-2)M1二阶差分M2(-1)或M2M2一阶差分M2(-2)M2二阶差分F1第一主成分F2第二主成分5. 建立模型，求解问题5.1 CPI、
10、货币供给量、股指的走势及初步关系 题目要求一：分析CPI、货币供给量、股指的走势及初步关系。本题不需建立数学模型，可直接通过相关研究资料与各因素随时间变化曲线图比较得出初步结论。因此，本文通过查找相关经济研究报告资料，并通过收集的1990年12月到2010年12月货币供给量M2值、股指数、CPI的241个数据样本绘制出3个简单的时间-指数（货币供给量M2值、股指、CPI）曲线图，从而得出以下初步结论：1、由图1和图2可以看出，货币供给量的变化会通过一定的传导机制影响到股票价格。从利率的角度来看，随着货币供给量的增加，利率水平会随之下降，引发更多的投资支出。投资支出的增加创造更多的家庭收入，因而
11、引起消费支出的增加。后者通过乘数的作用又导致了更高的产品和随之而来的更大的公司利润。公司利润的提高又刺激股票购买，从而促使股票价格的提高。本文对M2与股价指数之间的关系进行了实证研究，我们发现，货币供给量对股市没有重大影响，但M2的变化对股市的价格的变化有较大影响。即两者呈现一定的正相关。2、图2、图3曲线图对比显示：CPI值与股票指数在相同年限具有基本相同的变化趋势，并且CPI值的变化增减趋势与股票指数变化增减趋势之间存在一定的滞后关系。从曲线图可以大致看出CPI随时间的变化趋势滞后于股指随时间的变化趋势。3、图1与图3曲线显示：货币供给量的变化也会间接影响到CPI指数的变化趋势。CPI反映
12、了最终消费品的价格总体水平，而价格与货币供应量变化密不可分。本文从货币供应量变化的角度来探讨与分析CPI的未来变化趋势。根据国家统计局公布的数据，居住价格虽然同比涨幅与去年同期相比变化不大，但是对CPI增长的贡献率在增大，服务品价格对CPI上涨也起了积极的推动作用。从实体经济来看，由于国家对农业产业的扶植使粮食食品价格趋于稳定，避免了出现2004年的食品价格大幅上升推动CPI上升的现象。但是，从货币经济角度来看，CPI下降与宏观调控以来货币供应量迅速下降有关，广义货币M2同比增速从调控前的迅速下降到，货币供应量这种变化对CPI影响不容忽视。 图1 时间货币供给量关系曲线图1显示，M2在样本时间
13、内一直是递增的，在1997年之前增长缓慢，97年之后增长率之间增大，整体增长也更加明显。 图2 时间股票指数关系曲线图中241个样本点所描绘出的曲线图可以看出，股指的走势存在明显的波动，在1993年第一季达到了第一个峰值，在之后的8年内基本呈现上升走势，2000年开始缓慢下降，到2005年又再次反弹，迅速上升，在短短两年内达到较1990年12月近60倍的最大峰值，维持一个季度又迅速下降。 图3 时间 CPI值关系曲线图中241个样本点所描绘出的曲线图可以看出，CPI的走势也存在着明显的波动，但与股指走势不同的是，CPI值在1994年第一季便达到了最大峰值，在之后有迅速下降，但基本变化规律与股指
14、变化存在着相似性。5.2关系分析5.2.1货币供给量对CPI的影响 1）货币供应量与CPI之间的传导机制从传统的费雪交易方程式：MV=PY可以看出，在货币流动速度变化不大的情况下（实际上货币流通速度是一个制度变量，短时间内变化不大），货币供应量速度变化与价格水平变化具有下列关系：dm/M=dp/P+dy/Y其中dm/M、dp/P、dy/Y分别代表货币供应量、价格水平和产出的变化。从直观上来看，在社会商品生产一定的情况下，货币供应量增加会直接导致价格水平的上升。从传导机制来看，货币供应量增加从三方面对CPI产生直接或潜在影响：一是货币供应量增加可能会使实际利率降低，刺激投资需求，投资需求增大会使
15、上游工业品价格指数上涨过快，从而导致下游的CPI面临上涨的压力，目前我国经济运行中这种现象较为明显；二是货币供应量增加会使居民通胀预期增强和财富效应显现，社会消费需求增大，直接对CPI上升产生直接推动力；三是本国货币供应量增加使本国货币有贬值趋势，从而刺激出口抑制进口，影响国内商品市场的供求关系，对国内商品市场的价格水平产生影响。2）货币供应量与CPI的相关性分析从我国的货币层次划分来看：狭义货币（M1）包括流通中现金（M0）和企业活期存款，广义货币（M2）除了包括狭义货币之外，还包括定期存款、储蓄存款和其他存款等准货币。从理论上说，M0、M1具有较强的交易动机，而M2具有较强的谨慎动机和财富
16、储藏动机。然而，由于我国金融市场不发达，居民投资渠道较为单一，安全性高、流动性强和收益相对稳定的银行储蓄存款成为居民主要的投资渠道。根据我国对货币层次的划分，居民储蓄存款（包括活期储蓄存款和定期储蓄存款）划分在准货币中，成为广义货币重要的组成部分。根据人民银行的统计数据，2005年1季度末广义货币余额为26.7万亿，其中，M0为2.17万亿，人民币储蓄存款为12.93万亿，分别占广义货币的8.12%和48.43%。由此可见，在M0占比不高和国内支付系统体系不健全的情况下，占了广义货币近50%的居民储蓄存款由潜在购买力转化为现实购买力是成为直接推动CPI上涨的主要动力，因此，M2成为影响居民消费
17、价格水平上升主要因素。根据以上分析，我们认为M0、M1、M2与CPI的相关关系逐渐密切，其相关性应逐渐增强。通过对1991年以来M0、M1、M2增速与CPI的相关性进行分析得到，M0、M1、M2对CPI影响在逐渐增强，这也符合上述判断（见图4）。图4 CPI与货币供应量变化相关性分析资料来源：国家统计局为了分析货币供应量变化与CPI之间的时滞，对M0、M1、M2与滞后各期的CPI相关性进行分析，从相关性来看，M0与滞后12期的CPI相关关系为0.31，是MO与各期CPI相关系数中最高的；M1与滞后10期CPI的相关系数为0.60，是M1与各期CPI相关系数中最高的；M2与滞后9期、10期、11
18、期的CPI相关系数分别为0.76、0.80、0.82和0.81，达到相当显著的水平，M2对9-12个月的CPI影响较大。 3）SPSS软件分析 利用SPSS软件作CPI与货币供给量（M0，M1，M2)的相关性分析，以判断M0，M1，M2与CPI的相关程度。 表1 CPI&M0的SPSS分析数据Correlations CPIM0CPIPearson Correlation1.494(*) Sig. (1-tailed) .016 N1919M0Pearson Correlation.494(*)1 Sig. (1-tailed).016 N1919* Correlation is signif
19、icant at the 0.05 level (1-tailed). Correlations CPIM0Kendalls tau_bCPICorrelation Coefficient1.000.159 Sig. (1-tailed).172 N1919 M0Correlation Coefficient.1591.000 Sig. (1-tailed).172. N1919Spearmans rhoCPICorrelation Coefficient1.000.234 Sig. (1-tailed).168 N1919 M0Correlation Coefficient.2341.000
20、 Sig. (1-tailed).168. N1919由SPSS分析数据显示，Pearson相关系数=0.494(*)，Spearmans rho=0.234，表明M0与CPI具有一定的正相关性，Kendalls tau_b（M0）=0.159且大于0则M0与CPI样本点的协同数目较多，由以上三个指标表明，M0与CPI存在一定的相关性。 表2 CPI&M1的SPSS分析数据 Correlations CPIM1CPIPearson Correlation1.243 Sig. (1-tailed) .158 N1919M1Pearson Correlation.2431 Sig. (1-tail
21、ed).158 N1919Correlations CPIM1Kendalls tau_bCPICorrelation Coefficient1.000-.018 Sig. (1-tailed).458 N1919 M1Correlation Coefficient-.0181.000 Sig. (1-tailed).458. N1919Spearmans rhoCPICorrelation Coefficient1.000-.015 Sig. (1-tailed).475 N1919 M1Correlation Coefficient-.0151.000 Sig. (1-tailed).47
22、5. N1919由SPSS分析数据显示，Pearson相关系数=0.243，Spearmans rho= -0.15，表明M1与CPI不存在显著的相关性，Kendalls tau_b（M1）= -0.18小于0，则M1与CPI样本点的协同数目少，Sig. (1-tailed)=.158大于0.05，则M1与CPI指数的拟合程度不理想。由以上四个指标表明，M1与CPI不存在相关性。 表3 CPI&M2的SPSS分析数据Correlations CPIM2CPIPearson Correlation1.766(*) Sig. (1-tailed) .000 N1919M2Pearson Corre
23、lation.766(*)1 Sig. (1-tailed).000 N1919Correlations CPIM2Kendalls tau_bCPICorrelation Coefficient1.000.399(*) Sig. (1-tailed).009 N1919 M2Correlation Coefficient.399(*)1.000 Sig. (1-tailed).009. N1919Spearmans rhoCPICorrelation Coefficient1.000.509(*) Sig. (1-tailed).013 N1919 M2Correlation Coeffic
24、ient.509(*)1.000 Sig. (1-tailed).013. N1919由SPSS分析数据显示，Pearson相关系数=0.766，Spearmans rho= 0.509，表明M2与CPI存在较强的相关性，Kendalls tau_b（M0）=0.399大于0，则M2与CPI样本点的协同数目较多，由以上三个指标表明，M2与CPI存在相关性由以上分析结果，在分析过程中剔除了M1对于CPI的影响，即在分析股票指数和货币供给量的相关性分析中不讨论M1和股票指数的相关性。4）货币供应量变化对CPI的解释方程式为了分析货币供应量变化对CPI的影响，我们选择CPI（因变量）与前12期的M0
25、同比增速和前11期的M2同比增速两个自变量来解释CPI的变化，构建二元线性分析-模型关系，得到如下回归结果（见表4）。 表4：回归结果Regression moodel Summary(b)ModelRR SquareAdjusted R SquareStd. Error of the Estimate1.798(a).637.5924.37154a Predictors: (Constant), M0, M2b Dependent Variable: CPIANOVA(b)ModelSum of SquaresdfMean SquareFSig1Regression537.2812268.6
26、4114.057.000(a) Residual305.7661619.110 Total843.04718 a Predictors: (Constant), M0, M2b Dependent Variable: CPICoefficients(a)ModelUnstandardized CoefficientsStandardized CoefficientsTSig.BStd.ErrBeta1(Constant)-13.5213.608 -3.748.002 M2.767.184.6764.166.001 M0.250.167.2431.497.154a Dependent Varia
27、ble: CPI由以上回归分析得关系式：图四结合图四，从回归结果来看，两个自变量对CPI的解释系数R=0.637，包括显著性、自相关等参数检验较为理想，该模型能够较好地预测CPI的变化，而且CPI与M0、M2有较为明显的正相关关系。从CPI预测值与CPI实际值来看，该模型能够较好地预测了CPI的变化趋势。5）结论：从回归结果来看，两个自变量对CPI的解释系数R=0.637，包括显著性、自相关等参数检验较为理想，CPI与M0、M2有较为明显的正相关关系，该模型能够较好地预测了CPI的变化趋势。5.2.2 CPI与股指的VAR模型建立1）单位根检验为避免伪回归，在实证分析中需要判定时间序列的稳定性
28、 ,检验方法主要是单位根检验。为确保检验结果的准确性 ,我们使用 ADF检验来确定时间序列是否平稳。由走势知道HUSH I、 CPI含有截距项而不含有时间趋势 ,这些变量经过一阶差分变换后均包含截距项而不含时间趋势。对于检验滞后期的选择 ,设定最大滞后期为 12。检验结果见下表 。表 5 单位根检验结果ADF检验统计量1% level5% level10% level 稳定性HUSHI-3.181229-3.997083-3.428819-3.137851非平稳HUSHI-8.597557-3.997083-3.428819-3.137851平稳CPI-1.898777-3.998815-3.
29、429657-3.138345非平稳CPI-4.963621-3.998815-3.429657-3.138345平稳检验结果显示 HUSHI、CPI均为 非平稳序列 , ,而检验其一阶差分后HUSHI、CPI均为平稳序列。2）格兰杰因果检验为了分析物价指数和股市发展的因果关系,我们进行格兰杰因果检验。根据LR、FPE、AIC、SC和HQ的值来共同确定滞后阶数。鉴于格兰杰因果检验的结果对滞后长度的敏感性很大,我们需要根据LR、FPE、AIC、SC和HQ的值来选择最佳滞后阶数,从较大的滞后阶数6开始,得到各检验值的输出结果,由于篇幅限制在此省略。LR、FPE、AIC、SC和HQ的值均选定滞后期为
30、2,最佳滞后期为2。因果检验结果见下表6.表6 格兰杰因果关系检验表Null HypothesisObsF-StatisticProb HUSHI does not Granger Cause CPI2390.141980.8677CPI does not Granger Cause HUSHI2.344820.0981由上表可以看出 , HUSHI在 10%的显著性水平下是我国 CPI的格兰杰因 ,反之则没有因果关系。这说明我国 HUSHI对 CPI的影响有限 ,而 CPI对 HUSHI有较大影响。 3）VAR模型估计我们建立如下的VAR模型:VAR模型的稳定性检验根据分析滞后阶数为m=2。
31、为分析CPI和股市指数的关系,首先检验VAR模型的稳定性。如果模型的根都在单位圆内,则模型是平稳的。分析可知本VAR模型的根均落在单位圆内,因此VAR模型的稳定性条件得以满足,其估计结果是稳健的。VAR模型的协整检验首先进行协整向量个数r的检验,判定是否存在协整关系,然后求出协整向量。选择第三类含截距和不包括趋势项。 表7模型(1)Johansen协整检验HypothesizedTrace0.05No. of CE(s)EigenvalueStatisticCritical ValueProb.*None *1.0000008256.03015.494711.0000At most 1 *0.
32、0313437.5789623.8414660.0059根据表3的结果,HUSHI和CPI之间在6%的显著水平上存在1个协整关系,表明HUSHI和CPI之间存在长期稳定的均衡关系，可以建立误差修正模型。脉冲响应函数在实际应用中,由于VAR模型是一种非理论性的模型,因此在分析VAR模型时,需要用脉冲响应函数分析当一个误差项发生变化,或者说模型受到某种冲击时对系统的动态影响,下图是VAR模型的脉冲响应函数。横轴表示冲击作用的滞后期数,单位是月度,实线表示脉冲响应函数,虚线表示正负两倍标准差偏离带。图五 脉冲响应函数图五表明当在本期给CPI一个正冲击后, HUSHI在前几期开始小幅波动上扬,然后逐渐
33、减小,过一段时间之后大概在第5期其冲击改变方向,并且越来越小,长期内冲击趋近于零。这说明通货膨胀在初期确实可以促进股市增长,但随着时间其促进作用将变小,最终导致股市下跌。误差修正模型(VEC)由于SHSHI和CPI存在协整关系,因此我们可以建立误差修正模型考察它们之间的短期关系。具体回归方程为:D(HUSHI) = - 0. 035( HUSHI( - 1) +17.099CPI( -1) -14693.09 ) - 0. 023D(HUSHI( - 1) ) +0.245D(HUSHI( - 2) ) + 17.099D(CPI( - 1) ) + 16.724D(CPI( - 2) ) +
34、 8.342=0.096可以看出,VEC模型的拟合度较低只有0. 096,因此模型并不精确,可能是由于影响股市指数走势的因素众多,而此模型只考虑了CPI和股市指数的关系,其它因素也需要考虑，但它的确表明HUSHI和CPI的一种短期关系。4）结论根据实证分析结果,我们得到如下结论:上证指数和CPI存在协整关系，即上证指数HUSHI和CPI在长期内存在稳定关系,但通过误差修正模型修正后拟合度较低,表明它们的短期关系并不稳定。CPI对上证指数HUSHI影响较小,在初期有正的影响,随后转为负,长期影响趋于零。5.2.3股指和货币供给量相关性分析1）单位根检验为避免伪回归 ,在实证分析中需要判定时间序列
35、的稳定性 ,检验方法主要是单位根检验。为确保检验结果的准确性 ,我们使用 ADF检验来确定时间序列是否平稳。由走势知道HUSH I、 货币供给量含有截距项而不含有时间趋势 ,这些变量经过一阶差分变换后均包含截距项而不含时间趋势。对于检验滞后期的选择 ,设定最大滞后期为 12。表 8 单位根检验结果ADF检验统计量1% level5% level10% level 稳定性HUSHI-3.181229-3.997083-3.428819-3.137851非平稳HUSHI(-1)-8.597557-3.997083-3.428819-3.137851平稳M08.377480-4.001108-3.4
36、30766-3.138998非平稳M0(-1)-2.241179-4.002786-3.431576-3.139475非平稳M0(-2)-13.24486-4.003226-3.431789-3.139601平稳M14.035088-4.002354-3.431368-3.139353非平稳M1(-1)-1.408805-4.001516-3.430963-3.139114非平稳M1(-2)-8.932332-4.001516-3.430963-3.139114平稳M22.768379-3.998997-3.429745-3.138397非平稳M2(-1)-1.389916-3.998997-
37、3.429745-3.138397非平稳M2(-2)-7.956779-3.998997-3.429745-3.138397平稳从表7的检验结果可知, M0、M1、M2、HUSHI时间序列数据本身都是非平稳数列, 且四个数据的一阶差分序列也不平稳, M0、M1和M2二阶差分序列是平稳的，且容易看出M0二阶差分平稳度较M1、M2更好。 2)VAR模型估计首先进行协整向量个数 r的检验 ,判定是否存在协整关系 ,然后求出协整向量。根据 A IC准则选择含截距和不包括趋势项。本模型进行协整检验，由于多个变量含有单位根, 为了克服伪回归而进行差分处理的方法可能会损失一些变量间长期关系的信息。但是如果可
38、以证明变量之间有着长期的稳定、均衡的关系, 就可以使用经典回归模型方法建立回归模型, 因此, 本文要考虑这些变量之间是否存在协整关系。因为经过差分处理后，很明显的M0的二阶差分平稳性更好一些，故本文选择对HUSHI与M0进行协整关系检验。表9的协整检验结果表明, 变量STOCK与M0之间有着长期的稳定、均衡的关系, 可以建立回归模型。同时, 这一结果显示我国的股票市场与货币市场存在一定的关联。表9 STOCK 与M0的协整关系检验结果HypothesizedTrace0.05No. of CE(s)EigenvalueStatisticCritical ValueProb.*None *0.0
39、6087117.7449615.494710.0225At most 10.0123112.9235193.8414660.08733）格兰杰因果检验为了分析物价指数和股市发展的因果关系 ,我们进行格兰杰因果检验。最佳滞后期为5。表10 S&M0 格兰杰因果关系检验表Null HypothesisObsF-StatisticProb M0 does not Granger Cause HUSHI2362.343470.0424HUSHI does not Granger Cause M00.295540.9151表11 S&M1 格兰杰因果关系检验表Null HypothesisObsF-St
40、atisticProb M1 does not Granger Cause HUSHI2361.628110.1535HUSHI does not Granger Cause M11.163390.3281表12 S&M2 格兰杰因果关系检验表Null HypothesisObsF-StatisticProb M2 does not Granger Cause HUSHI2362.546170.0289HUSHI does not Granger Cause M21.404190.2237由上表可以看出 , （1）HUSHI在 4%的显著性水平下是我国 M0的格兰杰因 ,反之则没有因果关系（2
41、）HUSHI与M1没有因果关系。（3）HUSHI在 3%的显著性水平下是我国 M2的格兰杰因 ,反之则没有因果关系4)模型建立由前面的分析可知,M0的平稳性更好一些，且与HUSHI存在一定的协整关系，采取M0与HUSHI 建立数学方程表达式。通过不断的试算、回归分析, 本文最终选择滞后期数0-12期作为模型的解释变量来预测上证指数。在确定滞后期数之后, 用eviews软件进行最小二乘估计，得到最终的实际预测模型:5） 研究结论本文对货币供应各层次变量M0、M1、M2和股票价格指数HUSHI变量进行一系列的时间序列特性检验, 并建立货币供应量对股票价格指数HUSHI影响的预测模型, 得出了以下几
42、点结论。(1)货币供应量各层次变量M0、M1、M2和股票价格指数变量HUSHI是时间序列数据, 它们本身都是非平稳数列, M0、M1、M2和STOCK一阶差分序列也是非平稳的, M0、M1、M2的二阶差分序列是平稳的。(2)协整检验的结果表明, 变量STOCK与M0之间有着长期的稳定、均衡的关系,显示我国的股票市场与货币市场存在一定的关联。(3)通过Granger因果关系检验可以发现,流通中现金增量M0和上证综指HUSHI增量间存在相互影响的关系.6.主成分分析法在分析CPI、货币供给量和股票指数三者的根本原因问题中，本文采用主成分分析法求解。运用SPSS软件，SPSS在调用Factor An
43、alyze过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后值得变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，如果需要得到标准化数据则需调用Descriptives过程进行计算。表13 Correlation MatrlxCPI货币供给量上证指数Correlation CPI1.000-.327-.281 货币供给量-.3271.000-.736 上证指数-.281-.7361.000 由图表13可知货币供给量与上证指数存在较为显著的关系。而CPI与货币供给量及上证指数的关系则不显著。 表14 Total Variance Explained