Анализ денежно-кредитной политики ЦБ России с учетом

Автор: Родион Ломиворотов
Аспирант Высшей Школы Экономики, кафедры макроэкономического анализа
Email: rlomivorotov@hse.ru
Ключевые слова: монетарная политика, таргетирование инфляции, байесовские оценки
Author: Rodion Lomivorotov
PHD student at Higher School of Economic, Department of Macroeconomic Analysis
Email: rlomivorotov@hse.ru
Keywords: monetary policy; inflation targeting; Bayesian estimation
JEL Classification: E41, E52, E58.
Анализ денежно-кредитной политики ЦБ России с учетом
природы внутренних и внешних шоков
В данном исследовании мы рассмотрели влияние внешних и внутренних шоков на
экономику России. В качестве основных внешних шоков мы выбрали изменение
монетарной политики в США, динамику цен на сырьевые товары, а так же уровень
волатильности на международных финансовых рынках. Мы также изучили
влияние монетарной политики Центрального Банка России (ЦБР) на
экономическую активность в стране, уровень инфляции и динамику обменного
курса. Таким образом, в своем исследовании мы преследовали две основные
цели: во-первых, определение шоков, имеющих набольшее влияние на экономику
страны; во-вторых, оценить влияние монетарной политики ЦБР при воздействии
данных шоков. Основные результаты исследования показывают, что внешние
шоки имеют достаточно большое влияние на экономику России. При этом мы
обнаружили, что на экономическую динамику влияют не только цены на
энергоносители, но и общая ситуация на международных рынках. Повышение
волатильности на фондовых рынках приводит к замедлению темпов роста,
падению обменного курса и росту процентных ставок. В то же время, влияние
монетарной политика ЦБР на экономику страны является неоднозначным, так как
до не давнего времени процентные ставки имели небольшое влияние, и основным
источником шоков были валютные интервенции.
В зарубежной литературе наблюдается достаточно большой интерес к анализу
влияния глобальных шоков на экономики различных регионов. В недавних
исследованиях Канова (2005), Маковиак (2007), Сато, Джан и МакАлир (2011), а
так же Малик и Соуза (2012) проводили анализ влияние монетарной политик
США на страны Латинской Америки, Азии и BRIC. Эти исследования показали, что
внешние шоки объясняют достаточно большую долю вариации в экономиках этих
стран, при этом большую роль играют изменения в монетарной политике США, а
также волатильность на финансовых и товарных рынках.
Традиционным подходом во многих исследованиях является использование
небольших структурных VAR моделей с краткосрочными или долгосрочными
ограничениям, а также с ограничениями на знаки (или их различные комбинации).
Главными преимуществами данного метода являются его относительная простота
в использовании, а так же возможность экономической интерпретации полученных
результатов. В тоже время основным недостатком является ограничение на
количество переменных, которые можно включить в модель, и как следствие
возникновению различных “пазлов” из-за пропущенных важных переменных. В
зависимости от количества лагов и доступной истории для оценки модели,
количество переменных, которые можно включить в VAR, обычно ограничено 5-7
переменными. В тоже время для некоторых стран, таких как Россия, с
непродолжительной историей и не устоявшейся монетарной политикой, требуется
большее количество переменных для оценки, и данный подход может быть
слишком ограничивающим.
Как было показано в работе Ломиворотова (2013), монетарная политика в России
претерпела несколько структурных изменений на протяжении последних 15 лет;
до недавнего времени регулятор преследовал сразу несколько противоречащих
между собой целей по таргетированию инфляции, поддержке экономического
роста и управлению обменным курсом. Так же ЦБР использовал несколько
различных инструментов монетарной политики для достижения своих
результатов, в отличие, например, от ФРС, которое использует единственную
процентную ставку. Проведенный автором анализ показывает, что в качестве
основных инструментов монетарной политики, регулятор использовал процентные
ставки (ставки по РЕПО, ставка по депозитам и ставка рефинансирования),
интервенции на валютном рынке, различные инструменты по абсорбированию и
предоставлению ликвидности, а также требования по резервированию. Таким
образом, если учесть внешние шоки, переменные, описывающие состояние
экономики, а также переменных монетарной политики, то оцениваемая модель
будет включать как минимум 7-9 переменных. Принимая во внимание
относительно непродолжительный период времени, за который доступна
достоверная статистика по всем переменным (не более15 лет), результаты
оценки такой модели с помощью традиционных методов будут иметь достаточно
низкую точность.
Для того чтобы справится с проблемой большой размерности мы использовали
для оценки модели байесовский подход (large BVAR model). Этот достаточно
новый, но уже популярный метод позволяет оценивать модели с большим
количеством переменных с приемлемой точностью даже на относительно
небольших выборках. Существует несколько различных подходов для
байесовской оценки больших моделей, которые позволяют решить проблему
излишней размерности. Первый подход заключается в выделении основных
фактор, имеющих наибольшее влияние на набор переменных (factor-augmented
VAR или FAVAR), в результате в VAR модель включаются не все переменные, а
только главные факторы. Стоит отметить несколько работ, благодаря которым
этот метод приобрел большую популярность; его использовали Бернанке, Боивин
и Элиасз (2005), Сток и Ватсон (2005), а также Форни и Гамбетти (2010). Другой
подход, предложенный в работах Доана, Литтермана и Симса (1984) и
Литтермана (1986), а в дальнейшем усовершенствованный в работах Банбура,
Гианоне и Рейчлин (2010) и Купа (2010), основан на специальной форме
априорного распределения, позволяющего уменьшать размерность с помощью
исключения незначимых коэффициентов.
В данной работе был использован второй подход, так как он позволяет
естественным образом расширить стандартную небольшую модель, включив в
нее дополнительные переменные, а также дает возможность экономической
интерпретации полученных результатов. При байесовской оценки модели с
большим количеством переменных мы следовали подходу, предложенному в
работах Банбура, Гианоне и Рейчлин (2010), а также Карриеро, Кларка и
Марчеллино (2013). Эти авторы использовали в качестве априорного
распределения нормально распределение Вишарта.
Одной из главных задач при оценке любой структурной модели является задание
определенного ряда условий позволяющих однозначно идентифицировать
структурные шоку. Примером таких условий являются краткосрочные или
долгосрочные ограничения, накладываемые на
шоки структурной модели.
Например, Рамирез, Ваггонер и Жа (2010) используют в своей работе комбинацию
из краткосрочных и долгосрочных ограничений. Такой метод может быть оправдан
в случае небольшой модели, состоящей из нескольких переменных, но в случае
большого количества факторов, он становится слишком обременительным. Для
модели с большим количеством переменных больше подходит метод
ранжирования переменных, предложенный Бернанке, Боивин и Элиасз (2005).
При использовании этого метода структурные шоки определяются с помощью
разложения Холецкого, но при этом переменные в модели ранжируются в
зависимости от скорости их реакции на шоки: вначале идут переменные, которые
либо не реагируют на большую часть шоков или реагируют с задержкой в
несколько периодов, далее следуют переменные, которые реагируют без
задержки.
Для того чтобы проверить устойчивость байесовского метода оценки мы сравнили
результаты оценок небольшой модели с 8 переменными, полученные с помощью
традиционного метода наименьших квадратов и байесовского метода. На втором
шаге мы оценили расширенную модель с 14 переменными. Стандартная модель
включает в себя три блока переменных: переменные внешнего сектора,
включающие в себя уровень процентных ставок в США, волатильность на
финансовых рынках (VIX), а также стоимость нефти; второй блок переменных,
содержащих информацию об экономике страны: уровень производства и
инфляции; третий блок – монетарные переменные: ставка РЕПО, М2 и обменный
курс рубля. Для того чтобы учесть влияние дополнительных факторов мы
включили в расширенную версию модели переменные, описывающие бюджетный
баланс, индекс цен производителей, уровень выпуска в обрабатывающей
промышленности, уровень безработицы, уровень реальной заработной платы и
объем валютных интервенций. Мы так же включили в модель доходность 10-
летних облигаций США, чтобы учесть эффект от количественного смягчения (QE),
проводимого ФРС в последнее время.
Для того чтобы определить степень влияния различных шоков на экономику
страны мы воспользовались методом разложения вариации, который позволяет
оценить вклад каждого из шоков в вариацию переменных. Полученные
результаты показывают, что внешние факторы играют значительную роль в
объяснении вариации некоторых экономических переменных, включая
производство, инфляцию и обменный курс. Внешние факторы объясняют до 20%
вариации в инфляции (после 12 месяцев), в то время как монетарные переменные
объясняют менее 10%. Влияние внешних факторов на
индекс цен
производителей еще больше и достигает 30%; монетарные переменные
объясняют всего 15% вариации. Также внешние факторы имеют большое влияние
на промышленное производство (до 30%). При этом полученные результаты
показывают, что волатильность на глобальных фондовых рынках имеет такое же
важное значение, как и динамика цен на нефть и монетарная политика в США. В
то же время влияние цен на нефть существенно возрастает при объяснении
вариации для индекса потребительских цен.
Другим широко применяемым инструментом для анализа влияния различных
шоков на переменные модели является анализ импульсных функций отклика.
Результаты анализа показывают, что на инфляцию оказывают положительное
влияние расходы бюджета, обменный курс, а также волатильность на
международных рынках (VIX). Промышленное производство негативно реагирует
на рост волатильности (VIX), процентных ставок в США, а также безработицы, в
тоже время рост цены на нефть, увеличение бюджетных расходов, рост валютных
интервенций и денежной массы, и девальвация рубля имеют положительное
влияние на производство. Анализ импульсных функций отклика ставки РЕПО
позволяет оценить реакцию регулятора на различные внутренние и внешние
шоки. Так например, ставка РЕПО положительно реагирует на внешние шоки VIX
и рост процентных ставок в США. Так же ставка РЕПО растет в ответ на
увеличение индекса цен производителей и М2, но в то же время отсутствует
значимая реакция на рост потребительских цен и безработицы.
Результаты нашего анализа подтверждают идею о том, что страны с небольшой
открытой экономикой и с большой долей экспорта сырьевых товаров, к которым
относится Россия, подвержены сильному влиянию внешних шоков, в том числе
изменению монетарной политики в США, волатильности на глобальных фондовых
рынках (VIX) и изменению цен на сырьевые товары (в том числе на нефть). Наш
анализ также показывает, что влияние волатильности на финансовых рынках на
экономику страны намного больше, чем могло бы показаться, так как этот
показатель объясняет до 20% вариации производства и обменного курса. В то же
время шоки цены на нефть объясняют всего 5-10% вариации в переменных
реального сектора экономики. Отчасти такой результат можно объяснить тем, что
падение цены на нефть и увеличение волатильности на фондовых рынках могут
быть вызваны одним и тем же негативным шоком, как, например, случилось во
время кризиса 2008-2009 годов. Проведенный анализ монетарной политики
подтверждает результаты предыдущих исследований, в том числе Есанова,
Меркл и Винас (2005), Гранвилль и Малика (2010), Ломиворотова (2013), о том,
что монетарная политика ЦБР была долгое время направлена на стабилизацию
обменного курса, а не на таргетирование инфляции. Мы также нашли
дополнительные подтверждения тому, что регулятор пытался сглаживать
внешние шоки с помощью валютных интервенций и процентных ставок.
Фискальная политика также имеет существенное влияние на динамику
экономических переменных и инфляцию.
Список литературы
1. Bańbura, M., Giannone, D., & Reichlin, L. (2010). Large Bayesian vector auto
regressions. Journal of Applied Econometrics, 25(1), 71-92.
2. Bernanke, B. S., Boivin, J., & Eliasz, P. (2005). Measuring the effects of
monetary policy: a factor-augmented vector autoregressive (FAVAR) approach.
The Quarterly Journal of Economics, 120(1), 387-422.
3. Canova, F. (2005). The transmission of US shocks to Latin America. Journal of
Applied econometrics, 20(2), 229-251.
4. Carriero, A., Clark, T. E., & Marcellino, M. (2013). Bayesian VARs: specification
choices and forecast accuracy. Journal of Applied Econometrics.
5. Doan, T., Litterman, R., & Sims, C. (1984). Forecasting and conditional projection
using realistic prior distributions. Econometric reviews, 3(1), 1-100.
6. Esanov A., Merkl C., Vinhas L. (2005). Monetary policy rules for Russia. Journal
of Comparative Economics, 33(3), 484–499.
7. Forni, M., & Gambetti, L. (2010). The dynamic effects of monetary policy: A
structural factor model approach. Journal of Monetary Economics, 57(2), 203216.
8. Granville B., Mallick S. (2010). Monetary Policy in Russia: Identifying exchange
rate shocks. Economic Modelling, 27(1), 432–444.
9. Koop, G. (2011). Forecasting with medium and large Bayesian VARs. Journal of
Applied Econometrics.
10. Litterman, R. B. (1986). Forecasting with Bayesian vector autoregressions—five
years of experience. Journal of Business & Economic Statistics, 4(1), 25-38.
11. Lomivorotov, R. (2013). Analysis of Monetary Policy of the Bank of Russia in
2000-2012. Journal of Money and Credit, 2013/12, 45-53.
12. Maćkowiak, B. (2007). External shocks, US monetary policy and macroeconomic
fluctuations in emerging markets. Journal of Monetary Economics, 54(8), 25122520.
13. Mallick, S. K., & Sousa, R. M. (2012). Commodity Prices, Inflationary Pressures,
and Monetary Policy: Evidence from BRICS Economies. Open Economies
Review, 1-18.
14. Rubio-Ramirez, J. F., Waggoner, D. F., & Zha, T. (2010). Structural vector
autoregressions: Theory of identification and algorithms for inference. The
Review of Economic Studies, 77(2), 665-696.
15. Sato, K., Zhang, Z., & McAleer, M. (2011). Identifying shocks in regionally
integrated East Asian economies with structural VAR and block exogeneity.
Mathematics and Computers in Simulation, 81(7), 1353-1364.
16. Stock, J. H., & Watson, M. W. (2005). Implications of dynamic factor models for
VAR analysis (No. w11467). National Bureau of Economic Research.
Приложение
Рис. 1 Декомпозиция вариации для производства
Рис.2 Импульсные функции отклика