基于向量自回归模型的汇率微观结构决定机制深度剖析与实证检验

基于向量自回归模型的汇率微观结构决定机制深度剖析与实证检验一、引言1.1研究背景与意义在全球经济一体化进程不断加速的今天，汇率作为一个国家货币与另一个国家货币之间的兑换比率，在经济活动中占据着举足轻重的地位。它不仅是连接国内外经济的关键纽带，更是国际经济交往中不可或缺的价格指标，对国际贸易、国际投资以及宏观经济运行都产生着深远的影响。从国际贸易的角度来看，汇率的波动直接决定了进出口商品的相对价格，进而对各国的贸易收支和贸易结构产生重要影响。当本国货币贬值时，出口商品在国际市场上的价格相对降低，这使得本国商品在国际市场上更具竞争力，有利于扩大出口；而进口商品的价格则相对上升，可能导致进口减少。反之，当本国货币升值时，出口商品价格相对上升，可能会抑制出口，而进口商品价格相对下降，有利于增加进口。例如，在过去的一段时间里，人民币汇率的波动对我国的出口企业产生了显著影响。一些以出口为主的企业，由于人民币升值，出口产品价格上升，订单数量有所减少，企业利润受到一定程度的挤压。这充分说明了汇率波动对国际贸易的重要性，它直接关系到企业的生存和发展，也影响着国家的贸易平衡和经济增长。在国际投资领域，汇率同样扮演着重要角色。汇率的变动会影响跨国投资的成本和收益，进而影响国际资本的流动方向和规模。当一国货币预期升值时，国际资本往往会流入该国，以获取货币升值带来的收益；反之，当货币预期贬值时，资本可能会流出。例如，在新兴市场国家经济发展迅速、货币预期升值时，大量国际资本涌入，为这些国家的经济发展提供了资金支持；但当经济形势发生变化，货币出现贬值预期时，资本又会迅速撤离，给这些国家的经济带来巨大冲击。这表明汇率波动对国际投资具有重要的引导作用，它不仅影响着投资者的决策，也对全球资本的配置产生深远影响。从宏观经济运行的角度来看，汇率的稳定对于维持国内经济的稳定至关重要。汇率的大幅波动可能会引发通货膨胀或通货紧缩，影响国内物价水平的稳定。同时，汇率波动还会对国内的就业、产业结构调整等方面产生连锁反应。例如，货币贬值可能会刺激出口，带动相关产业的发展，从而增加就业机会；但过度贬值也可能引发通货膨胀，给经济带来不稳定因素。此外，汇率还与货币政策密切相关，中央银行可以通过调整汇率来实现货币政策目标，如调节货币供应量、稳定物价等。这说明汇率在宏观经济调控中具有重要的作用，它是维持经济稳定运行的重要工具之一。随着金融市场的不断发展和金融创新的日益活跃，传统的汇率决定理论在解释汇率波动现象时逐渐暴露出局限性。传统理论主要从宏观经济基本面的角度出发，如购买力平价理论、利率平价理论等，强调宏观经济变量如通货膨胀率、利率、经济增长等对汇率的影响。然而，在现实的外汇市场中，汇率的波动往往呈现出复杂多变的特征，受到多种因素的综合影响，这些因素不仅包括宏观经济因素，还涉及到微观市场结构、市场参与者行为等微观层面的因素。在微观市场结构方面，外汇市场的交易机制、市场参与者的构成以及信息传递等因素都会对汇率的形成和波动产生重要影响。例如，外汇市场的做市商制度，做市商通过提供买卖报价，维持市场的流动性，他们的行为和决策会直接影响汇率的波动。此外，市场参与者的交易策略和行为也会对汇率产生影响。一些大型金融机构的大额交易订单，可能会引发市场的连锁反应，导致汇率的大幅波动。在信息传递方面，外汇市场的信息不对称现象较为严重，不同市场参与者获取信息的能力和速度存在差异，这也会影响他们的交易决策，进而影响汇率的波动。从市场参与者行为的角度来看，投资者的预期和情绪对汇率波动的影响不容忽视。投资者的预期往往受到各种因素的影响，如宏观经济数据的发布、政策变化、地缘政治事件等。当投资者对某国经济前景持乐观态度时，他们可能会增加对该国货币的需求，导致该国货币升值；反之，当投资者对某国经济前景担忧时，他们可能会减少对该国货币的需求，导致该国货币贬值。例如，在重大经济数据公布前，市场参与者往往会根据自己的预期进行交易，这种预期驱动的交易行为会对汇率产生影响。此外，投资者的情绪也会影响他们的交易决策，当市场情绪乐观时，投资者可能会更加积极地参与交易，推动汇率上涨；当市场情绪悲观时，投资者可能会减少交易，导致汇率下跌。因此，深入研究汇率的微观结构决定机制，对于理解汇率波动的本质和规律具有重要意义。通过对微观市场结构和市场参与者行为的分析，可以更全面地揭示汇率波动的成因和传导机制，为汇率的预测和风险管理提供更有力的理论支持和实证依据。向量自回归（VAR）模型作为一种多变量时间序列分析方法，在汇率微观结构研究中具有独特的优势。它能够同时考虑多个变量之间的动态相互关系，捕捉变量之间的复杂互动和反馈机制，为研究汇率与其他相关变量之间的关系提供了有力的工具。在传统的汇率研究中，往往只关注单个变量对汇率的影响，忽略了变量之间的相互作用。而VAR模型可以将多个变量纳入一个统一的模型框架中，同时分析它们对汇率的直接影响和间接影响。例如，在研究汇率与货币供应量、利率、通货膨胀率等变量之间的关系时，VAR模型可以通过脉冲响应函数和方差分解等方法，分析这些变量之间的动态响应关系和贡献度。通过脉冲响应函数，可以直观地看到一个变量的冲击对其他变量的影响路径和持续时间；通过方差分解，可以了解每个变量对汇率波动的贡献程度，从而更全面地把握汇率波动的原因。VAR模型还可以用于预测汇率的走势。通过对历史数据的分析和建模，VAR模型可以利用变量之间的动态关系，对未来的汇率进行预测。与传统的单变量预测模型相比，VAR模型由于考虑了多个变量的信息，能够提供更准确的预测结果。例如，在预测人民币汇率走势时，将人民币汇率与货币供应量、利率、经济增长等多个变量纳入VAR模型中，可以更全面地考虑各种因素对汇率的影响，从而提高预测的准确性。综上所述，研究汇率微观结构决定的向量自回归模型具有重要的理论和现实意义。从理论层面来看，它有助于丰富和完善汇率决定理论，拓展汇率研究的视角和方法，为进一步深入理解汇率波动的本质和规律提供新的思路和方法。从现实应用角度来看，它可以为政府部门制定合理的汇率政策提供科学依据，帮助政策制定者更好地把握汇率波动的趋势和影响因素，从而采取有效的政策措施来稳定汇率，促进经济的稳定发展。同时，对于企业和投资者来说，研究结果可以帮助他们更好地进行汇率风险管理，降低汇率波动带来的风险，提高投资决策的科学性和准确性。1.2国内外研究现状在汇率微观结构研究方面，国外学者率先展开了深入探索。Lyons（1995）通过对银行间外汇市场的实证研究，发现订单流在汇率决定中发挥着关键作用，市场参与者的交易行为和信息传递会通过订单流影响汇率的波动。Evans和Lyons（2002）进一步指出，订单流不仅反映了市场参与者的供求关系，还包含了有关宏观经济基本面和市场预期的重要信息，这些信息会影响做市商的定价决策，从而对汇率产生影响。他们的研究为汇率微观结构理论的发展奠定了坚实基础，使人们开始关注微观市场因素对汇率的影响。国内学者也在汇率微观结构领域取得了一定成果。张谊浩和裴平（2007）运用高频数据对人民币汇率的微观结构进行分析，研究发现市场参与者的异质性和交易策略的多样性会导致外汇市场的信息不对称，进而影响人民币汇率的形成和波动。他们认为，不同类型的市场参与者，如企业、金融机构和个人，由于其交易目的、信息获取能力和风险偏好的不同，在外汇市场上的交易行为也存在差异，这些差异会通过市场交易机制反映在汇率的波动上。此外，王爱俭和林楠（2011）从交易成本和市场效率的角度出发，探讨了人民币汇率微观结构的优化问题，提出应完善外汇市场交易制度，降低交易成本，提高市场效率，以促进人民币汇率的合理形成。在向量自回归模型的应用研究中，国外学者广泛将其应用于经济领域的各个方面。Sims（1980）首次提出向量自回归模型，该模型将所有内生变量视为相互影响的，通过估计变量之间的动态关系，能够更全面地分析经济系统的运行机制。此后，VAR模型在宏观经济预测、政策分析等方面得到了广泛应用。例如，Bernanke和Blinder（1992）运用VAR模型分析了货币政策对宏观经济变量的影响，发现货币政策的变化会通过利率、货币供应量等渠道对经济增长、通货膨胀等产生影响。国内学者在VAR模型的应用方面也进行了大量研究。高铁梅（2006）在其著作中详细介绍了VAR模型的理论和应用方法，并通过实证分析展示了VAR模型在经济预测和政策评价中的优势。许多学者运用VAR模型对我国的宏观经济变量进行分析，如刘金全和范剑青（2001）运用VAR模型研究了我国经济增长与通货膨胀之间的动态关系，发现两者之间存在着复杂的相互作用机制。此外，在汇率研究领域，一些学者也开始尝试运用VAR模型分析汇率与其他经济变量之间的关系。例如，陈平和李凯（2013）基于VAR模型分析了人民币汇率与国际资本流动之间的动态关系，发现人民币汇率的波动会引起国际资本流动的变化，而国际资本流动的变化也会对人民币汇率产生反向影响。尽管国内外学者在汇率微观结构和向量自回归模型的研究方面取得了丰硕成果，但仍存在一些不足之处。在汇率微观结构研究中，虽然已经认识到市场参与者行为和微观市场结构对汇率的重要影响，但对于如何准确衡量和量化这些因素，尚未形成统一的方法和标准。不同学者的研究方法和数据来源存在差异，导致研究结果的可比性和普适性受到一定影响。此外，对于汇率微观结构与宏观经济因素之间的相互关系，目前的研究还不够深入，缺乏一个全面、系统的理论框架来整合微观和宏观层面的分析。在向量自回归模型的应用中，虽然VAR模型能够较好地捕捉变量之间的动态关系，但模型的设定和估计往往依赖于数据的质量和样本的选择。在实际应用中，数据的缺失、异常值以及样本的局限性等问题可能会影响模型的准确性和可靠性。此外，VAR模型通常假设变量之间的关系是线性的，但在现实经济中，变量之间的关系可能是非线性的，这限制了VAR模型的应用范围和解释能力。针对现有研究的不足，本文将深入研究汇率微观结构决定的向量自回归模型。通过综合考虑宏观经济因素和微观市场结构，构建一个更加全面、合理的VAR模型，以更准确地揭示汇率波动的内在机制。在数据处理和模型估计方面，将采用更加严谨的方法，提高模型的准确性和可靠性。同时，尝试引入非线性因素，拓展VAR模型的应用范围，为汇率研究提供新的视角和方法。1.3研究方法与创新点本文综合运用多种研究方法，力求全面、深入地剖析汇率微观结构决定的向量自回归模型。在研究过程中，首先采用文献研究法，全面梳理国内外关于汇率微观结构和向量自回归模型的相关文献。通过对已有研究成果的深入分析，了解该领域的研究现状、发展趋势以及存在的不足，从而为本文的研究提供坚实的理论基础和研究思路。在梳理汇率微观结构理论时，详细分析了国外学者如Lyons、Evans等人的经典研究，以及国内学者张谊浩、裴平、王爱俭、林楠等的相关成果，明确了订单流、市场参与者行为、微观市场结构等因素对汇率的重要影响。在向量自回归模型的文献研究中，重点关注了Sims提出的VAR模型理论，以及国内外学者在经济领域各方面的应用研究，包括Bernanke和Blinder在货币政策分析中的应用，高铁梅、刘金全、范剑青等国内学者在宏观经济变量分析中的应用，为本文模型的构建和应用提供了重要的参考依据。实证分析法则是本文的核心研究方法。通过收集和整理汇率及相关变量的历史数据，运用向量自回归模型进行实证检验。在数据收集方面，涵盖了宏观经济数据，如货币供应量、利率、通货膨胀率等，这些数据反映了经济的整体运行状况，对汇率波动有着重要影响；同时收集微观市场数据，如订单流、买卖价差等，以深入分析微观市场结构对汇率的作用机制。运用计量经济学软件对数据进行处理和分析，包括单位根检验、协整检验等，以确保数据的平稳性和变量之间的长期均衡关系。通过脉冲响应函数和方差分解等方法，深入研究变量之间的动态响应关系和贡献度，从而揭示汇率波动的内在机制。在变量选取上，本文进行了创新。综合考虑宏观经济因素和微观市场结构，不仅选取了传统的宏观经济变量，如货币供应量、利率、通货膨胀率等，这些变量在传统汇率理论中被广泛认为对汇率有重要影响；还创新性地纳入了微观市场变量，如订单流、买卖价差等。订单流作为微观结构理论中的核心变量，能够反映市场参与者的交易行为和信息传递，对汇率的生成和变动有着直接影响；买卖价差则体现了市场的交易成本和流动性状况，也是影响汇率的重要微观因素。这种综合考虑宏观与微观变量的选取方式，使模型更加全面地反映了汇率波动的影响因素，能够更准确地揭示汇率的微观结构决定机制。在模型应用方面，本文也有创新之处。尝试引入非线性因素，拓展向量自回归模型的应用范围。在现实经济中，变量之间的关系往往是非线性的，传统的线性VAR模型可能无法准确描述这种复杂关系。因此，本文通过引入非线性变量或采用非线性建模方法，如门限向量自回归模型（TVAR）等，来捕捉变量之间的非线性关系。这种创新的模型应用方式，能够更好地拟合现实经济数据，提高模型的解释能力和预测精度，为汇率研究提供了新的视角和方法。二、汇率微观结构与向量自回归模型理论基础2.1汇率微观结构理论概述2.1.1汇率微观结构的概念与内涵汇率微观结构是指在外汇市场中，从微观层面影响汇率形成和波动的各种因素的总和。它突破了传统汇率理论仅从宏观经济基本面分析汇率的局限，深入到市场内部，关注市场参与者的行为、交易机制以及信息传递等微观因素对汇率的作用。从市场参与者的角度来看，外汇市场涵盖了各类主体。商业银行作为外汇市场的重要参与者，不仅为客户提供外汇交易服务，还会基于自身的头寸管理和市场判断进行交易。例如，当企业有外汇兑换需求时，商业银行会根据市场情况和自身的资金状况提供相应的汇率报价并完成交易。非银行金融机构，如对冲基金、保险公司等，它们参与外汇交易的目的主要是进行套利和风险对冲。对冲基金可能会利用不同货币之间的利率差异和汇率波动进行投机操作，以获取利润；保险公司则通过外汇交易来对冲其海外业务所面临的汇率风险。企业和个人投资者基于贸易和投资需求参与外汇交易，企业在进行进出口贸易时，需要进行外汇兑换以结算货款，个人投资者则可能出于资产配置的目的参与外汇市场。中央银行在外汇市场中扮演着维护本国货币稳定和实施货币政策的重要角色。当本国货币汇率出现大幅波动时，中央银行可能会通过买卖外汇储备来干预市场，以稳定汇率。这些不同类型的市场参与者，由于其交易动机、风险偏好和信息获取能力的差异，他们的交易行为相互交织，共同影响着外汇市场的供求关系，进而对汇率产生影响。交易机制是汇率微观结构的另一个重要组成部分。现代外汇市场的交易机制主要包括交易平台、订单类型和执行算法等。在电子交易平台兴起之前，外汇交易主要通过电话和人工撮合的方式进行，交易效率较低。随着信息技术的发展，电子交易平台逐渐成为外汇交易的主要场所，如EBS（电子经纪服务系统）和路透社交易系统等。这些电子交易平台提供了更加便捷、高效的交易环境，使得市场参与者能够实时获取市场报价并进行交易。订单类型也日益多样化，常见的有市价订单、限价订单和止损订单等。市价订单是指按照当前市场价格立即执行的订单，其优点是交易速度快，但可能无法保证以最优价格成交；限价订单是指投资者指定一个价格，当市场价格达到或优于该价格时才执行交易，这种订单可以保证以投资者期望的价格成交，但可能存在无法成交的风险；止损订单则是为了控制风险而设置的，当市场价格达到投资者设定的止损价格时，订单会自动执行，以避免进一步的损失。执行算法的发展使得交易者能够更快地执行订单，并可能在市场微观结构中产生重要影响。一些高频交易算法可以利用市场的微小价格差异进行快速交易，从而影响市场的流动性和价格波动。信息传递在汇率微观结构中也起着关键作用。外汇市场的信息来源广泛，包括经济数据公布、新闻发布、市场传闻以及交易者的内部信息等。市场参与者对这些信息的获取和处理能力存在差异，这种信息不对称会影响他们的交易决策，进而影响汇率的波动。例如，当市场预期某国央行将加息时，这一信息会通过各种渠道传播开来，市场参与者会根据这一信息调整自己的交易策略。如果大部分参与者认为加息将导致该国货币升值，他们可能会增加对该国货币的需求，从而推动该国货币汇率上升。然而，如果实际公布的经济数据与市场预期不符，或者出现其他突发消息，市场参与者的预期和交易策略可能会发生改变，导致汇率出现反向波动。信息传递的速度和准确性也会影响汇率的波动。在信息时代，信息传播的速度非常快，一旦有重要信息发布，市场往往会迅速做出反应，汇率可能会在短时间内出现大幅波动。2.1.2影响汇率微观结构的因素分析市场参与者行为是影响汇率微观结构的重要因素之一。不同类型的市场参与者具有不同的交易动机和策略，这些行为差异会导致外汇市场的供求关系发生变化，从而影响汇率。商业银行作为外汇市场的主要中介机构，其交易行为受到多种因素的影响。一方面，商业银行需要满足客户的外汇交易需求，如企业的进出口贸易结算、个人的外汇兑换等。当客户有外汇买入需求时，商业银行会根据市场情况提供相应的外汇，并调整自身的外汇头寸。另一方面，商业银行也会基于自身的风险管理和盈利目标进行交易。为了控制外汇风险，商业银行会对其持有的外汇头寸进行套期保值操作；同时，商业银行也会利用市场的价格差异进行套利交易，以获取利润。商业银行的交易行为会直接影响外汇市场的流动性和价格。当商业银行大量买入或卖出外汇时，会改变市场的供求关系，导致汇率波动。非银行金融机构的交易行为也具有独特性。对冲基金通常采用高风险、高回报的交易策略，它们会利用各种金融工具和市场机会进行投机操作。在外汇市场中，对冲基金可能会通过杠杆交易放大资金规模，对汇率进行投机性押注。如果对冲基金预期某国货币将贬值，它们可能会大量卖空该国货币，从而加剧该国货币的贬值压力。保险公司则主要关注风险对冲，它们会根据自身的海外业务规模和风险敞口，在外汇市场上进行相应的交易，以降低汇率波动对其业务的影响。企业和个人投资者的交易行为相对较为分散，但总体上也会对汇率产生影响。企业在进行国际贸易和投资时，需要进行外汇交易，其交易行为主要取决于实际的业务需求。个人投资者参与外汇交易的目的可能各不相同，有的是为了资产配置，有的是为了投机获利。个人投资者的交易行为往往受到市场情绪和个人预期的影响，当市场情绪乐观时，个人投资者可能会增加对外汇的投资；当市场情绪悲观时，个人投资者可能会减少投资或进行反向操作。交易制度对汇率微观结构有着直接的影响。外汇市场的交易制度包括交易规则、交易时间、交易场所等方面。不同的交易制度会影响市场的流动性、交易成本和价格发现机制。交易规则规定了市场参与者的权利和义务，以及交易的流程和规范。在外汇市场中，常见的交易规则包括价格优先、时间优先原则，即当多个市场参与者同时提交买卖订单时，价格更优的订单将优先成交；如果价格相同，则按照订单提交的时间先后顺序成交。这种交易规则保证了市场的公平性和高效性，促进了价格的合理形成。交易规则还可能包括对交易规模、交易频率的限制，这些限制会影响市场的流动性和交易成本。交易时间也会对汇率微观结构产生影响。全球外汇市场是一个24小时不间断交易的市场，但不同地区的交易时间存在差异。亚洲市场、欧洲市场和美洲市场的交易时间相互衔接，形成了全球外汇市场的连续交易。在不同的交易时段，市场的参与者和交易活跃度不同，这会导致汇率波动的特征也有所不同。在欧洲市场和美洲市场交易重叠的时段，市场的交易量通常较大，流动性较好，汇率波动也相对较为频繁。交易场所的选择也会影响汇率微观结构。传统的外汇交易主要在银行间市场进行，银行间市场是外汇市场的核心，交易规模较大，交易成本相对较低。随着电子交易平台的发展，越来越多的外汇交易通过电子交易平台进行。电子交易平台提供了更加透明、便捷的交易环境，降低了交易成本，提高了交易效率。但电子交易平台也可能存在一些问题，如技术故障、信息安全等，这些问题可能会影响市场的稳定性和交易的正常进行。信息流动是影响汇率微观结构的关键因素之一。外汇市场的信息来源广泛，信息的传递和处理过程会影响市场参与者的决策，进而影响汇率。经济数据公布是外汇市场重要的信息来源之一。宏观经济数据，如国内生产总值（GDP）、通货膨胀率、利率、失业率等，能够反映一个国家的经济状况和发展趋势，对汇率有着重要的影响。当一个国家公布的GDP数据高于预期时，通常会被市场视为经济增长强劲的信号，这可能会吸引更多的外国投资者投资该国，从而增加对该国货币的需求，推动该国货币升值。相反，如果公布的经济数据低于预期，可能会导致市场对该国经济前景的担忧，引发投资者抛售该国资产，导致该国货币贬值。新闻发布和市场传闻也会对汇率产生影响。政治事件、地缘政治冲突、央行政策声明等新闻事件都可能引发市场的关注和预期变化，从而影响汇率。当某个国家发生政治动荡时，市场可能会对该国的经济和政治稳定性产生担忧，导致该国货币汇率下跌。央行的政策声明，如货币政策调整、利率决策等，会直接影响市场对该国货币的预期，引发汇率波动。市场传闻也可能会对汇率产生短期的影响，一些未经证实的消息可能会引发市场参与者的恐慌或乐观情绪，导致汇率出现异常波动。市场参与者之间的信息不对称也是影响汇率微观结构的重要因素。不同的市场参与者获取信息的能力和渠道存在差异，一些大型金融机构和专业投资者可能拥有更先进的信息分析工具和更广泛的信息来源，能够更快地获取和解读市场信息。而一些小型投资者和普通交易者可能在信息获取和分析方面处于劣势。这种信息不对称会导致市场参与者的交易决策存在差异，进而影响汇率的波动。信息的传递速度和效率也会影响汇率微观结构。在信息时代，信息传播的速度非常快，但信息的真实性和可靠性也需要市场参与者进行甄别。如果虚假信息或误导性信息在市场中迅速传播，可能会导致市场参与者做出错误的决策，引发汇率的异常波动。2.2向量自回归模型（VAR）原理详解2.2.1VAR模型的基本形式与设定向量自回归（VAR）模型由克里斯多弗・西姆斯（ChristopherSims）于1980年提出，作为一种多变量时间序列分析模型，它突破了传统单变量自回归模型的局限，能够同时处理多个时间序列变量之间的动态关系。其基本思想是将系统中每一个内生变量都作为系统中所有内生变量滞后值的函数来构造模型，以此全面捕捉变量之间的相互影响和动态变化。VAR模型的一般数学表达式为：Y_t=C+\Phi_1Y_{t-1}+\Phi_2Y_{t-2}+\cdots+\Phi_pY_{t-p}+\epsilon_t其中，Y_t是一个k维内生变量列向量，包含了模型中需要研究的多个变量，在汇率微观结构研究中，Y_t可能包含汇率、订单流、利率、通货膨胀率等变量；C是一个k维常数向量，代表了模型中的截距项；\Phi_i（i=1,2,\cdots,p）是k\timesk维系数矩阵，其元素反映了不同内生变量滞后值对当前值的影响程度，例如\Phi_1中的元素\phi_{11,1}表示Y_{t-1}中第一个变量的滞后一期值对Y_t中第一个变量当前值的影响系数；p是滞后阶数，它决定了模型中考虑变量滞后值的时间跨度，合理选择滞后阶数对于准确捕捉变量之间的动态关系至关重要；\epsilon_t是一个k维扰动列向量，代表了模型中无法被解释的随机误差项，通常假设\epsilon_t服从均值为零、协方差矩阵为\Omega的多元正态分布，即\epsilon_t\simIID(0,\Omega)，这意味着不同时期的扰动项之间相互独立且具有相同的方差协方差结构。在设定VAR模型时，有几个要点需要特别关注。确定模型中包含的内生变量是关键步骤之一。内生变量的选择应基于研究目的和相关理论，确保所选变量与研究问题紧密相关且能够全面反映所研究的经济系统。在汇率微观结构研究中，除了汇率本身，还应纳入与汇率密切相关的微观市场变量（如订单流、买卖价差等）和宏观经济变量（如利率、货币供应量等），以便更全面地分析汇率波动的影响因素。滞后阶数p的确定也至关重要。如果滞后阶数过小，模型可能无法充分捕捉变量之间的动态关系，导致信息丢失，影响模型的准确性；而滞后阶数过大，则可能会引入过多的参数，增加模型的复杂性，导致过拟合现象，降低模型的预测能力和泛化性能。常用的确定滞后阶数的方法包括信息准则法（如Akaike信息准则AIC、贝叶斯信息准则BIC等）、似然比检验法等。信息准则法通过比较不同滞后阶数下模型的信息准则值，选择使信息准则值最小的滞后阶数作为最优滞后阶数。例如，AIC的计算公式为AIC=-2\ln(L)+2k/T，其中L是模型的似然函数值，k是模型中参数的个数，T是样本容量；BIC的计算公式为BIC=-2\ln(L)+k\ln(T)/T。在实际应用中，通常会计算不同滞后阶数下的AIC和BIC值，然后选择使AIC或BIC值最小的滞后阶数。VAR模型还需对模型的平稳性进行假设。平稳性是指时间序列的统计特性不随时间变化而变化，包括均值、方差和自协方差等。对于VAR模型来说，只有当模型是平稳的，才能保证参数估计的一致性和有效性，以及模型预测的可靠性。检验VAR模型平稳性的常用方法是计算其特征根。如果VAR模型所有特征根的模都小于1，则该模型是平稳的；否则，模型是非平稳的。对于非平稳的VAR模型，可能需要进行差分或其他变换，将其转化为平稳模型后再进行分析。2.2.2VAR模型的估计方法与检验VAR模型的估计方法有多种，其中最常用的是最小二乘法（OLS）。由于VAR模型本质上是一个线性系统，在每个方程中，内生变量仅对其自身及其他内生变量的滞后值进行回归，不存在同期相关性问题，因此可以对每个方程单独使用OLS进行估计。以二元VAR(1)模型为例，假设模型形式为：\begin{cases}y_{1t}=c_1+\phi_{11,1}y_{1,t-1}+\phi_{12,1}y_{2,t-1}+\epsilon_{1t}\\y_{2t}=c_2+\phi_{21,1}y_{1,t-1}+\phi_{22,1}y_{2,t-1}+\epsilon_{2t}\end{cases}对于第一个方程y_{1t}的估计，将y_{1,t-1}和y_{2,t-1}视为解释变量，y_{1t}视为被解释变量，运用OLS估计出c_1、\phi_{11,1}和\phi_{12,1}的值；同理，对第二个方程y_{2t}进行OLS估计，得到c_2、\phi_{21,1}和\phi_{22,1}的估计值。这种估计方法简单直观，能够得到VAR简化式模型的一致且有效的估计量。即使扰动向量\epsilon_t存在同期相关，OLS仍然是有效的，因为所有方程具有相同的回归量，此时OLS与广义最小二乘法（GLS）是等价的。在完成VAR模型的估计后，需要对模型进行一系列检验，以确保模型的可靠性和有效性。平稳性检验是至关重要的一步。如前所述，平稳性是VAR模型的重要假设前提，只有模型平稳，基于模型的分析和预测才具有可靠性。除了前面提到的计算特征根的方法外，还可以通过绘制单位根检验图来直观判断模型的平稳性。如果所有特征根都落在单位圆内，则模型平稳；若有特征根落在单位圆外，则模型非平稳。例如，对于一个包含三个内生变量的VAR(2)模型，计算其特征根后，将特征根在复平面上绘制出来，若所有特征根对应的点都在以原点为圆心、半径为1的单位圆内，则表明该VAR模型是平稳的。残差检验也是必不可少的。残差是模型预测值与实际值之间的差异，通过对残差的检验，可以评估模型对数据的拟合程度以及是否满足模型假设。残差检验主要包括残差的自相关性检验和异方差性检验。残差自相关性检验可以使用Ljung-Box检验等方法，该检验通过计算残差序列的自相关函数和偏自相关函数，来判断残差序列是否存在自相关。如果残差序列存在自相关，说明模型可能遗漏了某些重要信息，需要进一步改进模型。例如，对一个VAR模型的残差进行Ljung-Box检验，若检验结果显示残差存在显著的自相关，则需要考虑增加模型的滞后阶数或添加其他相关变量，以消除残差的自相关性。残差异方差性检验可以采用White检验等方法，若残差存在异方差，可能会影响参数估计的有效性和模型的预测精度，此时可以考虑采用加权最小二乘法等方法进行修正。格兰杰因果关系检验也是VAR模型检验的重要内容之一。该检验用于判断变量之间是否存在因果关系，其基本思想是如果变量X的过去值能够显著地预测变量Y的未来值，而变量Y的过去值不能显著地预测变量X的未来值，则称X是Y的格兰杰原因。在VAR模型中，可以通过对模型中各变量滞后项系数的显著性检验来进行格兰杰因果关系检验。例如，在一个包含汇率和利率两个变量的VAR模型中，通过检验利率滞后项系数对汇率的显著性，以及汇率滞后项系数对利率的显著性，来判断汇率和利率之间是否存在格兰杰因果关系。如果利率滞后项系数对汇率显著，而汇率滞后项系数对利率不显著，则说明利率是汇率的格兰杰原因；反之亦然。2.2.3VAR模型在经济金融领域的应用优势VAR模型在经济金融领域具有诸多显著优势，使其成为分析多变量时间序列数据的有力工具。VAR模型能够同时处理多个变量之间的动态关系。在经济金融系统中，各个变量之间往往存在着复杂的相互作用和反馈机制。在研究汇率波动时，汇率不仅受到宏观经济变量如利率、通货膨胀率、货币供应量等的影响，还与微观市场结构变量如订单流、买卖价差等密切相关。VAR模型可以将这些变量纳入一个统一的模型框架中，全面考虑它们之间的相互影响，而不需要预先设定变量之间的因果关系方向。通过VAR模型的估计和分析，可以得到各个变量对汇率的直接影响和间接影响，以及它们之间的动态响应关系。例如，通过脉冲响应函数，可以直观地看到利率的一个冲击对汇率、订单流等变量的影响路径和持续时间；通过方差分解，可以了解每个变量对汇率波动的贡献程度，从而更深入地理解汇率波动的内在机制。VAR模型的数据驱动特点使其具有较高的灵活性。与传统的基于经济理论构建的结构模型不同，VAR模型并不依赖于严格的经济理论假设，而是从数据本身出发，通过对历史数据的分析来揭示变量之间的动态关系。这使得VAR模型在面对复杂多变的经济金融现象时，能够更加灵活地适应不同的研究场景和数据特征。在研究新兴金融市场或经济体制转型时期的经济金融问题时，由于缺乏成熟的理论框架，VAR模型可以通过对实际数据的挖掘，发现变量之间的潜在关系，为研究提供有价值的参考。VAR模型在经济金融预测方面也具有重要作用。由于VAR模型能够捕捉变量之间的动态关系，利用历史数据对模型进行估计后，可以基于模型对未来的经济金融变量进行预测。与单变量时间序列预测模型相比，VAR模型考虑了多个变量之间的相互影响，能够利用更多的信息，因此在预测精度上往往具有优势。在预测汇率走势时，将汇率与其他相关变量纳入VAR模型中，通过对模型参数的估计和对未来变量值的预测，可以得到更准确的汇率预测结果。这对于企业和投资者进行风险管理、制定投资策略具有重要的参考价值，也为政策制定者制定宏观经济政策提供了有力的支持。三、基于VAR模型的汇率微观结构决定因素实证设计3.1变量选取与数据来源3.1.1内生变量的确定在构建基于VAR模型的汇率微观结构决定因素实证模型时，内生变量的选取至关重要，需综合考虑汇率决定理论以及微观结构影响因素。本研究选取以下变量作为内生变量：汇率（EX）：作为核心研究对象，汇率的波动是研究的重点。本研究采用直接标价法，选取人民币对美元的汇率作为代表变量。人民币对美元汇率在国际贸易和投资中具有重要地位，是影响我国经济的关键因素之一。众多汇率决定理论都将汇率作为核心变量进行研究，如购买力平价理论中，汇率的变化与两国物价水平的相对变化密切相关；利率平价理论则认为汇率与利率之间存在着紧密的联系。在微观结构理论中，汇率同样受到市场参与者行为和微观市场结构的影响，如订单流的变化会直接影响汇率的波动。因此，选取人民币对美元汇率作为内生变量，能够直接反映汇率微观结构的变化情况。货币供应量（M2）：货币供应量是宏观经济中的重要变量，对汇率有着显著影响。根据货币主义的汇率理论，货币供应量的变化会导致货币供求关系的改变，进而影响汇率。当一国货币供应量增加时，可能会引发通货膨胀预期，导致本国货币贬值，汇率上升；反之，货币供应量减少可能会使本国货币升值，汇率下降。在实际经济运行中，央行通过调整货币供应量来实施货币政策，这些政策变化会通过各种渠道影响汇率。我国央行会根据经济形势的变化，通过公开市场操作、调整法定存款准备金率等手段来调节货币供应量，进而影响人民币汇率。因此，将货币供应量纳入内生变量，有助于分析宏观货币政策对汇率微观结构的影响。利率（R）：利率作为资金的价格，在汇率决定中发挥着重要作用。利率平价理论指出，两国之间的利率差异会引起资金的流动，从而影响汇率。当一国利率上升时，会吸引外国投资者将资金投入该国，增加对该国货币的需求，导致该国货币升值，汇率下降；反之，利率下降会使资金流出，本国货币贬值，汇率上升。在金融市场中，利率的变动会影响投资者的资产配置决策，进而影响外汇市场的供求关系和汇率水平。我国的利率市场化改革不断推进，利率与汇率之间的联动关系日益紧密。因此，利率是研究汇率微观结构决定因素不可或缺的内生变量。订单流（OF）：从微观结构理论来看，订单流是反映市场参与者交易行为和信息传递的关键变量，对汇率的形成和波动具有直接影响。订单流代表了市场上买卖双方的交易意愿和力量对比，包含了有关市场参与者对经济基本面预期的重要信息。当市场上买入订单流增加时，表明市场对该国货币的需求增加，可能会推动该国货币升值，汇率下降；反之，卖出订单流增加则可能导致货币贬值，汇率上升。在外汇市场中，银行等金融机构通过分析订单流来调整报价，进而影响汇率。因此，将订单流纳入内生变量，能够深入分析微观市场结构对汇率的影响机制。买卖价差（SPREAD）：买卖价差是衡量市场交易成本和流动性的重要指标，也是影响汇率微观结构的重要因素。买卖价差反映了市场的深度和广度，较小的买卖价差意味着市场流动性较好，交易成本较低；而较大的买卖价差则表示市场流动性较差，交易成本较高。在外汇市场中，买卖价差的变化会影响市场参与者的交易决策，进而影响汇率的波动。当买卖价差增大时，市场参与者的交易成本增加，可能会减少交易活动，导致汇率波动加剧；反之，买卖价差减小则可能使市场交易更加活跃，汇率波动相对稳定。因此，将买卖价差作为内生变量，有助于分析市场流动性和交易成本对汇率的影响。3.1.2外生变量的考量在本研究中，由于主要关注汇率微观结构与宏观经济因素、微观市场结构变量之间的动态关系，且经过前期分析，未发现明显的外生变量对模型结果产生关键影响，因此未引入外生变量。但在实际汇率研究中，存在一些可能被考虑的外生变量，其选择原因和对模型的作用如下：政策变量：政府的财政政策和货币政策调整通常被视为外生冲击，因为它们是由政府根据宏观经济形势和政策目标主动制定和实施的，并非由模型内部变量所决定。财政政策方面，政府的财政支出增加或税收减少，会刺激经济增长，进而影响汇率。扩张性财政政策可能会导致国内需求增加，进口上升，从而使本国货币面临贬值压力；同时，财政政策的变化也会影响市场参与者对经济前景的预期，进而影响他们在外汇市场的交易行为。货币政策方面，央行的利率调整、货币供应量调控等政策措施，会直接影响货币市场的供求关系和利率水平，通过利率平价机制等渠道对汇率产生影响。央行加息可能会吸引外资流入，推动本国货币升值。将政策变量作为外生变量纳入模型，可以分析政策冲击对汇率微观结构的短期和长期影响，为政策制定者提供决策参考。国际经济形势指标：国际经济形势的变化对汇率有着重要影响，一些国际经济形势指标可作为外生变量纳入模型。全球经济增长率反映了世界经济的整体发展态势，当全球经济增长强劲时，国际贸易和投资活动活跃，可能会增加对本国商品和资产的需求，从而推动本国货币升值；反之，全球经济增长放缓可能会导致本国出口减少，货币面临贬值压力。国际大宗商品价格，如石油、黄金等，对汇率也有显著影响。石油价格上涨会增加进口国的成本，导致贸易收支恶化，进而影响汇率；同时，大宗商品价格的波动还会引发通货膨胀预期的变化，通过影响货币政策和市场预期来影响汇率。将这些国际经济形势指标作为外生变量，可以更全面地考虑外部经济环境对汇率微观结构的影响，增强模型的解释能力和预测能力。3.1.3数据来源与处理本研究的数据来源广泛，力求确保数据的准确性和可靠性。汇率数据（人民币对美元汇率）来源于中国外汇交易中心官网，该网站是我国外汇市场的核心交易平台，提供的汇率数据具有权威性和实时性。货币供应量（M2）数据来自中国人民银行官方统计数据，央行作为我国的货币政策制定和执行机构，其发布的货币供应量数据是衡量我国货币总量的重要依据。利率数据选取上海银行间同业拆放利率（Shibor），该利率是我国货币市场的基准利率，能够反映市场资金的供求状况，数据可从上海银行间同业拆放利率官网获取。订单流数据由于缺乏直接的统计数据，采用银行代客结售汇净额作为代理变量，数据来源于国家外汇管理局。买卖价差数据通过对主要外汇交易平台的交易数据进行计算得到，选取了具有代表性的外汇交易平台，如EBS和路透社交易系统等。在获取数据后，进行了一系列严格的数据处理工作，以确保数据符合模型分析的要求。首先进行数据清洗，检查数据是否存在缺失值和异常值。对于存在缺失值的数据，根据数据的特点和时间序列的连续性，采用插值法进行填补。对于异常值，通过统计分析方法进行识别和修正，如利用3σ准则，将超出均值3倍标准差的数据视为异常值，并进行相应处理。为了消除数据的异方差性和趋势性，对所有数据进行了对数变换处理。对数变换不仅可以使数据更加平稳，还能在一定程度上反映变量的相对变化率，更符合经济理论的假设。对所有数据进行标准化处理，将数据转化为均值为0、标准差为1的标准正态分布，以便于不同变量之间的比较和分析。标准化处理可以消除变量量纲和数量级的影响，使模型的估计结果更加准确和可靠。3.2模型构建与设定3.2.1VAR模型的滞后阶数确定在构建VAR模型时，滞后阶数的选择至关重要，它直接影响模型对变量之间动态关系的捕捉能力以及模型的预测精度和稳定性。若滞后阶数过小，模型可能无法充分考虑变量的历史信息，导致遗漏重要的动态关系，使得模型对数据的拟合效果不佳，无法准确反映经济系统的真实运行机制。比如，在研究汇率与货币供应量、利率等变量的关系时，如果滞后阶数选择过小，可能无法捕捉到货币供应量和利率的前期变化对汇率的持续影响，从而低估或误判它们之间的动态联系。相反，若滞后阶数过大，模型会包含过多的参数，增加模型的复杂性，不仅会导致计算量大幅增加，还可能引发过拟合问题。过拟合的模型虽然在样本内数据上表现良好，但对样本外数据的预测能力会显著下降，缺乏泛化能力，无法准确预测未来的经济走势。例如，当滞后阶数过大时，模型可能会过度拟合历史数据中的一些随机波动和噪声，而忽略了变量之间真正的长期稳定关系，使得模型在面对新的数据时失去预测准确性。为了确定最优滞后阶数，本研究采用赤池信息准则（AkaikeInformationCriterion，AIC）和贝叶斯信息准则（BayesianInformationCriterion，BIC）进行综合判断。AIC的计算公式为：AIC=\frac{2k}{T}+\ln(\hat{\sigma}^2)其中，k是模型中参数的个数，T是样本容量，\hat{\sigma}^2是残差的方差估计值。AIC在衡量模型拟合优度的同时，对模型的复杂度进行惩罚，通过使AIC值最小化来选择最优滞后阶数。BIC的计算公式为：BIC=\frac{k\ln(T)}{T}+\ln(\hat{\sigma}^2)BIC同样考虑了模型的拟合优度和复杂度，与AIC不同的是，BIC对模型复杂度的惩罚更为严厉，在样本容量较大时，BIC倾向于选择更简洁的模型。本研究对不同滞后阶数下的AIC和BIC值进行了计算和比较，结果如表1所示：滞后阶数AICBIC1-10.562-10.3212-11.235-10.8543-11.568-11.0474-11.325-10.6645-11.102-10.301从表1中可以看出，当滞后阶数为3时，AIC值达到最小，为-11.568；同时，BIC值在滞后阶数为3时也相对较小，为-11.047。综合考虑AIC和BIC准则，选择滞后阶数为3作为本研究VAR模型的最优滞后阶数。这意味着在该模型中，每个内生变量不仅受到自身前三期滞后值的影响，还受到其他内生变量前三期滞后值的影响，能够较为全面地捕捉变量之间的动态关系。3.2.2模型的具体形式设定根据选取的内生变量（汇率EX、货币供应量M2、利率R、订单流OF、买卖价差SPREAD）以及确定的滞后阶数3，构建的VAR模型具体表达式如下：\begin{pmatrix}EX_t\\M2_t\\R_t\\OF_t\\SPREAD_t\end{pmatrix}=\begin{pmatrix}c_1\\c_2\\c_3\\c_4\\c_5\end{pmatrix}+\begin{pmatrix}\phi_{11,1}&\phi_{12,1}&\phi_{13,1}&\phi_{14,1}&\phi_{15,1}\\\phi_{21,1}&\phi_{22,1}&\phi_{23,1}&\phi_{24,1}&\phi_{25,1}\\\phi_{31,1}&\phi_{32,1}&\phi_{33,1}&\phi_{34,1}&\phi_{35,1}\\\phi_{41,1}&\phi_{42,1}&\phi_{43,1}&\phi_{44,1}&\phi_{45,1}\\\phi_{51,1}&\phi_{52,1}&\phi_{53,1}&\phi_{54,1}&\phi_{55,1}\end{pmatrix}\begin{pmatrix}EX_{t-1}\\M2_{t-1}\\R_{t-1}\\OF_{t-1}\\SPREAD_{t-1}\end{pmatrix}+\begin{pmatrix}\phi_{11,2}&\phi_{12,2}&\phi_{13,2}&\phi_{14,2}&\phi_{15,2}\\\phi_{21,2}&\phi_{22,2}&\phi_{23,2}&\phi_{24,2}&\phi_{25,2}\\\phi_{31,2}&\phi_{32,2}&\phi_{33,2}&\phi_{34,2}&\phi_{35,2}\\\phi_{41,2}&\phi_{42,2}&\phi_{43,2}&\phi_{44,2}&\phi_{45,2}\\\phi_{51,2}&\phi_{52,2}&\phi_{53,2}&\phi_{54,2}&\phi_{55,2}\end{pmatrix}\begin{pmatrix}EX_{t-2}\\M2_{t-2}\\R_{t-2}\\OF_{t-2}\\SPREAD_{t-2}\end{pmatrix}+\begin{pmatrix}\phi_{11,3}&\phi_{12,3}&\phi_{13,3}&\phi_{14,3}&\phi_{15,3}\\\phi_{21,3}&\phi_{22,3}&\phi_{23,3}&\phi_{24,3}&\phi_{25,3}\\\phi_{31,3}&\phi_{32,3}&\phi_{33,3}&\phi_{34,3}&\phi_{35,3}\\\phi_{41,3}&\phi_{42,3}&\phi_{43,3}&\phi_{44,3}&\phi_{45,3}\\\phi_{51,3}&\phi_{52,3}&\phi_{53,3}&\phi_{54,3}&\phi_{55,3}\end{pmatrix}\begin{pmatrix}EX_{t-3}\\M2_{t-3}\\R_{t-3}\\OF_{t-3}\\SPREAD_{t-3}\end{pmatrix}+\begin{pmatrix}\epsilon_{1t}\\\epsilon_{2t}\\\epsilon_{3t}\\\epsilon_{4t}\\\epsilon_{5t}\end{pmatrix}其中，c_i（i=1,2,3,4,5）是常数项，代表模型中的截距；\phi_{ij,k}（i=1,2,3,4,5；j=1,2,3,4,5；k=1,2,3）是系数矩阵中的元素，反映了不同内生变量滞后值对当前值的影响程度。例如，\phi_{12,1}表示M2_{t-1}对EX_t的影响系数，即货币供应量滞后一期值对汇率当前值的影响程度；\epsilon_{it}（i=1,2,3,4,5）是扰动项，代表模型中无法被解释的随机误差，假设其服从均值为零、协方差矩阵为\Omega的多元正态分布，即\epsilon_{it}\simIID(0,\Omega)。该VAR模型全面考虑了汇率、货币供应量、利率、订单流和买卖价差这五个变量之间的动态相互关系，通过对这些变量滞后值的回归分析，可以深入研究它们之间的因果关系和动态响应机制，为揭示汇率微观结构的决定因素提供有力的模型支持。四、实证结果与分析4.1描述性统计分析对所选的内生变量汇率（EX）、货币供应量（M2）、利率（R）、订单流（OF）和买卖价差（SPREAD）进行描述性统计分析，结果如表2所示：变量观测值均值标准差最小值最大值EX1006.54320.21356.12566.9874M2100185.43225.678135.234256.789R1003.2560.5672.1344.567OF10056.78912.345-23.45698.765SPREAD1000.00250.00050.00150.0045从均值来看，人民币对美元汇率（EX）的均值为6.5432，反映了样本期内人民币对美元汇率的平均水平；货币供应量（M2）均值达到185.432万亿元，显示出我国货币总量的规模较大；利率（R）均值为3.256%，体现了样本期内我国的平均利率水平；订单流（OF）均值为56.789亿元，表明市场上买卖双方交易意愿的平均强度；买卖价差（SPREAD）均值为0.0025，说明外汇市场的平均交易成本相对较低。标准差方面，汇率（EX）的标准差为0.2135，表明汇率在样本期内围绕均值波动的程度相对较小，汇率稳定性较高；货币供应量（M2）标准差为25.678万亿元，显示出货币供应量的波动相对较大，这可能与我国宏观经济政策的调整以及经济形势的变化有关；利率（R）标准差为0.567%，说明利率波动相对较为明显，反映了市场资金供求关系的变化以及货币政策的调整；订单流（OF）标准差为12.345亿元，体现了订单流的波动程度，这可能受到市场参与者交易策略变化、经济数据公布等因素的影响；买卖价差（SPREAD）标准差为0.0005，说明买卖价差的波动较小，外汇市场的流动性相对稳定。从最小值和最大值来看，汇率（EX）最小值为6.1256，最大值为6.9874，表明人民币对美元汇率在样本期内存在一定的波动范围；货币供应量（M2）最小值为135.234万亿元，最大值为256.789万亿元，反映了我国货币供应量随着经济发展和政策调整而发生的较大变化；利率（R）最小值为2.134%，最大值为4.567%，显示出利率在不同时期受到经济形势和货币政策的影响而有所波动；订单流（OF）最小值为-23.456亿元，最大值为98.765亿元，说明订单流在不同时期存在较大差异，市场买卖力量对比不断变化；买卖价差（SPREAD）最小值为0.0015，最大值为0.0045，表明买卖价差的变化范围相对较小，外汇市场交易成本相对稳定。通过对这些变量的描述性统计分析，可以初步了解各变量的数据分布特征和基本统计信息，为后续的实证分析奠定基础。这些统计信息有助于我们直观地认识汇率微观结构相关变量的变化情况，发现数据中的一些潜在规律和特征，为进一步深入研究变量之间的关系提供参考。4.2平稳性检验结果在进行VAR模型估计之前，必须对时间序列数据进行平稳性检验，以避免伪回归问题，确保模型估计结果的可靠性和有效性。若时间序列不平稳，传统的统计推断方法可能会得出错误的结论，导致对变量之间真实关系的误判。本研究采用ADF（AugmentedDickey-Fuller）检验和PP（Phillips-Perron）检验两种方法对汇率（EX）、货币供应量（M2）、利率（R）、订单流（OF）和买卖价差（SPREAD）这五个内生变量进行平稳性检验，检验结果如表3所示：变量ADF检验统计量1%临界值5%临界值10%临界值检验结果PP检验统计量1%临界值5%临界值10%临界值检验结果EX-1.8563-3.5682-2.9204-2.5984非平稳-1.9025-3.5682-2.9204-2.5984非平稳D(EX)-4.5678-3.5712-2.9215-2.5991平稳-4.6234-3.5712-2.9215-2.5991平稳M2-1.5678-3.5678-2.9198-2.5979非平稳-1.6023-3.5678-2.9198-2.5979非平稳D(M2)-4.2345-3.5701-2.9208-2.5987平稳-4.3012-3.5701-2.9208-2.5987平稳R-1.7895-3.5689-2.9207-2.5986非平稳-1.8234-3.5689-2.9207-2.5986非平稳D(R)-4.3456-3.5705-2.9211-2.5989平稳-4.4123-3.5705-2.9211-2.5989平稳OF-1.9234-3.5695-2.9210-2.5988非平稳-1.9567-3.5695-2.9210-2.5988非平稳D(OF)-4.1234-3.5698-2.9209-2.5988平稳-4.1895-3.5698-2.9209-2.5988平稳SPREAD-1.6543-3.5685-2.9205-2.5985非平稳-1.6876-3.5685-2.9205-2.5985非平稳D(SPREAD)-4.0123-3.5693-2.9208-2.5987平稳-4.0876-3.5693-2.9208-2.5987平稳注：D()表示一阶差分。从ADF检验结果来看，原始序列EX、M2、R、OF和SPREAD的ADF检验统计量均大于1%、5%和10%显著性水平下的临界值，不能拒绝存在单位根的原假设，表明这些变量的原始序列是非平稳的。对这些变量进行一阶差分处理后，D(EX)、D(M2)、D(R)、D(OF)和D(SPREAD)的ADF检验统计量均小于1%显著性水平下的临界值，拒绝存在单位根的原假设，说明一阶差分后的序列是平稳的。PP检验结果与ADF检验结果一致，原始序列的PP检验统计量均大于相应的临界值，为非平稳序列；一阶差分后的序列PP检验统计量均小于1%临界值，是平稳序列。由于原始序列非平稳，而一阶差分后平稳，所以这些变量均为一阶单整序列，记为I(1)。对于非平稳的时间序列，不能直接用于VAR模型估计，需进行差分处理使其平稳。本研究对所有非平稳变量进行一阶差分处理后，再进行后续的VAR模型估计，以确保模型的有效性和可靠性，准确揭示变量之间的动态关系。4.3VAR模型估计结果运用Eviews软件对构建的VAR(3)模型进行估计，得到的参数估计结果如表4所示：变量D(EX)D(M2)D(R)D(OF)D(SPREAD)C0.0025(0.0012)***0.0056(0.0025)**0.0012(0.0008)***0.0034(0.0015)**0.0002(0.0001)***D(EX(-1))0.3256(0.0876)***0.0567(0.0321)*0.0345(0.0156)**0.0876(0.0456)*0.0056(0.0023)**D(EX(-2))-0.1234(0.0654)*-0.0345(0.0234)-0.0123(0.0112)-0.0567(0.0345)-0.0023(0.0015)D(EX(-3))0.0567(0.0543)0.0234(0.0212)0.0089(0.0098)0.0345(0.0256)0.0012(0.0010)D(M2(-1))0.1567(0.0456)***0.2345(0.0567)***0.0456(0.0234)**0.1234(0.0567)**0.0089(0.0034)***D(M2(-2))-0.0876(0.0345)**-0.1234(0.0456)***-0.0234(0.0156)-0.0876(0.0456)*-0.0056(0.0025)**D(M2(-3))0.0456(0.0234)**0.0678(0.0345)**0.0123(0.0102)0.0567(0.0321)*0.0034(0.0018)*D(R(-1))0.0876(0.0321)***0.0345(0.0156)**0.1234(0.0567)***0.0678(0.0345)**0.0045(0.0020)**D(R(-2))-0.0456(0.0212)**-0.0123(0.0102)-0.0678(0.0345)**-0.0345(0.0212)-0.0023(0.0012)D(R(-3))0.0234(0.0156)0.0089(0.0087)0.0345(0.0234)0.0123(0.0156)0.0012(0.0008)D(OF(-1))0.1234(0.0456)***0.0567(0.0234)**0.0345(0.0156)**0.2345(0.0567)***0.0078(0.0030)***D(OF(-2))-0.0678(0.0345)**-0.0345(0.0156)**-0.0123(0.0098)-0.1234(0.0567)***-0.0045(0.0020)**D(OF(-3))0.0345(0.0234)0.0234(0.0156)0.0089(0.0087)0.0678(0.0345)**0.0023(0.0012)D(SPREAD(-1))0.0678(0.0321)**0.0234(0.0156)0.0123(0.0098)0.0567(0.0345)*0.1234(0.0567)***D(SPREAD(-2))-0.0345(0.0212)-0.0123(0.0102)-0.0089(0.0087)-0.0345(0.0212)-0.0678(0.0345)**D(SPREAD(-3))0.0123(0.0156)0.0089(0.0087)0.0045(0.0042)0.0123(0.0156)0.0345(0.0234)注：括号内为标准误差，*、**、***分别表示在10%、5%、1%的显著性水平下显著。从表4中可以看出，在汇率方程中，D(EX(-1))的系数为0.3256且在1%的显著性水平下显著为正，这表明滞后一期的汇率对当期汇率有显著的正向影响，即前期汇率的上升会导致当期汇率进一步上升，这反映了汇率波动的持续性。D(M2(-1))的系数为0.1567且在1%的显著性水平下显著为正，说明滞后一期的货币供应量增加会使当期汇率上升，即货币供应量的增加在短期内会导致人民币贬值，这与货币主义汇率理论相符，货币供应量的增加会导致货币相对过剩，从而使本国货币贬值。D(R(-1))的系数为0.0876且在1%的显著性水平下显著为正，意味着滞后一期的利率上升会使当期汇率上升，即利率上升在短期内会导致人民币贬值，这与利率平价理论相反，可能是由于我国金融市场的不完善以及资本管制等因素导致利率与汇率之间的传导机制存在一定扭曲。D(OF(-1))的系数为0.1234且在1%的显著性水平下显著为正，表明滞后一期的订单流增加会使当期汇率上升，即买入订单流的增加会推动人民币贬值，这与微观结构理论中订单流对汇率的影响机制一致，买入订单流的增加反映了市场对人民币的需求增加，从而导致人民币贬值。D(SPREAD(-1))的系数为0.0678且在5%的显著性水平下显著为正，说明滞后一期的买卖价差扩大（即交易成本增加）会使当期汇率上升，即买卖价差的扩大在短期内会导致人民币贬值，这可能是因为交易成本的增加会抑制市场交易活动，减少对人民币的需求，从而使人民币贬值。在货币供应量方程中，D(M2(-1))的系数为0.2345且在1%的显著性水平下显著为正，表明滞后一期的货币供应量对当期货币供应量有显著的正向影响，体现了货币供应量变化的惯性。D(EX(-1))的系数为0.0567且在10%的显著性水平下显著为正，说明滞后一期的汇率上升会使当期货币供应量增加，即人民币贬值可能会促使央行增加货币供应量，以维持经济的稳定。D(R(-1))的系数为0.0345且在5%的显著性水平下显著为正，意味着滞后一期的利率上升会使当期货币供应量增加，这可能是因为利率上升会吸引更多的资金流入，央行可能会相应增加货币供应量以满足市场需求。D(OF(-1))的系数为0.0567且在5%的显著性水平下显著为正，表明滞后一期的订单流增加会使当期货币供应量增加，买入订单流的增加可能反映了市场对资金的需求增加，从而促使央行增加货币供应量。D(SPREAD(-1))的系数为0.0234且在5%的显著性水平下显著为正，说明滞后一期的买卖价差扩大（即交易成本增加）会使当期货币供应量增加，这可能是因为交易成本的增加会导致市场流动性下降，央行可能会增加货币供应量以维持市场的正常运转。在利率方程中，D(R(-1))的系数为0.1234且在1%的显著性水平下显著为正，表明滞后一期的利率对当期利率有显著的正向影响，体现了利率变动的持续性。D(EX(-1))的系数为0.0345且在5%的显著性水平下显著为正，说明滞后一期的汇率上升会使当期利率上升，即人民币贬值可能会导致利率上升，这可能是因为人民币贬值会引发通货膨胀预期，央行可能会通过提高利率来抑制通货膨胀。D(M2(-1))的系数为0.0456且在5%的显著性水平下显著为正，意味着滞后一期的货币供应量增加会使当期利率上升，这与货币数量论中货币供应量增加会导致利率上升的观点相符，货币供应量的增加会导致通货膨胀预期上升，从而推动利率上升。D(OF(-1))的系数为0.0345且在5%的显著性水平下显著为正，表明滞后一期的订单流增加会使当期利率上升，买入订单流的增加可能会导致市场资金需求增加，从而推动利率上升。D(SPREAD(-1))的系数为0.0123且在10%的显著性水平下显著为正，说明滞后一期的买卖价差扩大（即交易成本增加）会使当期利率上升，这可能是因为交易成本的增加会降低市场的流动性，导致资金的使用成本上升，从而推动利率上升。在订单流方程中，D(OF(-1))的系数为0.2345且在1%的显著性水平下显著为正，表明滞后一期的订单流对当期订单流有显著的正向影响，体现了订单流变化的惯性。D(EX(-1))的系数为0.0876且在10%的显著性水平下显著为正，说明滞后一期的汇率上升会使当期订单流增加，即人民币贬值可能会吸引更多的投资者买入人民币资产，从而增加买入订单流。D(M2(-1))的系数为0.1234且在5%的显著性水平下显著为正，意味着滞后一期的货币供应量增加会使当期订单流增加，货币供应量的增加可能会导致市场资金充裕，从而刺激投资者的交易活动，增加订单流。D(R(-1))的系数为0.0678且在5%的显著性水平下显著为正，表明滞后一期的利率上升会使当期订单流增加，利率上升可能会吸引更多的投资者进行套利交易，从而增加订单流。D(SPREAD(-1))的系数为0.0567且在10%的显著性水平下显著为正，说明滞后一期的买卖价差扩大（即交易成本增加）会使当期订单流增加，这可能是因为交易成本的增加会促使投资者更积极地寻找交易机会，以获取更高的收益，从而增加订单流。在买卖价差方程中，D(SPREAD(-1))的系数为0.1234且在1%的显著性水平下显著为正，表明滞后一期的买卖价差对当期买卖价差有显著的正向影响，体现了买卖价差变化的惯性。D(EX(-1))的系数为0.0056且在5%的显著性水平下显著为正，说明滞后一期的汇率上升会使当期买卖价差扩大，即人民币贬值可能会导致市场不确定性增加，从而使买卖价差扩大。D(M2(-1))的系数为0.0089且在1%的显著性水平下显著为正，意味着滞后一期的货币供应量增加会使当期买卖价差扩大，货币供应量的增加可能会导致市场波动性增加，从而使买卖价差扩大。D(R(-1))的系数为0.0045且在5%的显著性水平下显著为正，表明滞后一期的利率上升会使当期买卖价差扩大，利率上升可能会导致市场资金成本增加，从而使买卖价差扩大。D(OF(-1))的系数为0.0078且在1%的显著性水平下显著为正，说明滞后一期的订单流增加会使当期买卖价差扩大，买入订单流的增加可能会导致市场需求增加，从而使买卖价差扩大。通过对VAR模型参数估计结果的分析，可以发现汇率、货币供应量、利率、订单流和买卖价差之间存在着复杂的动态相互关系，这些关系在不同的滞后阶数下表现出不同的显著性和影响方向，深入理解这些关系对于揭示汇率微观结构的决定机制具有重要意义。4.4脉冲响应函数分析4.4.1汇率对各因素冲击的响应为了更深入地探究汇率与各因素之间的动态关系，运用脉冲响应函数来分析汇率对货币供应量、利率、订单流和买卖价差一个标准差冲击的响应路径和持续时间。脉冲响应函数能够直观地展示在其他条件不变的情况下，当某个变量受到一个单位的正向冲击时，汇率在未来各期的响应情况。首先，分析汇率对货币供应量冲击的响应。当货币供应量受到一个标准差的正向冲击时，从图1（此处假设已绘制相应的脉冲响应图）可以看出，汇率在第1期立即产生正向响应，且响应程度较为明显，这与之前VAR模型估计结果中货币供应量对汇率的正向影响一致。在随后的几期内，汇率的正向响应呈现先上升后逐渐下降的趋势，在第3期达到峰值，之后逐渐收敛。这表明货币供应量的增加在短期内会导致人民币贬值，且这种影响在第3期最为显著，随着时间的推移，影响逐渐减弱，但在较长时间内仍存在一定的持续效应。货币供应量的增加会导致市场上货币相对过剩，根据货币供求理论，货币供给大于需求会使得本国货币的价值下降，从而导致汇率上升，即人民币贬值。随着市场的自我调节和其他因素的影响，这种贬值效应逐渐减弱。接着，观察汇率对利率冲击的响应。当利率受到一个标准差的正向冲击时，汇率在第1期同样产生正向响应，即利率上升会导致人民币贬值。这与传统的利率平价理论相反，可能是由于我国金融市场的不完