假币风波范文第1篇

那是过年的时候，妈妈的同事张阿姨给了我一个大红包。我打开一看：50元，“哇！发财咯。”我一边跳，一边高兴的喊着。

可是，我仔细一看却发现了一个问题，这张钱居然没有水银线，会不会是假钱呢？我心里直犯嘀咕，于是拿到了小区门口小卖部那里请一位叔叔帮我验，叔叔把钱放到验钞机上，机器马上就发出“嗒嗒嗒”的报警声。“这钱是假的。”叔叔说。我听了顿时愣住了。

假钱怎么用呢？正想着，就听到妈妈叫道：“贝贝，帮妈买瓶酱油去。”我想：买东西不是可以甩掉它吗！于是，我拿着假币朝小区门口小卖部走去，我心里犹豫了一下：这个叔叔刚才帮我验钱，他一定知道我的钱是假钱，我不去他那里买了。于是，我便到了王奶奶的店说：“奶奶，买一瓶酱油。”王奶奶说：“好！”便拿了一瓶“海天酱油”给我。

“多少钱？”我问，王奶奶说：“4块8”。

我打开钱包，里面有一些零零散散的钱和那张五十元假币，我刚把那张五十元抽出来的时候，我的脑里便有两个小人在打架，第一个小人说道：“好孩子是不能骗人的。”第二个小人也不甘示弱，叫道：“管他的，只要把这张五十元花出去就行了。”

这时，我想到王奶奶家的情景：收了摊以后，回到家中，正在一毛一毛的数着今天赚了的钱，忽然看见一张假币，奶奶该会有多伤心啊！更何况，王奶奶家经常省吃俭用，就靠开个小店维持一家人生计，这样骗了她，不是“落井下石”吗？

于是，我赶紧把50元收起来，拿出4元8角零钱递给王奶奶，王奶奶笑了。

回到家中，我觉得应该找那些做“大”生意的人，把我的那张假币给弄出去。

我便揣着那张假币去了步行街，在一楼的一间竹屋里，我看见一条手链，我问：“姐姐，这条多少钱？”她笑了笑，说：“15元卖给你吧！”

我高兴的说：“好，我要一条。”

无意中我看见了一对拐杖，我问：“姐姐，你的脚受伤了吗？”

姐姐看了她那残疾的脚，望着我，说：“是的，小时侯落下的。”便底下了头。

我连忙道歉，说：“对不起”。

姐姐说：“没关系的。”边说边给我装手链，我一掏钱包，准备拿出的“50元”又被我冷落了。

看来我的“50元”是花不出去了。

假币风波范文第2篇

论文关键词：人民币汇率，风险价值，GARCH，半参数法

 

一、 引言

人民币汇率一直是国际国内高度关注的问题，外界普遍要求人民币升值，对人民币升值的速度也一直是热议的话题。我国从2005年7月21日实行汇改后，人民币持续不断升值，人民币汇率风险逐渐显现，而且汇率的持续波动加大了人民币的汇率风险。2009年以来我国经济率先走出金融危机的阴影，呈现出快速复苏的势头，国际上要求人民币升值的呼声再次高涨。人民币升值对于我们来说既有利又有弊，但人民币升值过快将增加汇率风险，而且会对我国的宏观经济带来很大冲击。因此，研究人民币汇率的波动，以及正确测量汇率风险，就显得十分必要。

本文选取人民币/美元汇率中间价的日数据作为研究对象，利用GARCH模型分析了人民币汇率的波动特性；同时，采用基于GARCH模型的VaR估计方法（参数法）和David X Li（1999）提出的半参数估计法实证检验，分别度量了人民币汇率的风险价值，并对两种方法进行了比较。

二、 理论模型与研究方法

1.GARCH模型

自回归条件异方差(ARCH)模型最早是由Engle于1982年提出半参数法，用于波动性的建模研究。在此基础上，Bollersler进行了扩展，于1986年提出广义自回归条件异方差模型，即GARCH模型。

GARCH(p，q)模型定义如下：

均值方程： ，

波动率方程：

其中，{}是均值为0，方差为1 的独立同分布随机变量序列，＞0,≥0 ()，≥0 ()。实际中，通常假定服从标准正态分布，学生-t分布，或广义误差分布（GED）。

2.单整GARCH（IGARCH）模型

在实际研究中，人们常发现GARCH模型的a参数和β参数的和非常接近于1，在这种情况下，条件方差具有单位根和单整性，于是人们将符合这种特征的GARCH模型称作单整GARCH模型小论文。

当GARCH模型的估计参数满足：

时，就称作单整GARCH模型，记为IGARCH模型。该模型描述了条件方差波动的持续性质。

3.VaR方法

（1）基于GARCH模型的VaR度量

VaR即风险价值，是指在正常的市场条件和给定的置信水平下，某一金融资产在未来特定一段持有期内的最大损失。用统计学公式表示即为：

其中， c 为置信水平。

通常为简化计算，会假设资产收益服从正态分布，则VaR可表示为

（1）

其中，是置信度为a的标准正态分布的临界值，当a=5%时，；是收益率序列的条件方差。

（2）基于David X.Li半参数估计方法的VaR度量

上述计算VaR的过程中需假设收益服从正态分布，然而现实中的许多收益序列分布都具有“厚尾”现象，所以利用正态分布假设常常会低估潜在的风险。David Li（1999）提出了基于收益率序列的均值、标准差、偏度和峰度的半参数法，该方法不需做任何分布假设，即可构造VaR。假设收益率序列r的均值、标准差、偏度和峰度分别为：

若≠0，≠0，则r不服从正态分布。可以证明，VaR的置信上限VaR(U)和置信下限VaR(L)可以用下面的公式计算得到：

（2）

（3）

其中半参数法，≠0；是标准正态分布的临界值。

（3）VaR模型的事后检验

VaR是一个统计估计值，其准确程度受到估计误差的影响，故需进行严格的检验。通行的检验法则是通过“失败率”来检验，将各期的收益率r与VaR进行对比，当收益率超过VaR时记为失败，此时记1，否则记0。若考察实际天数为T，失败天数为N，则失败率p=N/T，然后将p与显著性水平a进行比较，来判定模型的准确性。若p>a，说明模型低估了风险；若p<a，表明模型的预测结果覆盖了实际的损失，但如果p太小，则表明模型估计过于保守。

三、 实证分析

1.数据选取及处理

本文选取2009年1月5日—2010年6月2日为样本期，以人民币/美元汇率中间价为研究对象，对其短期波动特性进行描述。数据来源于国家外汇管理局网站（safe.gov.cn），变量名称记为P。分析时作如下处理：，作为汇率的收益率。对数据的操作与处理及模型的估计与检验是在计量经济学软件Eviews6.0上实现的。

2.GARCH模型的估计及检验

表1给出了收益率序列的基本统计特征值，从中可以看出，收益率基本上在零上下波动，峰度显著大于3，呈现出明显的尖峰和厚尾的特征，同时根据JB统计量可知，其不服从正态分布，因此不能简单地用正态分布模拟人民币汇率收益率的变化。根据对相关图的判别，我们可初步得出收益率序列符合平稳性的特征，表2给出了对进行单位根检验的结果，在各种水平下都接受了序列平稳性的假设，表明收益率序列是平稳的。另外，由的ACF和PACF函数图像可知，可以用ARMA（2,2）模型对其进行拟合，然后对残差序列进行ARCH-LM检验，检验结果见表3半参数法，结果表明，在95%的置信水平下，拒绝原假设，收益率序列存在AHCH效应。也可用残差平方相关图检验，残差平方自相关（AC）和偏相关（PAC）系数显著不为零，且Q统计量也非常显著，可得到同样的检验结果。因此需要采用GARCH模型来准确描述收益率序列的波动性特征小论文。

表1 人民币汇率收益率序列的统计特征

 

样本容量

均值

最大值

最小值

标准差

偏度

峰度

JB-统计量

343

-2.76E-06

0.000732

-0.000731

0.000163

0.72902

假币风波范文第3篇

科技技术发展，使我们的生活发生了很大的变化。不过，这些变化并不完全朝着好的方面去发展。有时候，科技的发展也给人类带来新问题：随着科技技术的日新月异，不法分子的作案手段也越来越高级，其中有一种就是造假币。

HD90开头的假币风波刚刚落下帷幕，在我的身上却又发生了一起“假币风波”——

那是一个周末，早上我去少年宫上课，爸爸因为公司有事，便让我上课后坐出租车回家。我在少年宫的门口拦了一辆出租车，到家后，我递给司机一张10元钱的纸币，司机叔叔找了我2枚的1元硬币，我没太在意，顺手将它放进了书包里。到了晚上，我发现弹古筝用的胶布没了，便从包里拿出今早乘坐出租车剩下的钱，去药店胶布。付钱时，我拿了司机找的2枚硬币给药店的收银阿姨，但是，阿姨对我说了一句令我大吃一惊、不可思议的话语：“这两枚1元硬币是假的!”阿姨为了证实她说的话，于是，拿出另一个与我硬币图案相同的1元硬币。在灯光的照耀下，我的硬币色彩十分鲜丽，甚至还呈现了角度斜射的景象；掂起来让人感觉轻飘飘的；而阿姨的那一枚硬币，在灯光的照耀下，却得十分“稳重”。阿姨看着茫然的我，对我说：“因为这两枚假币它们的外壳是镀上去的，所以看起来颜色就比真币亮一些。还有很明显的一个漏洞——硬币的重量，两个硬币才有一个真币重，或许是因为这个原因，你才没有注意这两枚硬币！”我亲自掂了掂假币和真币，这重量明显有差距嘛！都怪自己没有留心观察，唉！

······

假币风波范文第4篇

关键词：汇率风险；动态VaR；ARMA；金融危机

一.引言

2007年美国爆发次级抵押贷款危机，导致全球经济放缓。金融风暴席卷全球，造成多个国家和地区股市震荡、金融机构破产，全球经济陷入恐慌。在经济全球化的背景中，日益开放的中国与世界经济共振。各国采取不同规模的经济刺激政策提振经济，但是由于各国经济形势不同会产生宏观调控政策上的冲突。这些都会通过一定的传导途径表现在各国之间的双边汇率上。世界主要国际货币都实行宽松货币政策，美元作为主要的国际储备与结算货币，定量宽松政策释放出巨额的流动性，表现在国际上的投机者都从软通货转向了大宗商品，资源性产品等。在目前国际货币制度（牙买加体系）里，美元没有和黄金之间的汇兑约束，不必考虑“特里芬难题”，美国为了提振自己国内的经济，美元在脱离“货币锚”这样的责任。在这样的背景下，如何更加精确地度量人民币兑美元汇率的风险，为外汇市场参与者提供参考，显得尤为迫切。

风险估值(Value at Risk,简称VaR)是一种用于测量和控制金融风险的量化工具。与传统测量工具相比,VaR的优点在于其具有简明性和综合性,将市场风险概括为一个简单的数字,便于高层管理者和监管机构理解。菲利普・乔瑞(2000)对VaR的定义可以简单表述为：在正常的市场条件下，给定的置信水平的一个持有时间内某种风险资产的最坏预期损失。VaR的概念相当简单，目前主要有三种方法度量：正态分布假定下的方差-协方差方法、历史模拟法（Historical Simulation）和蒙特卡罗模拟法（Monte Carlo Simulation）。由于股票日收益率数据的经验分布一般存在尖峰、厚尾和聚集性特征，而且收益率序列的条件方差还可能存在杠杆效应，因此用正态分布假定下的方差-协方差方法和历史模拟法估算VaR存在一定的局限性。根据以往的理论，金融时间序列具有异方差的特性,国内外很多学者运用自回归条件方差模型(Auto-regressive Conditional Heteroskedastic Model,简称ARCH模型) 进行VaR 的计算和预测。在国外,这方面的文献有以ARCH 类模型为基础来计算金融资产VaR的文献有Billio和Pelizzon(2000)Vari和Sosa(2000),Guermat和Harris(2002)等。在国内,邱沛光(2004)将GARCH 模型( Generalized ARCH Model) 应用于VaR计算,并对上交所的收盘指数进行了实证分析; 胡月辉和叶俊(2004) 将GARCH-M模型用于VaR的计算,并对上交所的6个指数进行了实证分析;阎海岩(2006)将ARCH类模型用于讨论中国股市的波动性研究;龚妮(2006)将GARCH模型与VaR方法相结合讨论了其在外汇风险度量中的应用。刘瑾和施建淮(2008)假设不同分布下，基于GARCH模型的VaR方法度量了汇率风险；王德全(2009)运用GARCH与VaR模型的结合度量了人民币兑多种国际货币的汇率的风险。这些文献一般都证明了用ARCH类模型计算的波动率能比较好地拟合实际情况。但是上述度量汇率风险的模型，并没有考虑汇率时间序列的“结构变化”，也没有对汇率序列分段建模，从而影响模型的精确度。

本文以2007年4月2日美国第二大抵押贷款公司――新世纪金融公司申请破产保护的日期为始，从人民币兑美元汇率的基本统计特征出发,构建能够衡量人民币兑美元汇率风险特性的模型，旨在为金融机构、监管部门以及投资者规避汇率险提供决策依据和理论参考。

二.理论计量模型

(一) VaR计算的基本原理

VaR(Value at Risk)即“风险价值”，其含义指：在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。

如果假设资产或资产组合的初始价值为W0，收益率r的期望值为E（r），给定一定置信水平α，则资产组合的VaR可以被定义为资产或资产组合的预期价值与最低价值之差：

VaR=Wo（E（r）-rα）（1）

假设初始价值W0=1，上式变为

VaR=E（r）-rα （2）

根据（2）式计算的VaR相当于用收益率表示的相对损失，不妨称之为收益率VaR。

根据上述定义，假设收益率r的概率分布为P，只要计算出收益率的期望值E（r），并用P(r>rα)=1-α计算出置信水平α下的最小收益率rα，就可以计算出收益率VaR。

正态分布的方差-协方差方法假设收益率为正态分布，比如假设收益率r～N(μ，α2t)，通过计算标准正态分布的上分位点Zα，相应于置信水平a的rα，也即：rα=-zασ■+μ，从而可以得到:

VaR=E（r）-rα=Zασ■（3）

由以上分析可知，度量汇率风险的VaR模型主要估计两个变量――波动率与分位数。

（二）GARCH类模型

一般的GARCH（p，q）模型条件均值方程和条件方差方程组成，可以表示为：

（4）

（5）

在金融应用中，人们很自然地会假定资产的预期收益率与资产预期风险是成比例的，即通常所说的风险越大，收益越大，所以人们将条件方差或条件标准差作为外生变量或前定变量引入到均值方程中。即：

（6）

式（5）和式（6）组合在一起被称为GARCH-M(p，q)模型。

Nelson于1991年提出了指数GARCH（Exponential GARCH, 简称EGACH）模型，可以解决实际金融价格运动存在杠杆效应(leverage effect)，来捕捉这种对正负干扰反应的不对称性，以更准确刻画股票的波动性：

（7）

EGARCH模型中条件方差采用了自然对数，意味着σt非负，且杠杆效应是指数型的；模型的另一个重要特征就在于引入一个参数γ，若γ≠0，说明信息作用非对称。当γ＜0时，则杠杆效应显著，即股市受负冲击要比正的冲击引起更大的波动，具有杠杆效应。

（三）分位数的估计

计算VaR还有一个分布问题要考虑，通常的模型假设残差服从正态分布，但在实际应用中，收益序列常常存在着尖峰、厚尾性，即回报率分布的峰度比标准正态分布的峰度高。由于金融时间序列的尖峰、厚尾性，计算VaR时应该考虑用于描述尾部特征的t分布、广义误差分布(Generalized Error Distribution ,GED分布)。

其分布密度函数分别为：

（四）VaR准确性的检验

VaR模型的准确性检验是指VaR模型的测量结果对实际损失的覆盖程度。例如，假定给出了95%置信度下的VaR，则VaR模型的准确性是指实际损益结果超过VaR的概率是否小于5%。VaR模型的准确性有多种表示形式，因此其检验方法也有多种，一个通行的方法是Kupiec(1995)提出的失败频率检验法。他假定VaR估计具有时间独立性，实际损失超过VaR的估计记为失败，实际损失低于VaR的估计记为成功，则失败观察的二项式结果代表了一系列独立的贝努里试验，失败的期望概率为p*=1-c(c为置信度)。假定计算VaR的置信度为C，实际考察天数为T，失败天数为N，则失败频率为p（N/T）。零假设为p=p*。这样对VaR模型准确性的评估就转化为检验失败频率P是否显著不同于P*。Kupiec提出了对零假设最合适的检验是似然比率检验：

在零假设条件下，统计量LR服从自由度为1的x2分布。

三.实证分析

（一）样本数据及预处理

数据选取2007年4月2日至2010年9月30日美元兑人民币汇率每个外汇交易日的日汇率，共计914个样本观测值。数据来源于锐思数据库。对原始数据进行预处理：对美元/人民币汇率的时间序列yt变量取对数(用lnyt表示)，然后再进行一阶差分rt=lnyt-lnyt-1,rt即为美元/人民币汇率日收益率。数据处理采用时间序列分析软件Eviews6.0。收益率的时间序列图如下

观察图1，可以看出美元/人民币汇率存在明显的断层点（breakpoint）：2007年4月至2009年9月，汇率波动比较剧烈；而2009年9月至2010年10月，汇率波动比较平稳。为此，我们应该考虑分段建模，分别对2007年4月2日至2009年9月1日和2009年9月2日至2010年9月30日建立模型，以求提高模型的精度。为分析方便，以下分别称为第一阶段模型与第二阶段模型。

（二）第一阶段模型分析

建立动态VaR模型以测度汇率风险之前，需要检验汇率收益率序列的正态性、平稳性、自相关性和条件异方差性。通过检验，判断该序列为非正态的平稳序列，存在自相关和条件异方差现象，需要用ARMA（m，n）模型建立均值方程来消除汇率收益率序列的自相关性，用GARCH（p，q）模型来刻画条件异方差性。

首先按照AIC准则和SC准则以及残差的序列相关性LM检验结果，反复测算后，ARMA（2，1）可以有效消除序列相关性。其次，根据z检验统计量、AIC准则、SIC准则进行模型最优阶数的判别，判断滞后阶数（p，q）为(1,1),所以GARCH类模型军为GARCH（1,1）。

运用Eviews6.0在不同假设下对GARCH族模型进行拟合分析，进而选择最优的GARCH模型估计VaR。估计结果见表1、表2、表3。

。

从表1估计的结果来看，GARCH(1,1)-n、EGARCH(1,1)-n模型的参数在5%显著性水平下均显著。对各估计模型的残差分别做序列相关性Ljing-Box检验和异方差效应的LM检验,发现其序列相关性和条件异方差现象均得到有效消除,所以上述各模型均能够较好地反映汇率序列的自相关性和异方差现象, 进而准确地估计汇率的波动特性。表2在残差服从t分布的假设下，各模型的多数参数在在5%显著性水平下均不显著，说明这段时间的收益率序列并不服从t分布。而表3的结果表明GARCH(1,1)-GED模型估计参数显著，而且残差序列不存在异方差效应，适于估计收益率序列的波动性。

基于以上分析，我们选择GARCH(1,1)-n、EGARCH(1,1)-n、GARCH(1,1)-GED三种模型来拟合美元兑人民币汇率的条件方差,进而计算VaR值。运用Eviews6.0求取上述三种各模型的条件均值和条件方差的向前1步预测值r^t（1）和σ^t（1），并计算各波动率序列的日均VaR值。在样本区间内实际损失超过VaR的天数和为失败天数，进一步计算LR统计量并进行模型预测能力的检验。

表4是各模型估计的VaR均值和标准差以及用返回测试方法得到的结果，包括失败天数、失败率及其似然比统计量LR。

在Eviews里面可同多命令scalar m=@qchisq(p,v)来求卡方分布的分位数，其中p为置信度，v为自由度。此处自由度为1，求得置信水平1%的临界值为6.63；置信水平为5%的临界值为3.84。根据表4而得到的LR统计量可以看出，模型EGARCH(1,1)-n优于GARCH(1,1)-n，但是都在拒绝域中，说明这两个模型都低估了汇率风险。因为此处假设的是正态分布，不能捕捉到汇率收益率的厚尾特征。GARCH(1,1)-GED的LR统计量在接受域中，可以很好的衡量汇率风险，所以这段时间衡量汇率风险的最有模型是基于GARCH(1,1)-GED的VaR模型。

（三） 第二阶段模型分析

通过对2009年9月2日至2010年9月30日汇率收益率的相关性分析，经过反复失算，建立ARMA(2,1)模型，可以对收益率序列实现很好的模拟。然后对残差序列做Q检验，发现在5%显著性水平下，残差项序列的自相关系数整体不显著；对残差做异方差效应的LM检验，发现残差序列不存在显著ARCH效应。

从表6的估计结果和库柏检验结果可知，由ARMA(2,1)所得的标准差，进而计算出的VaR值在1%、5%显著性水平下通过检验。

四．结论

假币风波范文第5篇

好买基金数据显示，作为较早成立的货币基金，易方达货币B类份额开通以来，大部分时间都进入同类前1/2，2009年、2011年以及2012年以来全部进入同类前1/4，过去三年、过去两年、过去一年收益率全部名列前茅。现任基金经理马喜德从2008年7月就开始管理该基金，期间15.68%的任职回报，跑赢同类平均2.28%。

对于成立时间长、规模较大、业绩相对稳定的货币基金，投资者应该重点关注。投资规模较大的B类份额投资者，在选择货币基金时需要衡量哪些因素呢？

大规模基金更抗风险

在易方达固定收益首席投资官马骏看来，选择货币基金有三大因素需要考虑，首先要关注的是规模。

“严格意义上来说，货币市场基金是现金管理工具，不能寄望这类产品能带来非常高的回报，从这个意义上来说规模是第一位的。”马骏认为。

由于货币市场基金多投资于银行间市场的短期货币市场工具，采取的主要方式是议价，即一对一的价格谈判方式，通常是资金量较大的价格谈判能力较强。

因此，理论上货币基金规模越大，越利于基金经理的价格谈判，而实际上，对于机构投资者来说，规模大也可以保证基金有较好的流动性。

截至2012年三季度末，易方达货币在货币基金中规模居前。规模大的货币基金，面对相同规模的申购赎回，对基金组合的收益冲击更小。

流动性管理能力强

马骏认为，选择货币基金第二个应该重点关注的因素是流动性管理。

“要应对规模的波动，基金的流动性管理能力很重要。就像每季末、年末、半年末等特殊时点，市场利率波动很大，投资者申赎规模波动很大，这时候要看基金能不能应对流动性的冲击。如果能力表现突出，会得到投资者的认可。”

从易方达货币基金的过往业绩表现来看，即使季末、年末等特殊时点规模波动较大，但其业绩表现仍然非常稳定。这说明，易方达货币基金的流动性管理能力很强。

此外，截至2012年三季度末，易方达货币投资组合平均剩余期限为96天，在货币基金中处于中等位置。从收益角度看，剩余期限较长的货币基金收益可能较高。但持有期限较长的债券，面临的利率风险和流动性风险较大。因而在剩余期限的考核上，要兼顾流动性、利率风险和收益率。

所谓剩余期限，指货币基金持有的投资组合平均到期日的天数，货币基金的剩余期限在每个交易日均不能超过180 天。

易方达货币剩余期限适中，资产类别配置合理，得益于基金经理良好的管理能力。该基金三季报表示，基金投资类属配置将以存款、回购、金融债和信用相对较好的短期融资券为主，追求相对稳定的投资收益。

业绩突出 稳定性强

随着年底市场资金面收紧，部分货币基金的收益率又开始吸引众人的眼球。投资者该怎么看待高收益？

马骏强调的第三个因素，正是持续稳定的业绩，要看长期、中期、短期各个阶段中基金表现是否稳定。银河证券数据显示，过去三个月，易方达货币B在33只货币基金B类份额中排名第三；过去一年来以4.3697%的净值增长率排名第六；过去两年、三年中以8.5717%、10.666%的净值增长率在B类份额中均排名第四。

不过，马骏也表示，“不能寄希望于通过资产的变现、浮盈的变现，短时间内给一个很高的万份收益，拉高7日年化收益率来吸引客户，要靠持续稳定的配置能力来给客户一个稳定的万份收益率。”

虽然目前研究机构和代销机构向投资者介绍货币基金时，多以“7日年化收益率”作为依据，但实际上货币基金的年化收益率常常出现很大波动，有的基金并不能一直维持买入时候的收益率水平，因此专业投资者更加看重基金收益的稳定性。

易方达货币基金经理马喜德也认为，7日年化收益率是一个用来平滑表示货币市场基金收益率的指标，但是该指标有利也有弊，好处在于该指标的波动性比日万份收益更小一点，坏处在于当日的7日年化收益率会受到前几日该基金已实现收益的影响。对于精明的投资者来说，关注7日年化收益率的同时会更关注每日万份收益，然后将日万份收益乘以365，就是当前货币市场基金的实际收益率。

专业投资者还会关注节假日期间的每日万份收益，因为节假日期间基金管理者无法对货币市场基金的收益进行调整，节假日的万份收益能反映出该基金组合静态收益率的高低。由于周六日的万份收益一般会合并公布，因此将周六日的万份收益除以2，再乘以365，就是该货币市场基金投资组合最真实的静态收益率。