汇率预测方法综述

吴思

摘 要：汇率预测方法是学术界长期争论的话题，国内外学者的汇率预测方法可以分为四类，即基本因素分析法、技术分析法、市场分析法和组合分析法。在系统介绍当前汇率预测方法理论体系的基础上，通过对比国内外关于各种汇率预测方法的研究成果，总结各类分析法的不足之处，以期为后续研究提供参考。

关键词：汇率;预测方法;综述

中图分类号：F224      文献标志码：A     文章编号：1673-291X（2019）23-0135-03

随着经济全球化不断深入，预测汇率走势对一国政府、企业以及个人都具有重大意义。但目前国内学术界关于汇率预测方法的文献综述很少。本文力图梳理当前国内外关于汇率预测方法的重点文献，并分析各类汇率预测方法的不足，旨在为汇率预测方法的研究提供综述依据。

一、基本因素分析法

基本因素分析法依据影响汇率变动的各种因素发生作用的方向和强度，来预测汇率变动的走势。它以汇率决定理论为基础构建预测模型，通过OLS等回归分析法预测汇率的走势。

众多研究表明，基本因素分析法在实践中对汇率预测的结果往往不令人满意。绝对购买力平价理论就被证实其预测准确度不高（陈浪南，1990;郑兰祥，2000）;货币模型虽具有长期预测效果，但对一年内的预测无效（Mark，1995）;利率平价理论的一些假设条件在现实中难以成立，加上影响未来汇率变动因素的复杂性，使利率平价理论在短期汇率的预测上有所偏移（蔡■霞，2006）。有些学者甚至认为，过去30年间所有的汇率模型，包括货币模型、购买力平价模型、非抛补利率平价模型及巴拉萨—萨缪尔森生产率模型及四个模型的综合模型，没有任何模型的短期预测力能够稳定超过随机游走模型（Meese & Rogoff，1995;Cheung，等，2005;邓贵川，等，2016）。

后续研究学者则在对汇率决定理论模型进行修正后，取得了一定的成果。例如，引入两国间债权债务关系，对传统的货币主义模型进行修正，建立汇率预测模型（袁伟，等，2014）;采用分位数回归法来估计汇率决定模型（关蓉，等，2017）。

也有学者不依靠汇率决定理论，而是根据一定的标准选出诸如货币供应量、外汇储备两国利率差、贸易条件等汇率的影响因素（袁达，等，1999;张蜀林，等，2016），并构建模型来对汇率走势进行预测，如魏巍贤（1998）构建的基于协整技术分析的汇率短期预测模型、张蜀林等（2016）构建的M-MIDAS模型。还有学者构建汇率波动影响指标，如郝阳（2016）发现，基于“金融调整渠道”的汇率调整压力指标对汇率变动有很强的预测能力。

二、技术分析法

技术分析法是指只依靠汇率过去的变动趋势，使用数学、统计学原理对未来的汇率走势进行预测。汇率预测的技术分析法主要包括参数统计法、非参数统计法以及组合预测法。

（一）参数统计方法

1.线性模型。常见的汇率预测的线性参数模型有ARMA模型、ARIMA模型等，部分学者在汇率预测方面取得了较好的效果（范正绮，等，1997;马莉，等，2009），然而更多情况下用线性参数模型来预测汇率并不精确，其预测效果不如GARCH、STAR等非线性参数模型（许少强，等2007;刘柏，等，2008;刘姝伶，等，2008）。

2.非线性模型。由于汇率的影响因素众多，利用线性模型预测的结果往往精度不高，因此许多学者构建非线性参数模型来预测汇率，并取得了不错的效果，如GARCH模型（惠晓峰，等，2003;苏岩，等，2007;魏红燕，等，2014）、EGARCH模型（戴晓枫，等，2005）、TAR模型（苏玉华，2014）、STAR模型（刘柏，等，2008）、LSTAR模型（徐家杰，2013）以及贝叶斯平均分类回归模型（毕玉江，等，2016）。同时，不少研究发现不同货币适用于不同的非线性模型，如李志斌等（2010）将ARCH类模型的汇率预测效果进行对比，发现TARCH模型较好地拟合了人民币对港币汇率的波动特征，GARCH模型则更好地拟合了人民币对美元汇率的波动率特征。

（二）非参数统计方法

1.同质神经网络模型。用同质神经网络预测汇率的研究很多。Refenes等（1993）、T.D.Chaudhuri等（2016）采用神经网络方法预测汇率变动，认為神经网络在特定情况下有一定的预测效果，L.Falat（2016）则利用改造后的径向基神经网络提高了汇率预测精度。Zhang和Hu（1998）、孙柏和谢赤（2009）、王向宇等（2010）、钱晓东等（2010）、胡欢等（2014）分别用BP神经网络模型、层反馈（RNN2）网络结构模型、VLRBP神经网络模型、RBF神经网络以及Elman网络模型对汇率特别是短期汇率进行预测，并取得了一定的效果。

然而，同质神经网络模型并不适用于所有币种汇率的预测，如Kuan和Liu（1995）发现，神经网络只对日元、英镑兑美元的预测较为准确，但对加拿大元、德国马克及瑞士法郎兑美元的预测效果一般。

2.支持向量机模型。支持向量回归（SVR）最早是Vapnik（1995）提出的用来解决分类和识别问题的非参数方法，后由于其强大的预测能力也被应用于金融和经济领域。国内学者中陈诗一（2007）较早应用SVR方法预测中国、韩国、印度和瑞士四国货币兑美元的日汇率，证明SVR方法具有较强的预测能力。方兆本等（2015）用基于自相关函数均值变点的HHT法对汇率数据进行降噪后，再利用SVR方法进行预测，发现预测精度有所提高。

3.马尔科夫链模型。马尔科夫链中的某一时刻的数值仅与前一时刻数值相关，与其他历史时刻的数值无关。若能证实汇率具有马尔可夫性质，则可利用马尔科夫链模型来预测汇率。陈敏等（2007）和刘岩等（2007）分别运用马尔科夫链模型对人民币兑美元的汇率进行预测，预测结果与实际情况相符。张成虎等（2010）利用马尔科夫区制转移模型对人民币兑美元汇率进行预测，同样取得了不错的效果。

4.其他非参数统计方法。除以上三种方法外，国内外学者还运用其他如遗传算法模型（贾光峰等，2008）、灰度预测模型（张渊渊，等，2011）、小波分析（殷光伟，2011）等非参数方法来预测汇率。

（三）组合预测法

组合预测法最早由Bates和Grange（1969）提出。它能改进单项预测方法的不足，提升模型的预测精度。

Hu和Tsoukalas（1999）用不同的GARCH模型预测条件波动，并对这些预测值进行线性和非线性组合，结果表明，用神经网络进行非线性组合的预测效果是最好的。Tseng等（2002）、Zhang（2003）和Yu，Wang和Lai（2005）则分别将SARMIA模型、ARIMA模型和GLAR模型与神经网络模型组合进行预测。谢赤和欧阳亮（2008）通过比较同质神经网络模型、异质神经网络模型以及神经网络组合模型，发现神经网络组合模型能更好地预测汇率的变动趋势。洪嘉灏等（2016）提出将汇率时间序列中线性部分的数据通过随机游走模型进行模拟，剩余的非线性残差部分用前馈神经网络和诶尔曼神经网络处理的组合预测方法，证明该组合预测方法的预测精度优于单项预测模型。傅魁等（2018）运用改进的集成经验模态分解（MEEMD）和模糊灰色关联度分析，发现MEEMD组合模型的预测效果优于其他单模型和组合模型。

尽管组合预测模型在预测精度上优于单项模型，但由于单个组合预测模型总是基于特定时段汇率的波动特征，使得组合预测模型的通用性大打折扣，更为适用短期汇率预测。不少学者则试图构建高自适用性模型来解决这一难题，如蒋传进（2017）基于单项模型的偏度、误差方差比、预测步长和相关性四个因素构建拥有自适用性的模型遴选程序，使得组合模型能够根据汇率特征自动筛选出适用性最高的模型，从而提高模型的普适性。

三、市场分析法

市场分析法是指利用当前市场汇率行情来估计未来即期汇率的方法。韩立岩等（2007）利用2004年芝加哥商品交易所的美元—欧元期货期权的信息，分析发现隐含偏度、隐含波动率与每日汇率变化率有紧密联系;李艳丽（2017）通过对2005年7月至2016年5月境内外四种不同期限的人民币远期汇率和即期汇率进行分析，发现期限越短，人民币远期汇率无偏性表现越好，流动性、广度和深度更强的外汇市场的远期汇率对未来汇率预测的无偏性更好。

孔仪方等（2012）则认为，应考虑远期汇率、国内利率与国外利率对即期汇率变动趋势的综合影响，运用由远期汇率指标测算而得的贬值压力指标取代远期汇率指标本身，分析其对即期汇率市场的价格传递效应。

四、组合分析法

组合分析法指的是结合基本因素分析法、技术分析法以及市场分析法中两种及两种以上的方法预测汇率走势的方法。基本因素分析法基于多种假设条件，在短期汇率预测上存在困难。而技术分析法缺乏理论依据，无法对中长期汇率进行预测。组合分析法的出现，通过取长补短，能够弥补各类汇率预测法的短板。

（一）基本因素分析法与技术分析法结合

由于汇率波动不仅受自身波动规律的影响，而且还会受到众多宏微观经济因素的影响，因此汇率预测组合分析绝大多数情况是将基本因素分析法和技术分析法结合进行。

国外学者中，Guerand（1989）最早采用组合分析法，得出中、短期预测组合模型对外汇市场的预测是有效的。国内学者中唐小我等（1996）构建的粘性价格模型和单变量时间序列模型的组合模型对中长期汇率的预测效果优于随机游走模型。江春等（2018）将多种汇率决定模型、计量模型相结合对人民币兑美元汇率进行预测，发现泰勒规则模型预测能力高于随机游走模型。

在基本因素分析和技术分析的组合模型中，异质神经网络模型的研究最多，它将基本因素法和人工神经网络模型结合起来预测汇率。Shazly（1997）选取一个月欧洲美元存款利率、一个月欧洲外币存款利率、即期汇率和一个月的远期汇率作为输入变量，预测一个月后的即期汇率，证明神经网络的预测效果比通过远期汇率进行预测的效果要好。惠晓峰等（1998，2005）则选取两国的CPI和GDP、利率差、货币供应比、净出口额、外汇储备等变量，用模糊神经网络进行汇率预测，具有较高的预测精度。徐立本等（2005）以消费物价指数为输入变量，以汇率为输出变量构造了人民币汇率的预测模型，结果显示其预测效果明显优于随机游动模型。

（二）技术分析法与市场分析法结合

将技术分析法与市场分析法结合来预测汇率的研究不多。侯铁珊等（2013）将1月期人民币NDF作为输入变量，使用非线性自回归神经网络对人民币汇率进行预测，发现NDF参与汇率预测是有效的。

五、结论

本文通过总结分析国内外学者关于汇率预测方法的理论和实证研究，发现各汇率预测方法虽然通过计量经济学原理能够对汇率波动的方向、大小进行预测和量化，但由于自身存在缺陷，导致预测精度有限。基本因素分析法主要基于汇率决定理论，能够对中长期汇率的波动进行较好的预测，但受各汇率决定理论的假设限制，预测精度（特别是对短期汇率的预测）受限。技术分析法虽然通过计量经济学原理能够对汇率波动的方向和大小进行预测和量化，但由于缺乏理论依据，容易背离经济基本面，从而无法解释中长期汇率波动。市场分析法运用远期汇率市场行情来预测汇率，忽略了其他经济因素对汇率的影响。组合分析法将以上三种汇率预测方法加以结合，能够弥补单个预测方法的缺陷，但是如何将它们有机结合在一起形成一套完善的汇率预测机制，还是今后研究中需要克服的一道难关。

参考文献：

[1]  KUAN C.M.，LIU T.Forecasting exchange rates using feed forward and recurrent neural networks[J].Journal of Applied Econometrics，1995，10（4）.

[2]  Cheung Y.W.，Chinn M.D.，Pascual A.G.Empirical exchange rate models of the nineties：Are any fit to survive？[J].Journal of International Money and Finance，2005，（7）.

[3]  Chaudhuri T.D.，Ghosh I.Artificial neural network and time series modeling based approach to forecasting the exchange rate in a multivariate framework[R].Working Paper，2016.

[4]  陳浪南.不同汇率制度下的汇率预测[J].金融研究，1990，（9）.

[5]  唐小我，滕颖，曾勇.汇率的组合预测模型及应用[J].预测，1996，（3）.

[6]  惠晓峰，柳鸿生，胡伟，何丹青.基于时间序列GARCH模型的人民币汇率预测[J].金融研究，2003，（5）.

[7]  陈诗一.汇率预测：一个新的非参数支持向量回归方法[J].数量经济技术经济研究，2007，（5）.

[8]  王向宇，须文波，孙俊，赵琪.基于VLRBP神经网络的汇率预测[J].计算机工程与设计，2010，（1）.

[9]  魏红燕，孟纯军.基于GARCH模型的短期汇率预测[J].经济数学，2014，（1）.

[10]  张蜀林，杨洋.基于混频数据的人民币汇率预测研究[J].商业研究，2016，（12）.