一、引言 近年来，贸易摩擦、俄乌地缘政治冲突等事件对各国经济产生了较强的负向冲击，但中国经济运行态势总体良好。2023年，美国通胀问题开始得到部分缓解，但全球经济不确定性仍处高位，中国市场则面临增长压力和通缩风险。 一直以来，各界对货币政策跨周期调控取向静态特征的了解大多来自央行季度《货币政策执行报告》。然而，《货币政策执行报告》虽然公布频率较为固定，但由于公布时间相对滞后，其对行为决策的引导效果不尽如人意。相比于《货币政策执行报告》，是否存在一种表征指标，能及时揭示货币政策松紧状态的时变状态?货币政策跨周期调控表征指标与宏观经济变量之间的领先滞后关系如何?政策惰性和时间惯性下，货币政策跨周期调控表征指标与宏观经济之间是否存在时点错位问题?准确把握货币政策跨周期调控操作时机和调控力度，对于提高货币政策跨周期调控有效性意义重大。 大量文献对货币政策有效性问题展开了研究(Canova and Gambetti，2009；王军生等，2023；刘金全等，2023；顾海峰和周祉晴，2024)。由于分析目的、研究视角及工具选择等不同，不同研究者对货币政策有效性问题研究的结论不同。有研究者认为数量型工具能直接影响资金流动性，宏观调控效果明显(Burdekin and Siklos，2008；逯进等，2023；张龙等，2024)；也有研究者认为价格型工具在“稳增长”和“防风险”等政策目标上的调控效果更优(Galí and Monacelli，2005；温兴春和闫歆玙，2023)；还有研究者提出货币政策兼具量价属性，混合型规则的调控效果更优(Nakamura and Steinsson，2018；何剑和刘钰，2024)。 逆周期政策重在实现短期目标，跨周期政策既关注短期效果又关注长期目标。2021年中央经济工作会议重提逆周期政策，体现出短期稳定经济增长的紧迫性和必要性，跨周期和逆周期宏观调控政策要有机结合，体现出宏观调控到宏观治理的重大战略思路转变。关于货币政策的逆周期调控问题，学术界重点关注货币政策对不同经济政策目标的短期调控效果(方意等，2019；马勇和付莉，2020)。也有研究者认为应该正确认识经济发展的大周期属性，货币政策不但具有逆周期特征，还有跨周期转变需求，跨周期政策是对逆周期政策的一种必要完善和有益升级(刘伟和陈彦斌，2021)。更为具体地，张炜和妥璟旖(2022)基于时变模型对货币政策跨周期调控的机制和效应进行分析，研究发现由于存在内外部传导时滞，货币政策跨周期调控效果大多优于逆周期调节效应。战明华和卢垚(2023)则认为，货币政策存在显著的跨周期调控属性，其真实调控效果与不确定性及量价工具选择等有关。张龙和申瑛琦(2023)通过对货币政策的房地产市场效应进行量化研究，得出货币政策逆周期调节和跨周期调控效果存在差异，跨周期调控具有必要性和优势性。张龙等(2024)基于“饥饿效应”和“宿醉效应”视角比较了货币政策在短期和长期内的调控效果，发现短期逆周期效应、长期跨周期效应均与货币环境有关。 本文的主要工作和逻辑思路如下：首先，运用MI-TVP-FAVAR模型定量测算时变货币政策跨周期调控指数，并基于《货币政策执行报告》检验其拟合效果，实现时变货币政策跨周期调控指数的合理性和优势性检验；其次，基于小波分析法和TVP-VAR-DY模型分析时变货币政策跨周期调控指数与主要宏观经济变量之间的领先滞后关系，探究二者之间个别时点错位问题。为了克服二者之间存在的个别时点错位问题，本文进一步基于内生TVP-VAR模型对货币政策跨周期调控的经济效应进行反事实模拟，重点对比不同期限下的货币政策跨周期调控有效性，同时深入分析不同期限对货币政策跨周期调控效率的影响。 已有文献为相关研究提供了经验借鉴，但也存在改进空间。本文的边际贡献有两点。第一，已有研究大多基于《货币政策执行报告》进行取向描述和经济解读，对货币政策跨周期调控取向的实时测算问题关注不足。本文运用MI-TVP-FAVAR模型定量测算时变货币政策跨周期调控指数，通过《货币政策执行报告》检验时变货币政策跨周期调控指数测算的合理性和优势性。第二，已有研究大多以不同期限同业拆借利率变动25或50基点为例进行货币政策跨周期调控有效性模拟分析，缺乏真实数据下的货币政策跨周期调控模拟和对比检验，更没有关注到不同期限对货币政策跨周期调控效率的影响。本文运用内生TVP-VAR模型反事实模拟货币政策的跨周期调控效应，重点对比不同期限下的货币政策跨周期调控有效性与边际效率，为政府进行跨周期调控提供了理论依据。 二、时变货币政策跨周期调控指数测算与经验事实解析 结合信息涵盖和参数设定方式问题，本文拓展和参考周德才等(2015)、沈悦等(2023)和张龙等(2024)的研究，构建MI-TVP-FAVAR模型进行时变货币政策跨周期调控指数测算。 (一)MI-TVP-FAVAR模型 首先，设定如下方程： y[,t]=S[,t]α[,t]+ε[,t] (1) 其中，y[,t]和S[,t]分别表示m×1维和m×k维被解释和解释变量，α[,t]表示k×1维向量，ε[,t]表示随机向量，且满足ε[,t]～N(0，H[,t])。 为了顺利实现模型估计，需要对协方差矩阵H[,t]进行相应约束。为此，本文参考金春雨和张龙(2017)、张龙等(2024)的研究，对协方差矩阵H[,t]进行特定的分解设定：
