匯率預(yù)測(cè)方法綜述

吳思

摘 要：匯率預(yù)測(cè)方法是學(xué)術(shù)界長期爭論的話題，國內(nèi)外學(xué)者的匯率預(yù)測(cè)方法可以分為四類，即基本因素分析法、技術(shù)分析法、市場(chǎng)分析法和組合分析法。在系統(tǒng)介紹當(dāng)前匯率預(yù)測(cè)方法理論體系的基礎(chǔ)上，通過對(duì)比國內(nèi)外關(guān)于各種匯率預(yù)測(cè)方法的研究成果，總結(jié)各類分析法的不足之處，以期為后續(xù)研究提供參考。

關(guān)鍵詞：匯率;預(yù)測(cè)方法;綜述

中圖分類號(hào)：F224? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1673-291X（2019）23-0135-03

隨著經(jīng)濟(jì)全球化不斷深入，預(yù)測(cè)匯率走勢(shì)對(duì)一國政府、企業(yè)以及個(gè)人都具有重大意義。但目前國內(nèi)學(xué)術(shù)界關(guān)于匯率預(yù)測(cè)方法的文獻(xiàn)綜述很少。本文力圖梳理當(dāng)前國內(nèi)外關(guān)于匯率預(yù)測(cè)方法的重點(diǎn)文獻(xiàn)，并分析各類匯率預(yù)測(cè)方法的不足，旨在為匯率預(yù)測(cè)方法的研究提供綜述依據(jù)。

一、基本因素分析法

基本因素分析法依據(jù)影響匯率變動(dòng)的各種因素發(fā)生作用的方向和強(qiáng)度，來預(yù)測(cè)匯率變動(dòng)的走勢(shì)。它以匯率決定理論為基礎(chǔ)構(gòu)建預(yù)測(cè)模型，通過OLS等回歸分析法預(yù)測(cè)匯率的走勢(shì)。

眾多研究表明，基本因素分析法在實(shí)踐中對(duì)匯率預(yù)測(cè)的結(jié)果往往不令人滿意。絕對(duì)購買力平價(jià)理論就被證實(shí)其預(yù)測(cè)準(zhǔn)確度不高（陳浪南，1990;鄭蘭祥，2000）;貨幣模型雖具有長期預(yù)測(cè)效果，但對(duì)一年內(nèi)的預(yù)測(cè)無效（Mark，1995）;利率平價(jià)理論的一些假設(shè)條件在現(xiàn)實(shí)中難以成立，加上影響未來匯率變動(dòng)因素的復(fù)雜性，使利率平價(jià)理論在短期匯率的預(yù)測(cè)上有所偏移（蔡■霞，2006）。有些學(xué)者甚至認(rèn)為，過去30年間所有的匯率模型，包括貨幣模型、購買力平價(jià)模型、非拋補(bǔ)利率平價(jià)模型及巴拉薩—薩繆爾森生產(chǎn)率模型及四個(gè)模型的綜合模型，沒有任何模型的短期預(yù)測(cè)力能夠穩(wěn)定超過隨機(jī)游走模型（Meese & Rogoff，1995;Cheung，等，2005;鄧貴川，等，2016）。

后續(xù)研究學(xué)者則在對(duì)匯率決定理論模型進(jìn)行修正后，取得了一定的成果。例如，引入兩國間債權(quán)債務(wù)關(guān)系，對(duì)傳統(tǒng)的貨幣主義模型進(jìn)行修正，建立匯率預(yù)測(cè)模型（袁偉，等，2014）;采用分位數(shù)回歸法來估計(jì)匯率決定模型（關(guān)蓉，等，2017）。

也有學(xué)者不依靠匯率決定理論，而是根據(jù)一定的標(biāo)準(zhǔn)選出諸如貨幣供應(yīng)量、外匯儲(chǔ)備兩國利率差、貿(mào)易條件等匯率的影響因素（袁達(dá)，等，1999;張蜀林，等，2016），并構(gòu)建模型來對(duì)匯率走勢(shì)進(jìn)行預(yù)測(cè)，如魏巍賢（1998）構(gòu)建的基于協(xié)整技術(shù)分析的匯率短期預(yù)測(cè)模型、張蜀林等（2016）構(gòu)建的M-MIDAS模型。還有學(xué)者構(gòu)建匯率波動(dòng)影響指標(biāo)，如郝陽（2016）發(fā)現(xiàn)，基于“金融調(diào)整渠道”的匯率調(diào)整壓力指標(biāo)對(duì)匯率變動(dòng)有很強(qiáng)的預(yù)測(cè)能力。

二、技術(shù)分析法

技術(shù)分析法是指只依靠匯率過去的變動(dòng)趨勢(shì)，使用數(shù)學(xué)、統(tǒng)計(jì)學(xué)原理對(duì)未來的匯率走勢(shì)進(jìn)行預(yù)測(cè)。匯率預(yù)測(cè)的技術(shù)分析法主要包括參數(shù)統(tǒng)計(jì)法、非參數(shù)統(tǒng)計(jì)法以及組合預(yù)測(cè)法。

（一）參數(shù)統(tǒng)計(jì)方法

1.線性模型。常見的匯率預(yù)測(cè)的線性參數(shù)模型有ARMA模型、ARIMA模型等，部分學(xué)者在匯率預(yù)測(cè)方面取得了較好的效果（范正綺，等，1997;馬莉，等，2009），然而更多情況下用線性參數(shù)模型來預(yù)測(cè)匯率并不精確，其預(yù)測(cè)效果不如GARCH、STAR等非線性參數(shù)模型（許少強(qiáng)，等2007;劉柏，等，2008;劉姝伶，等，2008）。

2.非線性模型。由于匯率的影響因素眾多，利用線性模型預(yù)測(cè)的結(jié)果往往精度不高，因此許多學(xué)者構(gòu)建非線性參數(shù)模型來預(yù)測(cè)匯率，并取得了不錯(cuò)的效果，如GARCH模型（惠曉峰，等，2003;蘇巖，等，2007;魏紅燕，等，2014）、EGARCH模型（戴曉楓，等，2005）、TAR模型（蘇玉華，2014）、STAR模型（劉柏，等，2008）、LSTAR模型（徐家杰，2013）以及貝葉斯平均分類回歸模型（畢玉江，等，2016）。同時(shí)，不少研究發(fā)現(xiàn)不同貨幣適用于不同的非線性模型，如李志斌等（2010）將ARCH類模型的匯率預(yù)測(cè)效果進(jìn)行對(duì)比，發(fā)現(xiàn)TARCH模型較好地?cái)M合了人民幣對(duì)港幣匯率的波動(dòng)特征，GARCH模型則更好地?cái)M合了人民幣對(duì)美元匯率的波動(dòng)率特征。

（二）非參數(shù)統(tǒng)計(jì)方法

1.同質(zhì)神經(jīng)網(wǎng)絡(luò)模型。用同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)匯率的研究很多。Refenes等（1993）、T.D.Chaudhuri等（2016）采用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)匯率變動(dòng)，認(rèn)為神經(jīng)網(wǎng)絡(luò)在特定情況下有一定的預(yù)測(cè)效果，L.Falat（2016）則利用改造后的徑向基神經(jīng)網(wǎng)絡(luò)提高了匯率預(yù)測(cè)精度。Zhang和Hu（1998）、孫柏和謝赤（2009）、王向宇等（2010）、錢曉東等（2010）、胡歡等（2014）分別用BP神經(jīng)網(wǎng)絡(luò)模型、層反饋（RNN2）網(wǎng)絡(luò)結(jié)構(gòu)模型、VLRBP神經(jīng)網(wǎng)絡(luò)模型、RBF神經(jīng)網(wǎng)絡(luò)以及Elman網(wǎng)絡(luò)模型對(duì)匯率特別是短期匯率進(jìn)行預(yù)測(cè)，并取得了一定的效果。

然而，同質(zhì)神經(jīng)網(wǎng)絡(luò)模型并不適用于所有幣種匯率的預(yù)測(cè)，如Kuan和Liu（1995）發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)只對(duì)日元、英鎊兌美元的預(yù)測(cè)較為準(zhǔn)確，但對(duì)加拿大元、德國馬克及瑞士法郎兌美元的預(yù)測(cè)效果一般。

2.支持向量機(jī)模型。支持向量回歸（SVR）最早是Vapnik（1995）提出的用來解決分類和識(shí)別問題的非參數(shù)方法，后由于其強(qiáng)大的預(yù)測(cè)能力也被應(yīng)用于金融和經(jīng)濟(jì)領(lǐng)域。國內(nèi)學(xué)者中陳詩一（2007）較早應(yīng)用SVR方法預(yù)測(cè)中國、韓國、印度和瑞士四國貨幣兌美元的日匯率，證明SVR方法具有較強(qiáng)的預(yù)測(cè)能力。方兆本等（2015）用基于自相關(guān)函數(shù)均值變點(diǎn)的HHT法對(duì)匯率數(shù)據(jù)進(jìn)行降噪后，再利用SVR方法進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)預(yù)測(cè)精度有所提高。

3.馬爾科夫鏈模型。馬爾科夫鏈中的某一時(shí)刻的數(shù)值僅與前一時(shí)刻數(shù)值相關(guān)，與其他歷史時(shí)刻的數(shù)值無關(guān)。若能證實(shí)匯率具有馬爾可夫性質(zhì)，則可利用馬爾科夫鏈模型來預(yù)測(cè)匯率。陳敏等（2007）和劉巖等（2007）分別運(yùn)用馬爾科夫鏈模型對(duì)人民幣兌美元的匯率進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與實(shí)際情況相符。張成虎等（2010）利用馬爾科夫區(qū)制轉(zhuǎn)移模型對(duì)人民幣兌美元匯率進(jìn)行預(yù)測(cè)，同樣取得了不錯(cuò)的效果。

4.其他非參數(shù)統(tǒng)計(jì)方法。除以上三種方法外，國內(nèi)外學(xué)者還運(yùn)用其他如遺傳算法模型（賈光峰等，2008）、灰度預(yù)測(cè)模型（張淵淵，等，2011）、小波分析（殷光偉，2011）等非參數(shù)方法來預(yù)測(cè)匯率。

（三）組合預(yù)測(cè)法

組合預(yù)測(cè)法最早由Bates和Grange（1969）提出。它能改進(jìn)單項(xiàng)預(yù)測(cè)方法的不足，提升模型的預(yù)測(cè)精度。

Hu和Tsoukalas（1999）用不同的GARCH模型預(yù)測(cè)條件波動(dòng)，并對(duì)這些預(yù)測(cè)值進(jìn)行線性和非線性組合，結(jié)果表明，用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性組合的預(yù)測(cè)效果是最好的。Tseng等（2002）、Zhang（2003）和Yu，Wang和Lai（2005）則分別將SARMIA模型、ARIMA模型和GLAR模型與神經(jīng)網(wǎng)絡(luò)模型組合進(jìn)行預(yù)測(cè)。謝赤和歐陽亮（2008）通過比較同質(zhì)神經(jīng)網(wǎng)絡(luò)模型、異質(zhì)神經(jīng)網(wǎng)絡(luò)模型以及神經(jīng)網(wǎng)絡(luò)組合模型，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)組合模型能更好地預(yù)測(cè)匯率的變動(dòng)趨勢(shì)。洪嘉灝等（2016）提出將匯率時(shí)間序列中線性部分的數(shù)據(jù)通過隨機(jī)游走模型進(jìn)行模擬，剩余的非線性殘差部分用前饋神經(jīng)網(wǎng)絡(luò)和誒爾曼神經(jīng)網(wǎng)絡(luò)處理的組合預(yù)測(cè)方法，證明該組合預(yù)測(cè)方法的預(yù)測(cè)精度優(yōu)于單項(xiàng)預(yù)測(cè)模型。傅魁等（2018）運(yùn)用改進(jìn)的集成經(jīng)驗(yàn)?zāi)B(tài)分解（MEEMD）和模糊灰色關(guān)聯(lián)度分析，發(fā)現(xiàn)MEEMD組合模型的預(yù)測(cè)效果優(yōu)于其他單模型和組合模型。

盡管組合預(yù)測(cè)模型在預(yù)測(cè)精度上優(yōu)于單項(xiàng)模型，但由于單個(gè)組合預(yù)測(cè)模型總是基于特定時(shí)段匯率的波動(dòng)特征，使得組合預(yù)測(cè)模型的通用性大打折扣，更為適用短期匯率預(yù)測(cè)。不少學(xué)者則試圖構(gòu)建高自適用性模型來解決這一難題，如蔣傳進(jìn)（2017）基于單項(xiàng)模型的偏度、誤差方差比、預(yù)測(cè)步長和相關(guān)性四個(gè)因素構(gòu)建擁有自適用性的模型遴選程序，使得組合模型能夠根據(jù)匯率特征自動(dòng)篩選出適用性最高的模型，從而提高模型的普適性。

三、市場(chǎng)分析法

市場(chǎng)分析法是指利用當(dāng)前市場(chǎng)匯率行情來估計(jì)未來即期匯率的方法。韓立巖等（2007）利用2004年芝加哥商品交易所的美元—?dú)W元期貨期權(quán)的信息，分析發(fā)現(xiàn)隱含偏度、隱含波動(dòng)率與每日匯率變化率有緊密聯(lián)系;李艷麗（2017）通過對(duì)2005年7月至2016年5月境內(nèi)外四種不同期限的人民幣遠(yuǎn)期匯率和即期匯率進(jìn)行分析，發(fā)現(xiàn)期限越短，人民幣遠(yuǎn)期匯率無偏性表現(xiàn)越好，流動(dòng)性、廣度和深度更強(qiáng)的外匯市場(chǎng)的遠(yuǎn)期匯率對(duì)未來匯率預(yù)測(cè)的無偏性更好。

孔儀方等（2012）則認(rèn)為，應(yīng)考慮遠(yuǎn)期匯率、國內(nèi)利率與國外利率對(duì)即期匯率變動(dòng)趨勢(shì)的綜合影響，運(yùn)用由遠(yuǎn)期匯率指標(biāo)測(cè)算而得的貶值壓力指標(biāo)取代遠(yuǎn)期匯率指標(biāo)本身，分析其對(duì)即期匯率市場(chǎng)的價(jià)格傳遞效應(yīng)。

四、組合分析法

組合分析法指的是結(jié)合基本因素分析法、技術(shù)分析法以及市場(chǎng)分析法中兩種及兩種以上的方法預(yù)測(cè)匯率走勢(shì)的方法。基本因素分析法基于多種假設(shè)條件，在短期匯率預(yù)測(cè)上存在困難。而技術(shù)分析法缺乏理論依據(jù)，無法對(duì)中長期匯率進(jìn)行預(yù)測(cè)。組合分析法的出現(xiàn)，通過取長補(bǔ)短，能夠彌補(bǔ)各類匯率預(yù)測(cè)法的短板。

（一）基本因素分析法與技術(shù)分析法結(jié)合

由于匯率波動(dòng)不僅受自身波動(dòng)規(guī)律的影響，而且還會(huì)受到眾多宏微觀經(jīng)濟(jì)因素的影響，因此匯率預(yù)測(cè)組合分析絕大多數(shù)情況是將基本因素分析法和技術(shù)分析法結(jié)合進(jìn)行。

國外學(xué)者中，Guerand（1989）最早采用組合分析法，得出中、短期預(yù)測(cè)組合模型對(duì)外匯市場(chǎng)的預(yù)測(cè)是有效的。國內(nèi)學(xué)者中唐小我等（1996）構(gòu)建的粘性價(jià)格模型和單變量時(shí)間序列模型的組合模型對(duì)中長期匯率的預(yù)測(cè)效果優(yōu)于隨機(jī)游走模型。江春等（2018）將多種匯率決定模型、計(jì)量模型相結(jié)合對(duì)人民幣兌美元匯率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)泰勒規(guī)則模型預(yù)測(cè)能力高于隨機(jī)游走模型。

在基本因素分析和技術(shù)分析的組合模型中，異質(zhì)神經(jīng)網(wǎng)絡(luò)模型的研究最多，它將基本因素法和人工神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來預(yù)測(cè)匯率。Shazly（1997）選取一個(gè)月歐洲美元存款利率、一個(gè)月歐洲外幣存款利率、即期匯率和一個(gè)月的遠(yuǎn)期匯率作為輸入變量，預(yù)測(cè)一個(gè)月后的即期匯率，證明神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果比通過遠(yuǎn)期匯率進(jìn)行預(yù)測(cè)的效果要好?；輹苑宓龋?998，2005）則選取兩國的CPI和GDP、利率差、貨幣供應(yīng)比、凈出口額、外匯儲(chǔ)備等變量，用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行匯率預(yù)測(cè)，具有較高的預(yù)測(cè)精度。徐立本等（2005）以消費(fèi)物價(jià)指數(shù)為輸入變量，以匯率為輸出變量構(gòu)造了人民幣匯率的預(yù)測(cè)模型，結(jié)果顯示其預(yù)測(cè)效果明顯優(yōu)于隨機(jī)游動(dòng)模型。

（二）技術(shù)分析法與市場(chǎng)分析法結(jié)合

將技術(shù)分析法與市場(chǎng)分析法結(jié)合來預(yù)測(cè)匯率的研究不多。侯鐵珊等（2013）將1月期人民幣NDF作為輸入變量，使用非線性自回歸神經(jīng)網(wǎng)絡(luò)對(duì)人民幣匯率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)NDF參與匯率預(yù)測(cè)是有效的。

五、結(jié)論

本文通過總結(jié)分析國內(nèi)外學(xué)者關(guān)于匯率預(yù)測(cè)方法的理論和實(shí)證研究，發(fā)現(xiàn)各匯率預(yù)測(cè)方法雖然通過計(jì)量經(jīng)濟(jì)學(xué)原理能夠?qū)R率波動(dòng)的方向、大小進(jìn)行預(yù)測(cè)和量化，但由于自身存在缺陷，導(dǎo)致預(yù)測(cè)精度有限?；疽蛩胤治龇ㄖ饕趨R率決定理論，能夠?qū)χ虚L期匯率的波動(dòng)進(jìn)行較好的預(yù)測(cè)，但受各匯率決定理論的假設(shè)限制，預(yù)測(cè)精度（特別是對(duì)短期匯率的預(yù)測(cè)）受限。技術(shù)分析法雖然通過計(jì)量經(jīng)濟(jì)學(xué)原理能夠?qū)R率波動(dòng)的方向和大小進(jìn)行預(yù)測(cè)和量化，但由于缺乏理論依據(jù)，容易背離經(jīng)濟(jì)基本面，從而無法解釋中長期匯率波動(dòng)。市場(chǎng)分析法運(yùn)用遠(yuǎn)期匯率市場(chǎng)行情來預(yù)測(cè)匯率，忽略了其他經(jīng)濟(jì)因素對(duì)匯率的影響。組合分析法將以上三種匯率預(yù)測(cè)方法加以結(jié)合，能夠彌補(bǔ)單個(gè)預(yù)測(cè)方法的缺陷，但是如何將它們有機(jī)結(jié)合在一起形成一套完善的匯率預(yù)測(cè)機(jī)制，還是今后研究中需要克服的一道難關(guān)。

參考文獻(xiàn)：

[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.不同匯率制度下的匯率預(yù)測(cè)[J].金融研究，1990，（9）.

[5]? 唐小我，滕穎，曾勇.匯率的組合預(yù)測(cè)模型及應(yīng)用[J].預(yù)測(cè)，1996，（3）.

[6]? 惠曉峰，柳鴻生，胡偉，何丹青.基于時(shí)間序列GARCH模型的人民幣匯率預(yù)測(cè)[J].金融研究，2003，（5）.

[7]? 陳詩一.匯率預(yù)測(cè)：一個(gè)新的非參數(shù)支持向量回歸方法[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2007，（5）.

[8]? 王向宇，須文波，孫俊，趙琪.基于VLRBP神經(jīng)網(wǎng)絡(luò)的匯率預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，（1）.

[9]? 魏紅燕，孟純軍.基于GARCH模型的短期匯率預(yù)測(cè)[J].經(jīng)濟(jì)數(shù)學(xué)，2014，（1）.

[10]? 張蜀林，楊洋.基于混頻數(shù)據(jù)的人民幣匯率預(yù)測(cè)研究[J].商業(yè)研究，2016，（12）.