金融數(shù)據(jù)分析 課件 第3章 協(xié)整與向量自回歸模型

第三章

協(xié)整與向量自回歸模型

學(xué)習(xí)目標(biāo)

掌握兩種協(xié)整分析方法、VAR模型的估計(jì)與設(shè)定、格蘭杰因果關(guān)系檢驗(yàn)方法及其應(yīng)用；熟悉VAR模型的脈沖響應(yīng)函數(shù)與方差分解；了解SVAR模型與TVP-VAR模型的基本原理。

本章導(dǎo)讀

向量自回歸（VAR）模型采用多方程聯(lián)立的形式，它不以經(jīng)濟(jì)理論為基礎(chǔ)，在模型的每一個(gè)方程中，內(nèi)生變量對(duì)模型的全部?jī)?nèi)生變量的滯后值進(jìn)行回歸，從而估計(jì)全部?jī)?nèi)生變量的動(dòng)態(tài)關(guān)系。Johansen協(xié)整檢驗(yàn)是基于VAR模型的一種檢驗(yàn)方法，但也可直接用于多變量間的協(xié)整檢驗(yàn)。本章還將一般的VAR模型拓展到經(jīng)濟(jì)金融領(lǐng)域經(jīng)常用的結(jié)構(gòu)向量自回歸（SVAR）模型，并繼續(xù)延伸到具有隨機(jī)波動(dòng)率特征的時(shí)變參數(shù)結(jié)構(gòu)向量自回歸（TVP-VAR）模型。結(jié)合專(zhuān)題部分的內(nèi)容，不斷挖掘VAR模型及其延伸模型在金融管理中的應(yīng)用，并認(rèn)識(shí)到中國(guó)資本市場(chǎng)與貨幣政策的協(xié)調(diào)發(fā)展的重要性。3.1協(xié)整分析3.2向量自回歸（VAR）模型3.3格蘭杰因果檢驗(yàn)3.4VAR模型與脈沖響應(yīng)函數(shù)3.5VAR模型與方差分解3.6結(jié)構(gòu)向量自回歸（SVAR）模型3.7TVP-VAR模型3.8專(zhuān)題3金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析目錄CONTENTS協(xié)整分析3.13.1.1協(xié)整的定義

3.1.2誤差修正模型3.1.2誤差修正模型3.1.3向量誤差修正模型3.1.3向量誤差修正模型3.1.3向量誤差修正模型3.1.3向量誤差修正模型3.1.3向量誤差修正模型3.1.4Engle-Granger協(xié)整分析3.1.4Engle-Granger協(xié)整分析【例3.1】本例研究我國(guó)股票指數(shù)與利率之間的協(xié)整關(guān)系，選取上證綜合指數(shù)日收盤(pán)價(jià)(SZH)作為股票指數(shù)，銀行間同業(yè)拆借7日利率(SHIBOR)代表利率狀況，時(shí)間為2016年1月4日到2021年12月31日，頻率為日度，樣本量為1461。數(shù)據(jù)來(lái)源為wind。將缺失數(shù)據(jù)舍棄后，對(duì)原數(shù)據(jù)和其一階差分(dSZH和dSHIBOR)的數(shù)據(jù)進(jìn)行單位根檢驗(yàn)，表3.1表明，原數(shù)據(jù)為非平穩(wěn)序列，而其一階差分為平穩(wěn)序列，因此所選數(shù)據(jù)為同階單整序列，可進(jìn)一步進(jìn)行協(xié)整分析。表3.1列示了估計(jì)結(jié)果。3.1.4Engle-Granger協(xié)整分析對(duì)兩個(gè)數(shù)據(jù)進(jìn)行回歸，提取殘差序列進(jìn)行單位根檢驗(yàn)，統(tǒng)計(jì)量為-11.1950，并且在1%的水平上顯著，說(shuō)明我國(guó)股票市場(chǎng)與利率之間存在協(xié)整關(guān)系，即長(zhǎng)期均衡關(guān)系。

R代碼library(tseries)library(xts)>dat<-read.csv("E://jrjl/Chapter3/協(xié)整數(shù)據(jù).csv",header=T)>DATE<-dat[,1]>date<-as.Date(DATE)>data<-xts(dat[,-1],date)>adf.test(data$SZH)>adf.test(data$SHIBOR)>ddat<-diff(data)>ddata<-ddat[-1,]>adf.test(ddata$SZH)>adf.test(ddata$SHIBOR)>rg1<-lm(ddata$SZH~ddata$SHIBOR)>summary(rg1)>error1=residuals(rg1)>adf.test(error1)3.1.5Johansen協(xié)整分析3.1.5Johansen協(xié)整分析3.1.5Johansen協(xié)整分析3.1.5Johansen協(xié)整分析【例3.2】在例3.1基礎(chǔ)上，我們加入?yún)R率進(jìn)行Johansen協(xié)整分析，指標(biāo)選取人民幣兌美元的匯率(EX)，時(shí)間區(qū)間與頻率均與例3.1相同。首先對(duì)EX變量及其一階差分(dEX)進(jìn)行單位根檢驗(yàn)，表3.2表明變量EX為一階單整序列，可進(jìn)行后續(xù)分析。3.1.5Johansen協(xié)整分析

進(jìn)一步使用Johansen協(xié)整方法進(jìn)行協(xié)整向量的選擇，本例使用的是統(tǒng)計(jì)量

，表3.3表示至多有兩個(gè)協(xié)整向量的原假設(shè)被拒絕，說(shuō)明本例中存在兩個(gè)或兩個(gè)以上的協(xié)整向量，而此處一共三個(gè)變量，協(xié)整向量并不會(huì)大于兩個(gè)，因此建立兩個(gè)協(xié)整變量的誤差修正模型。3.1.5Johansen協(xié)整分析

表3.4展現(xiàn)了誤差修正模型部分結(jié)果中協(xié)整變量以及差分變量的估計(jì)值，可用來(lái)分析變量間的長(zhǎng)期影響，其中ect1與ect2分別為第一、第二個(gè)協(xié)整變量，dSZH_1、dSHIBOR_1和dEX_1為dSZH、dSHIBOR與dEX的滯后一期。此處利率對(duì)股票價(jià)格的影響為0.000220，系數(shù)微小，說(shuō)明利率對(duì)股價(jià)的影響微弱，而匯率對(duì)股價(jià)的作用較強(qiáng)。

R代碼library(urca)###在例3.1代碼基礎(chǔ)上運(yùn)行>adf.test(data$EX)>adf.test(ddata$EX)>vecm=ca.jo(ddata,type='trace',ecdet="const")>summary(vecm)>vecm.r2=cajorls(vecm,r=2)>vecm.r2向量自回歸(VAR)模型3.23.2.1VAR模型介紹3.2.1VAR模型介紹3.2.1VAR模型介紹3.2.2VAR模型的設(shè)定3.2.2VAR模型的設(shè)定3.2.2VAR模型的設(shè)定3.2.2VAR模型的設(shè)定【例3.3】我們使用中國(guó)內(nèi)地和香港兩個(gè)股票市場(chǎng)數(shù)據(jù)建立VAR模型，選取上證綜指（SZH）和香港恒生指數(shù)（XGH）的對(duì)數(shù)收益率作為兩個(gè)市場(chǎng)的代理變量，時(shí)間為2011年1月4日到2021年12月30日，數(shù)據(jù)頻率為日度，圖3-1為兩個(gè)指標(biāo)的時(shí)序變化圖，其中在2012年和2020年香港市場(chǎng)的波動(dòng)明顯大于內(nèi)地市場(chǎng)，且香港市場(chǎng)在新冠肺炎疫情期間波動(dòng)明顯更為劇烈，說(shuō)明新冠肺炎疫情對(duì)香港市場(chǎng)的沖擊大于內(nèi)地市場(chǎng)。3.2.2VAR模型的設(shè)定圖3-1上證綜指和香港恒生指數(shù)時(shí)序圖3.2.2VAR模型的設(shè)定3.2.2VAR模型的設(shè)定

R代碼>data<-read.csv("E://jrjl/Chapter3/VAR數(shù)據(jù).csv",header=T)>dat<-data[,2:3]>lgdata<-log(dat)>DATE<-data[-1,1]>date<-as.Date(DATE)>lgdata_t<-xts(lgdata,as.Date(data[,1]))>Rdata<-diff(lgdata_t)>rdata<-Rdata[-1,]>SZH<-rdata$SZH

R代碼>XGH<-rdata$XGH>plot(date,SZH,lty=1,main="",lwd=1,xlab="上證綜指",ylab="",type="l")>plot(date,XGH,lty=1,main="",lwd=1,xlab="香港恒生",ylab="",type="l")>df1<-ur.df(SZH,type="none",selectlags="AIC")>df2<-ur.df(XGH,type="none",selectlags="AIC")>summary(df1)>summary(df2)>VARselect(y=rdata,lag.max=12,type=c("const"))>var1<-VAR(rdata,p=1,type=c("const"))>coef(var1)格蘭杰因果檢驗(yàn)3.3

3.3格蘭杰因果檢驗(yàn)3.3格蘭杰因果檢驗(yàn)【例3.4】在構(gòu)建VAR模型后，檢驗(yàn)上證綜指（SZH）和香港恒生（XGH）指數(shù)對(duì)數(shù)收益率間的格蘭杰因果關(guān)系。表3.7所示，在1%顯著性水平下拒絕SZH不是XGH的格蘭杰原因的原假設(shè)，同樣，在1%顯著性水平下顯著拒絕SZH和XGH無(wú)瞬時(shí)因果關(guān)系的原假設(shè)。即SZH和XGH存在格蘭杰因果關(guān)系，SZH和XGH存在瞬時(shí)因果關(guān)系，SZH是XGH的格蘭杰原因。

R代碼>causality(var1,cause=c('SZH'))>causality(var1,cause=c('XGH'))VAR模型與脈沖響應(yīng)函數(shù)3.4

3.4.1

脈沖響應(yīng)函數(shù)

3.4.1

脈沖響應(yīng)函數(shù)

3.4.1

脈沖響應(yīng)函數(shù)

3.4.2

三角分解法

3.4.2

三角分解法

3.4.3

喬利斯基分解法（Choleskydecomposition）3.4.3喬利斯基分解法（Choleskydecomposition）【例3.5】?jī)墒袌?chǎng)間脈沖響應(yīng)分析。例3.3和例3.4的研究表明，內(nèi)地與香港的股票市場(chǎng)間存在相互影響，因此我們?cè)诶?.3構(gòu)建的VAR（1）模型基礎(chǔ)上，計(jì)算了5期脈沖響應(yīng)圖，置信區(qū)間為95%，模擬次數(shù)為100。3.4.3喬利斯基分解法（Choleskydecomposition）【例3.5】由圖3-2可知，除XGH對(duì)SZH沖擊外，SZH和XGH兩個(gè)指數(shù)所受到的沖擊均在期初達(dá)到最大，并在第3-4期完全消除，這說(shuō)明市場(chǎng)自身反映較快。具體而言，上證綜指對(duì)自身的擾動(dòng)沖擊在第1期時(shí)達(dá)到0.014，在第2期時(shí)下降到0.001后趨于0值；上證綜指對(duì)恒生指數(shù)的擾動(dòng)沖擊在第1期為0.007，在第2期降為負(fù)值后趨于0值；恒生指數(shù)對(duì)自身沖擊在第1期最大從第二期開(kāi)始逐步趨于0值；恒生指數(shù)對(duì)上證綜指的擾動(dòng)沖擊在第1期時(shí)為0，第2期上升后在第3期逐步降為0。脈沖結(jié)果表明我國(guó)內(nèi)地和香港股市之間存在相互影響，上證綜指和恒生指數(shù)面對(duì)沖擊的調(diào)整能力較強(qiáng)，具備較好的應(yīng)對(duì)沖擊的反應(yīng)能力。

R代碼>var1.irf1<-irf(var1,impulse="SZH",response="SZH",n.ahead=5)>var1.irf2<-irf(var1,impulse="SZH",response="XGH",n.ahead=5)>var1.irf3<-irf(var1,impulse="XGH",response="XGH",n.ahead=5)>var1.irf4<-irf(var1,impulse="XGH",response="SZH",n.ahead=5)>plot(var1.irf1,col="black",col.axis="black")>plot(var1.irf2,col="black",col.axis="black")>plot(var1.irf3,col="black",col.axis="black")>plot(var1.irf4,col="black",col.axis="black")VAR模型與方差分解3.53.5VAR模型與方差分解

3.5VAR模型與方差分解

3.5VAR模型與方差分解【例3.6】：本例基于例3.3建立的VAR模型，對(duì)上證綜指和香港恒生指數(shù)進(jìn)行方差分解，研究這兩個(gè)變量間的沖擊效應(yīng)，具體結(jié)果見(jiàn)表3.8。由表3.8可知，對(duì)SZH進(jìn)行一期的預(yù)測(cè)，預(yù)測(cè)方差完全來(lái)自其本身，在進(jìn)行5期預(yù)測(cè)時(shí)，依然有99.92%的方差貢獻(xiàn)率來(lái)自本身，其余的0.08%來(lái)自XGH。所以SZH的變動(dòng)過(guò)主要受到自身影響，XGH對(duì)其影響十分小。對(duì)XGH做一期的預(yù)測(cè)，預(yù)測(cè)的方差68.08%來(lái)自本身，31.92%來(lái)自SZH。XGH的變動(dòng)大部分受到自身的影響，小部分受到來(lái)自SZH的影響。結(jié)果表明XGH的指數(shù)變動(dòng)受外界影響較大，而SZH的指數(shù)變動(dòng)主要來(lái)自于自身影響。3.5VAR模型與方差分解R代碼：>f1<-fevd(var1,n.ahead=5)#方差分解>f1結(jié)構(gòu)向量自回歸（SVAR）模型3.63.6.1SVAR模型的介紹

3.6.1SVAR模型的介紹

3.6.1SVAR模型的介紹

3.6.2識(shí)別SVAR模型的約束條件

3.6.2識(shí)別SVAR模型的約束條件

3.6.2識(shí)別SVAR模型的約束條件

3.6.3SVAR模型的估計(jì)方法

TVP-VAR模型3.73.7TVP-VAR模型

3.7TVP-VAR模型3.7TVP-VAR模型

專(zhuān)題3金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，對(duì)金融業(yè)發(fā)展的質(zhì)量要求日益增高，習(xí)近平總書(shū)記在2019年中共中央政治局第十三次集體學(xué)習(xí)時(shí)強(qiáng)調(diào)，要深化金融供給側(cè)結(jié)構(gòu)性改革、深化金融改革開(kāi)放、增強(qiáng)金融服務(wù)實(shí)體經(jīng)濟(jì)能力、防范化解金融風(fēng)險(xiǎn)，推動(dòng)金融業(yè)高質(zhì)量發(fā)展。黨的二十大報(bào)告更是明確提出要“堅(jiān)持高水平對(duì)外開(kāi)放”。金融開(kāi)放的過(guò)程通常伴隨著系統(tǒng)性金融風(fēng)險(xiǎn)的積累，尤其是對(duì)于一些發(fā)展中國(guó)家，在金融開(kāi)放后均會(huì)遭受不同程度的系統(tǒng)性金融風(fēng)險(xiǎn)的沖擊，這勢(shì)必會(huì)對(duì)金融高質(zhì)量發(fā)展產(chǎn)生影響。在分析中國(guó)金融開(kāi)放對(duì)金融高質(zhì)量發(fā)展直接影響基礎(chǔ)上，研究金融開(kāi)放對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)以及系統(tǒng)性金融風(fēng)險(xiǎn)對(duì)金融高質(zhì)量發(fā)展的間接影響渠道，對(duì)防范系統(tǒng)性金融風(fēng)險(xiǎn)的發(fā)生、促進(jìn)中國(guó)金融高質(zhì)量發(fā)展具有重要的意義。1.數(shù)據(jù)描述本文選取金融開(kāi)放度(FINOPEN)、金融巨災(zāi)風(fēng)險(xiǎn)(CATFIN)和金融高質(zhì)量發(fā)展指標(biāo)(HQFD)三個(gè)指標(biāo)分別作為金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)和金融高質(zhì)量發(fā)展的代理變量。樣本選取2005年第一季度至2020年第四季度的季度數(shù)據(jù)，合計(jì)64期，研究區(qū)間包括了中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)波動(dòng)的關(guān)鍵時(shí)期。金融開(kāi)放度(FINOPEN)本文選取KOF全球化指標(biāo)中基于事實(shí)維度的金融全球化子指標(biāo)(KOFFiGldf)來(lái)表示中國(guó)金融開(kāi)放的代理變量——金融開(kāi)放度(FINOPEN)。該指標(biāo)選用對(duì)外直接投資、對(duì)外證券投資、國(guó)際債務(wù)、國(guó)際儲(chǔ)備、國(guó)際收支五項(xiàng)子指標(biāo)，運(yùn)用主成分分析法構(gòu)建得到，有數(shù)據(jù)可得性強(qiáng)、考慮范圍全面等優(yōu)勢(shì)，能較好反映一個(gè)國(guó)家的金融開(kāi)放程度。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析系統(tǒng)性金融風(fēng)險(xiǎn)(CATFIN)

本專(zhuān)題基于我國(guó)金融業(yè)122家上市機(jī)構(gòu)股票的季度收益率，采用有偏的廣義誤差分布(SGED)、廣義帕雷托分布(GPD)和非參數(shù)方法計(jì)算每個(gè)季度截面維度的99%置信水平下的VaR。對(duì)三個(gè)VaR值進(jìn)行標(biāo)準(zhǔn)化處理，取其主成分部分構(gòu)建得到金融巨災(zāi)風(fēng)險(xiǎn)(CATFIN)，進(jìn)而作為中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的代理變量。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析金融高質(zhì)量發(fā)展指數(shù)(HQFD)根據(jù)投入產(chǎn)出理論，圍繞金融發(fā)展自身穩(wěn)定性和金融服務(wù)實(shí)體經(jīng)濟(jì)的特點(diǎn)，結(jié)合“創(chuàng)新、協(xié)調(diào)、綠色、開(kāi)放、共享”五大發(fā)展理念，分別從金融自身發(fā)展、金融服務(wù)實(shí)體經(jīng)濟(jì)發(fā)展、金融創(chuàng)新發(fā)展、金融開(kāi)放發(fā)展、金融綠色發(fā)展、金融協(xié)調(diào)發(fā)展、金融共享發(fā)展七大角度，構(gòu)建金融高質(zhì)量發(fā)展的投入產(chǎn)出評(píng)價(jià)指標(biāo)體系。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析金融高質(zhì)量發(fā)展指數(shù)(HQFD)一級(jí)指標(biāo)共七個(gè)，分別為金融自身發(fā)展、金融創(chuàng)新發(fā)展、金融協(xié)調(diào)發(fā)展、金融綠色發(fā)展、金融開(kāi)放發(fā)展和金融共享發(fā)展。再根據(jù)一級(jí)指標(biāo)的定義，選取了以下19個(gè)二級(jí)指標(biāo)：效率變化、結(jié)構(gòu)調(diào)整、規(guī)模擴(kuò)張、金融不穩(wěn)定性、社會(huì)融資規(guī)模、銀行信貸規(guī)模、從業(yè)人員數(shù)量占比、固定資產(chǎn)投資占比、實(shí)體經(jīng)濟(jì)增加值占比、金融創(chuàng)新度、科研經(jīng)費(fèi)率、城鄉(xiāng)結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、政府支持、綠色投資、外資銀行資產(chǎn)率、進(jìn)出口率、涉農(nóng)貸款率、可支配收入對(duì)比。運(yùn)用DEA交叉效率模型，將每一季度金融高質(zhì)量發(fā)展指數(shù)情況視作一個(gè)DMU，則此時(shí)n=64，表示數(shù)據(jù)共有64期；投入變量m=11，表示12項(xiàng)投入指標(biāo)；產(chǎn)出變量s=7，表示有7項(xiàng)產(chǎn)出指標(biāo)，表3-9計(jì)算了樣本的金融高質(zhì)量發(fā)展效率交叉評(píng)價(jià)值，進(jìn)而作為我國(guó)的金融高質(zhì)量發(fā)展指數(shù)(HQFD)。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析右圖分別展示了我國(guó)金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)和金融高質(zhì)量發(fā)展的時(shí)序圖這三者都呈現(xiàn)出周期性變化，其中金融開(kāi)放和金融高質(zhì)量發(fā)展的變化周期為一年，而系統(tǒng)性金融風(fēng)險(xiǎn)以2012年為分界線，劃分為兩個(gè)周期。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析為充分掌握我國(guó)金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)和金融高質(zhì)量發(fā)展三個(gè)指標(biāo)的變化規(guī)律，表3-10對(duì)其進(jìn)行了統(tǒng)計(jì)性描述。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析在進(jìn)行實(shí)證分析對(duì)各變量進(jìn)行平穩(wěn)性檢驗(yàn)。本文選取ADF方法對(duì)原始數(shù)據(jù)進(jìn)行單位根檢驗(yàn)，所得結(jié)果分別為-6.5868***、-3.5393***和-6.9197***，均在1%的顯著水平上平穩(wěn)，表明，選用TVP-VAR探究金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)和金融高質(zhì)量發(fā)展的時(shí)變關(guān)系中不存在為回歸現(xiàn)象。2.實(shí)證分析本專(zhuān)題選用TVP-VAR探究金融開(kāi)放對(duì)金融高質(zhì)量發(fā)展的直接影響，以及系統(tǒng)性金融風(fēng)險(xiǎn)對(duì)金融高質(zhì)量發(fā)展的間接影響渠道。選用蒙特卡洛50000次模擬對(duì)TVP-VAR模型進(jìn)行參數(shù)估計(jì)，圖3-4、圖3-5和圖3-6分別展示了在25%、50%、75%分位點(diǎn)下金融開(kāi)放對(duì)金融高質(zhì)量發(fā)展、金融開(kāi)放對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)、系統(tǒng)性金融風(fēng)險(xiǎn)對(duì)金融高質(zhì)量發(fā)展的沖擊的脈沖響應(yīng)圖。其中實(shí)線為響應(yīng)的中位數(shù)估計(jì)（50%分位數(shù)），標(biāo)記?的兩條虛線形成25%和75%分位點(diǎn)的寬線，這表明在金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)和金融高質(zhì)量發(fā)展的關(guān)系分析中存在一定的不確定性。3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析1.

FIOPEN對(duì)HQFD沖擊的脈沖響應(yīng)（圖3-4）3.8金融開(kāi)放、系統(tǒng)性金融風(fēng)險(xiǎn)與金融高質(zhì)量發(fā)展的關(guān)系分析金融高質(zhì)量發(fā)展受到金融開(kāi)放單位沖擊后，在第1期到第2期的響應(yīng)變化最快，在第2期之后沖擊效應(yīng)明顯減弱，之后逐漸接近0刻度線并保持穩(wěn)定。這表明金融開(kāi)放對(duì)金融高質(zhì)量發(fā)展具有促進(jìn)作用，但這種促進(jìn)作用隨時(shí)間邊際遞減。出現(xiàn)這種變化的原因可能是金融開(kāi)放可能會(huì)吸引更多的資金流入市場(chǎng)，刺激金融活動(dòng)和創(chuàng)新，創(chuàng)造更多的融資、投資和創(chuàng)業(yè)機(jī)會(huì)，從而促進(jìn)我國(guó)金融高質(zhì)量發(fā)展。但隨著時(shí)間的推移，越來(lái)越多的外部資本涌入國(guó)內(nèi)市場(chǎng)，金融體系開(kāi)始積累風(fēng)險(xiǎn)，使得金融開(kāi)放對(duì)金融高質(zhì)