スキップしてメイン コンテンツに移動

(直近の結果を示します) やっぱり現金だ! 現預金M1が急激に増加している

「Cash is King, Cash Flow is Queen」で述べたように、危機に直面したらとにかく現金が一番大事だ。

アメリカで恐ろしい勢いでM1(現金預金)が増えている。11月になってもその勢いは少しへったもののすう勢としては変わらない。
以下の図は季節調整済みの週次のM1推移であるが、2月24日時点で4、000億弗だったのが、4月13日には約4,700億ドル(日本の国家予算(100兆円)にせまる金額)数字になっている。その後の数値をみると、やや勢いをげんじたものの、傾向としては変わらない。第3何の影響はこれから生じるだろろう。

M1という流動性の尺度は、現金あるいはそれとほぼ同じものとしての預金の合計である。アメリカのM1の週次統計の、2020 年11月日から遡る直近1年間の週次データで確認してみよう。

Board of Governors of the Federal Reserve System (US), M1 Money Stock [M1]


これを見ると、今月の2月24日には約4,000億ドルであったのが、4月13日には約4,700億ドルへの急激な増加をしめしている。7兆円あまりの急激な増加である。これは下のグラフをみてもわかるように1975年以来の数値をみても見ることのできなかった数値である。



アメリカの家計や企業は、リーマンショック(一番右の縦の網)以来、現金を溜め込んで来たことがわかるが、それでも一番右端の急激な増加はかってないことである。

この45年間で、リーマンショックの時ですらなかった増加である。アメリカ政府がばらまいたお金をみんなつかわないでためこんでいるのだろう。まさにコーポレート・ファイナンスの授業でいう「Cash is King, Cash Flow is Queen」なんだ! 
日本でも家庭に10万円がふりこまれても、預金をしたままで使わない人が多くなるのではないだろうか?
====
追記:2020年4月26日 ゼミのOBから次のようなコメントがありました。なるほどと思いましたので、お知らせします。

アメリカで企業が取引銀行に対して設定したクレジット・ライン(与信枠)には、借り手がEBITDA(Earnings Before Interest Taxes Depreciation and Amortization)、つまり、税引前利益を一定水準に保たなければいけないという特約(コベナッツ)がついているものが多いそうです。そうなると、EBITDAを近い将来保持できなくなると考えた借り手が、預金枠を使ってお金をか用とするのは当然の行動です。でも、そうやって引き出したキャッシュの使いみちはないので、また、銀行に積み増し手をしているらしい、とのことです。

確かにそうかもしれない。でも、同じ銀行に預金をするのはまずい。デフォルトした時に相殺されるからね。CFOならそのくらい誰でもわかっているだろうが。

こうした解釈ができるとすると、逆に米国企業のクレジットリスクは潜在的には相当だろうと考えざるを得ない。銀行としては手数料丸儲け!

日本の企業のクレジット・ラインの取得状況はどのくらいだろう。確か全銀協の統計があったような気がしますが。


日本のM1 は日銀が公表していますがFEDのデータベースでグラフ化したものをいかに示します。日本の企業と家計は、世界の他の先進国と比べても、異常なほど、現預金を積みましてきました。その傾向は2020年3月頃からさらなる勢いでましています。




=== 以下はちょっとむずかしい話 飛ばしていただいて結構 =======

M1(現預金)への需要がどのように決まるかについては、ケインズが提唱した現金需要には3つの要因を考える必要がるとして、彼の有名な書籍「一般理論」で展開された学説以来、様々な理論と実証研究がある(続く)。


コメント

このブログの人気の投稿

感染症モデル入門 (3) Excelで感染症 SIRモデルをシミュレーションする

感染症流行をExcelでシミュレーションする(ファイルがダウンロード出来ます)。 1.準備:ファイルのダウンロードをする。 SIRモデルのわかりやすい(つまり最も簡単な)Excelシートを作成した。Excelファイルを用いたシミュレーションは以下の二通りの方法で実行できる。 1.1 「Google スプレッドシート」を用いてオンラインでSIRモデルのシミュレーションを行う 。  オンラインでシミュレーションをする場合には、Google スプレッドシートをつかいます。「 ここ 」をクリックしてください。「感染症数理モデル_入門と応用_森平_2020-05-29」というファイルがGoogle スプレッドシート上で開くはずです。次のような画面を見ることができます。 携帯などから利用していて、通信環境などが良くないときには、オフラインでの実行をおすすめします。>ファイル?オフラインで実行する、とすれば、自分の携帯にダウンロードしてあるGoogle スプレッドシート上でこのプログラムが実行できるはずです。 1.2 Excelファイルとしてダウンロードして、自分のPC上でシミュレーションをおこなう。  Excelシートとして使い時は、上で示したGoogle スプレッドシートのメニュー上で >ファイル>ダウンロード>MicroSoft Excel (.xlsx)  としてファイルをExcelプログラムしてダウンロードしてください。ダウンロードしたファイルを実行すると、次のような画面が現れるはずです。 2.初期値とパラメータ値を設定する。 2.1 Excelのシートで説明しよう。1行目は変数名とパラメー名前である。2行目の薄緑色のセルに具体的な数値を与える必要がある。ここでは次のような値を初期値とパラメータ値として設定している。 1)  感染可能人数の初期値:$S_0=100$人 2)  感染者人数の初期値:$I_0=1$人 3)  回復人数の初期値:$R_0=0$人 4)  感染率:$\beta=0.01$,つまり1パーセント 5)  回復率:$\beta=0.1$,つまり10パーセント (削減率については今回は計算結果に影響の無いようにしている) これらの...

感染症モデル入門: (2) SIRモデル(離散型)の場合。易しいです

感染症モデル入門 (2) SIRモデル(離散型)の場合。易しい! 1.SIR感染症モデル:一日ごとの人数変化  時間間隔が1日という離散的な時間変化を考えると、前回示した微分方程式での記述は、次のような差分方程式に変換できる。 \begin{eqnarray}   \mbox{感染可能人数}  \qquad  {S_{t + 1}} &=& {S_t} - \beta {S_t}{I_t} \hfill \\   \mbox{感染者数} \qquad  {I_{t + 1}} &=&  {I_t} + \beta {S_t}{I_t} - \gamma {I_t} \hfill \\   \mbox{回復人数} \qquad {R_{t + 1}} &=&  {R_t} + \gamma {I_t} \end{eqnarray} これは連続的な時間の変化$dt$を離散的な時間変化$\Delta t$でおきかえたものである。$dt$が「1秒間隔」であったのに対し、$\Delta t$は1日単位と考えてみよう。実際のCOVID-19のデータは1日単位で発表されるので、そのように考えたほうが実際に合っている。  時間経過を1日と考えたのであるから、感染可能人数を$dS_t \approx \Delta S_t$、感染者数を$dI_t \approx \Delta I_t$, 回復者数を$dR_t \approx \Delta R_t$と表現する。これらも1日あたりの人数の変化である。  そうすると、例えば、感染可能人数を示す微分方程式は$\left( {\frac{{\Delta {S_t}}}{{\Delta t}} = \frac{{\Delta {S_t}}}{1} = \Delta {S_t} = {S_{t + 1}} - {S_t}} \right) =  - \beta {S_t}{I_t}$と変換できる。つまり${S_{t + 1}} - {S_t} =  - \beta {S_{t}}{I_{t}}$を得る。...

感染症モデル入門(4):統計言語[R]によるSIRモデルのシミュレーション

1.SIRモデルを統計言語[R]でシミュレーションする。 以下にRのプログラムを示す。なるべくシンプルなコーディングを目指したので、統計言語[R]の初歩的な知識があれば、コメント(#)行をみれば、何をやっているのかがわかるであろう。 このプログラムは、自分のPCに[R]が既にインストールしてあれば、その上で動く。あるいは、手軽に試してみたい場合には、ネット上にオンラインで[R]を走らせるサイトがいくつかある。たとえば、 1) ここ compile R online をクリックして、以下のプログラムをコピペして、左下にある[run it]をクリックするか、自分のPCでF8を押せばよい。あるいは、 2) ここ paiza.io でも同様なことができる。 試してみてはいかがだろうか? # ================================================== #  [R]によるSIRモデルの計算 ##================================================== ##### シミュレーション期間の設定とS,I,Rベクトルの定義 No_of_Days=50; N1=No_of_Days+1; S=I=R=R_t=numeric(N1);  ##### S,I,Rの初期値とパラメータ値の設定 S[1]=100; I[1]=1; R[1]=0; beta=0.01; gamma=0.1 ##### SIRモデルの繰り返し計算 for (t in 1:No_of_Days){     S[t+1] = S[t] - beta*S[t]*I[t]     I[t+1] = I[t] + beta*S[t]*I[t] - gamma*I[t]     R[t+1] = R[t] + gamma*I[t]     R_t[t+1] = S[t+1]*beta/gamma } ##### S,I,Rのグラフを描く(S,I,Rと横軸に日数をひとまとめのデータフレームとしてから) output = data.frame( S, I, R, date=1:N1 ) library...