汇率预测（精选9篇）
汇率预测 篇1
摘要：长期以来, 美元的霸权地位以及全球对美元的需求, 使得美国为其财政赤字奠定了基础。随着我国外汇储备的不断上升, 以及全球金融危机的影响, 我国出口企业面临的汇率风险越来越大。因此, 加强对汇率趋势预测、控制汇率风险显得十分必要。本文通过对影响汇率变动因素的分析, 提出了在固定汇率制与浮动汇率制下的汇率预测方法, 尤其是提出了“年初效应”汇率趋势预测方法, 不失为一个简单而又实用的方法。
关键词：汇率预测,外汇风险控制,“年初效应”
2008年下半年以来, 人民币国际化步伐明显加快, 从相继与周边地区国家签署货币互换协议, 到跨境贸易人民币结算试点, 特别是2009年5月, 央行行长周小川撰文说, 呼吁创造一种与主权国家脱钩, 并能保持币值长期稳定的国际储备货币, 以解决金融危机暴露出的现行国际货币体系的一系列问题。当然, 尽管国际社会对人民币成为储备货币持一种乐观态度, 但目前不能完全自由兑换导致这一过程将很漫长。长期以来, 美元的霸权地位以及全球对美元的需求使得美国不用为货币的贬值担忧。相反美国长期以来采用宽松货币政策来刺激经济, 可以很轻松地从货币市场上获得大量的资金, 来支持其财政政策, 美国的这种策略为其财政赤字奠定了基础。另一方面, 美国为了解决其财政赤字, 又利用其强大的经济后盾, 采用大量发行国债及吸引国外资金来美国投资的方式, 使大量的资本又回流到了美国, 继续维持其低利率的宽松货币环境。而我国为了稳定汇率、增加出口、减少企业外汇风险, 外汇储备急剧上升, 央行一方面因为大量收购美元造成释放过多人民币进入流通领域;另一方面又为了不使流通中的货币太多而造成压力, 又发行央行票据来紧缩通货, 承担了支付利息的代价。所以, 在对外汇和汇率风险的控制与管理中, 具有什么样的思路显得十分重要。不同的思路会有不同的结果, 而不同的思路所产生的土壤是不同的。而按不同的思路实施其结果也是完全不同的。如果说经营风险主要产生于了解情况不够和对各种情况处理不当, 而汇率风险还产生于对未来情况的无知。所以, 避免汇率风险的前提是要进行汇率预测。而一个好的汇率预测方法所得出的比较准确的预测结果不但可以避免汇率风险, 而且可以为树立科学的汇率管理思路提供依据。
一、影响汇率及汇率预测的主要因素
目前, 预测汇率的方法虽然很多, 但不外乎定性分析与定量分析两大类。但不管是定性分析还是定量分析, 我们必须清楚汇率的变动与哪些经济变量及因素的变动有关, 也即哪些经济变量的变动会影响汇率的变动, 即汇率变动的“平价关系”或“平价条件”。我们不妨先介绍一下影响汇率及汇率预测因素的相关著名经济理论。
(一) “购买力平价”关系
根据“购买力平价”关系, 汇率是一国货币用另一国货币表示的价格, 其升降反映的是不同国家货币购买力的相对变化, 但是一个国家的购买力大小取决于该国通货膨胀率的变化。当一国货币即期汇率变化率与该国的通货膨胀率与外国的通货膨胀率的差值相等时, 则存在着购买力的平衡。即不考虑商业税费及手续费等其他因素时, 任何一个人用本币在本国购买商品与将本币换成外币到国外市场上去购买同一种商品是没有两样的。所以, 任何一种两国货币间的汇率变动, 与两国间的通货膨胀率存在着密切的关系。
(二) “费雪效应”理论与“国际费雪效应”理论
“费雪效应”理论是讨论两国之间的通货膨胀率的预期差额与银行名义利率差额之间的关系, 即什么样的利率才能吸引投资者将钱存入本国银行。一般来说, 应是能获得基本的实际利率再加上各种不同的风险补偿, 这些风险包括通货膨胀风险、破产风险、流动性风险等。根据“费雪效应”理论, 任何两国的利率差值可以从其通货膨胀率预期值的差价关系得知, 利率与通货膨胀率之间有着高度相关关系。
“国际费雪效应”理论探讨的是外汇即期汇率百分比变化与利率变化之间的关系。如果一国利率相对于另一国利率过高或过低, 就会影响两国汇率发生变化, 也即当利率差值造成了两国投资环境的吸引力之差时, 两国的货币关系也应作出相应调整。在金融市场之间以国际资本流动形式进行的套利活动使得两国的利率之差为将来即期汇率变动的无偏估计, 尽管对此进行实际测定很困难, 但我们据此可以看出, 即期汇率的变化与利率之间的变化有着密切关系。
从上面的这些理论可以看出汇率的变动主要与通货膨胀及利率有关。但是对汇率进行预测只考虑这两方面的因素是远远不够的。大多数的货币汇率还会由于政治、经济等因素的影响产生很大的汇率风险。要正确预测汇率的变动, 往往要了解两国的政治、经济情况, 尤其是判断经济风险。
对一个国家来说, 产生经济风险的主要原因是:经济落后、工农业生产发展缓慢、国民生产总值增长较慢、失业率居高不下、人均收入不高、贫富不均、国家财政与外汇收支不平衡等。经济风险是一种系统风险, 是经营活动之后的风险, 经济风险是无法避免的。一国货币汇率的变动必将受制于该国经济发展整体情况。
二、汇率预测的方法
(一) 固定汇率制下的汇率预测
固定汇率制下汇率预测的主要特点是预测政府可能作出的调整。因为在固定汇率制之下, 即期汇率与远期汇率、利率和通货膨胀达到平衡的趋势仍然存在, 但被政府与中央银行人为阻止了, 中央银行往往宁愿承担外汇损失也要保持汇率稳定。然而, 当达到某种程度之后, 政府也会迫于市场压力而允许汇率变动。但要预测政府何时对日益强烈的货币升值与贬值呼声作出反应是十分困难的, 因为政府为避免投机而尽可能避免透露货币即将贬值的消息, 因此在固定汇率制下预测汇率的变动, 分析政府可能作出的反应是十分困难的, 只能凭对影响汇率变动的主要因素如国际收支、通货膨胀、利率的变化来判断分析, 而不是依据数量分析模型。具体可依据下列步骤进行预测:
1. 依据国家的经济基本面因素, 如通货膨胀率、利率水平、主要贸易伙伴的通货膨胀情况和利率水平, 参照黑市市场汇率, 计算出平均汇率。然后再将央行的即期汇率减除通货膨胀率后计算出实际汇率, 再比较目前的实际汇率与平均汇率之间的差异幅度。
2. 根据目前的外汇储备情况, 预计国家的国际收支状况, 主要是外贸顺差还是逆差, 需偿还外债的水平来推测政府可以不改变目前汇率的时间。
3. 预测货币升值或贬值的压力系数。根据国际货币是否减少而预计引起货币贬值, 根据国家领导层决策倾向、其他经济目标及主要贸易国家的压力等来预计可能引起货币升值。
4. 预测政府可能的反应。为了稳定汇率, 政府除了货币贬值之外, 还可能采取外汇管制、紧缩通货、引进外资与国外借款等措施。
根据上述情况, 可通过计算货币增长量、财政赤字、贷款政策、薪酬政策、生产力增长指标来预测汇率的变化。
(二) 浮动汇率制下的汇率预测
浮动汇率制下的汇率预测主要是用平价关系来进行, 但必须注意, 汇率的变化还受到心理因素、地理等因素影响和干扰。其具体的预测方法有基本分析法与技术分析法两种。
基本分析法是通过对影响汇率的基础因素主要是经济因素如国际收支、通货膨胀、利率水平、外汇储备和外汇管制强度并结合央行干预等政治因素、心理预期来作出判断。利用基本分析法进行汇率预测一般可采用“台尔菲”法, 即在中间人的组织下, 采用“背靠背”的问卷办法, 对参加预测的数位专家意见经过几轮反复综合、咨询后最终得出结果的办法。
技术分析法一般采用计量经济方法如K线图等进行预测。
(三) 汇率的短期趋势预测———“年初效应”
从上述分析可以看出, 要正确预测汇率的变动, 必须掌握大量的宏观经济信息, 并运用专门的经济计量模型, 这对于一个企业或个人来说往往难以做到, 在此, 我们不妨利用汇率的“年初效应”来对汇率进行初步预测。所谓汇率的年初效应是指在一个年度中, 当头几个月即期汇率的走势是上升或下跌时, 则往往这一个年度全年的汇率走势是向上升或向下跌。当某一年度前几个月的汇率走势如果比较平缓, 则整个年度汇率的变化也会不大。从对2002年以来即期汇率的年度变化情况来看, 基本符合这个规律。所以, 我们可以利用这个现象来对汇率变化趋势进行粗略的预测, 也不失是一个简单而又实用的办法。
从当前情况来看, 人民币升值仍将是一个大趋势, 这既是国家实力的体现, 同时也是货币国际化进程中作为交易结算与储备货币的内在需求。再从目前美国经济状况来看, 今年之内我国出口情况不会乐观, 贸易顺差将控制在一个小幅增长的态势, 因此人民币升值几乎没有大幅增长的动力, 最可能的情况是人民币兑美元在波动中小幅升值。
参考文献
[1]陈伟利, 陈坚.跨国公司财务管理.中国对外经济贸易出版社.
[2]刘光溪.全球产业结构调整与世界经济失衡原因探讨.中国常州国际合作培训中心.
欧元对美元汇率走势分析及预测 篇2
上图是1999年以来，欧元对美元汇率波动的走势图。我们可以把这段时间的汇率走势分为五个阶段：
第一阶段:1999年1月至2000年11月，欧元对美元的汇率一路下行。其中在1999年1月到7月单边下行；1999年12月至2000年5月欧元汇率处于升跌交替的盘整状态，在2000年1月末跌破1∶1的平价关口；2000年6月至11月在短暂反弹后加速下跌，创面世以来最低点0．8224美元，比1999年初贬值了29．8％。第二阶段:2000年12月至2003年4月，汇率稍有回升。这个阶段，欧元峰回路转，见底反弹。2001年欧元对美元的平均汇率为1∶0.89，2002年均为1∶0.94。第三阶段:2003年5月至2004年12月，快速攀升，并创1∶1.3646历史最高位。第四阶段:2005年，下跌趋势明显，欧元对美元的汇率从最高位回落，在年底回到欧元最初推行时水平。第五阶段:2006年至今，汇率稳步回升，并且在2007年，一度飙升，创下1.3682的新高。
二、欧元对美元汇率走势原因分析
汇率是一国货币对外价格的表示形式，是相对价格。从长期来看，汇率遵从购买力平价理论，根本上是由经济水平来决定的；而在短期，它又受多种因素的影响，包括国内和国际因素。而这些影响因素具体又可分为经济因素（内因）和政治社会因素（外因），经济因素里面有比较重要影响的是经常账户收支状况、利率差异、通货膨胀率水平、心理预期、全球经济水平及国际金融环境等。
结合欧元的具体情况，从国际整体汇率变化趋势来看，欧元诞生以来对美元汇率的波动主要是因为美元价值的波动。汇率波动各个阶段变动原因如下:
第一阶段:
1.美国经济增长快于欧元区
20世纪90年代美国的新经济GDP平均增长率为3.2%。而欧盟经济自90年代初由于结构问题开始陷入低谷，GDP平均增长率只为2.0% 而且伴随着高失业率。劳动生产率是决定一国货币对外价值的基础，国内劳动生产率的提高在长期中会增加本国物品竞争力，从而增加本国的出口，抑制本国进口，最终导致本币升值。
2.美国利率水平较高
数据显示，1999年到2000年美国利率明显高于欧元区，大量资金从欧元区流入美国，这进一步导致了第一阶段汇率的持续下跌。
3.欧元本身不成熟
欧元在1999年推出时只是账面货币，人们对它的信心不足，欧元需求很低，这直接导致了欧元推出后一直滞留在低位。同时，欧洲中央银行及管理层对欧元汇率的态度也使投资者对欧元持预期悲观态度。
4.美国投资收益率明显高于欧盟
美国的长短期政府债券和公司债券收益率均显著高于欧元区，并且收益差距在扩大。美国资本市场可以为投资者提供较理想的收益率，从而吸引了大量资本流入。
5.石油价格上涨
1999年4月国际原油价格开始节节飘升，由于欧盟是石油进口国，而且石油储备少于美国，欧元区进口成本大幅度上升，物价水平有上涨的压力。
总之，欧盟和美国的经济增长差距是第一阶段汇率下跌的主要内在因素，利率和投资收益率差距是直接原因。
第二、三阶段：
1.美国经济低迷，欧洲经济复苏
到2001，美国经济泡沫破灭，经济增长率一下子跌至0.8%并一直没有改善。而欧元区由于经济体制改革的初步进展，2001年国内生产总增长率为1.5%，首次超过美国。在2003年欧盟顺利“东扩”。
2.美国通货膨胀高于欧元区
由购买力平价定理可知，当一国发生通货膨胀时，该国的货币就会贬值。欧元区的汇率政策从属于物价稳定政策，在2003年，欧盟区通货膨胀率为2.8%，2004年降为1.8%，2005年继续下调。而美国在结束了新增长时期后，2000年到2003年通货膨胀率分别为2.8%，2.4%，3.2%，均高于欧盟且呈上升趋势，这在某种程度上可以解释第二、第三阶段汇率的上升。
3.利率倒转
2001年，美联储11次减息，使得欧元区利率反过来高于美国1.5个百分点（3.25%对1.75%）。由利率平价定理可知，一国利率水平相对高于别国，国际资本就会大量流入本国，从而导致本币升值。
4.美国国际收支恶化并且汇率政策变换
美国长期一直持续着巨额的“双赤字”，在欧元推出前三年，因为美国奉行 “强势美元政策”，所以美元实际并未贬值。但是，2002年后，美国执行强势美元汇率政策的力度明显减弱。与之相反，欧盟希望欧元保持强势地位。所以两国政府的差异作用也加强了二、三阶段美元的贬值、欧元对美元汇率上升。
5.欧元作为外汇资产和储备资产需求上升
2002年欧元正式流通后，居民亲身体验到欧元的优势，对欧元的需求上升。同时，由于欧盟巨大的对外贸易，欧元在国际交易和结算货币中的作用，欧元在国际储备货币中所占的比重马上提高。欧元确立了它仅次于美元的国际货币地位。
第四阶段：（2005年）
欧元经过六年的试行，日渐成熟。同时，在美国经济波动较平缓后，制约汇率变化的因素主要归于相对利率水平和国际收支赤字。
1.美国持续提高利率
2004年美国实行紧缩性的货币政策，美联储将联邦基金利率提高25个基点，并一直加息，到2005年底联邦基金率已经升至4%。
2.美国国际资本流入增加
随着《美国就业机会创造法案》的公布，国际资金大量流入美国，从而减缓贬值压力。总之，在这一阶段，利率是支撑美元的主要动力。
第五阶段：（2006年至今）
1.美国经济增速减缓，欧元区经济上升
2006年，美国经济处于降势，增长速度明显减缓。欧元区经济却处于升势，上升势头较强劲，呈现出良好的增长前景。2007年美国首季GDP仅增长1.3%，经济一度低落，而且美国通货膨胀率也一直高居不下。
2.美联储货币政策紧缩势头减速
当美联储逐渐停止升息时，利率的差距因素完全体现在美元汇率之中后，一直支撑美元的利率优势丧失。2007年利率也没有变动趋势。
3.国际收支赤字
美国不断上升的赤字成为推动市场汇率走势的主要动力。该阶段投资者担心美国的巨额经常项目赤字只有在经济增速放缓和美元走软的情况下才有可能得到修正。
4.心理预期
虽然美元2005年走势坚挺，但绝大多数外汇交易商仍坚定地长期看跌美元。同时，投资者认为，美联储不仅不太可能再次提高利率并有可能降息，而欧洲中央银行可能需要提息，不同的利率趋向预期促使投资者抛售美元，购入欧元。
三、2007年后半年欧元对美元走势预测
1.基本因素分析法
(1)经济增长率。2007年欧元区经济总体呈现稳步增长局面，与此同时美国经济下跌明显。所以欧元区经济有望保持目前的增长态势。
(2)相对利率。由于美国经济恶化，所以美联储主席伯南克仅提到了“未来政策调整”，整体看美国利率短期内将保持不变，低于欧盟区。
（3）相对通货膨胀率。美国通货膨胀率目前依然过高，而欧盟的消费价格指数在2.5%至2.1%之间徘徊。由于石油价格上升欧盟通货膨胀率相较与2006年有所提高，但是仍比较温和。欧元区较低的相对通货膨胀率将导致欧元升值。
（4）心理预期。欧元区经济整体的乐观上扬及利率上调的趋势加强人们对欧元的信心，同时人们对美国经济增长及利率走势的疑虑导致欧元对投资者的吸引力大大增加，欧元升值。
综上情况，可以预期2007年后半年欧元或美元仍呈上涨趋势。
2.技术分析法
(波动区间是根据近期的高点和低点、期权执行价信息、菲波纳奇水平、趋势线和移动平均等技术指标确定的。)
可见该汇率上涨趋势完好，未出现逆转的迹象：MACD指标看涨，不过随机指标进入超买区域，显示该汇率短线或将横盘整理或走高。
参考文献：
[1]《外汇技术解盘》环球外汇网 欧元汇率波动状况与原因分析
[2]陈 春:《对欧元汇率走势的剖析》企业经济 2005年2月
[3]张 强 李 艳:《欧元诞生以来对美元汇率的走势及分析》长春大学学报 2006年5月
[4]肖 静:《欧元汇率中期走势预测》国际金融
汇率预测 篇3
关键词：人民币汇率,ARIMA模型,汇率预测
一、引言
自美国金融危机爆发以来, 人民币汇率的走势已成为人们关注的焦点之一。尤其是近年来中美贸易失衡加剧, 美国政府将其对中巨额贸易赤字的根源归咎于人民币币值的低估, 并将人民币兑美元汇率视为影响中美双方经贸关系的焦点问题。因此, 正确预测人民币兑美元汇率具有重要的现实意义。
汇率预测的研究很多, 现在国内的主要研究有:ARIMA模型, GAR CH模型, GAR CH_M模型, PPP模型, 神经网络模型, VAR模型及多元回归模型。戴晓枫和肖庆宪[1] (2003) 利用ARIMA模型和EGAR CH模型并进行预测和评价人民币汇率;张奕韬[2 (]2009) 基于AR IMA模型的外汇汇率时间序列预测研究;闫海峰, 谢莉莉[3] (2009) 基于GAR CH-M模型的人民币汇率预测;许少强, 李亚敏[4] (2007) 则利用参考“一篮子”货币的人民币汇率预测—基于AR MA模型的实证方法;等等。
本文通过运用时间序列ARIMA模型的理论与方法, 对非平稳时间序列差分后建立平稳的时间序列, 从而进行模型参数的选取和预测。最后, 对模型的预测结果进行评价分析, 认为该模型在汇率的走势较平稳时, 能够很好的拟合汇率的即时走势, 对其预测所得结果在误差允许的范围内。
二、模型知识概述
(一) ARIMA模型[5]
AR IMA模型, 是将非平稳时间序列转化为平稳时间序列, 再将因变量对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳及回归中所含部分的不同, 包含移动平均过程 (MA) 、自回归过程 (AR) 、自回归移动平均过程 (ARMA) 以及ARIMA过程。
设序列yt为d阶单整序列, 即yt~I (d) , 则:wt=Δdyt= (1-L) dyt, wt是平稳序列, 则我们对wt建立ARMA (p, q) 模型。如果wt=Δdyt, 且wt是一个ARMA (p, q) 过程, 则称yt是 (p, d, q) 单整自回归移动平均模型, 简记为:MRIMA (p, d, q) .模型形式为:
对ARMA (p, q) 模型进行参数估计后, 可用来进行预测。设预测的原点为h, Fh为在h时刻得到的信息集合, yh+1为向前一步预测:
相应的预测误差为。向前1步的预测方差为var[eh (1) ]=σε2。
向前l步预测可通过递归运算得到。向前l步的预测误差为。
(二) ADF检验[5]
以时间序列为依据的经验分析预测都假定时间序列是平稳的。即是说, 如果随机序列的均值和方差在时间上都是常数, 且任何两时期间的协方差仅依赖于这两时期间的距离或滞后, 而不依赖于计算协方差的实际时间, 我们就称其为平稳。若原始序列平稳, 称之为I (0) 过程。若原始序列不平稳, 而经过一阶差分后平稳, 则称序列是一阶单整的, 简称I (1) 。平稳性常用的检验方法是单位根检验 (U NIT R OOT TEST) 。通常以下列形式作ADF单位根检验:
其中t为时间或趋势变量, Δyt-i为滞后差分项。
某具体数据包含多少个滞后差分项, 要根据经验决定, 尤其对具有自相关特征的金融时间序列, 一般应包含足够的滞后项以保证上面方程中的误差项在序列上是相互独立的。
(三) 实证分析
1. 数据的选择。
由于时间序列模型要求数据保持一致性, 即其内在生成机制是一致的, 所以2005年到2010年的人民币汇率数据并不能完全采用。特别是金融危机期间, 我国暂时放慢了对汇率改革的进程, 人民币汇率受到管制, 这一时期的数据基本不发生变化, 对其进行研究也没太多意义。因此, 本文的研究选取的数据是2010年7月1日至2013年11月30日美元兑换人民币的176个周平均数据, 根据实证研究需要, 将样本数据分割为两部分:2010年7月1日至2013年6月30日的前154个周平均数据作为样本内研究区间, 余下的22个数据作为样本外预测区间, 样本内期间的数据用来估计预测模型的参数, 样本外期间的则用来检验模型的预测效果。数据来源于国家外汇管理局 (http://www.safe.gov.cn/) 。
在进行汇率预测时, 研究所需的数据资料可以使用每日数据、每周资料或每月数据, 查阅相关文献, 利用月平均数据的较多, 这里, 本文选择利用周平均数据对汇率预测模型进行深入探讨。
通过汇率走势图, 直观上可得在这一区间内人民币在逐渐升值, 且趋势明显, 数据基本符合时间序列模型对数据的要求。从图中2014年第3期中旬刊 (总第546期) 时代Times可以看到人民币汇率有比较明显的时间趋势, 应该是非平稳序列。后面会进一步说明。下表是数据序列的基本统计量:
如果序列是对称分布, 则偏度应为0, 而该序列偏度为0.778776, 说明序列的分布是有偏的且向右偏斜。另外, 已知正态分布的峰度等于3, 而表3-1中峰度为2.413661, 说明该序列不服从正态分布。
2. 模型识别。
建立ARIMA模型, 必须先对模型进行识别, 故先对汇率的时间序列的自相关和偏自相关系数图进行分析。
从图中看出, 人民币对美元汇率的时间序列是不平稳的。只有平稳的时间序列才能建立ARIMA模型, 因此经过对序列差分, 其序列图如图3所示, 并进行ADF单位根检验, 检验结果如表2所示。
从上表可知:人民币汇率序列经一阶差分后ADF统计量为-8.765482, 比1%、5%和10%置信水平上的临界值小, 所以一阶差分序列表现为平稳序列。
原汇率序列经过一阶差分后为平稳序列, 此时, 可以考虑对其建立相关的模型。根据自相关与偏自相关系数的性质, 从图4中, 由一阶差分序列相关图中, 自相关系数在k=1后迅速趋于0, 但k=2时又与0有差异, 因此, q值取1或2。偏自相关系数在k=2处显著不为0, p值取2。故差分后序列可以建立AR MA (2, 1) 或AR MA (2, 2) 模型。由于一阶差分后序列为平稳序列, 确定d值为1, 实际上也就是采用ARIMA (2, 1, 1) 和ARIMA (2, 1, 2) 模型进行参数估计。
3.参数估计。
在确定模型可能为ARIMA (2, 1, 1) 和ARIMA (2, 1, 2) inance (Cumulativety NO.546) 后, 分别运用回归方程进行参数的估计。估计结果如下面两表所示:
上面两表中各滞后多项式的倒数根都在单位圆内, 说明过程既是平稳的, 也是可逆的。但从模型的估计结果看, 模型ARIMA (2, 1, 1) 的各项系数除截距项C外均不显著, 模型AR IMA (2, 1, 2) 各项系数显著性均较高, 两模型的AIC和SIC值又十分接近, 故模型AR IMA (2, 1, 2) 的估计结果是较好的。因此, 我们得到AR IMA (2, 1, 2) 预测模型表达式为:
4. 模型预测。
在Eview s中有两种预测方式“:Dynamic”和“Static”, 前者是根据所选择的一定的估计区间进行多步向前预测, 后者是只滚动的进行向前一步预测, 即每预测一次, 用真实值代替预测值, 加入到估计区间, 再进行向前一步预测。
为检验ARIMA (2, 1, 2) 模型的预测效果, 分别用两种预测方式对2013年7月1日至11月30日人民币汇率差分序列进行试预测, 得到图5和图6所示的预测结果。图中实线代表的是差分序列的预测值, 两条虚线则提供了2倍标准差的置信区间。图的右边列出的是评价预测的一些标准, 如平均预测误差平方和的平方根 (R MSE) , Th eil不相等系数及其分解。
2014年第3期中旬刊 (总第546期) 时代Times从上面两图中可以看到, “Static”方法得到的预测值波动性较大;同时, 方差比例的下降和协方差比例的上升也较好的模拟了实际序列的波动, Theil不相等系数也有所减小, 所以用“Static”预测方式较为理想。
将原汇率预测值与实际值进行比较, 得表5, 可看出预测值与实际值之间的误差较小, 除个别误差达到1个点以上, 其余数据的误差都在1以内, 说明模型对未来汇率的预测准确度较高。
金融Finance NO.3, 2014 (Cumulativety NO.546) 从图7 (蓝色为预测值, 红线为实际值) 中也可看出, 该模型对汇率的未来走势预测结果令人满意, 在大部分时候能够准确判断汇率波动的方向, 同时, 波动幅度在一定程度上反映真实波动幅度变化。
三、结论
时间序列分析是根据时间序列的历史数据, 得出有关过去行为的结论, 从而对未来数据进行预测, 也即是说通过数据过去的波动特征来推断数据未来的变化趋势。建立预测模型要保证时间序列是平稳的.所以建模之前要先进行单位根检验, 以平稳的时间序列建立预测模型.基于模型参数的选择标准, 为使预测结果较好, 我们应采取较好的模型预测.根据模型拟合趋势, 未来人民币汇率的升值压力还会进一步加大, 建议应采取的措施:一是制定合理的汇率制度;二是调控国内外宏观经济和金融环境。
参考文献
[1]戴晓枫, 肖庆宪.时间序列分析方法及人民币汇率预测的应用研究[J].上海理工大学学报, 2005, 200093:342-345.
[2]张奕韬.基于ARIMA模型的外汇汇率时间序列预测研究[J].华东交通大学学报, 2009.
[3]闫海峰, 谢莉莉.基于GARCH-M模型的人民币汇率预测[J].南京财经大学金融学院, 2009, 210046:41-44.
[4]许少强, 李亚敏.参考“一篮子”货币的人民币汇率预测[J].世界经济学报, 2007 (3) :32-35.
[5]易丹辉.数据分析与Eviews应用[M].北京:中国统计出版社, 2002:1-55.
[6][美]George E P, Gwilym M, Gregory C.时间序列分析预测与控制[M].顾岚, 主译.北京:中国统计出版社, 1997:16-19.
[7]范正绮, 王祥云.ARIMA模型在汇率时间数列预测中的应用[J].上海金融, 1997, 1997 (3) :28-29.
汇率预测 篇4
王保玲，女，（1989-），汉族，山东人，硕士研究生，重庆交通大学管理学院从事技术经济及管理研究。
摘要：随着中国外汇制度的不断改革，人民币汇率变化一直是金融领域的热点话题。本文以我国1994年到2014年美元对人民币汇率的月度数据为代表，建立了模拟人民币汇率时间序列趋势的有效预测模型。分析我国改革开放以来经济发展的宏观趋势。首先输入美元兑人民币汇率序列特征对数据处理得到具有平稳性的一阶差分序列，然后根据其自相关与偏自相关函数定阶，对拟合模型的适应性进行检验，最终建立具有高精度的ARMA模型，并对2015年美元兑人民币汇率进行有效预测。
关键词：国际金融；ARMA模型；人民币汇率；时间序列；ADF检验；DW统计量
一、引言
外汇汇率作为国际贸易中最重要的调节杠杆，长期以来受到经济学家以及政府官员的热烈关注。自中国2005年7月21日中国银行发布《关于完善人民币汇率形成机制改革的公告》宣布新的外汇制度改革后，我国人民币汇率的长期走势调整只是迈开了人民币升值的第一步。即使2008年的全球性金融危机致使人民币升值有所放缓，但从中美国际收支状况以及战略经济对话中，可以看到人民币对美元的升值依然存在压力。截止2014年11月，人民币兑美元比价已上升至6.124：1。本文涉及的时间序列分析是通过从一段时间内的一组属性数值发现模式来预测未来的值；ARMA模型则是研究时间序列的重要方法，是当前用于拟合平稳序列的预测的常用模型。
二、ARMA模型介绍及建模步骤
ARMA模型是由自回归模型（简称AR模型）和滑动平均模型（简称MA模型）为基础的“混合”组成模型，常用于描述自回歸滑动的平稳随机过程。将预测指标随时间推移而形成的数据的该序列被看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。ARMA模型由于具有具体预测的显性优势，而被经济和工程领域广泛应用，而且通过这一模型来进行预测也比其他传统的计量方法更为精确。
设平稳时间序列{yt}是一个ARMA（p，q）过程，其一般表达式为：yt=∑pi=1θiyt-i-∑qi=1φiεt-i+εt
ARMA模型建立步骤：（1）初步处理序列，评判建模序列是否是平稳的，若不平稳，则对其进行差分处理而使其平稳。（2）计算出观察值序列的ADF检验结果的t统计量值。（3）根据ADF的t统计量值，并结合SC准则和AIC准则来选取模型中的q和p的值。（4）对模型的未知参数进行估计。（5）进行残差检验，即检验模型的有效性。若无法通过检验，则转回步骤（3），重新再拟合选择模型；如若通过，则可确定ARMA模型。（6）最后根据确定好的模型，借助软件来预测数据接下来的走势。
三、ARMA模型在美元兑人民币汇率分析中的应用
（一）单位根检验。本文取我国1994年到2013年美元兑人民币汇率的月度数据记为h，为了使数据保持平稳，我们对改数据进行了一阶差分记为dh。用eviews6.0对取差分之后的美元兑人民币汇率的数据进行ADF检验。检验结果表明，ADF检验结果的t统计量值为-5.468466小于任何显著水平的临界值，这说明dh在任何显著性水平下都能保持平稳，由此可以建立ARMA模型进行相关预测。
（二）关于样本的自相关与偏自相关函数的检验。运用eviews软件对dh数据做自相关和偏自相关分析数据：
自相关系数中，当k=1时，该处显著不为0；当k=2时，在2倍标准差的置信带边缘处，则可考虑拟合AR（1）或AR（2）；偏自相关系数中，当k=1后，很快趋于0，即1阶截尾，则尝试拟合MA（1）。故，同时可以考虑ARMA（2，1）模型和ARMA（1，1）等。
通过序列工作文件窗口对原序列做描述统计分析时，可得出序列均值非0，我们通常对0均值平稳序列做建模分析，所以需要在原序列基础上生成一个新的0均值序列。生成的新序列dh1，这个序列是0均值的平稳非白噪声序列，新序列的描述统计量见下图，相当于在原序列基础上作了个整体平移，所以统计特性没有发生根本改变。我们对序列dh1进行分析。
（三）模型的参数估计。应用eviews软件对dh1数据进行参数估计，ARMA（2，1）模型和ARMA（2，2）模型估计结果分别如下图：
由此可见，多个适合模型是可以通过同一个平稳序列建立的，但通过比较SC和AIC的值，考虑追求简约模型的原则，又综合考虑其他检验统计量，我们认为ARMA（1，1）模型选择是较优的。根据图示得到的回归模型为：
dh1t=0.729029dh1t-1+εt+0.471829εt-1
（四）模型的检验。估计参数后，接下来应对拟合模型的适应性进行检验——就是对模型残差序列进行白噪声检验。若存在残差序列不是白噪声，则说明有一些重要信息没被完全提取，应重新设定模型。当然，可以对残差进行纯随机性检验，也可用针对残差的χ2检验。
估计模型的残差序列值得知残差为白噪声，模型拟合图如图所示：
（五）利用ARMA模型进行短期预测。运用拟合方程进行模型预测，可以得到2015年未来3个月的预测结果分别为6.2869、6.2671、6.2416根据预测结果计算得出未来三年美元兑人民币汇率将按月0.108%、0.3149%、0.4068%的增长率递减。通过分析表明ARMA模型能很好地计算美元兑人民币汇率的趋势，进行ARMA模型的相关预测分析是可行的。人民币的持续小步升值，会使人民币在国际市场上汇率的变动存在压力，也对中国的宏观经济政策是一个非常大的挑战。（作者单位：重庆交通大学财经学院）
参考文献：
[1]赵菲，王一名，孙小娟.基于ARMA模型的我国进出口额的时间序列研究[J].东方企业文化，2012，（4）.
[2]王燕.应用时间序列分析[M].北京：中国人民大学出版社，2008.
[3]于俊年.计量经济学软件-Eviews的使用[M].北京：对外经济贸易大学社，2006.
人民币汇率预测模型与实证研究 篇5
关键词：汇率预测,ARIMA模型,ARIMA-GARCH模型,TAR模型
一、引言
改革开放以来，中国对外经济贸易往来日趋频繁，经济的对外依存度不断增加，对全球经济的影响也日益增大。自2005年7月21日起，人民币开始施行以市场供求为基础、参考一篮子货币进行调节的、有管理的浮动汇率制度。人民币不再盯住单一美元，政府放松了对汇率的制约，汇率波动越来越频繁，波动幅度也越来越大，形成了更有弹性的汇率机制。[1]汇率波动带来的风险是摆在我国面前的一个不容回避的问题。因此，现阶段深入研究人民币汇率行为的特征，揭示其内在变化的规律，提高汇率预测的精准度，不仅利于稳定中国的宏观经济，对宏观经济的持续发展也有着十分重要的意义。
汇率预测的研究一方面表现在汇率决定理论的发展，包括购买力平价理论、国际借贷理论、利率平价理论、汇兑心理理论以及资产组合理论等。另外一个方面就是从汇率波动的本身出发，将汇率看作一个时间序列，研究其随机性质或概率，用计量经济学的分析方法对自回归时间序列模型进行估计，达到拟合汇率运动，发现汇率运动的本质规律的目的。
纵观国内外对汇率预测模型和决定理论的相关研究，几乎每种汇率理论都只在特定的条件下针对汇率的长期行为表现具有较好的解释力，而在短期预测研究方面则表现不佳。基于线性思维，针对汇率历史数据建立的汇率预测模型也越来越缺乏说服力。因此，目前还没有一个模型能对波动频繁的汇率拟合得非常紧密。关于汇率预测使用何种方法，仍然存在着许多的争论。
在预测实践中，由于不同的预测方法提供不同的有用信息，即便对同一种问题采用不同的预测方法，其预测精度也往往不同。但是，简单地将预测误差比较大的一些方法摒弃掉，将会导致一些有用信息的丢失。组合预测就是针对这一缺陷，将各种预测方法分别赋予一定的权重并组合在一起，这样就可以有效地利用不同模型各自的优点，从而使预测模型能更好地适应环境，相对于单个预测模型更具好的预测性能。
目前国内在汇率预测方法的选择上，组合预测常使用线性组合预测法，但线性组合预测法在汇率的组合预测与建模方面存在较大的局限性，因为汇率属于高频时间序列，具有复杂的非线性特征，线性组合预测并不能反映各影响因素体现在组合模型中非线性特征，更不能随时间和环境的变化能动的、准确的预测汇价。因此，如何利用组合预测法来提高汇率预测精度是一个不可回避但又必须要解决的重要问题。
本文运用三种经典的时间序列模型对人民币兑换美元的汇率走势进行的预测.不仅比较各种模型预测效果，还剖析了各个模型的预测效果产生差别的原因。
二、汇改后人民币汇率的走势分析
2005年我国开始进行新的汇率体制改革，我们可以将汇改之后的人民币兑换美元汇率走势分为三个阶段。第一阶段为汇改起至金融危机爆发。这是人民币汇率改革进程的伊始，汇改打破了多年以来中国实行固定汇率制的局面，为中国经济的发展开创了一个全新的阶段。第二阶段为金融危机爆发至2010年6月19日。因为金融危机的爆发，中国开始重新实行了汇率管制，人民币汇率长期处于在一个相对固定的水平。实行这种政策的原因是因为国外经济环境极不稳定，为了给国内的企业一个稳定的经营环境，防止国外的冲击传导到中国，给我国的经济造成不必要的损失，所以暂时放慢了汇率改革的进程，对汇率实行管制。第三阶段是2010年6月20日到至今。在金融危机稍微稳定后，为了解决经济内外失衡的问题，经过充分考虑和衡量国内外经济形势，重新启动人民币汇率改革进程，在此阶段人民币不断升值。随着时间的推进，人民币汇率上升速度越来越快，波动也越来越大。中国经济和企业面临着越来越大的挑战。由于对时间序列建模需要数据保持一致性，即其内在生成机制是一致的，所以从2005年到2010年的人民币汇率数据并不能完全采用。特别是在第二阶段中人民币汇率受到管制，基本不发生变化。选取这个阶段的数据没有太多意义。因此，本文研究的数据选取了离现在最近的第三阶段，区间是2010年6月20日至2010年12月31日的人民币兑换美元的日数据。首先，我们通过图形来观察这一阶段人民币对美元汇率的波动情况：
从上图可以看出在这个区间内人民币总体处于升值状态，从1美元兑6.8人民币一直升到1美元兑6.6人民币左右，8月、9月升值幅度最大。人民币汇率的整体波动性逐渐加大。从图中可以看到人民币汇率有比较明显的时间趋势，应当是非平稳序列，数据基本符合时间序列模型对数据的要求。
三、三种模型的预测分析
（一）基于ARIMA模型的人民币汇率预测
由于ARIMA模型是对平稳的时间序列进行拟合，因此我们先对上述序列进行平稳性检验。通过观察汇率走势图，选择无截距和无时间趋势的ADF检验和PP检验，通过SAS软件得出平稳性检验的结果，人民币汇率原始数据序列在DF、PP以及ADF检验中，除了在DF检验中勉强通过了5%显著水平的检验外，在PP和ADF检验中都没有通过平稳性的检验。而人民币汇率数据经过一阶差分之后，DF、PP以及ADF检验中都通过了1%显著水平的检验。根据ARIMA模型对数据的要求，考虑使用人民币汇率一阶差分之后的数据即运用ARIMA (p, 1, q)模型进行预测。建立模型首型进行识别, 经过软件分析可知ACF函数与IACF函数均为一阶相关, 由此将AR部分与MA部分的阶数都设定为1, 模型设定为ARIMA (1, 1, 1) , 运用极大似然估计估计该模型, 得到模型的估计结果为:
经检验，上述模型的各项系数均显著，而且方程的拟合度也比较高，由此认为人民币兑换美元的汇率走势符合ARIMA (1, 1, 1)模型。
（二）基于GARCH模型的人民币汇率预测
对上面的ARIMA模型估计的残差序列进一步检验发现，显示其残差序列ACF和IACF函数具有一阶自相关性，说明模型并没有能充分提取汇率序列的相关信息.因此我们可以得到的结论是ARIMA (1, 1, 1)并不能完全刻画中国人民币汇率数据，由于其估计残差具有一阶自相关，可以考虑使用ARIMA—GARCH (1, 1)模型。
我们构建的ARIMA—GARCH (1, 1)模型如下：
通过SAS软件编程得到模型的估计结果如下表：
以上模型除常数项不能通过显著性检验外。其他参数均能通过显著性检验，残差序列也是一个平稳序列。因此，我们认为ARIMA—GARCH (1, 1)模型比ARIMA (1, 1, 1)模型更符合人民币兑换美元的走势。
（三）基于TAR模型的人民币汇率预测
在很多时候金融时间序列都会表现出非对称性。例如，当通货膨胀低于3%时，通货膨胀对经济有促进作用，然而当通货膨胀大于3%时，通货膨胀对经济增长起负作用。再如，在股市中，前一天股市的大跌一般会引起稍后较长时间股市的不景气，而股市某一天的上涨并不会引起稍后较长时间股市的乐观表现。因此，为了刻画金融和经济中所出现的这种现象，汤加豪(H.Tong)教授于1978在提出了门限自回归模型，该模型能捕捉到金融时间序列的幅频相依性，非对称性和跳跃现象等。接下来我们会考察简单的门限自回归模型 (TAR) :
我们将设定一个一阶的TAR模型，如下：
前面证实了人民币汇率是一阶平稳序列，所以要对数据进行一阶差分后进入模型。rt代表人民币汇率的一阶差分，即人民币汇率的涨跌幅度。at表示高斯白噪声序列。C表示截距项。因为我们认为人民币汇率的涨跌对其序列的影响是不一致的，所以我们将阈值设定为0。借用SAS软件估计模型各参数，得到结果如下：
通过模型3.4我们可以看到，φ1>0，φ2<0。φ1、φ2均为rt-1的系数，但是符号相反。这说明，人民币汇率总体来说是一个升值过程，所以一期汇率的上涨很可能还是接着下一期汇率的下跌。这充分说明门限自回归模型的作用。
四、汇率走势预测结果的比较分析
为了比较三个模型的预测能力, 本文选择样本观测值与模型预测值之差绝对值的平均值来衡量预测的准确性, 之所以选两者之差的绝对值, 是因为两者之差的结果有正有负, 只有去掉符号影响, 才能衡量其偏离程度。此外, 选择两者之差的标准差来衡量预测的稳定性。经计算得到真实值与预测值之差的绝对值的信息如下:
注:减少比例指 (原模型的预测指标—新模型的预测指标) /原模型的预测指标。
表1我们可以看出，TAR模型的预测能力最强，ARIMA-GARCH模型的预测能力次之，ARIMA模型的预测能力最差。TAR模型与ARIMA-GARCH模型相比，预测平均绝对偏差减少了41%，预测标准差降低了32%。这是因为TAR模型充分考虑了人民币汇率处在上升过程中，非对称性比较强，某一期汇率上升对后续走势的影响较小。ARIMA-GARCH模型于ARIMA模型相比，预测平均绝对偏差减少了14%，预测标准差降低了12%。这是因为ARIMA-GARCH模型充分考虑序列所存在的异方差效应。
五、结论
目前国内外研究人民币汇率的文章很多，对于模型的选择上也存在着较大分歧。本文综合和借鉴了成熟和经典ARIMA、GARCH和TAR模型对人民币兑换美元的汇率数据进行拟合，结果发现门限自回归模型(TAR)能大幅度的提高预测的稳定性与准确度。在ARIMA-GARCH模型的基础上，预测平均绝对偏差减少了41%，预测标准差降低了32%。这是因为人民币汇率波动存在着非对称性，而TAR模型刚好能捕捉到汇率波动的非对称性，故此模型的预测效果最好。本文虽然用时间序列模型对预测人民汇率做出了研究，但都仅是用一种方法来拟合数据，并没有充分考虑高频时间序列数据所表现出来的线性和非线性的特征，说明我们建立的模型还有值得改进的空间。此外对汇率有重要影响的因素在建立模型时候也没有涉及，比如政治因素，供求关系，政策干预等。希望在今后的进一步研究过程中将这些对人民币汇率走势有重大影响的因素纳入模型中，使得人民币汇率预测模型更加的完善，所得到的实证分析会更加的有说服力。
参考文献
[1]惠晓峰, 柳鸿生, 胡伟.基于时间序列GAR CH模型的人民币汇率预测[J].金融研究, 2003, 5:99-105.
[2]苏岩, 杨振海.GAR CH (1, 1) 模型及其在汇率条件波动预测中的运用[J].数理统计与管理, 2007, 7:615-620.
汇率预测 篇6
近年来, CPI持续高涨, 高物价不仅影响国家经济正常发展, 也对人民生活带来巨大影响。同时, 随着我国实行浮动汇率制度, 尤其是05年以后, 我国人民币对美元发生大幅度升值, 这对国家对外贸易和经济发展产生的重要影响。2007年以来, 国内通货膨胀持续, 央行连续上调利率和存款准备金率, 希望能有效控制流动性过剩和物价大幅上涨, 今年十月, 央行又突然提高利率, 目的是控制固定资产投资过热和持续高涨的CPI, 但实际情况是物价并没有随利率上升而降低, 反而会导致人民币的进一步升值。因此, 汇率和利率变动是否能显著影响国内价格水平对研究汇率和利率的经济调节作用, 稳定宏观经济具有重要意义。
二、文献回顾
国内关于人民币汇率、利率和国内物价水平关系实证分析的文献不是很多, 或者只研究了其中两个变量之间的关系, 主要集中于汇率对CPI和利率的影响。
李静 (2008) 提到, 价格和汇率关系包括:1.价格和汇率在影响其他变量的同时受到其他变量的影响, 价格和汇率水平作为整个经济体的变量由其他相关变量决定;2.价格水平和汇率存在因果关系, 汇率决定价格水平。
近年来的一些实证分析有力说明了汇率跟CPI之间关系是显著的。卜永祥 (2001) 运用协整和误差修正模型分析汇率变动对CPI的影响, 结果表明, 长期而言, 名义有效汇率和国内物价水平是协整的。陈六傅 (2007) 采用向量自回归模型对汇率和CPI关系进行了实证分析, 认为汇率对消费者价格的影响具有统计显著性, 但程度比较低。
实证利率和CPI或三者关系的文章不多, 但近年来国内学者有了新的研究成果。蓝乐琴 (2009) 通过协整分析构建状态空间模型, 分析了三者之间的关系, 认为, 汇率、货币政策变动和CPI之间存在长期协整关系, 汇率传递在我国是不完全的, 汇率变化对通货膨胀的影响为负且程度较低, 货币政策变动对物价的调控也是低效的。但文章中选取的货币政策变量时货币发行量, 而不是利率。因此, 本文选取利率, 汇率和CPI三个变量做研究, 只能借鉴已有的研究成果, 力图得出新的结论。
三、理论基础与研究方法
(一) 理论基础
利率变动对CPI影响主要通过个人和企业的消费、投融资决策实现。一方面, 当利率变动后, 会通过债务变动效应、资产价格变动的财富效应和储蓄者的决策变动, 最终对个人消费需求产生影响。若利率上升, 居民会增加储蓄、减少消费。另一方面, 利率变动后也会对企业的生产成本和投融资决策产生影响, 利率的上升致使企业融资成本和生产成本增加, 产品价格上涨 (高国华, 2009) 。
(二) 数据说明
1.从1994年至今的人民币汇率制度改革, 实行有管理浮动汇率制, 汇率的形成是以市场供求状况为基础, 改变了以行政决定或调节汇率的做法, 发挥市场机制对汇率的调节作用。因此, 数据选取1994年以后至今的数据。
2.CPI采用以1994年1月为基期的定基数据
3.利率采用上海七日的同业拆借利率, 因数据有时间限制, 本文研究利率和汇率对CPI影响时, 只选取2002年以后的样本。
(三) 研究方法
1.建立CPI自回归模型, 预测CPI。阐述汇率、利率与物价的基本逻辑关系。
2.使用变量的平稳性检验、协整分析与向量误差修正模型 (VEC) 研究汇率对CPI的影响。
3.研究汇率、利率变动对CPI的影响。
四、实证分析
(一) 建立CPI自回归模型, 进行预测
首先, 利用ARMA模型模拟我国1994年至今的居民消费价格指数 (基期1994年1月=100) 。
由单位根检验可知, t值为0.53, CPI序列是非平稳的。
对时间序列数据进行季节调整后, 单位根检验的t值为-3.7, 说明序列是平稳的, 可以建立ARMA模型, 通过偏自相关系数也看出, 可以尝试建立模型 (见表1) :
模型判别系数最高, 系数除了MA (5) 都通过检验, 而且AIC在系数通过检验的模型中最小。
在建立模型的基础上对CPI序列进行静态拟合, 并2010年09-11三个月份进行预测:09月172.14, 10月172.11, 11月172.26。
(二) 建立CPI、汇率、利率的误差修正模型
1. VAR模型估计
通过对对数化的原序列进行单位根检验, 发现ln CPI、ln I、ln R、ln M都是非平稳序列。可以直接建立VAR模型:
2. VAR模型滞后期选择
通过滞后结构分析, 由滞后长度准则可以发现建立VAR (4) 是合理的。
3. VAR模型平稳性检验
由eviews直接计算模型特征方程的根:因为存在一个根在单位圆外, 因此, 建立的VAR (4) 模型是不平稳的。
4. VAR模型预测
样本内预测:可以看到, 静态预测是使用样本实际观测值进行预测, 其效果比动态预测要好。动态预测可以预测出序列的变化趋势, 但对具体月份预测效果不好。
由eviews直接计算出ln CPI序列2010年09-11三个月的预测值:9月份2.0897, 10月份2.1005, 11月份2.1015。CPI预测值分贝为122.9487、126.0471、126.3223。
5. 协整检验
假设国内消费价格受到汇率 (R) , 利率 (I) , 广义货币供应量 (M) 的影响, 考虑到市场化的同业拆借利率从2002年以后才实行, 本文选取2002年至今的数据, CPI采用2002年1月为基期的定基数据。本文定义以下方程来解释国内价格水平:
由以上分析可以发现四个变量都没有通过平稳性检验, 但是一阶差分是平稳的, 故进行协整检验。现对模型3进行普通最小二乘回归, 并对残差序列进行单位根检验:
由分析可知检验统计量值-3.61小于显著性水平为0.01时的临界值-3.50, 因此可认为估计残差序列e为平稳序列, 即ln CPI、ln M、ln I、ln R四个变量之间在长期内具有协整关系。模型3拟合结果:
回归结果表明, 汇率对CPI影响弹性为0.28, 利率的影响弹性为0.22, 广义货币供应量的弹性为0.02。
由Johansen检验结果可知, 存在一个协积向量。被标准化的协积向量为ln CPI=-0.1284ln I+0.0052ln M+0.2053ln R。
6. 建立VEC模型
进一步研究短期内CPI的动态调整过程, 建立向量误差修正模型 (VEC) 进行分析:
将模型3中计算出来的残差项e作为误差修正项ECM, ECM反映了各变量在短期波动中偏离它们长期均衡关系的程度, 称为均衡误差, 然后利用一般的误差修正模型对时间序列数据进行回归, 并且逐步剔除不显著项。
通过eviews分析, 可知α0=2.355, α1=-0.321, α2=0.109, α3=0.02, 由此我们可以看出, cpi与利率, 汇率之间存在动态关系。
五、结论
通过建立ARMA模型, 本文对CPI进行了拟合和静态预测, 结果显示CPI受前一期残差影响很大, 说明CPI增长存在惯性。对2010年09-11月预测结果分别为172.14、172.11、172.26, 增长幅度不大, 说明CPI是一个波浪式上升的过程。
通过建立向量误差修正模型 (VEC) , 本文探索了CPI与利率、汇率以及广义货币之间的关系, 结果表明, 汇率和利率对CPI的弹性很大, 其弹性分别为-0.321和0.109, 说明人民币升值一个百分点, CPI增长0.321个百分点, 利率的弹性小于汇率, 但也达到0.1。由此, 本文认为政府在制定政策, 尤其是通胀预期较高的时候要谨慎使用货币政策。
摘要：维持物价和汇率稳定, 是各国宏观经济管理的核心内容。近期我国物价一直保持高水平增长, 这对稳定我国经济带来了不利影响。从1994年汇率体制并轨、2005年开始实行有管理的浮动汇率制度, 尤其是08年金融危机以来, 我国对美元汇率看涨, 人民币升值趋势强劲。为探寻我国物价增长趋势以及人民币升值是否对内转移了通胀压力, 本文分别建立了ARMA模型和向量误差修正模型, 对CPI与利率、汇率的动态关系进行了实证分析, 研究表明:我国的CPI会保持波动上升趋势, 对10年9-11月预测结果显示CPI上升幅度不会太大;汇率对CPI的弹性很大, 其弹性为-0.321, 说明人民币升值一个百分点, CPI增长0.321个百分点。
关键词：汇率,利率,CPI,向量误差修正模型
参考文献
[1]陈六傅, 刘厚俊.人民币汇率的价格传递效应_基于VAR模型的实证分析.金融研究, 2007 (4) , 1-13.
[2]苏天鹏.人民币汇率变动对国内物价的影响[D].上海:华东师范大学, 2005.
[3]赵天荣, 李成.人民币汇率与利率之间的动态关系_基于VAR_GARCH模型的实证研究.统计研究, 2010 (2) , 72-76.
汇率预测 篇7
上世纪70年代后期, 由于我国产品竞争力低下, 出口难以增长, 外汇储备缓慢, 国家为了节约外汇, 采取了严重高估人民币的做法, 尽量减少进口付汇, 同时大量对出口企业进行补贴, 所以这一时期的外汇由政府统一按照官方外汇率购入, 进口则由政府负责分配, 人民币汇率被严重扭曲;1981年到1984年, 为了刺激出口, 打破外贸的垄断经营, 建立外贸企业自我运行机制, 国务院决定施行外汇留成制度, 即出口企业将外汇卖给政府之后, 对企业获得外汇的一定比例进行记录, 以后企业如果有进口需求, 可以向政府申请动用这部分“外汇留成额度”。并且此时的人民币对美元的贸易结算是在当时市场平均换汇成本的基础上, 额外增加一定的出口利润率, 由于当时官方汇率持续的被高估, 所以市场上存在着两种定价汇率:官方汇率、内部结算汇率;1994年, 我国对于人民币汇率制度进行了大改革, 人民币汇率首次跟内部结算汇率并轨, 并且取消了外汇留成上缴制度, 银行成为了外汇结售的场所, 而出口企业也不再将外汇上缴给政府。2005年7月至今, 我国实行了富有中国特色的浮动管理汇率制度:人民币汇率以市场供求为基础, 参考一篮子货币, 实行有区间的浮动, 使汇率在合理的范围内变化, 从而促进国际收支的平衡、避免外汇投机行为、维护宏观经济的稳定和金融市场的有序发展。
人民币汇率的发展过程是不断的发现制度局限性, 进而不断完善的过程, 从最初的计划经济体系下的固定汇率到2005年后的浮动管理汇率制度, 从尚未开放的资本项目到最终会开放的资本项目, 我国的金融体系最终会融入国际金融体系中, 所以人民币制度的改革势在必行。
二、影响汇率变化的因素
1. 国际收支。
国际收支对于汇率变化的影响最为关键, 当一国处于贸易顺差的时候, 外汇的供应量大于需求量, 从而使得本币有升值的趋势;反之, 如果一国经常处于贸易逆差, 则会使得本币有贬值的倾向。官方储备是维持固定汇率制度的保障, 如果一国国际收支逆差过大, 官方储备损失严重, 则政府可能被迫放弃固定汇率制, 本币大幅贬值, 产生货币危机。
2. 相对通货膨胀率。
货币的对内价值可以用通货膨胀率来表示, 相对来说, 汇率是本币的对外价值。在其他条件不变的情况下, 如果本国通货膨胀严重, 则必定会引起本币对外价值的下降, 即本币的贬值。然而, 通货膨胀率的差异对汇率的影响不是直接变现出来的, 而是通过影响实际汇率从而影响产品竞争力, 通过影响人们的预期从而产生跨国资本流动, 这样从经常账户方面便表现出来, 其作用需要一段时间。
3. 相对利率。
资本的价格, 用利率来表示, 利率的高低决定了金融资产的使用成本。如果一国的利率相对较高, 那么就会引起国外资本的流入、本国资本流出的减少, 从而造成国际收支表下的资本账户顺差, 最终会促使本国货币的升值;反之, 如果一国的利率相对较低, 则会引起本国资本的外流, 外国资本流入的减少, 使得本国货币的贬值。由于许多发达国家资本项目已开放, 资本在国际间转移已比较方便、迅速, 因此, 利率对汇率的影响快速而直接, 往往是决定汇率短期趋势的主要因素。
4. 中央银行的干预。
外汇市场总存在不确定性, 所以各国为了维护汇率的稳定性, 可能会进入外汇市场进行外汇的买卖, 通过影响市场对外汇的供给和需求, 干预汇率。这虽然无法改变汇率变动的长期趋势, 但是却对汇率的短期走势产生了重大的影响。20实际80年代以来, 西方各国货币当局对外汇市场联合干预已成为影响汇率的一个不可忽视的因素。
5. 外汇市场投机。
外汇的上下浮动给了投机者牟利的机会, 而投机者总是根据自己对市场汇率的预期进行高买低卖。由于国际外汇市场存在多种汇率制度:固定汇率和浮动汇率并存。投机者会寻找汇率制度中的缺陷、各国政府调节汇率的滞后性, 不断进行买入卖出, 短时间内会影响汇率的波动。
总之, 影响汇率波动的因素有很多, 并且这些因素之间关联度较高。从长期来看, 汇率的波动主要受制于国际收支和通货膨胀状况, 属于主要决定因素。相对利率、中央银行的干预、外汇市场投机在短期内对影响汇率的波动有明显效果, 但是属于次要因素。所以一般情况下, 各国政府都十分关注于主要决定因素, 并且努力维持汇率在有限的范围内波动, 以求可以方便于国际债务的清偿、减少汇率波动带来的风险, 抑制汇率投机行为。
本文研究的目的是为了尽可能利用数理模型来研究人民币汇率波动的情况, 力求可以把握人民币的走势, 并做好人民币汇率的预测。
三、ARIMA模型和TAR模型简介
1. ARIMA模型。
ARIMA模型是根据差分运算和ARMA模型的优点, 然后将差分后的时间序列转化为稳定的序列的过程, 一般的步骤分为:
(1) 平稳性检验 (ADF检验) 。平稳性检验是出于时间序列存在伪回归的考虑, 因为在数理软件中, 即使没有经济关系的数据组合, 都可以得出拟合度较高的模型。而平稳性检验不仅可以杜绝这种情况, 还可以检验出平稳时的情况。
(2) 确定ARIMA模型中AR (p) 、AM (q) 参数的数值。ARIMA模型中的差分阶数、移动阶数的确定需要进行相关系数、偏自相关系数的检验, 并且尽量减少模型中的参数数量。
(3) 估计ARIMA模型的未知参数, 并检验参数的显著性和模型的拟合度。模型中参数的检验需要通过t检验, 并且对于模型的平稳性检验需要使得模型的特征根倒数小于1, 对于模型残差的检验需要残差序列为白噪声。
2. TAR模型。
由于TAR模型的具有分段拟合时间序列、预测精确度较高、操作方便的优点, 所以在经济研究方面得到了普遍的应用。
TAR模型的结构如下:
注:r为TAR模型的阀值
TAR模型的目标是为了求得阀值r, 为了确保有一个准确的r值, 本文首先在检索中排出了最高、最低的样本, 而这些是根据实际经济情况来处理的。然后针对求得的众多r估计值, 逐一构建TAR模型, 在残差平方和最小的时候, 确定最终的r值。
四、实证部分
1. 数据的选择。
本文使用的软件是Eviews 6.0, 样本数据来源于同花顺客户端, 采用了2005年6月1日到2013年5月30日美元兑人民币的汇率数据。
2.平稳性检验
从图中可以看出, 美元兑人民币的汇率的变化趋势呈现非线性, 并且有逐渐下降的趋势, 这些都表明时间序列是非稳定的, 所以必须进行稳定性检验。
(1) 原序列的平稳性结果:
由于ADF检验中的t值并未通过检验, 所以原序列接受了原假设, 说明原序列是一个非稳定的时间序列, 所以要进行一阶差分处理。
(2) 原序列一阶差分后的结果:
从表中可以看出, 经过一阶差分后的序列通过了t值的检验, 并且原序列拒绝了假设, 所以差分后的序列是稳定的可以进行下一步的研究。
3. ARIMA模型的构建。
ARIMA模型的构建的关键步骤是求得ARMA模型的 (p, q) 值, 本文综合考虑了模型计算中的AIC和SC准侧、以及调整后的可决系数, 选取了当AIC和SC的值较小时的 (p, q) , 最终选取最优的ARMA (5, 1) 。
4. TAR模型的构建。
TAR模型, 其实就是对于ARIMA模型的细化和分段, 以使得模型对于实际数据的拟合度更高, 而关键是求得门限值, 我们对原始数据进行了处理:
注:At为汇率数值。
(1) 平稳性检验的结果:由于对原始数据进行了处理, 所以我们又一次进行了平稳性检验, 并且结果与上文一样, 新序列是1阶单整。
(2) 自回归模型的确定。经过反复的比较不同r值下的不同残差平方和的大小, 最后确定r值为0.995。
5.模型的预测
从表中看, 模型的预测效果明显, 基本上汇率的实际序列线和模型的预测线相重合, 并且预测的相对误差只有0.046935, 这说明TAR模型适合实际汇率的预测。
五、总结
随着经济的发展和人民生活水平的提高, 全球经济格局有了深刻的变化, 人民币作为国际上有影响力的币种, 在区域发展中有突出的作用, 而维护人民币汇率的有效浮动尤为重要。从1997年的亚洲金融危机, 到2005年具有划时代的人民币“汇改”, 以及2008年的次贷危机对于人民币汇率的突然冲击, 人民币汇率制度的演变, 始终为实体经济提供了一个抵抗外来侵袭的“屏障”。
由于人民币汇率的时间数据呈现非线性的变化, 传统的线性时间模型在拟合时间序列的时候, 存在明显的不足。所以本文采用了优化的非线性门限自回归模型, 并且TAR模型模拟实际数据的误差较小, 对于人民币的预测较为理想。
本文的结果虽然拟合度较好, 但是TAR模型还有很多的不足, 例如门限值的选取会影响误差的大小, 在预测的过程中, 可能会存在较大的误差, 并且如果实际的经济体中出现意外突发事件, 会使得TAR模型的预测受到影响, 甚至会使预测失效, 所以还需要对TAR模型进行更深入的研究, 来完善人民币汇率的预测, 为实体经济做出贡献。
摘要：人民币汇率在短期内, 浮动较大。并且人民币汇率的波动受很多因素影响, 其走势呈现非线性, 所以本文采用能对人民币汇率异常波动进行精确分析的门限自回归模型 (TAR模型) 。本文首先介绍人民币汇率的基本情况, 然后引入影响汇率变动的要素, 并结合ARIMA模型、TAR模型进行人民币汇率的预测, 结果表明TAR模型对人民币汇率波动的拟合度较高, 是一种比较理想的模型。
关键词：门限自回归,人民币,汇率,预测,时间序列
参考文献
[1]石凯, 聂丽, 刘力臻.最优干预规则下的人民币汇率动态:基于双门限变量自回归模型的实证分析[J].财经科学, 2014 (05) .
[2]危黎黎, 李超, 李余辉.基于star模型的人民币汇率非线性特征及预测[J].统计与决策, 2014 (09) .
[3]张婧屹.资本账户政策对人民币汇率调整路径的影响:基于资产组合平衡模型的理论与数据分析[J].上海金融学, 2014 (02) .
汇率预测 篇8
汇率预测的变量可能会受宏观经济层面因素和金融指标走势的共同影响。而宏观经济层面指标多为低频数据,金融指标多为高频数据。许多研究试图构建各种经济数学模型从这些变量中提取信息对重要的经济变量进行预测,纵观以往文献,人们对于这些混频数据的处理方式一般为:高频数据转化为低频数据时使用数据的加总(依时性加总或加权平均)移动平均和替代[1],这类方法的缺陷是会过滤掉高频数据本身所蕴含的大量信息,可能使一些重要数据缺失从而导致最终预测结果的偏误[2];低频数据转化为高频数据时使用各种类型的插值法,这类方法虽然在统计规律上有比较好的特性但仍具有人为信息虚增的痕迹缺少了经济理论方面的解释。所以,探讨一种能够将这些不同频率的数据充分利用起来的数量模型对于宏观和金融领域的预测有着非常重要的作用。
针对混频数据建模的研究文献与日俱增,特别是国际金融危机以来,高频金融数据的变化对宏观变量的影响越来越成为不可忽略的因素;在大数据的背景下已经不再是同频数据(低频)之间的相互影响,高频与低频变量之间的相互影响日渐显著。
目前国内的研究文献主要聚焦在同频数据之间线性和非线性的相互影响,预测精度也从线性到非线性逐步提高。但随着我国资本和外汇市场的逐步开放,高频金融变量与低频宏观变量的相互作用和联系比单纯的考虑同频变量之间的相互关系更加重要也更值得深入探讨。
国内研究混频数据相关文献比较少,徐剑刚等(2007)[3]最早在金融领域使用MIDAS模型研究了我国股市不同频率数据之间的相互关系并对股市的未来波动进行了预测。刘金全等(2010)[4]通过实证研究证明了MIDAS模型应用在宏观经济分析和预测上的有效性。多位学者用混频数据模型对不同宏观经济变量进行了实证研究都得到了较好的效果。
2015年8月11日我国汇改以来,汇率波动越来富有弹性,对于汇率的影响因素也越来越复杂,金融高频数据即时影响着人们的预期进而影响汇率的走势。然而关于汇率预测的混频数据建模,在本文之前国内文献中只有郑耀威(2015)[5]一篇,而其虽然用混频数据模型对月度汇率进行了预测也主要是用不同贸易国汇率的周数据作为高频变量影响因素,并没有考虑到与汇率相关的同频宏观经济变量对汇率的影响。本文在已有文献的基础上,综合考虑经济意义和统计意义,筛选出影响汇率走势低频宏观经济变量和对汇率走势产生直接影响的高频变量;通过使用M-MIDAS模型分析低频经济变量与高频金融数据对汇率的影响,并对汇率进行预测;最后与传统的预测模型进行对比,证明了MIDAS模型对于汇率预测的有效性并使预测效果得到改善。
二、人民币兑美元汇率预测相关文献回顾
目前关于人民币兑美元预测方面的研究文献主要分为三大类:
第一,从汇率时间序列自身变化规律的角度,对单个时间序列进行建模,主要代表为ARMA、ARIMA、指数平滑技术、GARCH类模型。这方面的文献比较多研究也相对成熟。范正绮和王祥云(1997)[6]将ARIMA应用到了汇率的预测中。吴方(2007)[7]使用ARIMA模型对2005年汇改后的汇率进行了分析和预测并说明了其模型的优越性。惠晓峰等(2003)[8]在论证了GARCH模型在预测上的可行性之后,对汇率进行滚动和递归预测,最后得到了比较好的预测效果。随着技术的进步许多学者针对时间序列的预测提出了非参数的方法,并指出非参数方法比参数方法具有更强的预测能力。赵树然等(2012)[9]使用非参数GARCH模型与参数GARCH模型做了实证分析证实了这一观点。目前,时间序列预测比较流行的模型是组合模型,它是从时间序列自身特点出发使用不同模型对时间序列进行预测,最后通过某种机制对这些预测结果进行组合得出最终预测结果;该方法不仅考虑了时间序列的特征同时还兼顾了不同模型之间的联系,相对于单个模型预测更具优越性。毛舟(2015)[10]使用ARFIMA、SVM、和BP神经网络模型对汇率进行预测,最后用鲁棒加权的方法对预测值进行了非线性组合得到了比单个预测模型更为理想的效果。
第二,从对汇率影响的宏观经济基本面的角度,依据经济学理论(利率平价理论、购买力平价理论、弹性价格货币理论、行为均衡理论等),找出影响汇率的主要因素,从宏观基本面中提取信息对数据进行样本拟合和预测[11]。如Junttila和Korhonen(2008)[12]使用购买力平价理论和利率平价理论对汇率进行预测;Moura(2010)[13]对不同理论的基本面模型的样本外预测能力进行了系统的比较;Heiden等(2013)[14]量化投资者心理预期因素加入模型对汇率进行了预测,并证实了预测效果的改善;邓贵川和李艳丽(2016)[11]使用几个主流的汇率基本面模型对汇率进行预测与随机游走模型进行比较,得出结论在中长期的预测上汇率基本面模型优于随机游走模型。
第三,同时考虑汇率自身滞后和相关经济变量的共同影响。汇率自身滞后对于汇率本身的影响能够反映出汇率自身的变化规律,而其他变量对汇率的影响能够反映出外界因素对汇率的影响,以此为基础模型单独对汇率做预测的比较少,主要分析的是变量之间的传递效应。Moosa等(2000)[15]使用ARDL模型对汇率进行预测得出模型预测结果优于随机游走模型。谢博婕等(2013)[16]运用ARDL模型分析了汇率对我国物价水平的传递效应。
从以上文献可以看出这三个方面都是默认数据是同频的前提下进行建模,并没有考虑数据不同频的情况。第一类模型虽然发展比较成熟但至今在经济学解释方面有所欠缺,特别是当遇到金融危机时模型预测有可能出现较大偏差。第二类模型,主要出发点为典型的经济学理论,并没有包含汇率自身变化规律的影响,所以主要是用来分析宏观经济基本面之间的关系以及中长期的影响,在预测精度上有争议但做中长期预测效果比较好。第三类模型,虽然考虑了汇率自身的变化规律和外界主要经济因素的影响,但并没有考虑到当下金融市场的复杂性对经济变量的影响,而金融市场的大量信息包含在金融市场的高频数据中。
综合以上文献特点,本文在前人研究的基础上运用混频数据选用M-MIDAS模型进行建模,分析主要经济变量和高频因素与汇率的关系,对人民币兑美元汇率预测并与传统预测模型做对比证明混频数据模型的优越性。
三、研究方法
(一)MIDAS模型
MIDAS模型首先由Ghysels等(2004,2007)[17,18]提出,基础形式可以表示为:
其中,
(二)M-MIDAS模型构建
多元混频数据回归模型(M-MIDAS)的一般形式构造如下:
Zt为与Yt同频率的变量,Zt=(Z1,t,Z2,t,…Zp,t);γ为Zt的系数矩阵γ=(γ1,γ2…γp)';Xt为高频解释变量,,其中;c0为常数项,εt~N(0,σ2)。式中m为t期到t-1期高频数据的个数,q为高频数据的滞后阶数,p为同频变量矩阵Zt中包含的变量个数,k为高频变量矩阵Xt中包含的变量个数,ω(θ)为关于参数向量θ的权重函数,且。权重函数可以根据不同高频变量的特征设定不同的形式,这里设定权重函数为Almon多项式函数
四、实证分析
(一)变量选取及说明
依据已有文献,影响汇率变动的主要宏观经济因素有:政府支出、外汇储备、外商直接投资、广义货币供应量(M2)、贸易条件(TOT)、贸易开放度、国外净资产(NFA)、美联储基准利率、非贸易品与贸易品价格比等变量[11,21]。结合经济和统计学意义通过消除共线性和相关性较弱的不显著性变量筛选出以下四个主要宏观经济变量:外汇储备、贸易条件、非贸易品与贸易品的相对价格比、美联储基准利率。考虑到数据的可得性和一致性,数据选取区间为2010年11月到2016年8月数据,本文参数估计的初始窗口设置在2010年11月到2015年12月,样本外预测区间为2016年1月到2016年8月,共8个窗口。数据来源为国家外汇管理局、国家统计局网站、美国联邦储备局官方网站等。
外汇储备(FER):外汇储备是一国干预外汇市场的工具,它衡量的是一国干预外汇市场的能力,从理论上讲,如果一国外汇储备增多代表着该国的综合国力上升,本币就会升值。相关研究文献中许多学者也做了深入分析,如陈浪南和黄寿峰(2012)[22]通过建立理论模型并使用相关数据实证研究了汇率波动对外汇储备的影响得出两者呈明显负效应。图1为外汇储备与汇率的走势,2014年之前我国外汇储备一直处于大涨趋势,2014年6月末我国外汇储备突破3.99万亿美,由此之后外汇储备由升转降,人民币贬值预期也在不断升温。这里汇率采用直接标价法美元兑人民币汇率,从图中可以看出两者大体走势呈正相关(参数估计时为避免变量之间数据的数量级差距过大,外汇储备的单位为万亿美元)。
贸易条件(TOT):贸易条件主要反映的是一个国家的贸易状况即本国的出口相对于进口的盈利水平和贸易相对优势,衡量一国的国际竞争力。量化指标由本国的出口价格指数与进口价格指数的比来表示,由于我国并没有发布出口价格指数与进口价格指数的官方数据,本文将其转化为我国一定时期的出口总额与进口总额的比值。关于贸易条件与汇率的关系,理论上讲贸易条件改善,本币升值;贸易条件恶化,本币贬值。但也有一些文献从收入效应和替代效应两个角度考虑对汇率的影响[21]。以贸易条件改善为例,首先对于收入效应,出口价格相对进口价格上升使国民实际收入增加,从而需要更多的非出口品,使国内非出口商品价格上涨。其次对于替代效应,进口价格相对出口价格下降增加国民对进口商品的需求从而使进口商品价格上升,国内非出口商品的价格相对下降。所以,贸易条件对汇率的影响由贸易条件变化产生的收入效应和替代效应的综合效果决定,在不同时期内这种影响是不确定的。贸易条件改善时,所产生的收入效应大于替代效应,人民币升值;收入效应小于替代效应,人民币贬值。图2为汇率与贸易条件的走势图并不能明显看出整体呈现的正负相关性,本文进一步给出实证分析结果。
非贸易品与贸易品的相对价格比:该变量反映的是贸易品与非贸易品生产部门生产率增长的相对变动,根据Balassa-Samuelson效应(1)会引起汇率变动。由于B-S效应只是从生产率的角度解释实际汇率变化的原因,并没有明确生产率对名义汇率如何影响,所以本文将要探讨生产率的改变对名义汇率有无实时性的影响。由于无法得知非贸易品与贸易品价格指数,本文依据前人文献的通常做法[11]:使用CPI代替非贸易品价格指数,PPI代替贸易品价格指数。图3为汇率与非贸易品贸易品相对价格比走势,大致可以看出与汇率大致呈正相关具体关系如何需要进一步验证。
美联储基准利率(FFR):由于中国一直大量持有美国国债,是美国的第一大债权国。随着中国货币和资本市场的逐步开放,两国的经济政策的溢出效应也益加显著。美国的利率与中国汇率市场联系紧密,如果美国加息,大量资本将会从中国流向美国,从而使人民币贬值。也有许多学者对美国利率与人民币汇率的关系做了深入的研究,如郭树华等(2009)[23]分析了美联储利率和人民币汇率之间的关系。由于美国联邦基金利率作为美国的基准利率市场交易活跃并且对信息反应迅速灵敏,学界普遍认为美国联邦基金利率能够反映美国真实的利率水平。本文选取美联储基准利率代表美国利率,数据来源于美国联邦储备局官方网站,本文使用的是美国联邦储备局对美国联邦基金利率的月度统计数据。图4为汇率与美联储基准利率走势,可以看出两者大体呈负向走势。
人民币兑美元即期汇率日度数据包含了大量的金融市场信息。图5为人民币兑美元即期汇率走势,2010年汇改重启后汇率波动幅度加大达到设定的0.5%的上限,人民币加速升值;2012年4月人民币兑美元汇率波动区间设定由以前的0.5%扩大至1%汇率波动进一步加大;2014年3月17日汇率波幅扩大至2%并在2014年首次出现年度贬值,波动幅度明显加大走势呈“N”字型;2015年进入大幅双向波动,可以看出随着外汇市场的逐步开放,金融市场更加复杂多变,汇率波动弹性增大,即期汇率日度数据所含市场信息越多。人民币兑美元即期汇率所选数据为2010年6月17日之后的数据,主要是因为2008年金融危机汇率重新盯住美元汇率波动比较小,数据有效程度不高;2010年6月汇改重启,汇率波动程度加大市场相对更有效。又考虑到数据的一致性和可得性将即期汇率选取区间定为2010年11月1日到2016年8月31日,共1 419个数据。数据来源:Wind数据终端。
(二)M-MIDAS模型参数估计及预测效果分析
1. M-MIDAS模型估计
通过对宏观经济变量和金融高频数据的选取本文确定的M-MIDAS模型形式为:
其中,Yt为汇率期末月度数据,Z1,t-1为滞后1期的外汇储备,Z2,t-2与Z2,t-4分别为滞后2期和滞后4期的贸易品与非贸易品相对价格比,Z3,t-5为滞后5期的美联储基准利率,Z4,t-5为滞后5期的贸易条件,γ1、γ2、γ3、γ4、γ5分别为Z1,t-1、Z2,t-2、Z2,t-4、Z3,t-5、Z4,t-5的系数,c0为常数项,μt为误差项,为滞后期高频变量即期汇率,ωi(θ1,θ2)为Almon多项式函数。经过调试高频数据滞后阶数为11时,预测精度达到最大,以下(表1、表2)为高频滞后阶数为11时不同时间区间样本的参数估计值。
注:*表示10%的显著水平,**表示5%的显著水平,***表示1%的显著水平。下同。
从M-MIDAS模型滚动样本参数估计结果(表1、表2)可以看出:
前1期的外汇储备规模对当期汇率有显著的影响,影响乘数在-0.1074上下波动,乘数为负表明前1期的外汇储备增加(减少)对当期汇率有升值(贬值)压力。外汇储备本质上为一国的国际购买力储备,具有稳定外汇市场的功能,前1期的外汇储备的调控和变动会使当期的汇率变动约为0.1074个百分点。
非贸易品与贸易品相对价格比滞后2期的变化对汇率的影响乘数在-1.1516左右波动影响为负,而在滞后4期的影响乘数均值为1.5715影响效应为正,在这两个滞后期非贸易品与贸易品价格比对汇率的影响相对于其他变量影响程度较大,还可以看出非贸易品部门与贸易品部门生产力差异的变化并不能立即影响到名义汇率,长期来看其对汇率的影响也不稳定但对汇率的影响作用不容忽视。
模型估计滞后5期的美联储基准利率对汇率的影响乘数效应均值是0.4356影响程度仅次于非贸易品与贸易品相对价格比,说明美元作为世界强势货币,美国利率对我国汇率仍有较大程度的影响;影响值为正值即美联储基准利率提高,人民币兑美元汇率贬值,这与利率平价理论相一致;而人民币兑美元汇率受比较长的美国利率滞后期的显著影响主要原因可能是,我国资本市场和外汇市场仍受一定程度的管制,当美国利率变化时我国汇率短时间内并不能进行较大的变动和调整,而是通过人们的预期和国际贸易的经常项目进行传导从而使人民币兑美元汇率发生变化。
贸易条件的变化对汇率的影响效应乘数在均值为-0.0822上下波动,数值为负说明贸易条件改善人民币升值,即在所考察的时间区间内贸易改善所产生的收入效应大于替代效应。高频数据权重函数参数估计显著也说明了高频数据对汇率变化的重要性。
2. 模型预测效果比较分析
本文选择预测评价中常用的指标对模型进行预测精度比较,常用的指标有:
均方根误差率
从表3预测效果评价指标可以看出,M-MI-DAS模型的平均RMSE和MAPE指标的值都小于ARIMA模型、BEER模型和ARDL模型,说明整体来说M-MIDAS模型在预测效果上相对于传统基础模型得到了改善。
整体来看,ARIMA模型预测效率相对低主要是因为只考虑了自身变化的因素没有考虑外界相关因素的影响,BEER模型从宏观基本面中提取信息预测汇率,没有考虑到自身滞后和微观层面的信息对当前汇率的影响。ARDL模型做预测时缺少了高频数据的大量金融市场信息而这些信息对于汇率波动可能是比较重要的。M-MIDAS模型从宏观基本面和微观金融市场高频数据中提取信息对汇率进行预测,以上结果说明混频数据模型在汇率预测中相对于传统汇率模型具有优越性。
五、结论
本文致力于分析混频数据模型对人民币兑美元汇率预测的适用性和有效性,分析高频变量的加入对改善模型预测精度的效果。在混频数据的基础上,选取M-MIDAS模型对汇率进行滚动样本估计和样本外预测,将预测精度与同频的传统建模方法(ARIMA,BEER,ARDL)进行比较,实证结果表明:人民币兑美元汇率同时受外汇储备、贸易条件、非贸易品与贸易品的价格比、美联储基准利率和高频金融变量显著影响,模型估计分析结果可以看出,目前对汇率影响程度相对比较大的影响因素为非贸易品与贸易品的价格比,它反映的是生产率的变化,这说明我国的汇率还是主要受实体经济的发展好坏的影响;美联储基准利率长期来看对人民币兑美元汇率影响相对较大,这主要是我国正在走向人民币国际化与货币强势的几个发达国家联系紧密,特别是美元作为世界货币对我国的贸易经常项目和资本流动都有着重要的影响,另外我国的外汇储备主要是美元,这使得人民币汇率与美国利率有着更加密不可分的关系,所以使人民币国际化具有重要的战略意义;外汇储备作为一国经济实力的体现和稳定汇率的工具所以前一期的外汇储备对当期的汇率波动有着直接的影响。贸易条件之所以相对于前三个变量影响较弱,可能是因为我国进行国际贸易的贸易市场仍不是完全开放的市场,有一定程度的管制。
高频数据在模型中估计的显著性表明,在当今经济全球化和我国资本市场和汇率市场逐步开放的背景下,高频金融数据对经济变量的波动有着重要的影响,混频数据模型对于合理分析宏观经济有鲜明的优越性。
汇率预测 篇9
一国对其外汇的有效管理可以维护本国的货币汇价水平的稳定、保持国际收支的平衡以及保证本国的经济独立自主的发展等。我国自2005年7月实行有管理的浮动汇率制度以来, 人民币不断升值。而随着我国经济地位的不断提高, 以人民币为结算货币的跨境贸易业务也不断发展。
在我国积极加快推进人民币国际化, 那么就需要使人民币币值稳定, 同时我国外汇业务不断呈现多样化, 顺应市场需求, 促进了对外贸易投资的便利化, 而从图1也可以看出汇率的波动对我国跨境贸易人民币计算业务有一定的影响, 呈现一定的相关关系, 尤其是在2015年8月后, 人民币贬值波动较大, 我国跨境贸易人民币结算规模也随之下降, 而在2015年12月跨境贸易人民币结算规模扩大, 这与我国加入SD R有一定关系, 但人民币继续贬值后, 我国跨境贸易人民币计算规模有所下降。随着人民币在跨境和境外支付结算中使用比例扩大, 成为超日元的第四大支付货币, 已达到2.79%。因此下文将通过对人民币汇率的预测, 观察人民币汇率的未来走势, 并对在“一带一路下”的新疆跨境贸人民币结算业务的发展及推广进行思考。
二、金融时间序列分析与A R M A模型简介
(一) 金融时间序列及其特征
广义地说, 金融时间序列是把某种金融随机变量按照时间顺序排列起来的序列数据, 其最重要的两个要素是时间跨度和序列频率。金融工程普遍认为金融时间序列的波动率有三个动态特征:
第一, 金融序列波动率分布有“尖峰厚尾”现象, 这是因为金融时间序列数值间的差异太大, 峰值高于标准正态分布的峰值 (=3) , 并且两端的分布比较厚。对于外汇市场, 由于汇率波动比较频繁, 因此会造成数值差异大, 有“尖峰厚尾”现象。
第二, 金融序列的数据具有“波动集聚性”, 也就是高的波动后会紧跟着高的波动, 而小的波动后会紧跟着小的波动, 以此大的波浪会形成波峰, 小波浪形成波谷。
第三, 杠杆效应, 即好消息并没有坏消息对市场的影响大。这种对消息的传播的不对称性就是杠杆效应。
(二) ARMA模型简介
A R M A模型即自回归移动平均模型, 是由A R模型和M A模型为基础混合构成的。一般的A R M A (p, q) 模型为:
其中是εt方差为σ2的白噪声过程, c是常数项, α1和θj分别是A R (p) 和M A (q) 的系数。当q=0时, (1) 式则是一个A R (p) 过程, 即:
p=0时, (1) 式则为一个M A (q) 过程, 即:
(三) ARMA模型在预测汇率时的特点
A R M A模型与其他的预测分析法比较, 具有以下特点:
第一, A R M A (p, q) 模型运用自身的历史数据包括和反映的信息, 而不直接考虑其他的指标分析。但影响汇率的变动有很多因素, 预测汇率非常复杂, 采用A R M A (p, q) 模型是因为形成汇率波动的历史数据是由各种相关的因素作用形成的, 因此可以运用历史数据的变动规律可以得到相对准确的未来数据;其次, 在较短的时间内, 可以认为各种相关因素和经济因素对预测汇率的影响及未来趋势是不变的, 所以在一定程度上也保证了未来数据预测的精度。
第二, A R M A (p, q) 模型对随时间变化而变化的数据可以进行有效预测。
第三, A R M A (p, q) 模型在预测过程中不仅考虑了过去的值, 也考虑了对过去值拟合时的误差, 故预测的准确性较好, 可以预测短期经济运行趋势下的汇率变动和分析。
(四) ARMA模型分析预测步骤
第一, 为描述和测算我国汇率变动, 从中国人民银行官方网站中选取2005年7月-2016年1月美元对人民币汇率的月度平均汇率 (共127个数据) , 并进行处理, 计算出对数波动率, 使数据平稳;
第二, 根据时间序列模型的自相关相关函数图以及偏自相关函数图来识别滞后阶数, 建立合理的A R M A (p, q) 模型。鉴别规则如下表1所示。
第三, 根据赤池信息准则 (A kaike inform ation criterion, A IC) 和施瓦茨信息准则 (Schw arz inform ationcriterion, SIC) 来确定模型滞后的阶数 (p, q) , 当A IC和SIC值越小越好, 那么可以建立最佳模型进行预测。
第四, 对模型进行回归, 对各变量的显著性进行检验, 得到最佳模型后进行预测。
三、A R M A模型建立
(一) 数据处理
本文选取2005年7月至2016年1月人民币兑美元的汇率的平均数, 以月为单位, 共127个数据, 来源于中国人民银行官网。在运用该数据之前, 我们可以观察图2自我国2005年7月汇率改革以来, 从总体来看, 我国汇率处于不断升值状态, 从2005年8.3美元左右到2016年6.5左右十年升值幅度约为21.6%, 但自2015年8月我姑汇率改革, 调整了人民币中间价, 美元对人民币贬值, 因此大致可以判断人民币还会有贬值趋势, 但从长远来看应为升值。
注:根据中国人民银行公布数据整理所得。
由图1也可以看出人民币汇率随时间的变化, 有升值趋势, 受各种因素影响也表现出一定的随机性, 但时间与汇率之间存在着较强的依赖性。
由于该数据具有时间趋势, 因此需要将所得的汇率数据平稳化, 得到平稳的时间序列。对汇取对数, 并进行差分, 从而得到相对平稳的时间序列, 即:
其中Et是月度的平均汇率, et是经过处理后得到的汇率数据的新序列, △et是差分后的数据, 此时丢失一个数据。经过对数差分后得到相对平稳的时间序列, 表2为汇率取对数后一阶差分的A D F检验, 即汇率波动率的A D F检验后, A D F的t统计量值为-6.058, 分别小于三个不同检验水平的临界值, 此时序列平稳。
(二) 选择合适的ARMA (p, q) 模型
通过Eview s做出汇率波动率一阶差分的自相关和偏自相关函数图, 如图3所示, 可知序列自相关函数呈现拖尾, 偏自相关函数一阶截尾, 因此可以初步判断该序列拟合为A R M A (1, 0) 模型。我们还需通过A IC和SIC值来进一步确定模型阶数, 是否建立A R M A (1, 0) 模型, 并能够很好的对数据进行拟合。在这里也给出A R M A (1, 0) 、A R M A (2, 0) 以及A R M A (3, 0) 的A IC和SIC值, 来选择合理的模型。
根据表3, 可知选择A R M A (1, 0) 与A R M A (3, 0) 模型较好, 但仍需比较二者的估计结果再确定具体的模型。进一步对比A R M A (1, 0) 与A R M A (3, 0) 的拟合优度以及各系数的显著性, 发现A R M A (1, 0) 模型优于A R M A (3, 0) 模型, 因此确定选择A R M A (1, 0) 模型。
(三) 模型回归
对A R M A (1, 0) 模型估计结果如表4所示, 各个系数显著, 且D W=1.9212, 其值接近2, 认为不存在自相关。该模型虽然拟合优度较低, 但仍可以解释26.51%的汇率波动原因, 并且F值显著。另外观察模型的随机误差项, 如图4所示, 右侧概率值大于5%, 则说明该模型随机误差项可以认为是一个白噪声序列, 因此我们认为该模型整体还是不错的。
即模拟的方程为:
用A R M A (1, 0) 模型对汇率进行预期, 采用动态预测方法, 最终对Et未来一年走势做出预期结果如图4所列示, 可以看出, 人民币近期会有所贬值, 但仍有继续升值的趋势。
四、新疆银行跨境贸易人民币结算业务现状
2010年6月, 新疆作为跨境贸易人民币结算业务的扩大试点, 也积极开展有利于新疆发展的外汇业务, 取得了一定成绩, 比如:进出口银行新疆分行为积极配合国家外汇管理局政策要求, 实施直接投资外汇登记业务制动;同时2014年以来, 国家外汇管理局自治区分组也积极争取跨国公司外汇资金集中运营管理试点业务, 新疆企业特变电工及金风科技股份有限公司也成为首批纳入外汇资金运营管理业务试点企业, 分别通过招商银行和兴业银行乌鲁木齐分行实施外汇资金集中运营的管理;在2015年9月, 工商银行霍尔果斯国际边境合作中心支行汇出首笔投资资金达9.44亿人民币, 其业务的成功办理也标志着合作中心企业境外投资业务取的了重要突破。
但新疆作为丝绸之路“核心区”, 其金融市场发展与其核心区的定位还有一定差距, 从市场参与主体方面来看还有很多劣势, 具体体现在:
第一, 政府经验不足。政府积极推进人民币跨境结算业务, 但在推进人民币国际化道路上我们还处于空白阶段。即便大环境下我们积极展开以人民币为主的外汇业务, 但缺少具体措施和实施框架;
第二, 金融机构发展不完善。新疆金融机构相对于我国其他地区, 尤其是沿海发达地区在开展业务方面、金融机构数量、人员素质等方面都存在着一定差距, 使得我们在开展业务方面存在困难;
第三, 新疆企业对外汇业务了解不足。尽管国家对新疆在开展外汇业务方面提供了很多便利, 但很多企业对我国政策了解不足, 使得新疆的一些企业在走出去时蒙受损失。加之我国主要从中亚五国进口石油等大宗商品, 主要以美元报价为主, 但新疆企业对周边中亚五国出口主要为轻工品, 附加值低, 因此对人民币外汇业务需求不足, 人民币外汇业务难以展开。
五、结论及思考
通过A R M A模型, 我们得出了目前我国人民币兑换美元汇率趋于稳定, 近期来看汇率会有所贬值, 但长期来看, 人民币对美元仍为升值趋势, 因此为推进人民币国际化, 我国汇率需保持其稳定性, 因此我们在对外交易时使用人民币规避汇率风险, 而新疆在丝绸之路经济带下, 为我区银行业如何开展人民币外汇汇率业务也提供了新思路。
第一, 从长期来看, 人民币还是有升值趋势的, 尽管2015年8月, 央行调整了人民币兑换美元的汇率, 人民币相对贬值, 引起了人民币的贬值预期, 造成全球股市的震荡, 居民与非居民之间开展跨境贸易人民币结算困难, 因此稳定人民币汇率显得尤为重要。
第二, 在保证人民币汇率坚挺的前提下, 积极推进新疆在对外进出口贸易中使用人民币结算, 在进行跨境投融资是, 鼓励对外人民币贷款、投资并给于一定优惠, 同时也鼓励境内企业境外借款, 降低由于汇率变动而带来的汇率风险。
第三, 以中哈霍尔果斯口岸合作中心为试点区域, 开展银行外汇的创新业务, 以点带面, 打开新疆与国际金融市场的人民币资金融通的通道。
参考文献
[1]张思成.金融计量经济学——时间序列分析视角[M].北京:中国人民大学出版社, 2012:64-90.
[2]马莉, 徐庆宏.基于ARMA模型的汇率走势预测及商业银行外汇理财业务中的应用[J].西南师范大学学报, 2009年 (04) :14-18.
[3]王彦芳.中哈双边贸易额汇率弹性测算及影响的实证分析[J].经济论坛, 2015年 (01) :100-103.
[4]李婧.从跨境贸易人民币结算看人民币国际化战略[J].世界经济研究, 2011年 (02) :13-19.