宏观锂济研宏2012年第12期
人民cr,汇率风险度量研究
— — 基于不同持有期的VaR分析
张海波 、陈 红
内容提要 随着人民币汇率的进一步改革，我
国外；12市场的开放程度进一步加大，人民币汇率的
波动进一步加强，这些因素都加大了人民币；12率的
风险。本文以不同持有期下的人民币汇率风险度量
为研究重点，采用先进的汇率波动风险度量VaR工
具进行汇率风险管理研究。并结合我国外汇市场的
实际情况，运用各种VaR模型对人民币汇率波动风
险进行实证研究，主要结论有：我国人民币兑美元市
场具备使用VaIL模型度量人民币汇率波动风险的前
提条件；持有期逐渐增大，人民币兑美元汇率风险也
呈逐渐增大趋势，但相对于成熟市场不同持有期之
间的变化，我国外；12市场还是有许多需要改善的地
方；置信度逐渐增大，人民币兑美元汇率风险呈逐渐
增大趋势，不同风险承担主体选择的置信度不同。
关键词 人民币；12率 汇率风险 风险度量
一
、引言
2005年7月21日中国人民银行对我国汇率制度
进行了改革，汇率改革前，人民币汇率处于超稳定状
态，国内汇率风险意识普遍淡薄，缺乏对汇率的有效
管理。汇率改革后，人民币汇率的波动性明显加强①，
2006年以来 ，人民币兑美元即期外汇交易浮动价格 ，
已经多次逼近千分之三的波动上限。2010年 6月中
国人民银行宣布深入推进人民币汇率形成机制改
革，增强人民币汇率弹性，这样会进一步拓宽汇率波
动的范围，持有外币资产的金融机构和企业及个人
将面临更大的汇率风险。在这些背景下，汇率波动的
加大增加了风险，对于我国以外币计价的风险承担
者②而言，已经是一种现实存在，因此对风险大小进
行度量，对汇率风险进行有效管理，已成为我国各风
险承担者普遍关注并亟需解决的现实问题。
二、国内外文献综述
随着国际经济和金融形势的不断变化，国内外
学者对汇率风险问题的关注度逐步加大，研究也越
来越深入。惠晓峰等(2003)基于1994--1996年的人
民币兑美元的Et汇率数据运用GARCH(1，1)模型进
行估计，结果表明GARCH(1，1)模型的估计和预测表
现均能令人满意。冉茂盛等(2004)通过多种方法的
对比研究1994年以后人民币兑美元的波动性，认为
GARCH(P，q)最适合用来描述我国外汇市场的波动
性。王天兴和张建(2006)对香港汇丰银行的汇率波
动率进行实证研究，GARCH族⑧模型中IGARCH(1，
1)模型对于港元兑美元汇率的拟合效果最好，而
EGARCH(1，1)模型对港元兑澳元和新加坡元汇率的
拟合效果最好。由此可以看到，对于不同的研究主
体，用来刻画真实数据波动特征的模型是不同的，因
此本文研究了三个持有期下的数据，对于每一个持
有期下的数据，预期刻画其数据特征的模型也会不
同。
通过查阅文献可以发现，所有运用VaR方法研
究汇率风险使用的都是日数据，数据多且分析较方
便。但对于周数据或者周期更长的月数据来说，能用
于分析的数据就少了许多。本文在更长的时间跨度
上研究不同持有期下运用VaR方法来分析人民币汇
率风险度量问题，使得分析成为可能，而且不同持有
期下所面临的汇率风险程度是不一样的，进行风险
规避和防范的手段也不一样，因此对其进行研究显
得很有必要。沈兵(2005)以美元兑日元即期汇率的
每日数据和每小时数据为研究对象，得到汇率收益
率的异方差性描述最优的模型为EGARCH—M模型，
随着置信度的提高，汇率风险度量的模型由高估风
险转为低估风险。苗晓宇(2011)运用低频、高频和超
宏观锂济研宏2012年第12期
高频数据研究其在金融市场VaR测度中的表现，得
到的结果显示，使用高频数据甚至超高频数据测量
金融风险的准确性并不比低频数据高很多，如果选
用模型恰当，完全能够使用低频数据得到高频数据
的精度。
基于以上分析，本文研究的主要内容是：(1)各
风险承担者在不同持有期下面临的风险大小；(2)寻
找持有期为日、周和月三种情况下，最优的计算方法
各是何种模型，是否三个持有期下模型相同；(3)在
其他因素不变的情况下，持有期长度与风险承担者
面临风险大小、风险测度的准确性之间的关系，这种
关系在我国汇率风险市场的存在性，以及不同持有
期下风险水平差别有多大。
三、各种VaR模型度量人民币汇率风险
的实证分析
(一)样本的选择和数据来源
本文的数据样本期从中国人民银行开始公布人
民币汇率数据的时间点即1994年8月30日开始，至
研究截止时间点即2011年11月30日。以该期问的数
据作为研究样本，研究我国人民币汇率风险度量问
题。选取人民币兑美元汇率作为研究对象，选择中国
人民银行公布的人民币兑美元中间价作为研究指
标。④由于某时刻末的数据包含了这段时间内大量干
预价格变化的加总⑤，基于此，本文选择以下数据：持
有期为日的数据为中国人民银行公布的人民币兑美
元中间价的日数据；持有期为周的数据为人民币兑
美元该周末的收盘价，持有期为月的数据为人民币
兑美元该月末的收盘价。
(二)模型前提假设检验
应用VaR模型时需考虑模型对度量人民币汇率
风险的适用性 ，需要对模型所做的假设进行严格检
验。下面对三个持有期下的数据分别做平稳性、正态
性和ARCH效应检验。
1、平稳性检验
如果人民币汇率满足随机游走假设，则可以运
用VaR度量人民币汇率风险，对于随机游走采用
ADF检验和游程检验来验证。随机游走过程是非平
稳的，而其一阶差分是平稳的，因此可采用单位根检
验序列是否满足随机游走条件。所以在此采用单位
26
根对人民币汇率三个持有期下的时间序列进行检
验，得到结果如表1所示：
表1 人民币汇率的ADF检验
— —
持有期 日 周 月
t统计量值 3．0304 1．3950 0．9240
伴随概率 1．0000 0．9991 0．9957
原始数据 l％临界值
一 3．4318 -3．4380 -3．4632
ADF榆验
5％临界值 -2．8620 -2．8648 -2．8759
lo％r~界值 -2．5671 —2．5686 -2．5745
t统计量值 ～1 1．4460 -4．7467 -4．4883
一 阶差 伴随概率 0．0000 0．0006 0．0020
分数据 1％临界值 -3．9603 -3．9691 -4．oo48
ADF检验 5％临界值 一3．4109 —3．4152 —3．4326
10％1~界值 -3．1273 -3．1298 -3．1401
从表1可以看到，在三个不同持有期下的原始数
据库的ADF检验的t统计量的值均大于三个检验临界
值的水平，由此可认为三个不同持有期下的人民币汇
率原始序列是非平稳的，一阶差分后的数据序列为平
稳序列，那么在三种持有期下人民币汇率的变化是一
个随机变量。因此不同持有期下的人民币汇率数据具
备使用VaR模型度量人民币汇率风险的适用性前提
条件，也从侧面证实人民币价格的变化是随机的。
2、正态性检验
不同的VaR模型假设了不同的分布形式来拟合
实际分布，大多数场合下假设其分布是正态分布，这
会使计算VaR时存在局限性，已经有研究表明金融
数据的收益率不服从正态分布，而是存在肥尾现象。
所以在分析之前应对人发币汇率的正态性进行检
验。正态分布本文采用Q—Q图来验证。
Q—Q图是根据变量分布的分位数对所指定的理
论分布分位绘制的图形，正态Q—Q图应该是一条直
线，人民币汇率对数收益率序列的Q—Q图检验如图1
所示。
从图1一图3可以看到，三种不同持有期下人民
币汇率对数收益率序列的Q—Q图均不成直线，均偏
离直线，且直线上下的形态也存在较大差异，则可以
初步拒绝收益率服从正态分布的原假设。人民币汇
率对数收益率序列不呈现正态分布，基于此本文采
用具有尖峰厚尾特I生的其他分布来描述人民币外汇
市场的这种特性。Nelson(1991)对残差项分布提出了
宏观锃济研宏2012年第12期
图1 持有期为日的正态Q—Q图
图2 持有期为周的正态Q—Q图
图3 持有期为月的正态Q—Q图
广义误差分布和Student—t分布的假定，他也通过实
证得出广义误差分布和Student—t分布能更好地捕捉
到金融数据 的尖峰厚尾特性。我国学者沈兵
(2005)、王天兴和张建(2006)、魏金明和陈敏(2009)
等研究均得出基于广义误差分布和Student—t分布的
GARCH族模型计算得到的VaR结果准确性和有效
性高于正态分布假定下的VaR值。因此本文在后面
使用GARCH族来计算VaR值时，假设收益率序列服
从t分布和GED分布，从而得到本文所研究的VaR。
3、条件异方差性检验
对其检验本文采用时序图和ARCH效应来检
验。三个持有期下人民币兑美元汇率对数收益率的
时序图如图4一图6所示。从持有期为日来看，人民
币汇率对数收益率序列的波动呈现明显的差别，图4
可以看到在样本区问上存在四个不同的波动群，可
以初步判断数据序列存在异方差特性；从持有期为
周来看，人民币汇率对数收益率序列同样呈现波动
集群的效应；从持有期为月来看，也存在较明显的波
动集群特征，波动率相对于前两者来说，显得更大。
． 1． 『^ll_j1． JII ．．
f p．r ”1『- 1 11'
500 1 000 1 500 2000 2500 3000 3500 4000
图4 持有期为日的人民币汇率对数收益率时序图
] ’ I ’⋯ ——叶
图5 持有期为周的人民币汇率对数收益率时序图
图6 持有期为月的人民币汇率对数收益率时序图
27
5 0 5 O 5 O 5 ∞ ∞ ∞ 刚 刚
宏观锂济研 2012年第12期
前面三个持有期下人民币汇率对数收益率的时
序图均说明存在波动集群特征，即存在异方差。为了
更加明确人民币汇率对数收益率的异方差性，需要
对其进行ARCH效应检验。由前文可知，对数收益率
序列服从随机游走过程，因此在检验ARCH效应时，
考虑在收益率均值回归模型中不包括回归因子，只
包括均值和随机扰动项 ，随后对随机扰动进行
ARCH效应检验，检验结果如表2所示：
表2 人民币汇率对数收益率ARCH效应检验结果
持有期 F统计量 伴随概率 Obs*R 伴随概率
日 1 1．03688 0．0000 139．1348 0．0000
周 14．7524 0．0001 14．5341 0．0001
月 7．0999 0．0084 6．9217 0．0085
从检验结果可以看到，三种持有期下人民币汇
率对数收益率序列下F统计量的伴随概率均小于
0．05的显著性水平，则不能接受原假设，即认为人民
币汇率对数收益率序列存在ARCH效应。
从上面人民币汇率对数收益率序列的时序图和
ARCH效应检验可以证实，本文所研究的序列存在
ARCH效应，数据序列存在异方差，那么使用GARCH
族模型来计算VaR，可以更好地刻画条件异方差和
提高VaR的度量精度。
(三)各种VaR方法实证对比分析
本文将分别运用蒙特卡洛算法和GARCH族方
法来构建VaR模型，并对模型计算出来的VaR值进
行不同方面的对比分析。
1、基于蒙特卡洛模拟下VaR的实证分析
用蒙特卡洛模拟计算不同持有期下的VaR过程
如下：
(1)选择反映收益率变化的随机模型及分布，并
估计相应的参数。本文选择使用较广泛的布朗运动
作为人民币汇率收益率变化的随机模型和分布进行
蒙特卡洛模拟，则人民币收益率波动的随机过程可
以表示为：
△ = ( ，+At+ ， √ ) (1)
(2)产生标准正态分布的伪随机数。
(3)计算人民币兑换美元的模拟价格。计算公式
为：
=
一 + ．(／4+At+ 5√ ) (2)
本文要分析三种持有期⑥，故At =1，At：=5，At
28
30，同时假定不同持有期下以和 为常 和Or；通过不
同持有期下人民币兑美元汇率的收益率的历史数据，
分另0得至 1=一0．00007，／x2=一0．00033， =一0．00142；
or。=0．00061，or =0．00449， 3=0．00393；三个不同持
有期下，当t=0时，P 8．5616，Po2=8．5565，P 8．5616，
根据这些可以得到P，。
(4)重复2、3，在三个持有期下重复次数均达到
1000次，就可以得到人民币兑美元的这些模拟价格
数据。然后分别用模拟出的1000个价格计算几何收
益率分布，根据选定的置信度，由分位数估计出相应
的VaR值，得到结果如表3所示。
表3 蒙特卡洛方法估计的不同置信度下的VaR值
持有期 0l R0 05 R001
日 0．006567 0．008765 0．012263
周 O．021485 0．027905 0．03898
月 0．010589 O．014058 O．O18477
2、基于GARCH族的VaR实证分析
参数法实际上要解决两个问题，一个是金融数
据的尖峰厚尾、波动集群的异方差性，另一个是寻找
金融数据的分布密度函数。前面已经证明人民币汇
率对数收益率序列不服从正态分布，本文采用后两
种分布来测量人民币 [率风险。综合以上分析，下面
将采用Student—t、GED分布假定下的GARCH族模型
来计算VaR值。
使用GARCH族模型计算VaR的步骤如下：
(1)GARCH族模型阶数的确定
根据前文分析可知，人民币汇率对数收益率在
不同持有期下均为平稳序列，且不存在自相关，所以
收益方程为条件均值回归方程。对于方差方程中
GARCH族模型的两个重要因素均值方程残差的分
布和阶数(P,q)，本文采用Student—t、GED分布假定
作为人民币兑美元汇率对数收益率的分布来测量人
民币汇率风险；采用极大似然估计法(Maximum
Likelihood Method)分别对t分布、GED分布下的
GARCH族模型进行参数估计，采用模型参数的Z检
验统计量、对数似然标准、AIC准则、SIC信息准则进
行模型最优阶数的判别。经过反复试算，得到分析结
果如表4所示，从表中可以看到，不同持有期下模型
阶数的选择是不一样的。
(2)根据(1)中阶数选择的结果，得到各模型下
宏观谨济研 2012年第12期
表4 各模型阶数确定表 表5
模型类型 日 周 月
GARCH (2，1) (1，1) (1，1)
TGARCH (2，1) (1，1) (2，1)
Student—t分布
EGARCH (1,2) (1,2) (1,2)
PGARCH (2，1) (1，1) (1，1)
GARCH (2，1) (2．1) (1，1)
TGARCH (1，1) (1．1) (1，1)
GED分布
EGARCH (1,2) (1，1) (1，1)
PGARCH (1，1) (1。1) (1，1)
参数的估计及统计检验结果，限于文章篇幅，表在此
省略。最后结果显示在5％的显著性水平下，无论在
何种分布函数假定下，非对称性 的TGARCH和
PARCH模型中描述非对称信息的参数 均不显著，
只有EGARCH的非对称信息参数 是显著的。鉴于
此，在后文分析中选择GARCH和EGARCH这两个
模型来估计 日VaR值 ；选择 GARCH、EGARCH和
PGARCH这三个模型来估计周VaR值；选择GARCH
和EGARCH这两个模型来估计月VaR值。
(3)GARCH模型进行检验评价
每个持有期下得到估计模型后，对估计的结果
进行相关的残差检验，以检验模型是否很好地刻画
了残差的异方差现象。对残差做ARCH—LM检验，检
验结果显示检验统计量在5％的显著性水平下均拒
绝原假设，即残差已经显著不存在ARCH效应。
(4)根据建立的GARCH族模型生成人民币汇率
三个不同持有期下的对数收益率的条件方差序列，且
将h 代人公式VaR=WoZ √ 中，得到动态VaR值。
根据第四步得到了动态VaR，本文只列出每一
个持有期下VaR的最大值、最小值和均值，结果如表
5一表7所示。
相同的置信度下，较小的VaR可以使风险承担
者遭受的最大损失变小，因此在此准则下，由结果可
知，对于持有期为日时，在 1％的显著性水平下选择
GARCH(2，1)一t模型来计算VaR值，在5％的显著性
水平下选择GARCH(2，1)一GED模型来计算VaR值，
在 10％的显著性水平下选择GARCH(2，1)一GED模
型来计算VaR值；在对于持有期为周时，在1％的显
著性水平下选择GARCH(1，1)一t模型来计算VaR
值，在5％的显著性水平下选择PGAtlCI-／(1，1)一GED
1％显著性水平下人民币汇率对数
收益率GARCH族模型估计VaR值
持有期 模型类型 残差分布 VaR最大值 VaR最小值 VaR均值
GARCH(2，1) 0．2148 O．OO0o00 0．007132
Student-t
EGARCH(1，2) 21．8615 O．oo08l4 0．04_4223 日
GARCI~(2，1) 0．268509 0．003444 O．0o8554
GED
EGARCH(1，2) 8．139318 0．000882 0．Ol5607
GARCH(1，1) 1．7l6196 0．00ooO2 0．029593
EGARCH(1，2) Student—t 4．752758 0．001889 0．083124
PGARCH(1，1) 1．084843 1．084843 O．O31794
周 GARCH(2，1) 1．21l199 0．001585 0．024347
EGARCH(1，1) 1．333717 0．002718 0．026813
GED
TGARCH(1，1) 1．922445 O．ooO764 0．033623
PCARCtt(1，1) 0．920734 O．oo1243 O．028735
GARCH(1，1) 0．75421 0．0o0263 0．082587
Student—t
EGARCH(1，1) 1O1．549l 0．0o3346 0．749854 月
GARCH(1，1) 0．57318O O．o02748 0．063983
GED
EGARCH(1，1) 2．299909 0．0O4622 O．132580
表6 5％显著性水平下人民币汇率对数
收益率GARCH族模型估计VaR值
持有期 模型类型 残差分布 VaR最大值 VaR最小值 VaR均值
cAr~cr[(2，1) 0．1456 0．0001 12 0．0O4843
Student—t
EGAI~CH(1，2) 9．141992 0．00034l 0．01854 日
cAr~cr](z，1) O．161781 0．002075 0．005154
GED
EGARCH(1，2) 3．987857 0．000487 0．007716
GARCH(1，1) 1 140291 0．0o0354 0．19663
EGARCH(1，2) Student—t 1．992542 0．000792 0．034849
PGARCH(1，1) O．617263 0．0oo123 0．01809
周 GARCH(2，1) 0．662443 0．000867 0．0l3316
EGARCI-I(1，1) 0．066306 0．001043 0．0o9804
GED
TGARCH(1，1) 0．672080 0．001370 O．Ol3512
PGARCH(1，1) 0．973346 O．oo0387 0．013243
GARCH(1，1) 0．4291 37 O．00015 0．O46991
Student—t
EGARCH(1，1) 42．57335 0．001403 0．3 14368 月
GARCH(1，1) 0．275744 0．001310 0．030509
GED
EGARCH(1，1) 0．855558 0．O01719 0．049319
模型来计算VaR值，在 10％的显著性水平下选择
EGARCH(1，1)一GED模型来计算VaR值；对于持有
期为月时，在 1％的显著性水平下选择GARCH(1，
1)一t模型来计算VaR值，在5％的显著性水平下选择
29
宏观锯济研充2012年第12期
表7 1 0％显著性水平下人民币汇率对数
收益率GARCH族模型估计VaR值
持有期 模型类型 残差分布 VaR最大值 VaR最小值 VaR均值
GARCH(2，1) 0．11129 0 O．o03695
Student-t
EGARCH(1，2) 5．9O4725 0．00022 O．01l97 日
GARCH(2，1) 0．1 14654 0．00147 1 0．003653
GED
EGARCH(1，2) 8．989022 0．000336 0．006947
GARCH(I，1) 0．867696 O 0．014962
EGARCH(1，2) Student-t 1．286964 0．00051 1 0．022509
PGARCH(1，1) 0．443839 0 0．013008
周 GARCH(2，1) 0．443393 0．0oo580 0．00891 3
EGARCH(1，1) 0．045687 0．0007l9 0．006756
GED
TGARCH(I，1) 0．428932 0．0o0874 0．008623
PGARCH(1，1) 0．256985 0．000347 O．o08020
GARCH(1，1) 0．308568 0．000108 0．033798
Student—t
EGARCH(1，1) 27．49772 0．000908 0．203047
月
GARCH(1，1) 0．168760 0．000809 0．O1 8838
GED
EGARCH(1，1) 0．4568 O．o00918 0．026337
GARCH(1，1)一GED模型来计算VaR值，在10％的显
著性水平下选择GARCH(1，1)一GED模型来计算
VaR值。
(四)VaP．模型的准确性检验
VaR模型的准确性检验是指VaR的估计结果对
实际数据损失的覆盖程度。假定给出99％、95％和
90％的置信度，准确性则是实际损失结果超过VaR
的概率是否小于l％、5％和10％的显著性水平。本文
采用失败频率法的库柏检验⑦对上述VaR模型计算
结果进行准确性检验。关于KuPiee似然比检验结果
文中未列出，结合KuPiee似然比检验结果和模型的
失败率的大小，在准确性检验后，得到各持有期下最
优模型，将其进行整理得到结果如表8所示。从表8
可以看到，随着置信度的增大，风险也在增大，但是
随着持有期的增大，风险也是逐渐增大的，这与前面
蒙特卡洛模拟得到的结果不一致。
从不同持有期风险提高百分比可以看到，持有
表8 不同持有期下最佳模型的VaR值结果
持有期 计算方法 =lO％ a=5％ ：1％
1
日 EGARCH(1，2)-GED 0．006947 O．007716 O．O15607
周 PGARCH0，1)-GED 0．008020 0．013243 0．028735
月 EGARCH(1，1)-GED 0．026337 0．0493 19 0．132580
30
期为Et时的风险远远小于持有期为周和月时的风
险，因此对于在较短期进行风险规避的风险承担者
来说，适当地增加流动性和必要的风险防范意识即
可，但是对于较长时期持有美元资产的风险承担者
来说，面临的汇率风险较大，长期风险相对于短期风
险成倍提高，在加强美元资产流动性的同时，需采取
有效工具来进行风险管理，做到事前防范。
下面是不同持有期下风险对比结果(表9)：
表9 不同持有期下风险对比分析表
风险增加百分比(％) 风1 R0 05 风0l
B相对于A 15．45％ 71．63％ 84．12％
C相对于A 279．11％ 539．18％ 749．49％
C相对于B 228_39％ 272．42％ 361-39％
注：A表示持有期为日下面临的汇率风险，B表示在持有期为
周下面临的汇率风险，C表示在持有期为月下面临的汇率
风险。
成熟的VaR风险管理理论假设资产组合变化在
每天之间相互独立，并且服从正态分布以及期望为
0，则持有期为1天与N天之间VaR值的关系有(3)
式：
N．dayVaR=1．dayVaR (3)
运用这个式子使用持有期为日的VaR来计算周
和月的VaR，考察我国外汇市场是否接近成熟市场
特征，得到的结果如表1O所示。由表10可以看出，得
到的结果与模型计算得到的结果差异较大，由经典
式子计算得到的VaR值远大于模型计算得到的VaR
值，说明在我国外汇市场需要更小的VaR来保证损
失最小，我国外汇市场与成熟的外汇市场还是有一
定差距的。
表 1O 经典式子计算得到不同持有期的VaR值
持有期 Or=l0％ a=5％ =1％
Et 0．006947 0．oo7716 O．Ol5607
周 0．015534 0．Ol7254 0．034898
月 0．O43927 0．072535 0．157388
四、研究结论
本文通过实证分析，得到的主要结论有：
1、我国人民币兑美元市场具备使用VaR模型度
宏巩锃济研 2012年第12期
量人民币汇率波动风险的前提条件。通过实证分析
得到，我国人民币兑美元汇率对数收益率序列虽然
存在着尖峰厚尾、波动群聚等特点，但是通过模型使
用前的各种检验，得到数据具备使用VaR模型度量
我国汇率波动风险的前提条件。这从另一方面说明
人民币汇率的波动基本上能够反映外汇市场的供求
变化，信息传递通畅，投资者能更为理性地理解汇率
波动信息，我国外汇市场的有效性在逐步提高。
2、不同持有期下所对应的最佳模型不同。综合
实证分析可以看到，虽然很多模型都可以计算VaR，
但在实证分析我国外汇市场的风险特征时，并不是
所有的模型都适用。在本文所考虑的三个持有期下，
不同持有期下所选择的最佳风险计量模型不同，当
持有期为 日时 ，选择用 EGARCH(1，1)一GED和
PGARCH(1，1)一GDE下的VaR模型来对人民币兑美
元汇率进行风险管理比较合适；当持有期为周时，选
择用EGARCH(1,2)一EGD下的VaR模型来对人民币
兑美元汇率进行风险管理比较合适；当持有期为月
时，选择用GARCH(1，1)-GED下的VaR模型来对人
民币兑美元汇率进行风险管理比较合适。
3、持有期逐渐增大，人民币兑美元汇率风险也
呈逐渐增大趋势，但相对于成熟市场不同持有期之
间的变化，我国外汇市场还是有许多需要改善的地
方。VaR风险管理理论认为，持有期越大所面临的风
险就越大。我国数据实证分析结果也验证了这个结
论，但是相对于成熟市场还存在差距。我国现行汇率
制度不仅单一盯住美元，而且在国际贸易中对经常
项 目和金融项 目下的外汇进行严格的限额 ，这在很
大程度上限制了人民币与美元的自由兑换，也使得
我国外汇市场表现出一种独特的形式，而在较长时
间下中国人民银行根据人民币兑美元的实际情况进
行有效管理与调控，使得持有期为月下的人民币兑
美元汇率风险大于持有期为周下的风险。但相信随
着我国金融市场的成熟，外汇制度的不断完善，外汇
市场也会趋于成熟，汇率波动规律将更加市场化。
4、置信度逐渐增大，人民币兑美元汇率风险呈
逐渐增大趋势，不同风险承担主体，选择的置信度不
同。对于风险管理来说，为了达到有效的管理，会选
择较高的置信度，一则可以使超出限额的损失次数
变少，达到有效管理的目的；二则置信度大后可以节
约管理成本，提高管理效率。但是对于不同的风险承
担者而言，需要考虑的持有期不同，对于流动性较
大、交易较频繁的主体，需要提高置信度，比如巴塞
尔协议对有资金交易的机构，要求置信度为0．99，持
有期选择为10天或两周VaR的3倍现金为流动准备
金；而对于企业、个人交易不是很频繁，流动性没有
金融机构那么大，则选择0．90__o．95就足够；对于国
家层面来说，资产的规模较大，选择的置信度也需要
更大些，保证资产的价值不受损失。
注释：
①虽然从长期看，人民币汇率一直处于上升过程。
②包括政府、企业、银行、个人及其他部门。
③ GARCH族 模 型 为 GARCH、IGARCH、EGARCH、
TGARCH和PGARCH等。
④人民币兑美元中间价即为外汇市场当日银行间美元
等交易货币对人民币的收盘价，它通常作为下一个工作日交
易的中间价。
⑤当“消息”冲击到来时，随着时间序列被整合成粗糙
的，较长的低频序列，这种数据将揭示市场对一串连续“消
息”，新的心理过程等等的反映，以致序列的一阶差分形式是
平稳过程，形成一个鞅。
⑥对于三种不同持有期，假设日为1，周为2，月为3，后文
含义一样，就不再解释。
⑦如果实际损失超过VaR值，则将该事件记为失败；如
果实际损失低于VaR值，则将该事件记为成功。再假定每次
事件具有时间独立性，则失败事件的二项式结果代表一系列
独立的贝努里试验，由于置信度设定为c，则失败的期望概率
为P=I—C，模型的准确性就等同于检验失败概率等于特定概
率的零假设。
参考文献：
①陈毅恒：《时间序列与金融数据分析》，中国统计出版
社2007年版。
②古德哈特等：《外汇市场——高频数据的实证研究》，
吉林大学出版社2003年版。
③惠晓峰 、柳鸿生 、胡伟、何丹青 ：《基于时间序列
GARCH模型的人民币汇率预测》，《金融研究}2003年第5期。
④苗晓字：《不同频率数据在金融市场VaR测度中的对
比研究——基于低频、高频与超高频数据模型》，《山西财经
大学学报}2011年第2期。
⑤沈兵：《汇率收益率的异方差：基于不同频率的风险价
值分析》，《广东金融研究}2005年第7期。
⑥魏金明、陈敏：<(VaR模型在人民币汇率风险度量中的
应用》，《上海商学院学报>>2oo9年第7期。 (下转第67页)
31
宏巩锺湃研完2012~ 12期
域绿色竞争力影响较大的因子主要有六个，它们分别
是生态、健康、环保、持续、低碳、循环。通过实证调研得
出了影响区域绿色竞争力核心影响因子的初步判断；
这一初步判断是否合理有效，论文根据调研数据进行
了进一步的分析，利用影响因子探索』生分析法对13个
因子进行了探索性分析，得出结论，影响区域绿色竞
争力的因素题项经过旋转后可提取六个主因素，六个
主因素分别依次定义为环保因子、持续因子、低碳因
子、生态因子、循环因子、健康因子 ，而且六个因子变
量之间基本上是不相关的。从全部变量解释百分率来
看，第一个公共因子反映了原变量信息的20．973％，提
取了六个公共因子，它们反映原变量信息的81．644％，
可以说是原信息的大部分。
实证调研和探索f生分析，是区域绿色竞争力评价
体系的第一步，是寻找核心影响因子的过程，在后续
的研究中还必须对区域绿色竞争力核心影响因子的
影响机理、核心影响因子指标的延伸和演化进行研
究，以构建完整的区域绿色竞争力评价指标体系，对
区域绿色竞争力水平进行综合评价和动态监测。
参考文献：
①北京师范大学科学发展观与经济可持续发展研究基
地等：{2010中国绿色发展指数年度报告——省际比较》，
北京师范大学出版社2010年版。
②曹远征 ：《中国国际竞争力的优劣势因素》，《企业文
化》1997年第2期。
③胡英燕：《企业环境竞争力研究》，《世界有色金属》
2009年第 11期。
③李冰：《略论绿色企业文化》，《商业研究}2009年第 1
期
⑤梁嘉骅、葛振忠、范建平：《企业生态与企业发展》，
《管理科学学报}2002年第2期。
⑥迈克尔·波特：《竞争战略》，华夏出版社2004年版。
⑦彭德芬：《经济增长质量研究》，华中师范大学出版社
2002年版。
⑧曲格平：《发展循环经济是2l世纪的大趋势》，《中国
环保产业}2001年第l期。
⑨王琳、黄祺、汪政：《西部企业绿色竞争力构建途径研
究——基于西部生态环境的脆弱性》，《生产力研究}2007
年第24期。
⑩许扬洋：《绿色竞争力研究综述》，《中国集体经济》
2008年第 18期 。
⑩尹晓波：《环境竞争力——加入WTO后企业无法回
避的冲击波》，《长白学刊)2002年第l期。
⑩袁泉：《提高我国企业绿色竞争力对策浅析》，《中国
经贸导刊}2oo7年第20期。
⑩岳晓燕、周军：《城市经济、社会与环境系统协调发展
研究——以15个副省级城市为例》，《江淮论坛}2oi1年第5
期。
⑩周建成、曾敏：《发展低碳经济 提升低碳竞争力》，
《中国有色金属}2010年第 19期。
⑩诸大建、邱寿丰：《生态效率是循环经济的合适测
度》，《中国人口·资源与环境))2006年第5期。
⑩朱远：《基于循环经济模式的逆向物流推进策略》，
《中国物流与采购}2006年第24期。
⑩左克军：《循环经济与中国钢铁产业的发展》，《江苏
冶金}2006年第6期。
(作者单位：江西师范大学财政金融学院)
责任编辑 希 雨
(上接第31页)
⑦王天兴、张建 ：{ARCH／GARCH类模型对汇率波动率
的研究》，《金融经济}2006年第24期。
( Mike K．P．So，Philip L．H．Yu．Empirical Analysis of
GARCH Models in Value at Risk Estimation．Journal of Interna——
tional Financial Markets，Institutions and Money，2006(16)．
( Nicholas Bloom．The Impact of Uncertainty Shocks．
Econometrics．2009(5)．
Patton，A．J．Modeling Asymmetric Exchange Rate De—
pendence．International Economic Review，2006，47(2)．
@Thomas C．Chiang．Foreign Exchange Risk Premiums and
Relative Asset Return Difierentials．International Research Jou卜
nal ofFinance and Economics，2007(8)．
(作者单位：中南财经政法大学统计与数学学院)
责任编辑 徐敬东
67
