汇率波动存在非对称“杠杆效应”吗？

摘 要 识别汇率波动的运行特征是做好汇率风险防范的前提，也是客观评估和谋划我国汇率制度改革的基础。文章采用GARCH族波动性模型，基于2005年7月和2010年6月两次汇改后的样本数据就我国人民币汇率的波动性特征进行了客观地评估。结果发现，汇率风险引起的自身滞后波动及外部市场冲击是引起人民币汇率波动的主因，且这类冲击对汇率波动的影响会产生“长记忆特性”，导致其呈现出显著的“尖峰厚尾”和“集聚性”特征。同时，人民币汇率波动序列并非现有研究所认为的汇改后整个样本期内均存在“杠杆效应”，而仅仅只是在2010年6月二次汇改重启之后的样本期内出现了非对称“杠杆效应”，且表现出“放大利空，缩小利好”的非对称性特征。

关键词 人民币汇率；汇率波动；杠杆效应

[中图分类号]F832.6 [文献标识码]A [文章编号]1673-0461（2017）01-0081-08

一、引 言

汇率是开放经济下两国货币兑换的价格或者比率，一直以来备受各界关注，而汇率波动就是一种货币相对于另一种货币价值的升值或贬值引起的起伏震荡。尽管引起汇率波动的影响因素有很多，但贸易环境的变化以及来自金融市场的外部冲击等被普遍认为是导致汇率波动最主要的因素（Ragan，2005[1]；Ball，2010 [2]，等等）。于是，现有大量研究也已关注到并对这种外部市场环境变化引起的冲击对汇率波动所带来的影响效应展开了研究，甚至一些研究还开始采用最新的研究方法，譬如，ARCH/GARCH等方法去聚焦于更深层次的汇率波动及特征问题展开研究，也即如何去度量汇率波动的特征及变动趋势。Pagan和Schwert （1990）[3]等研究表明，在这些度量汇率波动的模型中，GARCH（1，1）模型被普遍认为是最好的、能够更加精确的反映一国汇率波动的最佳方法，研究结论普遍认为，汇率波动呈现出强烈的波动集群性、“尖峰厚尾”等特征，这为我们进一步探明人民币汇率波动的特征及运行规律奠定了良好的基石。

但问题是，我国自2005年7月21日进行了汇率制度改革，自此之后，汇率不再盯住单一美元，而是进入了“通过一篮子货币进行调节的有管理的浮动汇率制度”，我国汇率也因此跨入了大幅度升值的通道（如图1所示），相应的汇率波动幅度也随之扩大，特别是2010年6月人民币汇率制度改革的二次重启，以及2015年8月11日，人民币汇率中间价报价方式的改革（也被外界解读为新一轮汇率制度改革），使得人民币汇率呈现出稳中有升，升中有稳的相互交替现象。经过一系列汇率制度改革之后的这种稳中有升、升中有稳相互交替变化的人民币汇率，不仅已经积累了一定程度的理性与非理性泡沫成分，而且还出现了不确定因素增多与市场风险性程度加剧的趋势，导致人民币汇率波动性程度加剧，表现出非对称性、高峰和宽尾等典型化特征，显然已经无法满足一般正态分布性质，这使得我们对于传统的基于正态分布假设进行研究的方式提出了质疑（潘锡泉，2016）[4]。

所以，当下而言，不管是对于要进行资产组合与管理的个人投资者来说，还是对于需要通过汇率调节手段来实现我国人民币汇率稳定的政府决策部门而言，都迫切希望寻求一种既能够反映出市场利好、利空消息对人民币汇率波动的影响，又能够解决非正态分布异方差特性的方法来帮助他们分析汇率波动的特征及产生的影响效应。因此，研究汇率的波动特征就成为我们的当务之急，只有当我们熟识汇率波动特征的基础上，才能去更好地把握汇率变化的规律，规避汇率波动风险，从而进一步化解汇率波动对个人与社会经济活动带来的负外部溢出效应。

二、汇率波动相关文献研究

高峰厚尾、波动集聚、长记忆性、杠杆效应、波动溢出效应等被公认为是金融市场波动的典型特征（高艳，2014）[5]，汇率作为金融市场的重要变量，所以其波动特征也备受国内外学界的关注。国外文献中关于汇率波动特征的研究多以美元、英镑、日元等国际主流货币为研究对象。较为典型的如，Kenneth D. West 和Dongchul Cho（1995）[6]采用GARCH模型、自回归和条件异方差非参模型及单变量模型对英镑、日元等5种主要货币兑美元的双边汇率波动性进行了比较研究，并根据研究所得的波动性规律进行了预测。Meyer和Yu（2000）[7]运用SV波动模型研究认为英镑汇率波动性存在强烈的非对称“杠杆效应”。Wilfling（2009）[8]采用马尔科夫状态转移模型研究了欧洲货币联盟成员国的汇率波动状态转移过程发现，研究样本中的所有国家在加入欧洲货币联盟前后，其汇率波动均发生了明显地转换。

国内关于汇率波动的相关研究成果也很多，主要聚焦于人民币汇率波动的特征进行了研究，从研究的样本时间来看，主要分为两个阶段，第一个阶段主要是以1994年第一次汇率制度改革为分界点，较为典型的如，谢赤和刘潭秋（2003）[9]利用Markov状态转换模型就人民币对美元的月度数据波动性进行了研究，其结果认为汇率波动具有高度的波动集聚性和影响的持续性。

第二个阶段则以2005年7月21日人民币汇率制度改革为分界点。自此之后，无论是在方法的创新上，还是样本数据的选取上，关于汇率波动性特征的研究变得愈发频繁，结论也不尽相同。刘潭秋（2007）[10]采用门限模型和STAR模型对我国实际汇率波动的历史数据进行了较好的拟合。靳晓婷等（2008）[11]同样利用门限模型对汇改后到2008年1月的人民币汇率数据进行了研究，发现人民币汇率波动存在显著的非线性“门限效应”。魏英辉（2009）[12]基于汇改后数据的研究得到人民币兑主要汇率的日收益率具有“尖峰厚尾”特性和“波动聚集”效应（日元除外）。吴跃明（2010）[13]基于长记忆随机波动（LMSV）模型就人民币与主要国家汇率（美元、欧元、日元、英镑）之间是否存在波动效应和长记忆性特性进行了检验，发现人民币对各主要国家汇率的波动性存在显著的长记忆特征。李敏等（2010）[14]则基于1991～2008年的样本数据，采用三区制马尔科夫状态转移模型就人民币实际有效汇率数据的波动路径进行了研究，得到我国人民币实际有效汇率呈现出“过度贬值”、“适度贬值”和“升值”三个显著的阶段性特征。赵华和燕焦枝（2010）[15]采用MS-GARCH模型分析了2005年汇率改革后人民币汇率波动的状态转换行为，发现两区制转换GARCH模型的拟合和预测效果均优于单状态GARCH模型，建议研究时应该采用两区制GARCH模型。张欣和崔日明（2013）[16]的研究发现汇率波动过程中存在着明显的“放大利空，缩小利好”的非对称特征。阙澄宇和马斌（2015）[17]采用VAR-GJR-MGARCH-BEKK模型证实了在岸与离岸人民币即期汇率、远期汇率，以及两者之间的波动溢出效应和非对称效应均存在。刘超和刘东（2015）[18]运用混沌理论（包括综合集成R/S方法、G-P算法和Wolf方法）和技术方法就2005年7月人民币汇率制度改革前后人民币兑美元汇率波动性进行了混沌性检验，其研究结果认为，汇改前后汇率波动具有显著的差异性，汇改前汇率波动不存在状态持续性，而汇改后汇率波动呈现长期记忆特性，具有弱混沌现象和长期不可预测性。李强和田娟娟（2016）[19]利用向量自回归模型对我国汇改后人民币兑美元汇率收益率序列的研究却认为人民币汇率存在双向波动和长记忆效应。

显然，国内外现有研究取得的成果为我们进一步深入探究人民币汇率波动特征及运行规律提供了方法与实践的指导，但细究这些文献，尤其是国内关于人民币汇率波动特征的研究文献，我们可以发现一个共同的特点是，这些研究似乎都包含了汇率制度改革之后的整个样本期（跨越了二次汇改的重启，以及经济大环境的变化）进行研究而得出人民币汇率具有“波动集聚”和非对称“杠杆效应”，而忽略了诸如2005年7月21日汇率制度改革之后，人民币汇率遭遇全球性金融危机影响在2008年9月到2010年6月汇率制度二次改革重启之前的这段样本期内，人民币汇率事实上处于较为平稳的运行状态，也就是我们所谓的“软顶住”状态，这样得到的结论显然值得商榷。

据此，本文的边际贡献是期望在前人研究的基础上，进一步剔除这些可能对人民币汇率波动特征产生影响的样本区间，以及采用分阶段的方式对我国人民币汇率波动的特性进行再次检验，期望能够客观地评估像我国这样经历了多次汇率制度改革及经济进入新常态背景下的汇率波动性是否会出现非对称“杠杆效应”及其具体呈现出的波动性特征如何？为规避汇率风险，以及进一步客观评估和谋划我国汇率制度改革提供客观的依据。

三、汇率波动性特征研究模型设定

我们将人民币汇率波动收益率定义为每日人民币兑美元双边汇率中间价的对数值一阶差分值：

其中P 为每日人民币对美元双边汇率中间价。

本文描述人民币汇率波动收益率Rt的模型GARCH（p，q）包括两个部分。第一部分为数据生成过程（均值过程）：

其中，Rt的数据生成过程服从ARMA（m，n）过程，假设人民币汇率波动收益率序列的绝对残差序列是一个条件异方差过程。在已知信息集的条件下，进一步假设绝对残差序列的条件分布为正态分布，具有时变的条件方差为：

GARCH（p，q）模型的第二部分主要由条件异方差的生成过程组成（方差方程），这也是目前研究金融资本市场波动性的最好模型，我们将其设定为：

为了更好地描述金融资产收益率序列特征，将GARCH（p，q）模型进一步推广（允许条件方差对收益率序列产生影响），得到GARCH-M（p，q）模型：

其中，当存在风险奖励时，对应的调整系数表现为λ>0；当存在风险惩罚时，则对应的调整系数表现为λ<0。

进一步地，考虑到一般金融资产收益率与市场波动性两者之间的紧密联系性，所以分析利好、利空消息对人民币汇率波动收益率的影响对理解投资者个体行为特征非常有益。于是，模型被Nelson（1991）[20]进一步拓展，他提出了非对称形式的 EGARCH（p，q）模型：

当γ ≠0且统计上显著时，表明来自外部市场的冲击对人民币汇率波动的影响具有“非对称性”；当γ <0时，表明负外部冲击对汇率波动产生的影响要大于正外部冲击，即存在汇率波动的“杠杆效应”现象。显然，该模型能够很好地对人民币汇率波动是否存在“杠杆效应”进行检验，而且还具有一个显著的特点是对参数没有任何约束限制，也即杠杆效应是否存在可以通过系数γ 直接得到检验。若γ <0，则表明坏消息（ε <0）对人民币汇率波动的冲击效应要比好消息（ε >0）引起的冲击效应大；反之，若γ >0，则好消息引起汇率波动的冲击效应要比坏消息引起汇率波动的冲击效应大，从而体现出汇率波动的“非对称性”特征。

四、人民币汇率波动性特征与“杠杆效应”实证检验

（一）数据来源及描述性统计分析

考虑到2005年7月21日汇率制度改革之前我国人民币对美元汇率基本处于固定汇率状态，本文选取了汇率制度改革之后的样本期进行研究，但通过对这一样本期的样本序列进行描述性统计分析，我们确实发现如前文所说的，在2008年9月～2010年5月这一样本期内人民币兑美元汇率的波动幅度基本处于停滞状态（如图1和图2所示）①，直至2010年6月二次汇改的重启，人民币兑美元汇率再次步入小幅升值态势，汇率波动又开始显现（潘锡泉，2013[21]）的特征。

所以，为避免这种“软盯住”状态下人民币汇率波动性较弱导致的实证结果欠佳现象，本文在具体实证研究样本选取时，将2008年9月～2010年5月予以了剔除，将最终样本确定为2005.7.21～2008.8.29（764个样本）和2010.6.1～2016.6.24（1 473个样本）②。

从图2可进一步发现，人民币汇率波动序列中出现了很多异常的峰值，这也在一定程度上说明了人民币汇率波动的显著性。与此同时，我们还发现人民币汇率波动数据序列中所呈现出的某些异常波动性具有聚集现象（主要表现为汇率波动的大幅度波动区域和小幅度波动区域具有间歇性，常常集中在不同的时段），初步可以判断我国人民币汇率波动序列存在波动的集聚性特征，具有条件异方差迹象。由此，我们有理由认定人民币汇率波动序列中出现的扰动肯定不是白噪声过程。

（二）人民币汇率波动性GARCH效应估计

我们分别在2005.7.21～2008.8.29（764个样本）和2010.6.1～2016.6.24（1 473个样本）样本期内对人民币汇率波动建立GARCH族波动性模型进行估计和分析③。

1.2005.7.21～2008.8.29样本期内人民币汇率波动性GARCH效应估计

首先，我们对人民币汇率波动序列的相关性进行分析，得到人民币汇率波动序列的自相关系数（AC）和偏相关系数（PAC）如表1所示。

由表1的分析结果可知，滞后7阶和滞后14阶自相关系数的绝对值相对较大，所以，在均值方程估计时采用滞后7阶和滞后14阶的模型进行估计，得到均值方程（最小二乘估计）的估计结果如式（7）所示：

式（7）均值方程拟合程度较好，且系数统计量均显著，于是我们进一步给出该均值方程的残差图（如图3）。经过对图3残差图的直观判断，我们发现，人民币汇率波动序列存在波动“集聚”现象，这说明误差项很可能存在条件异方差性。

据此，我们进一步对式（8）的均值方程进行条件异方差ARCH-LM检验，以确诊人民币汇率波动序列是否确实存在ARCH效应，得到ARCH-LM检验结果如表2。

检验结果认为人民币对美元汇率波动序列的残差项在2005.7.21～2008.8.29样本期内确实存在强烈的波动集聚现象。因此，采用GARCH模型对人民币汇率波动进行估计和分析是合理的，得到均值方程和方差方程的估计结果如式（8）和式（9）④（方程估计中最优滞后阶数的判断是根据不断地“试错”和AIC信息准则共同来决定的，后同）。

由式（9）GARCH（1，1）模型的条件方差估计结果可知，α+β<1始终成立，这说明人民币汇率波动序列条件方差序列是稳定的，模型具有可测性。从式（9）的估计结果来看，α+β之和非常接近1，这说明市场对外部冲击的反应函数是以一个较慢的速度在递减，这也意味着外部冲击对汇率波动的影响效应具有持久性和长记忆特性。

同样，我们对人民币汇率波动序列进行GARCH（1，1）模型估计后得到的残差项的序列图与正态分布图相比较，发现仍存在个别离群值，分布略有偏斜。为此，我们进一步纳入到均值方程中进行GARCH-M估计，得到均值方程估计结果为：

同样对GARCH-M估计后的残差序列进行ARCH-LM异方差检验，滞后一阶的ARCH-LM效应检验结果如表3所示。

表3的ARCH-LM检验结果表明GARCH-M估计后的残差序列中已不存在ARCH效应，消除了残差序列的条件异方差性，说明均值方程和方差方程估计得到的结果是稳健的。

由均值方程（10）的估计结果可知，σt的系数为-0.25，且在统计上显著，这表明此时的汇率风险是引起汇率波动的主要原因，当市场中的预期风险增加一个百分点时，就会导致汇率波动率下降0.25个百分点。这同样说明了人民币汇率波动率存在显著的风险惩罚机制，也即存在负向风险溢价行为，当市场上的风险预期越强烈，人民币汇率波动越趋于稳定。这可能是当时样本期内我国人民币汇率刚好经历了汇率制度改革，汇率的短期升值预期非常强烈，导致汇率波动幅度持续扩大，使得居民对市场上人民币汇率波动的预期过于强烈，中国政府为平抑人民币汇率的过度波动而采取的相应措施，譬如引入询价机制等手段，反而起到了事实上的稳定汇率作用。

同时，不管是式（8），还是式（10）估计结果均显示，人民币汇率波动序列滞后14期对其自身具有显著的正向效应，也即人民币汇率波动具有一定的滞后性，其当前汇率的波动会受到滞后2到3个星期（14个交易日）的交易行为影响。

进一步地，方差方程式（11）的GARCH-M估计显示，ε 的系数不为零且在统计上显著，表明外部市场冲击对汇率波动的影响效应为0.06，而σ 系数同样不为零且在统计上显著，表明汇率波动具有一定的记忆性，且α+β<1同样成立，表明条件方差模型是稳定可测的，市场对外部冲击的反应函数将以一个较慢的速度递减，对汇率波动产生持续性的影响。同时， 结果还表明人民币汇率波动序列方差的波动性同样会受到其自身滞后3期的影响。

2.2010.6.1～2016.6.24样本期内人民币汇率波动性GARCH效应估计

同样，对2010.6.1～2016.6.24样本期内人民币汇率波动序列的相关性进行分析，得到人民币汇率波动序列的自相关系数（AC）和偏相关系数（PAC）如表4所示。

表4的结果显示滞后1阶和滞后7阶自相关系数的绝对值相对较大，所以，在均值方程估计时采用滞后1阶和滞后7阶的模型进行估计，得到均值方程（最小二乘估计）的估计结果如式（12）所示。

同理，对式（12）均值方程估计得到的残差项进行观察（如图4），同样发现存在严重的“集聚”现象，可能存在条件异方差特性，需要我们进一步对其进行ARCH-LM检验。

经过检验，得到ARCH-LM检验结果如表5。

表5的检验结果同样认为人民币对美元汇率波动序列的残差项在2010.6.1～2016.6.24样本期内确实存在强烈的波动集聚现象。因此，采用GARCH模型对人民币汇率波动进行估计和分析同样是合理的，得到均值方程和方差方程结果如式（13）和（14）。

式（14）的估计结果同样显示，α+β<1始终成立，这说明人民币汇率波动序列条件方差序列是稳定的，模型具有可测性。而且α+β之和为0.95，非常接近1，这同样说明了市场对外部冲击的反应函数以一个较慢的速度递减，这也意味着外部冲击对人民币汇率波动的影响具有持久性，产生了记忆性。

我们对人民币汇率波动序列进行GARCH（1，1）模型估计后所得到的残差项序列图进行观测，同样发现，其相比于正态分布仍存在个别离群值，分布略有偏斜。为此，我们进一步纳入σ 到均值方程中验证是否有必要建立GARCH-M模型，估计得到均值方程。

式（15）的均值方程估计结果显示，σ 的系数估计量在统计上不显著，这说明没有必要建立GARCH-M模型，而其他系数估计结果与式（13）得到的结果无论是统计显著性还是系数方向上都较为一致。因此，建立式（13）和（14）的GARCH模型即可，而无需进一步建立GARCH-M模型。

所以，我们只需要对式（13）和（14）的GARCH模型估计后的残差序列进行ARCH-LM异方差检验，滞后一阶的ARCH-LM效应检验统计量值如表6。

表6的检验结果同样表明GARCH模型估计后的残差序列中已不存在ARCH效应，消除了残差序列的条件异方差性。

方程（13）的估计结果表明，人民币汇率波动会受到其滞后一期的影响，估计结果与式（15）得到的结论较为一致。

式（14）中得到ε 的系数为0.18，且在统计上显著，同样表明外部市场冲击对汇率波动具有显著的影响效应，而且相较于2005年7月汇改后到2008.8.29样本期的冲击效应明显有所增长，这可能是源于近几年全球经济的动荡与资本流动的加剧所致。σ 的系数为0.77，且在统计上显著的结果同样表明，这一阶段的汇率波动具有一定的记忆性，以及受外部市场冲击影响的持续性。

（三）人民币汇率波动性“杠杆效应”检验

1.2005.7.21～2008.8.29样本期内人民币汇率波动性“杠杆效应”检验

为了进一步探明市场的利好、利空消息对市场上投资者的个体行为特征是否会产生异质性影响呢？也即人民币汇率波动性是否存在非对称“杠杆效应”问题，我们继续采用EGARCH模型进行估计，得到均值方程为。

显然，由方差方程可知，表示杠杆效应的系数统计量虽然不为零，但其在统计上不显著，所以，我们认为，在这一样本期内，人民币汇率波动序列并不存在显著的杠杆效应。

2.2010.6.1～2016.6.24样本期内人民币汇率波动性“杠杆效应”检验

同样利用EGARCH模型估计判断利空和利好消息对人民币汇率波动产生的非对称效应，得到均值方程估计结果为：

方差方程式（19）的估计结果显示，γ≠0，其值为-0.03，且统计上显著，表明外部冲击对汇率波动的影响具有“非对称性”特性。γ<0意味着在2010.6.1～2016.6.24样本期内，利空消息对人民币汇率波动带来的冲击效应要比利好消息带来的冲击效应大，存在显著的非对称“杠杆效应”，这与张欣（2013）[16]的研究得到人民币汇率波动呈现“放大利空、缩小利好”的非对称特性相一致。究其原因，这可能是由于我国“二次汇改”重启之后，人民币汇率波动幅度虽然较之前趋于更加稳定，但长期以来人民币汇率受外界升值压力影响引起的心理预期及“稳中有升”惯性预期使得居民对人民币汇率受市场波动和冲击的影响变得更为敏感，一旦出现利空消息（人民币升值）将会导致人民币汇率产生更为剧烈的波动，而受到市场利好消息冲击时（人民币汇率贬值）的波动幅度相对更为稳定。

五、简要的结论及政策启示

本文基于我国第一次汇改（2005.7.21～2008.8.29）及2010年6月第二次汇改重启之后（2010.6.1～2016.6.24）的两个样本期，采用GARCH族模型就我国人民币对美元双边汇率中间价的汇率波动性特征进行了研究，结果认为。

（1）两个样本期内的GARCH族模型检验均认为，我国人民币汇率波动序列确实具有显著的“尖峰厚尾”和波动的集聚性特征，引起人民币汇率波动的主要原因源自于汇率风险引起的自身滞后波动及外部市场冲击等因素，而且这种冲击将会以一个较慢的速度递减对汇率波动产生持续性影响，产生长期记忆性特征。

（2）我国人民币汇率波动序列在第一次汇改之后（2005.7.21～2008.8.29）的样本期内不存在显著的“杠杆效应”，而在第二次汇改重启之后的样本期内却存在着显著的非对称“杠杆效应”，表现为市场利空消息对人民币汇率波动的冲击效应要更为强烈，其原因可能是由于长期以来居民对人民币汇率保持稳中有升的惯性心理预期所致。

根据研究，我们得到相应的启示为：

其一，政府所要面对与处理的首要问题是预防和管理由客观环境所引致的外部汇率风险冲击对人民币汇率波动产生的影响，政府应坚持“逆汇率波动风向”调节的原则下，及时采取相应的宏观经济调控手段去防范外部市场环境变化所产生的冲击，并做好化解已产生的市场外部环境冲击所带来的风险对汇率市场的波及，防止汇率波动的加剧与传染以起到稳定我国当前汇率的目标。

其二，政府需要进一步完善和推进人民币汇率形成机制改革，实施动态、有弹性的汇率浮动机制，充分利用我国巨额外汇储备的功效作用去保持和维护人民币汇率的稳定，以此去调整和释放能够有效抑制公众心理预期的信息，提振居民对外部客观市场环境稳定的信心，去保持人民币币值在合理区间内的稳定，以减少金融市场恐慌所引起的人民币汇率波动风险。

[参考文献]

[1] Christopher·Ragan.The Exchange Rate and Canadian Inflation Targeting[J]. Bank of Canada Review，Bank of Canada，2005，3： 41-50.

[2] Ball L. Policy Responses to Exchange-rate Movements[J].Open Economies Review，2010，21（2）： 187-199.

[3] Pagan A.R，Schwert G.W. Alternative Models for Conditional Stock Volatility[J]. Journal of Econometrics，1990，45（1）： 267-290.

[4] 潘锡泉.我国沪深股市波动性与“杠杆效应”问题重新研究——基于非线性视域的GARCH族模型分阶段检验[J].江汉学术，2016（4）：19-29.

[5] 高艳.人民币汇率波动特征的计量分析[D].长春：吉林大学，2014.

[6] West，Kenneth D.，Cho，Dongchul. The Predictive Ability of Several Models of Exchange Rate Volatility[J]. Journal of Econometrics，Elsevier.1995，69（2）： 367-391.

[7] Renate Meyer，Jun Yu. BUGS for a Bayesian Analysis of Stochastic Volatility Models[J]. Econometrics Journal，2000，3：198-215.

[8] Wilfling，B.Volatility Regime-switching in European Exchange Rates Prior to Monetary Unification[J]. Journal of International Money and Finance，2009，28：240-270.

[9] 谢赤，刘潭秋.人民币实际汇率中的马尔科夫转换行为[J].统计研究，2003（9）： 50-52.

[10] 刘潭秋.人民币实际汇率的非线性特征研究[J].数量经济技术经济研究，2007（2）：11- 17.

[11] 靳晓婷，张晓峒，栾惠德.汇改后人民币汇率波动的非线性特征研究——基于门限自回归TAR模型[J].财经研究，2008（9）： 48-57.

[12] 魏英辉. 汇改后人民币汇率波动特征的实证分析[J].改革与战略，2009（4）：84-87.

[13] 吴跃明.基于小波变换的LMSV模型对人民币汇率波动的研究[J].经济数学，2010（9）： 59-63.

[14] 李敏，王相宁，缪柏其.基于Markov区制转移模型的人民币实际有效汇率波动机制[J].中国科学技术大学学报，2010（6）：565-570.

[15] 赵华，燕焦枝.汇改后人民币汇率波动的状态转换行为研究[J].国际金融研究，2010（1）： 60-67.

[16] 张欣，崔日明.基于非对称随机波动模型的人民币汇率波动特征研究[J].国际金融研究，2013（1）： 28-38.

[17]阙澄宇，马斌. 人民币在岸与离岸市场汇率的非对称溢出效应——基于VAR-GJR- MGARCH-BEKK模型的经验证据[J].国际金融研究，2015（7）： 21-32.

[18] 刘超，刘东.人民币对美元汇率波动的混沌性研究——基于2005年汇改后与汇改前数据的比较[J].金融理论与实践，2014（3）： 12-18.

[19] 李强，田娟娟.人民币汇率波动的双向波动的记忆效应分析[J].统计与决策，2015（22）： 172-174.

[20] Nelson，D. Conditional Heteroscedasticity in Asset Returns： A New Approach[J]. Econometrica，1991，59：347-370.

[21] 潘锡泉.中美利率和汇率动态效应研究：理论与实证——基于拓展的非抛补利率平价模型的研究[J].国际贸易问题，2013（6）： 76-87.