基于开放型泰勒规则和贝叶斯模型平均方法预测人民币汇率的实证分析

内容提要

文章选取13个解释变量，运用贝叶斯模型平均方法建立动态模型，筛选出对人民币汇率影响最大的自变量以及模型进行回归分析，进而预测2021年6-8月的人民币汇率。研究支持了近期市场主流观点，即美元指数、汇率风险溢价、中美利率差额等对近期人民币汇率影响较大，并发现外汇占款等其他影响较大的因素。文章建议将人民币回归预测结果与汇率期权执行价格相结合，引导企业坚持“风险中性”，专心专注主营业务。

一、引言

随着人民币汇率形成机制的市场化程度持续加深，其双向波幅也不断增大，给外资、外贸企业汇率风险管理带来了更多不确定性。

金融机构在向企业宣导“风险中性”理念时，需要持续加强对人民币汇率的研究分析，提升对人民币汇率的预测精度，为外资、外贸企业提供更适宜的避险产品指导。目前，汇率预测方法种类丰富，但总体来看，仍存在三点不足：一是基于经典理论建模的方法单一，涉及的影响因素有限；二是诸多模型不能反映不同时间影响因素的变化情况，存在滞后性；三是基于汇率历史走势的技术回归分析方法仅考虑汇率的历史走势，缺乏理论依据，且在样本外预测精确度有限。因此，本文将理论方法与技术方法相结合，通过理论方法选择变量，通过技术方法构造模型，实现对人民币汇率的动态预测。本文是以开放型泰勒规则为核心进行建模，综合考虑了其他经典汇率决定理论的解释变量，通过贝叶斯模型平均方法（BMA），筛选出人民币汇率的主要影响因素，选取最优模型预测人民币汇率。

二、开放型泰勒规则和贝叶斯模型平均方法

（一）开放型泰勒规则

目前，运用利率模型研究一国汇率已经成为常态，包括购买力平价理论、利率平价理论、资产组合模型、巴拉萨—萨缪尔森模型等。但上述汇率决定模型均基于严格的假设，未充分考虑关税、政府干预、资本管制、汇率制度差异等因素的影响，难以观测到持续显著的结果。因此，本文选择泰勒规则模型来研究人民币汇率，并通过贝叶斯模型平均方法，引入其他与人民币汇率相关的自变量，将泰勒规则汇率模型扩展为开放型泰勒规则。

Taylor（1993）提出的泰勒规则认为中央银行应根据通货膨胀缺口和产出缺口的变化来调整名义利率，将实际利率保持在均衡实际利率的水平，这样就能使实际利率水平保持中性，从而使经济以其自身的潜能在目标通货膨胀率水平下持续稳定地增长。本文使用的开放型泰勒规则模型主要是基于刘俊东和刘兴华（2020）提出的拓展型泰勒规则模型，结合李小林等（2018）开放型泰勒规则研究思路，将中美利差、中美通胀之差、外汇市场干预、汇率风险溢价等因素纳入模型。

（二）贝叶斯模型平均方法

贝叶斯模型平均法是一种模型组合方法，通过在建模过程中纳入足够多的变量，利用不同指标组合分别建立模型，并对每一模型设定先验概率，然后计算出所有解释变量的后验概率，从而实现对所有解释变量的重要性的排序，最终挑选出最优模型。与传统模型相比，贝叶斯平均法保留了尽量多的自变量，从而避免了人为筛选指标造成的信息损失，并可通过后验概率的计算，比较不同解释变量和模型的重要性，实现对模型和变量的科学客观筛选。

20世纪60年代，Barnard（1963）最先提出了使用模型组合方法，成为贝叶斯模型平均法的雏形。Leamer（1978）则第一次明确提出了贝叶斯模型平均法的基本范式，并将它用于解决模型不确定的问题，之后贝叶斯平均法则被广泛运用于各个领域。国内学术界也将该模型应用到人民币汇率领域，毕玉江和王双成（2016）对时间序列模型和贝叶斯模型平均法模型在人民币汇率上的预测进行了对比分析，并认为分类回归模型更加优越。

三、参数选择和建模方法

（一）模型设定

BMA方法的基本原理如下：

首先，构建BMA线性模型

假设自变量有n项，则有

个模型，每个模型的后验概率为：

从而系数项的后验概率为：

先验概率设定Zellner's先验，即令

服从如下多元正态分布，方差

设置为无信息先验分布：

通常令

=0，则

和

的联合密度函数为

（二）变量选择

本文以开放型泰勒规则模型为基础，综合考虑了各种汇率决定的经典理论模型，最终选择了13个解释变量，包括道琼斯工业指数、上证综合指数、美元指数、美联储总资产、美国失业率、外汇占款、中美贸易顺差、中美利率差额、中美物价差额、中美产出缺口差额、外汇市场干预、汇率预期、汇率风险溢价，用于建立BMA模型，讨论其对人民币汇率（均为USD/CNY数值）的影响。

四、实证结果

本文数据根据Wind系统的中国、美国宏观数据库等资料整理，频率为月度，样本区间为2008年12月-2021年5月。表1是对上述因变量和13个自变量的描述性统计。

（一）数据描述

表1  主要变量的描述性统计

（二）解释变量的后验包含概率

在BMA模型中，解释变量的后验包含概率表示该变量包含于正确模型的概率，后验包含概率值越大，其包含在正确模型中的可能性就越高，对被解释变量的解释力度就越强。根据Doppelhofer和Miller（2004）、Masanjala和Papageorgiou（2008）等人的研究，解释变量后验包含概率大于50%，可被视为有效解释变量；若大于90%，则可被视为最有效解释变量。本文从2¹³个组合模型中选择了拟合程度最高的487个模型，表2展示了13个主要解释变量的BMA实证检验结果。

表2  解释变量的BMA实证检验结果

根据实证结果显示，美元指数（USDX）、中国外汇占款（CFOFE）、汇率风险溢价（RP）、中美利率差额（IRS）、道琼斯工业指数（DJI）、中美物价差额（CPI）等6个解释变量后验包含概率大于50%，对于人民币汇率具有较强的解释力。其中美元指数（USDX）、中国外汇占款（CFOFE）、汇率风险溢价（RP）、后验包含概率大于90%，意味着该变量对于当前阶段的人民币汇率具有最强的解释力。

同时，本文对表2做了更为直观展示图形（详见图1），其中横坐标为各单一模型的累积概率，纵坐标为13个解释变量，图中对应各解释变量的着色部分面积越大，说明该解释变量包含在正确模型中的后验概率越高，其中蓝色表示正相关，红色表示负相关关系。观察图1可以发现，美元指数（USDX）、中国外汇占款（CFOFE）、汇率风险溢价（RP）、中美利率差额（IRS）、道琼斯工业指数（DJI）、中美物价差额（CPI）等6个解释变量所对应的着色面积相对于其他变量更大，即包含在正确模型中的可能性较高，对自变量的解释力较强。

图1  BMA模型中解释变量的包含情况

（三）解释变量的后验相关关系

通过观察BMA模型中的实证结果，后验包含概率大于50%的自变量为美元指数（USDX）、中国外汇占款（CFOFE）、汇率风险溢价（RP）、中美利率差额（IRS）、道琼斯工业指数（DJI）、中美物价差额（CPI），其中仅有中国外汇占款（CFOFE）后验相关关系与其理论相关性相悖。从理论来看，外汇占款是基础货币投放的主渠道，当外汇占款增加时，央行将会对市场投放人民币，带来人民币市场利率宽松，间接导致人民币汇率贬值。而近年来，随着中国金融市场开放程度不断提升，中国货币投放方式已发生巨大变化，央行公开市场操作已经代替外汇占款成为货币投放的最主要方式，从而导致外汇占款对境内资金流动性影响日益减弱，但外汇占款增加意味着外资不断流入、经常项目顺差，人民币升值动力将会增强，导致人民币汇率与外汇占款负相关。

（四）解释变量的回归预测

本文通过BMA模型筛选出对人民币汇率影响最大的150个模型，对150个模型分别进行回归预测分析，并通过每个自变量的后验概率对150个模型分别赋予权重，预测出未来3个月的人民币汇率走势。经回归分析，2021年6-8月人民币汇率预测结果分别6.6098，6.5845，6.5233。尽管升值趋势与2021年6-8月的实际情况相吻合，但由于并未考虑市场对新冠疫苗效果的预期等因素，具体点位的预测整体偏高。

（五）模型回归预测的结论

本文选取道琼斯工业指数、上证综合指数、美元指数等13个解释变量，运用贝叶斯模型平均方法建立模型，探讨了各解释变量对人民币汇率的解释力和影响程度，并对未来三个月人民币汇率进行回归预测。主要结论有以下三点：

第一，当前情况下，人民币汇率受到美元指数、中国外汇占款、汇率风险溢价、中美利率差额、道琼斯工业指数等因素的影响较大。其他如中国贸易顺差、中美产出差额、美国失业率、外汇市场干预等因素，虽然也在理论研究上与人民币汇率相关性较强，或者在某些时间点对人民币汇率影响较大，但根据实证结果来看，后验包含概率偏低，当前这些自变量的解释能力相对较弱。

第二，通过与近期市场研究因素对比，本文考察了各解释变量与人民币汇率之间的后验相关关系。其中，自2020年10月中国央行推出逆周期因子以后，人民币汇率与美元指数相关度不断提升，同时汇率风险溢价与中美利差也在资本流动方面影响人民币汇率。本次模型回归成功验证美元指数、汇率风险溢价以及中美利差与人民币汇率之间的相关性，并且得出中国外汇占款、美国道琼斯工业指数、中美物价差额等三个对当前人民币汇率影响较大的因素及其相关正负关系。

第三，美元指数在加息预期下逐步走强，中美利差步入缩窄通道，短期内人民币汇率面临贬值压力。本文通过对人民币汇率进行量化预测，得到2021年6-8月人民币汇率预测值分别为6.6098，6.5845，6.5233，整体呈现出短期贬值、长期升值的走势，总体符合主流判断。

五、商业银行的应用建议

商业银行在应用该模型输出结果时，应重点围绕四个方面提升对企业的“融智”服务能力。

一是强化对人民币汇率的深度研究。近年来,伴随着英国脱欧、中美贸易摩擦、新冠病毒蔓延等黑天鹅事件的频繁出现，叠加中国资本项目开放推进，率先复工复产后与全球产业链的联系愈发加深，人民币汇率双向波动已成为常态。商业银行的相关从业人员，可以通过BMA模型筛选出不同阶段影响人民币汇率的主要因素，做好影响程度的主次排序，加深对人民币汇率波动潜在逻辑的深入研究。

二是完善汇率衍生产品的结构设计。BMA模型能够有效形成人民币汇率的量化预测，为金融机构判断人民币汇率未来走势方向提供指导，加强对企业的“融智”服务能力。第一，是能够根据人民币汇率波动的方向，引导企业做好合适的套保工具选择。例如，在人民币汇率贬值的方向下，可以推介企业买入美元看跌期权等产品，规避汇率风险。第二，通过BMA模型的量化预测功能，能够对企业办理的人民币期权选择合理的执行价格，提高企业汇率风险的管理能力。例如，卖出三个月美元看涨期权策略时，可根据汇率预测分析，将执行价格置于6.5233上方。

三是做好从业人员的“融智”培训。BMA模型覆盖了传统和新型汇率预测理论，即包括购买力平价理论、利率平价理论等，也能够依托全球经济数据，形成实证意义的汇率影响模型。商业银行的从业人员可以通过对所输出模型进行针对性学习，掌握具体的模型使用方式和输出结果应用场景，加强对人民币汇率市场波动的研究水平，提高对客户的“融智”服务能力。

四是助力“风险中性”的理念形成。BMA模型在理论和实践上论证了人民币汇率的双向波动和动态波动机制，阐明了人民币汇率受数十种经济指标的动态影响，有利于商业银行引导企业更深入地理解和执行“风险中性”理念，建立和健全自身的汇率风险管理体系。

END

作者：郭黎宁、黄磊、刘晗、徐文君、顾捷，中国建设银行江苏省分行