关于CAPM的实证检验
关于检验CAPM模型的实验报告
一、数据选取
1、10只股票分别是：东风汽车；海信电器；林海股份；包钢稀土；兖州煤业；延长化建；江西铜业；中铁二局；海螺水泥；浦发银行
2、选取这十只股票2010年1月1日至2010年12月31日，每个交易日的收盘价
3、选取了2010年1月1日至2011年12月31日，,每个交易日的上证综合指数
4、选取2010年个人活期存款年利率
二、原理
1、利用每日收盘价算出股票日收益率
2、利用每日上证指数算出市场日收益率
3、用个人活期存款利率代替市场无风险利率
4、基于CAPM模型：个股收益率=无风险收益率+贝塔系数*（市场风险收益率-无风险收益率），
即：个股收益率-无风险收益率=贝塔系数*（市场风险收益率-无风险收益率）
即个股风险溢价=贝塔系数*市场风险溢价
三、公式
日平均收益率=LN()-LN()
四、数据计算。
计算选出的10只股票的超额回报率和市场超额回报率，将市场超额回报率与个股超额回报率逐个回归，求出每只股票的贝塔系数。
部分数据截图：
1、东方汽车
Dependent Variable: GPCEHBL
Method: Least Squares
Date: 12/22/11 Time: 00:08
Sample (adjusted): 1 240
Included observations: 240 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.001589 0.001413 -1.124937 0.2617
SCCEHBL 0.084694 0.098860 0.856710 0.3925
R-squared 0.003074 Mean dependent var -0.001653 Adjusted R-squared -0.001114 S.D. dependent var 0.021847 S.E. of regression 0.021859 Akaike info criterion -4.800087 Sum squared resid 0.113723 Schwarz criterion -4.771082 Log likelihood 578.0105 F-statistic 0.733951 Durbin-Watson stat 1.889569 Prob(F-statistic) 0.392467
回归可得：东风汽车的贝塔系数是0.084694
2、海信电器
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:16
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.002521 0.002283 -1.104389 0.2705
SCCE 1.340584 0.159818 8.388201 0.0000
R-squared 0.227442 Mean dependent var -0.003457 Adjusted R-squared 0.224210 S.D. dependent var 0.040184 S.E. of regression 0.035393 Akaike info criterion -3.836317 Sum squared resid 0.299394 Schwarz criterion -3.807398 Log likelihood 464.2762 F-statistic 70.36191 Durbin-Watson stat 2.075267 Prob(F-statistic) 0.000000
回归可得：海信电器的贝塔系数是1.340584
3、林海股份
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:21
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001685 0.001625 1.037128 0.3007
SCCE 1.077793 0.113761 9.474206 0.0000
R-squared 0.273027 Mean dependent var 0.000932 Adjusted R-squared 0.269985 S.D. dependent var 0.029487 S.E. of regression 0.025194 Akaike info criterion -4.516191 Sum squared resid 0.151697 Schwarz criterion -4.487272 Log likelihood 546.2011 F-statistic 89.76058 Durbin-Watson stat 1.778067 Prob(F-statistic) 0.000000
回归可得：林海股份的贝塔系数是1.077793
4、包钢稀土
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:25
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.004466 0.002054 2.173610 0.0307
SCCE 0.995467 0.143842 6.920551 0.0000
R-squared 0.166940 Mean dependent var 0.003770 Adjusted R-squared 0.163454 S.D. dependent var 0.034829 S.E. of regression 0.031855 Akaike info criterion -4.046953 Sum squared resid 0.242530 Schwarz criterion -4.018034 Log likelihood 489.6578 F-statistic 47.89402 Durbin-Watson stat 1.983845 Prob(F-statistic) 0.000000
回归可得：宝钢稀土的贝塔系数是0.995467
5、兖州煤业
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:28
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001918 0.001274 1.505803 0.1334
SCCE 1.695326 0.089193 19.00739 0.0000
R-squared 0.601853 Mean dependent var 0.000734 Adjusted R-squared 0.600187 S.D. dependent var 0.031239 S.E. of regression 0.019753 Akaike info criterion -5.002781 Sum squared resid 0.093251 Schwarz criterion -4.973862 Log likelihood 604.8352 F-statistic 361.2809 Durbin-Watson stat 1.787795 Prob(F-statistic) 0.000000
回归可得：兖州煤业的贝塔系数是1.695326
6、延长化建
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:30
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000643 0.001964 0.327440 0.7436
SCCE 1.474246 0.137485 10.72294 0.0000
R-squared 0.324823 Mean dependent var -0.000387 Adjusted R-squared 0.321998 S.D. dependent var 0.036978 S.E. of regression 0.030448 Akaike info criterion -4.137352 Sum squared resid 0.221567 Schwarz criterion -4.108433 Log likelihood 500.5509 F-statistic 114.9814 Durbin-Watson stat 1.932363 Prob(F-statistic) 0.000000
回归可得：延长化建的贝塔系数是1.474246
7、江西铜业
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:33
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001535 0.001344 1.141867 0.2547
SCCE 1.648272 0.094117 17.51292 0.0000
R-squared 0.562032 Mean dependent var 0.000384 Adjusted R-squared 0.560200 S.D. dependent var 0.031430 S.E. of regression 0.020843 Akaike info criterion -4.895299 Sum squared resid 0.103833 Schwarz criterion -4.866379 Log likelihood 591.8835 F-statistic 306.7023 Durbin-Watson stat 2.084239 Prob(F-statistic) 0.000000
回归可得：江西铜业的贝塔系数是1.648272
8、中铁二局
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:35
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.000682 0.001076 -0.634435 0.5264
SCCE 1.219860 0.075314 16.19703 0.0000
R-squared 0.523281 Mean dependent var -0.001534 Adjusted R-squared 0.521287 S.D. dependent var 0.024106 S.E. of regression 0.016679 Akaike info criterion -5.341060 Sum squared resid 0.066488 Schwarz criterion -5.312141 Log likelihood 645.5978 F-statistic 262.3439 Durbin-Watson stat 2.300445 Prob(F-statistic) 0.000000
回归可得：江西铜业的贝塔系数是1.219860
9、海螺水泥
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:39
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.001573 0.003056 -0.514742 0.6072
SCCE 0.771927 0.213932 3.608282 0.0004
R-squared 0.051661 Mean dependent var -0.002112 Adjusted R-squared 0.047693 S.D. dependent var 0.048550 S.E. of regression 0.047378 Akaike info criterion -3.253069 Sum squared resid 0.536469 Schwarz criterion -3.224149 Log likelihood 393.9948 F-statistic 13.01970 Durbin-Watson stat 1.948307 Prob(F-statistic) 0.000375
回归可得：海螺水泥的贝塔系数是0.771927
10、浦发银行
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 00:41
Sample (adjusted): 1 241
Included observations: 241 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.001534 0.001413 -1.086011 0.2786
SCCE 1.134370 0.098922 11.46731 0.0000
R-squared 0.354924 Mean dependent var -0.002327
Adjusted R-squared 0.352225 S.D. dependent var 0.027219
S.E. of regression 0.021907 Akaike info criterion -4.795721
Sum squared resid 0.114704 Schwarz criterion -4.766801
Log likelihood 579.8844 F-statistic 131.4992
Durbin-Watson stat 2.145820 Prob(F-statistic) 0.000000
回归可得：海螺水泥的贝塔系数是0.771927
五、用所选取的10只股票的贝塔系数，与所选取的10只股票的日平均回报率进行回归。
用EVIEVS回归得：
Dependent Variable: GPCE
Method: Least Squares
Date: 12/22/11 Time: 01:40
Sample: 1 10
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
C -0.001335 0.001904 -0.701334 0.5030
BT 0.000766 0.001549 0.494184 0.6345
R-squared 0.029623 Mean dependent var -0.000459
Adjusted R-squared -0.091674 S.D. dependent var 0.002097
S.E. of regression 0.002191 Akaike info criterion -9.232382
Sum squared resid 3.84E-05 Schwarz criterion -9.171865
Log likelihood 48.16191 F-statistic 0.244218
Durbin-Watson stat 1.424028 Prob(F-statistic) 0.634459
由表可得股票的风险溢价=0.000766*贝塔系数-0.001335，系数约=0，且调整平方和太小。通过检验得贝塔系数与日平均回报率的关系不显著，未通过检验。
用spss分析得：
从散点图来看，贝塔系数和股票风险溢价的线性关系不显著。
2、SPSS双变量分析
3、SPSS线性回归分析
从SPSS分析中可以看出，贝塔系数和股票风险溢价相关性不显著，属于弱相关。因为P值=0.701>0.05,接受原假设，即可以认为贝塔系数和股票风险溢价并无显著性相关关系。
综上资本资产定价模型CAPM在中国适用性并不显著。
六、关于CAPM的思考。
任何经济模型都是对复杂经济问题的有意简化，CAPM也不例外，它的核心假设是将证券市场中所有投资人视为看出初始偏好外都相同的个人，并且资本资产定价模型是在Markowitz均值——方差模型的基础上发展而来，它还继承了证券组合理论的假设。具体来说包括以下几点：证券市场是有效的，即信息完全对称；无风险证券存在，投资者可以自由地按无风险利率借入或贷出资本；投资总风险可以用方差或标准差表示，系统风险可用β系数表示。所有的投资者都是理性的，他们均依据马科威茨证券组合模型进行均值方差分析，作出投资决策；证券加以不征税，也没有交易成本，证券市场是无摩擦的，而现实中往往根据收入的来源（利息、股息和收入等）和金额按政府税率缴税。证券交易要依据交易量的大小和客户的自信交纳手续费、佣金等费用；除了上述这些明确的假设之外。还有如下隐含性假设：每种证券的收益率分布均服从正态分布；交易成本可以忽略不计；每项资产都是无限可分的，这意味着在投资组合中，投资者可持有某种证券的任何一部分。
资本资产定价理论认为，一项投资所要求的必要报酬率取决于以下三个因素：（1）无风险报酬率，即将国债投资（或银行存款）视为无风险投资；（2）市场平均报酬率，即整个市场的平均报酬率，如果一项投资所承担的风险与市场平均风险程度相同，该项报酬率与整个市场平均报酬率相同；（3）投资组合的系统风险系数即β系数，是某一投资组合的风险程度与市场证券组合的风险程度之比。CAPM模型说明了单个证券投资组合的期望受益率与相对风险程度间的关系，即任何资产的期望报酬一定等于无风险利率加上一个风险调整后者相对整个市场组合的风险程度越高，需要得到的额外补偿也就越高。这也是资产定价模型（CAPM）的主要结果。
CAPM理论的主要作用。CAPM理论是现代金融理论的核心内容，他的作用主要在于：通过预测证券的期望收益率和标准差的定量关系来考虑已经上市的不同证券价格的“合理性”；可以帮助确定准备上市证券的价格；能够估计各种宏观和宏观经济变化对证券价格的影响。
由于CAPM从理论上说明在有效率资产组合中，β描述了任一项资产的系统风险（非系统风险已经在分化中相互抵消掉了），任何其他因素所描述的风险尽为β所包容。并且模型本身要求存在一系列严格的假设条件，所以CAPM模型存在理论上的抽象和对现实经济的简化，与一些实证经验不完全符合，但它仍被推崇为抓住了证券市场本质的经典经济模型。鉴于CAPM的这些优势，虽然我国股市和CAPM的假设条件有相当的差距，但没有必要等到市场发展到某种程度再来研究CAPM在我国的实际应用问题，相反，充分利用CAPM较强的逻辑性、实用性，通过对市场的实证分析和理论研究，有利于发现问题，推动我国股市的发展。
七、实验反思
以上是我通过网络资源，获取数据，然后对数据进行分析和归纳，得到的分析报告。我采用不同的数据分析方法，对采集到的数据进行了全方位、多角度的分析。
总的来说，本次的分析工作顺利得以完成，但是存在着很多的不足。
首先，股票的选取上，我选的股票比如东风汽车，并不能很好的反映市场的
变化，或者说其对股市的影响着实有限。
再者，我在做分析的时候，对SPSS和EVIEWS的使用还不是很熟练。导致我在做分析的时候，走很多弯路。而且我对理论的掌握也不是很到位，很多分析的目的还不是很明确。这就对我学习提出了新的要求，要加强理论学习，用正确的理论指导实践。
最后，由于我知识水平有限，分析不够缜密，希望老师及同学们能多多指点。在今后的人生道路中，我将善于学习，勤于思考，乐于总结，不断进步。
《关于检验CAPM模型在中国的适用性》
实
验
报
告
江威
09094163
金融09-3班
对中国经济增长影响因素的实证分析
影响中国经济增长因素的实证分析 学院：经济学院 专业：金融 教学号：21140731 ：王月
影响中国经济增长因素的实证分析 摘要：改革开放以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目，已成为世界第二大经济体，仅次于美国。本文根据计量经济学、中级宏观经济学、Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1985年-2015年三十多年间中国经济增长因素进行研究，分析了居民消费价格指数、固定资产投资、公共预算支出、进出口总额对国生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。 关键词：CPI、GDP、投资、预算支出、进出口、经济增长 一、研究的目的要求 （一）经济增长理论 经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值和国生产总值（GDP）的增长来计算。经济增长是经济学研究的永恒主题。古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。 （二）影响因素的分析 在曼昆中级宏观经济学第七版中指出，国民收入核算把GDP分为四大类支出：消费（C）、投资（I）、政府购买（G）、净出口（NX）。用Y代表GDP有，Y=C+I+G+NX。 从公式可知，GDP主要受这四方面影响，因此本文用公共预算支出衡量一部分
政府购买，用全社会固定资产投资总额衡量投资。居民消费需求也是经济增长的主导因素。经济增长问题既受各国政府和居民的关注也是经济学理论研究的一个重要方面。在过去的几十年里,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。但是,我国目前仍然面临消费需求不足问题。因此,研究消费需求对经济增长的影响,并对我国消费需求对济增长的影响程度进行实证分析，可以更好的理解消费对我国经济增长的作用。所以，选取了CPI物价指数来进行进一步分析。同时随着对外经济加强，进出口贸易已成为中国经济重要组成部分，所以进出口额也是值得分析的因素。 二、模型设定与参数设计 （一）数据的收集 中国经济增长影响因素模型时间序列表
关于CAPM的实证检验
关于检验CAPM模型的实验报告 一、数据选取 1、10只股票分别是：东风汽车；海信电器；林海股份；包钢稀土；兖州煤业；延长化建；江西铜业；中铁二局；海螺水泥；浦发银行 2、选取这十只股票2010年1月1日至2010年12月31日，每个交易日的收盘价 3、选取了2010年1月1日至2011年12月31日，,每个交易日的上证综合指数 4、选取2010年个人活期存款年利率 二、原理 1、利用每日收盘价算出股票日收益率 2、利用每日上证指数算出市场日收益率 3、用个人活期存款利率代替市场无风险利率 4、基于CAPM模型：个股收益率=无风险收益率+贝塔系数*（市场风险收益率-无风险收益率）， 即：个股收益率-无风险收益率=贝塔系数*（市场风险收益率-无风险收益率） 即个股风险溢价=贝塔系数*市场风险溢价 三、公式 日平均收益率=LN()-LN() 四、数据计算。 计算选出的10只股票的超额回报率和市场超额回报率，将市场超额回报率与个股超额回报率逐个回归，求出每只股票的贝塔系数。 部分数据截图：
1、东方汽车 Dependent Variable: GPCEHBL Method: Least Squares Date: 12/22/11 Time: 00:08 Sample (adjusted): 1 240 Included observations: 240 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C -0.001589 0.001413 -1.124937 0.2617 SCCEHBL 0.084694 0.098860 0.856710 0.3925 R-squared 0.003074 Mean dependent var -0.001653 Adjusted R-squared -0.001114 S.D. dependent var 0.021847 S.E. of regression 0.021859 Akaike info criterion -4.800087 Sum squared resid 0.113723 Schwarz criterion -4.771082 Log likelihood 578.0105 F-statistic 0.733951 Durbin-Watson stat 1.889569 Prob(F-statistic) 0.392467 回归可得：东风汽车的贝塔系数是0.084694
上市公司信用评估方法的比较分析——基于KMV模型和ZPP模型
目录 第一章绪论 (1) 1.1选题背景 (1) 1.2选题目的及意义 (2) 1.3研究思路 (3) 1.4研究方法 (4) 1.5论文框架 (5) 第二章信用风险模型研究现状及相关理论 (6) 2.1文献综述 (6) 2.1.1关于信用风险模型的国外研究 (6) 2.1.2关于信用风险模型的国内研究 (8) 2.1.3文献综述小结 (9) 2.2KMV模型和ZPP模型相关理论 (10) 2.2.1KMV模型 (10) 2.2.2ZPP（Zero-Price Probability)模型 (12) 2.2.3KMV模型与ZPP模型的比较 (14) 第三章上市公司信用风险实证研究 (16) 3.1样本选取 (16) 3.2实证过程及结果 (17) 3.2.1KMV模型的实证分析 (17) 3.2.2ZPP模型的实证分析 (20) 3.3实证结果小结 (26) 第四章KMV模型与ZPP模型实证结果的比较分析 (27) 4.1ROC曲线的绘制及比较 (27) 4.2AUC值的比较 (28) 4.3假设检验 (29) 第五章结论与展望 (31) 5.1研究结论 (31)
5.2本文创新点 (32) 5.3研究不足及展望 (32) 参考文献 (34) 攻读学位期间的研究成果 (37) 附录 (38) 致谢 (45) 学位论文独创性声明、学位论文知识产权权属声明 (46)
第一章绪论 第一章绪论 1.1选题背景 随着中国经济与世界经济的逐步接轨，中国资本市场的发展在经济全球化的浪潮下迅速上升到了一个新高度。不断扩大的企业规模、不断增长的资金需求、多元化的消费形式等，这些都为我国国民经济实力的增强、金融领域的创新、国际竞争力的提高、科技和社会的进步提供了强大的推动力。在新兴市场中，中国资本市场毫无疑问已经成为了“领头羊”，在世界经济循环体系中发挥着重要的作用。然而伴随着中国经济的日益开放，金融风险的不确定性问题日益突出，其中信用风险由于其普及性及复杂性在众多风险中愈来愈受到金融市场各方的广泛关注。 信用风险涉及经济社会的方方面面，从融资到信贷、从资本运营到现金周转，一旦发生违约，基本金融体系内的所有的相关机构都会受到波及和影响，不仅造成国家和地区的经济损失，对世界的经济也会造成一定的冲击。纵观近年来爆发的几次全球性的经济危机，无一不与信用风险息息相关。1997年的东南亚金融风暴，其导火索即是泰国国内银行在泰国经济快速增长的背景下，利用金融体制和监管的漏洞，无视信用风险，无抵押向房地产业大量贷款，造成大量银行坏账呆账，进而造成泰铢严重贬值、银行疯狂挤兑，最终爆发金融危机。不仅是泰国，菲律宾、马来西亚、韩国、印尼、日本等国家都因此遭到了严重的打击，许多银行和证券公司纷纷宣布破产，众多公司倒闭，整个社会的投资和消费均迅速萎缩。2008年爆发的全球经济危机，很大一部分原因也是美国在上一年爆发的房屋次贷危机所引起的。因为投资者对证券价值信心的丧失，造成了短期内的市场流动性困难，进一步导致资金短缺，从而发生信用违约，最终恶化成为了国际金融海啸。这场金融危机使得世界无论是发达国家还是发展中国家都受到了不可避免的经济损失，全球性经济低迷、失业率居高不下、通货膨胀率剧增、产业增速放缓、贸易额疯狂下跌，无论是股票市场、债券市场、房地产市场、银行还是实体产业，都受到了不同程度的冲击。2009年由于主权债务评级的下调，希腊债务问题逐渐开始显现。由于希腊政府收支严重不平衡，希腊政府财政赤字持续飙升。在该年的第一季度，希腊财政收入与去年同期相比下降了0.1%，但支出与去年同期相比却增长了23.1%，财政收入不增反降导致希腊政府财政赤字在GDP的占比远高于欧盟上限，最终牵一发而动全身导致了整个欧洲债务危机的全面爆发。重债国由边缘化开始核心化，银行存贷比急剧降低，融资压力攀升，不仅在经济方面造成了全球的动荡，在政治方面也引发了相应的社会危机。 可见，经济发展是一把双刃剑，在给社会带来丰富的财富的同时也蕴含了巨大 1
对CAPM模型地详细情况情况总结
关于CAPM模型的总结 资产定价理论是关于金融资产的价格决定理论，这些金融资产包括股票、债券、期货、期权等有价证券。价格决定理论在金融理论中占有重要的地位，定价理论也比较多，以股票定价为例，主要有：1.内在价值决定理论。这一理论认为，股票有其内在价值，也就是具有投资价值。分析股票的内在价值，可以采用静态分析法，从某一时点上分析股票的内在价值。一般可以用市盈率和净资产两个指标来衡量；也可以采取动态分析法。常用的是贴现模型。贴现模型认为股票的投资价值或者价格是股票在未来所产生的所有收益的现值的总和。2.证券组合理论。现代证券组合理论最先由美国经济学者Markowitz教授创立，他于1954年在美国的《金融》杂志上发表了一篇文章《投资组合选择》，提出了分散投资的思想，并用数学方法进行了论证，从而决定了现代投资理论的基础。3.资本资产定价理论（Capital Assets Pricing Model，CAPM模型）。证券组合理论虽然从理论上解决了如何构造投资组合的问题，但是这一过程相当繁杂，需要大量的计算，和一系列严格的假设条件。这样就使得这一理论在实际操作上具有一定的困难。投资者需要一种更为简单的方式来进行处理投资事宜。于是资本资产定价模型就产生了。1964年是由美国学者Sharpe提出的。这个模型仍然以证券组合理论为基础，在分析风险和收益的关系时，提出资产定价的方法和理论。目前已经为投资者广泛应用。4.套利定价模型（Arbitrage Pricing Theory，APT）。1976年由Ross提出，与CAPM模型类似，APT也讨论了证券的期望收益与风险之间的关系，但所用的假设与方法与CAPM不同。CAPM可看作是APT在某些更严格假设下的特例。APT在形式上是把CAPM的单因子模型变为一个多因子模型。 本文主要就CAPM理论进行一些探讨，从几个方面对这个重要的资产定价模型进行剖析。 一．CAPM模型介绍 Sharpe在一般经济均衡的框架下，假定所有投资者都以自变量为收益和风险的效用函数来决策，导出全市场的证券组合的收益率是有效的以及资本资产定价模型（CAPM）。 CAPM的基本假定： ①投资者根据与其收益和收益的方差来选择投资组合； ②投资者为风险回避者； ③投资期为单期； ④证券市场存在着均衡状态；
(完整版)KMV模型
KMV 模型基本结构分析 11金融11 20114560 张梦晴 KMV 模型是对传统信用风险度量方法的一次重大革命，其是在现代期权定价理论上建立起来的违约预测模型，因而有许多优点。KMV 模型是现代信用风险度量模型之一。主要论述 KMV 模型基本结构，分析其优缺点，并探讨其在中国信用风险预测中的适用性。 一、基本假设条件 （1）当公司的资产价值低于一定水平时，公司就会对债权人和股东违约。借款人资产价值大于其债务价值时，借款人不会违约；反之，借款人资产价值小于其债务价值时， 借款人就会违约。与这一水平相对应的资产价值为违约点DPT （Default Point ），即公司资产价值等于负债价值的点。 （2）假设在未来给定的时期内，该公司的资产服从由资产价值的期望值与标准差（波动率）描述的某个分布，未来资产价值的均值到所需清偿公司负债的账面价值之间的距离称为为月距离，由此算出预期违约率。 （3）借款人资本结构只有所有者权益，短期债务、长期债务和可转化的优先股。 二、模型概述 假设一个违约点，降至这个违约点下，公司就会对它违约。假设公司的价值服从某种函数分布，其是什么样的分布要根据资产期望值及标准差来确定。预期违约概率（EDF ）是分三步骤来确定:第一步：计算公司的市场价值及其波动性；第二步：估算出公司的违约点、预期价值；第三步：估计预测违约概率（EDF ）。 （1）计算公司的市场价值A V 及其波动率A σ KMV 由于保密性,它们不愿公开具体的形式。我们一般用Black-Schole 公式代替函数f 。 ()()2-rt 1d e -d N D N V E ???= 式中，E :股权的市场价值； D :负债的账面价值； V :公司资产的市场价值； t :信用期限；
房地产价格影响因素实证分析
房地产价格影响因素实证分析 ——金融工程（2）谭红艳 40421104 金融工程（2） 朱 敏 40421102 一、 问题提出 房地产业是国民经济体系中的基础性、先导性行业,其运行质量直接影响到国民经济的健康发展，房地产价格问题由于与广大城镇居民的生活息息相关,因此一直是人们关注的焦点。中国从20世纪90年代开始选择市场经济的取向,中国的房地产市场也在20世纪90年代初期开始逐步形成。1991～2005年,中国房地产价格总体处于上升趋势,年均增长9.83%,远远超过同期居民可支配收入的增长率,因此,房地产价格成为人们经常诟病的主要对象。目前,国内关于房地产价格的研究大体上可以分为两类:第一类主要从微观视角出发,分析经济变量、区位变量对房地产价格变动的影响。第二类研究主要从宏观视角研究经济基本面和政策变量对房地产价格的影响。房地产价格根本上取决于房地产供给和需求，而其供给、需求又受到价格之外的诸多因素的影响，本文将从顾客需求角度，通过分析顾客需求的变化来分析其对房地产价格的影响。 二、 理论综述及模型的设定。 1. 商品房是指房地产开发企业（单位）开发建设的供出售、出租用的住宅、厂房、仓 库、饭店、度假村、写字楼、办公楼等房屋工程及其配套的服务设施。商品房的投资占房地产投资中的绝大部分，且大部分人所关注的房产价格为商品房价格，因此，我们主要研究商品房价格。即以商品房价格作为被解释变量。 2. 人均可支配收入。人均可支配收入是房地产需求的正函数，在其他因素不变时，收 入越高，需求越大，导致房价上升。人均可支配收入增长所导致的房地产需求增长表现在三个方面：一是收入的增长加快积累的增长，使得潜在购买力变成现实购买力；二是收入的增长使得消费结构发生变化，房地产成为重要的消费对象，人们会用更好的住宅来代替原有住宅；三是收入的增长导致财富增长，进而对资产需求增加，刺激投资。房地产通常被看作一种资产，特别是在通货膨胀或其他资产预期收益率较低时，房地产是良好的投机工具。即人均可支配收入可作为商品房价格研究的一个解释变量。 3. 城市化水平。城市化水平是城镇人口占总人口的比例。城市化进程的加速,迫切需要 发展房地产业,尤其是普通住宅和城市生活配套设施.城市化与房地产业之所以成为一对孪生“兄弟”,是因为住宅既是城市的功能要素,同时又是城市市民必不可少的、最昂贵的生活资料.到2001年底,我国城市人均住房建筑面积达20.8m,但也只相当于10年前中等收入国家的住房水平.世界各国的经验表明,一个国家在进入城市化加速发展阶段后,在人均住房建筑面积达到30～35m 前,该国将保持较为旺盛的住房需求.因此,城市化的进程无疑会影响到我国房地产的价格。对每年城市化水平的衡量，我们用该年城镇人口比上总人口数来衡量，作为商品房价格的第二个解释变量。 因此，我们可以设定初始模型： t 22110t X X Y μβββ+++= 其中，t Y 表示商品房价格，1X 表示人均可支配收入，2X 表示城市化水平
KMV模型
KM 模型基本结构分析 11金融11 20114560 张梦晴 KMV 模型是对传统信用风险度量方法的一次重大革命，其是在现代期权定价理论上建立起来的违约预测模型，因而有许多优点。KMV 模型是现代信用风险度量模型之一。主要论述 KMV 模型基本结构，分析其优缺点，并探讨其在中国信用风险预测中的适用性。 一、基本假设条件 （1）当公司的资产价值低于一定水平时，公司就会对债权人和股东违约。借款人资产价值大于其债务价值时，借款人不会违约；反之，借款人资产价值小于其债务价值时， 借款人就会违约。与这一水平相对应的资产价值为违约点DPT （Default Point ），即公司资产价值等于负债价值的点。 （2）假设在未来给定的时期内，该公司的资产服从由资产价值的期望值与标准差（波动率）描述的某个分布，未来资产价值的均值到所需清偿公司负债的账面价值之间的距离称为为月距离，由此算出预期违约率。 （3）借款人资本结构只有所有者权益，短期债务、长期债务和可转化的优先股。 二、模型概述 假设一个违约点，降至这个违约点下，公司就会对它违约。假设公司的价值服从某种函数分布，其是什么样的分布要根据资产期望值及标准差来确定。预期违约概率（EDF ）是分三步骤来确定:第一步：计算公司的市场价值及其波动性；第二步：估算出公司的违约点、预期价值；第三步：估计预测违约概率（EDF ）。 （1）计算公司的市场价值A V 及其波动率A σ KMV 由于保密性,它们不愿公开具体的形式。我们一般用Black-Schole 公式代替函数f 。 ()()2-rt 1d e -d N D N V E ???= 式中，E :股权的市场价值； D :负债的账面价值； V :公司资产的市场价值； t :信用期限；
中国进口贸易影响因素的实证分析.
中国进口贸易影响因素的实证分析 改革开放以来，我国经济实现了持续的快速增长，从1978年—2000年国内生产总值(GDP)按可比价格计算增长6.4倍，年均增长高达9.5%。与此同时，进口增长也保持了强劲的势头，进口额从1978年的108.9亿美元增加到2000年的2251.0亿美元，增长19.7倍，同期我国在世界贸易中的排名由第30位上升到了前10名。在我国改革开放的过程中，进口贸易为我国经济的持续发展发挥了重要的作用，随着我国加入WTO，我国非关税壁垒的种类和范围将逐渐缩小以至取消，进口关税率将逐渐地降低，最终与国际接轨，我国在进口体制方面将发生显著的变化，而进口贸易在我国未来经济的发展中的作用和地位将更加重要。因此，影响中国进口贸易因素问题是一个非常现实而值得深入研究的问题，对它的研究能为我国进口贸易政策的制定提供有益的定量依据。对这一问题的研究，国内已有学者作了一些工作，姚丽芳运用主成分分析的方法实证研究了中国外贸进出口影响的因素；魏巍贤运用协整分析技术与Hendry提出的一般到特殊的方法分析了我国进口需求的决定因素，等等。在实证研究过程中，如果是采用截面数据，运用普通最小二乘法的多元线性回归，要求所选取的样本点（即不同的国家或地区）具有相同的经济结构和生产技术，而这在现实经济中是无法满足的；同时我们知道，影响一国进口贸易的因素有很多，而不同的因素变量之间都不同程度地存在多重共线性或近似多重共线性关系，对存在多重共线性关系的变量运用简单的线性回归分析方法，将使得模型极其不稳定，且模型往往出现与现实相反的结论，而不能解释所要说明的问题；利用主成分分析方法能有效地消除所选取自变量间的多重共线性，但是主成分方法在分析过程只考虑了自变量所包含的信息，而没有涉及因变量的信息；而利用Hendry提出的一般到特殊的方法，是把在模型中统计不显著的变量逐一删除掉，用表现统计显著的变量建立模型，这种方法操作方便，但是在建模的过程中删除统计不显著的变量时，同时也把对因变量一些有用的信息删除了，从而不能全面反映因变量的影响信息。针对这些问题，本文采用有第二代回归分析方法之称的偏最小二乘(PLS,Partial Least-Squares)回归方法，通过建模分析我国进口贸易的影响因素。一PLS回归建模的原理与方法偏最小二乘(PLS)回归是一种新型的多元统计数据分析方法，由H.wold和C.Albano等人提出以后，PLS回归方法得到广泛的应用，尤其是在化学和化工领域。PLS回归方法是一种消除自变量多重共线性的有效方法，从某种意义说，PLS回归方法是改进了的主成分(PCR)方法，但是又不同于PCR方法，PLS在成分提取的过程中不仅考虑自变量（解释变量）的信息，同时考虑了因变量（被解释变量）的信息，在复杂的多变量系统中，PLS方法没有对逐个变量判断其留取与舍弃，而利用信息分解的思路，将自变量系统中的信息重新组合，有效地提取对系统解释性最强的综合变量，排除重叠信息或无解释意义的信息干扰，从而克服变量多重共线性在系统建模中的不良作用，得到一个更为可靠的分析结果。PLS回归方法有单因变量的PLS回归与多因变量的PLS回归，由于研究的问题只涉及到单因变量，因此只就单因变量的PLS回归作阐述。（一）单因变量PLS回归方法建模思路设因变量Y和p 个自变量构成的自变量集合X=[x[,1]，…，x[,p]]，为了研究因变量与自变量之间的统计关系，我们观测了n个样本点，由此构成了n维的因变量向量和自由变量构成的n×p的观测矩阵X=[x[,1]，…，x[,p]][,n×p]。PLS回归方法
IPO费率的影响因素实证分析(一)
ＩＰＯ费率的影响因素实证分析(一) 摘要]本文建立了一个计量经济模型对我国股票市场IPO费率进行了实证分析，研究发现新股上市首日收益率对于IPO费率有显著的影响。另外，平均来看，上海证券交易所IPO费率略低于深圳证券交易所，A股IPO费率低于B股。最后针对IPO费率与新股上市首日收益率之间的关系讨论了我国股票市场IPO效率问题。 关键词]IPO费率上市首日受益率 一、引言 近年来，学术界对我国股票市场IPO抑价现象有了大量的研究,概括起来有这么几个方面的解释：政府直接或间接地控制新股发行市盈率造成了新股抑价；新股抑价是市场管理者为保护二级市场中小投资者采取的措施；新股发行与上市时间间隔长从而引发风险的补偿、上市后增发股票以补偿抑价；资金投机者炒作、新股包装上市、夸大宣传等因素也很容易造成新股抑价发行；发行人想要利用一级市场价格低于市场客观估计的价值,让投资者先尝到甜头,然后在未来较高价发行中获得后续补偿；发行人是想要利用低价发行来避免股票为少数人所持有,从而巩固管理层对公司的控制，等等。然而，学术界对于IPO费率方面的研究则较少，特别是对于IPO费率的实证研究更是几乎一片空白。本文尝试建立一个计量经济模型来对我国股票市场IPO费率进行实证研究，并针对模型估计结果，从IPO费率这个新的角度来讨论IPO抑价问题。 二、IPO费用率的实证分析 1.数据选取 本文选取了近年来在我国上海证券交易所和深圳证券交易所首次公开发行的1000只股票的IPO数据资料，包括每只股票的发行费用、发行股份的总数、筹资总额、发行地、股票类型、上市首日收益率等数据。（数据来源：RESSET金融研究数据库） 2.数据处理及变量设定 IPO费率（F/M）通过发行费用（F）与筹资总额（M）之商来定义，反映发行人每发行筹资1元钱所要支付的发行费用；发行股份总数用Q表示；发行地用虚拟变量SS表示：SS＝0表示深圳证券交易所，SS＝1表示上海证券交易所；股票类型用虚拟变量AB表示：AB＝0表示股，AB＝1表示股；首日收益率用IR表示，计算公式为：(首日收盘价－首日开盘价)/首日开盘价。 3.模型设定及估计结果 考虑到IPO业务涉及到不同的股票类型，以及我国有两个并行的证券交易所的实际情况，建立如下计量经济模型： F/M=α+β1*IR+β2*Q+β3*AB+β4*SS
KMV模型中EDF的度量方法及应用
KMV模型中EDF的度量方法及应用 发布日期：2007年3月9日 目前，有关违约风险度量的方法不断推陈出新，有许多定量的估值模型、分析技术、软件已付诸商业应用。其中包括著名的风险管理公司KMV公司开发的一种基于股票价格的信用风险计量模型（KMV模型），也称作信用风险的期权定价模型，此模型在全球多个国家得到广泛应用。该模型最主要的分析工具是所谓的预期违约率EDF（Expected Default Frequency），故也称为EDF模型。EDF 作为度量公司违约发生可能性大小的指标，能对所有股权公开交易的公司的违约可能性做出概率上的预测，本文将介绍EDF的计算原理和实际应用。 一、EDF的基本原理 对于一个公司而言，违约风险是指围绕其偿债能力所产生的不确定性。在违约之前，我们无法明确判断一个公司是否会违约，充其量也只能对其违约的可能性做出概率上的估计。一家公司的EDF是指该公司在未来一年或几年内违约的概率，它主要由三大因素决定，分别是：1．资产价值：公司资产的市值。它是公司资产在未来产生的现金流以一定的贴现率贴现到当前的价值。这个公司资产的测度不但反映了公司的发展前景，而且还包含了公司所处的行业以及宏观经济状况等信息。 2．资产风险：是指资产价值的不确定性。这是一个关于公司经营风险和行业风险的测度。因此公司的资产价值只是一个估计值，存在一定不确定性，应当在公司的经营风险或者资产风险的框架下理解。 3．债务水平：是指公司在合同上负债的程度。如果说与公司资产相关的测度是公司的市值，那么公司杠杠比率的相关测度就是相对于公司资产市值的债务面值，因为它是公司必须偿还的金额。 在经典的Black-Scholes-Merton（BS M）模型框架下的基本假设是：当公司的资产价值低于一定水平时，公司就会对债权人和股东违约，与这一水平相对应的资产价值为违约点（Default Point），即公司资产价值等于负债价值时的点。在研究违约的文献中，我们已经发现当公司资产价值等于债务面值时许多公司并没有选择违约，而是依然经营并偿还它的债务，这是因为债务构成中的部分长期债务为公司提供了一定的缓息空间。我们发现，违约点即公司将会发生违约时的资产价值通常是介于总债务和短期债务之间。 因而公司净值也就等于公司的资产市值减去公司的违约点，即： 公司净值＝公司的资产市值－违约点 当公司净值等于零时，违约事件就会发生。和公司的资产价值一样，公司净值的测度也必须在公司经营风险的框架下考虑。比方说，食品和饮料行业内的公司比高科技行业能承受更高水平的杠杆比率，因而它们的资产市值更加稳定、有着更小的不确定性。 公司的资产风险则是由资产的波动率来衡量的，它是指公司资产价值每年变动百分比的标准差倍数，它是一个与公司的规模以及所处的行业都相关的测度。 资产的波动率与股票的波动率相关，却又不同于它。一个公司的财务杠杆具有放大其资产波动率的作用。因此，有着较低资产波动率的行业，如银行业趋向于采用较高的财务杠杆，而资产波动率较高的行业，如计算机软件行业，则趋向于采用较低的财务杠杆。正是由于这种趋向差异的存在，股票波动率不像资产波动率那样随行业和资产规模的不同有较大的差别。 资产价值、经营风险、财务杠杆能够结合起来形成一个违约风险的单一测度，它将公司的净值与资产价值一个标准差的波动幅度相比较，将二者的商称为违约距离（DD，Distance to default），其计算过程如下： 违约距离（DD）＝ (资产市值－违约点）/（资产市值*资产波动率） 从上式可以看出，违约距离融合了一个公司三个关键的信用要素：资产价值、经营和行业风险以及财务杠杆。KMV公司选定一定时期，基于一个包括大量的公司违约信息的历史数据库，把违约距离与预期违约率的关系拟合成一条光滑曲线，从而找出违约距离与预期违约率之间的映射关系以便估计EDF的值。也就是说，给定一个违约距离就可以计算出相应水平的预期违约概率。 二、EDF的计算过程 对一个公开上市的公司而言，市场上与其违约概率相关的基本信息有三种，分别是财务报告、公司债券和股票的市价、市场上对公司前景和风险的主观评价。价格从本质上讲都有前瞻的内在特性，投资者对公司未来的预期形成了债券和股票的价格。在决定市场价格的时候，投资者使用了各种各样的信息，这些信息包括：公司前景和风险的主观评价、财务报告以及市场上的其它价格。投资者们通过自己的分析和判断将这些信息融合为自己买卖公司股票、债券的意愿，而市场价格正是许多投资者买卖意愿的综合结果，因而市场价格包含了许多投资者的综合观点和预测。用市场价格
我国能源消费影响因素的实证分析
我国能源消费影响因素的实证分析 08040630 08经济学班朱玉霞 摘要：能源是国民经济发展和社会进步的重要物质基础,做好能源消费影响因素的分析,为能源规划及政策的制订提供科学的依据,对于保持我国国民经济健康、持续、稳定的发展具有重要的现实意义。本案例通过对影响我国能源消费的国内生产总值、产业结构、能源产出等因素进行分析，对所建模型中存在异方差、序列相关等问题进行了检验与修正。在各因素中工业是我国能源消费的主体,所占比重呈上升趋势，因而产业结构的变动率很大程度上影响能源消费，并对我国的经济增长产生影响。本文在能源消费模型分析的基础上，进一步提出了相应的政策建议。 关键字：能源消费能源生产影响因素计量分析 研究背景 能源是经济增长的战略投入要素，在经济增长初期，能源的投入能够带动经济快速增长。十八世纪第一次工业革命，煤炭的燃烧推动蒸汽机的普及，进而带动了生产率的提高，实现了工业化的起步。随着工业化进程的深入，石油的大量使用成为经济持续增长的推动力量。可见，经济增长和能源投入之间形成了一定的互动关系，能源是经济增长的动力源泉，经济增长又拉动能源消费。能源消费包括两部分，一部分是由生产技术水平所决定的能源消费，一般这部分能源消费与经济增长的关系在短期内不会发生明显变化；另一部分是由管理水平、市场环境、产业结构等因素决定的能源消费水平，即体制性因素决定的能源消费水平。这部分能源消费可变性较大，是引起能源消费与经济增长关系不稳定。 研究目的 我国国民经济在向工业化和现代化发展的进程中，较长时间处于能源消费需求迅速增长而供给不组的紧缺状态，20世纪末的“九五”期间发生了显著变化，能源生产和消费总量均呈下降的趋势，出现了难得的能源供需基本基本平衡状
我国居民消费水平的影响因素的实证分析
计 量 经 济 学 实 验 报 告 学院：财政金融学院 班级：09金融工程班 姓名： 钟褀人 学号：200904040143 任课老师 ：李赟 Shanxi university of Finance and Economics
我国居民消费水平的影响因素的实证分析 本实验报告是运用EViews软件对我国居民消费水平的影响因素进行实证分析。 一、数据选取： 该模型中居民消费水平为被解释变量，国内生产总值、城镇居民人均可支配收入作为解释变量。数据基于1996-2010年的统计资料。数据资料如下： 注：以上数据中居民消费水平、国内生产总值来源于中国国家统计局网站的统计年鉴，城镇居民人均可支配收入来源于中宏数据库。
二、模型建立： 设y=居民消费水平，x1=国内生产总值，x2=城镇居民人均可支配收入 根据下面的图可以看出被解释变量和解释变量之间存在线性关系： 利用数据对模型做回归分析: Y = 430.216958174 + 0.0021553026303* X1 + 0.447493565223* X2 (1.776964) (0.282948) (2.851166) R2=0.995677 SE=127.0138 F=1382.024
回归报告如下： Dependent Variable: Y Method: Least Squares Date: 11/27/11 Time: 16:01 Sample: 1996 2010 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C 430.2170 242.1078 1.776964 0.1009 X1 0.002155 0.007617 0.282948 0.7820 X2 0.447494 0.156951 2.851166 0.0146 R-squared 0.995677 Mean dependent var 4287.600 Adjusted R-squared 0.994957 S.D. dependent var 1788.547 S.E. of regression 127.0138 Akaike info criterion 12.70333 Sum squared resid 193590.1 Schwarz criterion 12.84494 Log likelihood -92.27494 Hannan-Quinn criter. 12.70182 F-statistic 1382.024 Durbin-Watson stat 0.538165 Prob(F-statistic) 0.000000 得残差图如下图 检验结果显示：2R=0.995677，可以看出，模型拟合度很好，这表明国内生产总值和城镇居民人均可支配收入确实对居民消费水平有显著影响。
KMV模型
KMV模型 [编辑] KMV模型概述 KMV模型是美国旧金山市KMV公司于1997年建立的用来估计借款企业违约概率的方法。该模型认为，贷款的信用风险是在给定负债的情况下由债务人的资产市场价值决定的。但资产并没有真实地在市场交易，资产的市场价值不能直接观测到。为此，模型将银行的贷款问题倒转一个角度，从借款企业所有者的角度考虑贷款归还的问题。在债务到期日，如果公司资产的市场价值高于公司债务值（违约点），则公司股权价值为公司资产市场价值与债务值之间的差额；如果此时公司资产价值低于公司债务值，则公司变卖所有资产用以偿还债务，股权价值变为零。 [编辑] KMV模型的运用步骤 首先，它利用Black-Scholes期权定价公式，根据企业资产的市场价值、资产价值的波动性、到期时间、无风险借贷利率及负债的账面价值估计出企业股权的市场价值及其波动性。 其次根据公司的负债计算出公司的违约实施点(default exercise point，为企业1年以下短期债务的价值加上未清偿长期债务账面价值的一半)，计算借款人的违约距离。 最后，根据企业的违约距离与预期违约率(EDF) 之间的对应关系，求出企业的预期违约率。 [编辑] KMV模型的理论基础
KMV模型的优势在于以现代期权理论基础作依托，充分利用资本市场的信息而非历史账面资料进行预测，将市场信息纳入了违约概率，更能反映上市企业当前的信用状况，是对传统方法的一次革命。KMV模型是一种动态模型，采用的主要是股票市场的数据，因此，数据和结果更新很快，具有前瞻性，是一种“向前看”的方法。在给定公司的现时资产结构的情况下，一旦确定出资产价值的随机过程，便可得到任一时间单位的实际违约概率。其劣势在于假设比较苛刻，尤其是资产收益分布实际上存在“肥尾”现象，并不满足正态分布假设；仅抓住了违约预测，忽视了企业信用品质的变化；没有考虑信息不对称情况下的道德风险；必须使用估计技术来获得资产价值、企业资产收益率的期望值和波动性；对非上市公司因使用资料的可获得性差，预测的准确性也较差；不能处理非线性产品，如期权、外币掉期等。[编辑] KMV模型的研究阶段 KMV模型自1993年推出以来,国外学术界对KMV模型的研究经历了两个阶段: 第一阶段是将KMV模型的预测结果与实际的违约数据相比较,大多数研究结果表 明,KMV模型能够反映信用风险的高低,并对信用风险具有很高的敏感性? 第二阶段,国外学术界对模型的验证寻找到新的角度,并开发出多种验证模型有效性的 方法和技术? 我国学者主要对模型在我国适应性和参数调整方面进行了许多探讨,取得了一定的成果?张林?张佳林(2000)?王琼?陈金贤(2002) 先后对KMV模型与其他模型进行理论上比较,认为更适合于评价上市公司的信用风险?薛锋,鲁炜,赵恒街,刘冀云(2003)利用中国股市的数据,得出了应中市场的σv和σE的关系函数,并以一只股票为样本进行了实证分析?乔卓等(2003)介绍了KMV模型的基本内容,以及国外的应用经验,但是并没有进行实证研究?易丹辉,吴建民(2004年)对深市和沪市随机抽取30家公司分行业计算违约距离和违约率并作比较,认为借助违约距离衡量上市公司的信用风险是可行的? 由于缺少大量违约公司样本的历史数据库,因此,我国目前无法通过比较违约距离和破 产频率的历史,拟合出代表公司违约距离的预期违约率函数?本文尝试使用上市公司在某国 有商业银行贷款不良率替代其违约率,并根据我国资本市场的特点,选取KMV模型的相关参数,同时采用某国有商业银行 2001年12月31日的235家贷款客户的不良率来替代上市公司的违约率进行实证分析,建立违约距离与不良率的函数关系? [编辑] KMV模型的评价 KMV是运用现代期权定价理论建立起来的违约预测模型，是对传统信用风险度量方法的一次重要革命。首先，KMV可以充分利用资本市场上的信息，对所有公开上市企业进行信用风险的量化和分析；其次，由于该模型所获取的数据来自股票市场的资料，而非企业的历史数据，因而更能反映企业当前的信用状况，具有前瞻性，其预测能力更强、更及时，也更准确；另外，KMV模型建立在当代公司理财理论和期权理论的基础之上，具有很强的理论基础做依托。
最新对中国经济增长影响因素的实证分析
对中国经济增长影响因素的实证分析
对中国经济增长影响因素的实证分析 摘要：改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国内生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国内生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。 关键词：劳动力、投资、消费、经济增长、最小二乘法。 1.背景 经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值（GDP）和国内生产总值的的增长来计算。 古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。 从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。中国拥有十
三亿人口，为经济增长提供了丰富的劳动力资源。因此本文用总就业人数（万人）来衡量劳动力。居民消费需求也是经济增长的主要因素。 经济增长问题既受各国政府和居民的关注,也是经济学理论研究的一个重要方面。在1978—2008年的31年中,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。但是,我国目前仍然面临消费需求不足问题。 本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中国国内生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经济增长变动趋势，以及重要的影响因素，并根据所得的结论提出相关的建议与意见。用计量经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我们进行预测与决策。因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。 2.模型的建立 为了具体分析各要素对我国经济增长影响的大小，我们可以用国内生产总值（Y ）这个经济指标作为研究对象；用总就业人员数（1X ）衡量劳动力；用固定资产投资总额(2X )衡量资本投入：用价格指数（3X ）去代表消费需求。运用这些数据进行回归分析。 这里的被解释变量是，Y ：国内生产总值， 与Y-国内生产总值密切相关的经济因素作为模型可能的解释变量，共计3个，它们分别为： 1X 代表社会就业人数， 2X 代表固定资产投资， 3X 代表消费价格指数，
我国期货价格影响因素实证分析
我国期货价格影响因素实证分析 介绍了商品期货价格的基本理论，探讨了影响我国大豆期货价格的主要因素，并在此基础上选取有效的影响因素进行相关的实证分析，建立大豆期货价格的误差修正模型，最终运用该模型分析各因素对大豆期货价格的实际影响程度。 标签：期货价格;影响因素;误差修正模型 中图分类号：F83 文献标识码：A 文章编号：16723198（2012）14009306 1 研究背景及意义 期货市场是在商品市场不断发展和完善的基础上建立起来的，期货市场已经成为市场经济不可或缺的重要组成部分。 1950年以来，我国大豆生产迅速发展，在我国和世界粮食经济中的地位不断提高，大豆成为国际上备受关注的战略性资源。中国大连商品交易所的交易品种中大豆是交易最为活跃的品种，推出之初就受到了投资者的欢迎，其交易规模逐年扩大，较为充分的发挥了期货市场的功能，大豆期货成为中国农产品期货市场的代表品种之一，目前大连商品交易所的大豆期货交易规模位居亚洲第一位。 大豆期货价格是大豆市场运行状况的反映，对我国大豆期货价格进行研究具有重要的意义：不仅有利于大豆生产和加工厂商指导企业经营，而且有利于国家产业和农业发展政策的制定和宏观调控，并能更有效的促进大豆市场的健康发展，使社会资源实现有效配置。 2 期货价格的相关理论 2.1 均衡价格理论 均衡价格理论假定一个完全市场存在众多的参与者，该市场信息充分、完全，在一系列连续、公开的交易过程中，期货市场将形成相应的均衡价格。 马歇尔认为，在正常的需求与正常供给的均衡过程中，生产和消费的未来关系估计对均衡价格产生影响。远期期货价格与即期现货价格之间的差额，主要取决于这一时期内“生产费用”的变动情况，生产费用即生产一定数量的某种商品的供给价格。商品价格、生产费用变动和商业费用变动共同构成商品期货价格。 经济学家萨缪尔森对完全竞争市场上两种形式的均衡价格进行了分析。他指出，在完全竞争市场上，由于多种因素造成的同种商品的价格差异，表现为不同地区的价格形式和不同时间的价格形式。 2.2 持有成本理论 在农产品早期的期货市场中形成了持有成本理论，该理论认为期货价格与现货价格之间的关系可用所谓的持有成本来描述。持有成本等于存储成本加上购买资产所支付的利息再减去资产的收益。现货价格加上持有成本等于当前的期货价格。 持有成本理论根据不同的市场状况又可以分为仓储成本理论和一般倒挂理论。前者认为持有成本指的是存储成本，包括保管和仓储费用、支出费用、质量损耗等，该理论有效地对均衡期货市场中期货溢价现象进行了解释，在期货交易中存储成本的地位和作用得到更多的重视。后者认为价格风险存在于现在到未来的一段时期内，延期的购买与销售行为将面对现货或期货贴水的情况，将产生卖
资本资产定价模型的检验
资本资产定价模型的检验 对资本资产定价模型的早期检验是由约翰·林特纳（John Lintner）给出的，以后，默顿·米勒（Merton Miller）和麦伦·斯科尔斯（Myron Scholes）利用631种在纽约证券交易所上市的股票1954～1963年10年的年度数据重新作了检验，得出了以下的估计值（收益表达为数字而不是百分比）。 系数：γ0＝0.127; γ1＝0.042; γ2＝0.310 标准误差：γ0＝0.006γ1＝0.006γ2＝0.026 样本平均值：＝0.165 这些结论与资本资产定价模型是不一致的。首先，估计的证券市场曲线“太平缓”，即系数γ1太小，斜率为＝0.165（每年为16.5%），但估计值只有0.042，相差的0.123是标准误差估计值0.006的近20倍，这意味着证券市场曲线的测度斜率远远低于统计上是显著的数值范围。同时，估计出的证券市场曲线的截距为0，在假定中它为0，事实上γ0＝0.127，它比其标准误差0.006大20倍还要多。 这些研究者们所运用的两阶段程序（即先用时间序列回归估计证券的贝塔值，然后再用这些贝塔值检验风险与平均收益间的证券市场曲线关系）看来很简单，拒绝资本资产定价模型运用这一方法是令人失望的。然而，运用这一方法也有一些困难。首先也是最重要的，股票收益是非常容易波动的，这降低了任何平均收益检验的准确性。例如，标准普尔500指数的样本股票年收益的平均标准差大约为40%，包括它在内的股票年收益的平均标准差可能会更高。 另外，对于检验的波动性存在着一个很基本的担心。首先，检验中所用的市场指数并不一定是资本资产定价模型的“市场资产组合”；第二，当资产波动性很小时，由一阶回归得出的证券的贝塔值需要由实际的样本误差来估计，因此，它并不能很容易就作为代入用于二阶回归；最后，投资者不能像简单的资本资产定价模型假定的那样，以无风险利率借入资金。