孟慶斌 宋烜 宋祉健

【摘要】人民幣匯率風險的精準計算和預測是管理和控制匯率風險的首要條件，并隨著外匯市場的發(fā)展與完善受到越來越多的重視。在此背景下，利用隨機波動模型和在險價值模型對匯改后的人民幣匯率風險進行度量與預測。首先，基于貝葉斯估計方法，運用四種隨機波動模型對人民幣匯率波動進行擬合，并運用DIC準則篩選出擬合效果最好的SV-N模型；然后，利用篩選出的模型結合在險價值模型對人民幣匯率風險進行度量；最后，基于所構建的SV-N-CVaR模型，對所選樣本范圍之外100日的人民幣匯率風險進行一步向前預測。將預測值與真實值進行比較，可以看到預測正確率為87%，匯率風險預測值和真實值的變動趨勢基本相同，說明風險預測模型與真實狀況保持了較高的一致性，在所構建模型的基礎上建立人民幣匯率風險預測體系是可行的。

【關鍵詞】人民幣匯率；風險預測；隨機波動模型；在險價值模型

【中圖分類號】F830【文獻標識碼】A【文章編號】1004-0994（2019）24-0151-7

【基金項目】國家自然科學基金面上項目“賣空機制、私有信息與知情交易”（項目編號：71772174）；國家自然科學基金青年項目“政府監(jiān)管、市場監(jiān)督與公司信用債券定價”（項目編號：71302156）；中國人民大學面上項目“揭開價格發(fā)現(xiàn)的‘黑箱——市場價格發(fā)現(xiàn)模型與實證技術研究”（項目編號：2017030185）

一、引言

外匯市場是每個國家金融市場的核心組成部分，匯率穩(wěn)定對宏觀經(jīng)濟穩(wěn)定至關重要。尤其是對于新興市場國家而言，短時間內的匯率大幅波動會對金融市場，甚至整個國家的宏觀經(jīng)濟產生嚴重的后果。2015年之前，由于人民銀行對我國匯率波動幅度管制較嚴，因此匯率風險相對較小。2015年的“8.11匯改”為我國人民幣國際化與市場化進程起到了積極的推動作用，但此后匯率波動上限大幅提高，匯率風險也隨之上升。十九大報告首次提出的“宏觀審慎政策”和央行行長首次警示的“明斯基時刻”說明我國對金融風險的重視程度不斷提高。在這樣的背景下，匯率風險作為金融風險的一部分，迅速成為上至國家決策層下至金融市場關注的焦點問題之一，也引起了學術界的廣泛討論。

科學管控匯率風險的基礎和前提是對匯率風險進行準確的度量和預測，對此學者們進行了大量的研究。如惠曉峰等[1]運用GARCH模型對1994年匯改后的人民幣匯率波動進行刻畫，并對匯率進行了一步向前的預測。王雪等[2]運用多元GARCH模型（GARCH-BEKK）測算了我國匯率的波動，并將測算結果運用于我國的出口貿易中。張海波等[3]運用GARCH模型刻畫了我國匯率波動，并結合在險價值（VaR）模型測算了人民幣匯率風險。GARCH模型將金融時間序列的條件方差表示為殘差平方和條件方差的滯后項的線性組合，較好地反映了匯率波動中的時間聚集效應。然而，現(xiàn)實中匯率等金融時間序列的波動率變化更接近于一般隨機過程，波動率具有時變性，但GARCH族模型卻不能較好地刻畫這一特點，這就影響了它的擬合度和預測精度。隨機波動（SV）模型考慮了波動率的時變性，很好地彌補了GARCH族模型的不足，從而有利于提高刻畫的準確性[4-6]。實際上到目前為止，SV模型已經(jīng)在金融研究，尤其是對股票市場[7-9]、期貨市場[10-12]、債券市場[13]的研究上得到了比較廣泛的應用。然而，由于匯率的影響因素更加復雜，且我國匯率受政策干預程度較高，到目前為止，只有少數(shù)學者將SV模型引入我國匯率或匯率風險的刻畫，鮮有學者將其運用于我國匯率風險的預測中[14-16]。

為此，本文嘗試利用SV模型對我國匯率風險進行刻畫，在此基礎上還將對匯率風險進行樣本外預測，從而為國家政策制定者科學管控匯率風險提供理論依據(jù)。首先，運用四種隨機波動模型（SV-N、SV-T、SV-MN和SV-MT）對人民幣匯率波動進行擬合，并運用DIC準則篩選出擬合效果最好的模型；然后，利用篩選出的模型結合在險價值模型（VaR和CVaR）對人民幣匯率風險進行度量；最后，在度量人民幣匯率風險的基礎上，對人民幣匯率進行一步向前預測。研究發(fā)現(xiàn)，在本文所考察的SV模型中，SV-N模型對匯率波動的擬合效果相對最優(yōu)，且當運用于人民幣匯率風險刻畫和預測時，SV-N模型也取得了很好的效果。

本文的理論貢獻體現(xiàn)在兩個方面：①使用隨機波動模型對包括重大外生政策沖擊——“8.11匯改”在內的時間區(qū)間中的人民幣匯率風險進行刻畫和度量，與之前文獻廣泛使用的GARCH族模型相比，更好地擬合了匯率的波動特征，提高了匯率風險的度量精度。在此基礎上，構建了人民幣匯率風險的樣本外預測模型，且取得了令人滿意的結果。②由于本文建立的人民幣匯率風險刻畫和預測模型對外生政策沖擊有較好的包容性，因此該結果可為政策制定者和外匯市場參與者更加準確地度量與預測我國匯率風險提供借鑒，從而科學地制訂風險管控和預警方案。

二、基于隨機波動模型的在險價值模型

1.在險價值模型。J. P. Morgan公司1994年首次提出在險價值（Value at Risk，簡稱VaR）的概念，其數(shù)學表達式為：

由此可見，CVaR模型反映了在一定的置信水平下，投資組合超過潛在最大損失的平均潛在損失。同時，CVaR的運算以VaR為依托，且在CVaR的運算中能夠同時得出二者的值。

CVaR具有包括時移不變性、劣可加性、正齊次性及單調性在內的一致性，與不具有這一性質的VaR相比精度更高、適用范圍更廣[19]。將CVaR運用于人民幣匯率風險的度量與預測時，反映了在一定的置信水平下，人民幣匯率風險超過潛在最大損失的平均潛在損失，因此能夠更好地對我國匯率進行度量。

2.隨機波動模型。從上文可以看到，計算在險價值模型的核心為準確地估計匯率波動率σt。然而如前所述，現(xiàn)實中匯率等金融時間序列波動的變化更接近于一般隨機過程，波動率具有時變性，但GARCH族模型卻不能較好地反映該特點，這就影響了擬合度和預測精度。為此，本文利用善于捕捉波動率時變性的隨機波動（SV）模型對其進行擬合。同時為了提高擬合精度，分別使用SV-N、SV-T、SV-MN和SV-MT模型對人民幣匯率波動進行刻畫，并對各模型結果進行比較。

從表1可以看到，人民幣匯率變動存在明顯的右偏（偏度為1.83>0）特征，且峰度較高（峰度為16.63>3），同時其JB統(tǒng)計量為4151，說明該序列與正態(tài)分布相去甚遠，具有典型的尖峰厚尾特征。由ADF統(tǒng)計量可知，人民幣匯率變動序列是平穩(wěn)的，為后續(xù)利用SV族模型進行建模創(chuàng)造了條件。

2.基于SV模型的人民幣匯率波動性分析。針對人民幣兌美元匯率，本文利用MCMC方法對SV-N、SV-T、SV-MN、SV-MT四個模型中的未定參數(shù)進行貝葉斯估計，各模型參數(shù)估計結果見表2。

為了從四個模型中篩選擬合效果最好的模型，本文選用目前常用的DIC準則，結果見表3。在DIC準則中，D表示模型的刻畫水平，具體而言，D值較低的模型對樣本數(shù)據(jù)的刻畫效果較好；PD代表模型自身的簡易程度，PD值較大的模型自身的簡易程度較差。所以，DIC值越大，模型的刻畫水平越差、簡易程度越差，模型更應該被淘汰，反之，則更應該被保留。從表3可以看到，SV-N模型的DIC值最小，說明其對人民幣匯率的擬合效果最優(yōu)，因此本文選用SV-N模型，即表2中的式（20）來進行人民幣風險測度和預測。

SV-N模型中各未定參數(shù)的后驗分布密度如圖1所示。由圖1可以看出，各未定參數(shù)的分布較為集中，也證明本文的估計結果是可靠的。

由以上的貝葉斯估計結果可以得出如下結論：

（1）人民幣匯率的對數(shù)波動（μ）的均值為-13.3193，α=0.05時的置信區(qū)間是[-14.4000，-12.4975]，結果顯示樣本序列的對數(shù)波動數(shù)值較大，說明人民幣匯率的波動率較高。

（2）當期波動對遠期作用持久性（？）的均值為0.9388，α=0.05時的置信區(qū)間為[0.8913，0.9792]，說明匯率的波動對外匯市場遠期的作用是持久的。

（3）匯率的對數(shù)波動方差（τ）的均值為0.5474，在顯著性水平α=0.05時的置信區(qū)間為[0.4259，0.6991]，數(shù)值相對較小，說明刻畫人民幣匯率的對數(shù)波動的模型較好。

3.人民幣匯率風險的度量。在上文所得到的人

民幣匯率對數(shù)波動率（ht）的基礎上，本文進一步利用式（5）對人民幣匯率風險（CVaR）進行度量，結果見表4。

為驗證SV-N-CVaR模型的適用性，本文采用Kupiec檢驗法對其進行考察。為此，本文首先對匯率序列作差，得到匯率變動序列{△pt=pt-pt-1|t=1，2，…，500}；在此基礎上，定義似然比率（Likelihood Ratio）統(tǒng)計量為：

其中，T為樣本量，N為CVaR小于匯率變動量的次數(shù)。因此p=N/T即為CVaR小于真實差值的頻率。而當CVaR的置信水平為c時，CVaR小于匯率變動量的期望頻率則為p=1-c。

計算可得，LR統(tǒng)計量為3.89，接近于5%的顯著性水平下的閾值（3.84），因此本文風險度量的結果是可以接受的?？紤]到本文樣本區(qū)間涵蓋了2015年“8.11匯改”時段，Kupiec檢驗的結果說明本文的風險度量在外生政策沖擊下具有穩(wěn)健性，能夠全面考察人民幣匯率風險。

4.人民幣匯率風險預測。為了考察本文所構建的SV-N-CVaR的預測效果，本文對2017年5月23日到2017年10月19日，即上文所選樣本范圍之外100日的匯率風險進行一步向前預測。在對每日匯率風險進行預測時，均從該日的上一個交易日開始，向前取500個有效的人民幣匯率中間價作為訓練集，用以計算SV-N模型中的未定參數(shù)。將其代入式（20）和式（5），計算該日的匯率風險，并與當日真實風險進行比較。以預測2017年5月25日的匯率風險為例，訓練集選為2015年5月6日至2017年5月24日，共500個匯率數(shù)據(jù)。具體預測結果見圖2。

結果表明，在100次預測中，有87次的預測值大于真實差值，預測正確率為87%，結果是可以接受的。從圖2也可以看到，匯率風險預測值和真實值的變動趨勢基本相同，說明外匯風險預測值與真實狀況保持了較高的一致性，本文所構建的SV-N-CVaR模型預測效果較好。

四、結論

本文利用SV模型建立了匯率風險度量模型，并以此為基礎對我國匯率風險進行了樣本外預測。為此，首先運用四種隨機波動模型（SV-N、SV-T、SV-MN和SV-MT）對人民幣匯率波動進行擬合，并運用DIC準則進行了模型篩選；然后，利用篩選出的模型結合在險價值模型（VaR和CVaR）對人民幣匯率風險進行度量；最后對人民幣匯率進行了樣本外預測。研究發(fā)現(xiàn)，相對于其他模型，SV-N模型能夠更精確地擬合人民幣匯率波動趨勢，基于該模型建立的SV-N-CVaR模型對人民幣匯率風險的預測準確性更高，且對樣本外的匯率風險的預測效果令人滿意。

結合本文的研究可以得到如下啟示：實現(xiàn)人民幣國際化有利于解決我國的貨幣錯配問題，提高人民幣的國際定價能力。然而，在人民幣國際化進程中，匯率波動引發(fā)的問題越來越多，隨之而來的匯率風險可能對我國金融體系甚至經(jīng)濟安全帶來挑戰(zhàn)。尤其是我國正處于經(jīng)濟發(fā)展的轉型換擋期，匯率風險失控有可能上升和轉化為實體經(jīng)濟的系統(tǒng)性風險。人民幣匯率形成機制改革應結合國際經(jīng)濟發(fā)展趨勢以及我國自身經(jīng)濟發(fā)展狀況循序漸進，既不能盲目追求市場化而忽視風險，也不能為了方便管控而固步自封。應該在保證風險可控的范圍之內，穩(wěn)步推進人民幣國際化進程。同時應在人民幣國際化逐步推進的過程中，對匯率風險保持高度警惕，建立有效的匯率風險防范體系和預案，當風險過大時，適度放緩國際化進程甚至以退為進亦不失為明智之舉。

具體到風險模型的構建上，從本文的研究可以發(fā)現(xiàn)，基于傳統(tǒng)的時不變模型所構建的匯率風險度量和預測模型適用性有限，尤其是在面對如“8.11匯改”這種外生事件的情況下，效果更差。而本文利用考慮波動率時變的SV-N所建立的匯率風險度量模型則能夠對我國匯率風險進行較為準確的度量，并對樣本外的風險進行較好的預測。因此，結合我國國情和匯率形成機制，利用近年來計量經(jīng)濟學模型的最新成果，繼續(xù)構建和完善匯率風險度量和預測模型是我們未來探索的方向。

主要參考文獻：

[1]惠曉峰，柳鴻生，胡偉何等.基于時間序列GARCH模型的人民幣匯率預測[J].金融研究，2003（5）：99～105.

[2]王雪，胡未名，楊海生.匯率波動與我國雙邊出口貿易：存在第三國匯率效應嗎[J].金融研究，2016（7）：1～16.

[3]張海波，陳紅.人民幣匯率風險度量研究——基于不同持有期的VaR分析[J].宏觀經(jīng)濟研究，2012（12）：25～31.

[4]Jacquier E.，Polson N.，Rossi P. Bayesian Analysis of Stochastic Volatility Models[J].Journal of Business & Economic Statistics，1994（4）：371～417

[5] Danielsson J. Multivariate Stochastic Volatility Models：EstimationandaComparisonwith VGARCH Models[J].Journal of Empirical Fi？ nance，1998（2）：155～173.

[6]余素紅，張世英，宋軍.基于GARCH模型和SV模型的VaR比較[J].管理科學學報，2014（5）：61～66.

[7]王春峰，蔣祥林，李剛.基于隨機波動性模型的中國股市波動性估計[J].管理科學學報，2003（4）：63～72.

[8]吳鑫育，馬超群，汪壽陽.隨機波動率模型的參數(shù)估計及對中國股市的實證[J].系統(tǒng)工程理論與實踐，2014（1）：35～44.

[9]吳鑫育，李心丹，馬超群.門限已實現(xiàn)隨機波動率模型及其實證研究[J].中國管理科學，2017（3）：10～19.

[10]劉慶富，華仁海.重大風險事件對中國商品期貨市場的沖擊效應——基于學生分布的隨機波動模型[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2012（5）：89～103.

[11]謝赤，楊妓妓，趙亦軍.基于SV-M-POT-PSRM模型的期貨維持保證金水平設定——關于滬深300股指期貨高頻數(shù)據(jù)的實證分析[J].系統(tǒng)管理學報，2013（6）：768～776.

[12]秦學志，郭明，宋宇.基于SV-POT-TDRM的滬深300股指期貨尾部風險研究[J].系統(tǒng)管理學報，2017（5）：888～896.

[13]劉善存，牛偉寧，周榮喜.基于SV模型的我國債券信用價差動態(tài)過程研究[J].管理科學學報，2014（3）：37～48.

[14]楊愛軍，蔣學軍，林金官等.基于MCMC方法的金融貝葉斯半?yún)?shù)隨機波動模型研究[J].數(shù)理統(tǒng)計與管理，2016（5）：817～825.

[15]何啟志.新常態(tài)背景下匯率市場化改革與匯率波動性研究[J].國際金融研究，2017（3）：67～76.

[16]劉祥東，范彬，楊易銘等.基于M-Copula-SV-T模型的高維組合風險度量[J].中國管理科學，2017（2）：1～9.

[17] Rockafeller R. T.，Uryasev S. Optimization of Conditional Value-at-Risk[J].Risk，2000（3）：21～41.

[18]Rockafeller R. T.，Uryasev S. Conditional Valueat-Risk for General Loss Distributions[J].Journal of Banking and Finance，2002（7）：1443～1471.

[19] Artzner P.，Delbaen S.，Eber J. M.，et al. Thinking Coherently[J].Risk，1997（11）：68～71.

[20] Clark P. A Subordinated Stochastic Process Model with Finite Variance for Speculative Prices[J].Econometrica，1973（1）：135～155.

[21] Tauchen G.，Pitts M. The Price Variabilityvolume Relationship on Speculative Markets[J]. Econometrica，1983（2）：485～505.

[22] Hull J.，White A. Valuation of a CDO and an n-th to Default CDS Without Monte Carlo Simu？ lation[J].Journal of Derivatives，2004（2）：8～23.

[23]Taylor S. J. Modeling financial time series[M]. New York：John Wiley and Sons，1986：1～200.

[24] Liesenfeld R.，Jung R. Stochastic Volatility Models：Conditional Normality Versus Heavytailed Distributions[J].Journal of Applied Econo？ metrics，2000（2）：137～160.

[25]Koopman S.，Uspensky E. The Stochastic Volatility in Mean Model：Empirical Evidence from In？ ternational Stock Markets[J].Journal of Applied Econometrics，2002（6）：667～689.

[26] Taylor S. Modeling Stochastic Volatility：A Review and Comparative Study[J].Mathematical Finance，1994（2）：183～204.

[27] Geman S.，Geman D. Stochastic Relaxation，Gibbs Distributions，and the Bayesian Restoration of Images[J].IEEE Transactions on Pattern Analy？ sis and Machine Intelligence，1984（6）：721～741.

作者單位：1.中國人民大學商學院，北京100872；2.中國注冊會計師協(xié)會，北京100039。宋烜為通訊作者