匯率預測方法綜述

吳思

摘 要：匯率預測方法是學術界長期爭論的話題，國內外學者的匯率預測方法可以分為四類，即基本因素分析法、技術分析法、市場分析法和組合分析法。在系統介紹當前匯率預測方法理論體系的基礎上，通過對比國內外關于各種匯率預測方法的研究成果，總結各類分析法的不足之處，以期為后續研究提供參考。

關鍵詞：匯率;預測方法;綜述

中圖分類號：F224? ? ? 文獻標志碼：A? ? ?文章編號：1673-291X（2019）23-0135-03

隨著經濟全球化不斷深入，預測匯率走勢對一國政府、企業以及個人都具有重大意義。但目前國內學術界關于匯率預測方法的文獻綜述很少。本文力圖梳理當前國內外關于匯率預測方法的重點文獻，并分析各類匯率預測方法的不足，旨在為匯率預測方法的研究提供綜述依據。

一、基本因素分析法

基本因素分析法依據影響匯率變動的各種因素發生作用的方向和強度，來預測匯率變動的走勢。它以匯率決定理論為基礎構建預測模型，通過OLS等回歸分析法預測匯率的走勢。

眾多研究表明，基本因素分析法在實踐中對匯率預測的結果往往不令人滿意。絕對購買力平價理論就被證實其預測準確度不高（陳浪南，1990;鄭蘭祥，2000）;貨幣模型雖具有長期預測效果，但對一年內的預測無效（Mark，1995）;利率平價理論的一些假設條件在現實中難以成立，加上影響未來匯率變動因素的復雜性，使利率平價理論在短期匯率的預測上有所偏移（蔡■霞，2006）。有些學者甚至認為，過去30年間所有的匯率模型，包括貨幣模型、購買力平價模型、非拋補利率平價模型及巴拉薩—薩繆爾森生產率模型及四個模型的綜合模型，沒有任何模型的短期預測力能夠穩定超過隨機游走模型（Meese & Rogoff，1995;Cheung，等，2005;鄧貴川，等，2016）。

后續研究學者則在對匯率決定理論模型進行修正后，取得了一定的成果。例如，引入兩國間債權債務關系，對傳統的貨幣主義模型進行修正，建立匯率預測模型（袁偉，等，2014）;采用分位數回歸法來估計匯率決定模型（關蓉，等，2017）。

也有學者不依靠匯率決定理論，而是根據一定的標準選出諸如貨幣供應量、外匯儲備兩國利率差、貿易條件等匯率的影響因素（袁達，等，1999;張蜀林，等，2016），并構建模型來對匯率走勢進行預測，如魏巍賢（1998）構建的基于協整技術分析的匯率短期預測模型、張蜀林等（2016）構建的M-MIDAS模型。還有學者構建匯率波動影響指標，如郝陽（2016）發現，基于“金融調整渠道”的匯率調整壓力指標對匯率變動有很強的預測能力。

二、技術分析法

技術分析法是指只依靠匯率過去的變動趨勢，使用數學、統計學原理對未來的匯率走勢進行預測。匯率預測的技術分析法主要包括參數統計法、非參數統計法以及組合預測法。

（一）參數統計方法

1.線性模型。常見的匯率預測的線性參數模型有ARMA模型、ARIMA模型等，部分學者在匯率預測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模型來預測匯率并不精確，其預測效果不如GARCH、STAR等非線性參數模型（許少強，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，利用線性模型預測的結果往往精度不高，因此許多學者構建非線性參數模型來預測匯率，并取得了不錯的效果，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，不少研究發現不同貨幣適用于不同的非線性模型，如李志斌等（2010）將ARCH類模型的匯率預測效果進行對比，發現TARCH模型較好地擬合了人民幣對港幣匯率的波動特征，GARCH模型則更好地擬合了人民幣對美元匯率的波動率特征。

（二）非參數統計方法

1.同質神經網絡模型。用同質神經網絡預測匯率的研究很多。Refenes等（1993）、T.D.Chaudhuri等（2016）采用神經網絡方法預測匯率變動，認為神經網絡在特定情況下有一定的預測效果，L.Falat（2016）則利用改造后的徑向基神經網絡提高了匯率預測精度。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神經網絡模型、層反饋（RNN2）網絡結構模型、VLRBP神經網絡模型、RBF神經網絡以及Elman網絡模型對匯率特別是短期匯率進行預測，并取得了一定的效果。

然而，同質神經網絡模型并不適用于所有幣種匯率的預測，如Kuan和Liu（1995）發現，神經網絡只對日元、英鎊兌美元的預測較為準確，但對加拿大元、德國馬克及瑞士法郎兌美元的預測效果一般。

2.支持向量機模型。支持向量回歸（SVR）最早是Vapnik（1995）提出的用來解決分類和識別問題的非參數方法，后由于其強大的預測能力也被應用于金融和經濟領域。國內學者中陳詩一（2007）較早應用SVR方法預測中國、韓國、印度和瑞士四國貨幣兌美元的日匯率，證明SVR方法具有較強的預測能力。方兆本等（2015）用基于自相關函數均值變點的HHT法對匯率數據進行降噪后，再利用SVR方法進行預測，發現預測精度有所提高。

3.馬爾科夫鏈模型。馬爾科夫鏈中的某一時刻的數值僅與前一時刻數值相關，與其他歷史時刻的數值無關。若能證實匯率具有馬爾可夫性質，則可利用馬爾科夫鏈模型來預測匯率。陳敏等（2007）和劉巖等（2007）分別運用馬爾科夫鏈模型對人民幣兌美元的匯率進行預測，預測結果與實際情況相符。張成虎等（2010）利用馬爾科夫區制轉移模型對人民幣兌美元匯率進行預測，同樣取得了不錯的效果。

4.其他非參數統計方法。除以上三種方法外，國內外學者還運用其他如遺傳算法模型（賈光峰等，2008）、灰度預測模型（張淵淵，等，2011）、小波分析（殷光偉，2011）等非參數方法來預測匯率。

（三）組合預測法

組合預測法最早由Bates和Grange（1969）提出。它能改進單項預測方法的不足，提升模型的預測精度。

Hu和Tsoukalas（1999）用不同的GARCH模型預測條件波動，并對這些預測值進行線性和非線性組合，結果表明，用神經網絡進行非線性組合的預測效果是最好的。Tseng等（2002）、Zhang（2003）和Yu，Wang和Lai（2005）則分別將SARMIA模型、ARIMA模型和GLAR模型與神經網絡模型組合進行預測。謝赤和歐陽亮（2008）通過比較同質神經網絡模型、異質神經網絡模型以及神經網絡組合模型，發現神經網絡組合模型能更好地預測匯率的變動趨勢。洪嘉灝等（2016）提出將匯率時間序列中線性部分的數據通過隨機游走模型進行模擬，剩余的非線性殘差部分用前饋神經網絡和誒爾曼神經網絡處理的組合預測方法，證明該組合預測方法的預測精度優于單項預測模型。傅魁等（2018）運用改進的集成經驗模態分解（MEEMD）和模糊灰色關聯度分析，發現MEEMD組合模型的預測效果優于其他單模型和組合模型。

盡管組合預測模型在預測精度上優于單項模型，但由于單個組合預測模型總是基于特定時段匯率的波動特征，使得組合預測模型的通用性大打折扣，更為適用短期匯率預測。不少學者則試圖構建高自適用性模型來解決這一難題，如蔣傳進（2017）基于單項模型的偏度、誤差方差比、預測步長和相關性四個因素構建擁有自適用性的模型遴選程序，使得組合模型能夠根據匯率特征自動篩選出適用性最高的模型，從而提高模型的普適性。

三、市場分析法

市場分析法是指利用當前市場匯率行情來估計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—歐元期貨期權的信息，分析發現隱含偏度、隱含波動率與每日匯率變化率有緊密聯系;李艷麗（2017）通過對2005年7月至2016年5月境內外四種不同期限的人民幣遠期匯率和即期匯率進行分析，發現期限越短，人民幣遠期匯率無偏性表現越好，流動性、廣度和深度更強的外匯市場的遠期匯率對未來匯率預測的無偏性更好。

孔儀方等（2012）則認為，應考慮遠期匯率、國內利率與國外利率對即期匯率變動趨勢的綜合影響，運用由遠期匯率指標測算而得的貶值壓力指標取代遠期匯率指標本身，分析其對即期匯率市場的價格傳遞效應。

四、組合分析法

組合分析法指的是結合基本因素分析法、技術分析法以及市場分析法中兩種及兩種以上的方法預測匯率走勢的方法。基本因素分析法基于多種假設條件，在短期匯率預測上存在困難。而技術分析法缺乏理論依據，無法對中長期匯率進行預測。組合分析法的出現，通過取長補短，能夠彌補各類匯率預測法的短板。

（一）基本因素分析法與技術分析法結合

由于匯率波動不僅受自身波動規律的影響，而且還會受到眾多宏微觀經濟因素的影響，因此匯率預測組合分析絕大多數情況是將基本因素分析法和技術分析法結合進行。

國外學者中，Guerand（1989）最早采用組合分析法，得出中、短期預測組合模型對外匯市場的預測是有效的。國內學者中唐小我等（1996）構建的粘性價格模型和單變量時間序列模型的組合模型對中長期匯率的預測效果優于隨機游走模型。江春等（2018）將多種匯率決定模型、計量模型相結合對人民幣兌美元匯率進行預測，發現泰勒規則模型預測能力高于隨機游走模型。

在基本因素分析和技術分析的組合模型中，異質神經網絡模型的研究最多，它將基本因素法和人工神經網絡模型結合起來預測匯率。Shazly（1997）選取一個月歐洲美元存款利率、一個月歐洲外幣存款利率、即期匯率和一個月的遠期匯率作為輸入變量，預測一個月后的即期匯率，證明神經網絡的預測效果比通過遠期匯率進行預測的效果要好?；輹苑宓龋?998，2005）則選取兩國的CPI和GDP、利率差、貨幣供應比、凈出口額、外匯儲備等變量，用模糊神經網絡進行匯率預測，具有較高的預測精度。徐立本等（2005）以消費物價指數為輸入變量，以匯率為輸出變量構造了人民幣匯率的預測模型，結果顯示其預測效果明顯優于隨機游動模型。

（二）技術分析法與市場分析法結合

將技術分析法與市場分析法結合來預測匯率的研究不多。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網絡對人民幣匯率進行預測，發現NDF參與匯率預測是有效的。

五、結論

本文通過總結分析國內外學者關于匯率預測方法的理論和實證研究，發現各匯率預測方法雖然通過計量經濟學原理能夠對匯率波動的方向、大小進行預測和量化，但由于自身存在缺陷，導致預測精度有限。基本因素分析法主要基于匯率決定理論，能夠對中長期匯率的波動進行較好的預測，但受各匯率決定理論的假設限制，預測精度（特別是對短期匯率的預測）受限。技術分析法雖然通過計量經濟學原理能夠對匯率波動的方向和大小進行預測和量化，但由于缺乏理論依據，容易背離經濟基本面，從而無法解釋中長期匯率波動。市場分析法運用遠期匯率市場行情來預測匯率，忽略了其他經濟因素對匯率的影響。組合分析法將以上三種匯率預測方法加以結合，能夠彌補單個預測方法的缺陷，但是如何將它們有機結合在一起形成一套完善的匯率預測機制，還是今后研究中需要克服的一道難關。

參考文獻：

[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測[J].金融研究，1990，（9）.

[5]? 唐小我，滕穎，曾勇.匯率的組合預測模型及應用[J].預測，1996，（3）.

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

[7]? 陳詩一.匯率預測：一個新的非參數支持向量回歸方法[J].數量經濟技術經濟研究，2007，（5）.

[8]? 王向宇，須文波，孫俊，趙琪.基于VLRBP神經網絡的匯率預測[J].計算機工程與設計，2010，（1）.

[9]? 魏紅燕，孟純軍.基于GARCH模型的短期匯率預測[J].經濟數學，2014，（1）.

[10]? 張蜀林，楊洋.基于混頻數據的人民幣匯率預測研究[J].商業研究，2016，（12）.