多项金融开放举措今天发布

根据利率期限结构预期理论（Campbell & Shiller, 1991），短期政策利率变动应沿收益率曲线向中长期利率传导，传导效率取决于市场对未来政策路径的预期清晰度。央行完善短端利率调控机制（包括利率走廊的明确化、公开市场操作的常态化）应降低市场参与者的政策不确定性感知，使DR007等短期市场利率更紧密地锚定政策利率。同时，根据抛补利率平价（CIP）理论，在岸人民币（CNY）与离岸人民币（CNH）汇率应通过套利机制维持均衡关系，上海自贸区离岸人民币外汇交易试点的启动降低了跨境套利的交易成本，应增强两个市场的价格协同性。

据此提出以下假说：
- H1：短端利率调控机制完善后，DR007对7天逆回购操作利率的偏离幅度均值显著缩小，利率走廊的实际运行宽度收窄。
- H2：离岸人民币外汇交易试点启动后，CNY-CNH即期汇差的绝对值和波动率显著下降，偏离后回归均值的半衰期缩短。
- H3：利率传导效率提升与汇率联动性增强存在正向互动——利率传导越通畅，汇率联动性越强。

本文采用事件研究法识别政策公告的即时效应。以2026年6月17日陆家嘴论坛政策发布为事件日（t=0），设定事件窗口为[-30, +30]个交易日，估计窗口为[-180, -31]。核心识别逻辑为：若在事件日后，DR007对政策利率的偏离（spread）发生结构性下降，且该变化在统计上显著异于估计窗口内的正常波动，则可归因于政策公告。采用Patell标准化残差检验和Boehmer检验进行横截面显著性判断。关键识别假定：（1）事件窗口内无其他重大货币政策冲击与论坛同日发生；（2）市场在事件日前未完全预期到具体政策细节；（3）估计窗口内的利率行为代表了正常条件下的基准关系。

事件研究的基准模型设定为异常利差计算：

AS_it = S_it - E[S_it | X_t]

其中 S_it = DR007_t - OMO_7D_t 为利率偏离度，E[S_it | X_t] 由估计窗口内 S_it = α + β X_t + ε_t 回归获得，X_t 包含市场流动性指标（超额准备金率）和期限利差。累计异常利差 CAS(t1, t2) = Σ AS_it 衡量事件窗口内的累积效应。

对于汇率联动性，采用DCC-GARCH(1,1)模型：

H_t = D_t R_t D_t

其中 D_t 为条件标准差对角矩阵，R_t 为动态条件相关系数矩阵。检验事件后CNY-CNH动态相关系数是否发生结构性上升。

被解释变量：（1）利率偏离度 = DR007 - 7天逆回购操作利率（日频，全国银行间同业拆借中心）；（2）CNY-CNH即期汇差绝对值（日频，Wind/Bloomberg）。核心解释变量：事件虚拟变量 Post_t = 1{t ≥ 2026-06-17}。控制变量：超额准备金率（月频线性插值为日频）、7天Shibor、银行间质押式回购成交量（流动性代理变量）、VIX指数（全球风险偏好）。样本区间：2025年12月17日—2026年7月17日，日频，约140个交易日。

• 替换事件窗口宽度：将事件窗口从[-30, +30]分别调整为[-20, +20]和[-45, +45]，检验结果对窗口选择的敏感性。若不同窗口下结论一致，则政策效应具有稳健性。
• 替换利率偏离度测度：以DR001替代DR007、以SLF利率替代逆回购利率构造偏离度指标，检验利率传导效率改善是否在短期端具有一致性而非仅取决于特定品种。
• 安慰剂检验：将事件日分别前移至2026年5月17日和4月17日（无重大政策公告的日期），以相同方法检验是否存在虚假的政策效应。预期安慰剂日期不应产生显著的结构性变化。
• 排除全球因素干扰：在DCC-GARCH模型中引入美元指数和美联储联邦基金利率期货隐含的政策预期作为外生变量，检验CNY-CNH联动增强是否独立于全球金融条件变化。

---

根据Bernanke & Blinder（1988）的CC-LM模型，货币政策不仅通过传统的利率渠道传导，还通过银行信贷渠道影响总需求。境外央行回购工具的创设扩展了离岸人民币的流动性供给渠道，境外央行获得人民币流动性后可用于购买中国在岸资产，直接增加跨境信贷供给。同时，科创板第五套标准扩至人工智能领域降低了科技企业的股权融资门槛，根据金融加速器理论（Bernanke et al., 1999），企业资产负债表改善会降低外部融资溢价，进而刺激银行信贷投放。此外，FDI改革和QDII额度发放通过预期渠道影响市场信心，推动信贷扩张。

据此提出以下假说：
- H1：政策发布后3个月内，金融业集聚度高的城市社会融资规模增速显著高于低集聚度城市，政策净效应为正（β > 0）。
- H2：境外央行回购工具的创设对离岸人民币债券发行和"债券通"北向资金流入的促进作用大于QDII扩容的效应，两类政策的信贷乘数存在显著差异。
- H3：金融开放政策对科技型中小企业信贷可得性的改善效应大于传统制造业企业，科创板扩围通过信号效应降低了银行对科技企业的信贷风险感知。

本文采用双重差分法（DID）识别政策冲击的因果效应。处理组定义为金融业增加值占GDP比重排名前30%的地级市（金融集聚度高，对金融开放政策更敏感），对照组为排名后30%的城市。处理时点为2026年6月（政策发布月份）。识别假定：若无政策冲击，处理组与对照组的信贷增速平行趋势成立。利用事件研究法（Callaway & Sant'Anna, 2021）检验政策前6个月的平行趋势，并在存在多期处理异质性时提供稳健估计。关键识别假定：（1）政策冲击对处理组和对照组的外生性——陆家嘴论坛的召开时间和金融集聚度的地理分布不存在反向因果；（2）无同期其他区域性信贷政策干扰；（3）无显著的处理组间溢出效应。

基准DID模型设定为：

CreditGrowth_{it} = α + β (Treat_i × Post_t) + γ X_{it} + μ_i + λ_t + ε_{it}

其中 CreditGrowth_{it} 为城市i在月份t的社会融资规模存量同比增速，Treat_i = 1{该市金融业增加值占比位于前30%}，Post_t = 1{t ≥ 2026年6月}。核心参数 β 度量政策组合的净信贷扩张效应，预期符号为正。X_{it} 为时变控制变量（GDP增速、房地产投资增速、地方财政支出增速）。μ_i 为城市固定效应，λ_t 为月份固定效应。标准误聚类到城市层面。进一步在银行层面估计：

LoanGrowth_{bt} = α + β_1 Post_t + β_2 Post_t × AI_Loan_Share_b + γ Z_{bt} + μ_b + ε_{bt}

以检验科技型企业贷款占比（AI_Loan_Share_b）高的银行是否在政策后信贷扩张更显著。

被解释变量：城市社会融资规模存量同比增速（中国人民银行，地级市层面，月频）；银行对公贷款余额同比增速（CSMAR银行财务数据库，季度频）。核心解释变量：Treat_i × Post_t 交互项。控制变量包括城市GDP同比增速（地级市统计局）、房地产开发投资同比增速（国家统计局）、地方一般公共预算支出同比增速（财政部）。样本区间：2025年1月—2026年12月，地级市—月度面板，约290个城市×24个月=6960个观测值。

• 平行趋势与动态处理效应检验：以事件研究法将 β 按月度拆分估计 β_k，绘制处理前6个月和处理后6个月的系数轨迹。预期处理前期系数在零附近波动且不显著，处理后期系数逐步上升并显著。
• 替换处理组定义标准：以金融业从业人数占比替代金融业增加值占比构造处理组，或以金融集聚度的连续变量替换二元处理变量，检验DID结果对处理组划分方式的敏感性。
• 排除特定政策干扰：在模型中加入同期其他重大政策的虚拟变量（如房地产调控政策、地方债务化解方案），逐一排除后观察 β 的符号和显著性是否变化。若排除某政策后 β 大幅下降，则该政策为信贷扩张的主要驱动力。
• 合成控制法反事实：以处理组城市的信贷增长路径为目标变量，用对照组城市作为捐赠池，构建反事实信贷增长路径，比较实际值与合成反事实值的差距。

---

根据Williamson（1985）的交易成本经济学，AI企业具有高资产专用性（专用算法、数据资产、人才资本）和高不确定性特征，传统上市标准的财务门槛（盈利要求、营收规模）与AI企业的资产属性不匹配，造成高昂的"制度性交易成本"——包括达到上市标准的合规成本、信息披露成本以及因制度不匹配导致的融资时滞成本。科创板第五套标准（"预计市值+技术优势"）取代传统盈利考核，本质上是将治理结构（上市审核制度）与交易特征（科技创新企业的资产专用性）重新匹配（Williamson的"区别性匹配"假说）。North（1990）指出，制度变迁通过降低交易成本来释放经济潜力——制度扩围将原本被排斥在资本市场之外的AI企业纳入正式融资渠道。

据此提出以下假说：
- H1：政策公告后，AI企业的融资约束指数（SA Index、KZ Index）显著下降，降幅大于已纳入第五套标准的非AI高新技术企业（DID系数 β < 0）。
- H2：制度扩围通过降低审核问询轮次和问询问题数量（交易成本的代理变量）来缓解融资约束——中介效应显著。
- H3：商业不动产REITs试点按类似逻辑降低不动产资产的"不可分割性"交易成本，使商业不动产从"重资产"转变为"可流通证券"，资产周转率提升。

本文采用多期DID（Callaway & Sant'Anna, 2021）识别制度扩围的因果效应。以AI企业为处理组，以科创板第五套标准已覆盖的其他高新技术企业（如生物医药、高端装备）为对照组。处理时点为2026年6月17日（陆家嘴论坛政策公告日）。核心识别逻辑：AI企业与非AI高新技术企业在政策公告前具有相似的融资约束变化趋势（平行趋势），政策公告后仅AI企业享受到第五套标准的制度性便利，融资约束改善的组间差异即为制度扩围的因果效应。采用CSDID估计量处理异质性处理效应问题。关键识别假定：（1）平行趋势——政策前AI企业与其他高新技术企业的融资约束变化趋势一致；（2）无预期效应——AI企业在政策公告前未系统性调整融资行为；（3）无组间溢出——其他高新技术企业不因AI企业获制度优待而改变融资策略。

基准多期DID模型设定为：

FinConstraint_{it} = α + β (AI_i × Post_t) + γ X_{it} + μ_i + λ_t + ε_{it}

其中 FinConstraint_{it} 为企业i在季度t的融资约束指标（SA Index = -0.737×Size + 0.043×Size² - 0.040×Age，或KZ Index）。AI_i = 1{企业主营业务属人工智能领域}，Post_t = 1{t ≥ 2026Q3}。核心参数 β 度量制度扩围对企业融资约束的净改善效应，预期符号为负（β < 0）。X_{it} 为企业层面控制变量（资产规模对数值、资产负债率、ROA、Tobin's Q、研发投入强度）。采用Heckman两步法校正上市选择偏误：第一步以企业特征预测其选择在科创板上市的概率得到逆米尔斯比率，第二步将逆米尔斯比率纳入DID方程。

被解释变量：（1）SA Index（Hadlock & Pierce, 2010），基于企业规模和年龄构造，指数值越大融资约束越严重；（2）KZ Index（Kaplan-Zingales, 1997），基于经营性现金流、托宾Q、资产负债率、股利支付率和现金持有量构造。核心解释变量：AI_i × Post_t 交互项，AI_i 基于企业主营业务描述和证监会行业代码手工分类。融资约束中介变量：上交所审核问询函的问询轮次和问询问题数量（文本挖掘获得）。控制变量来自CSMAR上市公司财务数据库和Pre-IPO企业融资数据库。样本区间：2024Q1—2027Q4，企业—季度面板，覆盖科创板及拟申报企业约600家。

• Bacon-Decomp分解检验：将CSDID的平均处理效应按处理组-对照组配对进行Goodman-Bacon分解，检验是否存在"坏比较"（以较早处理组作为较晚处理组的对照组）导致的估计偏误，报告各类比较的权重。
• 替换对照组定义：以创业板科技企业替代科创板非AI企业作为对照组，检验制度扩围效应是否独立于对照组的选择。创业板企业不受科创板制度直接影响，但可能通过竞争效应间接调整策略。
• 替换融资约束测度：以投资—现金流敏感性替代SA Index和KZ Index，采用Fazzari et al.（1988）的投资模型识别融资约束变化——若投资对内部现金流的依赖性在政策后下降，则融资约束改善。
• 排除VC/PE市场周期干扰：在DID模型中加入季度VC/PE市场融资总额的对数值作为控制变量，检验制度扩围效应是否独立于私募融资市场的周期性波动。

---

根据Bordalo, Gennaioli & Shleifer（2012）的显著性理论，决策者在评估资产收益分布时，会将注意力不成比例地分配给"显著"的特征——即那些偏离参照点的、突出的信号。2026陆家嘴论坛上"一行一局一会"四个金融监管部门同时发布开放举措，形成高度显著的"政策信号束"（policy signal cluster），远超单一政策的离散公告。这种显著性扭曲了投资者的注意力分配——将跨境资产（海外股票、离岸人民币资产、港股）的预期收益在投资者心智中"凸显"出来，引发资产配置的短期剧烈调整。同时，根据有限注意力理论（Sims, 2003），投资者通常对常规政策信息反应不足（underreaction），但对高度显著的多部门联合公告可能反应过度（overreaction）。QDII额度发放还引入了前景理论的"禀赋效应"——投资者将新获得的QDII额度视为"意外之财"（house money），更倾向于承担风险。

据此提出以下假说：
- H1：政策公告后5个交易日内，港股通南向资金净流入出现显著正异常（CAR > 0），QDII基金申购量较公告前30日均值跳升，且该效应在政策信号密集度（部门数量）更高的日子更强。
- H2：政策信号文本的正面情感强度越高，投资者的短期跨境配置调整幅度越大——"信号强度—资金流向"弹性为正且递减（边际效应递减）。
- H3：散户投资者（以QDII基金零售份额为代理）对政策信号的反应过度程度大于机构投资者，散户资金流的逆转速度更快（公告后第10-20个交易日出现回撤），体现显著性驱动的"追涨杀跌"。

本文采用事件研究法识别政策信号的短期行为效应。以2026年6月17日为事件日（t=0），选取事件窗口[-5, +20]个交易日，估计窗口[-120, -6]个交易日。在市场模型框架下估计每日异常资金流（Abnormal Fund Flow, AFF）：AFF_t = FundFlow_t - (α̂ + β̂ × MarketReturn_t)。累计异常资金流 CAFF(-5, +5) 和 CAFF(-5, +20) 分别衡量即时反应和持续反应。对于QDII额度发放，利用断点回归（RD）设计：以每个QDII基金的额度获批日期为断点，以申请日期为排序变量（running variable），检验获批断点处基金规模增长率是否出现跳跃。关键识别假定：（1）事件窗口内无其他同等强度的跨境投资政策变化；（2）估计窗口内的资金流行为代表了无政策信号时的基准模式；（3）QDII额度获批时间对单个基金而言近似随机（申请—获批间隔不可预测）。

事件研究的基准模型为：

AFF_{t} = Flow_t - E[Flow_t | R_{m,t}] = Flow_t - (α̂ + β̂ R_{m,t})

其中 Flow_t 为港股通南向资金日度净流入额（亿元）或QDII基金日度净申购额，R_{m,t} 为沪深300日度收益率。累计异常资金流 CAFF(t1, t2) = Σ_{τ=t1}^{t2} AFF_τ。

RD模型设定为：

ΔFundSize_{i} = α + τ D_i + f(days_i) + γ X_i + ε_i

其中 ΔFundSize_i 为QDII基金i在获批后一个月内规模增长率，D_i = 1{days_i ≥ 0} 为获批断点示性变量（days_i为申请日距获批日的天数，归零标准化），τ 为核心参数度量获批断点处的跳跃幅度。f(days_i) 为局部线性或二次多项式。

被解释变量：（1）港股通南向资金日度净流入（亿元）= 南向买入额 - 南向卖出额（Wind/港交所，日频）；（2）QDII基金日度净申购额（基金业协会/公募基金季报，季频+日频估算）；（3）QFII重仓股持仓变动（CSMAR，季频基于前十大流通股东）。核心解释变量：（1）事件虚拟变量 Post_t；（2）政策信号文本强度指数：基于陆家嘴论坛官方通稿和四大监管部门公告，使用中文金融BERT模型进行文本情感分析，提取正面情感得分（0-1）和确定性语言强度（"将推出""加快研究推进"等动词的确定性程度编码）合成。控制变量：沪深300收益率、恒生指数收益率、美元兑人民币汇率变动、VIX指数。样本区间：2025年12月—2026年9月，日频。

• 替换事件窗口和估计窗口：分别使用[-3, +10]、[-7, +30]作为事件窗口和[-180, -8]作为估计窗口，检验异常资金流的方向和显著性是否在各种窗口设置下一致。
• 替换正常收益模型：以Fama-French三因子模型替代市场模型估计期望资金流——引入规模因子（SMB）和价值因子（HML）控制风格轮动对资金流的影响，排除板块轮动驱动的虚假政策效应。
• 安慰剂政策日期检验：以2026年5月17日、4月17日、3月17日等无重大金融开放公告的日期为虚假事件日，重复事件研究流程。若真实事件日的CAFF在统计上显著大于安慰剂日期的分布，则政策信号效应具有识别力。
• 区分散户与机构效应：按QDII基金的投资者结构（零售份额占比高于/低于50%）分组重复事件研究，检验散户主导的基金是否呈现更强的公告日资金流入和更快的回撤，验证H3的预期反转模式。

---

根据Niskanen（1971）的预算最大化官僚模型，各监管机构具有扩大自身管辖权和影响力的内生激励，当多个监管机构共享政策领域时（如金融开放涉及货币政策、金融监管、资本市场监管和外汇管理），每个机构有动机"抢先"发布政策以彰显自身不可替代性，形成"监管竞赛"（regulatory race）。然而，Dixit（1996）的多委托人—多代理人理论指出，当多个委托人（国务院、中央金融委员会）向多个代理人（一行一局一会）下达任务时，若委托人之间目标一致，最优策略是代理人进行协调而非竞争——陆家嘴论坛作为高层（委托人）授意的制度化平台，强制代理人进行"集体行动"，降低了协调的交易成本。各机构的政策重点差异——央行侧重利率和汇率市场化、金监总局侧重风险防范、证监会侧重资本市场扩容、外汇局侧重跨境便利化——反映了各自制度目标函数中委托人赋权的不同权重。

据此提出以下假说：
- H1：联合政策发布模式（如陆家嘴论坛）下的政策在后续6个月内的实际执行率（落地比例）显著高于单一机构单独发布政策的执行率，协调机制提高了政策供给效率。
- H2：各监管机构在联合发布中的政策工具选择与自身制度目标函数一致——央行偏向价格型工具、金监总局偏向监管型工具、证监会偏向市场扩容型工具、外汇局偏向便利化型工具——政策工具选择的机构间差异具有统计显著性。
- H3：中央金融工作会议等高层协调信号的发布后，四大监管机构的联合政策发布频率在随后6个月内显著上升，高层政治注意力分配是联合行动的重要触发条件。

本文采用混合方法设计。第一部分采用文本分析与政策编码：收集2018年1月—2026年12月四大监管机构的所有公开政策文件（约5000—8000份），以自然语言处理（LDA主题模型）对政策文本进行主题分类，以人工编码标注政策工具类型（价格型/数量型/监管型/便利化型）和政策发布模式（单独发布/联合发布）。第二部分采用事件史分析（Event History Analysis）：以"联合政策发布"为事件（failure event），以月份为时间单位，以高层金融会议（中央金融工作会议、中央经济工作会议中的金融段落、国务院常务会议金融议题）为时变协变量，估计Cox比例风险模型和离散时间Logit模型，识别触发联合行动的政治条件。第三部分以政策执行率为被解释变量，以联合发布虚拟变量为核心解释变量，控制政策类型和宏观经济条件。

事件史分析（Cox比例风险模型）设定为：

h(t | X) = h_0(t) × exp(β_1 HighLevelMeeting_t + β_2 MarketVolatility_t + β_3 RegulatoryLeadership_t)

其中 h(t|X) 为在月份t发生联合政策发布的条件概率（风险率），HighLevelMeeting_t 为过去3个月内是否召开高层金融会议的虚拟变量（1/0），MarketVolatility_t 为沪深300指数过去60日波动率（市场压力可能催生联合行动），RegulatoryLeadership_t 为四大机构主要负责人任职稳定性（自上任以来的月份数，新官上任可能更倾向联合展示）。预期 β_1 > 0（高层会议触发联合行动）。

政策执行率回归：

ImplementationRate_i = α + β JointRelease_i + γ PolicyType_i + δ MacroCondition_t + ε_i

其中 ImplementationRate_i 为政策文件i发布后6个月内的实际落地措施数/政策承诺措施数，JointRelease_i = 1{该文件为多部门联合发布}，预期 β > 0（联合发布提高执行率）。

被解释变量：（1）联合政策发布事件（二元，月频）；（2）政策执行率 = 6个月内实际落地的具体措施数 / 政策文件中承诺的措施数（基于后续政策文件的追溯匹配）。核心解释变量：（1）高层金融会议虚拟变量（基于新华社通稿和政府工作报告文本编码）；（2）监管机构官员任职稳定性（基于CSMAR人物特征数据库，计算主要负责人自上任以来的月数）；（3）政策文件是否联合发布。控制变量：金融市场波动率（沪深300 60日滚动标准差）、GDP增速（季频线性插值为月频）、M2增速（月频）。数据来源：四大监管部门官方网站政策文件栏目（通过网络爬虫获取，辅以北大法宝法律数据库交叉验证）、CSMAR人物特征数据库、Wind宏观数据库。样本区间：2018年1月—2026年12月，月频。

• 替换政策工具分类方案：从人工编码切换为基于词典的半自动分类（构造"货币政策工具词典""监管政策工具词典"等），检验政策工具选择偏好的机构间差异是否对分类方法稳健。若两种分类方法下结论一致，则差异不是编码主观性的产物。
• 排除机构合并重组期的影响：国家金融监督管理总局于2023年由银保监会改组而来，证监会和央行职能边界也在此前后有所调整。将样本限制在2024年1月—2026年12月（机构职能稳定期），重新运行所有模型，检验协调效应的识别是否依赖于跨制度时期的对比。
• 替换事件定义：将"联合政策发布"定义为两个或以上机构在同一自然周内发布政策（而非同一日），以更宽泛的定义重新进行事件史分析。若结论不变，则联合行动的定义方式不影响核心发现。
• 工具变量分析：以中央金融委员会会议召开时间为工具变量——中央金融委会议召开时间对四大机构而言是外生的（由高层政治日程决定），但对联合政策发布频率有显著预测力（第一阶段F > 10），通过2SLS估计联合发布对政策执行率的因果效应，排除反向因果（高执行率项目反向吸引联合发布）。

---
date: 2026-06-17
field: 金融 — 证券市场
source: https://tv.cctv.com/2026/06/17/VIDEREzuma1Yr9jB0TcbsSlJ260617.shtml
topics_count: 5
---

> 📂 经济领域：金融 — 证券市场
> 📡 来源：新闻联播
> 📅 发布日期：2026-06-17
> 🔗 原文链接：[新闻联播](https://tv.cctv.com/2026/06/17/VIDEREzuma1Yr9jB0TcbsSlJ260617.shtml)

📄 新闻正文

财政部在香港发行2026年第三期150亿元人民币国债 近日，财政部在香港面向机构投资者招标发行2026年第三期150亿元人民币国债，认购倍数3.86倍。本次国债发行包括4个期限品种，发行利率从1.29%到1.80%不等。今年以来，财政部已经在香港招标发行了3次共计445亿元人民币国债。

### 🎓 论文选题

根据利率期限结构理论，不同期限国债收益率可分解为水平因子（长期利率中枢）、斜率因子（期限利差）和曲率因子（中期相对凸度）。在完全一体化的市场中，在岸与离岸收益率曲线应满足无套利条件——经汇率风险调整后的利差应趋近于零。然而，由于资本账户管制、投资者基础差异和流动性分隔，境内外人民币国债市场可能呈分割状态，利差持续存在。根据市场分割理论，离岸市场因体量较小、缺乏深度，通常要求更高的流动性溢价；而根据利率平价理论，CNH汇率预期波动则构成利差的汇率风险补偿部分。

据此提出以下假说：
- H1：境内外人民币国债利差主要由流动性差异因子（水平因子差）解释，而非信用风险差异——因为两者均为中国主权信用。
- H2：CNH汇率贬值预期显著扩大境内外利差，汇率预期因子对短期（1-3年）利差的解释力强于长期（10年+）利差。
- H3：随着离岸人民币国债发行常态化与二级市场深度提升，境内外市场的收益率联动性逐步增强（利差趋于收窄）。

核心识别挑战在于：利差变动可能同时受在岸和离岸两个市场的供需冲击影响，需分离出各市场特有的定价因素。本文采用Nelson-Siegel模型将收益率曲线分解为水平、斜率、曲率三因子，使多维期限信息降维至三个共同因子——这既保留曲线的经济含义，又避免过度参数化。随后以VECM模型检验境内外三因子的协整关系：若存在协整向量，则两市场具有长期均衡关系，短期偏离将向均衡修正；若不存在协整，则支持市场分割假说。关键识别假定：（1）Nelson-Siegel三因子充分捕捉收益率曲线信息，残差为白噪声；（2）在岸市场利率可作为"基准"，因为其在岸市场规模远大于离岸；（3）CNH远期汇率是汇率预期的无偏代理变量。

Nelson-Siegel瞬时远期利率曲线设定为：f(τ) = β₀ + β₁·e^(-λτ) + β₂·λτ·e^(-λτ)，其中β₀为水平因子（长期利率），β₁为斜率因子（负值表示向上倾斜的收益率曲线），β₂为曲率因子（驼峰形态）。通过在岸市场最小化定价误差的λ参数固定后，以相同λ拟合离岸曲线保证可比性。

VECM模型设定为：ΔY_t = ΠY_{t-1} + Σ_{i=1}^{p-1} Γ_i ΔY_{t-i} + ΦX_t + ε_t，其中Y_t = [β₀_on, β₁_on, β₂_on, β₀_off, β₁_off, β₂_off]′为在岸与离岸三因子向量。Π = αβ′矩阵的秩决定协整关系个数——若r = 3，则两市场完全一体化；若r = 0，则完全分割。调整系数α衡量短期偏离向均衡修正的速度，预期离岸市场α系数（绝对值）大于在岸，反映离岸作为"价格接受者"的角色。

被解释变量：在岸与离岸人民币国债的Nelson-Siegel三因子（β₀、β₁、β₂），基于各期限品种的到期收益率经非线性最小二乘法拟合得到。在岸数据取自中债登发布的国债收益率曲线日度数据（1年、2年、3年、5年、7年、10年、30年共7个关键期限）；离岸数据取自已在香港发行的历次人民币国债的发行利率与二级市场报价（Bloomberg终端CGB Offshore板块）。汇率预期变量：以3个月和12个月CNH远期升贴水率测度（Wind），正值表示人民币贬值预期。流动性代理变量：以境内外市场对应期限的买卖价差（bid-ask spread）和日均换手率测度。样本区间为2018年1月—2026年6月（离岸人民币国债开始常态化发行以来的数据），日度频率。

• **替换收益率曲线拟合方法**：以Svensson（1994）四因子扩展模型替代Nelson-Siegel三因子模型，增加第二个曲率因子β₃以改善长端拟合精度，检验利差因子分解结论是否对曲线模型选择敏感。
• **替换利差定义**：不以Nelson-Siegel因子差作为利差度量，直接以各期限到期收益率配对做差（如10年期在岸-离岸利差），以面板固定效应模型检验各因素对利差的解释力，验证三因子降维不损失关键信息。
• **分阶段子样本检验**：以2023年（离岸国债发行频率显著提升之年）为界将样本分为两个子期，检验H3关于市场一体化程度增强的假说——比较两阶段的VECM调整系数α和协整关系个数的变化。
• **排除全球美元流动性冲击的干扰**：在VECM中外生控制TED利差（3个月美元LIBOR-国债利差）和VIX指数，检验境内外人民币利差是否独立于全球风险偏好的波动。

---

根据后凯恩斯主义货币供给内生性理论，离岸人民币的创造源于跨境贸易结算和资本流动的"需求引致"——当离岸经济主体需要人民币进行交易或投资，银行体系应需求创造存款。然而，这种内生创造的离岸流动性若缺乏有效的吸收工具，可能导致CNH HIBOR的大幅波动和汇率压力。离岸国债发行提供了一个关键的流动性吸收工具：财政部在香港发行国债→机构投资者用离岸人民币存款认购→资金由香港金管局的CMU结算系统划转至财政部在港账户→随后经跨境渠道回流在岸。这一过程在资产组合平衡模型中表现为离岸投资者以人民币存款置换人民币国债，离岸人民币资产供给增加，利率承受上行压力（吸收效应）。

据此提出以下假说：
- H1：离岸人民币国债发行在短期内（发行日前后1-3个交易日）显著推升CNH HIBOR，发行规模越大、推升效应越强（流动性吸收效应）。
- H2：发行期限越长，对中长端CNH HIBOR的影响越大，短端利率的反应相对温和——因为银行存款的期限转换功能缓解了短期头寸压力。
- H3：离岸国债发行的常态化降低了离岸人民币流动性的波动率——因市场预期稳定，投资者可提前安排头寸，避免集中缴款冲击。

核心识别挑战在于：CNH HIBOR的变动可能受多重因素驱动——全球美元流动性状况、在岸货币政策调整、CNH汇率波动——而非仅仅是国债发行。本文采用事件研究法解决此问题：以每次国债发行的公告日和缴款日作为事件窗口，在极短窗口内（±3个交易日），其他宏观因素的变动可视为随机噪声；若在多次发行事件中均观测到CNH HIBOR的系统性异常变动，则可归因于发行冲击。同时采用局部投影法（Local Projections）估计脉冲响应函数——相较于传统VAR，局部投影法不需要对滞后阶数和变量排序做假设，对离岸流动性这种高频数据的非线性响应更具稳健性。关键识别假定：（1）在极短事件窗口内，没有其他系统性的离岸流动性冲击；（2）发行规模和时机的选择相对于同期离岸流动性状况是前定的（财政部发行计划提前公告）；（3）事件窗口内的异常收益服从正态分布。

事件研究法的基准模型设定为：AR_it = CNH_HIBOR_it - E[CNH_HIBOR_it | X_t]，其中AR_it为期限i在t交易日的异常利率变动，E[CNH_HIBOR_it | X_t]由估计窗口（事件前60个交易日）的市场模型回归得到。累计异常利率变动CAR_i(t₁, t₂) = Σ_{t=t₁}^{t₂} AR_it。统计检验采用标准化横截面t检验（Boehmer et al., 1991）。

局部投影法设定为：y_{t+h} = α_h + β_h · IssuanceSize_t + γ_h · y_{t-1} + θ_h · X_t + ε_{t+h}，其中y_t为离岸流动性指标（香港人民币存款月度环比增速或CNH HIBOR隔夜利率），IssuanceSize_t为当月离岸国债发行总额（亿元），β_h为h期后的脉冲响应系数。X_t为控制变量向量，包括在岸SHIBOR、CNH即期汇率环比、VIX全球风险偏好指数。h = 0, 1, ..., 12个月。

核心解释变量：以每次离岸人民币国债发行的规模（亿元）和频次（当月发行次数）测度发行冲击强度。被解释变量：（1）香港人民币存款月度余额环比增速（香港金管局月度货币统计报表），经X-12-ARIMA季节调整；（2）CNH HIBOR隔夜、1周、1个月、3个月、1年期利率的日度数据（财资市场公会TMA）；（3）CNH HIBOR-SHIBOR利差，测度离岸-在岸的流动性分层程度。控制变量：在岸银行间市场流动性（DR007日度数据，CFETS）、CNH即期汇率日度变动率（Bloomberg）、VIX指数（CBOE）、中美利差（10年期中美利差，Bloomberg）。样本区间为2018年1月—2026年6月，月度频率（存款数据）和日度频率（利率数据）双面板。

• **替换流动性指标**：以香港人民币存款证（CD）余额替代银行存款作为离岸流动性度量，因为CD对机构投资者的头寸调整更敏感；以CNH交叉货币互换基差（CNH CCS basis）替代HIBOR作为离岸融资成本的测度——基差直接反映离岸人民币相对于美元的融资溢价。
• **安慰剂检验**：将发行事件日向前平移30个交易日（虚假事件日），检验是否仍能观测到显著的CNH HIBOR异常变动——若虚假事件日的CAR不显著，则支持发行冲击的真实因果效应。
• **非线性门限效应检验**：以香港人民币存款/GDP比率的中位数作为门限变量，检验发行冲击的流动性吸收效应是否在离岸资金池"充裕"期与"紧张"期存在非对称性——H3预期在资金充裕期吸收效应更温和。
• **排除在岸货币政策冲击**：以中国人民银行公告的降准/降息事件作为控制变量纳入局部投影模型，检验离岸国债发行的流动性效应是否独立于在岸货币政策调整。

---

根据交易成本经济学（Williamson, 1985），离岸债券发行是一项涉及跨境法律管辖、多币种清算和跨国投资者保护的复杂交易——交易成本的高低决定市场能否形成和持续运行。制度基础设施——包括合约执行的可预期性（法律传统）、证券托管与结算的效率（清算体系）、违约处置的可操作性（破产制度）以及税收确定性（避免双重征税协定）——共同决定了跨境债券发行的"治理成本"。La Porta et al.（1997, 1998）发现普通法系国家对外部投资者的保护更强，金融发展水平更高；香港作为普通法司法管辖区，其法律制度的可预期性和投资者保护可能优于成文法系的离岸人民币中心（如卢森堡、法兰克福）。制度互补性理论（Aoki, 2001）进一步指出，香港的制度优势并非单一维度的领先，而是法律、清算、监管制度之间的协同效应。

据此提出以下假说：
- H1：法律制度的投资者保护强度（以La Porta反董事权利指数测度）与离岸人民币债券的发行利率负相关——制度质量越高，投资者要求的风险溢价越低。
- H2：清算托管效率（以DVP交割时效和结算失败率测度）通过降低交易成本这一中介渠道，间接提升离岸人民币债券的市场深度（以年度发行规模/GDP衡量）。
- H3：香港在离岸人民币债券市场的份额优势可用其法律制度、清算体系与人民币业务先发优势三者的制度互补性解释——单一维度制度优势的边际贡献递减，但三维协同产生超额竞争力。

核心识别挑战：（1）制度质量的内生性——制度完善的市场可能本身就具有更强的经济基本面，导致"制度→市场发展"的伪因果；（2）发行主体的自选择——只有高质量发行人才选择高制度标准市场。识别策略如下：利用各离岸中心制度改革的时点差异构造多期DID——例如香港2017年推出"债券通"、新加坡2019年推出"亚洲债券资助计划"、卢森堡2020年修订证券托管法——这些改革时点的外生性较强（由监管机构单方面推进，不受单次发行影响）。处理组为经历了制度改革的市场在改革后的债券发行，对照组为同期未改革市场的发行。Heckman两步法校正发行人的市场选择偏误：第一步以Probit模型估计发行人选择某离岸中心的概率（纳入发行人特征和母国制度变量），第二步将逆Mills比率纳入定价方程。

基准面板固定效应模型设定为：Spread_{imt} = α + β · InstitutionIndex_{mt} + γ · IssueChar_{it} + δ · MacroCtrl_{mt} + μ_m + λ_t + ε_{imt}

其中Spread_{imt}为债券i在市场m、年份t的发行利差（发行利率减同期限在岸国债收益率）。InstitutionIndex_{mt}为核心解释变量——综合性制度基础设施指数，由以下四个子维度经主成分分析合成：（1）法律执行效率（世行DB合同执行天数和成本）、（2）清算托管效率（CMU/Euroclear/Clearstream的DVP结算周期和费率）、（3）税收确定性（与中国的避免双重征税协定数量与预提税率）、（4）投资者保护强度（La Porta反董事权利指数经年更新）。μ_m为离岸中心固定效应（吸收不随时间变化的制度特征），λ_t为年份固定效应（吸收全球宏观冲击）。

中介效应检验（H2）：第一步检验制度指数对发行利差的总效应（β显著）；第二步检验制度指数对中介变量（清算效率，以一级市场认购倍数和二级市场买卖价差测度）的效应；第三步将中介变量纳入基准方程，若β系数显著下降且中介变量显著，则中介效应成立。

被解释变量：（1）发行利差——离岸人民币债券的发行利率与同期限在岸国债到期收益率之差，以基点（bps）表示；（2）市场深度——各离岸中心年度离岸人民币债券发行总规模/GDP。核心解释变量：制度基础设施综合指数（主成分分析合成，四个子维度数据来源：世界银行营商环境数据库各年份跨境贸易与合同执行指标、各清算机构年报和收费表、国家税务总局避免双重征税协定数据库、Djankov et al. (2008) 反自我交易指数年度更新）。控制变量：发行规模（对数）、债券期限（年）、发行人信用评级（标普/穆迪/惠誉的平均评级映射为数值）、发行人类型虚拟变量（主权/准主权/金融机构/企业）、离岸中心GDP增速、在岸-离岸汇率波动率。样本为2010—2026年所有在主要离岸人民币中心（香港、新加坡、伦敦、卢森堡、法兰克福）发行的人民币债券，预期观测数约500-800笔。

• **替换制度测度**：以全球金融中心指数（GFCI）的各子维度得分（营商环境、基础设施、人力资本、声誉）替代自建制度基础设施指数，检验结论是否对制度质量的测度方式敏感——GFCI的优势在于其基于全球金融从业者问卷而非仅客观指标。
• **子维度逐一回归**：将制度基础设施综合指数拆分为四个子维度，逐一进入定价方程（同时控制其余三个子维度），检验哪个维度的边际贡献最大——验证H3关于制度互补性的假说。
• **排除"先发优势"替代解释**：以各离岸中心首次开展人民币债券业务的年份距今时长作为"先发优势"的代理变量纳入回归，检验制度基础设施指数是否在控制先发优势后仍显著——排除"香港只是因为起步早所以份额大"的替代假说。
• **Bacon-Decomp分解**：对多期DID估计量进行Bacon-Decomposition（Goodman-Bacon, 2021）分解，检查估计量是否受"后处理组与先处理组比较"的偏误污染——确保DID识别的是制度改革的平均处理效应而非异质性处理效应的混杂。

---

根据信息级联理论（Bikhchandani et al., 1992），当投资者在不确定环境中序列做出决策时，后来者可能忽略自身私有信息、仅模仿先行者的行为，形成"信息级联"——尤其在离岸人民币国债这样相对新颖的资产类别中，机构投资者对"正确"利率的判断参考有限，更容易受同行行为的信号效应影响。Baker & Wurgler（2006）的投资者情绪框架指出，情绪不仅影响二级市场资产价格，也影响一级市场的发行条件和需求——乐观情绪推高认购倍数并压低发行利率，悲观情绪则相反。前景理论进一步预测，投资者对CNH汇率损失（人民币贬值影响本息偿付的外币价值）的敏感度高于等额收益，这意味着汇率风险感知可能是非线性的。

据此提出以下假说：
- H1：离岸人民币市场情绪指数（由CNH汇率预期、中美利差变动和全球风险偏好合成）与离岸人民币国债认购倍数正相关——情绪越乐观，认购越踊跃。
- H2：前一期发行的认购倍数对当期认购倍数具有正向预测力——存在信息级联效应，机构投资者在不确定性中参考历史认购热度作为决策启发式。
- H3：CNH贬值预期对认购倍数的负向效应具有非对称性——贬值预期增加1%对认购倍数的抑制效应，大于升值预期增加1%的提振效应（损失厌恶）。

核心识别挑战在于认购倍数与投资者情绪之间的双向因果——高认购倍数本身可能提振市场情绪，形成循环。本文采用两种策略处理内生性：（1）工具变量法——以同期全球风险偏好指标（VIX指数）作为离岸人民币市场情绪的工具变量。相关性条件：全球避险情绪通过资本流动渠道影响离岸人民币资产需求（Rey, 2013的全球金融周期）；外生性条件：VIX主要由美国宏观经济和美联储政策决定，不受香港单次人民币国债认购结果的反向影响。（2）断点回归设计（RDD）——以重大地缘政治事件（如中美贸易摩擦升级或缓和的关键节点）作为断点。这些事件对离岸人民币资产需求构成外生冲击，在断点附近认购行为的结构性变化可归因于地缘政治风险感知的跳跃。关键识别假定：在断点附近，除地缘政治冲击外，其他影响认购倍数的连续变量无跳跃。

基准回归模型设定为：BidCover_t = α + β₁ · Sentiment_t + β₂ · BidCover_{t-1} + γ · BondChar_t + δ · MacroCtrl_t + ε_t

其中BidCover_t为第t次发行的认购倍数。Sentiment_t为核心解释变量——离岸人民币市场情绪综合指数，由以下变量经主成分分析（PCA）提取第一主成分构建：CNH 3个月风险逆转（25-Delta Risk Reversal，Bloomberg）、CNH 1个月隐含波动率、中美10年期利差月度变动、恒生指数月度收益率。β₁为情绪弹性系数，预期为正。BidCover_{t-1}为前一次发行的认购倍数，β₂若显著为正，则支持信息级联假说（H2）。BondChar_t为债券特征向量（发行规模对数、加权平均期限、利率类型），MacroCtrl_t为宏观控制变量（在岸SHIBOR 3个月、美元指数月度变动、中美地缘政治风险指数GPR）。

RDD模型设定为：BidCover_t = α + τ · 1[Event_t ≥ c] + f(Event_t - c) + γ · BondChar_t + ε_t，其中c为事件断点，τ为局部平均处理效应（LATE），f(·)为驱动变量的灵活多项式函数。

被解释变量：认购倍数（bid-to-cover ratio），定义为总投标金额/发行金额，为连续变量（≥1），当认购倍数恰好为1时可能存在截断问题——采用Tobit模型处理。核心解释变量——投资者情绪综合指数：第一主成分从以下5个代理变量中提取：（1）CNH 3个月风险逆转（25-Delta Risk Reversal，Bloomberg），正值表示人民币看跌期权贵于看涨期权（贬值预期）；（2）CNH 1个月ATM隐含波动率；（3）中美10年期利差日度变动；（4）MSCI中国ETF（iShares）月度资金净流入；（5）恒生中国企业指数月度收益率。工具变量：VIX指数（CBOE）日度数据取月度均值。地缘政治风险：GPR指数（Caldara & Iacoviello, 2022）的中国特定子指数。样本为2018年以来财政部在香港发行的所有离岸人民币国债（截至2026年6月约30-40次发行）。

• **替换情绪指数构造方法**：以偏最小二乘法（PLS, Huang et al., 2015）替代PCA提取情绪因子——PLS在提取与认购倍数相关的情绪成分时更有效（以认购倍数为监督变量），检验情绪指数的预测力是否对因子提取方法敏感。
• **排除"安全资产荒"替代解释**：以同期全球负利率债券存量规模和全球美元流动性（美联储资产负债表规模/GDP）作为控制变量纳入回归——检验高认购倍数是否仅反映全球安全资产短缺（而非投资者情绪），排除"投资者因无处可投被迫认购"的替代假说。
• **Falsification检验（RDD）**：将RDD断点设定在真实事件日期前30天和后30天（虚假断点），检验驱动变量是否在虚假断点处出现同样显著的跳跃——若真实断点处显著而虚假断点不显著，支持RDD识别的有效性。
• **认购行为异质性分析**：若能获取投标机构层面的分仓数据（需向香港金管局申请），以投标机构类型（央行类/商业银行类/基金类/私人银行类）分组回归，检验不同类型机构的行为偏差是否存在差异——央行类机构应更少受情绪驱动（政策驱动）。

---

根据Cohen（1971, 2015）的货币国际化理论，货币的国际地位取决于其在国际交易中作为计价单位、交易媒介和价值储藏手段的接受度——这些功能的实现需要发行国提供充足且具有深度和流动性的金融市场。离岸国债的常态化发行正是构建这一金融市场基础设施的关键环节：它提供了一条完整的离岸人民币无风险收益率曲线，为国际投资者配置人民币资产提供了定价基准（benchmark）。从Andrews（2006）的国际货币权力视角看，通过离岸国债构建人民币安全资产供给能力，是一种"制度性权力"（institutional power）的运用——中国不通过强制手段推进人民币国际化，而是通过提供高质量金融基础设施来吸引国际投资者的自主选择。安全资产供给理论（Caballero et al., 2017）进一步指出，全球对安全资产的需求持续超过供给，离岸人民币国债若能建立"安全资产"信誉，将为人民币国际化提供需求端的结构性支撑。

据此提出以下假说：
- H1：中美地缘政治紧张程度（以GDELT冲突事件密度测度）与离岸人民币国债的发行规模和频率正相关——地缘政治压力加速人民币国际化战略的制度布局，离岸国债发行具有"战略对冲"功能。
- H2：离岸人民币国债收益率与同期美国国债收益率的联动性弱于其他新兴市场主权债——表明离岸人民币国债正逐步形成独立的"安全资产"定价逻辑，而非简单跟随全球利率周期。
- H3：离岸人民币国债的发行频率与人民币在全球外汇储备中的份额正相关（控制全球贸易份额和资本账户开放度后），且该效应在2018年中美贸易摩擦后显著增强——表明制度化金融基础设施的建设对货币国际化具有独立贡献。

核心识别挑战在于货币国际化与离岸国债发行之间的双向因果：人民币国际化程度越高→离岸国债需求越大→发行越多；同时发行越多→市场深度提升→国际化程度提高。此外，地缘政治变量本身可能是其他深层因素的代理（如中国经济增长模式转型）。识别策略：（1）利用中美关系的"外生冲击"——如美国对华加征关税、技术管制升级等事件——这些事件对中国而言是外生的，可作为工具变量。（2）RDD设计——以中美关系重大转折点（如2018年3月美国301调查启动、2020年1月中美第一阶段贸易协议签署）为断点，检验发行行为在断点附近的结构性变化。因断点由美国单方面行动决定，对于中国的发行决策具有外生性。（3）文本分析法——从财政部和中国人民银行的官方文件中提取"人民币国际化"话语强度（LDA主题概率），作为"国际化战略意图"的代理变量，检验话语强度的变化是否领先于发行节奏的变化。关键识别假定：（1）中美关系冲击在短期内不受离岸人民币国债发行规模的反向影响；（2）断点附近没有其他同期政策（如资本账户改革）的系统性变化。

基准模型：Issuance_t = α + β₁ · GDELTConflict_t + β₂ · RMB_GlobalShare_{t-1} + γ · MacroCtrl_t + λ_quarter + ε_t

其中Issuance_t为第t季度的离岸人民币国债发行总额（亿元）或发行频次。GDELTConflict_t为核心解释变量——GDELT（全球事件、语言与语调数据库）中涉及中美两国且Goldstein分类为"冲突"（conflict）的事件的季度密度，经标准化处理。β₁预期为正（H1：地缘政治紧张→加速离岸国债制度布局）。RMB_GlobalShare_{t-1}为滞后一期的人民币全球支付份额（SWIFT）或官方储备份额（IMF COFER），控制货币国际化的需求侧因素。

RDD模型：Issuance_t = α + τ · 1[Event_t ≥ c] + β₁ · (Event_t - c) + β₂ · (Event_t - c) × 1[Event_t ≥ c] + γ · MacroCtrl_t + ε_t，其中c为中美关系断点日期，τ为发行行为的跳跃幅度（LATE），1[Event_t ≥ c]为指示函数。

文本分析模型：以Python LDA主题模型从财政部每季度的货币政策执行报告和人民币国际化报告全文中提取K个潜在主题，以"国际化/离岸/人民币国债/跨境"等关键词负载最高的主题概率作为"国际化战略话语强度"变量。然后以Granger因果检验验证话语强度是否领先于发行节奏。

被解释变量：（1）离岸人民币国债季度发行规模（亿元）和发行频次（次）——自建数据库，手工收集整理财政部历次在港发行公告；（2）离岸人民币国债各期限品种的二级市场收益率（Bloomberg）。核心解释变量：（1）GDELT中美冲突事件密度——从GDELT 2.0数据库提取Actor1为中国、Actor2为美国、Goldstein Scale < -5的事件，按季度加总并取对数；（2）清华大学大国关系数据库的中美关系月度评分（-9至+9，负值表示关系恶化）。控制变量：人民币SWIFT国际支付月度份额、人民币IMF COFER官方储备季度份额、美元指数（DXY）、中国资本账户开放度（Chinn-Ito指数KAOPEN）、离岸人民币存款规模（香港金管局）。样本区间2016Q1—2026Q2，约42个季度观测。

• **替换地缘政治变量构造**：以中美贸易政策不确定性指数（TPU, Baker, Bloom & Davis, 2016的中国-美国双边子指数）替代GDELT冲突事件密度——TPU基于新闻报道的文本分析捕捉贸易政策的不确定性而非实际冲突事件，检验两者的检验效力差异。
• **伪发行检验（Placebo test）**：构造"如果在岸国债发行到香港之外的第三方离岸市场（如新加坡或伦敦）"的反事实情景，比较实际香港发行与假设的第三方市场发行的地缘政治敏感性差异——检验离岸国债的"香港特殊性"是否源于香港的制度优势而非地缘政治驱动。
• **以美国国债收益率联动性作为稳健性检验对象**：将H2的检验对象从"与美债收益率联动性"替换为"与德国国债或日本国债收益率联动性"——若离岸人民币国债与全球多个主要安全资产的联动性均弱于其他新兴市场主权债，则更坚定支持其"独立安全资产定价"假说。
• **事件研究法检验二级市场效应**：以中美关系重大事件（如华为CFO被捕、佩洛西访台、中美防长会晤等）为事件日，检验存量离岸人民币国债在事件窗口内的累计异常收益率（CAR），验证离岸人民币国债是否已经具备了"地缘政治风险对冲工具"的二级市场属性。

---
---
date: 2026-06-17
field: 产业经济 — 数字经济
source: https://tv.cctv.com/2026/06/17/VIDEREzuma1Yr9jB0TcbsSlJ260617.shtml
topics_count: 5
---