埃里克·卢阿利切（Erik Loualiche）| 亚历山大·R·佩科拉（Alexandre R. Pecora）| 法布里西乌斯·索莫吉（Fabricius Somogyi）| 科林·沃德（Colin Ward）
明尼苏达大学卡尔森管理学院，美国明尼阿波利斯市南19街321号，邮编55455
**摘要**
我们研究表明，美国的货币政策通过汇率的因子结构在国际上产生影响。在货币政策宽松后，投资基金会出售安全货币并购买风险货币。同样，全球的美国银行也会将外国贷款的发放转向系统性货币风险较高的货币。货币政策对货币流动和贷款的影响会持续数月，并进而影响企业的杠杆率和实际投资决策，尤其是那些使用高风险货币进行业务的企业。我们得出结论，货币的风险因子暴露是理解美国货币政策国际传导的一个重要渠道。
**1. 引言**
货币回报遵循一个强烈的因子结构（Lustig等人，2011年），即少数几个因子解释了双边汇率回报和风险特性的大部分变化。换句话说，汇率回报在很大程度上可以通过它们对少数几个因子的暴露来解释。低或负贝塔值的货币被视为安全投资，回报较低；而高贝塔值的货币具有较高风险，其持有者可以获得较高回报。这些因子本身具有经济意义（例如carry因子或美元因子），但它们并不能解释汇率的其他宏观经济特征。在本文中，我们探讨并回答了这些因子如何解释美国货币政策向外国货币的传导，以及最终如何影响国际资本流动。
为了明确思路，假设联邦公开市场委员会（FOMC）的政策利率意外放宽。放宽政策后，投资基金（共同基金、养老基金和对冲基金）会采取“风险偏好”策略，重新平衡汇率的风险谱；也就是说，这些基金会出售如日元这样的安全货币，购买如澳元这样的风险货币。全球的美国银行也会将贷款发放从低风险货币转向高风险货币。这些反应具有持久的实际经济效应：主要使用高风险货币进行业务的企业会增加借贷（提高杠杆率）和投资。
我们的机制与货币政策的冒险渠道有关（Borio和Zhu，2012年），该机制认为货币政策影响市场参与者承担风险的意愿，从而影响金融状况，最终影响实际经济结果（Bruno和Shin，2015年）。我们的新颖贡献在于展示了货币暴露提供了一个视角，通过这个视角经济学家可以理解美国货币政策是如何传导到其他经济体的。我们在第2节中正式阐述了这一直觉，从理论上说明了联邦基金利率的意外下降会降低投资者的风险厌恶或提高全球中介机构的冒险能力，从而产生我们在本文中记录的风险偏好模式。我们的理论框架建立在Gabaix和Maggiori（2015年）、Itskhoki和Mukhin（2021年）以及Vayanos和Vila（2021年）的工作基础上。我们通过关注系统性货币风险与全球金融机构为国际企业提供的内在中介能力供应之间的相互作用来扩展他们的研究。
我们首先分析货币流动对美国货币政策公告的反应。我们在分析中面临的一个挑战是货币流动本身也受到货币政策的影响。为了解决这个问题，我们利用FOMC公告前后联邦基金期货价格的高频变化来识别与货币流动无关的利率变化（Kuttner，2001年；Bernanke和Kuttner，2005年）。衡量货币流动很困难，因为外汇市场交易工具复杂、参与者分散且具有全球性。因此，我们的分析关键在于使用连续链接结算（CLS）集团提供的相对新颖的结算数据，该数据涵盖了全球约一半的即期和外汇衍生品市场交易量。我们在第3节中讨论了这些数据以及其他辅助来源。
第4节表明，货币政策冲击对全球货币流动有强烈且方向性的影响，尤其是对投资基金和银行而言。作为参考，典型的10个基点（bp）的扩张性货币政策意外会导致约19.04亿美元的资本流入澳元。这超过了美元和澳元之间月度流动标准差的两倍以上。我们将这些系数解释为流动贝塔值，因为正如我们所展示的，它们与货币贝塔值非常吻合。
然后，我们评估货币流动如何随着常见的货币风险度量标准而变化。在我们的基准结果中，我们关注两个指标：carry贝塔值和美元贝塔值。Verdelhan（2018年）指出，这两个因素解释了双边汇率变化的大部分。这些贝塔值总结了决定一个国家货币风险的一系列特征。例如，具有高carry贝塔值的货币往往具有较高的利率（Lustig和Verdelhan，2007年），而具有高美元贝塔值的货币在商品交易中面临更大的障碍（Lustig和Richmond，2019年）。此外，Chernov等人（2023年）从均值-方差的角度表明，大多数美元和carry回报是由未定价风险驱动的。为了解释这一结果，我们还探讨了货币对无条件均值-方差有效投资组合的暴露，并发现关于货币流动和银行贷款的结果是由货币回报的定价部分而非未定价部分驱动的。
在我们的回归分析中，关键的自变量是货币风险与货币政策冲击的交互作用。我们发现，carry贝塔值和美元贝塔值都影响了投资基金流动的方向和规模：在美国货币政策宽松后，基金会将头寸从低风险货币重新分配到高风险货币，反之亦然。虽然美国货币政策冲击是短暂的，但其影响却是长期的。我们发现，具有低carry贝塔值的货币在接下来的五个月内往往会经历资金流出，而具有高carry贝塔值的货币则会面临持续的需求浪潮。
货币市场，特别是投资基金的货币流动，并不是美国货币政策影响外国经济的唯一途径。货币政策还可能通过信贷渠道影响全球经济活动（参见Bernanke和Gertler，1995年；Bernanke等人，1999年）。因此，在第5节中，我们研究了美国货币政策如何影响全球美国银行的国际贷款发放。与Bräuning和Ivashina（2020a）的研究一致，我们确认联邦基金利率的降低会导致美国境内的银行减少对外币的贷款。然而，我们也发现这种减少的幅度受到贷款货币种类及其风险程度的影晌。以安全货币计价的贷款降幅最大，而以高风险货币计价的贷款则减少较少，甚至出现增长。因此，在货币政策宽松后，美国银行会将其外汇贷款组合转向风险较高的货币。
最后，在第6节中，我们研究了企业自身如何受到其主要使用和借贷货币的影响。我们将全球美国银行的贷款数据库与外国企业的财务报表联系起来，从而将贷款发放与实际结果联系起来。在我们的回归分析中，我们控制了国家-时间固定效应，以消除由于外国国家需求效应引起的变化，从而隔离了贷款供应的影响。实际上，我们的数据使我们能够区分企业的运营货币与其所在国家的货币，因此我们的估计结果排除了同一国家内不同货币借贷带来的变化。
最终，我们发现，主要使用高风险货币进行业务的外国企业受到美国货币政策变化的影响与主要使用安全货币的企业不同。具体来说，在联邦基金利率意外放宽后，使用高风险货币的企业会从全球美国银行获得积极的贷款供应冲击。这些企业随后利用这些贷款扩大资产负债表规模、增加杠杆率，并增加对实物资产的投资。
总之，我们的证据表明，扩张性的美国货币政策导致基金和银行将其投资组合从安全货币转向高风险货币。此外，我们发现这些效应会传导到外国企业的实际决策中。我们的主要贡献在于展示了这些溢出效应对外国经济的影响程度是由不同货币的风险性决定的。换句话说，我们的实证证据强调了货币的风险因子暴露是理解美国货币政策国际传导的一个重要渠道。
**相关文献**
自Fama（1984年）以来，国际金融领域的大量文献研究了未覆盖利率平价（UIP）偏差的经济原因。一种持久的观点是围绕系统性货币风险展开的。确实，多项研究支持这种基于风险的汇率观点，即货币的平均超额回报应与其系统性风险暴露相匹配。例如，Verdelhan（2018年）表明，美元贝塔值和carry贝塔值在解释双边汇率变动中起着核心作用；而Liu等人（2022年）和Nucera等人（2023年）的最新研究表明，这两个因素也解释了大部分货币投资组合回报。然而，Chernov等人（2023年）发现，这些主成分仅解释了无条件均值-方差有效投资组合变化的一小部分，因此这些投资组合主要由未定价风险驱动。此外，上述货币风险暴露已被证明与国家的基本特征有关。与这些文献的大部分研究不同，我们探讨了汇率因子结构是否具有超出货币预期回报和风险之外的经济含义。
国际宏观经济学的另一条研究线索探讨了货币政策冲击如何在全球经济中传播。例如，向量自回归文献研究了国际宏观经济变量对结构性冲击的脉冲响应（Eichenbaum和Evans，1995年；Stavrakeva和Tang，2015年；Schmitt-Grohé和Uribe，2018年）。相反，我们的工作使用更现代的技术，通过利用货币政策冲击前后期货价格的高频变化来实现更清晰的识别（Kuttner，2001年；Bernanke和Kuttner，2005年）。在稳健性方面，我们还考虑了测量货币政策意外的一些最新进展（例如Nakamura和Steinsson，2018年；Jarociński和Karadi，2020年；Kearns等人，2022年；Bauer和Swanson，2023a；Bauer和Swanson，2023b）。
最近的论文研究了受FOMC公告驱动的各种资产的动态。一些研究FOMC会议前后股票、期权和债券回报的论文包括Savor和Wilson（2014年；Lucca和Moench，2015年；Ai和Bansal，2018年；Cieslak等人，2019年；Roussanov和Wang（2023年）。值得注意的是，Mueller等人（2017年）研究了货币政策公告前后美元的走势。他们发现，在公告日采用简单的做空美元和买入外币的交易策略可以获得高超额回报。同时，Antolin-Diaz等人（2023年）发现，更受美国货币政策影响的货币具有正的平均回报。他们表明，货币特征解释了这些暴露在货币和时间上的异质性。
我们在三个方面为这一文献做出了贡献。首先，我们研究了投资基金的货币流动（而非货币回报）和全球银行的贷款发放对货币政策冲击的反应。其次，我们将这些流动和贷款的规模与超出单纯利率差异的货币风险度量标准联系起来。最后，我们将贷款发放分布的变化与企业实际决策（特别是其杠杆率和投资选择）联系起来。
我们的研究旨在将汇率因子结构与美国货币政策的实际国际传导联系起来。Ottonello和Winberry（2020年）评估了美国非金融企业的货币政策投资渠道，但他们没有研究其他国家的这一渠道。Zhang（2021年）探讨了贸易结算货币在国际货币政策溢出中的作用，并表明，在美元结算比例较高的国家，汇率、利率和股票回报对美国货币政策的反应更为敏感。我们通过关注货币政策引起的资金流动及其实际影响，并将不同货币之间的差异与货币风险度量联系起来，为这一推理提供了补充见解。Bräuning和Ivashina（2020a）研究了中央银行利率变化如何影响全球银行在国内外市场的贷款分配。Correa等人（2021）利用国际清算银行（BIS）的银行位置统计数据库分析了货币政策对双边跨境银行流动的影响。他们的研究重点关注国外而非美国的政策利率变化，并未将结果与货币风险度量联系起来。我们的研究不仅探讨了银行对货币政策冲击的反应，还研究了基金的对冲行为，并将这些反应与汇率的因子结构联系起来。更广泛地说，我们的工作与全球金融周期（Rey, 2013; Miranda-Agrippino和Rey, 2020）以及货币政策的冒险渠道（例如Borio和Zhu, 2012; Bruno和Shin, 2015; Bruno和Shin, 2017; Adrian等人, 2019; Bruno等人, 2022; Bauer等人, 2023）相关。部分文献关注新兴市场信贷周期和金融危机的影响，如Gourinchas和Obstfeld（2012）以及Bräuning和Ivashina（2020b）。与这些论文不同，我们展示了货币因子结构可以提供一个简单框架，以更好地理解美国货币政策的国际传导。
2. 理论阐述
我们的论文主要是实证性的，我们将一个完整的理论模型留待未来的工作。我们论文的一个新发现是中介资本供应与货币系统性风险之间的关系。在附录A中，我们提出了这一机制的简单模型，并通过数值解和比较静态分析来模拟我们实证环境中的货币政策冲击。下面我们总结了我们的主要发现，作为实证分析的指导。
首先，美国政策利率的下降增加了可用于货币交易的中介资本供应。因此，较低的利率提高了套利交易的预期回报，激励交易者将资本转移到利率较高的外币中。正如Itskhoki和Mukhin（2021）所指出的，中介机构具有恒定的绝对风险厌恶，新的资本降低了中介机构的有效风险厌恶。这种风险厌恶的降低放松了对中介资本供应的限制，类似于Gabaix和Maggiori（2015）以及Vayanos和Wang（2011）的研究。我们的模型为我们在论文中使用的“风险偏好”这一术语提供了理论基础（这也是投资者在实践中使用的术语）。
其次，中介资本的供应会根据不同货币的风险流向不同的国家。特别是，风险较高（且预期超额回报较高）的货币将从中介资本供应的增加中受益最多，通常会看到资本流入。而低风险货币则受益最少，往往会出现资本流出。在横截面上，我们看到中介资本从低风险货币流向高风险货币。
最后，各国中介资本供应的变化影响了各国实物资本的均衡租赁率。货币风险较高的国家将看到更大的资本流入，从而资本要求的回报下降更多，这反过来会促进投资。这些模式符合我们论文的核心实证发现。关键的新颖之处在于将中介资本供应与企业投资决策联系起来的均衡关系。据我们所知，这种明确的联系是新的，并且建立了货币市场与公司金融之间的联系。
3. 数据和汇总统计
我们的四个主要数据库涵盖了汇率、货币流动、全球贷款发放和企业资产负债表。虽然部分数据具有高频率，但我们主要分析月度和季度频率的数据，因为我们关注货币政策对实际经济结果的影响。贷款数据的样本时间范围是从1999年1月到2024年3月，而流动数据仅从2012年9月到2024年3月。我们依次讨论这些数据来源。
3.1. 汇率和远期合约
我们从彭博社收集了各种到期日的即期中间价、买价和卖价以及每日远期价格。我们用Si,t表示时间t时国家i的即期价格，用Fi,t表示远期价格。F或S的增加表示美元相对于外币的升值。在计算汇率变化ΔlogSi,t时，我们使用中间价，并通过计算相对买卖价差来衡量流动性（以交易成本的形式）。
在正常市场时期，远期利率满足覆盖利率平价条件（Du等人，2018）。在这种条件下，利率差近似于远期折扣，即远期对数价格与即期对数价格之差。我们使用远期和即期价格来计算利率差：ri,t−rUS,t≈logFi,t−logSi,t。利率的期限取决于远期的到期时间，根据货币资产定价的文献，除非另有说明，我们使用一个月期的合约。
3.2. 货币风险度量
我们关注美元和套利贝塔值来捕捉货币回报的系统性风险。货币贝塔值量化了资产对货币风险因素的暴露程度。Verdelhan（2018）表明，美元和套利因素共同解释了发达国家之间汇率变化的大部分（19%到91%）。此外，美元和套利因素与套利交易回报的第一和第二主成分（PC）高度相关（Lustig和Verdelhan, 2007; Lustig等人, 2011）。美元因素是所有货币相对于美元的平均变化。套利因素模拟了众所周知的套利交易策略的回报，即低成本交易策略中的多头-空头投资组合回报，该策略借入低利率货币投资于高利率货币。我们通过每月根据上月相对于美元的一个月期远期折扣将货币分为五个投资组合来构建这个投资组合。“多头”投资组合由相对于美元利率最高的货币组成，而“空头”投资组合则由低利率货币组成。
我们考虑了与Verdelhan（2018）相同的39个国家样本，但排除了欧元区国家，因为我们的主要样本期是从2000年1月到2024年3月。这样我们就有28个国家来构建风险因素。具体来说，我们使用60个月的滚动窗口回归（从1995年1月开始）来估计美元βiDOL和套利βiCAR贝塔值，回归公式为：(1)ΔlogSi,t=ai+βiDOLDollart+ϵi,t, (2)ΔlogSi,t=ai+βiCARCarryt+ϵi,t。我们分别估计这两个贝塔值，但在下一节的横截面分析中同时考虑它们。需要注意的是，后者类似于从包含美元和套利因素的联合回归中估计美元和套利贝塔值。实际上，我们的关键结果不受这种建模选择的影响。
美元和套利贝塔值总结了决定一个国家货币风险的多种特征。例如，具有较大套利贝塔值的国家往往位于全球贸易网络的边缘（Richmond, 2019），通常出口商品并进口制成品（Ready等人, 2017）。套利贝塔值通常与利率差一致（Lustig等人, 2011）。具有较大美元贝塔值的国家通常面临较高的贸易成本，这与国际贸易中的引力方程有关（Lustig和Richmond, 2019; Hassan等人, 2023）。这些货币风险的经济来源并非互斥。因此，套利和美元贝塔值很有用，因为它们代表了货币对这些外汇风险因素的暴露程度。在第7节中，我们研究了这些更深层次的国家层面风险来源。
类似于股票市场的贝塔值，美元贝塔值记录了美国投资者投资于外币i时承担的额外系统性货币风险，而套利贝塔值衡量了货币i对套利因素的暴露程度。较高的美元和套利贝塔值表明更大的货币风险暴露。
3.3. 货币政策冲击
在宏观经济学和资产定价中，使用高频识别来研究货币政策传导效应已成为标准做法。货币市场（Andersen等人, 2003）、银行贷款（Bräuning和Ivashina, 2020a）和企业层面的投资（Ottonello和Winberry, 2020）都对中央银行政策利率的变化反应强烈。我们遵循Kuttner（2001）的方法，来衡量FOMC公告前后货币政策目标利率的意外成分：(3)MPSt=(fft0−fft−10)mm−t，其中m是给定月份的天数，fft0是当月结束的联邦基金期货价格。目标利率变化的日期用t表示，通常是FOMC会议的第二天。在一个月的最后三天（当m−t较小时），我们使用fft1−fft−11来保证稳定性，其中fft1是下个月结束的联邦基金期货价格。因此，MPSt的增加对应于利率的下降，即货币政策的宽松或扩张性冲击。
为了将高频冲击聚合到月度或季度频率，我们只需简单地将给定时间内的所有冲击相加。作为另一种方法，我们遵循Ottonello和Winberry（2020）的方法，将高频冲击聚合到月度频率。具体来说，我们根据冲击发生后的月天数对高频冲击进行加权平均。这种聚合方式确保了我们根据市场参与者应对冲击所需的时间来权衡冲击。我们的发现对这种时间聚合形式是稳健的。
表1表明，时间聚合后的冲击与原始的高频冲击具有相似的特征。平均月度和季度标准差约为10个基点。所有冲击的中位数实现值为零。我们在第7节中分析了其他货币政策冲击度量的稳健性。特别是，我们基于银团贷款的发现对使用Bauer和Swanson（2023b）中的高频冲击是稳健的，这些冲击考虑了FOMC在公告前调整新的宏观经济信息的情况。为了完整性，我们还在在线附录中记录了我们的发现不受2020年3月新冠疫情市场动荡期间两次非计划货币政策公告的影响（见表B.7和B.16）。
鉴于我们的主要分析是在月度和季度频率上进行的，一个可能的担忧是市场参与者可能正在对FOMC公告之前的其他中央银行的决策做出反应。我们在第7节中以两种方式解决了这个问题：首先，我们在表B.14中直接控制了外国中央银行的货币政策公告意外性。其次，在表13中，我们提供了证据表明外国中央银行的政策行动往往与美联储的政策行动呈正相关。在这种背景下，只有当外国中央银行的决策独立于美联储时，控制外国货币政策公告的意外性才是有效的，因此它们的货币意外性包含了美国意外性中尚未包含的信息。
3.4. 货币流动数据
货币流动数据来自Continuous Linked Settlement（CLS）集团，该集团运营着世界上最大的多货币现金结算系统，处理了近50%的全球外汇交易量。这些数据非常适合我们的分析，因为我们观察了全球范围内各种货币工具和参与者的货币量和订单流。后两种工具被分解为不同的到期时间段。CLS数据样本涵盖了2012年9月至2024年3月的货币流动情况。我们考虑了发达市场的G10货币对美元（USD）的汇率：澳大利亚（AUD）、加拿大（CAD）、欧元区（EUR）、日本（JPY）、新西兰（NZD）、挪威（NOK）、瑞典（SEK）、瑞士（CHF）和英国（GBP）。在在线附录中，我们证明了即使包括交易量较小的新兴市场货币——以色列（ILS）、墨西哥（MXP）和南非（ZAR），我们的结果也是稳健的。为了保护匿名性，CLS仅报告按货币和客户（机构）类型划分的每小时交易量和订单流量汇总数据。市场参与者大致分为两类：做市商银行和机构。做市商银行是报价的机构，而接受价格的机构（标记为“BuySide”）则分为四类：企业（非金融企业）、基金（如共同基金、养老基金和高频交易公司）、非银行金融机构（如保险公司和捐赠基金）以及非做市商银行（不在特定货币市场中担任做市商的银行）。需要注意的是，非做市商银行与做市商银行之间的流动被近似为“BuySide”总交易活动（见图1示例）与银行（包括做市商和非做市商银行）以及企业、基金和非银行金融机构之间交易量的差额。这种近似方法低估了非做市商银行与做市商银行之间的交易活动，因为企业、基金和非银行金融机构既与做市商银行也与非做市商银行进行交易。
我们通过计算外币的净购买压力（购买量减去销售量）来衡量货币流动的方向。首先，我们使用即期外汇汇率将CLS数据中的所有交易量转换为美元。然后，我们计算每种外币i和每种机构类型j在每个小时内的购买量与销售量之差：(4) OF(Yij,t) = Buy Volumeij,t - Sell Volumeij,t)，其中Y表示所讨论的资产（例如即期或远期）。下载：下载高分辨率图片（245KB）下载：下载全尺寸图片。图1显示了CLS数据的快照。注意：加粗的数值表示用于定义非做市商银行的“残差”。对于购买量，它是通过从总购买量（价格接受者）中减去企业、基金和非银行金融机构的交易量来计算的；销售量的计算方法类似。2019年1月2日的EURUSD汇率为1.13126美元兑1欧元。
订单流量的正实现（OF(Y)）意味着对某种外币的需求大于对美元的需求。图1展示了2019年1月2日格林尼治标准时间12点至12点15分之间执行的即期EURUSD交易样本。最后一列中的“订单流量”显示，仅基金在这次数据样本中的流量最大。具体来说，仅基金在那一个小时内用于兑换美元的欧元流量为6.69亿美元。
接下来，我们将每小时货币流量汇总到每月频率。我们进行时间汇总有两个原因：首先，我们关注货币政策对货币流动的长期影响，而不仅仅是短暂的高频日内反应；其次，货币流量的标准差相对于其平均值来说很大，因此将其累积到更长的时间范围内可以降低波动性，从而更准确地测量货币流动的方向。请注意，当我们汇总到每周频率时，所有关键结果（无论是货币流量还是银团贷款）在质量上都是相似的。表2提供了按机构类型和货币对分解的即期货币流量的汇总统计信息。根据标准差来看，基金和非做市商银行产生的方向性流量最大。在所有货币对中，基金和非做市商银行的交易活动明显超过了企业或非银行金融机构的总和。我们还发现，基金尤其是非做市商银行在货币市场中占据主导地位，因为它们合计占所有货币对总交易量的约95%。
基金巨大的经济影响力与货币市场微观结构研究的发现一致。相比之下，非做市商银行和做市商银行更有可能成为流动性提供者。
表2. CLS的汇总统计信息。
3.5. 全球银行的贷款发放
我们使用汤森路透DealScan数据库来研究2000年1月至2024年3月期间的全球企业贷款发行情况。该数据库涵盖了通常规模较大的银团贷款。Bräuning和Ivashina（2020a）报告称，2016年银团贷款占所有美国商业和工业贷款的至少45%。该数据库包含借款人信息、他们的祖国、银团贷款方以及贷款详情（按每个贷款方细分）和货币信息。附录B详细解释了如何从原始数据生成最终数据集的过程。
在我们的分析中，我们专注于银团内的顶级贷款方，排除了承诺金额较小的贷款方（所谓的“参与者”）。我们还排除了那些份额金额为负或份额金额超过交易总额的观测值。由于我们研究的是美国货币政策的传导效应，因此我们筛选出至少涉及一家美国银行的银团贷款。我们将全球美国银行定义为那些总部位于美国并在国际上活跃的银行，即那些发行外币贷款的银行。例如，我们可以将Mizuho Securities USA LLC归类为全球美国银行。我们的结果对于更严格的全球美国银行定义也是稳健的：（1）当母公司和子公司都位于美国时；或者（2）仅考虑总部位于美国的银行控股公司。
对于每个月中的每家全球美国银行，我们利用银行在每个银团中的贷款份额信息，汇总所有以相同外币计价的贷款。具体来说，我们遵循Bräuning和Ivashina（2020a）的方法，根据DealScan数据库中个别银行持有份额的稀缺信息来按比例分配贷款金额。图2显示，美国银行的对外贷款集中在少数几种货币上。例如，美国银行每月平均以欧元贷款58.32亿美元，以英镑贷款19.91亿美元。我们的最终数据样本涵盖的时间段是从1999年1月到2024年3月，包含与CLS货币流量相同的G10货币。
下载：下载高分辨率图片（188KB）下载：下载全尺寸图片。图2显示了DealScan数据的快照。注意：该图表报告了给定货币一个月内总贷款金额的平均值。样本覆盖的时间段是从1999年1月到2024年3月。
3.6. 企业借款人及其资产负债表
我们的国际企业数据来自Compustat North America和Compustat Global提供的1999年1月至2024年3月的季度财务报表。这些数据涵盖了大约八万家公司，其中只有约一万家公司曾通过银团贷款借款。我们应用了标准过滤器，排除了从事金融、保险或房地产（SIC代码6000至6799）和公共行政（9100至9729）的公司，并移除了资产、财产、厂房和设备（PPE）以及销售额为负的观测值。我们仅保留使用G10货币报告的非美国公司，并将所有资产负债表变量转换为美元。
对于通过银团借款的公司，我们汇总一个季度内以相同货币发行的所有贷款。如果一家公司在任何给定季度内以多种货币借款，我们只保留以其报告货币（即运营货币）发行的贷款。经过这些筛选后，我们剩下987家国际公司。值得注意的是，公司在各国之间的分布与贷款在各国之间的分布相似，这表明我们选择的样本确实代表了更广泛的银团贷款市场（见在线附录中的图B.2）。
表3展示了最终样本的汇总统计信息。总公司-季度观测值超过50,000个。平均公司的流动比率约为34%，债务融资比例约为30%。公司的债务、资产、PPE和销售额平均每个季度名义上增长约2%。公司从美国银行获得的平均贷款金额约为3.83亿美元，标准差为每个季度6.87亿美元。平均每家公司从美国银行借款约三次（101个季度乘以3.1%），相当于在1999年1月至2024年3月的样本期间共借款约11.49亿美元。
4. 全球货币流动
首先，我们研究机构对各种货币的交易如何响应美国货币政策的意外变动。然后，在分析这种效应的持续性之前，我们考察货币风险如何影响这种反应。
4.1. 货币流动对美国货币政策的即时反应
在本节中，我们研究了各种机构在FOMC公告发布前后整个日历月的货币交易反应。与许多关注日内动态的文献（例如Savor和Wilson, 2014; Mueller等人, 2017; Ai和Bansal, 2018）不同，我们分析了公告前后整个月的流动情况。我们首先估计了每种货币的机构订单流量对货币政策意外变动的回归，以了解每种类型的机构如何响应政策意外变动。我们运行以下时间序列回归：(5) OF(Sij,t) = aij + βijMPSt + ϵij,t。我们称估计的斜率系数βij为流动贝塔值。它们以美元为单位衡量了机构类型j对联邦基金利率意外下降一个基点的反应中流入外币i的规模。由于扩张性冲击会提高联邦基金期货的价格，我们预计美国货币政策的宽松会引发外币的净流入，因为持有美元的机会成本增加。因此，我们预计βij为正数。
表4列出了我们九种基于美元的货币对和机构类型的流动贝塔值。我们按平均carry贝塔值对货币对进行排序，这些贝塔值近似于它们相对于美国的利率差异。具体来说，我们计算了滚动窗口carry贝塔和美元贝塔的全样本平均值（见方程（1））。表格的最后两列列出了每个国家的平均carry贝塔和美元贝塔。表格的最后一列报告了MPSt意外宽松一个标准差时的汇率反应。与Mueller等人（2017）的研究结果一致，我们发现当美国货币政策宽松时，具有较高carry风险的货币往往会升值，而对于carry贝塔较低的外币则相反。
我们首先研究了投资基金在不同货币间的流动贝塔值。至少在统计上显著的案例中，低carry贝塔值的货币倾向于具有负的流动贝塔值。随着carry贝塔值从负转为正，流动贝塔值也从负转为正。因此，在美国货币政策扩张期间，基金会卖出低风险货币并购买高风险货币。例如，美国利率意外下降一个基点会导致1.9亿美元的澳元流入。相对于USDAUD货币对每月26.5亿美元的基金流量波动性，这相当于每个基点意外变动的7%。
表4显示了G10货币对的流动贝塔值。基金对货币政策的反应与其战略性、冒险行为一致。图3通过散布基金贝塔值来直观展示它们的“风险偏好”反应。随着carry贝塔值从负转为正，外币流动的方向也从流出转为流入。总之，我们发现基金在扩张性美国货币政策期间通过从安全的低利率货币（如欧元）转向高风险货币（如澳元）来重新平衡其货币组合。这种不同货币之间的资金流动异质性与交易所交易基金（ETFs）的证据也是一致的：Kroencke等人（2021年）的研究表明，股票基金的流动对联邦公开市场委员会（FOMC）的声明有显著反应，这与投资者对货币政策新闻的差异化反应相符。转向其他类型的机构，我们没有发现这种“风险偏好增加”的反应。特别是，企业的资金流动似乎与基金流动的方向相反，即当美国利率意外下降时，企业倾向于购买低利率货币并出售高利率货币。此外，这些企业流动的经济规模远小于基金产生的流动规模。
图3. 基金的货币流动贝塔值和持有贝塔值。注：该图绘制了OF(Si,t)=ai+βiMPSt+ϵi,t的β回归系数估计值，其中OF(Si,t)表示第t个月投资基金在货币对i中的货币流动（以美元计），MPSt是我们以基点表示的货币政策冲击度量。在回归分析中，因变量和自变量都以标准差为单位。实心点表示在10%置信水平下统计上显著的点估计值。推断基于鲁棒标准误差（Newey和West，1987年），校正了异方差性和最多3个滞后期的序列相关性。样本时间跨度为2012年9月至2024年3月。
在所有类型的机构中，非银行金融机构对货币政策冲击的反应最小。所有系数在统计上都不显著。尽管它们的流动规模平均而言大于企业（见表2），但我们推测可能是由于投资目标或投资期限的不同导致了这种差异。最后，我们研究银行。我们将小型非交易银行与大型交易银行区分开来。我们发现，非交易银行对货币的反应在统计上是显著的，但它们的流动贝塔值为负。正如我们预期的那样，较低的美国利率会促使它们购买外币，这表明这些银行倾向于承担交易的另一端风险。也就是说，它们似乎提供了总体流动性。对于交易银行，我们发现它们倾向于购买持有贝塔值低的货币并出售持有贝塔值高的货币，这与投资基金的行为完全相反。从这个意义上说，它们也提供了市场流动性。Evans和Lyons（2002a, 2002b）的研究表明，交易银行通过与其他交易银行在银行间市场进行交易来抵消货币和其他敞口。然而，CLS数据不允许我们直接研究银行间交易。
4.2. 投资基金的货币流动与外汇因素结构
在前一节中，我们已经确定投资基金是货币政策公告前后货币流动的主要贡献者。特别是，在宽松政策冲击后，投资基金似乎会重新平衡其货币风险组合。现在我们继续分解投资基金货币流动的决定因素。我们通过将资金流动与国家特征Xi,t与货币政策冲击MPSt的交互作用进行回归来实现这一点：(6) OF(Si,t)=μi+αt+γXi,t+βMPSt+φ(Xi,t×MPSt)+κWi,t+ϵi,t，其中因变量是第t个月投资基金在货币对i中的货币订单流动。我们包括了国家和时间固定效应μi和αt，以控制国家层面的未观察到的异质性和全球因素的时间变化。在Wi,t中，我们控制了货币流动性（通过相对买卖价差的对数变化来衡量）以及汇率的对数回报。由于我们构建的货币流动是以美元计的，汇率的变动可能会引入机械性变化。为了将汇率驱动的货币流动变化与实际流动区分开来，我们包括了汇率回报以控制这种机械性关系。
表5. 基金的货币流动与外汇因素结构
更正式地说，我们最感兴趣的是货币政策意外（MPSt）与国家特征（例如，持有贝塔值）之间交互作用的系数φ，因为它捕捉了货币流动对美国货币政策反应的横截面差异。因此，这些变量表明了哪些国家层面的特征驱动了货币流动的同时期反应，例如，我们知道美元贝塔值和持有贝塔值可以捕捉系统性货币风险。
在继续讨论结果之前，我们先解决两个计量经济学问题，这些问题在用资产价格衍生的风险度量来回归交易量时会出现。首先，如果交易量（例如，货币流动）本身影响汇率，从而影响我们用作回归量的货币贝塔值，那么可能会出现内生性问题。我们通过三种方式缓解了这个问题：(i) 我们使用60个月的滚动窗口来估计货币贝塔值，使其相对于月度流动在计量经济学上是预先确定的；(ii) 我们在在线附录的表B.4中记录了持有贝塔值和美元贝塔值在月度频率下几乎不对货币政策冲击做出反应；(iii) 在额外的稳健性测试中（见在线附录的表B.6），我们使用贝塔值的横截面排名而不是贝塔值本身，强调我们的结果是由贝塔值的横截面变化而非时间序列变化驱动的。
其次，如果未观察到的因素同时驱动货币风险和交易量，那么遗漏变量偏差是一个问题。我们的模型通过以下方式解决了这个问题：(i) 包括货币固定效应μi，以吸收时间不变的国家特征；(ii) 时间固定效应αt，以控制全球因素；(iii) 我们使用高频货币政策意外，这些意外对交易量来说是外生的，并与货币风险度量进行交互作用，以追踪不同货币之间的差异反应。因此，如果遗漏变量影响我们的结果，它不仅需要与货币风险相关，还需要直接影响交易量对货币政策意外的反应。
表5列出了使用标准化系数估计方程(6)的结果。第(1)列显示，正如预期的那样，联邦基金利率的意外下降（MPSt的增加）会导致资金从美国流出。反之，意外的紧缩会引发美元流入。然而，这种效应本身在统计上并不显著。
第(2)列在控制了国家的持有贝塔值后测量了这种效应。对于像英国这样持有贝塔值接近零的国家，货币政策冲击对货币流动的影响为0.01，因此实际上为零。也就是说，尽管美国货币政策放松，我们没有发现资金流向具有类似风险特征的国家。
接下来，我们分析了系统性货币风险如何影响货币流动的横截面。将持有贝塔值提高一个标准差显著地突出了这种效应。货币政策冲击的效应贡献了0.01+0.09=0.10个标准差的流动，是基线效应的倍数。以澳元为例，这意味着每有一个标准差的货币政策冲击变动，就会有0.1×$26.5亿=0.265亿的定向流动。持有贝塔值越正，流入该外币的流动就越大。这一反应详细解释了Fama（1984年）的回归结果。Fama表明，利率较高的货币倾向于升值，这与 UIP假说相反。我们报告了可能导致这种价格升值的潜在因素。在美国利率下降之后，投资基金的货币流动可能会进一步推高高风险、高利率货币的价格。这些发现也与Mueller等人（2017年）的研究结果一致，他们表明，在FOMC公告期间，外币倾向于系统性升值。
如果相关国家的持有贝塔值为负（例如日本），那么在外汇基金利率下降后，该外币会流出并流入美元。例如，持有贝塔值低于平均值一个标准差的国家会经历0.01−0.09=−0.08个标准差的净流出。我们强调，如果货币的持有贝塔值足够负，即使美国利率下降，也会导致资金流入美元。
表5中的证据突出了货币政策中的风险承担机制。这是因为，如果基金只是“追求收益”（即更高的利率），我们不会期望它们在美国货币政策放松后卖出低风险货币（例如日元）并购买美元。此外，作为一种长短期美元中性的交易策略，例如买入澳元和卖出日元的持有交易的事前有效性不受美国利率水平的影响。因此，我们的发现与一种更广泛的收益追求解释一致，即假设投资者在利率下降时风险偏好增加。
总体而言，这些证据支持了基金货币头寸的系统性再平衡，并与货币政策中的风险承担机制一致。在联邦基金利率意外放松后，基金通过卖出低风险货币并购买高风险货币来重新调整其投资组合，这可以通过持有贝塔值来衡量。转向美元贝塔值，我们最初发现其效应为正但不显著。第(3)列显示，具有较高美元贝塔值的货币与货币贝塔值较低的货币相比，并没有受到货币政策的差异性影响。因此，美元贝塔值本身似乎无法解释资金对货币政策的反应。
因此，持有贝塔值似乎是解释基金货币流动对货币政策冲击反应的主要来源。当在同一模型中同时包括货币和时间固定效应时，我们在第(5)和(6)列中发现了类似的点估计值。在第(7)列中，我们除了时间固定效应外，还包括了美元贝塔值和持有贝塔值。持有贝塔值保持了其解释能力，交互作用系数从0.09增加到0.17。然而，在控制了持有贝塔值后，与美元贝塔值的交互作用系数现在显示出统计上显著的负效应。最后一列中与美元贝塔值的负交互作用系数似乎与我们之前对持有贝塔值的风险偏好增加/减少的解释相矛盾。这种明显的悖论可以通过我们样本期间美元贝塔值和持有贝塔值之间的正相关性来解释：全球金融危机后，美元贝塔值与持有贝塔值之间的相关性相对于危机前增加了大约70%。这种高正相关性解释了为什么在控制了持有贝塔值后，与美元贝塔值的交互作用变为负值。具体来说，包括持有贝塔值后，美元贝塔值实际上被正交化了。即“残差”变化（即不受持有贝塔值驱动的美元贝塔值部分）与国际贸易中的重力变量（如两国之间的物理距离）高度相关（Lustig和Richmond，2019年）。换句话说，在危机后的样本中，美元贝塔值在很大程度上被持有贝塔值所吸收，因此美元贝塔值的额外解释能力有限。我们在在线附录中提供了进一步的支持证据（见表B.2和B.3）。
最后，在第(4)列（以及第(8)列）中，我们考虑了Chernov等人（2023年）提出的无条件均值-方差有效（UMVE）货币组合的贝塔值。具体来说，UMVE的构建仅考虑了货币回报的定价风险成分。对于持有和美元因素，我们同样估计了相对于UMVE因素的货币贝塔值：ΔlogSi,t=ai+βiUMVEUMVEt+ϵi,t。UMVE与货币政策冲击的交互作用系数为0.08，接近于持有贝塔值与货币政策意外的交互作用系数，表明货币回报的定价成分起着重要作用。总体而言，我们的结果表明，货币回报的定价成分在塑造全球货币流动中起着重要作用。
4.3. 基金外汇流动对美国货币政策的持续反应
我们之前已经确定投资基金对货币政策意外具有同时性反应。现在我们研究基金货币流动对美国货币政策长期变化的反应。这种反应的持续性可能对货币政策的传导提供了更多有价值的信息。我们研究了即期市场流动的累积影响。为了分离货币风险对流动的影响，我们根据货币的携带贝塔值将货币分为三组——低、中和高——然后汇总每组内的所有流动。这样分组的目的是为了分离货币流动的共同驱动因素，这对于理解持续性的反应非常有用。相比之下，如果只关注个别货币，特异性噪声可能会污染长期脉冲反应的置信区间。我们使用局部预测（Jordà, 2005）来估计货币流动对货币政策冲击的脉冲反应。对于每组g，局部预测如下：(8) OF(St,t+hg)=αhg+∑m=03βh,mgMPSt−m+ϵt+hg，其中OF(St,t+hg)是在时间t发生货币政策冲击后h个月内观察到的该组内的累积货币流动。在图4中，我们通过分别报告低携带贝塔值组和高携带贝塔值组的βh,0g系数来绘制资金即期货币流动的累积脉冲反应。我们看到，在美国货币政策放松后，携带贝塔值较低的货币会出现流出。这些图表显示的是累积流动，因此在初始流出之后，我们会看到一系列较小的流出，然后才会回到平均流动水平。这种效应在大约四个月内具有统计学意义。携带贝塔值较高的货币组显示出不同的动态：意外的宽松冲击导致资金从美国流向高风险货币。平均效应相当持久，在我们的数据样本中持续超过12个月。总的来说，有证据表明，最安全和最危险的货币受到美国货币政策的不同影响。投资基金出售安全货币并购买风险货币。尽管货币政策和宏观经济新闻很快（几小时内）就被纳入汇率中（Andersen等人，2003），但这种货币风险谱的重平衡是持续的。
在第四节中，我们关注了资本流动对美国货币政策变化的短期和中期反应。具体来说，我们的结果突出了在货币政策放松后，不同投资基金货币流动的差异性反应。为了更全面地了解美国货币政策的国际传导，我们转向了信贷渠道。大量宏观经济文献研究了信贷的分配（例如，Bernanke和Gertler, 1995; Bernanke等人, 1999），这种分配是通过银行业来实现的。为了研究货币风险如何通过信贷渠道影响货币政策的传导，我们关注全球活跃的美国银行如何调整其在外汇贷款市场中的货币风险敞口。外汇贷款市场规模庞大（每年有几万亿美元），而且全球银行贷款几乎占新兴经济体外部负债的一半（Bräuning和Ivashina, 2020b）。此外，银行在初级市场上发放贷款，这最终使我们能够通过研究企业层面的结果（如投资）如何随着货币政策引起的外汇贷款供应变化而变化来研究这些贷款发放对实体经济的影响。在下一节中，我们在估计借款层面的贷款发放变化时控制了需求效应。
在第五节中，我们首先通过运行以下回归来探讨外汇贷款对美国货币政策变化的反应：(9) logLoani,t=ai+βiMPSt+γiΔlogSi,t+ϵi,t，其中logLoani,t是我们样本中所有美国银行在月份t向海外公司发放的总累积贷款金额的对数（以货币i计）。由于DealScan中的所有贷款活动都是以美元报告的，美元汇率的变动可能会机械性地影响贷款量，因此我们包括了双边即期汇率的对数变化ΔlogSi,t来减轻这种机械效应。我们感兴趣的系数是βi，我们称之为货币的信贷贝塔值。它衡量了在货币政策冲击一个基点的情况下，某种特定外币（如日元）的贷款增长率。我们对每种货币运行方程（9），并在图5中绘制了信贷贝塔值与携带贝塔值的关系。我们首先注意到，在美国货币政策放松后，九种货币中有四种显示出负的信贷贝塔值。这一结果支持了Bräuning和Ivashina（2020a）的发现，他们表明在美国和海外之间的储备利率差缩小后，外汇贷款减少了。直观地说，由于持有储备的机会成本在国内下降，美国银行会减少国际贷款而转向国内贷款。虽然Bräuning和Ivashina（2020a）只记录了一小部分货币（即英镑、加元、欧元、日元和瑞士法郎）的这种效应，但我们的结果支持这一机制适用于更广泛的G10货币。图5中的回归线呈上升趋势，因此与我们观察到的投资基金的风险偏好模式相似。虽然投资基金在扩张性冲击后出售低风险货币以投资高风险货币（见图3），但我们看到银行在类似的风险偏好驱动下也倾向于向高风险货币放贷。这里的关键新颖之处在于，银行的风险承担行为发生在初级市场上。
图4显示了货币政策对即期货币流动的持续效应，使用局部预测（Jordà, 2005）从OF(St,t+hg)=αhg+∑m=03βh,mgMPSt−m+ϵt+hg得出，其中OF(St,t+hg)是货币组g在h个月后的累积订单流量（以十亿美元计）。因变量和自变量都采用标准化单位。货币组是根据国家i的携带贝塔值形成的，MPSt是我们的货币政策冲击。虚线标记了基于Newey和West（1987）标准误差的90%置信区间，这些标准误差考虑了由重叠时期引起的自相关性。样本覆盖了2012年9月至2024年3月的时期。
第五节：国际银行贷款
在第四节中，我们关注了资本流动对美国货币政策变化的短期和中期反应。具体来说，我们的结果突出了在货币政策放松后，不同投资基金货币流动的差异性反应。为了更全面地了解美国货币政策的国际传导，我们转向了信贷渠道。大量宏观经济文献研究了信贷的分配（例如，Bernanke和Gertler, 1995; Bernanke等人, 1999），这种分配是通过银行业来实现的。为了研究货币风险如何通过信贷渠道影响货币政策的传导，我们关注全球活跃的美国银行如何调整其在外汇贷款市场中的货币风险敞口。外汇贷款市场规模庞大（每年有几万亿美元），而且全球银行贷款几乎占新兴经济体外部负债的一半（Bräuning和Ivashina, 2020b）。此外，银行在初级市场上发放贷款，这最终使我们能够通过研究企业层面的结果（如投资）如何随着货币政策引起的外汇贷款供应变化而变化来研究这些贷款发放对实体经济的影响。在下一节中，我们在估计借款层面的贷款发放变化时控制了需求效应。
5.1. 对美国货币政策的国际贷款反应
我们首先通过运行以下回归来探讨外汇贷款对美国货币政策变化的反应：(9) logLoani,t=ai+βiMPSt+γiΔlogSi,t+ϵi,t，其中logLoani,t是我们样本中所有美国银行在月份t向海外公司发放的总累积贷款金额的对数（以货币i计）。由于DealScan中的所有贷款活动都是以美元报告的，美元汇率的变动可能会机械性地影响贷款量，因此我们包括了双边即期汇率的对数变化ΔlogSi,t来减轻这种机械效应。我们感兴趣的系数是βi，我们称之为货币的信贷贝塔值。它衡量了在货币政策冲击一个基点的情况下，某种特定外币（如日元）的贷款增长率。我们对每种货币运行方程（9），并在图5中绘制了信贷贝塔值与携带贝塔值的关系。我们首先注意到，在美国货币政策放松后，九种货币中有四种显示出负的信贷贝塔值。这一结果支持了Bräuning和Ivashina（2020a）的发现，他们表明在美国和海外之间的储备利率差缩小后，外汇贷款减少了。直观地说，由于国内持有储备的机会成本下降，美国银行会减少国际贷款而转向国内贷款。虽然Bräuning和Ivashina（2020a）只记录了一小部分货币（即英镑、加元、欧元、日元和瑞士法郎）的这种效应，但我们的结果支持这一机制适用于更广泛的G10货币。图5中的回归线呈上升趋势，因此与我们观察到的投资基金的风险偏好模式相似。虽然投资基金在扩张性冲击后出售低风险货币以投资高风险货币（见图3），但我们看到银行在类似的风险偏好驱动下也倾向于向高风险货币放贷。这里的关键新颖之处在于，银行的风险承担行为发生在初级市场上。
图5显示了logLoani,t=ai+βiMPSt+γiΔlogSi,t与平均携带贝塔值的βi回归系数估计。logLoani,t是美国总部银行在月份t向海外公司发放的外币金额的自然对数（以十亿美元计）。MPSt是我们的货币政策冲击指标（以基点计，Kuttner, 2001）。ΔlogSi,t是以每单位美元的外币单位表示的即期汇率的对数变化。对于回归，因变量和自变量都以标准差为单位。实心点表示在10%置信水平下统计显著的点估计。推断基于稳健的标准误差（Newey和West, 1987），这些标准误差考虑了异方差性和一阶序列相关性。样本涵盖了1999年1月至2024年3月的时期。
5.2. 国际贷款与外汇因素结构
我们进一步使用面板回归分解了美国银行外汇贷款对货币政策变化反应的驱动因素。我们研究了贷款如何受到国家层面特征Xi,t的影响，这些特征衡量了货币的系统性敞口；即美元贝塔值和携带贝塔值。因此，我们估计了以下面板回归：(10) logLoani,t=μi+αt+γXi,t+βMPSt+φ(Xi,t×MPSt)+ψΔlogSi,t+ϵi,t，其中我们包括了国家和时间固定效应μi和αt。我们的交互项φ是感兴趣的系数，正如之前所述，Xi,t捕捉了货币政策冲击MPSt传递到外汇贷款发放的横截面差异。值得注意的是，因变量logLoani,t同时捕捉了广泛和密集的边际效应，因为除了欧元之外，有些月份的变量值为零。表6列出了带有标准化回归量的结果。第（1）列产生了图5中视觉显示的结果的平均点估计。系数0.02略为正，但在统计上不显著。第（2）列控制了货币政策冲击与携带贝塔值的交互作用。正如我们在投资基金中看到的，对于携带贝塔值为零的货币（因此利率与美国相似），其对美国货币政策的反应相对不敏感。然而，外汇贷款的增长受到货币风险程度的影晌。在假设美国货币政策意外放松的情况下，携带贝塔值较高的货币贷款显著增加。例如，将国家携带贝塔值的分布向上移动一个标准差会使外汇贷款增加0.05+0.14=19%。相反，较低的携带贝塔值与贷款减少相关。因此，携带贝塔值影响了银行贷款发放的强度：银行通过将贷款发放转向风险更高的货币来承担更多的货币风险。
在表6中，我们检查了美元贝塔值对贷款增长的影响。系数估计为负且在统计上显著，这再次反映了我们在投资基金货币流动背景下已经提到的国际贸易的引力效应（见第4.2节）。这是因为我们的样本涵盖了全球金融危机之前的几年，在这段时间内，美元贝塔值与物理距离之间的相关性很高，超过了50%。在第（5）和（6）列中，我们运行了更严格的规格，包括了时间固定效应，控制了被忽略的时间变化全球因素。两个交互系数都保持了它们的符号和统计显著性。在第（7）列中，我们将贷款增长投影到货币政策冲击与携带贝塔值和美元贝塔值的交互作用上。两个贝塔值的系数幅度都比单独评估时增加了约50%。两个系数的统计显著性也增强了。总体而言，结果一致表明携带贝塔值衡量了贷款分配的风险方面，而美元贝塔值捕捉了引力效应如何阻碍这些贷款发放流动。最后在第（4）列（以及第（8）列）中，我们重复了表5中的练习，评估了货币风险定价成分对外汇贷款的影响。我们发现携带UMVE贝塔值较大的货币具有积极且强烈的影响，表明定价风险对贷款的影响与对全球货币流动的影响一样重要。这里有两个互补的渠道。首先，全球美国银行在高风险货币中联合发放更多贷款，但利率差更低、更有利。其次，在美国货币政策放松后，高风险国家的利率下降幅度大于低风险国家。这两个渠道都表明影响在于价格而非数量。为了解决第一个渠道，我们在表6中重新进行了分析，但用美国银行在给定货币i中收取的平均利率差替换了贷款增长。我们在表B.17中显示，美国货币政策的意外放松与高风险货币的利率差增加有关，而不是减少。这一发现也与企业债券市场一致，Richers（2019）发现以日元计价的企业债券的收益率明显低于以澳元计价的企业债券。为了解决第二个渠道，我们发现美国货币政策的放松预测了外国政策利率的下降，然而这些下降对于高风险货币国家的下降并不显著（见表13）。特别是当使用关键基准利率（例如LIBOR）作为联合贷款的主要参考利率时。总的来说，这些结果与将高风险国家外汇贷款增加归因于更有利的信贷条件的叙述不一致。总之，全球美国银行根据美国货币政策的变化重新调整了他们的外汇贷款。具体来说，我们看到银行将贷款发放转向在携带意义上风险更高的货币。在货币风险特别明显的情况下，风险承担渠道可能完全抵消甚至逆转了由于持有美国储备的机会成本降低而驱动的外汇贷款减少。公司层面的结果
在第4节“全球货币流动”和第5节“国际银行贷款”中，我们发现了与货币政策风险承担渠道一致的证据：在货币政策意外宽松之后，资金和银行都会从安全货币转向风险货币。然而，到目前为止，我们还没有探讨美国货币政策对外国实体经济的影响。为了填补这一空白，我们利用了银行在贷款发放的主要市场中重新分配资源的事实，从而能够在从美国银行借款的公司群体中测试实际效应。
我们的实证策略是检验那些位于美国境外且“暴露”于高风险货币的公司与暴露于低风险货币的公司是否受到不同影响。我们分两步进行这一测试。首先，我们估计在货币政策意外宽松后，公司的借款金额，并考虑公司的货币暴露程度。然后，我们继续关注高风险货币与低风险货币，并提供证据表明，主要通过高风险货币借款的公司与主要通过低风险货币借款的公司相比，会经历不同的公司层面结果。
为此，我们首先需要定义公司的货币暴露程度。我们选择根据公司的报告货币来衡量暴露程度。公司的报告货币是指公司主要产生现金流的货币，基本上是其运营货币。我们预计，那些以高风险货币报告并从中美银行借款的公司，比那些以低风险货币报告的公司更可能对美国货币政策做出反应，因为总体而言，高风险货币的贷款增加幅度大于低风险货币（见前一节）。
在金融中介文献中，识别信贷供应冲击影响的现在标准方法是由Khwaja和Mian（2008年）首次提出的，即使用公司时间固定效应来控制信贷需求。在我们的设置中，由于我们的主要变异来源是在公司时间层面，因此无法包含公司时间固定效应。如果我们要包含公司时间固定效应，就需要公司在给定季度内从美国银行借款多种货币。然而，在我们的样本中，实际上在给定的公司-季度单元内没有借款货币的差异，因此，包含公司时间固定效应会吸收我们试图识别的所有相关变异。
考虑到上述限制，我们唯一能够控制需求因素的方法是在国家（而不是公司）层面和行业层面使用国家时间固定效应和行业时间固定效应。我们能够做到这一点，因为样本中大约有11%的公司的报告货币与其所在国家的货币不同。这种区分使我们能够控制特定国家的时变效应，并隔离公司的货币对其借款的影响，而不是其所在国家的影响。尽管当我们根据公司的所在地货币来识别其货币暴露程度时，结果在定性上是相似的。
为了与Compustat的季度资产负债表数据保持一致，所有贷款都在公司-季度层面进行汇总。对于每个季度借款超过一次的公司，我们只保留以该公司报告货币发行的贷款。但是，即使从样本中排除这些公司-季度观测值，我们的结果也是稳健的。
6.1. 公司借款如何响应美国货币政策
我们首先关注货币风险如何影响通过银团贷款借款的可能性。特别是，我们旨在测试美国货币政策对暴露于高风险货币的公司与主要暴露于低风险货币的公司在银团贷款发放上的差异性影响。为了测试这一假设，我们只关注在给定季度t和货币i中涉及至少一家美国银行（无论是银行控股公司还是子公司）的银团贷款。对于任何位于国家c的公司j，我们只考虑以该公司报告货币发行的贷款。我们这样做是为了区分那些主要通过高风险货币借款的公司与主要通过低风险货币借款的公司。具体来说，我们运行了一个回归模型，解释了在条件是美国货币政策变化的情况下，通过银团贷款借款的概率：
Dj,i,c,t = μj + αc,t + νn,t + γXi,t + φ(Xi,t×MPSt) + ψΔlogSi,t + κWj,i,t + ϵj,i,c,t，
其中因变量Dj,i,c,t是一个虚拟变量，如果公司j在季度t和货币i中通过银团借款，则该变量等于1。正如前文所述，由于总体而言高风险货币的贷款增加幅度大于低风险货币，我们预计以高风险货币报告并从全球美国银行借款的公司更可能对美国货币政策做出反应。
在金融中介文献中，识别信贷供应冲击影响的现在标准方法是由Khwaja和Mian（2008年）首次提出的，即使用公司时间固定效应来控制信贷需求。在我们的设置中，由于我们的主要变异来源是在公司时间层面，因此无法包含公司时间固定效应。如果我们要包含公司时间固定效应，就需要公司在给定季度内从美国银行借款多种货币。然而，在我们的样本中，实际上在给定的公司-季度单元内没有借款货币的差异，因此，包含公司时间固定效应会吸收我们试图识别的所有相关变异。
考虑到上述限制，我们只能在国家（而不是公司）层面和行业层面使用国家时间固定效应和行业时间固定效应来控制需求因素。我们能够做到这一点，因为样本中大约有11%的公司的报告货币与其所在国家的货币不同。这种区分使我们能够控制特定国家的时变效应，并隔离公司的货币对其借款的影响，而不是其所在国家的影响。尽管当我们根据公司的所在地货币来识别其货币暴露程度时，我们的结果在定性上是相似的。
为了与Compustat的季度资产负债表数据保持一致，所有贷款都在公司-季度层面进行汇总。对于每个季度借款超过一次的公司，我们只保留以该公司报告货币发行的贷款。但是，即使从样本中排除这些公司-季度观测值，我们的结果也是稳健的。
6.1. 公司借款如何响应美国货币政策
我们首先关注货币风险如何影响通过银团贷款借款的可能性。特别是，我们旨在测试美国货币政策对暴露于高风险货币的公司与主要暴露于低风险货币的公司在银团贷款发放上的差异性影响。为了测试这一假设，我们只关注在给定季度t和货币i中涉及至少一家美国银行（无论是银行控股公司还是子公司）的银团贷款。对于任何位于国家c的公司j，我们只考虑以该公司报告货币发行的贷款。我们这样做是为了区分那些主要通过高风险货币借款的公司与主要通过低风险货币借款的公司。具体来说，我们运行了一个回归模型，解释了在条件是美国货币政策变化的情况下，通过银团贷款借款的概率：
Dj,i,c,t = μj + αc,t + νn,t + γXi,t + φ(Xi,t×MPSt) + ψΔlogSi,t + κWj,i,t + ϵj,i,c,t，
其中因变量Dj,i,c,t是一个虚拟变量，如果公司j在季度t和货币i中通过银团借款（其中至少有一家银行位于美国），则该变量等于1。与之前一样，我们的货币风险度量（美元和携带贝塔）包含在Xi,t中，这是根据公司的报告货币分配的；MPSt是基于Kuttner（2001年）的货币政策冲击度量。我们的控制变量包括即期汇率的对数变化ΔlogSi,t，以及Wj,i,t，其中包括资产对数、流动比率、销售对数变化、杠杆率对数变化和托宾Q值对数变化。
我们始终控制公司固定效应μj，并使用国家-时间-季度固定效应αc,t来控制给定国家宏观经济条件的时间变化，以及/或行业-时间-季度固定效应νn,t来控制行业层面的贷款需求变化。
通过使用国家-时间-季度固定效应αc,t，我们可以隔离通过银行贷款供应传递的货币效应。固定效应吸收了由于特定国家经济条件引起的所有变化。因此，剩下的唯一效应将来自涉及全球美国银行的新银团贷款的供应。重要的是，公司的所在国家c不一定与其报告货币i一致。因此，我们感兴趣的主要系数φ将基于公司在同一国家内不同货币的借款情况来确定。该系数捕捉了在美国货币政策意外宽松后，暴露于高风险货币的公司与暴露于低风险货币的公司在银团贷款发放上的差异。
表7报告了使用固定效应的面板logit模型估计方程（11）的结果。我们发现，在美国货币政策宽松后，主要暴露于高风险货币（例如澳大利亚元）的公司比主要暴露于低风险货币（例如日元）的公司更有可能获得贷款。具体来说，我们发现美国货币政策宽松一个标准差与主要借款于携带贝塔高于平均水平的货币的公司获得银团贷款的平均边际效应增加4.5%到5.4%相关。
关于美元贝塔的交互效应要么是负的，要么在统计上不显著。这强调了我们之前的发现，即美元贝塔与外国货币流动对美国货币政策宽松的反应不一致。当在同一模型中同时包含携带贝塔和美元贝塔时，在考察国家-季度内的反应时，携带贝塔会抵消美元贝塔的影响。
表7. 公司层面的外币借款和外汇因素结构。
6.2. 借款如何影响公司的杠杆率和投资
在确定暴露于高风险货币的公司在美国货币政策宽松后经历积极的贷款供应冲击之后，我们现在转向测试借款对公司结果的影响。具体来说，我们的目标是展示主要通过银团贷款借款的公司与主要暴露于低风险货币的公司在公司层面结果上的差异。我们运行以下公司层面的面板回归模型：
Δlogyj,i,c,t = μj + αc,t + νn,t + γXi,t + φ(Xi,t×MPSt) + ψΔlogSi,t + κWj,i,t + ϵj,i,c,t，
其中logyj,i,c,t是位于国家c并在季度t以货币i借款的公司j的公司层面结果变量y的对数值。我们在Wj,i,t中的控制变量与方程（11）中的相同，ΔlogSi,t是外汇汇率的对数变化。我们在所有模型中都包括公司固定效应μj，以及国家-时间-季度固定效应αc,t和/或行业-时间-季度固定效应νn,t，以控制公司层面的未观察到的异质性和由时变的地方宏观经济条件以及行业层面不可观察因素引起的需求差异。
表8显示了估计方程（12）的结果，针对三个公司层面结果变量（以对数差值表示）：总债务（短期负债加上长期负债）、总资产和扣除折旧后的固定资产。与表7中的结果一致，我们在第（1）和（4）列中发现，主要暴露于高风险货币的公司（例如，以澳大利亚元报告收益的公司；以下简称“高携带贝塔公司”）在美国货币政策宽松一个标准差的情况下，其总借款增加了1.5%。对于主要暴露于低风险货币的公司（例如日元；以下简称“低携带贝塔公司”），情况则相反。此外，在第（2）和（5）列中，我们还发现高携带贝塔公司扩大了其资产负债表的总体规模，而低携带贝塔公司则没有。最后，第（3）和（6）列显示，高携带贝塔公司的固定资产（扣除折旧后）增加了1.1%到1.2%，而低携带贝塔公司的投资减少了。
综合表7和表8中的证据，可以得出以下结论：（i）美国货币政策对高风险货币与低风险货币的贷款供应有差异性影响；（ii）主要暴露于高风险货币的公司（即高携带贝塔公司）比低风险货币的公司更多地扩大资产负债表并投资于有形资产。
7. 扩展和稳健性
在这里，我们总结了支持我们主要发现的稳健性检验和额外分析。具体来说，我们研究了（i）货币风险的经济来源，（ii）货币风险因素的持续性，（iii）其他外汇风险因素，（iv）紧缩性 vs. 扩张性货币政策冲击，（v）货币政策的替代度量，（vi）其他中央银行对美国货币政策的反应，以及（vii）欧洲货币政策冲击。
7.1. 货币风险的更深层次经济来源
我们超越了基于PC的美元和携带贝塔暴露，探讨了它们的经济决定因素。我们使用第4节“全球货币流动”和第5节“国际银行贷款”中的面板回归模型，并考虑了已知会影响货币政策的国家层面风险特征。特别是，我们关注了最近的文献，这些文献考虑了利率差异（Lustig等人，2011年）、规模（Hassan，2013年）、下行贝塔（Lettau等人，2014年）、全球失衡（IMB）贝塔（Della Corte等人，2016年）、贸易构成（Ready等人，2017年）、贸易网络中心性（Richmond，2019年）和期限溢价（Andrews等人，2024年）。表9展示了将我们在表5中的发现扩展到这些国家层面风险来源的结果。
那些具有较高利率的国家（通过其远期折扣fi−si衡量）、在全球贸易网络中处于边缘地位、具有较高携带斜率预期回报、规模较小的经济体，以及倾向于出口商品和进口成品的国家，在经济幅度上与我们的基线结果（第（1）列）相当。在我们的样本中，我们没有发现来自对全球贸易失衡（即IMB贝塔）或下行风险（即下行贝塔）的异质性暴露的明显反应。关于全球失衡的结果与Della Corte等人（2016年）的研究一致，表明净外国资产头寸最高风险的国家不一定是利率最高的国家。此外，在未报告的结果中，我们显示携带贝塔在竞争中排除了任何其他经济风险来源，除了规模。
总之，上述所有措施都证实了货币流动受货币风险指导，并且这些流动受风险大小的控制。总体而言，这些发现与我们的论文核心观点一致，即对货币风险的异质性暴露影响了货币流动对货币政策的反应。表9展示了资金流动和货币风险的经济来源。7.2. 货币风险的持续性一个可能的担忧是货币风险特征是内生的，并且会迅速对货币政策冲击作出反应。然而，这些货币风险特征在时间上是持续的。特别是，Lustig等人（2011年）和Hassan与Mano（2018年）的研究表明，超过一半的套利交易回报是由基于利率差异的无条件排序驱动的。此外，Lustig和Richmond（2019年）报告称，美元贝塔值可以通过具有地理距离和共同语言等重力的时间不变变量来很好地解释。我们将美元和套利贝塔值视为在计量经济学意义上预先确定的。我们在在线附录中提供的证据支持这一观点。首先，我们在表B.1中记录了暴露度的持续性。美元和套利贝塔值的一阶自相关系数都集中在0.98左右。此外，有令人信服的证据表明，货币的横截面排名随时间是稳定的。例如，瑞士法郎有91%的时间处于最低套利贝塔值的投资组合中，而澳大利亚元始终处于最高贝塔值的投资组合中。美元贝塔值也呈现出类似的模式。其次，我们在表B.4中显示，套利和美元贝塔值与货币政策冲击在月度频率上几乎不相关。特别是，我们发现没有任何美元贝塔值对美国货币政策的月度变化有显著反应。至于套利贝塔值，我们看到只有USDNZD对美国货币政策的宽松有显著的负反应。第三，我们在表5和表6中复制了我们的分析，但不是使用套利和美元贝塔值本身，而是将贝塔值转换为相对的横截面排名分数（其中较高的贝塔值对应较高的排名分数）。我们在表B.6和表B.15中显示，我们的关键结果在质量上是不变的。因此，货币风险在横截面上的排序是我们结果的核心。7.3. 其他货币风险因素货币资产定价文献已经确定了几个未被套利所涵盖的货币风险来源：Menkhoff等人（2012b）根据过去的赢家和输家货币创建投资组合（我们考虑了一个月、三个月和十二个月的动量），Menkhoff等人（2017）根据实际汇率的变化对货币进行分类，Colacito等人（2020）根据实际产出与潜在产出之间的差异形成投资组合，Rafferty（2012）根据货币对全球偏度风险的暴露进行分类。我们使用滚动窗口回归法复制了这些投资组合分类，并计算了各个货币对这些因素的暴露度，遵循方程（1）的精神；其中我们用上述投资组合替换了套利因素。表10显示，与套利交易正交的货币风险因素无法解释投资基金货币流动对货币政策冲击的横截面差异。具体来说，货币动量的交互项在一个月到期日是负的且在统计上显著，这证实了图3中的风险偏好模式不能通过简单地追逐赢家货币和卖出输家货币的行为来解释。我们发现商业周期强度（即产出缺口贝塔）也呈现出类似的模式。此外，风险偏好模式与实际汇率价值、对全球偏度风险的暴露以及更长时间的动量（三个月和十二个月）无关。7.4. 扩张性和紧缩性货币政策在这里，我们将样本分为货币政策冲击为正和负的时期。具体来说，我们复制了图3，区分了美国货币政策宽松和紧缩的时期。关键观察是，当美国货币政策宽松时，货币政策冲击对货币流动的影响更大。这在视觉上很明显，因为在货币政策紧缩时期，高和低套利贝塔值的货币的流动贝塔值更接近于零。这种不对称性与中介资产定价文献一致：美国货币政策的紧缩与在风险价值约束下运营的金融中介的资产负债表成本增加有关，导致市场流动性下降和交易成本上升（Huang等人，2025年）。下载：下载高分辨率图片（260KB）下载：下载全尺寸图片图6. 货币流动贝塔值和套利贝塔值——货币宽松和紧缩。注意：该图表绘制了OF(Si,t)=ai+βiMPSt×(MPSt≥0)+γiMPSt×(MPSt≤0)+ϵi,t中的βi和γi回归系数与平均套利贝塔值的关系。OF(Si,t)是投资基金在月份t对货币对i的即期订单流量（以美元计），MPSt是我们的货币政策冲击度量（以基点计）。对于回归，因变量和自变量都以标准差为单位。β和γ系数分别用蓝色点和灰色三角形表示。实心点或菱形表示在10%置信水平下统计上显著的点估计。推断基于稳健的标准误差（Newey和West，1987年），校正了异方差性和最多3个滞后期的序列相关性。样本覆盖了2012年9月至2024年3月的时期。7.5. 货币政策冲击的替代衡量方法为了增强稳健性，我们考虑了货币政策的替代衡量方法。我们的主要分析使用了联邦基金期货价格在FOMC公告前后的高频变化（Kuttner，2001年；Bernanke和Kuttner，2005年）。这些冲击主要捕捉了政策目标率的意外变化。关于衡量货币政策意外变化的文献很多，我们考虑了一些最近的贡献。Kearns等人（2022年）在Swanson（2021年）的工作基础上进行了扩展，但采用了更简单的方法，构建了目标率、路径和长期利率的意外变化。Jarociński和Karadi（2020年）利用利率和股票价格之间的高频共动性将货币政策意外变化分解为货币政策（MP）和央行信息（CBI）冲击。Bauer和Swanson（2023b）遵循Nakamura和Steinsson（2018年）（NS）的方法，从FOMC会议前后不同时间范围的欧元美元期货合约变化中提取货币政策意外变化。此外，他们还构建了一个与宏观经济和金融数据正交的冲击序列（ORT），从而解释了Bauer和Swanson（2023a）中的“美联储对新闻的反应”渠道。我们评估了这些其他货币政策冲击，以确认我们发现的稳健性（见图6）。表11和表12复制了我们在表5和表6中的结果，但使用了不同的货币政策冲击衡量方法。证据可以从两个维度总结：首先，关注与套利和美元贝塔值的交互效应，我们发现只有Kearns等人（2022年）、Jarociński和Karadi（2020年）以及Bauer和Swanson（2023b）的目标因素冲击与我们的基线估计结果一致。其次，路径和长期利率（Kearns等人，2022年）冲击以及央行信息冲击（Jarociński和Karadi，2020年）与任何显著的外币流动或银团贷款无关。表11. 投资基金对替代货币政策冲击的货币流动。表12. 外币贷款对替代货币政策冲击的反应。7.6. 其他央行对美国货币政策的反应我们的发现可能与美国货币政策的冒险渠道不一致。相反，可能是外国央行在FOMC公告后以可预测、系统的方式作出反应，这解释了我们的结果。例如，如果高风险国家的央行在货币政策宽松时提高利率，而低风险国家的央行降低利率，那么这可能会产生与图3中相似的模式。资金只是追逐预期的无风险回报，而不是承担货币风险。为了测试这一替代解释，我们使用联邦基金目标率的变化与我们的货币风险暴露度相互作用来预测外国政策利率的变化：(13)Δyi,t=μi+αt+βΔFFRt−1+γXi,t+φ(Xi,t×ΔFFRt−1)+ϵi,t，其中因变量是时间t时国家i的外国央行的政策利率变化，ΔFFRt−1是上个月联邦基金目标率的变化。我们包括了国家和时间固定的效应μi和αt。表13展示了估计方程（13）的结果，并提供了反对替代解释的证据。这是因为交互系数要么在统计上不显著（第3、4和5列），要么为正（第2列）。当美联储降息时，像澳大利亚这样具有较高套利暴露度的国家倾向于降息更多；而像日本这样具有负套利暴露度的国家则倾向于降息较少甚至加息。这些模式与替代解释所预测的相反。在在线附录中，我们使用银行间贷款利率（例如LIBOR）估计方程（13）并得到了类似的结果。一个关键区别是，交互系数在统计上都无法与零区分开，这表明美国的低利率与日本相对于澳大利亚的银行间贷款利率显著降低无关。当我们研究同时期相关性时也发现了类似的结果。表13. 使用联邦基金利率预测外国政策利率。7.7. 欧洲货币政策冲击到目前为止，证据主要集中在美国货币政策冲击和以美元为基础的货币对上。一个自然的问题是，其他央行的货币政策冲击是否对以美元为基础的货币流动有影响，以及以欧元为基础的货币对是否对欧洲央行（ECB）的货币政策冲击有类似的反应。我们没有发现这两个假设的证据。特别是，我们用Jarociński和Karadi（2020）的ECB货币政策冲击替换了美国货币政策冲击，发现全球货币流动对欧洲货币政策的变化基本上没有反应。我们将这解释为美联储引领全球金融周期的证据（Brusa等人，2019年；Miranda-Agrippino和Rey，2020年）。表14. 欧元货币对的流动贝塔值。在表14中，我们复制了表4的结果，但用以欧元为基础的货币对（例如EURCAD）替换了以美元为基础的货币对，并使用Jarociński和Karadi（2020）的ECB货币政策冲击，而不是基于Kuttner（2001）的Fed冲击。由于ECB货币政策冲击序列的可用性，我们的样本期较短。以欧元为基础的货币对似乎不会系统地对ECB货币政策冲击作出反应。8. 结论货币政策的传导是经济学和金融学中的一个核心问题。央行的决策通常是为了自身国内经济的利益，但无数研究记录了大型发达市场中的央行对其它经济体的重大影响。我们研究了货币因素结构是否可以为我们理解这种国际传导提供一个视角，并提供了支持这一观点的证据。首先，我们展示了投资基金在美联储意外宽松货币政策时将资金从低风险货币转向高风险货币。其次，全球美国银行将其外汇贷款倾向于投向更多暴露于货币套利的货币。这两个事实都与货币政策的冒险渠道一致。第三，这些货币流动和银团银行贷款持续了几个月。我们追踪了银行贷款对企业借款和投资的影响，因此是货币政策的实际效应。这些实际效应在那些货币更多暴露于套利因素的国家更为明显。据我们所知，我们是第一个通过系统货币风险指标展示美国货币政策国际传导的人。我们的研究结果不仅限于解释货币的风险、回报及其联动性，还表明汇率因素结构可以作为一个视角，帮助我们研究美国货币政策的国际传导效应。我们希望这些发现能够激发更多关于其他宏观经济现象的研究，这些现象也可以通过资产定价文献中已经广泛研究的风险敞口来更简单、更深入地理解。
**作者贡献声明：**
- **Erik Loualiche**：撰写与审稿编辑、初稿撰写、项目管理工作、方法论设计、数据分析、概念构建。
- **Alexandre R. Pecora**：撰写与审稿编辑、初稿撰写、项目管理工作、方法论设计、数据分析、概念构建。
- **Fabricius Somogyi**：撰写与审稿编辑、初稿撰写、项目管理工作、方法论设计、数据分析、概念构建。
- **Colin Ward**：撰写与审稿编辑、初稿撰写、项目管理工作、方法论设计、数据分析、概念构建。
打赏
