匯率預測及對新疆跨境貿易人民幣結算的思考

王睿

【摘要】隨著國與國之間的聯系日益密切，外匯的產生是商品流通以及商品經濟發展的必然結果；而匯率作為兩國貨幣的比價，那么一國的國際收支、利率水平、經濟發展、財政赤字、外匯儲備、居民的心理預期以及匯率政策等都會引起匯率的波動。因此對匯率走勢進行預測有著重要意義，但對匯率進行準確預測是困難的。而ARMA模型可以分析實際金融時間序列變量動態過程，較好的模擬和預測時間序列的動態特征。故選取人民幣兌美元匯率變動的歷史數據為樣本，通過建立ARMA（1，0）模型，對人民幣未來走勢做出預測，加之新疆作為“絲綢之路經濟帶”的核心區，對如何發展和推廣跨境貿易人民幣結算業務提供一定思路。

【關鍵詞】ARMA模型 匯率預測 跨境貿易人民幣結算業務

一、引言

一國對其外匯的有效管理可以維護本國的貨幣匯價水平的穩定、保持國際收支的平衡以及保證本國的經濟獨立自主的發展等。我國自2005年7月實行有管理的浮動匯率制度以來，人民幣不斷升值。而隨著我國經濟地位的不斷提高，以人民幣為結算貨幣的跨境貿易業務也不斷發展。

在我國積極加快推進人民幣國際化，那么就需要使人民幣幣值穩定，同時我國外匯業務不斷呈現多樣化，順應市場需求，促進了對外貿易投資的便利化，而從圖1也可以看出匯率的波動對我國跨境貿易人民幣計算業務有一定的影響，呈現一定的相關關系，尤其是在2015年8月后，人民幣貶值波動較大，我國跨境貿易人民幣結算規模也隨之下降，而在2015年12月跨境貿易人民幣結算規模擴大，這與我國加入SDR有一定關系，但人民幣繼續貶值后，我國跨境貿易人民幣計算規模有所下降。隨著人民幣在跨境和境外支付結算中使用比例擴大，成為超日元的第四大支付貨幣，已達到2.79%。因此下文將通過對人民幣匯率的預測，觀察人民幣匯率的未來走勢，并對在“一帶一路下”的新疆跨境貿人民幣結算業務的發展及推廣進行思考。

二、金融時間序列分析與ARMA模型簡介

（一）金融時間序列及其特征

廣義地說，金融時間序列是把某種金融隨機變量按照時間順序排列起來的序列數據，其最重要的兩個要素是時間跨度和序列頻率。金融工程普遍認為金融時間序列的波動率有三個動態特征：

第一，金融序列波動率分布有“尖峰厚尾”現象，這是因為金融時間序列數值間的差異太大，峰值高于標準正態分布的峰值（=3），并且兩端的分布比較厚。對于外匯市場，由于匯率波動比較頻繁，因此會造成數值差異大，有“尖峰厚尾”現象。

第二，金融序列的數據具有“波動集聚性”，也就是高的波動后會緊跟著高的波動，而小的波動后會緊跟著小的波動，以此大的波浪會形成波峰，小波浪形成波谷。

第三，杠桿效應，即好消息并沒有壞消息對市場的影響大。這種對消息的傳播的不對稱性就是杠桿效應。

（二）ARMA模型簡介

（三）ARMA模型在預測匯率時的特點

ARMA模型與其他的預測分析法比較，具有以下特點：

第一，ARMA（p，q）模型運用自身的歷史數據包括和反映的信息，而不直接考慮其他的指標分析。但影響匯率的變動有很多因素，預測匯率非常復雜，采用ARMA（p，q）模型是因為形成匯率波動的歷史數據是由各種相關的因素作用形成的，因此可以運用歷史數據的變動規律可以得到相對準確的未來數據；其次，在較短的時間內，可以認為各種相關因素和經濟因素對預測匯率的影響及未來趨勢是不變的，所以在一定程度上也保證了未來數據預測的精度。

第二，ARMA（p，q）模型對隨時間變化而變化的數據可以進行有效預測。

第三，ARMA（p，q）模型在預測過程中不僅考慮了過去的值，也考慮了對過去值擬合時的誤差，故預測的準確性較好，可以預測短期經濟運行趨勢下的匯率變動和分析。

（四）ARMA模型分析預測步驟

第一，為描述和測算我國匯率變動，從中國人民銀行官方網站中選取2005年7月-2016年1月美元對人民幣匯率的月度平均匯率（共127個數據），并進行處理，計算出對數波動率，使數據平穩；

第二，根據時間序列模型的自相關相關函數圖以及偏自相關函數圖來識別滯后階數，建立合理的ARMA（p，q）模型。鑒別規則如下表1所示。

第四，對模型進行回歸，對各變量的顯著性進行檢驗，得到最佳模型后進行預測。

三、ARMA模型建立

（一）數據處理

本文選取2005年7月至2016年1月人民幣兌美元的匯率的平均數，以月為單位，共127個數據，來源于中國人民銀行官網。在運用該數據之前，我們可以觀察圖2自我國2005年7月匯率改革以來，從總體來看，我國匯率處于不斷升值狀態，從2005年8.3美元左右到2016年6.5左右十年升值幅度約為21.6%，但自2015年8月我姑匯率改革，調整了人民幣中間價，美元對人民幣貶值，因此大致可以判斷人民幣還會有貶值趨勢，但從長遠來看應為升值。

其中Et是月度的平均匯率，et是經過處理后得到的匯率數據的新序列，△et是差分后的數據，此時丟失一個數據。經過對數差分后得到相對平穩的時間序列，表2為匯率取對數后一階差分的ADF檢驗，即匯率波動率的ADF檢驗后，ADF的t統計量值為-6.058，分別小于三個不同檢驗水平的臨界值，此時序列平穩。

根據表3，可知選擇ARMA（1，0）與ARMA（3，0）模型較好，但仍需比較二者的估計結果再確定具體的模型。進一步對比ARMA（1，0）與ARMA（3，0）的擬合優度以及各系數的顯著性，發現ARMA（1，0）模型優于ARMA（3，0）模型，因此確定選擇ARMA（1，0）模型。

（三）模型回歸

對ARMA（1，0）模型估計結果如表4所示，各個系數顯著，且DW=1.9212，其值接近2，認為不存在自相關。該模型雖然擬合優度較低，但仍可以解釋26.51%的匯率波動原因，并且F值顯著。另外觀察模型的隨機誤差項，如圖4所示，右側概率值大于5%，則說明該模型隨機誤差項可以認為是一個白噪聲序列，因此我們認為該模型整體還是不錯的。