离岸人民币汇率波动与潜在交易者关注行为

本篇文章10579字，读完约26分钟

在离岸人民币汇率日益受到市场短期交易行为影响的背景下，本文从理论和实证两个方面研究了交易者的注意力行为对离岸人民币兑美元报价的影响。

1.1研究背景1929年的大萧条、1997年的东南亚金融危机和2008年的金融危机促使人们探索定价之谜。众所周知，价格的变化很大程度上是由于供求力量的不对称。哪里有人，哪里就有市场和交易，从绝对理性的人假设到凯恩斯的“动物精神”到阿罗的不可能性定理。随着对市场行为的深入研究，人们最终认识到，个人之间的不同偏好将不可避免地使自由贸易市场难以保持初始价格不变。然而，如何从市场的整体角度准确、简洁地描述潜在交易者的情绪变化，仍然是一个值得探索的问题。 根据蒙代尔的三角理论，独立的货币政策、固定汇率和资本的自由流动不能同时具备。为了追求不同的经济目标，区域经济有不同的汇率制度安排。从固定钉住汇率制、目标汇率制、有管理的浮动汇率制到完全浮动汇率制，不同制度下相应的外汇市场波动自然会有相应的特点。1996年12月，人民币被允许与外国货币进行贸易。在1998年的亚洲金融风暴中，人民币选择了与美元挂钩。2005年，人民币汇率改革，人民币参照多种重要货币组成的货币篮子进行调整。2010年，中国人民银行恢复人民币浮动区间管理，同年与香港金融管理局签署香港人民币业务清算协议，首个离岸人民币市场正式成立。在岸和离岸人民币市场之间存在理论上的瓦尔拉斯均衡关系。由于离岸市场的交易者不受中国人民银行的监管，市场参与者的行为更加独立，他们的报价更能反映市场的影响力信息。随着人民币国际化进程的加快，资本流动的开放性日益增强。对离岸市场价格和潜在交易者注意行为的研究对在岸市场也有一定的借鉴意义。因此，本文选择HKEx美元/人民币即期报价来分析人民币汇率、利率与潜在交易者注意力之间的关系。 1.2研究方法与结构 在人民币离岸汇率日益受到市场短期交易行为影响的背景下，本文从理论和实证两个方面研究了交易者注意行为对人民币离岸汇率的影响。通过格兰杰因果检验，本文证实了汇率、潜在交易者注意力和利率之间存在相互影响的事实。通过建立多因素结构向量自回归模型、脉冲分析和方差分解，揭示了在汇率、潜在交易者注意力或利率因素的一个标准差的影响下，模型中各因素的反应过程和相对影响贡献。利用结构向量自回归模型的预测功能，检验了模型的预测效果。本文的结构主要分为三个部分。第一部分是香港离岸人民币汇率、中美利率和潜在交易者注意行为相互影响的理论分析。第二部分是基于理论分析得出的结论的进一步实证分析。第三部分是结论和总结。两个理论研究2.1短期市场存在不对称的交易力量一般来说，假设国外潜在的可兑换货币的数量在短期内是稳定的。当市场参与者越来越多时，人均可交易量将下降，市场将逐渐升温，价格将上升；如果参与者数量减少，将导致市场人均相对供应量增加，这将导致市场因价格下降而出现短期萧条。在人民币兑美元汇率市场中，离岸人民币和美元的人均供应量将受到两种潜在交易者行为的影响:人民币作为目标货币和美元作为目标货币。当市场的所有参与者同时受到一些外部信息的影响时，只要两个不同的潜在交易者的交易力量不相等，市场价格就会向一个方向变化。当市场中只有一种交易力量受到外部信息的影响，采取相应的交易策略，而相反的力量保持不变时，汇率市场的均衡状态如图2.1所示:

对于香港离岸人民币市场乃至全球金融市场的海外投资者而言，人民币作为新兴市场国家的货币，是一种投资渠道，而美元因其良好的流动性和广泛的可接受性而被视为避险货币。因此，可以认为，在离岸人民币市场，潜在交易者对人民币和美元的交易目的在短期内没有太大变化。

2.2外汇定价包括历史信息和即时影响 本文采用周数据，利润空或利好消息可以在一周内传递给市场参与者，从而刺激市场均衡的变化，但此时应在网络搜索上留下相应的痕迹(根据:美元/人民币报价同时随谷歌趋势波动)。因此，不同国家的资产风险溢价会受到即时风险的影响。(详情见下文格兰杰因果检验) 考虑到未来汇率波动将影响外国资产未来的升值或贬值，潜在交易者在美元/人民币汇率网络中的注意行为可以代表市场对这种外汇市场风险的重视程度，而预期的资产风险可以被市场上美元/人民币(usdcnh)关键字的谷歌搜索流行度所取代。 基于上述理论，可以得出三个相互影响的因素:离岸人民币对美元的汇率收益、中美利率收益的差异以及潜在交易者的注意行为。虽然汇率在理论上有预期的自我实现，但利率和谷歌搜索的受欢迎程度是否也有预期和现实之间的转换还需要进一步的实证验证。三个实证研究3.1变量选择和数据描述本文选取香港离岸人民币市场的美元报价、上海银行(601229)隔夜拆借的有效联邦基金利率、纽约联邦储备银行和潜在交易者的关注度作为数据来源。以星期日为一周的第一天，从2012年3月11日星期日开始，到2017年3月4日结束，共选取261周的数据。 上海银行间同业拆借利率(shibor)是剔除最高和最低报价，计算剩余报价的算术平均值后得出的，第二天对外公布(单位为1%；资料来源:http://www.shibor/shibor/web/. dataservice.jsp有效联邦基金利率(effr)是根据选定货币市场汇率报告中报告的隔夜联邦基金交易的加权中位数计算的。上午9:00，纽约联邦储备银行在纽约联邦储备银行网站上发布了前一个工作日的有效数据(单位为1%；数据来源:https://apps . new yorkfeed/markets/auto retries/fed-funds-search-page)。 google trends是由google开发的应用服务。它最初的目的是方便广告商了解广告数量，并分析用户在谷歌搜索的关键词。潜在交易者在查询者限定的时间内的最大注意力被记录为100，并且潜在交易者在其他时间的注意力被缩放到100以内的数字。该网站还可以同时查询多个关键词的搜索流行度，并给出相对数量进行比较。本文中，网络搜索流行度的数据来源于该网站。同时，查询关键字“usdcny”和“usdcnh”，点击选项按钮，确认查询过去五年(2012-2017)的搜索记录，生成csv格式的表文件下载数据(数据源:https://trends.google/trends/? HL = en)。 美元\cnh在香港离岸人民币市场上的报价是1美元兑换人民币的金额，计量单位是人民币，数据来自风信息终端。 每个样本时间序列都有一定的时间趋势过程。随着两次加息，美国联邦基金有效利率(effr)大幅上升，自第100周以来，美元对离岸人民币(cnh)的汇率也持续上升。对于var模型，没有必要严格使用平稳序列，但是变量越稳定，模型越稳定。为了得到一个具有良好拟合性的稳定模型，有必要对数据进行对数处理。[h/]3.2计量模型的设置[h/]本文提出的向量自回归模型可以简单地概括为:定义所有内生变量(x，y，z，...)在系统中作为一个N维向量Y，并试图建立向量及其滞后项(如yt，y(t-1)，y (t )因此，三因素var(n)模型可以缩写为var(n)，并且表达式简化为: yt =φ1Y(t-1)+φ2Y(t-2)…+φN Y(t-N)+C+εt φ是一个(3×3)维自回归当var(n)模型中存在内部元素相关性时，我们可以通过svar模型继续挖掘数据中变量之间的交互关系。当风险值模型建立后，由相同周期残差组成的ε_t向量的协方差明显不为零时，通过施加外部约束，将相同周期关系加入到原始风险值模型中。在模型内部变量为平稳序列的前提下，设et为新savr模型的残差，ut为原始var模型的残差。新的svar模型生成的残差向量et满足白噪声序列的要求，矩阵et中元素的协方差为零。 var模型的残差ut和新svar模型生成的残差向量et满足以下关系: aet = but e = a(-1)but = mut myt = mφ1y(t-1)+mφ2y(t-1)理论上，svar模型充分反映了各个时期矢量y之间的变化规律，可以利用以前的数据预测未来的矢量。 3.2.1描述统计 统计中美之间的利率差(R)、潜在交易者注意力(googlecnh1)和汇率回报(deltalncnh1)的平均值、方差和极值。可以清楚地观察到，长期变量的波动大于短期变量的波动。 从变量的平稳性检验可以看出，所有的变量都是平稳序列，所以用R，googlecny和deltalncnh来建立var模型。

从上图3.1可以看出，这两个谷歌搜索指数在外部突发事件下的最大波动有明显的差异。在提取数据时，谷歌网站给出的全球区域搜索比率显示，超过一半的潜在交易者的注意力来自美国，其余来自新加坡、香港和俄罗斯。关键字“usdcny”比“usdcnh”更受关注。两个变量的格兰杰因果检验表明，潜在网上交易者对在岸人民币概率和离岸人民币概率的关注程度存在明显差异。一阶滞后的格兰杰因果检验表明，在统计意义上有95%的置信水平，可以认为离岸人民币潜在交易者的注意力变化将先于在岸人民币的假设。 同时，对离岸人民币和在岸人民币汇率的市场行情也进行了一阶段滞后格兰杰因果检验，得出离岸人民币汇率行情的变化将触发在岸人民币汇率行情变化的格兰杰置信水平为99.99%。刚才在互联网上对两种汇率市场的关注顺序是一样的。这也证实了之前的假设，即网络注意力可以取代市场的预期风险。 3.2 ar模型设置 各种标准给出的推荐滞后数不同，但可分为三类。分别制作了滞后数为1、3和5的var模型的相关检验图像(略)。研究发现，当滞后阶被调整到5时，除了相对波动的利率因素外，其他平稳变量的自相关被消除。变量之间的相关性得到了明显的改善。虽然可以认为无限制地增加整个模型的滞后数可以消除利率的自相关现象。然而，当总样本量固定时，滞后期的数量越大，模型中需要估计的值越多，模型的精度越低。因此，不必要的滞后项目应尽可能减少，并应选择5作为该风险值模型的滞后顺序。Var(5)从eviews可以看出，该模型的特征根都在单位内，说明序列组合是稳定的，模型建立得很好。 根据var(5)的模型拟合结果，各变量本身及变量间系数的T统计量显著(大于1.6，样本量为100，一侧显著性水平为0.05)，总体f统计量显著(统计值远大于2.7；当样本量大于100时，显著性水平为0.05)。认为模型之间应该存在线性关系，可以进一步研究。 3.3因果关系分析 格兰杰因果关系检验的核心思想是观察后增加的变量是否能提高原模型的解释力。如果整个模型在加入新变量后提高了因变量的解释力，则认为加入的变量可以通过格兰杰因果关系触发原因变量。 显然，因变量r的结果中的概率值都大于0.6。我们不能否认最初的假设，即增加新的变量可以增加解释力。潜在交易者注意力(googlecnh)和离岸汇率回报率(deltalncnh1)构成的变量不能很好地解释两国之间的利率回报率差异(R)的变化。 超过70%的人认为格兰杰因果关系会引发潜在交易者注意力的波动。从两国利率差(R)和潜在交易者注意力(googlecnh1)构成的解释变量组可以看出，在加入整个解释变量后，99%以上的人确信格兰杰因果关系能够引发离岸人民币汇率收益率(deltalncnh1)的波动。 从以上结果可以看出，潜在交易者的注意力与离岸人民币汇率收益率的关系最为密切，上表测试的概率结果均在99%以上。同时，两国间的利率差异作为解释变量加入后，格兰杰影响的概率将会降低。而且，在潜在交易者的注意力包含了利率和收益的差异后，其独立解释的概率为70%，综合解释的水平超过99%。因此，应该将利率和收益率的差异作为解释变量之一，以提高模型的预测精度。从统计上讲，很有可能可以确定:利率收益率的差异可以解释潜在交易者注意力的变化，而潜在交易者的注意力和汇率收益率可以相互解释。值得注意的是，尽管在格兰杰因果检验中，潜在交易者的关注程度和离岸人民币汇率收益率不能很好地解释利率收益率差异，但这并不意味着该模型对利率收益率差异的拟合程度较低。原因如下:也可能存在利率-收益率差单因素自回归模型能够很好地解释自身变化规律的情况，不需要添加低显著性水平的外部解释变量。 3.4 svar模型设置 var模型建立后，可以利用模型的残差生成残差的相关系数矩阵和方差-协方差矩阵，以检验模型中的元素是否同时相互作用。 从格兰杰因果检验的结果可以看出，利率收益率差异可以解释潜在交易者注意力的变化，潜在交易者的注意力和汇率收益率可以相互解释。 目前对风险值模型的限制可分为两种类型:短期和长期。考虑到无套利定价的假设是基于无限制的短期快速交易，符合短期定义的外部冲击对整个系统的影响将越来越小，直到影响在预期时间内消失；结合实际分析本文的影响因素:中美利率收入差异、离岸人民币汇率收入、谷歌搜索指数。在中国和美国的预期经济形势不会发生很大变化的前提下，利率和潜在交易者的注意力很难对汇率产生持久的影响。因此，本文构建的var模型应采用短期调整。 设置短期约束时: {(E1 = c(1)×u1 @ E2 = c(2)×E1+c(3)×U2 @ E3 = c(4)×E1+c(5)×E2+c(6)×u3 E2为svar模型中googlecnh1的残差；E3是svar模型中δlncnh 1的残差；U1是var模型中r的残差；U2是var模型中googlncnh1的残差；U3是var模型中deltalncnh1的残差。系数结果如下:

4.1脉冲响应分析 从该var模型的残差方差-协方差矩阵的和可以看出，矩阵中的系数明显相关。乔莱斯基矩阵分解法可用于从当前残差中求解模型中各变量的当前影响关系。在柯尔斯基分解中，内生变量的排序将影响脉冲响应的结果。因为对于柯勒斯基分解方法，第一个变量只能有它自己的影响，而第二个变量只能对前一个变量有滞后影响。本文采用广义脉冲响应分析。与柯勒斯基分解法相比，最大的优点是避免了人为指定变量间影响传递的顺序，因此建立了广义脉冲分析模型，结果如下:

在单位标准差利率收益率(R，以下简称利率)的外部影响下，利率有其自身的滞后影响，从第一期到第二期呈上升趋势。第二阶段达到最大值后，趋势变为快速下降，从第五阶段开始达到标准差，并开始缓慢持续下降，下降速度随时间的增加而降低。在利率的影响下，潜在交易者的注意力(googlecnh1，以下简称注意力行为)和汇率回报(deltalncnh1)将呈现负向影响，整体效应递减，呈双“V”型。在第二个“V”形开始时，它们都表现出负向影响和递减效应。 在一个单位标准差的注意行为的外部影响下:注意行为有其自身的滞后效应，在第一个周期达到最大，整体呈L型下降趋势(除第五个周期数据外，此后整体呈下降趋势)。受相关行为的影响，利率负向移动，数据保持在-0.01到-0.02之间的宽“U”形。受相关行为影响，汇率收益率波动较大，前五个周期保持正值，第二个周期出现最大值，为0.00183，然后开始呈L型下降趋势，小于零，第五个周期接近零。 在一个单位标准差汇率收益率因子的外部影响下:汇率收益率有其自身的滞后效应，表现为一个倒峰的“L”形(第五周期数据为峰值的峰值)，最终回到0左右。在受到汇率上涨的外部影响后，注意力行为在第一阶段下降，在第二阶段以上升的形式波动，但其数量逐渐减少，并在一个方向趋于零。汇率收益外部影响后的利率最大波动远小于利率因素的样本均值和方差，因此可以认为利率受汇率收益的影响较小。 综上所述，可以得出三个结论:第一，在脉冲分析中，外部冲击对var(5)模型的影响一般呈现“L”型，即外部冲击的影响会随着时间的延长而逐渐减小，可以认为变量之间的跨期短期约束关系是稳定的。第二，汇率收益和潜在交易者的担忧在对方造成的影响下降趋势中都有明显的反趋势波动，反趋势的峰值与自己的第二阶段数据大致相同。第三，在这个var(5)模型中，三个因素之间存在不平等关系。 将广义脉冲响应分析的结果与柯尔斯基脉冲响应分析的结果进行比较，发现两者的结果相似(见附录2)，可以认为结构自回归模型中变量的分解是正确的(R，googelcmh，deltalncnh)。利率回报受汇率影响较小，因此svar模型在理论上是合理的。 4.2方差分解 ，其中shock1是利率因素的一个标准差的外部影响，shock2是潜在交易者注意力的一个标准差的外部影响，shock3是汇率回报的一个标准差的外部影响。在var(5)模型中，采用建立的svar模型的短期约束来处理当前的影响关系。结果如下图所示:

从利率收益率差的方差分解结果来看，利率本身的影响比例随着时间的推移而降低，汇率因素和潜在交易者关注的比例越来越高，但前20个周期的总体影响效果不超过10%。可以认为利率不受其汇率回报的影响。受限于潜在交易者的关注。 谷歌搜索指数(Google Search Index)第一周期的方差几乎完全来自自身因素，因此可以认为第一周期模型中潜在交易者的注意力不受其他因素的影响(目前脉冲分析的变量分解理论认为利率收益率差会影响潜在交易者的注意力)，但从第四周期开始，利率收益率差和汇率收益率在潜在交易者注意力方差中的比例将逐渐扩大(第十一周期各占近10%)。可以认为，从第二阶段开始，潜在交易者的注意力将受到模型中其他因素的影响。 从汇率收益的方差分解可以看出，第二个周期后，潜在交易者的注意力在汇率收益方差中所占的比例稳定在26%，利率收益差在汇率收益方差中所占的比例明显小于潜在交易者的注意力，呈现出持续增加的趋势，第九个周期达到2%，第二十个周期达到2.8%。

第二期至第二十期的利率、潜在交易者注意力和汇率收益率对利率变动的平均贡献率为96.28:3.50:0.22；潜在交易者注意力差异的平均贡献率为5.96:88.48:5.56；汇率收益率差异的平均贡献率为1.99: 26.11: 71.91。即使忽略短期约束对一期和二期svar模型方差分解的人为影响，很明显，利率因素的波动主要来自前五期的相互冲击。利率因素和汇率收益对谷歌搜索指数的贡献有明显且相似的影响，在第二十个时期达到近20%。总体而言，平稳svar模型中的所有变量对汇率收益的波动都有明显的影响，因此可以认为存在一个受市场风险影响的利率平价方程。潜在交易者的注意力对汇率的影响大于利率。 4.3模型的样本预测和效果检验对于本文模型的预测检验，可以从统计评价和市场评价两个角度入手。从上面的脉冲分析和方差分析可以看出，通过模型的内部相关性和约束，可以得到以前数据的累积影响，进而可以得到未来的总体趋势。然而，在现实生活中，当前数据不仅会受到前期积累数据的影响，还会受到当前时期不确定的外部影响，特别是从脉冲响应分析可以看出，潜在交易者在第一阶段的注意力对汇率收益的影响大约是其自身影响的1/6。由于在预测未来T期数据时，谷歌搜索量和t+1期汇率收益都是可以预测的，所以此时的随机外部冲击会对统计检验结果产生意外影响。在下文中，常用的预测统计检验被应用于模型之间的比较，而不是用作判断模型是否适合的基础。 4.3.1常用预测统计量的检验 建立结构向量自回归模型后，svar1(r，googlecnh1，deltalncnh1)和svar2(r，Google cn1，deltalncnh1)使用15-260周(长期)和231-260周。

由于外界和突发波动等不确定因素的频繁影响，统计显示的拟合效果并不理想。在模型中选择谷歌搜索的具体数据时，两种模型的变量约束效果没有太大差异。从30天的预测结果可以看出，作为一个变量，googlecnh对潜在交易者的注意力有较好的预测效果(googlecnh)，而var模型作为一个变量，对汇率收益有较好的预测效果(deltalncnh1)。然而，从总体统计结果来看，两种模型的长期拟合效果差异不大。 4.3.2实际收益预测的准确性检验 由于实际投资的最终收益率是根据市场报价而不是模型的预测值来计算的，因此汇率收益的预测主要体现在正负值的判断上。当模型构建良好时，svar模型具有明显的利润函数。从实际抽取样本的第230周到第261周，对现有svar模型预测的模拟结果进行利润检验。假设市场上没有贸易摩擦，允许反向贸易。操作如下: 通过计算该svar模型从第15周到第260周的预测值δlncnh 1(差值后，实际值合并到第260周)，测试分为第15-260周和第231-260周。(一年大约有52周) 使用excel中的if函数，用与实际值相同的正负预测值标记样本，并输出当前的实际值。 取所选样品的绝对值，并对其求和，以获得试验期间的产量R1；将预测的正确天数相加并除以总天数，以获得总的预测正确率。 将实际值相加得出当前市场基本收入r2(短期为3.2%，长期为7.6%)。 比较r1和r2。 如果r2 =r1，则可以直接判断模型无效。 如果r2 =r1，则认为模型效用r1减去资本借贷成本可以得到该模型的实际收益。 增长率(r)和对数收益率(m)的公式可表示为: m = ln(p2)-ln(P1)ln(p2/P1)= mm = p2/P1-1 = e r-1 。结果表明该模型是有效的。

从美元/人民币报价趋势图可以看出，231-260周的报价趋势稳定，波动较小，年平均收入为12.78%；在15-261周期间，波动幅度较大，年均收入为10.504%。上述收益率高于一年期银行贷款的成本，因此认为存在套利空。

从上面可以看出: 1。svar_1和svar_2的预测率在前期不同，但在后期逐渐收敛，这表明潜在交易者对离岸和在岸人民币交易者的预期逐渐收敛。这表明在本文的样本期内，市场逐渐认识到人民币汇率的市场化。 2。svar_1的前期大于svar_2，这表明从178周到180周实现了收敛，对应日期为2015年7月27日至同年8月14日，涵盖了8月11日的汇率改革政策出台日期。通过比较汇率改革前后两种模型的预测差异，可以认为汇率改革在人民币汇率市场国际化中取得了成功。在汇率改革初期，市场已逐渐开始形成对美元/人民币和美元/人民币汇率信息的无差别对待(包括但不限于报价和政策市场等)。)(svar_1和svar_1具有相同预测精度的部分)，它是汇率改革周的焦点。可以认为，此时的汇率改革促进了符合市场规律的潜在交易者对人民币汇率市场化预期的形成。 3。svar模型对汇率的短期预测是稳定的，这与方差分析中δlncnh 1的稳定方差比是一致的。进一步证明了模型中的影响关系存在且稳定。 4。很容易观察到，在图4.5中有三个明显的精度下降阶段。具体特征是当人民币贬值趋势结束时，两种模型的预测精度没有差异。同时，60-70元人民币升值期的预测精度有所提高，表明该模型适用于人民币汇率的贬值和升值范围，但当超过20周的贬值趋势达到升值趋势的拐点时，预测能力较差，这与汇率报价受当前风险影响的分析一致。本文从理论层面提出了汇率市场报价的原因和影响机制，包括三个部分:1 .市场中存在不对称的交易力量；2.汇率报价变化包括预期自我实现现象；3.外汇资产的价格受到当前风险和历史风险的影响。在实证层面，格兰杰因果检验证实了网上交易者的关注度、利率收入差异和汇率收入之间的相互影响。平稳性检验证明模型中三个因素之间存在收敛稳定的均衡关系。在脉冲分析中，采用了广义脉冲分析、乔莱斯基分解和结构分解的分解结果，证实了在结构向量自回归模型中对利率差、潜在交易者注意力和汇率收益等变量之间的影响效应进行排序的正确性和可行性。从方差分解的结论可以得出，自第二阶段以来，潜在交易者的注意力对汇率回报的预测方差的贡献一直稳定在25%左右，这证实了潜在交易者的注意力对汇率回报的持续和显著影响。利率收益率差异对汇率收益率预测的方差贡献较小，对潜在交易者注意力的方差贡献较大。通过实证研究，证实了本文理论分析中提到的汇率市场价格变动的三个因素。研究结论可以概括如下:1 .汇率平价对美元兑人民币汇率市场的制约作用是通过价格波动因素对市场参与者行为的影响来实现的。2.当潜在交易者的注意力行为增加时，通常伴随着人民币对美元的卖出能力的增加。3.汇率市场的报价变化受当前风险和历史风险的影响。根据以前的数据判断未来一段时间的汇率涨跌，准确率可达60%。4.2015年8月11日推出的汇率市场化改革，促进了符合市场规律的潜在交易者对人民币汇率市场化预期的形成。 目前，人民币作为新兴市场国家的货币，被用作投资渠道，而美元由于其良好的流动性和广泛的可接受性，被用作避险货币。在香港离岸人民币兑美元汇率市场，当所有潜在参与者受到单一外部信息的影响并采取相应的关注行动(搜索关键字usdcnh)时，表明以美元为汇率目标的市场力量强于反向汇率力量。同期离岸人民币开始持续贬值，在岸人民币价格下周将向同一方向变动。 当然，这种模式还有进一步发展的空间。首先，空.进一步缩短了采样周期通常，金融市场的高频交易周期通常以毫秒为单位计算。单位时间的市场关注度，如软件界面(应用程序、计算机客户端等)的使用。)的信号，可以象征着市场参与者在最终参与价格调整行动之前发出的信号。如果能适当缩短样本采样间隔，然后将大趋势上升段和下降段的影响因素加入到模型的内部考虑中，就能得到更具体、更准确的因素间的相互作用。其次，从模型预测的实验结果可以看出，短期预测和长期预测的精度在各模型中存在显著差异(见附录)，同一模型的预测精度从长期来看会有所下降。考虑到本文的预测方法(利用以前的数据，用同样的模型计算下一期的数据进行预测)，结果的差异可以认为是长期数据异常波动的结果，与短期数据异常波动的结果不同。深层次的原因可能是:随着时代的发展，互联网的发展使得信息传播速度更加顺畅；长期以来，市场外存在不可抗力的影响(央行突然大幅调控在岸人民币汇率市场，人民币国际化导致在岸市场监管逐步放松)，这些原因的影响程度需要进一步研究。 引用被省略