汇率预测及对新疆跨境贸易人民币结算的思考

王睿

【摘要】随着国与国之间的联系日益密切，外汇的产生是商品流通以及商品经济发展的必然结果；而汇率作为两国货币的比价，那么一国的国际收支、利率水平、经济发展、财政赤字、外汇储备、居民的心理预期以及汇率政策等都会引起汇率的波动。因此对汇率走势进行预测有着重要意义，但对汇率进行准确预测是困难的。而ARMA模型可以分析实际金融时间序列变量动态过程，较好的模拟和预测时间序列的动态特征。故选取人民币兑美元汇率变动的历史数据为样本，通过建立ARMA（1，0）模型，对人民币未来走势做出预测，加之新疆作为“丝绸之路经济带”的核心区，对如何发展和推广跨境贸易人民币结算业务提供一定思路。

【关键词】ARMA模型 汇率预测 跨境贸易人民币结算业务

一、引言

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SDR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ARMA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

（三）ARMA模型在预测汇率时的特点

ARMA模型与其他的预测分析法比较，具有以下特点：

第一，ARMA（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ARMA（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，ARMA（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，ARMA（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ARMA（p，q）模型。鉴别规则如下表1所示。

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、ARMA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。

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ADF检验，即汇率波动率的ADF检验后，ADF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。

根据表3，可知选择ARMA（1，0）与ARMA（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ARMA（1，0）与ARMA（3，0）的拟合优度以及各系数的显著性，发现ARMA（1，0）模型优于ARMA（3，0）模型，因此确定选择ARMA（1，0）模型。

（三）模型回归

对ARMA（1，0）模型估计结果如表4所示，各个系数显著，且DW=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。