匯率彈性化下人民幣匯率波動預測分析

摘要：本文選取影響人民幣匯率波動的有關結構變量，分別通過線性MA模型和基于遺傳算法改進的GABP神經網絡模型，對人民幣匯率波動進行模擬和預測。通過比較發現，匯率缺乏彈性時期，逐月MA模型的歷史擬合和樣本外預測效果最優；隨著匯率改革的不斷推進和匯率彈性化的增強，GABP神經網絡模型在匯率波動的模擬和預測方面均有最優表現，故匯率波動預測模型應隨匯率彈性及其波動特性不同因時制宜。同時結果表明，匯率彈性化能夠加深匯率波動及其結構變量間的均衡關系，利率市場化改革應與匯率市場化改革協調推進。

關鍵詞：匯率彈性化；匯率波動；神經網絡

中圖分類號：F830.7 文獻標識碼：A 文章編號：1674-2265（2013）04-0008-06

一、文獻綜述

隨著經濟全球化的不斷推進和國際資本流動的日益加劇，匯率對于投資者選擇正確的投資策略、企業規避和防范外匯風險以及中央銀行有效干預外匯市場和制定正確的貨幣政策，都有著非常重要的影響。因此，關于匯率的行為描述和預測問題研究一直是國內外理論界關注的焦點。

關于匯率波動的預測，一般從“匯率波動緣于經濟系統基本因素所致”（易綱、范敏，1997）出發，進而基于對匯率的理性預期等假設前提對匯率決定進行探討。相關的理論有購買力平價理論、利率平價理論、國際收支說等，并基于此，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。常用的方法有最小二乘法、協整方法等。易綱、范敏（1997）對人民幣匯率決定的諸多理論作了詳盡分析，他們認為，均衡的市場利率和貨幣的完全可兌換這兩個前提條件在中國不成立，從而利率平價在中國解釋能力不強，這與王愛儉等（2003）的結論一致。但他們同時指出，隨著中國向人民幣完全可兌換和資本自由流動的方向不斷邁進，利率平價的解釋和預測能力會越來越強。魏巍賢（1998）在其1997年研究成果中的人民幣匯率決定模型的基礎上，采用月度數據構建了人民幣短期匯率預測模型，結果表明模型具有較好的模擬和預測性能以及結構穩定性。他進一步的研究（2000）結果表明，1994年以來匯率穩定主要歸因于央行的干預、適度從緊的貨幣政策、高速的經濟增長以及對外債余額與通貨膨脹的有效控制?；輹苑宓龋?999）對購買力平價和貨幣理論進行修正，采用線性組合預測匯率，結果顯示組合模型比單個模型更加穩定。相關的文獻還可見于鄭蘭祥（2000）、張道政（2005）等。

另一種匯率預測的思路便是傳統的時間序列模型，常用的有ARMA模型（帕爾馬和陳，1997）、隨機游走模型（哈基奧，1986）和GARCH簇模型（波勒斯列夫等，1991；恩格爾等，1997）?；輹苑宓龋?003）論證了GARCH模型預測人民幣匯率時序的可行性，發現人民幣匯率存在明顯的異方差性。韋斯特等（West等，1995）通過以上幾個模型對匯率預測效果的對比發現，GARCH模型預測效果最佳，尤其是短期預測；ARMA模型預測效果次之?；舨℉opper，1997）和布魯克斯（Brooks，1997）的研究結論也表明，GARCH等時序模型能有效預測匯率波動。

然而大量的研究發現，市場的收益率并非呈現標準正態分布，反而呈明顯尖峰厚尾現象。同時，諸多文獻進一步證實匯率波動呈現簇聚現象、長記憶性等顯著的非線性特征（波勒斯列夫等，1991；恩格爾等，1997；楊瑞成等，2010）。可見，非線性特征存在于匯率波動已是不爭的事實（米斯等，1990），而神經網絡是預測匯率非線性波動的良好選擇（關等，1995）。

神經網絡方法在匯率波動預測的應用研究已有諸多文獻可考。迪博爾德等（Diebold等，1990）研究認為，非線性方法在匯率波動預測中對于匯率值以及趨勢的預測都有更優表現。魯芬斯等（Refense等，1993）也認為神經網絡方法對匯率預測要比傳統線性預測方法好很多。勞舍爾（Rauscher，l997）在驗證了匯率與經濟各變量間的長期均衡關系后，采用各經濟變量作為BP網絡的輸入，對匯率的波動作了動態預測，結果表明BP網絡在匯率的波動尤其是其波動趨勢上的預測要優于ARMA、VEC等線性模型?；輹苑宓龋?002）針對傳統BP網絡的缺陷，結合遺傳算法與遞歸預測方法提出基于實數編碼的GABP網絡預測模型，并在人民幣兌美元匯率時序的實證檢驗中得出良好的結果。王熙等（2010）通過對人民幣名義匯率高頻時序波動率的研究，驗證了其非線性動態行為表征，同時指出，非線性模型能比線性模型更好地描述匯率時序中大的波動。

可見，國內外文獻主要根據相關理論和模型對匯率自身或者匯率收益的波動率進行預測和比較分析，而較少從匯率收益率的角度探討匯率波動區間和波動趨勢以及匯率彈性化下匯率波動預測模型的選擇問題，而這正是本文要重點解決的問題。因此，本文選取2001年1月至2010年12月的月度數據，綜合采用線性MA模型和非線性神經網絡模型對匯率波動進行預測比較，探討匯率彈性化下人民幣匯率的波動預測問題，借以捕捉匯率波動趨勢，并基于此給出相應的結論與建議。

二、變量說明與模型選擇

根據黃志剛等（2010）的分析，本文選擇VOL（匯率波動）、CF（短期跨境資本流動）、ERI（匯率干預）、RIR（實際利率）4個經濟變量來解釋匯率的波動，同時加入股市收益及匯率波動滯后項作為匯率波動的預測解釋變量。各變量說明如下。

（一）變量與數據說明

1. VOL：匯率波動。關于匯率波動的預測，本文主要探討匯率的收益率，即波動幅度。黃志剛等（2010）將其定義為：

[rt=mpt-mpt-1mpt-1×100]

其中，[mpt]表示直接標價法下當月每日即期匯率的平均值，[mpt-1]表示前一個月每日即期匯率的平均值。這是百分比法定義的收益率。然而因對數收益率有更好的統計特性，如具有簡單的可加性，能在一定程度上消除或降低自相關等線性依賴性等（楊瑞成等，2010），因而對金融時序分析而言，對數收益率比百分比收益率更為適用（雷強等，2009）。故本文采用匯率價格的對數收益率來表示人民幣兌美元匯率波動，定義如下：

[VOLt=Ln（Pt/Pt-1）×100]

其中[Pt]表示第t月人民幣兌美元匯率中間價的月度均值，乘以100是為了提高精度，數據來源于中國人民銀行網站。

2. CF：短期國際資本流動。關于短期跨境資本流動（Capital Flow，記為CF）的度量，本文沿用黃志剛（2010）的設定方式，即：

短期跨境資本流動=外商直接投資增加額+外債增加額+經常項目順差額-外匯儲備增加額

其中，各變量均采用月度數據。不同的是，本文中的外債增加額是將外債凈額季度數據通過一階差分得到的季度增加額，用Eviews7.2軟件轉換為月度數據得來，而不是直接把差分所得的季度增加額當作每個月的值（這會高估外債增加額）。經常項目順差仍采用進出口順差的月度數據近似表示。數據來源于國家商務部網站和國家外管局網站。

3. ERI：匯率干預。為研究政府干預對匯率波動的影響，本文根據干杏娣等（2007）和黃志剛等（2010）的研究結論，同樣選取外匯儲備月度變化量代表政府對匯率波動的干預（Exchange Rate Interference，記為ERI）。數據來源于國家外管局網站。

4. RIR：實際利率。根據利率平價、購買力平價等國際金融理論可知，利率的變化會通過不同途徑和不同方式引起國際收支的變化，進而引起匯率變動；同時也能通過資本流動和商品市場對匯市波動產生直接或間接的影響。國外大量研究表明，利率價格變化對匯率波動有顯著影響，并且匯市與貨幣市場間存在雙向波動溢出效應，這些特征在成熟市場國家表現更為突出。隨著我國匯率彈性的逐漸增加，二者間的聯動性進一步增強，央行調控政策效果不僅取決于利率或匯率變動，還取決于二者間的聯動性。

因此，本文沿用實際利率（記為RIR）代表宏觀經濟形勢的變化。數據采用全國銀行間同業拆借市場利率的月度加權均值，并通過月度通脹率進行調整而得，數據來源于中國人民銀行網站、國家統計局網站和《中國金融統計年鑒》。

5. SHZ：上證指數收益。大量研究文獻認為股市對匯率波動也有很大影響。自20世紀90年代以來，國內外學者就已對股市與匯市的關系作了豐富研究，許多學者分別從宏觀和微觀角度分析得出股市與匯市間存在較強聯系的結論，但不同國家間傳導關系有別。也有部分研究指出二者間并不存在長期關聯性（菲力巴提斯等，2005；奧賽爾，2006；姚等，2006），但大部分學者傾向于認為金融自由化會加強兩者間的聯系（王新軍等，2010）。因此，為研究股市與匯市間的關系，并比較分析不同匯制下二者間的關系，本文也把該變量考慮在內，同時將滯后一期匯率波動的影響VOL（-1）項也考慮到匯率波動預測中。

鑒于兩次匯改（分別是2005年7月21日和2007年5月21日央行進行的兩次匯率改革）以及金融危機（即2008年12月次貸危機引發的全球金融危機）的影響，本文將研究數據劃分為4個階段：2001年1月—2005年7月（2001M01—2005M07），2005年8月—2007年4月（2005M08—2007M04），2007年5月—2008年12月（2007M05—2008M12），2009年1月—2010年12月（2009M01—2010M12），對以上變量間的關系進行分階段檢驗。

（二）平穩性檢驗

由表1可知，各變量在不同時段呈現出不同性質。其中第一、四階段結果較一致；第二、三階段結果較一致。以第二、三階段為例，原序列VOL、CF、ERI、RIR均不能拒絕存在單位根的原假設，而經過一階差分后則都為平穩序列。因此，VOL、CF、ERI、RIR在第二、三階段都為一階單整序列。而SHZ收益序列則是平穩時序。顯然第一、四階段各變量間并不滿足協整檢驗前提，故只針對第二、三階段作進一步協整檢驗。

（三）協整檢驗

協整可用以描述變量間的長期穩定關系。鑒于數據量的緣故，本文綜合VAR模型檢驗結果以及黃志剛等（2010）的研究，確定第二、三階段相應變量檢驗最佳滯后階數均為1，結果如表2所示。可知，兩階段各變量間均存在顯著的長期均衡關系。

由式（1）—（4）可知，無論哪個階段，政府干預對匯率波動始終呈顯著負效應；而滯后一期匯率波動則對當期匯率波動有顯著正向影響，這也說明了匯率波動的趨勢性特征。比較不同階段回歸方程的系數正負可以發現，2005年匯改后的第二、三階段回歸結果一致性較強，而2005年前的第一階段與2009年后第四階段的回歸結果相近度較高，既反映了不同階段變量間內在聯系的變化，也從側面反映出不同階段金融市場、宏觀經濟及調控政策等整體環境的不同。如第二、三階段短期資本流動與匯率波動呈顯著正相關，股市與匯市波動有顯著正聯動性，實際利率與匯率波動顯著負相關，反映了該時期匯率制度彈性不斷增大，金融市場、宏觀經濟及調控政策等整體環境變化不大。但在匯改之前與金融危機階段，上述自變量與匯率波動變量的回歸系數方向恰好相反，這與吳（WU，2000）的研究結論一致，說明該二階段匯率缺乏彈性或存在較多的政府干預和資本管制等。

由變量顯著性也可發現，匯率與利率關聯性在2005年匯改之后有顯著提升，這說明隨著匯率彈性明顯增強，匯率對利率的反應也逐步靈敏，匯率改革逐步回歸市場（陳鏡冰等，2010）。第一、四階段結果表明二者間存在正向關系，貨幣市場變動加劇了匯市波動。而且此二階段人民幣兌美元匯率波動幅度較小，限制了貨幣市場與外匯市場間的信息傳導（趙華，2007），桎梏了我國貨幣政策的傳導效率，進而也說明了匯率的非市場化會阻礙利率的市場化進程。

同時也可看出，MA過程能夠較好地擬合匯率的波動模型，但4個階段的最優回歸方程不盡相同，故對相應時期波動預測應根據不同時段作動態的模型調整。因此，本文考慮以2005年為分界點，對不同時期的匯率波動采取逐月預測的方式，并同時使用全時段的預測方式作比較分析。預測模型如下：

[VOL=C+α1CF+α2ERI+α3RIR+α4SHZ+α5VOL（-1）+β1ma（1）+…+βnma（n） （5）]

其中，ma的項數根據具體情況選擇。全時段預測模型根據前90個月數據得出最優模型，進而預測后30個月數據；逐月預測則分兩段，分別以30個月和20個月歷史窗口值作滾動預測，即每預測一個月的數值，就對模型進行調整，根據擬合優度、AIC準則、變量顯著性和模型穩健性等選取最優預測模型。

（五）神經網絡預測模型介紹

匯率波動預測具有不確定性，時間序列及回歸模型是最常用的預測方式，其根據匯率變量與相關經濟變量的關系構建多元回歸模型作預測，但要求有較大樣本量。然而諸多學者的研究結果認為，神經網絡模型能夠有更優的匯率預測表現，而其中BP神經網絡就是目前應用最為廣泛的一種網絡模型。BP網絡能通過比較網絡輸出結果的誤差，反復修正權值和閥值，逐步縮小誤差，提高預測精度，即“誤差逆傳播算法”。隨著這種誤差逆傳播修正不斷進行，網絡對輸入響應的準確率不斷上升。

由于傳統BP網絡預測存在收斂慢、振蕩、容易陷入局部極小點、權值偏大以及不穩定等問題（周永進等，2007），許多學者對BP網絡算法作了改進，如MFBP、MBP、動態自適應BP快速算法，以及人工智能算法如遺傳算法、模擬退火算法等與BP網絡結合的組合神經網絡模型等。其中，遺傳算法（Genetic Algorithms，GA）是使用較廣泛也較優的選擇（金，2005）。GA算法是一種全局尋優搜索算法，它能通過群體實現搜索過程，且易于并行化，能夠提高算法的效率。本文采用GA算法對BP神經網絡的連接權進行優化（伍海華，2009）。先用GA算法對初始權值進行優化，定出權值取值范圍；然后采用BP算法在以上的解空間中搜索最優解；再根據網絡的不斷訓練與迭代，直至達到最優權值進而進行BP網絡預測。

國內外學者的研究成果已經表明，用GA算法改進的BP網絡的預測效果和收斂速度要明顯優于一般BP網絡算法（魏巍賢等，1995；王建成等，1998；鄭志軍等，2000）。因此本文選擇GABP神經網絡算法進行預測，并與前文MA模型預測效果作比較，探討匯率彈性化下不同模型對匯率波動預測的解釋力。

三、匯率彈性化下人民幣匯率波動預測模型的比較分析

（一）預測方式

本文分別采用以下四種方式對人民幣兌美元匯率波動進行樣本內擬合與樣本外預測。

1. MAQD全時段預測：采用90個月的歷史數據對后續30個月數據作預測，并對歷史數據進行模擬。

2. MAZY逐月預測：根據匯率彈性的不同，對2001M01—2005M07時段和2005M08—2010M12時段分別采用30個月和20個月的周期窗口進行滾動逐月預測。

3. GABP網絡預測：采用遺傳算法改進的BP神經網絡方法對匯率波動進行樣本外預測和樣本內模擬。

由圖1可見，MA逐月和GABP網絡預測的效果均優于全時段MA預測效果。逐月預測的匯率波動與實際波動趨勢較吻合；而全時段預測值傾向于低估實際匯率波動。用GABP網絡得出的預測值與實際值較接近。當然這只是直觀的認知，對于各模型的實際預測效果還需根據相關評價指標予以比較。

（二）模型性能評價

由于神經網絡無法用計量經濟學中常用的擬合優度、置信度、顯著性等檢驗指標，為與MA多元回歸模型結果作比較，本文綜合采用以下幾個常用指標來評價各模型預測效果。

1. 平均絕對誤差（MAE）：[MAE=1Ni=1N|volfi-voli|]

2. 均方誤差（MSE）：[MSE=1Ni=1N（volfi-voli）2]

3.平均絕對百分誤差（MAPE）：

[MAPE=1Ni=1N|volfi-volivoli|]

4.均方根誤差（RMSE）：[RMSE=1Ni=1N（volfi-voli）2]

其中，[voli]與[volfi]分別表示匯率波動的實際值和預測值。對于各模型而言，以上4個數值越小，說明模型預測值越接近于實際值，因而模型的預測效果也就越佳。

MA模型、一般BP網絡和GABP神經網絡模型的預測結果如表3所示。

同時對最后30個月共同預測期的匯率波動預測值作圖，如圖2所示。

綜合表3和圖2我們可以發現，MA模型對于歷史數據的擬合效果要相對優于BP神經網絡模型，逐月MA模型預測結果優于全時段MA模型。就全時段MA模型而言，其對歷史數據模擬的絕對偏差均很小，而對樣本外數據的預測效果卻不佳；逐月MA模型則不但能達到很好的歷史擬合，同時其樣本外預測效果也較好，無論是絕對誤差還是均方誤差皆遠小于全時段MA預測效果。從圖2中也可以發現，逐月MA預測時序和匯率實際波動趨勢較吻合，而全時段MA則明顯低估匯率實際波動。這些都再次證明了逐月預測的優越性。

分階段比較可以發現，MA模型適合于匯率波動趨勢變化較小時期的預測，而BP神經網絡模型對匯率波動較大時期的預測更具有良好表現。2005年匯改之前，逐月MA模型無論是樣本內模擬還是樣本外預測都是三種方式中最優的，該時段匯率缺乏彈性，正好體現了MA線性模型對于穩定趨勢預測的良好性能。而隨著匯率波動程度的增強，以近30個月的預測效果而言，GABP神經網絡預測無論是在匯率波動數值還是波動趨勢方向上都有著更優良的表現。同時也可發現，2008—2009年間的預測值偏差均較大，這也從側面反映了金融危機的影響。

綜上可知，2005年匯改之前，即匯率缺乏彈性時期，逐月MA模型的歷史擬合和樣本外預測效果最優；隨著匯改的深入，匯率彈性逐步增強，GABP神經網絡模型無論是在匯率波動的數值上還是波動趨勢方向上的預測均有最優表現。同時，利用非線性神經網絡模型的預測在匯率彈性較大時期能夠有比線性MA模型更優的預測效果，即能更好地捕捉實際匯率的波動?？梢?，對于匯率波動的預測不但應選擇合適的變量，同時在匯率彈性的不同時期也應當選取合適的匯率波動預測模型。

四、結論

匯率是影響國際間經濟金融聯系和發展的重要變量。自2005年我國啟動人民幣匯率形成機制改革以來，匯率彈性不斷增大，波動性明顯增強。本文利用2001—2010年的月度數據，分別采用MA線性模型和基于遺傳算法改進的GABP網絡模型，對匯率波動進行了模擬預測，結果表明2005年人民幣匯改以來，匯率與經濟變量間的關聯性明顯增強，但2008年金融危機以來，受相關政策的影響，匯率改革有些停滯，匯率與經濟變量間的聯動性減弱，這說明匯率的彈性化能夠加深匯率波動及其結構變量間的均衡關系。

匯率與經濟結構變量間的模型分析結果表明，政府干預對匯率波動呈顯著負效應，而滯后一期匯率波動則對當期匯率波動有顯著正向影響，匯率彈性增大增強了人民幣升值預期，升值預期則進一步助推了股市價格波動，股市對匯率波動的影響會因匯率彈性的不同而有所差異。匯率缺乏彈性會限制貨幣市場與外匯市場間的信息傳導，桎梏我國貨幣政策的傳導效率，這也進而說明了匯率的非市場化會阻礙利率的市場化進程。因此在促成利率市場化的諸多因素中，匯率因素起著不可忽視的作用，要加快完善貨幣市場才能更大程度地發揮利率對匯率的作用機制（王愛儉等，2003），意即利率市場化改革應與匯率市場化改革協調推進，二者不可分而治之。

比較不同模型的預測效果發現，MA線性模型基于歷史數據對匯率波動趨勢的持續性預測效果較好，適合于短期預測，因此2005年匯改之前，即匯率缺乏彈性時期，逐月MA模型的歷史擬合和樣本外預測效果最優；而且逐月預測效果要遠優于全時段預測。GABP神經網絡算法可以逼近任意非線性映射，避開了復雜的參數估計過程，較為簡單直觀，而且能夠顯著提升BP網絡的預測效能。隨著匯改的逐步深入和匯率彈性的逐步增強，GABP神經網絡模型相對MA線性模型對匯率波動有更好的解釋力和預測效果?？梢?，對于人民幣匯率彈性化進程中匯率波動預測模型的選擇也應根據匯率彈性不同因時而異。

參考文獻：

[1]易綱，范敏.人民幣匯率的決定因素及走勢分析[J].經濟研究，1997，（10）.

[2]魏巍賢.人民幣匯率決定模型的實證分析[J].系統工程理論與實踐，2000，（3）.

[3]Baillie Richard，Bollerslev Tim.1991.Intra-day and Inter-market Volatility in Foreign Exchange Rates， Review of Economic Studies， 58（3）， pp.565-585.

[4] Engle R.，R.Jeffrey.1997.Forecasting the frequency of changes in quoted foreign exchange prices with the autoregressive conditional duration model， Journal of Empirical Finance，4 （3），pp.187-212.

[5]West Kenneth，Dongchul Cho.1995.The Predictive Ability of Several Models of Exchange Rate Volatility. Journal of Econometrics，69（2），pp.367-391.

[6]Richard Meese，A. Rose. Nonlinear，Nonparametric，Nonessential Exchange Rate Estimation，American Economic Review，1990，80（2），pp.192-96.

（責任編輯 張立光；校對 XY，GX）