匯率預測理論及其最新發展

一、引言

我國自加入WTO后，金融開放程度不斷加大，相應的匯率風險也不斷加大，特別是目前，我國體制改革以后，匯率波動帶來的風險要大大超過以往，因此正確分析與預測外匯波動對我國政府正確制定金融政策、企業規避外匯風險以及銀行控制匯率風險都有著至關重要的意義。本文總結近年來國內外匯率預測理論，旨在了解各類預測方法的優點及不足，尋找適合我國情況的匯率預測方法。

二、匯率預測理論的綜述

由于匯率風險對企業乃至國家有著重大的影響，預測研究一直備受國內外學者關注。關于匯率預測的研究方法大致可以分為三類：

第一類研究方法是以現有的匯率決定理論（如購買力平價假說、 利率平價假說、國際收支學說、資產市場假說等）為基礎，在匯率與影響匯率的經濟因素之間建立線性模型，再利用計量等工具對模型進行檢驗、矯正。常采用的計量方法有：最小二乘法、協整方法等，其中比較著名的研究有： Kuan，C.M.And Liu，T.在他文章中對九個拉美國家近50年的匯率變動數據進行了考察。使用單位根方法、極大似然法等計量方法希望證明購買力平價和匯率之間存在穩定的關系。Stefall C.Norrbin，Kevin L.Refett，Yaohua JI也對購買力平價理論的可信度進行檢驗。

國內學者采用這類方法的也有很多。魏巍賢（1998）建立基于美元匯率浮動的人民幣匯率決定模型，選擇1994—1997年的月度數據進行實證研究，結果證明他建立的模型具有較好的擬和性和預測能力。張曉樸運用單位根檢驗、協正檢驗對PPP方法是否適用人民幣匯率進行檢驗，得出的結論是購買力平價理論不適用于1979年以來人民幣匯率的實際變動。魏巍賢應用協整、方差分解等計量方法，對1994年1月至1998年3月的數據進行實證分析，得出的結論是他所建立的模型能夠反映人民幣匯率的客觀實際。

第二類研究方法是基于時間序列分析的預測，時間序列就是將某一個指標在不同時間上的不同數值，按照時間的先后順序排列而成的數列。常用的時間序列方法有隨機游走模型(RW)、回歸模型(AR) 、GARCH模型等，隨著高級數學工具的引入，時間序列預測方法有了很大的發展。如引入貝葉斯向量自回歸模型(BVAR)、馬士鏈法及神經網絡模型等等。

以下是運用時間序列預測匯率時較常用的研究方法：

(一)基于廣義自回歸異方差(GARCH)模型

廣義自回歸異方差模型是Bollerslev(1986)在對ARCH模型的一些約束條件擴展而得，他的基本表達式為

其中，P是GARCH項的個數，a為ARCH項的個數，為常數項，為方差。國外運用該模型進行匯率預測的研究也有很多。例如，Kenneth和Dongchul分別運用六種非變量模型，預測美元/加元、法郎的匯率，得到的結論是：GARCH模型樣本預測結果在短期來看比其他幾種模型更為準確，但長期來看效果不佳。 Aguilar和Nydahl使用GARCH模型對匯率的波動性進行建模，發現央行的干預對匯率影響并不顯著。國內學者惠曉峰等也在這方面做了一些研究。運用GARCH模型，對匯率體制改革后的人民幣/美元匯率建模進行預測。結果證明：在GARCH 模型基礎上，分別采用一步向前預測的滾動算法和遞歸算法，可以取得令人滿意的預測效果。

(二)自回歸單整移動平均(ARlMA)模型

“ARlMA模型將非平穩的時間序列轉化為平穩的時間序列，然后將因變量對它的滯后值以及隨機誤差項的限制和滯后值進行回歸所建立的模型。”Palma和Chan提出了對長期匯率序列誤差值的預測和估計，結果表明ARIMA模型結果比隨機游走有顯著提高。但當研究的問題比較復雜時，ARIMA模型的預測能力有限，預測精度也不高。鑒于此，有一些研究開始將ARIMA模型與其他方法結合改進，用于經濟預測中取得了很好的效果。例如Fang Mei Tseng將ARIMA模型和模糊回歸結合，用模糊ARIMA模型預測新臺幣的匯率波動的幅度。

（三）神經網絡方法

神經網絡是由大量的、簡單的處理單元（神經元）廣泛地互相聯結而形成的復雜網絡系統，是一個高度復雜的非線性動力學系統。人工神經網絡具有大規模并行處理、分布儲存信息、自學習、自適應等優點，應用于匯率預測領域時，能更充分地反映出匯率波動的非線性和時變性。利用神經網路進行匯率預測有兩大類模型，同質和異質模型。同質模型主要通過歷史匯率來預測將來匯率。異質模型要考慮影響匯率的另外一些關鍵因素如利率、通貨膨脹率、貨幣供應、消費信息指數等。

運用神經網絡預測匯率的研究有很多，例如：France和Paul Van在匯率預測方面運用神經網絡方法，改進了預測功能。Booker等也在這方面做了很多工作。國內用改方法預測匯率的研究主要有：學者魏巍賢、朱楚珠、蔣正華利用神經網絡方法建立了馬克/美元匯率短期預測模型，結果表明神經網絡預測精度高于傳統時間序列模型的預測精度。楊忻和馬洪波用神經網絡預測馬克/美元匯率，研究結果證明神經網絡優于隨機游走模型。哈爾濱工業大學的惠曉峰教授及他的研究生也利用神經網絡方法在預測匯率方面作了很多的研究。

(四) 用時間序列預測匯率的其他方法

也有許多學者采用其他時間序列方法研究匯率預測，如王竹芳等采用通過確定馬爾柯夫過程的轉移速度矩陣， 建立匯率短期預測模型，實證表明， 預測結果與實際觀測值符合較好。

第三類方法是組合預測方法。所謂組合預測就是綜合利用各種預測方法，以適當的加權平均形式得出組合預測模型。雖然在匯率預測研究中，選擇的方法有很多，但單一模型難以全面地反映匯率的變化規律，各種模型都有其偏重和特長。因此為了有效地利用各種模型的優點，將不同的預測方法進行組合，可以產生更好的預測效果。

根據組合各單項預測模型的方式不同，組合模型可以分為線形組合與非線性組合。Bates 和Granger是最初提出的線性組合預測理論的學者，這一思想現在已經被廣泛應用，成為十幾年來國內外預測學界研究和應用的熱點之一。國內運用線性組合模型預測匯率的研究有很多，如：惠曉峰、于立勇利用購買力評價模型和貨幣模型的線性組合預測匯率，結果顯示組合模型比單個模型更加穩定。溫曉燕等運用組合預測方法對中長期匯率走勢進行分析，得到較好的預測結果。大量研究都表明，長期來看線性組合預測相比于單一模型在預測準確度上都有了不同程度的提高。

由于匯率的非線性特征，運用線性組合方法預測匯率仍有較大的局限性，因此非線性組合預測模型成為學者近來研究的重點。神經網絡和小波分析等方法被較多地引用到非線性組合模型中。董景榮在非線性組合預測方面作了很多的研究，分別運用神經網絡、小波分析等方法建立非線性組合匯率預測模型，均得到了較精確的預測結果。R.J.Kuo等建立遺傳算法和模糊神經網絡結合的模型(GFNN)，結果表明該模型優于僅基于技術因素的人工神經網絡模型。劉曉彬利用神經網絡中的反向傳播算法 (BP算法 ) ，結合組合預測模型的思想 ，得到一種非線性組合預測方法。得出結論非線性組合預測是一種有效的預測分析工具。

三、結論

從以上的綜述，我們可以看到匯率預測方法趨于復雜，從最初的簡單計量方法到之后的組合預測方法，匯率研究選用的方法越來越復雜，預測的準確度也越來越高。相信隨著匯率理論的發展和新的計算方法的出現，匯率預測模型會達到更令人滿意的效果。

（山東大學 經濟研究院）