我国影子银行对房地产板块股票价格的影响机制研究

《我国影子银行对房地产板块股票价格的影响机制研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、我国影子银行对房地产板块股票价格的影响机制研究［摘要］我国影子银行快速发展，是我国金融体系中非常重要的一部分。而影子银行资金流向对房地产市场和股票市场都有明显的影响，房地产行业上市公司的股价受到影子银行的影响应该会更大。文章运用协整检验方法和交叉影响效应模型，实证研究了影子银行规模对房地产板块股票价格的影响机制，发现影子银行规模增加会显著降低房地产板块股票价格，随着房地产价格和股票市场价格的上升，影子银行对房地产板块股票价格的负面影响变小。监管部门应该实时监控影子银行资金的流向，建立房地产市场和股票市场之间的防火墙，房地

2、产板块股票价格可以作为监管部门监控影子银行的风向指标之一。本文采集自网络，本站发布的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除己转载的信息，如果需要分享，请保留本段说明。［关键词］影子银行；房地产板块股票价格；协整检验；交叉影响效应［D01］1013939/jcnkizgsc2017180611前言和文献综述影子银行的发展导致美国2008年金融危机的发生。金融穂定委员会(2011)把影子银行体系定义为游离于银行监管体系之外、可能引发系统性风险

3、和监管套利等问题的信用中介体系。而我国的影子银行体系和美国影子银行体系有所不同，主要指从事资金信贷活动的非银行金融机构。近年来，我国影子银行体系发展非常快，据本文统计2016年年底我国影子银行规模达到24万亿元，占商业银行贷款的226%。影子银行己经是我国金融体系中非常重要的一部分。而作为我国资产市场的主体房地产市场和股票市场，流动性很强影子银行的资金频繁进出资产市场，会对资产市场的价格有明显的影响。房地产行业上市公司的股价受到影子银行的影响应该会更大。前人对影子银行影响房地产市场价格和股票市场价格的研究比较多，但是很少

4、右文献研宄影子银行对房地产行业上市公司的股价的影响是怎么样的。前人对影子银行影响房地产市场价格有不少的研究。单畅(2015)等采用影子银行规模、传统银行信贷规模等指标，实证性检验了影子银行和房地产价格之间短期互动与长期动态均衡的关系，另外，影子银行对房地产价格波动也有剧烈影响，且成反向关系。而卢琼佩(2015)在对我国月度数据进行VAR模型实证分析之后，得到了相反的结论，结果显示，不论是表内还是表外的影子银行的资金规模对房地产价格影响是正向的。贾生华(2016)等用结构向量自回归模型测度了影子银行对房地产时尚的影响机制，

5、发现其规模的上升会促进房价的升高并扩大了社会信贷的供给。同时影子银行抑制了货币政策对房地产市场的调控效果。StevenLSchwarcz(2013)认为房地产行业的发展与影子银行的发展紧密相连，如何在保证抵押贷款的发放和更替收益的情况下控制可能的过激行为是需要政府引起重视的。前人对影子银行影响股票市场价格有不少的研究。Barbu、Boitan、Cioaca(2016)通过对欧盟15个国家的2008—2015年影子银行总资产和股价指数数据分析，运用面板数据回归的方法，得出了影子银行总资产对股价指数正向影响的站论。然而Maz

6、umder和Greed(2010)主要研究了2007-2009年次贷危机中影子银行和股市波动、溢出效应等关系，指出影子银行是传统银行的补充，但监管不力使其对股市稳定性有负面影响。国内学者何德旭、李锦成(2015)通过拟合影子银行规模的时间序列和上证指数的时间序列ARIMA模型分析丫影子银行和A股市场的相关性，结果发现影子银行对A股市场右微弱的负相关性。李锦成(2016)利用11种曲线拟合分析中国影子银行与A股市场的相关性，研究发现影子银行和A股市场呈现比较复杂的三次函数与S形函数关系。总之，前人的研究主要集中在影子银行分

7、别对房地产市场价格和股票市场价格的影响研宄，但是对影子银行影响房地产板块股票价格影响的实证研究较少，对影子银行影响房地产板块股票价格影响机制的研究更少。因此，本文在这方面进行了进一步深入的研宄。2研究设计21变量选择和数据来源因变量为房地产板块股票价格，使用的是证监会对股票行业分类的房地产板块的股票的平均价格，数据来源为wind金融终端。自变量包括影子银行存量规模，参考何德旭、李锦成（2015）的研究，使用的是委托贷款存量规模、信托贷款存量规模和未贴现银行承兑汇票存量规模之和，数据来源为Wind金融终端；房地产价格，使用

8、是商品房销售额除以商品房销售面积，数据来源为Wind金融终端;股票市场价格，使用的是上证综合收盘指数，数据来源为中经网统计数据库22数据样本由于信托贷款数据样本区间从2006年1月才开始，本文选择从2006年1月到2017年2月的月度时间序列作为研究的样本区间。样本数为134个时间序列，回归分析使用Eviews软件。