1、中國外匯儲備實證分析報告摘要：自1994年外匯管理體制改革以來，中國外匯儲備便開始進入了一個高速增長期。2006年已經成為外匯儲備最多的國家,因此,研究我國外匯儲備至關重要。到了2012年6月，我國的外匯儲備達到了32400.05億美元。因此,研究我國外匯儲備至關重要。本文采集了1999年12月至2012年6月我國外匯儲備的月度數據，采用Eviews 6.0軟件進行分析，對數據進行一系列的檢驗與調整后，對我國外匯儲備的變化情況進行了短期預測。關鍵詞： 外匯儲備 短期預測引言進入21世紀之后，伴隨全球國際收支失衡的惡化，全球外匯儲備規模不斷上升，而全球外匯儲備的增長又集中體現在發展中國家外匯儲備

2、的增長，尤其是東亞國家和石油輸出國。在發展中國家中，中國外匯儲備的增長速度更加迅猛。1999年年底中國外匯儲備約為0.16萬億美元，占全球規模的9%，2007年年底上升至1.53萬億美元，占全球規模的24%，增長了8.6倍。中國已經超越日本成為全球外匯儲備的最大持有國。2008年至2010年，中國的外匯儲備繼續增加，到了2008年年底，中國的外匯儲備達到了1.94萬億美元，2009年年底，中國的外匯儲備達到了2.4萬億美元，比2008年增長了23%。到了2012年6月，我過的外匯儲備達到了32400.05億美元。為了能夠更好地管理我國的外匯儲備，需要更確切的把握我國外匯儲備的增長趨勢。為此本文

3、擬通過對2000年來的外匯儲備數據進行ARIMA法建模并預測短期內我國外匯儲備的增長趨勢。一、數據處理原始數據（見附表一）：來源于國家外匯儲備管理局月度數據基本操作：(1)數據錄入: 打開Eviews軟件，選擇“File”菜單中的“New-Workfile”選項，點擊File/Import，找到相應的Excel數據集，打開數據集A，點擊ok。(2)繪制序列時序圖: 雙擊序列A，點擊view/Graph/line,ok(3)繪制序列相關圖: 雙擊序列A，點擊view/Correlogram，ok(4)ADF檢驗序列的平穩性: A，點擊view/unit root test，ok(5)模型參數估計

4、: 在主菜單選擇Quick/Estimate Equation，在主窗口輸入ls A ar(1) ma(1) 敲回車 (6)模型檢驗: 在方程輸出窗口中點擊View/Residual Tests/Correlogram-Q-Statistics，ok(7)模型預測: 在命令欄輸入expand 1999:12 2014:06, 然后在方程估計窗口點擊Forecast，選擇Dynamic forecast，點擊ok二、數據的時間序列特征分析將1999年12月至2012年6月我國外匯儲備數額繪制成折線圖，如圖1所示，可以很容易地看出序列具有明顯的增長趨勢，并且可以看出，從2004年到2005年開始，

5、我國的外匯儲備數額有了顯著提高，并且增加的幅度也有所增大，這主要是因為自2005年7月人民幣匯改以來，由于中國政府選擇了小幅、穩健、可控的升值策略，吸引大量國際短期資本流入中國套利，這加速了中國外匯儲備的累積。圖1 1999年12月至2012年6月中國外匯儲備的折線圖三、序列的變換1、數據的檢驗對此序列進行單位根檢驗，如圖2所示，t檢驗結果接近1，無法拒絕序列存在單位根的原假設，且t檢驗值大于等于1，說明此序列至少具有一階單位根。之后對序列進行一階差分的單位根檢驗，結果如圖3所示，t檢驗值的P值為0.0145，在置信水平為95%的情況下，可以拒絕原假設，說明此序列不具有二階單位根，但具有一階單

6、位根，序列不是平穩序列。圖2 序列的單位根檢驗結果圖3 一階差分后序列的單位根檢驗結果對該序列繪制了自相關、偏自相關圖，如圖4所示，由圖中可以看出，序列的自相關系數衰減緩慢，沒有很快趨于0，同樣可以說明該序列是非平穩序列。圖4 序列的自相關、偏自相關圖2、序列的調整由于序列不是平穩序列，所以需要對其進行變換。由序列的折線圖可以看到，序列是逐漸遞增的，并且增加的幅度在不斷增大，所以，對此序列進行對數差分，以消除序列的趨勢。繪制對數差分后序列的折線圖，如圖5所示，并且對其進行單位根檢驗，檢驗結果如圖6所示，可以看到，檢驗結果的P值為小概率，拒絕了序列有單位根的原假設，所以認為對數差分后的序列沒有單

7、位根，對數差分后的序列為平穩序列。圖5 對數差分后序列的折線圖圖6 對數差分后序列的單位根檢驗結果之后繪制對數差分后序列的自相關、偏自相關圖，如圖7所示，可以看出序列的自相關系數與偏自相關系數迅速衰減到置信帶內，同樣可以說明序列為平穩序列。圖7 對數差分后序列的自相關、偏自相關圖四、模型的建立理論儲備：寬平穩：序列的統計性質不隨時間發生改變，只與時間間隔有關。ARMA模型：自回歸模型和滑動平均模型的組合， 便構成了用于描述平穩隨機過程的自回歸滑動平均模型ARMA， 數學公式為:式中: 為自回歸模型的階數（i=1，2， ，p）為模型的待定系數，為誤差，；為模型的階數； （j=1，2，q）為模型的

8、待定系數；為誤差； 為平穩時間序列。實際分析：由于中國外匯儲備Y的序列為非平穩序列，對數差分后的序列LY為平穩序列，所以應用LY建立模型。由對數差分后序列的自相關、偏自相關圖可以看到，序列的自相關系數有峰值，迅速衰減，偏自相關系數同樣有峰值，并且迅速衰減，所以應該建立ARMA（1，1）模型。如圖8所示，得到ARMA（1，1）模型的參數估計結果，可以看到AR（1）、MA（1）和截距項C的t檢驗結果均為小概率，拒絕原假設，通過t檢驗；F檢驗結果為小概率，通過F檢驗；DW檢驗結果約為1.935，很接近2，說明模型不存在序列相關，估計結果有效；估計方程的可決系數為0.19，修正后的可決系數為0.179

9、。圖8 ARMA（1，1）模型的參數估計結果五、模型的檢驗模型建立好后，對殘差進行檢驗，首先看真值、擬合值、殘差圖，如圖9所示，可以看出，模型的擬合程度較好，殘差是圍繞著零均值隨機波動的。再對殘差進行白噪聲檢驗，結果如圖10所示，可以看到檢驗結果均為大概率，無法拒絕原假設，認為殘差是相互獨立的，通過白噪聲檢驗。綜上所述，模型的適應性檢驗通過。圖9 殘差的白噪聲檢驗結果在顯著性水平為0.05，原假設為殘差序列是隨機的情況下，P值都大于0.05，接受原假設，表明殘差序列是隨機的，即為白噪聲序列。模型擬合效果圖如下圖10：圖10 真值、擬合值、殘差圖看真值、擬合值、殘差圖，模型的擬合程度較好，殘差是

10、圍繞著零均值隨機波動的。對模型的適應性檢驗通過，所以可以根據模型的估計值，寫出模型的表達式如下：LY = 0.021264 + AR(1)=0.880604,MA(1)=-0.673488,BACKCAST=2000M02,ESTSMPL="2000M02 2012M04"六、模型的預測用2000年01月至2010年6月的數據建立模型，來預測2010年7月至2012年6月共兩年的數值，由于這兩年的統計數據我們已經掌握，所以就可以看出模型預測的準確度，預測的結果如圖11所示，可以看到此模型預測的準確度為94.8%，圖11 模型的預測效果圖模型對2010年7月至2012年6月預

11、測的結果如下表所示：時間真值預測值2010M0725388.9424880.82010M0825478.3825857.992010M0926483.0325710.112010M1027608.9927037.542010M1127678.9928124.122010M1228473.3827921.942011M0129316.7428994.462011M0229913.8629787.32011M0330446.7430339.662011M0431458.4330874.292011M0531659.9732027.392011M0631974.9131975.942011M0732

12、452.8332393.432011M0832624.9932893.852011M0932016.8332980.082011M1032737.9632177.412011M1132209.0733317.342011M1231811.4832333.212012M0132536.3132087.982012M0233096.5733082.92012M0333049.7133533.732012M0432989.1333352.562012M0532061.0933323.582012M0632400.0532141.86可以利用以上數據，計算一下此模型的預測誤差，利用2010年6月的預測

13、值和真值，可以計算出：h=（32400.05-32141.86）/32400.05=0.008，由此可見此模型的預測誤差較小，可以很好地進行預測。利用建立好的模型，對2012年7月至2013年6月一年的外匯儲備值做外推預測，得到這一年的外匯儲備預測值，結果如下表所示：時間預測值2012M0732893.782012M0833324.622012M0933761.102012M1034203.292012M1134651.282012M1235105.132013M0135564.932013M0236030.762013M0336502.682013M0436980.782013M053746

14、5.152013M0637955.86七、結束語通過本次論文寫作，我學會通過各種手段檢驗序列的平穩性；學會根據自相關系數和偏自相關系數來初步判斷ARMA模型的階數p和q，學會利用最小二乘法等方法對ARMA模型進行估計，學會利用信息準則對估計的ARMA模型進行診斷，以及掌握利用ARMA模型進行預測。掌握在實證研究中如何運用Eviews軟件進行ARMA模型的識別、診斷、估計和預測和相關具體操作。整個模型的建立過程中采用的處理方法和檢驗方法均為常用的方法，精確程度比較高。在模型的適應性檢驗中已經證明了建立的時間序列模型的殘差序列為獨立序列，符合時間序列模型的基本假定。同時，判斷一個模型優劣常用的標準

15、是模型的擬合程度如何，本文最終選用的模型ARMA(1,1)就是在一系列備選模型中擬合程度最優的模型。這說明本文建立的時間序列模型在統計意義上是合理的。我國外匯儲備在過去快速增長，并且由模型預測得到在近期仍可能繼續上升，高速增長的原因主要有：制度原因、經濟原因和政府職能的轉變。本文認為我國目前的高額外匯儲備具有一定的合理性。首先，我國實行的是結售匯制度，國家對外匯的收售實行統一管理，國家的外匯儲備代表的是整個社會的外匯儲備，而西方國家和大多數發展中國家實行意愿結匯制度，兩種制度的不同得出的外匯儲備的含義不同。其次，我國自從改革開放以來，經濟發展逐步走入正軌，對外貿易逐年上升，吸收的對華投資穩步上

16、升，高額的外匯儲備是可以理解的八、參考文獻1王燕，應用時間序列分析（第二版），中國人民大學出版社，20082李子奈、潘文卿，計量經濟學（第三版），高等教育出版社，20003郭樹清，關于當前中國外匯儲備的幾個問題【J】中國金融 ，2005(7) 4 楊瑋靖，全球金融危機后我國外匯儲備的狀況及分析【J】鄭州鐵路職業技術學院學報 ，2010（6）5 秦煥超，趙恩興，姚曉緯 21世紀新環境下我國匯率和外匯儲備的相關性研究 【J】金卡工程·經濟與法.2010(1)6 許躍輝，陳春 我國高額外匯儲備的來源結構和成因分析【J】學術界 2008附表一國家外匯儲備規模1999年12月1,546.752

17、003年4月3,262.912006年6月9,411.152009年7月21,746.182000年1月1,561.002003年5月3,400.612006年7月9,545.502009年8月22,108.272000年2月1,565.592003年6月3,464.762006年8月9,720.392009年9月22,725.952000年3月1,568.202003年7月3,564.862006年9月9,879.282009年10月23,282.722000年4月1,568.462003年8月3,647.342006年10月10,096.262009年11月23,887.882000年5月

18、1,580.192003年9月3,838.632006年11月10,387.512009年12月23,991.522000年6月1,585.682003年10月4,009.922006年12月10,663.442010年1月24,152.212000年7月1,585.962003年11月4,203.612007年1月11,046.922010年2月24,245.912000年8月1,592.172003年12月4,032.512007年2月11,573.722010年3月24,470.842000年9月1,600.922004年1月4,157.202007年3月12,020.312010年4月

19、24,905.122000年10月1,613.442004年2月4,266.392007年4月12,465.662010年5月24,395.062000年11月1,639.112004年3月4,398.222007年5月12,926.712010年6月24,542.752000年12月1,655.742004年4月4,490.172007年6月13,326.252010年7月25,388.942001年1月1,686.232004年5月4,585.602007年7月13,852.002010年8月25,478.382001年2月1,747.732004年6月4,706.392007年8月14,

20、086.412010年9月26,483.032001年3月1,758.472004年7月4,829.822007年9月14,336.112010年10月27,608.992001年4月1,771.782004年8月4,961.692007年10月14,548.982010年11月27,678.992001年5月1,790.002004年9月5,145.382007年11月14,969.062010年12月28,473.382001年6月1,808.382004年10月5,424.432007年12月15,282.492011年1月29,316.742001年7月1,844.922004年11月

21、5,738.822008年1月15,898.102011年2月29,913.862001年8月1,900.532004年12月6,099.322008年2月16,471.342011年3月30,446.742001年9月1,957.642005年1月6,236.462008年3月16,821.772011年4月31,458.432001年10月2,030.292005年2月6,426.102008年4月17,566.552011年5月31,659.972001年11月2,083.152005年3月6,591.442008年5月17,969.612011年6月31,974.912001年12月2,121.652005年4月6,707.742008年6月18,088.282011年7月32,452.832002年1月2,174.002005年5月6,910.122008年7月18,451.642011年8月32,624.992002年2月2,23