1.人民币汇率收益人民币汇率市场实行的是银行间结算汇制，以当天收盘价为第二天的中间价，因此我们从国家外汇管理局网站选取比较有代表性的美元兑人民币汇率的当天中间价作为研宄对象；由于自从2005年7月21我国进行了人民币汇率形成机制的重大改革，人民币兑换美元汇率不再是盯住美元的固定汇率制，而是以市场供求为基础的、顶住一揽子货币的浮动汇率制度。
因此本文从国家外汇管理局网站选取从2005年7月21日至2015年8月10日间每个外汇交易日美元兑人民币汇率的中间牌价作为研究对象，共计2447个样本观测值，数据来源于国家外汇管理局官方网(http：//)。
金融资产价格序列往往缺乏平稳性，而收益率序列则一般满足会平稳性，所以现如今普遍使用收益率的概率分布来预测未来损益的变化。
对于金融市场资产的收益率的测量，通常采用对数收益率的方法，其定义为：本文研究的即为期限为一天的美元兑人民币汇率的对数收益率，其定义为：由于数值级别过小，为了避免参数估计过程中出现数值化问题，把对数收益率序列放大10000倍之后再进行处理，扩大倍数之后的序列仍记为序列R。
2.外汇收益序列的统计描述以下内容将通过序列R的时序图、密度函数和样本的统计值如均值、方差、偏度、峰度等研究收益率序列的基本特征，从而建立模型来拟合收益率序列。
图1 序列R的时序图由时序图观察可知，对数收益率序列基本在一个均值上下波动，但是具有集聚效应，在某个阶段波动大，某个阶段波动小。
图2 序列R的统计特征可知序列的峰度K=109.6是显著大于3的，偏度为S=-5.04<0说明R序列的分布不是对称的，存在明显的左偏现象，即左侧尾部的概率较大。
且JB统计量的相伴概率显著的小于5%和10%的显著性水平，故拒绝R序列服从正态分布。
收益率序列相比于正态分布具有尖峰的特性，在经济行为中表明投资行为对更多的人而言具有同向影响，即市场具有收益时更多的人会有收益，市场亏损时，更多的人会亏损；厚尾意味着波动持续的时间较长，从风险管理的角度来看，小概率情况下相对于正态分布存在着更大的风险值。
3.模型建立3.1平稳性检验回归分析暗含着一个重要假设：数据是平稳的；如果数据是非平稳，往往导致出现“虚假回归”即伪回归，因此在模型建立之前有必要对收益率时序的平稳性进行检验：本节首先利用序列的自相关数图来初步判断R序列数据的生成过程。
R序列的自相关函数图从第二期即落在随机区域内，初步认定R序列式是平稳的。
图3美元日收益率的自相关和偏自相关图进一步通过ADF检验来验证序列的平稳性：在三种显著性水平下，由图2、图3和图4，可知ADF检验统计量的P值小于临界值，故拒绝R序列式非平稳的原假设，即序列是平稳的。
图4 含趋势项和常数均值的单位根检验图5 不含趋势项，含常数均值的单位根检验图6 不含趋势项和常数均值的单位根检验3.2构建模型由图1的自相关和偏自相关图来看，美元对数日收益率的AC为1阶截尾，PAC为2阶截尾，经过考虑，分别构建AR和MA模型，再通过模型的参数估计，判断最终的模型。
1.对收益率R序列构建AR(2)模型。
图7 对序列R建立AR(2)模型由Eviews输出结果可以看出，AR(2)的P值没有通过显著性检验，模型的F统计量的P值也未通过检验，且R-squared=0.002，故该模型拟合效果不好。
2.对收益率R序列构建AR(1)模型。
图8 对序列R建立AR(1)模型由Eviews输出结果可以看出，AR(1)的P值没有通过显著性检验，模型的F统计量的P值也未通过检验，且R-squared=0.0013，故该模型拟合效果不好。
3.对收益率R序列构建MA(1)模型。
图9 对序列R建立MR(1)模型由Eviews输出结果可以看出，MR(1)的P=0.0047<0.05通过显著性检验，模型的F统计量P=0.035<0.05也通过检验，虽然R-squared=0.0018不是特别大，但相比前两个模型还算可以，故该时间序列最终用MA(1)模型拟合。
最终的估计方程为：R000012365εt 005706888εt13.3残差序列异方差性检验由时序图可知，残差序列明显的呈现出了波动集束现象，即在大的波动后面紧跟着一系列大的波动，小的波动后面紧跟着一系列小的波动，大小波动有集聚的现象。
从统计学的角度分析，波动集聚现象即是条件方差具有时变性，即存在异方差效应。
图10 残差的时序图再对残差的平方做ARCH效应检验，得到下图，由P值为0.017小于0。
05可知，拒绝原假设，该残差序列非齐性。
图11 残差ARCH效应检验由于残差序列存在异方差性，因此对残差拟合GARCH模型。
在构造GARCH模型时，我用两种方法操作，结果有差别。
方法1：对残差序列直接建立GARCH模型，得到如下结果。
可以看出，GARCH模型中，变量参数显著性均通过，说明模型拟合良好。
图12 对残差拟合GARCH模型图13 GARCH模型最终方程方法2：对原序列建立GARCH模型，主模型依然为前面通过检验的MA(1)模型，得到如下结果。
可以看出，主模型P值大于0.05，说明该变量不显著。
但是GARCH模型的变量的P值均明显小于0.05，说明显著。
图14 建立GARCH模型图15 最终模型方程形式这两种方法，我认为，本质是一致的，但是输出结果却不相同。
仔细观察GARCH模型参数估计也有微小变化，重要的是，方法2推翻了前面步骤做出的MA(1)模型，这是我存在疑惑的地方。
4.人民币汇率与国际石油价格协整分析4.1 人民币汇率和国际石油价格相互影响近年来，强劲的世界经济增长驱动能源消费的增长，而石油剩余探明储量和产量的增长缓慢，甚至出现下降，这种供需失衡是推动国际石油价格上涨的根本原因；另外，如投机、地缘政治、气候等不确定因素也对油价产生很大影响，因此，至2008年7月国际石油价格始终呈现持续大幅上涨并伴随剧烈振荡的走势。
2007年，美国爆发了次贷危机，世界经济下滑，由经济增长驱动的能源消费增长难以支撑，国际石油价格暴跌。
中国自1993年首次成为石油净进口国之后，石油的进口依存度不断提高，从1995年的7.6%上升至2007年的50%。
正是由于对进口石油资源的高度依赖，国际石油价格的波动将对我国经济的方方面面产生巨大影响，进而影响人民币汇率。
人民币汇率对国际石油价格的影响主要体现在通过国际石油贸易影响石油价格。
一国的货币升值，表明该货币在国际市场上的购买力增强，对商品需求的增加会导致商品价格的上涨。
人民币的升值确实会增强我国对进口石油的购买力，但石油的需求弹性很小，并不会由于人民币的升值导致石油需求激增；另外，中国石油的进口份额比较小，中国石油进口量占世界石油贸易总量的比重仅为7.5%，因此，人民币汇率升值通过国际石油贸易对国际石油价格产生的影响还很有限。
4.2 数据选取选取了人民币汇率(R)和北美西德克萨斯原油现货价格(W)两个变量。
由于从2005年7月21日起开始实行浮动汇率制度，因此选择2013年4月1日至2014年3月13日的美元兑人民币汇率日中间价(五天制)代表人民币汇率，共226个数据。
汇率数据来源于中国人民银行网站。
用西德克萨斯原油现货价格(WTI)代表国际石油价格水平，单位为美元/桶。
数据区间与人民币汇率(R)一致，共226个数据。
图16 人民币汇率时序图图17 国际原油价格时序图4.3 单位根检验为消除可能存在的异方差，对以上数据取自然对数，分别用LNR 和LNW表示。
由于研究两个变量之间的协整关系时，要求两个变量的单整阶数相同，因此，在对变量进行协整分析前，要对变量进行单位根检验以确定其单整阶数。
分别对LNR和LNW做单位根检验，结果如图18和图19。
从图中可以看出，原序列LNR和LNW的ADF统计量均大于给定两个水平的临界值，P值均大于0.05，因此不能拒绝序列包含单位根的原假设，即序列非平稳。
接下来，对两个序列分别一阶差分，一阶差分序列LNr和LNw 的ADF统计量均小于给定两个水平的临界值，P值明显小于0.05，可以拒绝序列包含单位根的原假设。
所以，序列LNR和LNW都是一阶单整的。
图18 LNR单位根检验图19 LNW单位根检验图20 LNr单位根检验图21 LNw单位根检验4.4 格兰杰因果检验检验两个变量之间是否存在因果关系，一个普遍的方法是应用Granger因果性检验。
在做协整分析前，要确定汇率和石油价格之间的因果关系，才能进一步建立回归模型。
表1 格兰杰检验给出了当k=2、4、6、8、10时的Granger因果性检验结果，结论是，LNW是LNR的Granger原因，而LNR不是LNW的Granger原因，即国际石油价格是影响人民币汇率变化的原因，而人民币汇率不是影响国际石油价格变化的原因。
4.5 协整分析因为LNR和LNW都是一阶单整的，下面可以进一步检验两个变量间是否存在协整关系。
为了检验两个序列之间的协整关系，本文采用EG两步法。
1.第一步：用OLS法做协整回归利用Eviews做出协整回归，可以看出LNW的P值小于0.05，说明该参数通过检验，方程的P值也小于0.05，说明方程显著。
接下来做预测，求出误差项。
图22 协整回归图23 利用方程做预测2.第二步：检验误差项平稳性对误差项做ADF检验，由P值小于0.05说明拒绝原假设，误差项为平稳序列，从而说明LNR与LNW之间存在协整关系。
图24误差项时序图图25误差项单位根检验4.5 误差修正模型下面对已经建立的模型，进行误差修正修正，建立误差修正模型（ECM）。
下图可以看出，误差修正模型并不显著，无法进行修正。
图误差修正模型。