人民币加入SDR后汇率波动规律探究与人民币国际化探讨

杨顺俊

（华东政法大学商学院 上海 201620）

引言

2016年10月1日，人民币正式被纳入国际货币基金组织（IMF）特别提款权货币篮子（SDR）。作为除美元、欧元、日元和英镑之外的第五种国际储备货币，特别提款权（SDR）是IMF给予成员国的一种用于补充官方储备的国际储备资产。根据IMF官方外汇储备组成数据，截至2020年第一季度，全球人民币官方储备为2241.8亿美元，占到世界外汇总储备的1.89%，已经超越了澳大利亚元和加拿大元，跻身世界第五大储备货币，这与人民币目前的国际地位相对符合。国际储备是世界货币的重要职能之一，人民币在加入SDR货币篮子四年来有如此亮眼的储备额度增长也说明了人民币国际化地位的快速上升，人民币国际化进程也正在有序推进。

人民币加入SDR后汇率波动规律探究——GARCH模型的建立

（一）数据获取与模型选择

1.数据获取

基于人民币于2016年10月正式加入SDR货币篮子，本文选取了2016年10月10日至2020年9月4日的美元兑人民币中间价日度数据（fex）作为研究对象，数据获取来源为WIND数据库，样本容量共956个。

2.模型选择

为了更好地衡量和拟合美元兑人民币汇率的波动率情况，本文选用经典的广义条件异方差自回归模型（GARCH）衡量考察，并进一步使用T-GARCH和P-GARCH考察波动率中的杠杆效应情况。

GARCH模型。由于多数金融高频时间序列中的随机扰动项虽然能够通过白噪声检验，但一般具有群聚效应（即部分区域显著波动剧烈，部分区域波动显著平缓），通过提取原序列自回归拟合的白噪音残差的平方序列，发现其具有一定额外的信息，这种现象被称为条件异方差自回归（ARCH）效应，回归形式为原序列随机扰动项的条件方差与随机扰动项各滞后项平方和的关系。但由于ARCH效应衡量时所需的随机扰动项滞后项阶数过多，为保持模型稳定同时节约自由度，GARCH模型中采用若干条件方差的滞后项代替较多的随机扰动项平方滞后项。

T-GARCH模型。从原始GARCH模型的形式中可知，对于同等程度不同方向的外部冲击ut-1，其对模型中条件方差产生的影响是完全等价的。但在事实上，当一个金融资产受到程度相同但方向不同的冲击时，其对方差的贡献应该是不同的。例如当证券市场出现大涨行情时，市场可能相对平静，但当市场内出现同等程度的大跌行情时，市场内的恐慌情绪将会激增，市场波动将会远超前者。为了区分不同方向的外部冲击产生的影响，学者们采用了不同的方式试图区分外部冲击的方向。T-GARCH被称为门限自回归，其主要是对于需要考察的随机扰动项的滞后平方项（又称ARCH项）添加一个虚拟变量，在随机扰动项原始取值方向不同时，该虚拟变量分别取0或1，以调整该次外部冲击对模型条件方差的贡献程度。

E-GARCH模型。该模型又被称为指数GARCH模型，其目的与T-GARCH模型相同，均是为了区分模型的非对称效应。E-GARCH采用了绝对值的方法来衡量这一非对称效应。

（二）均值等式的建立——ARIMA模型

1.序列平稳性检验

为使原始序列更为平稳，进一步消除异方差现象，首先对原始汇率序列取自然对数，构建序列lfex。本文选取ADF检验法对原始汇率序列进行平稳性检验，结果显示汇率序列自身明显不平稳，但序列的一阶差分Dlfex序列是一个显著平稳的序列，所以原始序列Lfex是一个没有漂移项，也没有趋势项的一阶单整I（1）序列。

2.ARIMA模型最优滞后阶数的选择

平稳性检验中已经确定原始序列lfex为I（1）序列，所以ARIMA（p，d，q）中的d已经确认等于1，现对于自回归和移动平均过程的最优滞后阶数p与q进行确定。通过“向下检验法”和“信息准则法”，比较各阶滞后项加入模型后对信息准则AIC、SC的影响，并选取信息准则数值最小的一个模型作为最后滞后阶数。最终，本文确定汇率的对数收益率序列的均值等式由ARIMA（3，1，3）模型进行拟合。

3.均值等式估计

在确定ARIMA模型的最优滞后阶数后，本文进行了ARIMA（3，1，3）模型的估计，估计方法为经典最小二乘法。从估计得到的均值等式中可以发现，模型估计个变量的显著性均较好，且经过ARMA模型单位根检验，原模型的6个特征根均在单位圆内，该模型的具体表述为：

从模型估计结果可以看出，美元兑人民币对数收益率波动的反应时间存在一定的时滞，过去3个交易日的收益率对当天收益率的影响明显大于过去2个交易日的影响。

（三）方差等式的构建——GARCH模型

1.ARCH效应检验

首先，对原模型残差是否存在条件异方差进行检验，通过5阶的滞后项的ARCH LM检验，发现原模型存在着显著的ARCH效应（F=8.284，p=0.000***），但只有残差平方的滞后1阶和滞后5阶项极为显著，其他滞后阶均不显著。

2.GARCH模型构建

在考察原模型残差分布情况时，发现原模型并不符合正态分布（JB=142.17，p=0.000），呈现明显的尖峰厚尾特点（峰度K=4.8695），所以本文在进行GARCH模型估计时选用广义误差分布（GED）而非正态分布。

GARCH（1，3）模型的最终结果表述为：

从拟合模型中可以看出，原模型ARCH 项系数为0.0862，说明上一期外部冲击会加剧当期汇率收益率的波动。同时，方差等式的所有系数之和为 0.9755，说明人民币对数收益率波动依旧是一个平稳序列，但由于各系数之和接近 1，说明收益率波动虽然随着会随着时间逐渐减弱，但是减弱的过程极为缓慢，这意味着当出现外部冲击时（如美元指数的波动）就会对整个人民币对数收益率序列造成长久而深远的影响。

（四）非对称GARCH模型构建

由于本文的原始序列是由美元兑人民币的对数收益率来表示，这意味着在投资学角度考察汇率市场内投资收益率在面临人民币汇率升值与贬值时是否存在不同的收益变动幅度，即考察人民币汇率对数收益率的波动非对称性，是具有一定意义的。

1.T-GARCH模型

T-GARCH模型通过设定虚拟变量作为门限的方式具体细分出了当均值等式中的随机扰动项出现负向和正向波动时，该波动对序列条件方差产生的不同影响。

由于在原GARCH（1，3）模型的广义误差分布假定下，模型的GARCH项滞后阶偏多，导致模型总体估计的系数也相对偏多，这将给模型估计带来一定的不稳定性。为简化模型，本文在T-GATCH和后续E-GARCH模型估计与拟合中选取了信息准则数相差不大但模型更为轻便的GARCH（1，1），该模型假定的分布为学生t分布，该分布形式也同时适用于汇率高频数据“尖峰厚尾”的分布特征。学生t分布假定下原序列T-GARCH（1，1）模型的回归结果具体为：

经过10阶的ARCH LM检验，发现新的残差序列已经提取出了所有的ARCH效应（F=1.10，p=0.3516），新构建的模型拟合程度良好。且加入门限后，新模型中ARCH项系数均为正，符合原序列条件方差应无条件>0的基本假设。

由模型结果可以推断：当美元面临着贬值的外部冲击时，其对原序列条件方差的贡献率由0.033上升到了0.087，说明当美元投资面临着负面冲击的影响时，其对条件方差的贡献率是原来的2.61倍，说明市场投资者对美元贬值的负面冲击更为敏感，印证了原序列波动的非对称性，存在显著的杠杆效应。这一结果与金融资产收益率的波动性在遭遇没有预料到的利空消息时会使得市场波动率更快增加的基本假设相符。

当市场面临美元升值的外部冲击时，模型方差等式的系数之和为0.975左右，而当面临负向冲击时，系数之和几近于1，这意味着负向冲击对于美元兑人民币的外汇市场而言更为持久。当美元出现贬值预期时，市场内的波动性将近乎永久的提高，给整个市场带来了更敏感的波动和更高的风险溢价。

2.E-GARCH模型构建

前述T-GARCH模型中，通过虚拟变量区分了外汇市场的正负项冲击，并衡量了人民兑美元市场存在的杠杆效应，下面将通过同样考察非对称GARCH模型的指数GARCH模型来验证这一结果。基于学生t分布假定的E-GARCH（1，1）模型回归结果如下所示：

经过10阶的ARCH LM检验，发现新的残差序列已经提取出了所有的ARCH效应（F=1.1351，p=0.3323），新构建的模型拟合程度良好。

综合门限GARCH模型和指数GARCH模型的回归估计结果，基本可以确定美元兑人民币的对数收益率存在显著的杠杆效应。当外汇市场面临不同方向同等程度的冲击时，负向影响带来的冲击是正面影响对应冲击的1.6—2.8倍左右。一般而言，对于一个金融资产的收益率的波动性，当面临未预期到的负面信息时，收益率的波动性将会成倍放大，而本文一系列的模型实证结果也验证了这一点。

结论与启示

（一）结论

本文以探究人民币加入SDR货币篮子为契机，考察了2016年10月至2020年9月的美元兑人民币汇率波动性情况，并使用GARCH类模型对其波动情况进行估计。选择GARCH（1，3）模型进行拟合，发现模型提示汇率对数收益率的条件方差存在较长的记忆性。但由于GARCH模型在估计过程中会天然产生较高的系列长记忆性，所以该序列的条件方差是否存在长记忆性还不确定，需要更合适的估计模型来解答这一问题。

通过T-GARCH和E-GARCH模型的拟合结果，本文发现人民币汇率写的条件方差存在着显著的杠杆效应。当外汇市场面临不同方向同等程度的冲击时，负向影响（美元贬值）带来的冲击是正面影响对应冲击的1.6—2.8倍左右。一方面这符合金融资产的常规特征，当面临未预期到的负面信息时，收益率的波动性将会成倍放大；另一方面的可能原因是当人民币升值时，中国央行的管控力度相对较小，而面临贬值预期时中国央行的容忍度相对较低，相比升值周期会更快地进行外汇市场干预，从而使得人民币贬值周期时波动率小于升值周期。

（二）启示

人民币加入SDR与其说是人民币国际化的认可，不如说是人民币真正国际化的开端，人民币正式走上了国际货币体系的舞台。由于SDR本身的体量过小，已经难以承担起创立SDR时所寄予的“世界货币”职责，其更多是一种名义上的产物。人民币加入SDR或许对人民币汇率不能产生显著影响，但在总体上还是增加了人民币作为一种国际货币的公信力。自人民币正式加入SDR货币篮子后，人民币官方储备额度快速升高，已经成为了世界第五大支付货币，这也与中国在世界经济和国际金融领域的地位所趋近。总之，SDR对人民币汇率很难产生显著的实质性影响，但对于推进人民币逐渐承担起“世界储备货币”的职能大有裨益。

从美元兑人民币汇率的波动序列观察，人民币加入SDR后人民币外汇市场双向波动率进一步提升，这意味着人民币汇率会更多地遭受外部冲击。总体来看，人民币汇率的波动主要是应对外部冲击的被动反应，而不是由于自身中国经济基本面的体现的主动走势。

从宏观角度进行汇率风险的管理最重要的就是需要中国央行稳定市场预期，做好市场的指引者。美联储在应对次贷危机的过程中，时任主席伯南克在治理美联储时与前任主席格林斯潘最大的不同点就是极为强调央行的透明度问题。要想稳定投资者的预期，避免汇率因恐慌情绪而快速贬值或升值，就需要央行通过向投资者和公众提供其对于经济形势的真实看法，并向公众提供指引，清晰明了地告诉市场，央行对于利率走向的判断与汇率浮动的干预底线，并长期、一贯地执行。在某种程度上，市场将更好地理解央行政策行为并对其抱有充分信心，这将有利于减少金融市场的不稳定性，平抑预期的波动。而这一点，是应对人民币汇率波动中的最为重要一环，只有通过谨慎的措辞拿捏，传递明确一贯的政策目标，才有可能提升央行政策的公信力，维护投资者预期稳定。

仅仅被动地管理人民币汇率的波动风险还远远不够，要想增强人民币汇率的溢出效应和抗压能力，最终还是要加快推进人民币的国际化进程。2018年4月，中国通过顶层设计进一步加快金融对外开放步伐。在央行推进金融开放措施中，银行业对外开放成为最早落实的领域。上海国际金融中心建设与人民币的国际地位紧密联系，前者的推进需要人民币离岸业务聚集，即国际化的人民币使用，而银行业优先于自贸区内开放正能满足这一需求。根据SWIFT数据，人民币在2020年3月已经跃升为全球第五大支付货币，占比1.85%，比两年前跃升了两位，与纳入国际货币篮子（SDR）的地位相当。上海以外资银行引入为契机，加快人民币离岸业务与清算中心建设，可为最终实现汇率形成机制改革和资本与金融项目完全开放提供先行先试的试点条件。