SEM视角下人民币汇率风险影响因素研究

蔡梓涵 叶 琪

一、引言及文献综述

长期以来，汇率风险不仅给微观实体企业带来巨大影响（郭飞，2012），也是影响宏观经济平稳发展的重要因素（赵茜，2018）。中国对外开放在促进贸易和投资发展的同时，也使经济实体面临更为复杂的汇率风险。因此，研究人民币汇率风险影响因素，不仅有助于企业更好地管理汇率风险，而且能够为宏观经济持续平稳运行与政府部门制定和颁布相关政策提供有效的经验数据和理论支持。关于汇率风险测度，国内外学者已作了大量研究。Engle（1982）基于美元汇率序列存在波动性与异方差特征，设计ARCH模型对汇率风险进行了测度。随后，众多学者尝试对ARCH 模型加以拓展，相继提出了GARCH 模型、EGARCH 模型、满秩矩阵法多变量ARCH 模型等（Bollerslev，1986；Nelson，1991；Ding和Engle，2001）。Jorion（2006）、Uryasev（2000）运用VAR 模型、CVAR 模型等进行汇率风险测度。朱孟楠和侯哲（2013）、陈卫东和王有鑫（2017）、宋烜和孟庆斌（2019）分别从理论损失区间、跨境资本流动、收益率等角度提出开展汇率风险测度研究工作的新路径。管涛（2021）运用特殊案例分析法开展汇率风险测度工作。关于人民币汇率风险影响因素的研究，一些专家学者分别从汇率决定的购买力平价学说、利率平价学说、国际收支说等理论出发，研究贸易收支状况（戴世宏，2006）、国际资本流动（谷宇等，2008）、大宗商品价格（丁剑平和向坚，2016）、物价水平（谭小芬等，2015）、利率（赵文胜和张屹山，2012）等因素对人民币汇率风险的影响。

上述研究虽为探索人民币汇率风险的影响因素提供了一定的基础，但仍存在以下几点不足。一是现有研究难以全面测度汇率风险的交互影响、捕捉汇率风险整体特征，也不具有普遍性推广特点（王宗润等，2009；伍楠林和庞博，2017；蒋先玲和王婕，2017；玄海燕等，2021）。二是在汇率风险测度体系中，较少深入探讨人民币汇率风险影响因素的交互作用机制。现有研究尽管关注了汇率风险测度和人民币汇率风险预警体系的构建（郭飞，2012），但现有方法难以深入剖析汇率风险测度的内在微观现象，也无法准确测算汇率风险的内在机理，对管理部门有效完成汇率风险测度工作的帮助相对有限。有鉴于此，本文借鉴Sue 等（2016）的研究，尝试运用结构方程模型分析人民币汇率风险的影响因素。本文创新之处在于：一是基于SEM 模型构建人民币汇率风险测度影响因素分析框架，为综合分析汇率风险提供了可能；二是全面分析人民币汇率风险影响因素的传导路径，为全面认识我国人民币汇率风险、有效防范系统性金融风险提供决策参考。

二、人民币汇率风险测度方法及备选变量选择

（一）人民币汇率风险测度方法

汇率风险需要借助影响汇率变化的因素对其进行测度和分析。汇率风险影响因素的选择决定了汇率风险测度的有效性。本文汇率风险影响因素的选择遵循以下步骤：第一，初筛汇率风险的参考变量。已有的关于人民币汇率风险测度的文献对如何设计变量体系并未达成一致看法，人民币汇率风险测度所选择的影响因素也各不相同。本文参考陈卫东和王有鑫（2017）的思路与方法、结合人民币汇率风险特点，选择可操作性强的相关变量。第二，运用Granger 方法从参考变量中筛选先行变量与同步变量。一是假设参考变量为人民币汇率的单向Granger 原因，可得结果参考变量属于先行变量；二是假设人民币汇率为参考变量的单向Granger原因，可得结果参考变量属于滞后变量；三是假设参考变量和人民币汇率存在双向Granger原因或Granger检验不显著，推导出参考变量归类于同步变量。基于严谨性，本文选择的相关性数据区间为2011年7月至2021年6月，且在运用Granger因果检验过程中，采用滞后二期的结果测算论证。第三，将先行变量及同步变量作为人民币汇率风险的备选影响因素，运用主成分分析法进行筛选。考虑到选取各个先行、同步等变量比例的合理性和可行性，各个变量之间可能存在或隐含高度关联性，本文采用主成分分析法，通过投影方法实现数据的合理降维，有效避免模型中隐藏的多重共线性问题，即在损失较少的数据前提下，筛选有代表意义的先行、同步变量作为有效衡量人民币汇率风险的变量。第四，运用SEM 模型分析各影响因素对人民币汇率风险的潜在影响，以及各影响因素之间的交互作用。

（二）人民币汇率风险测度的备选变量

根据上述步骤，首先根据已有研究结果（具体见下文），初步筛选出人民币汇率风险影响因素的备选变量，主要包括：国内生产总值、贸易收支情况、国际资本流动、外汇储备、黄金储备、大宗商品价格、中国物价水平、美国物价水平、人民币基准利率、美元基准利率、存款准备金率、外汇贷款、货币供应量（M0、M1和M2)，数据来源于中国人民银行、国家统计局网站。具体说明如下。

国内生产总值（GDP）：GDP反映了一国总体经济实力,这是影响人民币汇率风险的最基本、最重要的因素之一。我国经济增长方式已从量的较快增长转为量的合理增长和质的有效提升，GDP对人民币汇率风险的影响不容忽视。因此，本文选取GDP 作为经济风险的备选指标。贸易收支情况（TB）：贸易收支差额是衡量外汇市场交易的重要指标之一，贸易顺差会导致本币需求增加，有助于本币升值（戴世宏，2006）。国际资本流动（ICF）：国际资本流入与流出会影响外汇供求，进而影响人民币汇率的稳定，有时会给人民币汇率带来显著的负面冲击（谷宇等，2008）。本文用央行外汇占款增量与进出口及实际利用外商直接投资之差表示国际资本流动。外汇储备（FER）：外汇储备可用于央行外汇干预，且外汇储备会影响投资者对本币汇率的信心，充足的外汇储备有利于本币升值（孙涛，2000）。黄金储备（GR）：黄金储备对稳定国民经济、抑制通货膨胀、提高国际资信等有特殊作用。如果美元在一定时期内出现大幅波动，鉴于黄金保值的避险功能和储值功能，央行购买黄金的动机将会变强，而这会消耗外汇储备，间接影响人民币汇率（方超逸，2009）。大宗商品价格（CP）：大宗商品价格和汇率之间存在密切关系。全球范围内国际大宗商品价格主要以美元来计价，假如国际大宗商品价格上涨，中国进口相关的大宗商品需要更多美元，人民币兑美元贬值压力明显加强（丁剑平和向坚，2016）。物价水平（CPI）：两国相对物价水平变动会影响进出口商品价格，进而影响外汇供求。一般来说，高通货膨胀国货币相对于低通货膨胀国货币贬值。因此，中国CPI与美国CPI都是人民币汇率的主要影响因素之一（谭小芬等，2015）。利率水平（i）：根据利率平价理论，利率与汇率存在密切关系，利率变化通过影响投资者对外汇市场上货币需求而影响汇率（赵文胜和张屹山，2012）。本文利率指标选取人民币基准利率、美元基准利率、存款准备金率。人民币基准利率是央行公布的指导性利率，也是金融市场具有普遍参考作用的利率，与其他金融市场利率或金融资产价格有较强关联性。当央行调高人民币基准利率时，资金会流入本国，促使外汇市场上本币需求增加，本币升值；与此同时，利率提高会导致信用紧缩、贷款减少、投资和消费减少，引起物价水平下降，进而抑制进口、促进出口，导致外汇需求减少，促使人民币相对外币升值。而美联储调高美元基准利率，人民币相对美元会出现贬值可能。此外，中央银行可以通过调整存款准备金率影响商业银行的可贷资金，并间接影响汇率。外汇贷款（FEL）：商业银行通过贷款方式将集中的外汇投放出去，外汇贷款规模越大、期限越长，风险越大。一旦外汇贷款无法偿还，则可能出现银行危机、债务危机和货币危机，进而影响汇率变化。货币供应量（M）：本文分别选取M0、M1、M2来表示三个层次的货币供应量。根据汇率理论，当本国货币供给量减少时，该国货币对内升值，此时直接标价法下汇率会降低，即本币对外升值;当本国货币供给量增多时，货币对内价值降低，严重时会产生通货膨胀，将引起人们将本币兑换为外汇、从国外购买商品，从而促使本币对外贬值，加剧外汇流动性风险。

在初步选定备选指标后，本文使用Granger 因果检验来筛选与人民币汇率风险测度有关的参考变量，滞后期均设定为滞后二期，分析结果见表1。根据检验结果，滞后变量包括GDP、中国CPI、M0、外汇贷款，其余变量则为同步变量，作为人民币汇率风险测度的备选变量。

表1 Granger因果检验分析

三、人民币汇率风险测度新因子指标的构建

在确定人民币汇率风险测度的备选变量后，鉴于人民币汇率风险因素有较强的隐性特征，本部分运用因子分析法构建人民币汇率风险测度的新因子指标。

（一）探索性因子分析基本理论

因子分析是指原始变量的绝大部分信息可用几个独立因子来表示，其数学模型为：假设X1,X2,X3,…,Xn为n个原始变量，进行标准化处理后μ值为0，相应的σ为1。原变量可以表示为m(m＜n)个独立因子fi的线性组合，如式（1）所示：

用矩阵形式表示为：

式（2）中，F是独立因子fi组成的列向量，A是因子载荷aij（i=1,2,…,n;j=1,2,…,m）组成的矩阵，aij表示第i个原始变量在第j个因子上的负荷，可用于表示因子对解释变量的重要程度。ε是特殊因子，即在原变量里无法被j个因子所诠释的部分。因子得分能最终反映因子综合评价分析结果，可表示为：

其中X1,X2,X3,…,Xm可用来表示m个原始变量在观测样本上的取值是因子得分系数，说明原始变量对因子的重要程度。因子综合得分表达式为：为权重，即各公共因子方差贡献率占累计方差贡献率比重。

（二）因子提取

利用SPSS22.0 软件进行KMO 和Bartlett 检验，以判断是否适合进行因子分析，结果见表2。Bartlett 球形检验测算值为1785.32，且P值小于显著性水平0.05，同时KMO值为0.854，大于0.8，表明上述变量均适合因子分析。

表2 KMO和Bartlett的检验

人民币汇率风险测度的备选变量有贸易收支情况（TB）、美国CPI、人民币基准利率（id）、货币供应量M2、存款准备金率（r）、货币供应量M1、国际资本流动（ICF）、外汇储备（FR）、大宗商品价格（CP）、黄金储备（GR），依次用y1、y2、y3、y4、y5、y6、y7、y8、y9、y10表示。通过主成分分析法筛选因子且寻找出合适的特征值（数值比1 大），可得因子分析初始解下的变量共同度（具体结果未列出，备索）。一方面，变量y1、y2、y4、y5、y6、y7、y8、y10的共同度均大于70%，说明变量绝大部分信息可被指定的3 个因子解释；另一方面，考虑到y3、y9的共同度比较接近70%，也说明变量绝大部分信息可被指定的3 个因子解释。综上可得：全部同步变量的大多数信息可以被指定的3个因子说明，信息丢失较少，因子提取的整体效果比较显著。

表3描述各因子解释总方差情况。其中，第一组数据（列2～列4）表明成分1（备选变量1）的特征值数据是5.629，较好解释了原有10个参考变量总方差的56.289%，相应累积方差贡献率数值是56.289，成分2～10数据含义依次类推。第二组数据（列5～列7）表明，原有10个备选变量总方差可被指定提取的3个因子很好解释，即3 个因子总共解释了原有10 个备选变量整体方差的83.996%，表明10 个备选变量仅有较少信息发生丢失，因子抽取平方和载入的获取结果比较显著。第三组数据（列8～列10）显示，通过因子旋转测算后，并没有改变整体的累积方差贡献率，进一步说明因子易于诠释的合理性。

表3 解释总方差的内容

使用SPSS22.0 软件绘制因子特征值个数及碎石图，如图1 所示。根据碎石图可知：第一个因子特征值较大，犹如“陡峭的山坡”；第二个因子特征值次之；第四个及之后的特征值很小且数值均小于1，图形开始变得平缓，类似“高山脚下的碎石”，可以看作被丢弃的“碎石”，因此本文选取前三个因子。

图1 碎石图

（三）因子载荷矩阵

结合图1，可得因子载荷矩阵，如表4所示。表4给出的因子载荷将用于下文的分析。

表4 因子载荷矩阵

（四）人民币汇率风险测度新因子指标构建

本文采用方差极大法对因子载荷矩阵实行正交旋转，结果如表5所示。根据表5，y2、y7、y9、y1、y10、y8在第一个因子x1上负荷较高，即上述六个变量可被第一个因子x1较好解释，将其命名为经济风险因子。y3、y5在第二个因子x2上负荷较高，即第二个因子x2可以较清楚说明这两个变量，将其命名为利率风险因子。y4、y6两个变量可被第三个因子较好解释，可命名为流动性风险因子。分析结果如表6所示。

表5 旋转后的因子载荷矩阵

表6 因子命名

四、人民币汇率风险测度的SEM模型构造及分析

考虑到人民币汇率风险因素之间可能存在交互影响，本文使用AMOS软件进行SEM模型分析。

（一）人民币汇率风险测度SEM模型

1.模型设计。根据前文分析，x1、x2、x3是潜在因素或称无法观察变量。y1、y2、y3、y4、y5、y6、y7、y8、y9、y10为观测变量。人民币汇率风险测度SEM 模型主要包含结构模型与测量模型。方程式（5）是结构模型，两个线性矩阵方程式（6）、（7）都是测量模型。

2.人民币汇率风险测度SEM模型检验。利用AMOS 17.0软件绘制各影响因素的路径图，如图2所示。

图2 汇率风险测度结构方程模型路径图

由图2 可知：第一，利率风险x2与流动性风险x3都对经济风险x1产生影响，经济风险x1是内生潜变量；第二，利率风险x2对流动性风险x3产生影响，流动性风险x3是内生潜变量；第三，利率风险x2对经济风险x1、流动性风险x3都有影响，利率风险x2是外生潜变量。因此，借助结构模型研究潜变量间关系只要剖析内生潜变量的变化因素，进行结构方程模型检验，结果如表7所示。由于P值小于显著性水平0.05，不符合要求；同时，CFI、NFI及IFI值都比0.9小，也无法满足要求，需要进一步对模型加以修正。

表7 人民币汇率风险测度结构方程模型检验及拟合优度

3.人民币汇率风险测度SEM 模型修正。使用AMOS 17.0软件自有的修正功能进行拟合，修正后的汇率风险测度SEM模型路径图如图3所示。

图3 修正后汇率风险测度结构方程模型路径图

表8显示修正后的结构方程模型检验，修正后的整体结果比较理想。其中，从P、CFI、NFI及IFI值都符合模型检验要求，且RMSEA值小于0.08。

表8 修正后人民币汇率风险测度结构方程模型检验及拟合优度

（二）人民币汇率风险测度SEM模型分析

1.潜变量两者间的内在联系。由图3可知，图中所假设的3个潜变量两者间的路径系数，反映其存在因果关系，且路径系数均显著①。具体结果：第一，利率风险因子与流动性风险因子之间存在正相关关系，相应的线性回归系数为0.92，表明利率风险因子上升1%，将导致流动性风险因子上升0.92%。第二，流动性风险因子和经济风险因子之间存在正向变动关系，相应的线性回归系数为0.73，表明流动性风险因子上升1%，将导致经济风险因子上升0.73%。第三，利率风险因子和经济风险因子之间存在同向关系，相应的线性回归系数为0.40，表明利率风险因子上升1%，将导致经济风险因子上升0.4%。

2.潜变量与观测变量之间的内在联系。首先，经济风险因子与观测变量间的关系分析。如图3 所示，经济风险因子涉及美国CPI、国际资本流动、黄金储备、外汇储备、贸易收支情况和大宗商品价格，其路径回归系数从大到小分别为0.95、0.85、0.73、0.55、0.43和0.33，表明美国CPI、国际资本流动、黄金储备、外汇储备、贸易收支情况、大宗商品价格都会对人民币汇率风险测度产生影响，美国CPI 的影响最大。其次，利率风险因子与观测变量间的关系分析。如图3 所示，利率风险因子涉及人民币基准利率和存款准备金率，其路径回归系数分别为0.42 和0.97，表明人民币基准利率、存款准备金率都对人民币汇率风险测度产生影响，存款准备金率的影响更大。再次，流动性风险因子与观测变量之间的关系分析。如图3 所示，流动性风险因子涉及货币供应量M2和货币供应量M1，其路径回归系数分别为0.85 和0.97，表明货币供应量M2、货币供应量M1都对人民币汇率风险测度产生影响，货币供应量M1的影响更大。

五、结论与政策建议

（一）结论

本文首先通过Granger 检验筛选出与人民币汇率风险测度有关的备选变量，进而借助主成分分析法，构建人民币汇率风险测度因子分析模型，将人民币汇率风险影响因子分为经济风险、利率风险与流动性风险。在此基础上，使用人民币汇率风险SEM 模型深入研究人民币汇率风险潜变量与观测变量间的内在联系，得出结果如下：第一，在经济风险因子中，美国CPI 是影响人民币汇率风险中的首要因素。从长期上看，人民币汇率风险管理应当更加关注美国CPI 的波动。第二，在利率风险因子中，存款准备金率的影响比人民币基准利率大，人民币汇率风险管理应更加关注存款准备金率的调整。第三，在流动性风险因子中，货币供应量M1是影响人民币汇率风险的首要因素，人民币汇率风险管理应当关注货币供应量M1的合理规模。

（二）政策建议

基于上述结论，本文提出以下政策建议：首先，在通货膨胀持续高位压力下，美联储采取持续加息政策，对我国有较强外溢效应。美元加息，市场流通的美元相对减少，美元相对升值，人民币贬值预期增强，对进出口产生影响，进而可能引发我国输入性通货膨胀。因此，我国政府应及时出台相关政策，稳定人民币汇率预期，完善汇率风险管理机制。其次，存款准备金率下调有利于缓解人民币贬值压力，对汇率稳定起到支持作用。央行应进一步持续完善存款准备金率调控模式，将货币政策调控与稳定汇率市场预期管理同步，释放稳汇率政策信号，维护金融市场平稳运行，实现稳增长和防风险的长期均衡。再次，调节货币供应量可以在一定程度上防范汇率风险。因此，央行应建立货币供应量识别机制，有效测度货币供应量变动可能带来的流动性风险及其对人民币汇率风险的影响，用好各项政策工具，保持市场资金供求充裕稳定，降低流动性风险，以维护外汇市场平稳运行和国际收支的基本平衡。

注释：

①潜变量之间的路径系数表示某一变量的变动引起其他变量变动的程度。