“8·11”匯改降低了人民幣拋補利率平價的偏離程度嗎？

高子鑫 劉曉輝 席麗佳

摘要本文以人民幣不同期限（1月期、3月期、6月期和12月期）拋補利率平價基差為樣本，利用t檢驗和普通最小二乘（OLS）回歸方法探究“8·11”匯改前后人民幣拋補利率平價偏離程度的特征。同時，本文選取43個經濟體作為控制組，基于回歸控制法構建反事實框架，考察“8·11”匯改對人民幣拋補利率平價偏離程度的影響。研究結果表明：（1）各個期限的人民幣拋補利率平價在“8·11”匯改前后均存在持續偏離，拋補利率平價基差始終存在；（2）“8·11”匯改顯著降低了人民幣拋補利率平價偏離程度，且此結果在改變變量選擇準則、估計變量以及政策實施時點后均具有穩健性。本文對貨幣拋補利率平價偏離程度的研究進行了拓展，不僅有助于理解“8·11”匯改對中國外匯市場的影響，也為評估該政策的效果提供了新的視角和證據。

關鍵詞拋補利率平價偏離程度“8·11”匯改基差回歸控制法

一、引言與文獻綜述

拋補利率平價（covered?interest?parity，CIP）連接了貨幣和外匯市場，是國際金融領域聯系利率與匯率這兩個重要價格的基礎理論之一。CIP成立意味著投資于本幣與通過外匯掉期市場投資所獲得的預期收益是相等的；但當CIP不成立時，兩種投資策略預期收益的不一致產生了CIP偏離（deviations?from?covered?interest?parity），套利者可通過預期收益的差異在貨幣市場與外匯掉期市場獲取無風險的套利收益。

與本文相關的一類文獻是使用拋補利率平價基差（covered?interest?parity?basis，下文簡稱基差）?正式定義見正文第二部分及式（1）。來度量CIP偏離的研究。在2008年金融危機前的數十年內，CIP總是成立（Akram?et?al.，2008；McCormick，1979）。即使CIP因為受到銀行交易對手風險等因素影響而出現短暫的偏離，套利的力量也會使得基差很快消失（Akram?et?al.，2008）。然而，在2008年金融危機發生之后，CIP不再成立，持續存在的基差成為國際金融領域的熱點研究課題之一。首先，持續偏離的CIP可能是金融市場摩擦或資源配置低下的證據；其次，這可能意味著宏觀經濟政策（尤其是貨幣政策）跨境傳導方式的改變；最后，后危機時期基差的存在性還證明了，在加強金融監管的背景下，金融中介的杠桿約束在世界資產定價中具有核心作用。

從時間區間來看，部分研究考察了金融危機期間基差的存在性。其中，短期內基差的變化可歸結于兩個因素：第一，2008年金融危機加劇了貨幣市場、銀行間市場以及外匯市場的波動和摩擦（Baba?&?Packer，2009；Coffey?et?al.，2009）；第二，歐元區債務危機期間，美元資金持續短缺（Ivashina?et?al.，2015）。

此外，還有研究發現，后危機時期的基差仍然持續存在。綜合來看，導致CIP偏離和基差持續存在的因素主要有五類：第一，監管或其他套利限制引發的一系列問題的影響（Rime?et?al.，2022；Du?et?al.，2018；Bruning?&?Puria，2017）；第二，與美元升值相關的美元對沖需求與供給的失衡（Avdjiev?et?al.，2019）；第三，貨幣間的利率差異（Liao，2020；Borio?et?al.，2018；Du?et?al.，2018）；第四，投機者投資成本存在異質性，如倫敦同業拆借利率（LIBOR）無法代表投機者真實邊際收益（Rime?et?al.，2022）；第五，包括美國主要貨幣市場基金改革在內的一些臨時性因素（Anderson?et?al.，2019）。

與本文相關的另一類文獻主要是人民幣利率平價和“8·11”匯改?“8·11”匯改是指2015年8月11日中國出臺的完善人民幣匯率中間價形成機制的改革：自2015年8月11日起，做市商在每日銀行間外匯市場開盤前，參考上日銀行間外匯市場收盤價匯率，綜合考慮外匯供求情況以及國際主要貨幣匯率變化，向中國外匯交易中心提供中間價報價。的研究。近年來，國內對于人民幣利率平價的研究較少，已有文獻主要致力于尋求利率平價條件難以成立的原因。部分學者將資本管制約束引入非拋補利率平價（uncovered?interest?parity，UIP），認為資本管制是UIP失效的重要原因（肖祖沔和向麗錦，2019）。還有學者認為，風險溢價、交易成本、外匯市場干預以及套利受限導致UIP在中國難以成立（肖立晟和劉永余，2016）。隨著中國外匯市場的發展，一些學者開始驗證CIP在中國的成立性。盡管中國處于飛速發展的階段，但由于資本管制以及多種風險因素，CIP仍然不成立，而資本管制是其中最主要的影響因素之一（譚小芬和高志鵬，2017）。

在2015年中國推出“8·11”匯改政策之后，學界開始關注并考察該政策的影響，相關研究主要集中于兩個方面。一方面，學者們關注“8·11”匯改后人民幣在岸市場與離岸市場之間匯率關系的變化，如匯率均值與波動層面（徐娟和楊亞慧，2019），市場聯動性、定價權歸屬與價格引導作用方向層面（徐娟和楊亞慧，2019；李政，2017），人民幣國際影響力層面（王雪和胡明志，2019）。另一方面，學者們則聚焦于“8·11”匯改前后匯率變化影響因素的差異，如美元指數始終為顯著影響因素，而美國芝加哥期權交易所波動率（VIX）指數在匯改后解釋能力被削弱（Cheung?et?al.，2018）。

上述討論表明，一方面，基差為何持續存在、CIP為何持續偏離已成為近年來的研究熱點，但鮮有關注人民幣CIP的偏離程度及影響因素的研究；另一方面，對“8·11”匯改政策效果的評估多從匯率本身出發，缺少從CIP偏離程度角度的研究。本文使用來自彭博（Bloomberg）數據庫的原始數據，測算了2010年1月—2019年12月人民幣基差（1月期、3月期、6月期和12?月期）。由圖1可知：第一，2010—2019年，人民幣四種期限的基差是持續存在的；第二，以“8·11”匯改政策出臺的2015年8月為分割點，人民幣基差在匯改后表現出更接近0（CIP成立）的趨勢。為此，本文旨在進一步研究人民幣基差的存在性及變化，并探討“8·11”匯改是不是導致CIP偏離程度顯著下降的原因。

圖12010年1月—2019年12月人民幣1月期、3月期、6月期與12月期基差

注：bp1m、bp3m、bp6m、bp12m分別代表人民幣1月期、3月期、6月期與12月期基差（001%），后同。

綜上，本文以2010年1月—2019年12月人民幣四種期限（1月期、3月期、6月期和12月期）的基差為樣本，首先使用t檢驗和普通最小二乘（OLS）回歸方法確認人民幣基差的存在性，其次基于Hsiao?et?al.（2012）提出的回歸控制法（regression?control?methods，RCM），以43個經濟體作為控制組，構建反事實框架考察“8·11”匯改對人民幣CIP偏離程度的影響。

本文的主要貢獻在于以下三個方面。第一，從研究視角來看，本文立足于人民幣CIP基差的視角，在“8·11”匯改的大背景下探究人民幣基差的存在性與變化，彌補了貨幣基差研究中人民幣基差研究的缺失，拓展了貨幣基差的研究。第二，從研究內容來看，本文針對“8·11”匯改是否顯著降低了人民幣CIP的偏離程度進行分析，為人民幣CIP偏離的影響因素研究提供了新思路。第三，已有文獻大多從“8·11”匯改對匯率的影響這個角度來評估“8·11”匯改的政策效果（徐娟和楊亞慧，2019；李政，2017），本文則從人民幣CIP偏離角度評估了“8·11”匯改的政策效果，為分析“8·11”匯改提供了新的研究角度。

本文其余部分安排如下：第二部分利用t檢驗和OLS回歸方法考察人民幣基差的存在性，并以2015年8月為分割點，對子樣本中CIP偏離程度進行考察；第三部分則利用回歸控制法考察“8·11”匯改對人民幣CIP偏離程度的影響；第四部分是結論和展望。

二、持續存在的人民幣CIP偏離

本文使用2010年1月—2019年12月人民幣1月期、3月期、6月期與12月期的基差數據描述“8·11”匯改前后人民幣CIP持續存在偏離的特征事實。本部分將在界定人民幣基差的基礎上進行描述性分析，并利用t檢驗和OLS回歸方法考察人民幣基差的特征。

（一）描述性統計

基差，又稱為跨貨幣偏差（crosscurrency?deviations），表示投資于國內貨幣市場所獲得的收益與通過掉期市場投資所獲得的收益之間的差值。若基差為0?例如，今天持有人民幣的投資者可以將人民幣存入銀行一個月，賺取人民幣存款利率；或者投資者可以將人民幣兌換為某種外幣，在外國銀行賺取一個月的外幣存款利率，并可同時簽訂一個月的貨幣遠期合約，約定在合約期末將賺取的外幣以約定匯率兌換為人民幣。如果人民幣和外幣存款利率均無違約，且遠期合約無交易對手風險，那么兩種投資策略應當可以提供相同的回報，即CIP成立。，則CIP這一無套利條件成立；若基差為正（負），則投資于人民幣（通過掉期市場投資）將獲得更多收益（Du?et?al.，2018）?；诖?，本文將基差形式設定為：

basist，t+n=it，t+n－i*t，t+n－1n/12（ft，t+n－st）（1）

其中，basist，t+n表示t時刻n月期基差，it，t+n表示n月期本國利率，i*t，t+n表示n月期美國利率，ft，t+n、st分別表示n月期遠期匯率與即期匯率（以本幣表示一單位外幣價格，收盤價）的對數值（n=1、3、6、12）。

為方便后文描述性統計及結果解讀，本文使用基點（001%）來表示基差，即：

bpt，t+n=basist，t+n×10000（2）

首先，本文簡要說明樣本及樣本區間的選擇。本文選擇樣本和樣本區間基于以下兩點考慮：

第一，已有文獻對所使用基差數據的具體期限未達成共識。近期文獻常用1月期、3月期基差作為研究對象（Rime?et?al.，2022；Cerutti?et?al.，2021；Avdjiev?et?al.，2019；Du?et?al.，2018；Bruning?&?Puria，2017）。然而，當掉期市場無摩擦時，CIP應適用于所有到期日（Bruning?&?Puria，2017）。為增強結論的可信度并考慮到人民幣的具體數據情況，本文將人民幣四種期限（1月期、3月期、6月期和12月期）的基差納入樣本進行研究。

第二，在2008年金融危機前的幾十年內，已有研究發現CIP總是成立（Akram?et?al.，2008；McCormick，1979）。而在2008年金融危機之后，在多種因素?這里的多種因素包括：監管或套利限制（Rime?et?al.，2022；Du?et?al.，2018；Bruning?&?Puria，2017）、跨貨幣資金供給和投資需求的失衡（Avdjiev?et?al.，2019）、貨幣間利率差異所反映的不同央行的貨幣政策立場（Liao，2020；Borio?et?al.，2018；Du?et?al.，2018）、美國主要貨幣市場基金改革等臨時性因素（Anderson?et?al.，2019）等。的共同影響下，全球眾多經濟體的CIP都產生了不同程度的偏離（Borio?et?al.，2018）。因此，為了規避2008年金融危機對基差的存在性以及形成機制產生的影響，本文選擇2010年1月—2019年12月作為檢驗區間。

其次，本文繪制了人民幣基差（1月期、3月期、6月期和12月期）在樣本期內的折線圖（圖1）。圖1初步說明：第一，在“8·11”匯改前，四種期限的基差均近似在2011年6月與2014年3月到達歷史峰值；總體而言，基差始終為非0數值，忽略其方向性，可以看出CIP始終存在較大偏離。第二，在“8·11”匯改政策實施后，CIP的偏離程度顯著降低，四種期限的基差均在0處上下小幅波動（相較于“8·11”匯改前），可以認為“8·11”匯改顯著降低了CIP的偏離程度。

最后，為了進一步驗證從圖1中所獲得的初步結論，本文進行了總樣本的描述性統計分析。同時，本文以政策實施節點（2015年8月）作為樣本劃分點，將總樣本分為“8·11”匯改前（2010年1月—2015年7月）以及“8·11”匯改后（2015年8月—2019年12月）兩個子樣本，分別再進行描述性統計分析。根據表1可以得到兩方面結論。一方面，無論是總樣本還是子樣本，四種期限的基差均值均非0，結合對圖1的分析，可以發現CIP始終存在偏離，在所選擇樣本期內CIP始終不成立。另一方面，對比匯改前后兩個子樣本的基礎數據可以看出，匯改后樣本四種期限的人民幣基差均值與0的距離均顯著小于匯改前樣本，同時匯改后樣本的標準差相較于匯改前樣本也有所降低，即匯改后CIP偏離程度比匯改前更低。本文認為，“8·11”匯改無論是從水平值偏離角度還是波動角度均顯著降低了CIP的偏離程度。

為提高研究結果的準確性，本文接下來將利用t檢驗和OLS回歸方法進行檢驗。

（二）檢驗方法

1t檢驗

為了驗證原假設H0：bpt，t+n=0，本文利用t檢驗對人民幣四種期限基差的存在性進行實證分析。

t檢驗結果如表2所示。其中，總樣本以及“8·11”匯改前和“8·11”匯改后兩個子樣本四種期限的基差基本都拒絕了均值為0的原假設。具體而言，人民幣1月期的基差僅在“8·11”匯改后子樣本中接受原假設，而3月期、6月期與12月期的基差在總樣本以及兩個子樣本內均拒絕原假設。這說明CIP的偏離始終存在，基差的存在性得到驗證，即“8·11”匯改并未改變中國市場上CIP難以成立的現狀。

表2人民幣1月期、3月期、6月期與12月期基差t檢驗結果

樣本H0：bpt，t+1=0H0：bpt，t+3=0H0：bpt，t+6=0H0：bpt，t+12=0拒絕或接

受原假設總樣本84341110456120620132930拒絕“8·11”匯改前114079128057144994168328拒絕“8·11”匯改后10376*97697129216177587拒絕注：*表示不拒絕原假設。

2OLS回歸方法

由表1可知，從平均值來看，基差在2015年8月之后均更接近于0，其波動幅度也明顯下降。在通過t檢驗驗證基差的存在性的基礎上，本文構建OLS回歸模型，再次驗證三個樣本基差的存在性，同時考察人民幣基差的影響因素。

（1）回歸模型設定。借鑒Cerutti?et?al.（2021）?的研究，本文構建如下回歸模型?Cerutti?et?al.（2021）使用CIP的變形作為實證分析模型，基于本文的假設，該模型可寫為：

1n/12（ft，t+n-st）=α0+λ（it，t+n-i*t，t+n）+η0Xt+ξ0t

在上式左右兩邊同時減去it，t+n-i*t，t+n，得到bpt，t+n=α+β（it，t+n-i*t，t+n）+ηXt+ξt，其中α=-α0×10000，β=（1-λ）×10000，η=η0×10000。：

bpt，t+n=α+β（it，t+n－i*t，t+n）+ηXt+ξt（3）

其中，t代表時間，n代表期限（n=1、3、6、12），*表示美國；Xt為基差的潛在影響因素；ξt為隨機干擾項。如果CIP成立，則α=β=η=0。

（2）變量及數據處理。本部分將簡述使用的被解釋變量、解釋變量與控制變量?各變量的名稱、定義以及數據來源留存備索。。

首先，被解釋變量bpt，t+n（n=1、3、6、12）為人民幣n月期基差（001%形式）。該變量若為正，則投資于人民幣將獲得更多收益，反之則通過掉期市場投資將獲得更多收益（Du?et?al.，2018）。本文通過式（1）、式（2）計算此變量。

其次，基于CIP的公式與理論，本文使用利差作為關鍵解釋變量。當利差擴大，即本國利率相較于外國利率更高時，投資于人民幣的收益比通過掉期市場投資收益更高，從而擴大基差，這表明利差應與基差呈正相關關系。本文使用人民幣利率（Shibor）減去美元利率（Libor）表示此變量。

最后，根據基差的理論研究和已有文獻，本文選擇了五個可能對基差產生影響的變量作為控制變量。接下來將簡要說明這些控制變量及其對基差的影響：

第一，遠期買賣價差（bidaskt，t+n）。當匯率波動加劇時，企業和非銀行金融機構的對沖需求上升；即遠期合約的需求上升，但由于中介機構杠桿撬動能力有限，遠期合約供應相對緊俏，使得遠期市場買賣價差擴大，遠期市場流動性被限制，套利空間擴大，CIP的偏離程度增加（Pinnington?&?Shamloo，2016）。也就是說，當遠期匯率買賣價格差值增加（指標相應減?。r，基差擴大，說明遠期買賣價差應與基差呈負相關關系。本文使用遠期匯率買價減去賣價表示該變量。

第二，全球風險情緒（lnvix）。全球風險情緒的上升會導致美元貨幣對沖需求的不確定性與波動性上升，美國可能會通過全面縮減美元對沖供給規模來遏制美元套利行為（Cerutti?et?al.，2021）。當基于美元的套利行為被遏制時，人民幣投資收益與通過外匯掉期市場投資的收益差相對上升，使得基差擴大。本文使用VIX指數的對數來表示全球風險情緒的變動。

第三，經濟政策不確定性（BBD）。政府部門何時、如何以及在何種程度上調整經濟政策無法被個體準確預測，并由此產生經濟政策不確定性（Gulen?&?Ion，2016）。經濟政策不確定性通過對預期的改變來影響實體經濟，影響家庭、企業和政策制定者的決定。當經濟政策不確定性增強時，市場猜測與恐慌情緒加劇，使得以高投機性、高風險性、高敏感性、高流動性為主要特征的短期國際資本頻繁在經濟體間流動，貨幣市場與外匯市場均受到負面影響，因此其對基差的影響方向無法確定。本文采用Baker?et?al.（2016）編制的經濟政策不確定指數作為中國經濟政策不確定性的代理變量。

第四，資本流動程度（kaopen）。中國作為新興市場經濟體，金融體系較為脆弱，資本流動頻繁且波動幅度較大，一旦有突發性的國際資本異動，會對宏觀經濟的穩定性造成嚴重沖擊。當基差為正值時，一方面，代表當不存在資本管制時，資金在短期內傾向于流入國內獲取超額回報，長期則會流出中國，從而使得即期匯率升值、遠期匯率存在貶值預期，以此縮小基差，使套利空間被縮窄。而在資本管制之下，此資本流動過程被人為限制，使得資金流動頻繁度與波動度下降，基差無法正?；貧w均衡，只能維持在較高水平（譚小芬和高志鵬，2017）。另一方面，此時資金在中國的收益水平高于國外，資金傾向于流入中國。盡管資本管制會阻礙這一過程，但利率平價的偏離仍會導致短期資本流動，而資本流入流出會影響即期匯率水平，縮窄套利空間，使基差縮小。綜合上述分析，本文無法確定資本流動程度對基差的具體影響方向。

參照劉曉輝（2008）的研究，本文將先測算中國短期資本流動規模，然后利用該數據與GDP之比作為中國資本流動程度的代理指標，最后對測算出的資本流動指數做季節調整?關于資本流動程度的衡量，目前可得且樣本覆蓋范圍廣、樣本期較長的指數主要包含五種?？紤]到常用的指數大多為年度數據，難以運用到月度數據的計量中，本文采用事實測算法估計資本流動程度。。其中，短期資本流動規模=儲備變動額-經常項目差額-直接投資差額。該指標數值越大，表示資本流動水平越高。

第五，貿易加權美元指數（usdindex）。隨著貿易加權美元指數上升，中國的銀行及非銀行金融機構獲取美元信貸的能力下降，這使得通過掉期市場進行投資的成本上升，人民幣投資的收益相較于通過掉期市場投資可獲得的收益上升，進而使得基差擴大（Avdjiev?et?al.，2019）。但同時由于美元走強，其兌人民幣即期匯率及遠期匯率存在一定升值（表現為ft，t+n、st數值上升），在掉期市場進行貨幣兌換時可獲取收益相對上升，使得基差有一定程度的縮小，導致無法預測其對基差的最終影響方向。本文使用美聯儲圣路易斯分行（FRED）的貿易美元加權指數來反映美元的變化。

（3）回歸結果。在進行模型回歸之前，本文先使用ADF單位根方法分析數據的平穩性，選用SIC準則自動選取最佳滯后階數（最大滯后階數為12期）?兩個子樣本也與總樣本相同，存在平穩序列與一階單整序列。限于篇幅，總樣本與子樣本的ADF檢驗結果留存備索。。本文所使用的變量包含平穩序列和一階單整序列。若直接對存在非平穩時間序列的數據組建立回歸，可能存在偽回歸問題。解決方法一般有如下兩種：一是進行差分回歸，二是進行協整檢驗判斷其是否存在長期均衡關系。使用差分進行回歸會產生信息損失且難以解釋其經濟學含義，故本文將使用水平值進行回歸分析，并使用JohansenJuselius協整檢驗（下文簡稱JJ協整檢驗）來驗證變量之間的協整關系，以避免偽回歸現象本文也對差分數據進行了OLS回歸，結果與水平值相近，但R2總體而言偏小，故此處還是使用水平值進行回歸分析，差分數據回歸結果留存備索。。

在使用JJ協整檢驗時，需要構建向量自回歸（VAR）模型以確定協整檢驗的滯后階數。根據各種準則構建的四種期限基差數據組（總樣本）對應的VAR模型選擇的滯后階數分別為：1月期數據組選擇了一階滯后，3月期、6月期與12月期數據組則選擇了二階滯后。依據VAR模型所選擇的滯后階數，在進行JJ協整檢驗時，1月期數據組選擇了零階滯后，其余三個數據組均選擇了一階滯后。經JJ協整檢驗后，四個數據組無約束協整秩檢驗均顯示存在協整關系，極大特征根協整檢驗也均顯示存在協整關系。因此，在使用水平值回歸時不存在偽回歸問題四個數據組無約束協整秩檢驗結果分別為：1月期數據組有四個協整關系，3月期數據組有兩個協整關系，6月期數據組有兩個協整關系，12月期數據組有三個協整關系。四個數據組極大特征根協整檢驗結果分別為：1月期數據組有四個協整關系，3月期數據組有一個協整關系，6月期數據組有兩個協整關系，12月期數據組有三個協整關系。本文對兩個子樣本也進行了JJ協整檢驗，結果表示兩個子樣本的八個數據組中均存在協整關系，在使用水平值回歸時不存在偽回歸現象。限于篇幅，上述結果均留存備索。。

基于上述分析與設定，本文對人民幣四種不同期限的基差的水平值進行回歸，結果列于表3。

由表3的總樣本回歸結果可見，四種期限基差的關鍵解釋變量利差以及常數項的回歸系數均非0且顯著，說明在樣本區間內基差始終存在。同時，四種期限的基差還受到買賣價差、全球風險情緒、經濟政策不確定性、資本流動性與美元指數的影響。

此外，在兩個子樣本的回歸結果中，常數項也始終非0且顯著，表明在所選區間CIP始終難以成立。這與前期描述性統計分析以及t檢驗結論一致。通過對比兩個子樣本的回歸結果可以發現，在“8·11”匯改前的子樣本中，四種期限基差的影響因素與總樣本相一致，而匯改后子樣本四種期限的基差幾乎不受利差、買賣價差與資本流動性的影響。VIX指數的解釋能力也被削弱，這與Cheung?et?al.（2018）結論一致。由此可以發現，“8·11”匯改實施后，基差的影響因素發生了一定的改變。

綜合上述各種分析驗證可知，“8·11”匯改對CIP的偏離程度存在一定影響。但t檢驗和OLS回歸方法可能存在一定的內生性，且可能存在由于樣本區間選擇而產生的估計偏差。因此，為了確定“8·11”匯改對CIP偏離程度存在影響并進一步量化這種政策干預效應，本文選擇回歸控制法這一反事實方法對已有數據進行分析研究。

三、“8·11”匯改與人民幣基差：反事實分析

（一）回歸控制法設計

本部分將利用回歸控制法進一步考察“8·11”匯改對人民幣基差的影響。鑒于反事實結果中CIP偏離的方向未知，本文著重考慮“8·11”匯改對于CIP偏離程度的影響。

1回歸控制法

回歸控制法這一反事實研究方法由Hsiao?et?al.（2012）提出，基本思想是利用截面個體之間的相關性，以未受政策干預的控制組（control?group）來估計干預組（treatment?group）在受到政策干預之后不可觀測的反事實結果。具體而言，回歸控制法認為經濟中存在驅動截面個體的共同因子，而這些共同因子使得不同組別個體具有一定的截面相關性。比如，經濟體的基差均會受到全球風險情緒、全球經濟政策不確定性指數等的影響，盡管受到的影響程度可能不同。

回歸控制法自提出以來，在政策評估領域得到了廣泛應用（Hsiao?&?Zhou，2019；Li?&?Bell，2017；王鵬和鄭靖宇，2017；Ouyang?&?Peng，2015）。相較于傳統回歸方法而言，回歸控制法具有透明和避免過分外推的優點。相較于雙重差分法而言，回歸控制法很好地克服了以往實證方法中可能存在的樣本選擇偏差和政策內生性的問題，將時間因素對樣本變量的影響剝離，減少了主觀判斷所造成的偏誤。而相較于合成控制法（synthetic?control?methods，SCM）而言（Abadie?et?al.，2015；Abadie?et?al.，2010），回歸控制法中允許控制組權重為負，且允許常數項的存在以修正控制組與干預組之間的差異。

設政策干預組為個體1，其余均為政策控制組。給定個體i在時刻t的n月期基差實際值為basisit，t+n，i∈［1，N］，t∈［1，T］，n=1、3、6、12，其中在政策干預之前t=1，...，T0，政策干預時段為［T0+1，T］。basisNit，t+n表示個體i在未實施政策時刻t的n月期基差，?basisIit，t+n則代表個體i在受到政策影響后時刻t的n月期基差。那么，政策干預組的凈干預效應可表示為α1t=basisI1t，t+n－basisN1t，t+n。再引入是否受到政策干預影響的虛擬變量D1t（t>T0時為1，其他為0）后，有：

basisI1t，t+n=α1tD1t+basisN1t，t+n（4）

其中，若要估計具體干預效應值α1t，需要先估計在t>T0時期無法觀測的basisNit，t+n?；貧w控制法的關鍵即在于構造反事實變量basisNit，t+n的估計值baisNit，t+n。

假定basisNit，t+n由如下因子模型給定：

basisNit，t+n=δi+b′ift+εit（5）

其中，δi為個體固定效應，ft為K×1維共同因子，bi為相應的K×1維因子載荷（factor?loading），表示共同因子對不同個體產生的作用可以存在差異，εit為個體i的隨機擾動項（idiosyncrastic?component）。矩陣表達形式可寫為：

basisNt，t+n=δ+Bft+εt（6）

其中，basisNt，t+n=（basisN1t，t+n，…，basisNNt，t+n），δ=（δ1，…，δN），BN×K=（b1，…，bN）。

Hsiao?et?al.（2012）、Li?&?Bell（2017）以及Hsiao?&?Zhou（2019）均證明，在一定的正則條件下，在式（6）的兩邊乘以B零空間的一個向量σ′（σ′B=0），可消去不可觀測的Bft，從而得到下列回歸方程：

basis1t，t+n=γ1+γ′baist，t+n+ε1t（7）

其中，baist，t+n=（basis2t，t+n，…，basisNt，t+n）′為所有控制組個體的結果變量。γ=（γ2…γN）為相對應系數。本文使用政策沖擊之前的數據（t=1，...，T0），代入式（7）進行OLS回歸，即可得到1和′。由此，可以預測個體1在政策沖擊之后的反事實結果（t=T0+1，…，T）：

baisN1t，t+n=1+′ba-ist，t+n（8）

基于上述反事實預測，可得政策干預的處理效應估計值：

1t=basisI1t，t+n－baisN1t，t+n（9）

在具體實施回歸控制法進行反事實評估時，還需要選擇放入式（7）的控制組個體數。放入的控制組個體數越多，回歸方程的R2越高，但也可能會產生過度擬合（overfit）的問題。為此，本文依照Hsiao?et?al.（2012）的兩步法進行控制組的選擇：第一步，利用窮舉法（best?subset?selection）選取次優模型，依次選擇1，2，...，N-1個控制組個體進入回歸模型，對于有m個控制組個體進入的回歸模型，利用R2選擇其中擬合最好的一個，記為M（m）*，m=1，...，N－1；第二步，利用模型選擇標準AIC、BIC或AICC在次優模型中選取最優模型，最后再進行OLS回歸得到反事實估計。

但在實踐中，考慮到窮舉法選取次優模型的計算效率較低，以及可能存在N>T0的情況，本文使用Li?&?Bell（2017）的套索估計量（least?absolute?shrinkage?and?selection?operator，簡稱Lasso）?該估計量是通過在估計項中加入懲罰項來避免過擬合，可以應用于高維回歸之中（解釋變量數量大于樣本容量）。由于該懲罰項存在，Lasso成為收縮估計量，系數有偏，因此在實踐中常使用Lasso來選擇變量，但不使用Lasso下估計系數，而是基于Lasso篩選出的變量進行OLS回歸。來進行第一步中的變量篩選，在此基礎上再進行第二步OLS回歸，即后LassoOLS估計。

2控制組及樣本區間選擇

中國作為擁有龐大市場體量的發展中經濟體，在進行其基差的反事實估計時，不能單純利用其他發展中經濟體作為控制組。本文將新興市場經濟體以及國際清算銀行（BIS）三年一次的央行調查中存在即期和場外衍生品市場外匯工具交易額的經濟體作為控制組，以此對人民幣基差進行反事實擬合。

第一，新興市場經濟體是發展中經濟體中具有某些共同特征的一類經濟體：人均收入高于發展中經濟體，但低于發達經濟體；經濟體內正經歷著廣泛的經濟自由化改革；資本賬戶自由化的速度快于其他發展中經濟體。本文將摩根士丹利國際資本（Morgan?Stanley?capital?international，MSCI）指數中的新興市場指數（emerging?markets?index，EMI）所包含的經濟體視為新興市場經濟體?這里所指的新興市場經濟體包括：阿根廷、巴西、智利、哥倫比亞、捷克共和國、埃及、希臘、匈牙利、印度、印度尼西亞、韓國、馬來西亞、墨西哥、巴基斯坦、秘魯、菲律賓、波蘭、卡塔爾、俄羅斯、沙特阿拉伯、南非、中國臺灣、泰國、土耳其和阿拉伯聯合酋長國。（張璟和劉曉輝，2015）?？紤]到樣本周期、數據的可得性與政策的外溢效應，本文選擇其中17個經濟體作為控制組的一部分?阿根廷、埃及和秘魯僅包含無本金交割遠期外匯（NDF）數據、智利和哥倫比亞的匯率數據始于2018年、巴西與卡塔爾缺少相關利率數據或利率數據不足，故將上述7個經濟體排除在控制組外。此外，中國臺灣作為中國不可分割的一部分，無法滿足控制組個體不會受到干預組政策試驗影響的前提條件。綜合考慮后，本文選擇捷克共和國、希臘、匈牙利、印度、印度尼西亞、韓國、馬來西亞、墨西哥、巴基斯坦、菲律賓、波蘭、俄羅斯、沙特阿拉伯、南非、泰國、土耳其和阿拉伯聯合酋長國作為控制組的一部分。。

第二，國際清算銀行（BIS）三年一次的央行調查顯示了世界各個經濟體央行的外匯工具交易量，近三年來數據可得的經濟體有53個（除中國和美國外）?這里所指53個經濟體包含：阿根廷、澳大利亞、奧地利、巴林、比利時、巴西、保加利亞、加拿大、智利、中國臺灣、哥倫比亞、捷克共和國、丹麥、愛沙尼亞、芬蘭、法國、德國、希臘、中國香港、匈牙利、印度、印度尼西亞、愛爾蘭、以色列、意大利、日本、韓國、拉脫維亞、立陶宛、盧森堡、馬來西亞、墨西哥、荷蘭、新西蘭、挪威、秘魯、菲律賓、波蘭、葡萄牙、羅馬尼亞、俄羅斯、沙特阿拉伯、新加坡、斯洛伐克、斯洛文尼亞、南非、西班牙、瑞典、瑞士、泰國、土耳其、阿拉伯聯合酋長國、英國。，考慮到與新興市場經濟體的重合部分以及所選時間周期、數據的可得性與政策的外溢效應，本文選擇其中的26個經濟體作為控制組的另一部分?剔除與所選新興市場經濟體相一致的經濟體，所選集合內仍包含31個經濟體。由于中國香港與中國臺灣情況相同，無法保證其作為控制組具有外生性，將其剔除在控制組外。愛沙尼亞、立陶宛、斯洛伐克與斯洛文尼亞匯率存在缺失，故將其從中剔除，最終獲得26個經濟體作為控制組的另一部分。。

綜合上述選取控制組方式，本文最終獲得43個經濟體作為控制組，樣本經濟體具體信息列于表4。

本部分將簡述樣本區間選擇的原因。一方面，2008年金融危機對基差的存在性以及作用機制具有顯著影響，且在2008年之后出現了大量違反CIP的行為，尤其是美元（Baba?&?Packer，2009；Coffey?et?al.，2009），故本文使用2010年1月作為回歸控制法研究的樣本起始期。這主要是為了在保證數據量的情況下，規避2008年金融危機的影響，而2010年1月基差的影響機制已基本確定，不涉及機制轉換的問題。另一方面，2020年受到新冠疫情的影響，全球經濟景氣度下降，美元融資市場動蕩（Avdjiev?et?al.，2020），為了規避這一大沖擊對基差的影響，本文將樣本結束期選至2019年12月。

本文將進行了“8·11”匯改的中國作為干預組，將其他未經此政策的經濟體作為控制組，政策試驗的時間區間為2010年1月到2019年12月，政策干預時點為2015年8月。

（二）經驗研究結果

1政策動態效應評估

基于前文回歸結果和分析，本文選擇人民幣1月期、3月期、6月期和12月期基差（2010年1月—2019年12月）作為研究對象，并以43個經濟體作為控制組?？紤]到高維回歸的可能性，并相應提高計算效率，本文使用后LassoOLS估計和AICC信息準則在次優模型中選取最優模型。

通過對比人民幣四種期限基差和除中國外43個經濟體的四種期限的平均基差（2010年1月—2019年12月）的變動趨勢可知：一方面，在?“8·11”匯改前，人民幣的基差無論是在波動幅度還是在具體數值上均與其他經濟體平均水平存在較大差異；另一方面，“8·11”?匯改之后人民幣的四種期限的CIP偏離程度都在減小，基差在0處附近波動，而其他經濟體平均水平在“8·11”匯改之后與之前相比變動趨勢未發生顯著改變?限于篇幅，此處未展示人民幣四種期限基差和除中國外43個經濟體的四種期限的平均基差變動趨勢，留存備索。。

使用回歸控制法選擇合成中國的最優控制組，四種期限（1月期、3月期、6月期和12月期）人民幣基差所選擇的控制組經濟體、回歸系數、標準誤以及模型擬合優度參見表5。由表5可知：根據AICC準則，四種期限基差回歸方程分別選擇了3個、6個、2個和8個經濟體，回歸系數與常數項基本均顯著；四種期限基差回歸的擬合優度分別為6366%、8169%、8157%和9240%，說明均具有較好擬合度。

圖2描繪了1月期、3月期、6月期和12月期人民幣基差真實值和反事實值的變動趨勢。從圖2可知，一方面，在政策實施前（圖形中垂直于橫軸的短虛線左側），四種期限的基差反事實預測值均與人民幣基差的實際觀測值十分接近，較好地描述了人民幣基差真實值的變動趨勢，同時大部分拐點也都得到了較好的擬合，這表明所選控制組可以很好地模擬人民幣基差的走勢。另一方面，在“8·11”匯改之后（即圖形垂直于橫軸的虛線右側），四種期限的基差反事實預測值開始與實際觀測值出現較大的偏差，真實的基差開始向0趨近（0值代表CIP成立），而反事實基差則逐漸遠離0。同時，與反事實預測值的變動幅度相對比，可以觀察到人民幣基差的真實值更為穩定，方差更小。以上均表明“8·11”匯改顯著降低了CIP的偏離程度。

進一步，將人民幣基差的實際觀測值減去反事實預測值，得到?“8·11”匯改的政策效應?？梢园l現，四種期限下計算出的政策效應均存在上升趨勢，即真實值與反事實值的差距逐步擴大。本文主要關注“8·11”匯改對人民幣CIP偏離程度的影響，而非絕對值相減下的政策效應，故將結合人民幣四種期限基差的真實值、反事實值與政策效應（2015年8月—2019年12月）的具體數值進行分析。由于時間區間較長，此處不進行單個時間點數值的分析，僅分析其平均偏離CIP的程度。由反事實結果可知，人民幣1月期、3月期、6月期和12月期的基差在“8·11”匯改后真實值均值與0的距離分別為139452、524644、583968和636119，反事實值均值與0的距離分別為4080084、5065626、6409016和1922170，即反事實均值與0的距離大于真實值均值與0的距離，再度驗證了“8·11”匯改后CIP的偏離程度顯著減小的結論?限于篇幅，此處具體結果的相關圖形及表格均留存備索。。

圖2四種期限人民幣基差真實值與反事實值的比較

注：數據為使用反事實方法計算結果。參考線為兩條短虛線，其中垂直于橫軸的參考線代表人民幣基差為0，即CIP成立；垂直于縱軸的參考線代表2015年7月。（避免遮擋政策實施起始點的觀測值，故本文使用政策實施起始點前一期作為參考線。）后圖同。

綜上，可以認為“8·11”匯改顯著降低了CIP的偏離程度。

2穩健性檢驗

本部分將進行政策動態效應評估部分反事實分析的穩健性檢驗。第一，使用BIC信息準則來選擇最優模型；第二，在進行OLS估計的因子模型中加入協變量；第三，基于Abadie?et?al.（2015）的研究將政策時間前移至2015年2月，進行安慰劑檢驗。

（1）使用BIC準則選擇最優模型?；贐IC準則選擇最優反事實估計模型，四種期限的人民幣基差數據組分別選擇了3個、6個、2個和7個經濟體，除12月期基差數據組所選擇的經濟體減少了波蘭外，其余期限基差數據組所選經濟體均相同，擬合優度分別為6366%、8169%、8157%和9137%。使用BIC準則所得的真實值與反事實估計值，與使用AICC準則所獲得的結果十分接近，這再次驗證了“8·11”匯改顯著降低CIP的偏離程度這一結論。

（2）加入協變量選擇最優模型的穩健性檢驗。本文使用Hsiao?&?Zhou（2019）提出的包含可觀測控制變量的因子模型進行后LassoOLS估計。

Hsiao?&?Zhou（2019）假設basisN1t，t+n由如下因子模型給定：

basisN1t，t+n=x′it，t+nρ+b′ift+εit（10）

其中，xit，t+n為可觀測控制變量。同理，也可預測個體1在政策沖擊之后的反事實結果（t=1，...，T0）：

baisN1t，t+n=1+′zt，t+n（11）

其中，zt，t+n=（basis2t，t+n，…，basisNt，t+n，x1t，t+n，…，xNt，t+n）。

通過加入協變量并使用后LassoOLS估計方法進行反事實分析，可以發現真實值的CIP偏離程度逐漸減小，而反事實值與0的距離逐漸擴大，且逐漸顯著大于真實值與0的距離，又一次驗證了“8·11”匯改顯著降低了CIP偏離程度的結論。同時，該反事實結果的擬合優度分別為7991%、8402%、8314%和9726%，一定程度上彌補了基礎分析中1月期基差反事實結果擬合優度相對較差的問題，驗證了研究結論的穩健性。

（3）改變政策發生時點的安慰劑檢驗。本文基于Abadie?et?al.（2015）的研究，使用改變政策發生時點的安慰劑檢驗法，將政策沖擊開始的時間前移至2015年2月，估計結果如圖3所示。圖3展示了四種期限人民幣基差反事實值與真實值的趨勢，其中四種期限的人民幣基差反事實值在2015年2月—2015年8月與真實值高度一致，之后二者出現明顯的分離，表明“8·11”匯改是導致基差偏離程度顯著降低的根本原因，這為政策效應動態評估部分結論的穩健性提供了證據。

圖3安慰劑檢驗

注：政策沖擊始于2015年2月。

四、結論和展望

“8·11”匯改影響了中間價的決定，使得中間價更加市場化，提高了中間價報價的合理性與彈性，也使得匯率這一價格更多地反映市場的供求力量及投資者預期的變化。而CIP作為解釋匯率決定機制的重要理論，闡述了利率與匯率之間的聯動關系。但無論國內還是國外對于人民幣CIP偏離程度的研究均較少，且已有研究大多忽略了“8·11”匯改可能產生的影響。本文從CIP偏離的角度出發，利用統計學方法來描述“8·11”匯改的影響，并使用回歸控制法，以43個經濟體作為控制組，使用人民幣基差（1月期、3月期、6月期和12月期）在2010年1月—2019年12月的數據，量化“8·11”匯改的影響。

研究結果表明：（1）無論是總樣本、“8·11”匯改前子樣本還是“8·11”匯改后子樣本，四種期限的人民幣CIP均存在持續偏離，人民幣基差始終存在。此外，“8·11”匯改后子樣本人民幣CIP偏離程度顯著低于匯改前子樣本。同時，總樣本與“8·11”匯改前子樣本中四種期限的基差均受到利差、買賣價差、全球風險情緒、經濟政策不確定性、資本流動性與美元指數的影響。但“8·11”匯改后子樣本四種期限的基差幾乎不受利差、買賣價差與資本流動性的影響，VIX指數的解釋能力也被削弱。（2）利用反事實政策評估方法的研究發現，“8·11”匯改顯著降低了人民幣CIP的偏離程度，并且該結論與以BIC信息準則來選擇最優模型、加入協變量進行反事實分析下的結果一致，同時也通過了改變政策時間的安慰劑檢驗，具有穩健性。

基于上述結論，本文認為2015年“8·11”匯改之后，中國境內外匯市場開放程度不斷提升，人民幣CIP的偏離程度顯著降低，這反映了外匯掉期所隱含的美元利率與美元名義利率水平之間的差異在逐漸降低。與之相對應的是，外匯市場的供求力量更加多元化，更多的參與者進入外匯市場的定價決策，交易需求也被進一步拓展，且外匯市場與貨幣市場的聯動性增加，市場間的分割程度也在不斷下降。

本文從現實情況出發，從時序的角度描述了人民幣CIP條件的成立性，探討了“8·11”匯改前后人民幣CIP偏離程度的變化及“8·11”匯改對人民幣CIP偏離程度的影響，豐富了貨幣基差尤其是人民幣基差的相關研究，拓展了“8·11”匯改政策評估的視角，揭示了基差交易中存在的套利機會，提出了未來人民幣外匯市場和匯率制度改革的方向。

基于此，本文提出如下政策建議：

第一，隨著人民幣國際化進程的不斷加深以及利率市場化改革的持續推進，應當進一步推動中國外匯掉期等產品的建設和完善，進一步降低掉期交易的成本，助力掉期交易等市場的長遠發展。

第二，盡管“8·11”匯改后人民幣CIP的偏離程度顯著降低，促進了外匯市場效率的改善，但人民幣CIP基差在“8·11”匯改之后仍然存在，這說明外匯市場的效率仍有改善的空間。因此，中國應進一步完善匯率中間價的形成機制，使之更充分地反映市場的供求關系，并考慮進一步放松匯率的波動幅度，提高匯率形成機制的彈性，為未來實現匯率自由浮動奠定基礎。

此外，盡管短期與長期基差真實值所呈現的時序變動趨勢較為一致，但在“8·11”匯改之后，人民幣長期與短期基差的反事實值存在一定的倒掛現象。Borio?et?al.（2018）的研究表明在貨幣市場摩擦以及融資和市場流動性等因素的影響下，短期基差擴大，從而導致基差的期限結構傾斜，那么“8·11”匯改是否對基差的期限結構產生了影響？這一問題值得進一步思考，故留作后續研究。參考文獻：

［1］何暑子，范從來，康志勇.匯率與出口企業“生產率悖論”［J］.世界經濟與政治論壇，2022（4）.

［2］李政.“811匯改”提高了人民幣匯率中間價的市場基準地位嗎？［J］.金融研究，2017（4）.

［3］劉曉輝.人民幣匯率制度選擇與轉型：基于社會福利視角的分析［M］.北京：人民出版社，2008.

［4］劉曉輝，張震，亢宇君.人民幣匯率制度彈性測算［J］.世界經濟與政治論壇，2018（6）.

［5］譚小芬，高志鵬.中美利率平價的偏離：資本管制抑或風險因素？——基于2003—2015年月度數據的實證檢驗［J］.國際金融研究，2017（4）.

［6］王鵬，鄭靖宇.自由貿易試驗區的設立如何影響貿易方式轉型——基于廣東自由貿易試驗區的實證研究［J］.國際貿易問題，?2017（6）.

［7］王雪，胡明志.匯改提高了人民幣國際化水平嗎？——基于“7·21”匯改和“8·11”匯改的視角［J］.國際金融研究，2019（8）.

［8］肖立晟，劉永余.人民幣非拋補利率平價為什么不成立：對4個假說的檢驗［J］.管理世界，2016（7）.

［9］肖祖沔，向麗錦.資本管制與中國非拋補利率平價扭曲［J］.世界經濟研究，2019（4）.

［10］徐娟，楊亞慧.“811匯改”前后人民幣匯率運行特征的研究［J］.世界經濟研究，2019（8）.

［11］張璟，劉曉輝.金融結構與固定匯率制度：來自新興市場的假說和證據［J］.世界經濟，2015（10）.

［12］Abadie?A，?Diamond?A，?Hainmueller?J.?Comparative?Politics?and?the?Synthetic?Control?Method［J］.?American?Journal?of?Political?Science，?2015，?59（2）.

［13］Abadie?A，?Diamond?A，?Hainmueller?J.?Synthetic?Control?Methods?for?Comparative?Case?Studies：?Estimating?the?Effect?of?Californias?Tobacco?Control?Program［J］.?Journal?of?the?American?Statistical?Association，?2010，?105（490）.

［14］Akram?Q?F，?Rime?D，?Sarno?L.?Arbitrage?in?the?Foreign?Exchange?Market：?Turning?on?the?Microscope［J］.?Journal?of?International?Economics，?2008，?76（2）.

［15］Anderson?A，?Du?W?X，?Schlusche?B.?Money?Market?Fund?Reform?and?Arbitrage?Capital［Z］.?Web?Finance?Conference?Paper，?2019.

［16］Avdjiev?S，?Du?W?X，?Koch?C，?et?al.?The?Dollar，?Bank?Leverage，and?Deviations?from?Covered?Interest?Parity［J］.?American?Economic?Review：?Insights，?2019，?1（2）.

［17］Avdjiev?S，?Eren?E，?McGuire?P.?Dollar?Funding?Costs?During?the?Covid19?Crisis?Through?the?Lens?of?the?FX?Swap?Market［Z］.?BIS?Bulletin，?2020，No.1.

［18］Baba?N，?Packer?F.?Interpreting?Deviations?from?Covered?Interest?Parity?During?the?Financial?Market?Turmoil?of?200708［J］.?Journal?of?Banking?&?Finance，?2009，?33（11）.

［19］Baker?S?R，?Bloom?N，?Davis?S?J.?Measuring?Economic?Policy?Uncertainty［J］.?The?Quarterly?Journal?of?Economics，?2016，?131（4）.

［20］Borio?C，?Iqbal?M，?McCauley?R?N，?et?al.?The?Failure?of?Covered?Interest?Parity：?FX?Hedging?Demand?and?Costly?Balance?Sheets［Z］.?BIS?Working?Paper，?2018，No.590.

［21］Bruning?F，?Puria?K.?Uncovering?Covered?Interest?Parity：?The?Role?of?Bank?Regulation?and?Monetary?Policy［Z］.?Federal?Reserve?Bank?of?Boston?Research?Paper?Series?Current?Policy?Perspectives?Paper，?2017，No.173.

［22］Cerutti?E?M，?Obstfeld?M，?Zhou?H?N.?Covered?Interest?Parity?Deviations：?Macrofinancial?Determinants?［J］.?Journal?of?International?Economics，?2021，?130.

［23］Cheung?Y?W，?Hui?C?H，?Tsan?A.?Renminbi?Central?Parity：?An?Empirical?Investigation［J］.?Pacific?Economic?Review，?2018，?23（2）.

［24］Coffey?N，?Hrung?W?B，?Sarkar?A.?Capital?Constraints，?Counterparty?Risk?and?Deviations?from?Covered?Interest?Rate?Parity［Z］.?Federal?Reserve?Bank?of?New?York?Staff?Report，?2009，No.393.

［25］Du?W?X，?Tepper?A，?Verdelhan?A.?Deviations?from?Covered?Interest?Rate?Parity［J］.?The?Journal?of?Finance，?2018，?73（3）.

［26］Gulen?H，?ION?M.?Policy?Uncertainty?and?Corporate?Investment［J］.?The?Review?of?Financial?Studies，?2016，?29（3）.

［27］Hsiao?C，?Ching?H?S，?Wan?S?K.?A?Panel?Data?Approach?for?Program?Evaluation：?Measuring?the?Benefits?of?Political?and?Economic?Integration?of?Hong?Kong?with?Mainland?China［J］.?Journal?of?Applied?Econometrics，?2012，?27（5）.

［28］Hsiao?C，?Zhou?Q?K.?Panel?Parametric，?Semiparametric，and?Nonparametric?Construction?of?Counterfactuals?［J］.?Journal?of?Applied?Econometrics，?2019，?34（4）.

［29］Ilzetzki?E，?Reinhart?C?M，?Rogoff?K?S.?Exchange?Arrangements?Entering?the?TwentyFirst?Century：?Which?Anchor?Will?Hold？［J］.?The?Quarterly?Journal?of?Economics，?2019，?134（2）.

［30］Ivashina?V，?Scharfstein?D?S，?Stein?J?S.?Dollar?Funding?and?the?Lending?Behavior?of?Global?Banks［J］.The?Quarterly?Journal?of?Economics，?2015，?130（3）.

［31］Li?K?T，?Bell?D?R.?Estimation?of?Average?Treatment?Effects?with?Panel?Data：?Asymptotic?Theory?and?Implementation［J］.?Journal?of?Econometrics，?2017，?197（1）.

［32］Liao?G?Y.?Credit?Migration?and?Covered?Interest?Rate?Parity［J］.?Journal?of?Financial?Economics，?2020，138（2）.

［33］McCormick?F.?Covered?Interest?Arbitrage：?Unexploited?Profits？?Comment［J］.?Journal?of?Political?Economy，?1979，?87（2）.

［34］Ouyang?M，?Peng?Y?L.?The?TreatmentEffect?Estimation：?A?Case?Study?of?the?2008?Economic?Stimulus?Package?of?China［J］.?Journal?of?Econometrics，?2015，?188（2）.

［35］Pinnington?J，?Shamloo?M.?Limits?to?Arbitrage?and?Deviations?from?Covered?Interest?Rate?Parity［Z］.?Bank?of?Canada?Staff?Discussion?Paper，?2016，No.20164.

［36］Rime?D，?Schrimpf?A，?Syrstad?O.?Covered?Interest?Parity?Arbitrage［J］.?The?Review?of?Financial?Studies，?2022，?35（11）.

（責任編輯：蔣妍）