美元兑人民币汇率走势分析及预测

作者：***

来源：《科学与财富》2020年第23期

摘要：中国汇率制度在过去的二十年里已调整了较多次，而中国央行于2005年 7月底开始实行的浮动汇率制度，在调节方面和管理方面，将参考“一篮子”货币并以市场供求为基础。而这一调整让汇率制度在市场化的道路上走出了跨出了重要的一步。中国汇率在这一调整之后的一段时间里，市场化进程脚步加快，人民币汇率在弹性方面也得到了强化。由此可见，人民币汇率能够得到有效而准确的分析预测，对于央行制定相关的货币、经济稳定在一定的增长有很大的推动作用，而对于为个人自身的资产比例分配与投资机构的资产比例分配以及两者的风险管理供给一个较好的决策有着重大意义。 关键词：美元;人民币汇率;时间序列;ARIMA;ARCH 一、引言 （一）研究背景

中国人民币汇率的形成机制在2005年的7 月就开始改革。中国为了让人民币的汇率机制更加的富有弹性，实行转向以市场供求作为基础的、参照“一篮子”货币的方式，让浮动的汇率相关制度调节和管理更加的有条不紊，而美元则不再作为唯一紧盯的方向。通过这次改革，国际视野里出现了人民币汇率，公众也较为关心。全球的经济和金融的危机在2008年7 月其就逐步开始恶化，一直持续到2010年 6月。在人民币与美元的汇率方面，中国实际上就将1：6.83的比例固定了下来，而这么做的目的就是让中国的经济能更加稳定的发展。

汇率的预测，对于一个国家来说是相当关键的，汇率对于在经济稳定的维持方面有重要作用，在大部分投资者资产分配投资的时候起到助推剂的作用。虽然考虑市场供需关系对美元兑人民币汇率的影響，并以此为依据进行分析预测不失为一种科学有效的方法，但是考虑到我国开放浮动汇率制度较晚，各种基本面因素的数据采样较少。因此本文考虑从数据本身出发，根据金融市场技术面分析历史可以重演的假设，来研究美元兑人民币汇率中间价历史数据本身的影响因素，来分析预测未来的走势。 （二）文献综述

目前，汇率分析的预测方法有非常多，但是一般会用到的主要有以下几种：第一，汇率决定因素的结构性方程;第二，购买力平价理论;第三，汇率自身历史数据的时间序列分析方法。但是购买力平价理论对于我国来说，可能行不通。中国加入到世界贸易组织以来，主要是在时间方面的前提假设无法被一价定律的自由贸易所满足。而如果采用结构性方程的话也并不太现实，主要原因在于要充分的比较并体现出相互将的关系，需要很多的数据，而中国汇率制度是在2005年才有的，相应的数据并不齐全，样本数不够。研究学者刘伯等认为，在这种情况下，利用时间序列这一方法去分析是较为合理的。朝着市场出清均衡点靠近是汇率的一个趋势。为了让汇率的预测价值得以体现出来可利用汇率自身变化里存在的时间序列关系去研究将是很好的办法。Box-Jenkins模型是这一分析法较为常用的，其中的APRIMA模型是时间序列模型当中应用做多的模型，主要是因为它不仅灵活性高，而且在使用方面简单、可行性强（范剑青等，2005）。现如今以及有一些人在结合美元汇率加权计算的基础上，对人民币的汇率作出了中长期的预测，例如戴晓枫、肖庆宪（2005）以及许少强、李亚敏（2007）等，都利用这些模型对不同国家进行了的汇率预测。

虽然这个类型优点非常之多，但ARIMA 模型在真正的运用之时，其实有着较大的局限性。在很多的研究文献中都有提到一点就是，包括了汇率的金融时间序列呈现出以非线性为主的关系，简而言之即这个系统是涵盖了非线性关系的（谢赤等，2008）。但是在以往的时间序列建立模型之时，都假定变量间存在的是线性的关系。类似于汇率等一些金融时间的序列数据都不能很简单，复杂性是常规的，想要去解释并且发现非线性的这种关系是很难的。正是因为存在以上的问题，例如门限自回归（TAR）模型、自回归条件异方差（ARCH） 模型、广义自回归条件异方差（GARCH）模型以及双线性（Bilinear）模型等相关的非线性研究方法受到了越来越多的学者关注。

由上文可以不难看出，ARIMA 模型进行时序预测是在线性技术的基础上建立起来的，如果用这一方法去计算非线性则不仅效果不好，甚至会产生相反的结果。对于非线性的数据就应该使用类似于广义自回归条件异方差（GARCH）模型以及自回归条件异方差（ARCH）等模型去处理，才能够让拟合的最终效果更加的真实有效。这些模型与ARIMA 模型在计算有线特性的数据处理方面相比，后者的效果要好于前者。金融时间序列的数据有很多都是不仅含有线性的时间序列，而且还含有非线性的时间序列。所以，一般来说当一模型只含有一种时间顺序之时，描述的结果无法非常准确。许多学者为了解决这一问题，将这两者相互结合，以达到最佳的预测效果。Michele Hibon 等（2005）比较了3003 中类型不一样的序列数据，结果显示，只有某一模型的效果是将两者相结合的一般。而且，将这一方式运用到现实中，能够将分析降到单一模型之下。此外，在学者Zhang（2003）的研究中，单一模型的预测性在多种模型共同组合下，能够达到更好的效果。

当今，将单一模型作为预测手段的人还是占据了大多数，而如果要对某一个预测的方法加权平均处理，则会采用到这种组合的模型。它研究的重点偏向确定加权系数。由于加权系数不仅随意性强，而且在主观性方面也很强，所以，要确定它是件比较难的事情。在使用模型时，

加权系数直接影响着模型的效果。在Zhang（2003）的研究中，其得出的结论是，时间序列的过程是由线性与非线性的两个部分构成。本文以此为基础，在把GARCH和ARIMA这两个方法结合在一起使用的前提下，对人民币汇率作出预测。整个过程的汇率序列线性部分是采用ARIMA去拟合，对于非线性的部分则利用GARCH的模型，通过这两部分的不同预测，最终得出汇率的预测结果。这种双管齐下的模型相较于单一模型，本文所采用的方式能够让每一个模型的优势都得以发挥，避免了单一模型的局限性，使得模型使用的风险降到了最低值。 二、時间序列理论模型及方法 （一）ARIMA模型

全英为Autoregressive Integrated Moving Average Model，即是人们经常叫做的自回归移动平均模型，人们也叫它ARIMA模型。在七十年代早期，（Box）博克思与（Jenkins）詹金斯把它叫做时间序列预测法，因此人们还叫做博克思- 詹金斯法或者box-jenkins模型。对于ARIMA模型来讲，就是把预测对象依据时间变化而产生的数据序列当作随机序列，同时借助于一些数学模型把该序列表示出来。 （二）ARCH模型

ARCH模型以集中过去信息为前提，假如在某刻有噪音生成并且其满足正态分布，且该正态分布的均值E等于0，方差也随着时间而改变也就是人们常说的条件异方差。另外，该方差是指以前有限项噪音值平方的线性组合也就是自回归。从而形成了了所谓的自回归条件异方差模型。数学公式如下：

上面的两个表达式（1）、（2）构成的模型即是回归-ARCH 模型。其主体模型的随机扰动项在一般的情况下人们选择使用ARCH 模型来进行建模。以提炼残差中的信息为目标，把最终的模型残差视作白噪声序列。 三、美元兑人民币汇率历史数据分析 （一）数据来源

该文章的原始数据是2018 年与2019 年全年里每个交易日的美元兑人民币汇率的中间价，同时和从今年1 月1 日起之后五个交易日的美元兑人民币汇率的中间价进行比较并短期预测。和预测的数据进行比较，查看模型建立的有效度。 （二）模型建立

对数据进行自相关性检验，p 值小于0.05，这显示数据具有自相关性，平稳性检验中p 值大于0.05，数据不平稳，必须采取平稳化处理。在数据进行平稳化处理时，利用一次差分法，再对差分的序列检验发现序列平稳且相关。 （三）模型的识别

通过比较数据的自相关函数、偏自相关函数、拓展的自相关函数图像，由此可以作为备选的有模型MA （2）、MA （3）、ARMA （1，2）以及ARMA（1，3）。 （四）模型的选择

通过比较模型的AIC 值选择最优模型是一般文献中的做法，本文亦如此。由模型的输出数据可知，MA（2）模型的AIC 数值是最小的，它应该当作最优模型。选择MA（2）模型进行接下来的步骤。 （五）模型的诊断

借助模型残差的相关性检验，p 值小于0.05，则可确定模型残差没有相关性，模型顺利通过。检验发现，由于模型的残差具有ARCH 效应，借助于R 软件获得残差平方的偏自相关函数图像，从而开始对ARCH 模型进行定阶，p 值小于0.05，另外我们从gBox 输出结果得到，全部的检验p 值大于0.05，表示残差平方与时间无关，所以，标准残差是存在的，建立ARCH（1）。 （六）模型的预测

由模型预测结果可知，数据具有比较稳定的态势，然而，实际数据是汇率上升的情况，也就是人民币贬值。由于美联储加息以及国内经济衰减的作用，美元兑换人民币汇率表现为显著的减少态势。汇率的波动是极其明显的，人民币逐渐地被国外人员所接受，人民币可以兑换一篮子货币，并且今年维持基本稳定是有很大希望的，其和模型的估测态势基本一样。 四、结论

由模型的拟合以及估测结果可知，在短期预测内，美元兑换人民币仍表现为比较稳定的态势，而根本没有任何更大的波动。中国李克强在工作会议上强调，务必不断革新深化金融，增速改革并进一步完善现代金融监管规则，不断提高金融服务实体经济效率，全面覆盖对金融风险控制。进一步改革人民币汇率市场，始终维持人民币汇率的稳定性。

参考文献：

[1];; 刘柏、赵振全.基于STAR模型的中国实际汇率非线性态势预测.数量经济技术经济研究，2008年第6 期.

[2];; 范剑青、姚琦伟著.非线性时间序列——建模、预报及应用.陈敏译，高等教育出版社，2005.

[3];; 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.上理工大学学报，2005年第4 期.

[4];; 许少强、李亚敏.参考“一篮子”货币的人民币汇率预测——于ARMA模型的实证方法.世界经济文汇，2007年第3 期.

[5];; 郭琨、汪寿阳.人名币汇率预测的两种模型.系统工程理论与实践，2008年第5 期. [6];; 谢赤、杨妮、孙柏.汇率时间序列非线性特征分析及实证分析.系统工程，2008年第10期.

[7];; Zhang G P.Time series forecasting using a hybrid ARIMA and neural network model.Neurocomputering，2003，（50）：159～175.

[8];; Michele Hibon.Theodoros Evgeniou To combiner or not to combine：selecting among forecasts and their combination.International Journal of Fore-cast，2005，（21）：15～24.