人民币汇率波动弹性空间测度研究

人民币汇率波动弹性空间测度研究

一、人民币汇率波动复杂性的理论分析与研究问题自2005年人民币汇率制度改革和固定汇率制度废除以来，中国货币当局采取了更灵活的汇率制度。因为更加灵活的汇率制度才能够适应宏观经济基本面更大的波动以及更大的汇率波动空间(Beng,2000)。然而自汇率弹性增加以来,人民币无论是预期上的还是市场上的真实表现无不表征出明显的升值趋势;而且随着资本账户开放度的增加和国际资本流量的不断放大,原有汇率波幅在需要兼顾本国货币政策独立性的前提下受到了越来越大的挑战。进而引致的货币当局对于汇市的干预,也进一步加剧了外汇储备的膨胀(截止2012年3月底已达3.31万亿美元,超合理水平)。国内外日益严峻的压力以及对汇率波动风险控制的客观需要,使得人民币汇制的合理性、弹性汇制的生存空间,弹性汇制的有效性及其空间测度、汇率波动风险的控制等问题,成为国内外理论界和实务界关注的焦点。基于三元悖论理论核心的探讨,黄志刚(2008)指出,在保证政策独立性条件下(约束性条件),任意给定资本流动性(即任意假定某国资本流动处于某一状态),可以找到与之对应的使该国中间汇率制可持续的汇率波动范围;进而,引出了人民币汇率波动弹性空间问题的探讨与评估(黄志刚和陈晓杰,2010);并基于风险管理中的VaR方法,通过构建调整型EWMA模型,初次探讨了汇率波动弹性空间的科学准确测度问题(HuangZhigangetal.,2011)。然而,大量研究发现汇率波动呈现出多种复杂特性。本文的研究重点便是寻求能更好地刻画人民币汇率波动复杂性的模型,以便对汇率波动弹性空间进行复杂性视角下的测度;进而与上述方法对比,以此建立可动态监测人民币汇率波动弹性空间变化的方法,指导银行间即期外汇市场人民币兑美元交易价浮动幅度的调整。二、汇率波动稳定性的科学方法:弹性模型与神经网络汇率弹性一词散见于国内外许多汇率研究文献中,但汇率弹性空间概念的提出始见于黄志刚(2008)的研究成果。该研究成果提出,所谓汇率弹性空间,是指在资本流动性一定的条件下,只要允许汇率在一定幅度范围内波动,就能保证该国为使经济平稳运行而不受钳制地实施各种可能的调控政策。汇率波动的这一“幅度范围”就叫弹性空间。国外对于汇率波动区间的研究主要集中于对弹性与干预(Williamson,1976)、汇率波幅(Beetsma和Ploeg,1998;Cukiermanetal.,2004)、汇率目标区设计(Anthony和Ronald,1999;Inoue和Hamori,2009)等方面的研究。Bartolini和Prati(1999)提出了一个“软”性汇率目标区模型,并把它解释为1993年8月之后的汇率机制的程式化描述。研究发现,“软”的目标区比“硬”的目标区能更为显著地减少受到投机攻击的次数。Goldstein和Lardy(2005)主张在新平价上扩大汇率波幅至5%~7%左右,这样可提高货币政策的独立性;同时实施以支出为基础的扩张性财政政策,加大社会保障建设力度,削减大多数的资本控制,以冲销人民币升值的不利影响。有关“汇率波动弹性空间”的研究不多,也较少对汇率波动时序特性与波动空间测度方法给予综合考虑,同时基于复杂性视角探讨汇率波动风险的控制问题亦乏文可陈。国内对于汇率波动区间的研究,其理论角度一般从构建相应的货币或汇率模型入手进行探讨(魏巍贤等,1997;徐旭初等,2005;王松奇和史文胜,2007)。金雪军和王义中(2008)认为决策者应调整短期实际汇率波动,扩大波动幅度以减缓汇率升值预期,消除资产市场上的短期失调。黄志刚和陈晓杰(2010)则应用脉冲响应和方差分解等计量手段,证明了0.5%十分靠近检验时段(2007.5-2008.12)的汇率波动弹性空间,从而通过实证评估的方法指出我国在2007年5月将汇率弹性从0.3%增加到0.5%是合理且必须的。其实证角度一般对汇率收益进行VAR分析进而得出相应的波动幅度区间(田新时和李耀,2003;王宗润等,2008;王春峰等,2010;)。HuangZhigang等(2011)进一步指出,中间汇率制度的管理核心是在任何时点上如何判断其汇率波动弹性空间的大小;运用风险管理中的VaR方法进行实证分析的结果表明,经调整的稳健型EWMA模型是人民币汇率波动弹性空间的测度模型;当前人民币汇率波动的弹性空间约为1%。然而大量的研究发现,汇率波动呈现簇聚现象、长记忆性等显著的非线性([Baillie和Bollerslev,1991;Engel和Russell,1997)。可见,非线性特征存在于汇率波动已是不争的事实(Meese和Rose,1990)。汇率波动的混沌与分形表征的广泛验证,使得混沌、分形等复杂性科学理论被用于研究人民币汇率波动复杂性及其风险控制的新领域,而神经网络是预测汇率非线性波动的良好选择(崔孟修,2001)。Refense等(1993)也认为,神经网络用于汇率预测要比传统线性预测方法好很多。根据HuangZhigang等(2011)的研究结果,用遗传算法改进的GABP神经网络模型的确能够显著提升BP网络的预测效能;并且随着汇率弹性化与自由化进程的加快,非线性GABP神经网络模型能够比诸如MA等线性模型有着对汇率波动更好的解释力和预测效能。因此,本文将考虑继续引入GABP神经网络模型对人民币汇率波动弹性空间进行测度。已有的教材与诸多文献表明,任何模型的预测值其实是该模型对样本数据建模后所给出的所有预测可能值的期望,或者说是均值而已。这也就意味着模型在预测中难免会有所偏误。而GABP神经网络模型作为一个黑箱模型而言,自然也不例外,甚至更应重视其预测值的期望与波动,即其预测所得的置信区间。在GABP神经网络模型的实际运用中,由于训练样本数据的噪声及其空间分布的非均匀性等,GABP神经网络模型输出结果的精确度难以有效明晰。因此,对其输出结果的可能范围,或者说其预测值的可信度的要求,就归结到GABP神经网络模型的置信度与区间估计的求解上来。区间估计方法应用于非线性模型已有诸多的例子,比如人工神经网络(ANN)模型(Fantoni和Mazzola,1996)、核回归(KR)模型(Gribok等,2000)等。Hines等(2001)对区间估计方法在这些非线性模型中的运用以及优缺点作了系统的总结。为了简化运用,也常使用较为简便易行的Bootstrap法(Donaldson和Schnabel,1987)。另外,蒙特卡罗模拟法也有较多运用。Leonard和Kramer(1992)提出了准确度索引网络的方法,它能够在模型预测出结果的同时给出相应置信度的结果区间。但该方法对之后广泛使用的BP神经网络并不适用,也制约了其进一步拓展。Chryssolouris等人(1996)进一步拓展了基于非线性回归理论的神经网络区间预测方法。由于其所提出的非线性区间预测方法应用简便,且数学含义明确,因而得到了较为广泛的应用。现有文献通过引入不同的方法对非线性模型的置信区间进行估计,但极少涉及汇率波动领域的应用探讨;而关于汇率波动的研究,各文献从不同方面研究了汇率波动及其特性和风险度量等问题,国内学者也开始把关注的目光投向人民币汇率的波动弹性和波动区间的研究。除极少数(如HuangZhigang等,2011)通过调整型EWMA模型进行测度外,其他涉及人民币汇率波动弹性空间测度问题的文献极为罕见。因此,本文将引用Chryssolouris(1996)等人的估计思想,对人民币汇率波动弹性空间进行GABP神经网络模型的测度,实证研究人民币汇率弹性(波动区间)的动态调整方向和调整力度;并将此基于复杂性视角下的区间估计方法的测度效能与相应的调整型EWMA模型作对比,以期为外汇市场实现科学管理和宏观经济调控政策的有效实施提供有益的决策依据。三、人民币汇率波动弹性空间测试方法的概念(一)资本流动水平从汇率的历史数据着手,分析汇率波动的分布规律,然后利用VaR模型测度出能最大范围覆盖我国汇率波动的区间,作为汇率波动的弹性空间。HuangZhigang等人(2011)指出,由于汇率波动的尖峰厚尾等复杂波动特性,相比较标准型EWMA模型而言,基于Laplace分布发展而来的稳健型EWMA模型更为符合实际,也能更好地刻画汇率波动的真实情况。考虑到资本流动是影响一国汇率波动的关键因素,不同的资本流动水平之下的汇率波动弹性空间也应是不同且一一对应的。因而,为了能更好地测度在受国际资本流动冲击时的汇率波动弹性,他们在稳健型的EWMA模型基础上作适度调整,即:其中,σtEWMA表示稳健型EWMA模型中计算的波动率。λ为衰减因子,对λ估计方法与普通的EWMA模型一样,也采用J.P.Morgan(1996)在RiskMetrics中推荐的使预测的均方根误差(RMSE)达到最小的λ值。cf表示资本流动水平;γ是一个反映资本流动对汇率波动影响的系数,也是一个常数。作为调整系数,它首先源于我国人民币汇率波动远远小于资本流动波动,然后将两者联系起来需要一个调整系数以避免计算得到的VaR值过大,而调整系数的取值则根据能得到较好VaR值确定,即能通过回测检验,达到较全面的覆盖率并且不会过高。根据调整后的稳健型EWMA模型的基本理论,得到均值和方差计算式,在稳健型的EWMA模型中稍微作了如下调整:设模型测度出的汇率波动弹性空间上下限分别为VaRs和VaRx,则在稳健型EWMA中,假设波动率是Laplace分布,因此99%置信度下的汇率波动弹性空间(VaRx,VaR)s为(μ-4.61σ,μ+4.61σ),99.74%置信度下的汇率波动弹性空间为(μ-5.95σ,μ+5.95σ)。(二)模型偏误分析参照Chryssolouris(1996)等人提出的非线性区间估计方法,可得本文基于GABP神经网络模型测度人民币汇率波动弹性空间的测度思路如下:设一个给定的非线性动力系统的输入序列为(X1,X2,…,XP),设模型输入层共有r层,则可得输入序列各变量分别为Xm=(x1m,x2m,…,xim,…,xrm),且(1≤i≤r);输出序列为(y1,y2,…,yP),并将系统模型表示为f(Xm,θ*),θ*表示系统模型的参数真值。于是,可将系统表征为:其中,εm用以表征系统误差。非线性系统的优化过程可以看作是使目标函数F最小化的值:设模型实际测算所得的参数为,则模型预测输出的估计值为。对该式进行Taylor展开,进而可得:其中,为一阶的微分矩阵,c为参数点数(设系统隐层数为s′,输出层数为t,则c=r×s′+s′+s′×t+t),进而可得模型输出的偏误为:于是,可计算得到模型偏误的方差为:假设系统输出偏差εm服从(i,i,d),则其分布就满足N(0,σ2In),则可认为其近似服从的分布,其中F(θ赞)是上述一阶微分方程所构成的雅可比矩阵。于是,式(9)可进一步表征为:若以标准差作为方差σ2的无偏估计(p为训练的样本数,在本文中即为GABP神经网络预测的序列窗口数。为了与前文调整型EWMA模型的时序窗口值对应,本文的p值也取90天)。从而,式(10)可化为:Chryssolouris(1996)给出了(1-α)置信度下的神经网络区间预测值。于是,进一步可拓展为本文的汇率波动弹性空间(TXKJ)的基本测度公式如下:Shao等(1997)进一步指出,当模型预测偏差不满足(i,i,d)时,式(12)应进行修正。具体方法是通过测算预测偏误与标准差之间的比例,其中m=1,2,…,P,整项为:进而得到调整项为:四、示范分析(一)弹性空间测度指标的定义HuangZhigang等(2011)采用人民币汇率日对数收益序列作为汇率波动弹性空间的测度指标,定义为:其中,Pt表示第t日人民币兑美元汇率中间价。笔者认为,仅仅按照汇率中间价来计算汇率波动幅度的话,上述表示法适用于人民币月度汇率波幅计算;但如果用此法来测算日波动幅度,进而分析是否符合央行所规定的每日波幅限制,则有待商榷。自2005年7月21日人民币汇率形成机制改革之后,央行于每个工作日闭市后公布当日即期汇市人民币兑美元收盘价,作为下一工作日中间价;自2006年1月4日起,央行授权外汇交易中心于每个工作日上午9时15分对外公布当日人民币兑美元汇率中间价,作为当日即期汇市中间价。可见,当我们用当日与前一日中间价的收益率来计算波动幅度时,实际上算出来的是前一日的波动幅度(如果仍近似地将当日的中间价看作是前一日收盘价的话),即Ln(Pt/Pt-1)实际上表示前一日的波动幅度。测度出来的日波动空间应当与Ln(Pt+1/Pt)进行比较才符合央行规定的含义,即“第t日的波动空间涵盖第t日即期汇市交易的价格波幅”,因而采用此指标时,Ln(Pt+1/Pt)才是第t日波动幅度的较准确表示。为了使汇率波幅方向符合一般的认识,则RMt>0表示人民币汇率升值,RMt<0表示人民币汇率贬值。故将式(14)作调整进而得到第t日收益率(波动幅度)RMt为:其中,Pt是第t日的汇率水平,也就是第t日上午开盘前公布的汇率中间价。式(15)就是对数收益率表示的测算汇率波动弹性空间的指标(数据来源于中国外汇交易中心网站)。根据2005年央行规定,每日银行间汇市人民币兑美元交易价在中间价上下0.3%的幅度内浮动,而2007年规定的调整幅度为0.5%。可知,按照式(15)算出的当日波幅并不能表示当日人民币即期汇市的真实波幅,也不能当作央行规定的“0.3%、0.5%”波幅限制的一个真实考量。设当日中间价收益率RMt=Ln(Pt/Pt+1),也就是前文的Rt;当日最高价收益率RHt=Ln(Pt/PHt)和当日最低价收益率RLt=Ln(Pt/PLt)。其中,PHt和PLt分别表示当日银行间汇市交易中人民币兑美元汇率的最高价和最低价。这样表示是为了与前文一致,即收益率为正,则代表人民币汇率升值(数据来源于Wind资讯)。于是,本文根据央行有关波幅限制的规定,定义弹性空间测度指标ESERV(ElasticSpaceofExchangeRateVolatility)如下:其中,表示RMt的绝对值。即ESERVt为第t日最大波幅所表示的收益率,这与央行的规定一致,同时也更能表征当日的真实波动幅度。进一步对计算所得的ESERVt序列与常用的汇率收益序列指标RMt作趋势一致性检验,如表1所示。从所有1587个样本来看,ESERVt与RMt方向不一致的概率仅33.21%;而在所有二者趋势项不同的数据日中,ESERVt与下一日ESERVt+1的变动趋势一致的概率为73.81%。可见,当ESERVt与RMt方向不一致时,一般ESERVt为升值,则下一个交易日ESERVt+1也为升值,即与下一个交易日波幅较大的趋势方向一致。而用RMt度量的收益方向与下一日即期汇市最大波幅的趋势方向一致的概率仅为26.19%。这也进一步佐证了ESERVt能相对更好地刻画日内波幅。进一步根据央行对日波幅的限制,对以上波幅指标的有效性作区间概率统计分析,如表2所示。综上,人民币即期汇率日内0.3%和0.5%的波幅限制在各自的时间段内都较好地涵盖了即期汇市的波动,属于“基本够用”的情况(黄志刚等,2010)。汇率弹性的增大,要求有更灵活的波动空间与之匹配。同时,汇率波动幅度越大,所需的弹性空间也就越大。用ESERV度量的人民币汇率波动弹性空间测度指标最切合实际,因而本文将采用ESERV指标来测度人民币汇率波动弹性空间。(二)调整相关关系的日资本流动近似值HuangZhigang等(2011)通过建立MA模型(17)来检验资本流动与人民币汇率波动二者间的关系,并利用月度数据求得的MA模型的系数作为调整型EWMA模型中调整系数γ的数值。其中,VOLHPt为进行HP滤波处理后的象征汇率短期波动的序列,CFt-1为上一期资本流动量,二者均为月度时序,数据来源同上文。继而根据求得的调整系数γ的值与前期资本流动平均值(即上个月的月资本流动水平除以当月天数后的值)二者的乘积作为模型(4)中的调整量。因此,本文将在该文的基础上,直接使用月度资本流动数值除于当月天数得到的日资本流动近似值与人民币日汇率波动数据来测算调整系数γ的值。首先对用ESERV表征的人民币日汇率波动时序进行HP滤波处理,再将所得汇率波动成分序列(记为HPESERV)与笔者计算所得日资本流动量CFt-1时序分别进行ADF和PP单位根检验,可以发现各时序均在1%显著性水平上拒绝原假设,均为平稳序列,符合协整检验的前提。继而对根据VAR模型检验结果所得的滞后数值对汇率波动变量与资本流动量作协整检验,结果如表3所示。由结果可知时序间存在长期均衡的稳定关系,相应的协整方程见式(18)。根据协整方程结果可得,用ESERV表征的人民币日汇率波动成分序列与资本流动序列间的长期关系分别为0.00000135。于是可得调整后的每日汇率波动标准差,即调整型EWMA模型的波动率式(4)可转化为:根据郑国忠和黄志刚(2011)的测算,采用调整型EWMA模型对ESERV进行90天的估计汇率波动的最优衰减因子λ应选择0.9为宜。根据上述方法运用Matlab2010b软件编程计算,得出在99%和99.74%置信度下VaR的估计区间与实际人民币汇率收益对比图见图1和图2。经过超预期VaR值分析可知,在99%和99.74%置信度下,计算所得的人民币汇率波动弹性空间同样能够100%地涵盖所有的人民币汇率实际波动,同时所得的区间要比99%的区间宽一些。结合图2,根据不同时段的人民币汇率日波幅限制线可以看出,人民币汇率实际波动在相应的时段内均未突破日波幅限制线,只有极少数交易日达到或者接近日波幅限制线。而经过调整型EWMA模型计算所得的汇率波动弹性空间,则时有突破现有日波幅限制的天数。并且,根据99.74%置信度得到的汇率波动弹性空间可以发现,在2007年末至2008年中,以及2010年中之后的时段内,人民币汇率日波幅的限制线置于1%或更为恰当。(三)基于gabp神经网络模型的人民币汇率波幅限制考虑到国际资本流动对人民币汇率波动弹性空间测度的重要影响,本节也将短期资本流动CFt-1时序引入到模型中。由于非线性系统能够较好地捕捉非线性的波动,因而与前一节有所不同的是,这里将直接把CFt-1时序与前期的人民币实际汇率波动时序作为输入变量,进行90天窗口值的滚动测度,进而测算出用ESERV表征的人民币兑美元实际汇率波动弹性空间。本节采用的GABP网络为(2,2,1)的网络,并经MATLAB编程可得自由度为81(p-c),置信度分别为99%和99.74%的t值分别为2.6379和3.1078。于是,可得到用ESERV表征的基于GABP神经网络模型的人民币汇率波动弹性空间如图3所示。由图3可知,结合不同时段的人民币汇率日波幅限制线(图中±3‰的虚线与±5‰的实线)可以看出,人民币汇率实际波动在相应的时段内均未突破日波幅限制线,只有极少数交易日达到或者接近日波幅限制线。而经过GABP神经网络模型测度所得的人民币汇率波动弹性空间,则时有突破现有日波幅限制的天数。可见,相应的汇率波幅限制线均在各自的区间内受到汇率实际波动压力的冲击,并且这点在人民币汇率较具有弹性的时期显得尤为突出。如2007年末至2008年中,以及2010年6月19日央行宣布进一步提升人民币汇率波动弹性之后的不同时期,由GABP神经网络模型测度出的所需的汇率波动弹性空间,有较多较集中的交易日突破了规定的汇率波幅限制线。可见,随着人民币汇率波动弹性的不断加大,人民币汇率波幅的限制也应有所调整。固定的汇率波幅限制虽然能降低一部分机会成本,却也难免丧失一部分主动性和灵活度。并且,根据汇率波动弹性空间的测度可知,现有的汇率波幅限制线显然已难以容纳根据实际汇率波动测度出来的所需的汇率波动空间的大小。因此,根据GABP神经网络模型测度出的汇率波动弹性空间可知,8‰的汇率波幅限制或较为合适。相应地,可以求得在99.74%置信度下基于GABP神经网络模型测度的人民币汇率波动弹性空间,如图4所示。由以上结论可以推出,按照99.74%置信度的GABP神经网络模型测度出的汇率波动弹性空间的要求,人民币汇率实际波幅限制线定在1%或较为恰当。(四)人民币汇率波幅限制的弹性空间参照HuangZhigang等(2011)方法,分别对前文调整型EWMA模型以及GABP神经网络模型测度出的人民币汇率波动弹性空间进行回溯检验,结果如表4所示。由表4可知,调整型EWMA模型测度出的人民币汇率波动弹性空间,无论是99%还是99.74%的置信度,均通过了LRuc回溯检验,且弹性空间的上下限也均通过了回溯检验。同时,模型给出的实际失效率为0,小于理论失效率,可见调整型EWMA模型能够100%地实现人民币兑美元汇率实际波动的有效覆盖。这再次证明了加入资本流动后的调整型EWMA模型对汇率弹性空间测度的有效性。同时,从所测得弹性空间的上下限可知,在99%的置信度下,所测得的人民币汇率波动弹性空间的最大上限和最小下限分别为7.72‰和-7.07‰;在99.74%的置信度下,所测得的人民币汇率波动弹性空间的最大上限和最小下限分别为9.8‰和-8.53‰。二者均大于目前的汇率波幅限制的5‰,因此,根据调整型EWMA模型可知,为了让人民币汇率波动弹性空间更好地反映汇率波动的实际规律及其适应经济发展的必要性,我国对人民币汇率波幅的限制应逐步放大并弹性化。在99%的置信度下,人民币汇率波幅限制调为8‰或较为适宜;而在99.74%的置信度下,我国汇率波动弹性空间设置或可调整为1%。由表5可知,GABP神经网络模型测度出的人民币汇率波动弹性空间,无论是99%还是99.74%的置信度,同样也都通过了LRuc回溯检验。同时,从所测得弹性空间的上下限可知,在99%的置信度下,所测得的人民币汇率波动弹性空间的最大上限和最小下限分别为8.59‰和-7.2‰;在99.74%的置信度下,所测得的人民币汇率波动弹性空间的最大上限和最小下限分别为9.52‰和-8.72‰。二者均大于目前的汇率波幅限制的5‰,同样说明了对人民币汇率波幅限制进行调宽以及弹性化有其现实的必要性。在99%的置信度下,人民币汇率波幅限制调为8‰或较为适宜;而在99.74%的置信度下,我国汇率波动弹性空间设置或可调整为1%。这与调整型EWMA模型测度出的汇率波动弹性空间较为一致。但是,GABP神经网络模型在99%置信度下给出的实际失效率要大于调整型EWMA模型的结果,即相应的汇率波动弹性空间并没有起到对人民币汇率实际波动100%的有效覆盖。但这并不能说明GABP神经网络模型稍逊一筹。同时,可以看出在99.74%置信度的情形下,相应的汇率波动弹性空间则旗鼓相当,均很好地覆盖了实际汇率波动。进一步对基于调整型EWMA和GABP神经网络模型测度出的汇率波动弹性空间进行比较如表6。在此,本文对人民币汇率波动弹性空间优劣的选取依然是依照前文选取测度指标的准则,即在相同的置信度或有效性下,选取最为接近实际时序的序列,也即选取既能涵盖所有实际汇率波动,又能最为接近人民币兑美元实际汇率波动时序的弹性空间序列。因为,汇率波动弹性空间如果设置过宽的话,首先是高估了人民币兑美元汇率实际波动所需的空间;其次,在我国经济发展的不同阶段,人民币汇率币值的稳定一直都对经济与汇市发展起着重要作用。在人民币币值倾向于稳定需求的时候,过宽的汇率波动弹性空间显然会造成人民币实际汇市的频繁、大幅波动,也难以有效起到与其他经济政策的相互协调,同时也容易造成汇率波幅无限制的投机预期等。因此,人民币汇率波动弹性空间的设定应尽量满足汇率实际波动的需求即可。因此,根据表6可知,在99%的置信度下,GABP神经网络模型测得的汇率波动弹性空间上下限分别以65.13%和56.98%的概率优于调整型EWMA模型测度出的弹性空间上下限。然而,在该置信度下,GABP神经网络模型测度出的弹性空间有1.234%和0.925%的失效率。因此,在该置信度下,二者所测得的弹性空间各有优劣。相对而言,GABP神经网络模型测度出的弹性空间要相对靠近实际汇率波动。并且,由黄志刚等(2011)研究可知,由于GABP神经网络模型在汇率富有弹性时段能够起到更优的预测效果,因此,GABP神经网络模型测度出来的区间也更能体现人民币汇率波动的实际走势。而由图1、2可知,调整型EWMA模