论文部分内容阅读
人民币汇率频繁波动，分析其动态特征具备理论和现实意义。以2013年1月至2015年7月间美元兑人民币中间汇率为分析对象，利用GARCH族模型得出人民币汇率的波动存在杠杆效应，即坏消息引起的汇率波动大于好消息引起的波动。
一、引言
2017年5月25至6月1日，人民币连续飙升，短短4个交易日内，在岸人民币兑美元即期汇率最高触及6.7878，累计最大升幅1.5%；同期离岸人民币兑美元即期汇率最高触及6.7238，累计最大升幅2.2%。汇率波动给社会经济带来巨大影响，研究和掌握汇率波动的动态特征具有理论和现实意义。
国内有关人民币汇率波动的实证研究成果丰富，但大多数文献集中于利用ARCH模型及其拓展模型对其进行实证验证。赵树然（2012）利用非参数GARCH模型对美元和日元兑人民币汇率的日对数收益率进行预测，并将其结果与参数GARCH族模型的预测结果进行比较，表明非参数GARCH模型具有最强的预测能力。夏强（2012）通过设定双门限非线性的GARCH模型，结合GJR效应，并且利用基于MCMC算法的贝叶斯推断，来考察非美元汇率收益的均值和波动不对称的特点。实证分析结果表明非美元汇率收益的均值和波动同时表现出非对称的特点。张欣，崔日明（2013）基于非对称随机波动模型（ASV）与 MCMC 估计方法，对2005年7月22日至2012年9月5日期间美元兑人民币汇率的波动特征进行了实证分析，得出人民币汇率的波动过程不仅存在时变特征，而且其波动过程具有很强的持续性，人民币汇率波动性对利好利坏的反映存在显著的非对称特征。
二、数据的选取与处理
本文选取2013年1月4日到2015年7月31日美元兑人民币汇率的每日中间价为研究对象，记Rt为日对数收益率，。
观察对数收益率数据，发现其呈现出群集波动现象。对收益率数据进行J-B检验，统计量为287.3433，概率值0，拒绝正态分布的假设。
对收益率Rt进行自相关检验，发现Q-统计量的P值都大于5%的置信水平，故收益率序列Rt不存在自相关。由此将均值方程设定为白噪声。
三、实证分析
（一）收益率序列数据的平稳性检验
对人民币汇率收益率序列进行ADF单位根检验，t统计量的值为-24.54367，小于1%、5%、10%显著性水平下的t统计量的临界值，拒绝单位根检验的原假设，认为人民币收益率序列是平稳的数据。
（二）ARCH效应的检验
对收益率序列数据进行ARCH效应的检验，对收益率序列异方差性检验可以看出F统计量的值为60.18487，相应的P值为0，观察值R^2为56.69066，相应的P值为0，所以拒绝ARCH模型残差项不存在异方差性的假设，即人民币收益率序列 存在ARCH效应。故综上所述，对人民币收益率建立GARCH模型。
（三）建立GRACH模型
常用的GARCH模型由GARCH（1，1），GARCH（1，2），GARCH（2，1），对以上三个模型均进行拟合， 最终结果表明模型GARCH（2，1）的系数没有通过显著性检验，而GARCH（1，1），GARCH（1，2）均在5%的显著性水平下通过了检验，结合AIC及SC准则，认为GARCH（1，1）模型能够更好地拟合数据。其条件方差对应的方程为：
对GARCH（1，1）模型拟合后的残差进行ARCH LM检验，发现 F统计量和观测值的R^2统计量对应的P值明显大于0.05，故此时模型的已不存在ARCH效应。
（四）建立TGARCH模型
对TARCH（1，1）模型拟合后的残差进行ARCH LM检验，结果表明F统计量以及观察值和R^2统计量对应的P值均明显大于置信度0.05，所以接受原假设，认为此时残差序列已不存在 ARCH效应。此时条件方差对应的模型为：
四、结语
通过对2013年1月至2015年7月間的美元兑人民币日汇率数据进行分析，得出收益率序列具备群及波动、尖峰厚尾、以及不服从正态分布的特征。对人民币收益率数据序列进行检验发现其残差序列存在ARCH效应，为了验证利好利坏消息的非对称性对数据建立TGARCH模型，通过反复对比发现TARCH（1，1）模型的系数经过了统计检验，且拟合结果更好，进一步得出，证实了杠杆效应的存在。
（作者单位为湖北工程学院经济与管理学院）
一、引言
2017年5月25至6月1日，人民币连续飙升，短短4个交易日内，在岸人民币兑美元即期汇率最高触及6.7878，累计最大升幅1.5%；同期离岸人民币兑美元即期汇率最高触及6.7238，累计最大升幅2.2%。汇率波动给社会经济带来巨大影响，研究和掌握汇率波动的动态特征具有理论和现实意义。
国内有关人民币汇率波动的实证研究成果丰富，但大多数文献集中于利用ARCH模型及其拓展模型对其进行实证验证。赵树然（2012）利用非参数GARCH模型对美元和日元兑人民币汇率的日对数收益率进行预测，并将其结果与参数GARCH族模型的预测结果进行比较，表明非参数GARCH模型具有最强的预测能力。夏强（2012）通过设定双门限非线性的GARCH模型，结合GJR效应，并且利用基于MCMC算法的贝叶斯推断，来考察非美元汇率收益的均值和波动不对称的特点。实证分析结果表明非美元汇率收益的均值和波动同时表现出非对称的特点。张欣，崔日明（2013）基于非对称随机波动模型（ASV）与 MCMC 估计方法，对2005年7月22日至2012年9月5日期间美元兑人民币汇率的波动特征进行了实证分析，得出人民币汇率的波动过程不仅存在时变特征，而且其波动过程具有很强的持续性，人民币汇率波动性对利好利坏的反映存在显著的非对称特征。
二、数据的选取与处理
本文选取2013年1月4日到2015年7月31日美元兑人民币汇率的每日中间价为研究对象，记Rt为日对数收益率，。
观察对数收益率数据，发现其呈现出群集波动现象。对收益率数据进行J-B检验，统计量为287.3433，概率值0，拒绝正态分布的假设。
对收益率Rt进行自相关检验，发现Q-统计量的P值都大于5%的置信水平，故收益率序列Rt不存在自相关。由此将均值方程设定为白噪声。
三、实证分析
（一）收益率序列数据的平稳性检验
对人民币汇率收益率序列进行ADF单位根检验，t统计量的值为-24.54367，小于1%、5%、10%显著性水平下的t统计量的临界值，拒绝单位根检验的原假设，认为人民币收益率序列是平稳的数据。
（二）ARCH效应的检验
对收益率序列数据进行ARCH效应的检验，对收益率序列异方差性检验可以看出F统计量的值为60.18487，相应的P值为0，观察值R^2为56.69066，相应的P值为0，所以拒绝ARCH模型残差项不存在异方差性的假设，即人民币收益率序列 存在ARCH效应。故综上所述，对人民币收益率建立GARCH模型。
（三）建立GRACH模型
常用的GARCH模型由GARCH（1，1），GARCH（1，2），GARCH（2，1），对以上三个模型均进行拟合， 最终结果表明模型GARCH（2，1）的系数没有通过显著性检验，而GARCH（1，1），GARCH（1，2）均在5%的显著性水平下通过了检验，结合AIC及SC准则，认为GARCH（1，1）模型能够更好地拟合数据。其条件方差对应的方程为：
对GARCH（1，1）模型拟合后的残差进行ARCH LM检验，发现 F统计量和观测值的R^2统计量对应的P值明显大于0.05，故此时模型的已不存在ARCH效应。
（四）建立TGARCH模型
对TARCH（1，1）模型拟合后的残差进行ARCH LM检验，结果表明F统计量以及观察值和R^2统计量对应的P值均明显大于置信度0.05，所以接受原假设，认为此时残差序列已不存在 ARCH效应。此时条件方差对应的模型为：
四、结语
通过对2013年1月至2015年7月間的美元兑人民币日汇率数据进行分析，得出收益率序列具备群及波动、尖峰厚尾、以及不服从正态分布的特征。对人民币收益率数据序列进行检验发现其残差序列存在ARCH效应，为了验证利好利坏消息的非对称性对数据建立TGARCH模型，通过反复对比发现TARCH（1，1）模型的系数经过了统计检验，且拟合结果更好，进一步得出，证实了杠杆效应的存在。
（作者单位为湖北工程学院经济与管理学院）