文摘
本文抓住了人民币汇率波动使用经建会GARCH (MSGARCH)模型和传统single-regime GARCH模型。通过马尔可夫链蒙特卡罗(密度)方法,模型参数估计研究人民币汇率的波动动力学。此外,我们比较MSGARCH single-regime GARCH规范模型的风险价值(VaR)预测精度。根据异常信息的标准方法,研究表明,MSGARCH模型优于single-regime规范获取人民币汇率波动的复杂性。2015年人民币汇率改革后,波动更不对称和持久,湍流波动政权的概率大大增加。中美贸易摩擦的不断升级增加了人民币汇率取的VaR。从实际的评价结果预期超过数比率(AE),条件覆盖(CC)测试,和动态分位数(DQ)测试中,我们发现强有力的证据表明two-regime MSGARCH模型可以更准确地预测VaR,它提供了实用价值为中国外汇管理当局管理金融风险。
1。介绍
元人民币的国家货币是世界上最大的出口国和第二大进口国。两国之间的汇率价格,人民币汇率稳定尤为重要的中国和其他国家之间的经贸合作。汇率波动逐渐市场交易员的注意。2005年7月21日,中国人民银行(PBOC)第二个主要实现人民币汇率形成机制改革。关于调整和管理一篮子货币,央行决定不仅仅盯住美元,而是实现浮动汇率制度基于市场供求。2005年7月之前,尽管中国的汇率制度一直是有管理的浮动汇率制度,其实质是采用固定汇率制度,人民币对美元是固定的。美元和人民币之间的汇率将保持8.27 - -8.30的范围内,直到2005年7月。2008年6月,以应对全球金融危机的影响,人民币汇率盯住美元,直到2010年6月,当它回到人民币汇率盯住一篮子货币的汇率制度。从那以后,人民币汇率的中央平价已经赋予了更市场化的形式。与此同时,人民币汇率的波动也加剧,呈现多个复杂性。
2015年8月11日,央行实施的第三个重大改革人民币汇率制度,宣布报价的调整机制,人民币兑美元汇率的中间价。做市商可能指的是外汇市场的收盘价在前一天开放和中间价格报告给中国外汇交易中心。人民币汇率已经进一步商业化和双向浮动的灵活性已经显著增加。当天汇率改革,2015年的收盘价对美元汇率下跌1136个基点与前面的开幕。这种动荡已经发布了增加了汇率波动的市场信号。2017年5月26日,中国央行宣布加入反周期因素,人民币汇率形成机制,削弱外汇市场中的羊群效应和减缓人民币汇率的大幅波动。2019年8月5日,受到美国的单边主义和贸易保护主义的措施和征收关税对中国的期望,在岸和离岸人民币汇率兑美元都超过了“7”,达到11年来新低。在这种背景下,对涉外企业和商业银行在中国,人民币汇率风险的管理尤为重要。此外,关键是准确地把握人民币汇率的波动模式在新的汇率制度下。此外,如何精确测量的问题人民币汇率风险将成为风险管理者的首要任务。
基于上述考虑,本文认为经建会GARCH (MSGARCH)模型来捕获的结构性变化,人民币汇率波动通过马尔可夫链蒙特卡罗(密度)参数估计方法。我们还讨论了模型的估计效果MSGARCH模型和传统single-regime GARCH模型。此外,MSGARCH模型结合风险价值(VaR)方法来评估的准确性MSGARCH传统single-regime GARCH模型和规范风险预测。实证结果有很大的理论意义的风险预测和风险管理人民币汇率问题。
论文的结构如下:部分2回顾相关文献。所选模型规范和相关方法论提供了部分3。我们描述了本文中使用的数据和变量模型和应用规范研究人民币汇率的波动动态部分4。最后,部分的主要结论5。
2。文献综述
汇率波动的特点为学者一直是一个热门话题,逐渐表现出新的特征与不同的金融和经济环境。基于线性和非线性GARCH模型的实证分析,外国学者获得四个非线性特征:厚尾和集群,不对称,负相关(1- - - - - -3]。厚尾的高概率和集群和集群是指金融时间序列的极值。国内学者对此做了大量研究的特点。锅(4)使用GARCH模型和EGARCH模型来研究人民币汇率的操作特点之前和之后的2015年汇率改革。结果表明,汇率改革后,人民币汇率一直在高波动政权很长一段时间,和之间的联系对在岸和离岸市场人民币汇率已经加强。通过实证研究,他(5]获得人民币国际化增加汇率的波动范围和连续性,从单向升值和人民币汇率波动变化波动的双向波动。阳光和太阳6)使用ARIMA-GARCH实证模型得出结论,人民币的汇率波动持久性和杠杆效应后人民币进入SDR。
不对称和负相关意味着负面返回极端值的概率更大,更容易高波动性。汉密尔顿[7)是第一个在金融时间序列分析中引入马尔可夫状态变换模型。之后,它被广泛用于金融资产的时间序列分析。模型可以将时间序列的波动分为几个不同的制度分析波动特征在不同的政权(8- - - - - -10]。Zhang et al。11)使用不同类型的马尔可夫状态变换GARCH模型估计每日和每周原油价格的波动。结果表明,状态变换GARCH模型帮助识别结构的变化波动,这显示优势相比single-regime GARCH模型。此外,张等人发现MSGARCH没有执行比single-regime GARCH模型规范当预测VaR。目前,国内许多学者应用MSGARCH模型对中国金融市场的研究。基于改进的学生- - - - - -t条件分布,魏12]研究马尔可夫状态变换GARCH模型比single-regime GARCH族模型拟合程度和预测股票市场数据的影响。杨et al。13)选择上证综合指数和深圳综合指数研究的影响参数MSGARCH VaR模型和非参数MSGARCH模型预测。结果表明,非参数模型表现更好的VaR预测的影响。霁(14)利用各种马尔可夫状态变换的GARCH模型来衡量GDP增长率的不确定性。研究发现,MSGARCH模型能更准确地分析不确定性的来源。黄等。15)使用一个动态多维条件修正MSGARCH模型来研究汇率波动的预测效果。结果表明,MSGARCH模型与三个政权有一个更好的预测汇率波动的影响。
一般来说,有大量的文献研究MSGARCH模型,虽然有一些文学作品的优点和缺点状态变换MSGARCH模型和single-regime GARCH模型在风险损失预测。对于参数估计法、最大似然估计(标定)方法被多数学者选择MSGARCH模型的参数估计(16]。然而,标定方法很难准确地估计模型参数(17]。马尔可夫链蒙特卡罗(密度)方法用于估计MSGARCH模型的参数。获得方法可以更准确地估计模型参数的后验分布,解决当地最大的标定方法的收敛性。首先,two-regime MSGARCH模型single-regime同行比较,估计不同的状态变换MSGARCH模型估计的密度的方法。然后,我们选择MSGARCH模型拟合效果最好的研究人民币汇率的动态波动。在研究内容方面,人民币汇率的波动特点值得研究在新的汇率制度下汇率改革后在2015年。进一步说,考虑到VaR(风险)的测量方法,探讨MSGARCH规范和传统GARCH规范的准确性而言,人民币汇率的风险测量。此外,提高实证模型来研究人民币汇率波动旨在为金融机构的风险管理提供一种有效的测量。
3所示。方法
3.1。MSGARCH模型
恩格尔是第一个提出了自回归条件异方差(ARCH)模型,解决了这个问题引起的异方差性。Bollerslev扩展ARCH模型,提出了广义自回归条件异方差(GARCH)模型来解决这个问题太长的滞后期的ARCH模型。从那时起,GARCH模型已经被学者广泛研究和扩展功能。纳尔逊提出了EGARCH模型的单变量指标,克服了问题,估计的参数必须是负的。Glosten等人介绍了负面冲击的杠杆效应,并提出了GJR-GARCH模型来研究金融时间序列的不对称。
金融资产回报高峰和厚尾的特点,及其价格波动将显示不对称效应和可变性。基于马尔可夫状态变换GARCH模型指定的灰色(18),本文对人民币汇率的波动之前和之后的“811”2015年汇率改革。标准正态分布,学生-t分布,扭曲学生-t分布,分别用来适应每一个政权。
让yt每日汇率log-return在时间 。我们假设是连续不相关的;也就是说,下面的条件假设 和 为 和所有 。在阿尔迪亚et al ., MSGARCH模型的一般形式可以表示为 在哪里 是零均值的连续分布,时变方差吗 ,和其他形状参数收集在一个向量 。Φt1代表了信息设置观察时间t1,就是Φt1≡ 此外,整数随机变量 ,离散空间中定义 ,马尔可夫状态变换GARCH模型的特点。标准化的创新被定义为 。
假设发展据未被注意的一阶遍历齐次马尔可夫链,和它的 转移概率矩阵是 在哪里 的概率是一个过渡的政权吗 对政权 。
显然,以下约束: , ,和 。参数化 ,我们有 ;也就是说,的方差有条件的实现 。
哈斯(后19),有条件的政权 ,我们指定 的函数前面的观察 ,前面的方差 ,和额外的regime-dependent向量的参数 。在实际应用中,许多研究表明GARCH(1,1)模型是最好的方法来准确地捕捉汇率波动。在此基础上,本文使用了两个马尔可夫状态变换GARCH模型,分别和GARCH(1,1)模型如下:
为 ,我们有参数矩阵 与约束 ,和GJR-GARCH(1,1)模型如下:
,在哪里指标函数取的值是一个如果条件成立,否则和零。我们有参数矩阵 与约束 , ,在不对称项参数控件的大小不对称条件波动的应对过去的影响机制 。
3.2。风险价值方法
VaR (风险价值)字面上面临的最大损失是指金融资产或资产组合在一定的持有期和信心的水平。它可以表示为 在哪里 代表了可能的损失和置信水平。此外,在持有期间 ,金融资产的最大损失的可能性超过是 。当我们估计 ,三个变量需要确定。第一个是信心的水平。管理者可以决定一个置信水平基于风险规避的程度。巴塞尔银行监管委员会(BCBS)要求商业银行采用99%置信水平。第二个是金融资产的持有期间;,经理要计算的最大风险值一天,一周或一个月。持有相同的资产的时间越长,风险越大。BCBS也规定,银行应采取10个交易日持有期。最后是观察期,资产的历史数据窗口。计算值需要根据特定历史数据来确定其波动特征。
为了比较的动态VaR预测影响single-regime MSGARCH模型和two-regime MSGARCH模型,实际在预期超过数比例(AE)的条件覆盖(CC)测试Christoffersen [20.),和动态分位数(DQ)测试由恩格尔和Manganelli [21)用于计算VaR的预测。
4所示。实证结果
4.1。数据来源和处理
人民币每日汇率(美元/人民币、日元/人民币和港币/人民币)从国家外汇管理局。时间从2010年6月21日至12月23日,2019年,总共2315年观测(补充材料)的详细数据。人民币汇率的原始样本数据进行一阶对数微分处理。然后,每日取人民币汇率计算的公式
4.2。摘要统计信息
表1显示的汇总统计每日取人民币汇率。根据描述性统计报告在表1,所有log-return系列的意思接近0。RJPY最大的绝对回报率,而RUSD和RHKD有相同的绝对回报率。此外,偏态RUSD RHKD很重要,小,和积极的,表明上尾巴的经验分布取长于尾巴越低,而较低的尾部的经验分布RJPY取更长。因此,它可以明显看到,人民币汇率取的经验分布是不对称的。正常价值的峰度远高于3 log-return系列。Jarque-Bera的显著值表明,所有log-return系列拒绝零假设的正态分布的错误。ADF的重要值(增强Dickey-Fuller测试)表明log-return系列都是固定在1%置信水平。此外,ARCH-LM值的所有log-return系列在1%的置信水平下显著,拒绝零假设的拱效应。因此,本文运用GARCH模型来捕捉人民币汇率的波动性log-return系列。
4.3。MSGARCH模型基于密度方法的比较
基于马尔可夫链蒙特卡罗(密度)方法,我们认为GARCH(1,1)模型和GJR-GARCH(1,1)模型两个政权,利用正态分布,——(标准化)的学生t分布,和(标准化)学生-倾斜t分布,以适应每个人民币汇率的12个模型的全部历史数据。总共获得30000年了,我们使用5000年老化平,接下来的25000年将只保留每个5画消除自相关,因此5000年后的样本大小。为了评估不同的拟合优度MSGARCH模型,我们使用异常信息标准斯皮格尔霍尔特(DIC)等。22在贝叶斯估计方法。
表2显示了36的DIC MSGARCH整体模型。根据异常信息标准DIC值越小,模型拟合效果就越好,对于所有波动和分布规范,DIC的价值two-regime MSGARCH模型小于single-regime同行。因此,two-regime MSGARCH模型比single-regime同行在模型拟合质量和复杂性。此外,它可以注意到,所有制度规范,学生——模型拟合结果t条件分布和学生——倾斜t条件分布比正常条件下的相应的模型拟合结果分布。因此,人民币汇率的log-return系列顶点的特点,肥尾的,非对称分布。
4.4。分析人民币汇率的波动
在这种情况下,two-regime GJR-MSGARCH (1,1) - t模型用于分析制度的变化波动动力学三种人民币汇率基于密度的方法。表3显示的平均值和标准偏差(SD)的模型参数的后验分布。
根据模型参数的估计结果RUSD /元GARCH系数平均值的政权是0.2026,小于拱系数的平均值(0.4366)。这个标志显著表明RUSD /人民币汇率制度有弱集聚效应和记忆,而外部影响对人民币汇率波动有很强的影响。拱系数的平均值和GARCH系数模型的两个政权是0.2122和0.6975,分别,这表明RUSD /人民币汇率制度2拥有强大的集聚效应和记忆。前一期的波动影响下一周期的波动性,而外部冲击的影响汇率的波动相对较弱。 在区域1和 在区域。事实上,注意到无条件的年化波动区域1是1.636%,而无条件的年化波动体制2是2.352%。总之,RUSD /人民币汇率制度的变化波动动力学。此外,区域1对应于汇率波动的稳定状态,和政权的两个对应的湍流条件汇率波动。不对称系数的平均值 分别是0.0063和0.0181,显示出较强的非对称效应在区域2,即湍流条件下的汇率波动。参数的平均值分别是0.9786和0.0168,这代表RUSD /人民币汇率波动的概率从政权一个政权,政权两个政权。的值分别是0.0214和0.9832,表明RUSD /人民币汇率更可能是在同一政权和两个政权之间的过渡的概率非常小。根据样本的比例在不同的政权,汇率波动稳定政权是43.9%,在狂暴的波动,政权是56.1%。因此RUSD /人民币汇率波动汹涌澎湃地很长一段时间,稳定一段时间。
无条件年度RJPY /人民币汇率的波动性是7.554%和11.499%,分别两个政权,政权,这表明政权是病情稳定汇率动荡和政权的两个是一个动荡的汇率波动的状况。在样本期间,利率RJPY /人民币汇率在区域1和政权两个分别为46.2%和53.8%,分别显示汇率波动一直处于动荡的政权条件更长一段时间后,2010年6月。根据模型参数的估计结果,可以看出RJPY /人民币汇率波动长记忆和集群效应较强,当汇率波动汹涌澎湃地在区域。此外,RJPY /人民币汇率波动的影响更容易受到之前的波动,和汇率制度显示了强大的非对称效应。政权过渡的可能性分别是0.9413和0.0504,表明RJPY /人民币汇率波动更可能是在同一政权和不太可能不同的政权之间切换。
根据模型参数估计RHKD /人民币汇率,在区域2、GARCH系数的平均值大于拱系数的平均值 。然后,我们可以发现RHKD /人民币汇率波动在政权两更容易受到的影响之前的波动性和有很强的记忆力。在区域1,GARCH系数的平均值小于拱系数的平均值 ,在政权表明RHKD /人民币汇率波动有较弱的聚集效应和记忆。第一个政权报告 ,而第二个政权报告 。此外,两个政权报告不同的无条件的年度汇率的波动性:39.93%和60.07%。均值不对称条件的系数分别为0.0046和0.0186,。综上所述,可以看出RHKD /人民币汇率波动显示了一个更明显的不对称效应在湍流条件下(政权两个)。参数的值分别是0.9767和0.9845,表明RHKD /人民币汇率波动也更有可能在同一政权,政权过渡的可能性较低。根据样本的比例在不同的政权,汇率波动稳定政权是39.93%,在狂暴的波动,政权是60.07%。因此,RUSD /人民币汇率波动汹涌澎湃地更长一段时间的样本期间,虽然波动稳定政权的时间很短。
美元/人民币汇率一直最担心中国央行的汇率指数和市场交易员。然后,我们重点分析波动动力学RUSD / 2010年6月以来人民币汇率。图1显示了条件波动性(折合成年率)RUSD /人民币汇率基于GJR-MSGARCH-t模型。
图1显示,在整个样本期间从2010年6月到2019年12月,RUSD /人民币汇率波动汹涌澎湃地更长一段时间。这主要是因为中国央行从盯住美元汇率一篮子货币汇率结束后在2010年国际金融危机。此外,“811”2015年汇率改革,人民币进入SDR在2016年进一步增加市场汇率的波动范围,提高人民币的市场化。与此同时,中国和美国之间的贸易摩擦也增加了汇率市场的不确定性。在2015年汇率改革之前,RUSD /人民币汇率波动在更长一段时间的低频模式,基本上与年波动率低于5%,而汇率波动汇率改革后在更高的频率。特别是,人民币进入SDR客观要求人民币汇率进一步市场化,也增加了人民币汇率市场的波动。见图1,年化条件2017年人民币汇率波动超过8%两次。中国和美国之间的贸易争端在2018年4月进一步加剧人民币汇率的波动。可以看出,每年的波动的汇率经常超过5%。
数据2和3显示两个政权的平滑概率估计GJR-MSGARCH-t模型(RUSD /元)。在2015年汇率改革之前,第二个政权的平滑概率(动荡的条件)很少超过0.5。从那时起,第二个政权的平滑概率显著增加。可以看出,在2015年汇率改革之前,兑美元汇率相对稳定,明显的长期记忆。这是由于人民币汇率的市场化程度低和严格的汇率控制由国家外汇管理局。2015年汇率改革后,人民币汇率兑美元已经进入了一个阶段的高概率的剧烈波动。数据1- - - - - -3描述,在2015年汇率改革后,年化条件波动的汇率与美元已明显增加,和第二个政权的概率(动荡的条件)也显著增加。期间从2015年8月到2016年3月,有一个更大的外部冲击对人民币汇率的波动的影响,表明人民币汇率市场化程度的汇率改革后有所改善。2016年3月后,人民币汇率的波动又进入了一个相对稳定的阶段。期间从2018年4月到2019年12月,兑美元汇率波动频繁,暴力(见图1)。汇率的波动的概率在湍流条件下高水平(见图3),这种不确定性反映出中国和美国之间的贸易争端对人民币汇率产生重大影响。
4.5。动态VaR MSGARCH不同模型的预测
经建会two-regime GARCH模型有更好的拟合效果获取人民币汇率波动,但它们对风险管理的影响和预测需要进一步测试。为了比较的预测结果single-regime MSGARCH模型和two-regime MSGARCH模型,实际在预期超过数比率(AE),条件覆盖(CC)测试和动态分位数(DQ)测试是用来评估每日VaR预测性能。——基于学生t条件分布,过去500年的数据(2017年12月4日,12月23日,2019)是为样本外观察,和800取人民币汇率用于rolling-window估计。模型参数是每10日更新一次观测,以提高模型的预测精度。
表4结果显示未来一天VaR三种元汇率风险水平1%。根据AE标准,如果AE是封闭的价值,分析了模型具有更好的预测精度。从AE的结果值,CC历史,和DQ历史,各类人民币汇率log-return系列,在two-regime MSGARCH模型更准确地预测VaR风险级别比single-regime同行1%。进一步,对所有模型规范,GJR-GARCH-t模型更适合未来一天VaR预测。
图4显示未来一天VaR风险预测的1%的水平基于single-regime MSGARCH模型和two-regime MSGARCH模型。GJR-MSGARCH-t动态VaR值拟合的模型可以更有效地覆盖了实际汇率损失,这也是与结论表一致4。除此之外,很少有过高的VaR的预测,而single-regime GARCH-t模型具有明显高估的VaR的预测。总之,single-regime GARCH模型可能会低估或高估人民币汇率的风险,虽然MSGARCH模型可以更准确地预测人民币汇率的VaR风险。
考虑到国内、国际环境和特定的经济事件,协调的国际环境和稳定的国内经济形势的外部条件和内部驱动力是人民币汇率的稳定运行。虽然中国国内经济失衡已经改善了自2018年以来,国内需求在一定程度上阻碍了供应结构调整,房地产市场放缓,和结构去杠杆化政策。
相比之下,美国国内经济的稳步扩张导致了两国之间的经济基本面发散,导致高频人民币汇率的波动。特别是中美贸易战争爆发以来,人民币汇率的波动尤为严重。国际市场交易员和投资者恐慌心理对两国关系的不确定性和未来的发展。虽然中国人民银行使用的反周期因素缓解羊群行为,人民币汇率风险仍处于高水平在这一时期,特别是在整个样本期间从2018年下半年到2019年上半年。在2019年下半年,中国和美国之间的贸易争端取得了一些进展,和VaR预测(见图4)表明,人民币汇率风险逐渐消失了。
5。结论
本文使用GARCH(1,1)模型和GJR-GARCH(1,1)模型,考虑到正态分布,学生- - - - - -t分布,扭曲学生- - - - - -t分布。数据来自《每日汇率数据的人民币(元)兑美元(美元),日元(日元),和香港美元(港币)从6月21日,2010年,2019年12月23日。根据DIC的贝叶斯估计方法,拟合效果single-regime和two-regime MSGARCH模型相比,通过马尔可夫链蒙特卡罗(密度)的方法。和two-regime MSGARCH模型拟合效果最好的选择来分析人民币汇率的波动特征。我们也测试的性能不同的模型规范和关注未来一天VaR风险预测的1%的水平。得到了以下主要结论。
首先,经建会two-regime GARCH模型执行比single-regime与拟合人民币汇率的波动。从贝叶斯估计方法获得DIC表明MSGARCH模型比single-regime GARCH模型拟合质量和捕获模型的复杂性。条件分布规范,MSGARCH模型下的学生t分布和学生——倾斜的原因t分布有更好的拟合效果。
其次,人民币汇率的波动性提出了一种双不对称的效果。通过使用GJR-MSGARCH-t模型来研究汇率的波动特性与美元、日元、港元,得出汇率展览状态变换的行为。的不对称影响美元/人民币和港币/人民币是稳定的波动和弱湍流波动更加明显。这主要是因为香港金融管理局(Hong Kong Monetary Authority)实现一个联系汇率制度与美元挂钩,因此,汇率,即美元/人民币和港币/人民币,有相似的波动特征。然而,日元/人民币的汇率显示两个波动条件下显著的非对称效应。
第三,人民币汇率的波动有明显的状态变换的特点,和人民币汇率的波动程度显著增加在2015年汇率改革后。从MSGARCH模型的估计结果来看,汇率的波动更有可能在同一政权。由于2015年汇率改革,人民币进入SDR, 2016年中美贸易摩擦,美元/人民币汇率剧烈波动在样本期间长时间从2010年6月到2019年12月。在2015年汇率改革之前,每日汇率美元/人民币在更长一段低频波动模式,和动荡的汇率波动的概率政权都相对较低。的主要原因是人民币汇率的市场化程度低汇率改革前和严格的汇率控制在国家外汇管理局。汇率改革后,人民币汇率市场化的程度逐渐增加,汇率的条件波动性显著增加,汇率已经进入了一个阶段概率高的剧烈波动。这也反映了人民币汇率的不确定性汇率改革后管理系统。此外,中美贸易战争有很大的不确定性对人民币汇率的影响。
第四,根据动态VaR风险预测的准确性,经建会two-regime GARCH模型优于single-regime同行。有趣的是,这一结论与之前的研究不同(Zhang et al。)和风险预测提供了新的理论依据。VaR的性能预测测试基于不同的MSGARCH模型。模型参数更新每10日观察来提高预测精度。根据CC AE值,测试值和DQ测试值,我们可以得出结论,two-regime MSGARCH模型有更好的表现,表明two-regime MSGARCH模型可以更准确地捕捉到人民币汇率的波动特征。此外,GJR-GARCH-t模型在动态VaR预测精度最高。特别是,中国和美国之间的贸易摩擦不断升级明显加剧了人民币汇率的波动性,显著增加人民币汇率的风险。
数据可用性
本文中的数据可从国家外汇管理局。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
支持的工作是中央高校基本科研业务费用的项目(批准号2232020 b-02)。
补充材料
人民币汇率价格的原始数据在本文的实证部分。(补充材料)