金融计量学课件资料
合集下载
金融计量学,唐勇,课件
5.2.2
VAR模型的设定
然而，利用VAR模型分析实际问题时，由于标准的统计检 验和统计推断要求分析的所有序列必须都是平稳序列，因此使用 非平稳序列变量会带来统计推断方面的麻烦。 那么，我们在用VAR模型做回归分析时，究竟应该在VAR 系统内使用平稳序列还是非平稳序列呢？作为指导性的原则，如 果要分析不同变量之间可能存在的长期均衡关系，则可以直接选 用非平稳序列；而如果分析的是短期的互动关系，则选用平稳序 列，即对于涉及到的非平稳序列，必须先进行差分或去除趋势使 其转化成对应的平稳序列，然后包含在VAR模型中进行进一步分 析。
福州大学经济与管理学院 唐勇教授
本章主要内容
5.1VAR模型介绍 5.2VAR模型估计方法与设定 5.3格兰杰因果关系检验 5.4脉冲响应函数与方差分解 5.5结构VAR(SVAR)模型
1
VAR模型介绍
5.1.1
VAR模型基本概念
上一章介绍的AR模型、MA模型、 ARMA模型以及ARIMA 模型均是单一方程的回归，且已先验地设定了变量之间解释和被 解释的关系。但是，如果我们事先并不知道哪个变量为被解释变 量，哪个变量为解释变量，就很难确定变量之间的关系。针对这 一问题，希姆斯（C. S. Sims）于1980年提出了向量自回归模型 （VAR）。 顾名思义，向量自回归模型就是用模型中所有当期变量对所 有变量的若干期滞后变量进行自回归，该模型一般用来估计联合 内生变量的动态关系。在VAR模型中，没有内生变量和外生变量 之分，而是所有的变量都被看作内生变量，初始对模型系数不施 加任何约束，即每个方程都有相同的解释变量——所有被解释变 量若干期的滞后值。
5.2.2
VAR模型的设定
2.VAR模型中变量的选择 一般来说，没有严格规定VAR模型中变量的选择。总的来 说，变量的选择需要根据经济、金融理论，同时还需要考虑手中 的样本大小。 例如，如果央行研究所的研究人员希望分析货币政策与现 实经济发展之间的互动关系，那么他就可以选择一个包含2个变 量的VAR模型，即选择一个能够代表货币政策工具的变量和一个 能反映经济发展状况的变量。因此，该研究人员可以选择货币供 应量增长率和真实GDP缺口两个变量构建一个VAR模型来研究这 一问题。此时，VAR模型就可以写成
第1章金融计量学介绍-PPT精选文档44页
25
6.由于监管者和风险管理要求计算VaR，一些新的方法用于 估计报酬分布的尾部(tails)，现在还不清楚尾部是否 有相同的动态行为，而分布的其他部分被假定为GARCH 类模型。
7.Boudoukh, Richardson and Whitelaw (2019)将 RiskMetric模型和历史模拟法结合起来，提出了混合模 型(hybrid model)。
8.Engle and Manganelli (2019)提出了条件自回归分位数 定式，称为条件自回归VaR( CAViaR) 。
9.Embrechts et al. (2019), McNiel and Frey (2000) 利 用极值理论估计分布的尾部。
参考书
米尔斯著，《金融时间序列的经济计量学模型》经济科学出版社 《经济计量学手册》章节，Introductory Econometrics for
Finance Chris Brooks 剑桥大学出版社 周国富著《金融计量学：资产定价实证分析》北京大学出版社 Andrew lo等《金融市场的经济计量学》上海财经大学出版社 Hendry著 《动态经济计量学》上海人民出版社 弗朗西斯著《商业和经济预测中的时间序列模型》中国人民大学出
《金融计量经济学》
《Fiance Econometrics》
1
主讲教师：王德发 办公地点：办公楼29-222 电话：0579-82166018 E-mail: tongji_yjs163 辅导时间：星期一、三
上午9～11点，下午2～4点。
2
一、课程说明
⑴ 教学目的 经济学是一门科学，实证的方法，尤其是数量分析方
21
1952年，Markowitz提出了投资组合理论 1963年，Sharpe提出CAPM 1965年，Fama研究股价行为 1970年，Fama对有效市场的实证研究综述，Fama(1991,
6.由于监管者和风险管理要求计算VaR，一些新的方法用于 估计报酬分布的尾部(tails)，现在还不清楚尾部是否 有相同的动态行为，而分布的其他部分被假定为GARCH 类模型。
7.Boudoukh, Richardson and Whitelaw (2019)将 RiskMetric模型和历史模拟法结合起来，提出了混合模 型(hybrid model)。
8.Engle and Manganelli (2019)提出了条件自回归分位数 定式，称为条件自回归VaR( CAViaR) 。
9.Embrechts et al. (2019), McNiel and Frey (2000) 利 用极值理论估计分布的尾部。
参考书
米尔斯著，《金融时间序列的经济计量学模型》经济科学出版社 《经济计量学手册》章节，Introductory Econometrics for
Finance Chris Brooks 剑桥大学出版社 周国富著《金融计量学：资产定价实证分析》北京大学出版社 Andrew lo等《金融市场的经济计量学》上海财经大学出版社 Hendry著 《动态经济计量学》上海人民出版社 弗朗西斯著《商业和经济预测中的时间序列模型》中国人民大学出
《金融计量经济学》
《Fiance Econometrics》
1
主讲教师：王德发 办公地点：办公楼29-222 电话：0579-82166018 E-mail: tongji_yjs163 辅导时间：星期一、三
上午9～11点，下午2～4点。
2
一、课程说明
⑴ 教学目的 经济学是一门科学，实证的方法，尤其是数量分析方
21
1952年，Markowitz提出了投资组合理论 1963年，Sharpe提出CAPM 1965年，Fama研究股价行为 1970年，Fama对有效市场的实证研究综述，Fama(1991,
金融计量学-唐勇-课件
表k示 阶自相关系数，R在t 为平稳序列的情况
(k) 与 t 无关，用样本 R1 RT 可以给出 (k) 的估计量：
T k
(Rt RT )(Rtk RT )
ˆ (k) t1 T
(Rt RT )2
t 1
其中，RT
1 T
T t 1
Rt
需要检验的是：对于所有的 k >0，如果全部自相关系数同时为0，
游程数目反映了价格序列变化情况，若游程太少，表明价格序列存在 某种恒定倾向；若游程数目过多，则序列具有混合倾向。因此，游程过 多过少，都具有非随机性特征。根据证券价格变化的游程序列，可建立 检验统计量 U （游程总数目）。
当观测总数 N >25时，检验统计量近似接近正态分布，这时游程总数 均值为
E(U ) 1 2mn N
有效市场的三种形式和证券投资分析有效性之间 的关系可以由下表来表示：
弱式有效 半强式有效 强式有效
技术分析 有效 无效 无效 无效
基本分析 有效 有效 无效 无效
组合管理 积极进取 积极进取 积极进取 消极保守
9.1.4随机游走的设定
通常人们选择随机游走模型( Random Walk Model )来观测市场有效性 假说。若金融资产价格遵循随机游走，没那么这意味着市场有效性假说成 立。根据随机扰动项的属性将随机游走分为三类：
ln Pt ln Pt1 t ,t ~ id(0,t 2 )
上式中收益率的方差 t 2中的下标t表示方差随时间变化而变化。这一性质称为收益 率的异方差性。
3.随机游走III（RWIII）:不相关增量
最这后就，是我不们相再关进增一量步的放随松机扰游动走项模型 t，的记独为立R性WI假II，设用，公至式假表设示他如们下互：不先关。
金融计量学,唐勇,课件.详解
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.1.2
协整检验方法
6.1.2
协整检验方法
ˆt 的最小二乘 需要注意的是，由于E-G两步法是采用协整回归的残差e ˆt 来检验平稳性的，此时的检验临界值不能再用传统的（A）DF 法估计值 e
检验的临界值，而是要采用Engle和Granger提供的临界值（见表6-1），
因此这种协整检验方法又称为扩展的Engle和Granger检验，简称AEG检验。
6.4
向量误差修正模型（VECM）
6.4
向量误差修正模型（VECM）
6.4
向量误差修正模型（VECM）
6.4
向量误差修正模型（VECM）
上述仅讨论了简单的向量误差修正模型，与VAR模型类似，我们可以 构造结构向量误差修正模型，同样也可以考虑向量误差修正模型的 Granger因果检验、脉冲响应函数和方差分解。关于VAR模型和向量误差 修正模型的更多讨论，可以参考汉密尔顿（1999）的详细讨论。
6.1.2
协整检验方法
图6-1： 两种指数2
协整检验方法
图6-2： logSZZS的ADF检验结 果
6.1.2
协整检验方法
图6-3： logSZCZ的ADF检验结 果
6.1.2
协整检验方法
金融计量学,唐勇,课件
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
6.3.1
Johansen协整检验的基本说明
图6-5：残差的ADF检验结果
从图6-5的检验结果可以看出拒绝接受原假设，即残差序 列是平稳的，这也就说明2007年1月1日-2014年12月31日期 间logSZCZ 和logSZZS存在协整关系。
2
误差修正模型 (ECM)
6.2.1
误差修正模型的含义
6.2.2
误差修正模型的构造
6.2.2
6.1.2
协整检验方法
6.1.2
协整检验方法
ˆt 的最小二乘 需要注意的是，由于E-G两步法是采用协整回归的残差e ˆt 来检验平稳性的，此时的检验临界值不能再用传统的（A）DF 法估计值 e
检验的临界值，而是要采用Engle和Granger提供的临界值（见表6-1），
因此这种协整检验方法又称为扩展的Engle和Granger检验，简称AEG检验。
6.3.1
Johansen协整检验的基本说明
6.3.2
Johansen协整检验的案例分析
下面我们利用Eviews软件来分析上证指数（SZZS）、深证 成指（SZCZ）和沪深300指数（HS300）之间的关系。选取的时 间是2007年1月1日-2014年12月31日。如前文所述，我们同样 先对指数序列进行对数处理。首先进行变量的单位根检验，ADF 检验结果表明三个指数序列均为 过程。 I (1) 在Eviews软件中，把三个变量创建Group组，接着点击 “View”—“Cointegration Test”—“Johansen System Cointegration Test”，便弹出图6-7所示的对话窗口
金融计量学,唐勇,课件
原假设：序列不存在p阶自相关；备择假设：序列存在p阶自相关。 如果各阶Q统计量都没有超过设定的显著水平的临界值，则接受原假设。 超过临界值，就说明序列存在自相关。
yt xt ut , ut ~ N (0, t2 )
（7.3） （7.4）
t2 Var( yt It 1 ) 0 1ut 12 2ut 22 put p 2
这里要求
0 0, j 0
( j 1, , p) ，
• 注意：在ARCH（p）模型中，我们仍然假设扰动项不存在序列相关性， 还假设扰动项的无条件期望和条件期望都为0， 下面证明ARCH模型的性 质会用到。
u
2 序列指定的滞后阶数的自相关系 t
数（AC）和偏相关系数（PAC）（如本章第一节表7-3和表7-5所示）并且 计算出了相应阶数的Ljung-Box Q统计量：
QL, B T (T 2)
j 1
p
rj2 Tj
(7.20)
其中, 阶数。
r j 是残差系类的j 阶自相关系数，T为样本容量，p是设定的滞后
max( p , q )
i 1
(i i )ut2i vt j vt j
j 1
q
（7.10）
p， i 0 ，对 i q
，i 0 ，可以得到： （7.11）
ut2 0 [ ( L) ( L)]ut2 [1 ( L)]vt
s 1
（7.17）
1.ARCH-LM检验
LM 定的显著性水平 下 ，
2 R 其中，T表示样本的容量， 表示回归方程（7.17）的可决系数，在给
2
2 ( p ) LM ，接受原假设， ( p) ，拒绝 原假设。或者可以用 p值来判断，p 则拒绝原假设，否则接受原假设。
金融计量学张成思Lectu
图1-1 中国国际股票价格指数
Price Index (USD, Log Scaling) Jan 31 2002 to Jan 26 2007 60 50 40 30 20 10
Jan 1 2003 Jan 1 2004 Jan 3 2005 Jan 2 2006 Jan 1 2007
(b)2002年1月31日—2007年1月26日
1980年1月－2006年6月
zhangcs@
图1-5 中国M1增长率
20 16 12 8 4 0 -4 1981 1984 1987 1990 1993 1996 1999 2002 2005
1981年第1季度－2005年第1季度
zhangcs@
从这几幅图可以看到，不同的金融 时间序列变量展示出各种各样的变动轨 迹，经济学者经常把金融时间序列变量 的这种随时间变化的轨迹称为“动态路 径”，其中“动态”一词的含义实质上就是 指“随时间变化”。
组具有相同特性的随机变量。
zhangcs@
FX ,Y (x, y;) Pr( X x,Y y)
1.2.3 随机分布: X和Y的联合分布可定义为： FX ,Y (x, y;) Pr( X x,Y y)
对于季度频率数据，年度化的增 长率计算公式为:
100% ln( Pt )4 400% ln( Pt )
Pt 1
Pt 1
zhangcs@
对于月度频率数据，年度化的增 长率计算公式是:
100% ln( Pt )12 1200% ln( Pt )
Pt 1
rt
100% ln( Pt ) Pt 1
zhangcs@
对于多期（multi-period）来说,
《金融计量学基础》课件及阅读材料 第十章：VAR模型与脉冲响应函数(王超)
VAR模型：
VAR系统平稳性检验： Stata命令如下：
. varstable,graph
第六节 案例分析
图：残差项正态分布检验结果
VAR模型：
VAR模型残差项 正态分布检验：
Stata命令如下：
. varnorm
第六节 案例分析
VAR模型：
VAR模型的预测： Stata命令如下： . fcast compute f_,step(30) 图：对未来30日的指数预测值 . fcast graph f_SH f_SZ,observed lpattern('--')
第二节 向量自回归模型基本概念
❖
第二节 向量自回归模型基本概念
❖
第二节 向量自回归模型基本概念
❖VAR模型的平稳性条件
✓ 对于VAR模型，我们使用同AR(p)过程类似的特征方程 判定平稳性。
（1）以p=1的VAR模型为例说明：
化简有：
平稳性条件：
的根都在单位圆内。
第二节 向量自回归模型基本概念
第一节 引言
❖背景介绍
缺陷
I. 滞后期越长、变量越多，需要估计的参数就越多，对样本长 度需求就越大；
II. 作为常参数模型，在经济系统发生比较大的结构性变化的时 候，VAR的参数并不稳定；
III. 该模型并不严格遵循经济理论，未考虑结构性约束和变量之 间的同期相关性，处理经济变量的个数也相对有限，会影响 模型的估计效果，很难全面反映经济体的真实情况。
Stata命令如下： . summarize e,detail . ssc install jb6 . jb6 e
3.452
1R模型滞后阶数选择结果
VAR模型：
滞后阶数选择： Stata命令如下： . varsoc SH SZ,maxlag(10)
教学课件第一章金融计量学介绍
图1-12 Eviews新工作文件数据设定窗口
24
图1-13 空白新工作文件
25
（二）Eviews3.1使用简介 1.数据输入、修改及保存
图1-14 新工作文件数据导入窗口
26
图1-15 数据导入后工作文件
27
图1-16 察看数据窗口
28
图1-17 GDP和M1线性图
29
图1-18 方程设定窗口
32
▪ 本章简要阐述了金融计量学的方法和一般应用 步骤，着重介绍了金融数据的类型和特点，简 要评述了主要的计量和统计软件包，对常用的 Microfit和Eviews计量软件的使用方法进行了详 细讲解并举例说明。本章旨在使学生理解金融 计量模型思想，了解金融数据的特点与来源， 掌握常用的金融计量软件。
本章要点
▪ 金融计量学的方法论与应用步骤。 ▪ 金融数据的特点和来源 ▪ 金融计量学软件的使用
1
第一节 金融计量学的含义及建模步骤 一、金融计量学的含义
金融计量学就是把计量经济学中的方法和 技术应用到金融领域，即应用统计方法和统计 技术解决金融问题。
2
二、金融计量建模的主要步骤
经济理论或金融理论 建立金融计量模型 数据收集 模型估计 模型检验
33
是按照一定的时间间隔对某一变量在不同时间 的取值进行观测得到的一组数据，例如每天的 股票价格、每月的货币供应量、每季度的GDP、 每年用于表示通货膨胀率的GDP平减指数等。
5
▪ 在分析时间序列数据时，应注意以下几点： （1）在利用时间序列数据回归模型时，各变量 数据的频率应该是相同的； （2）不同时间的样本点之间的可比性问题； （3）使用时间序列数据回归模型时，往往会导 致模型随机误差项产生序列相关； （4）使用时间序列数据回归模型时应特别注意 数据序列的平稳性问题。
24
图1-13 空白新工作文件
25
（二）Eviews3.1使用简介 1.数据输入、修改及保存
图1-14 新工作文件数据导入窗口
26
图1-15 数据导入后工作文件
27
图1-16 察看数据窗口
28
图1-17 GDP和M1线性图
29
图1-18 方程设定窗口
32
▪ 本章简要阐述了金融计量学的方法和一般应用 步骤，着重介绍了金融数据的类型和特点，简 要评述了主要的计量和统计软件包，对常用的 Microfit和Eviews计量软件的使用方法进行了详 细讲解并举例说明。本章旨在使学生理解金融 计量模型思想，了解金融数据的特点与来源， 掌握常用的金融计量软件。
本章要点
▪ 金融计量学的方法论与应用步骤。 ▪ 金融数据的特点和来源 ▪ 金融计量学软件的使用
1
第一节 金融计量学的含义及建模步骤 一、金融计量学的含义
金融计量学就是把计量经济学中的方法和 技术应用到金融领域，即应用统计方法和统计 技术解决金融问题。
2
二、金融计量建模的主要步骤
经济理论或金融理论 建立金融计量模型 数据收集 模型估计 模型检验
33
是按照一定的时间间隔对某一变量在不同时间 的取值进行观测得到的一组数据，例如每天的 股票价格、每月的货币供应量、每季度的GDP、 每年用于表示通货膨胀率的GDP平减指数等。
5
▪ 在分析时间序列数据时，应注意以下几点： （1）在利用时间序列数据回归模型时，各变量 数据的频率应该是相同的； （2）不同时间的样本点之间的可比性问题； （3）使用时间序列数据回归模型时，往往会导 致模型随机误差项产生序列相关； （4）使用时间序列数据回归模型时应特别注意 数据序列的平稳性问题。
金融计量学课件PPT第2章最小二乘法和线性回归
变量取值范围内。
为了提高预测精度，可以对模型 进行优化和调整，例如添加或删 除自变量、使用交叉验证等技术
。
04
CATALOGUE
最小二乘法和线性回归在金融中的应用
股票价格预测
总结词
通过最小二乘法和线性回归，可以对股票价格进行预测，帮助投资者做出更明 智的投资决策。
详细描述
利用历史股票数据，通过最小二乘法和线性回归分析股票价格的时间序列数据 ，建立预测模型。根据模型预测结果，投资者可以判断未来股票价格的走势， 从而制定相应的投资策略。
金融计量学课件ppt 第2章最小二乘法和 线性回归
目录
• 引言 • 最小二乘法 • 线性回归 • 最小二乘法和线性回归ALOGUE
引言
课程背景
金融市场日益复杂
01
随着金融市场的日益复杂，投资者和决策者需要更精确的定量
分析工具来评估投资机会和风险。
金融数据的特点
缺点
对异常值敏感，容易受到离群点的影 响；假设数据符合线性关系，对于非 线性关系的数据表现不佳；无法处理 分类变量和交互项。
03
CATALOGUE
线性回归
线性回归的定义
线性回归是一种通过最小化预测误差 平方和来建立变量之间线性关系的统 计方法。
线性回归模型通常表示为：Y = β0 + β1X1 + β2X2 + ... + ε，其中Y是因 变量，X1、X2等是自变量，β0、β1 等是回归系数，ε是误差项。
02
金融数据具有时序性和波动性，通过计量经济学方法可以对这
些数据进行有效的分析和预测。
最小二乘法和线性回归在金融领域的应用
03
最小二乘法和线性回归是金融计量学中常用的基础分析方法，
为了提高预测精度，可以对模型 进行优化和调整，例如添加或删 除自变量、使用交叉验证等技术
。
04
CATALOGUE
最小二乘法和线性回归在金融中的应用
股票价格预测
总结词
通过最小二乘法和线性回归，可以对股票价格进行预测，帮助投资者做出更明 智的投资决策。
详细描述
利用历史股票数据，通过最小二乘法和线性回归分析股票价格的时间序列数据 ，建立预测模型。根据模型预测结果，投资者可以判断未来股票价格的走势， 从而制定相应的投资策略。
金融计量学课件ppt 第2章最小二乘法和 线性回归
目录
• 引言 • 最小二乘法 • 线性回归 • 最小二乘法和线性回归ALOGUE
引言
课程背景
金融市场日益复杂
01
随着金融市场的日益复杂，投资者和决策者需要更精确的定量
分析工具来评估投资机会和风险。
金融数据的特点
缺点
对异常值敏感，容易受到离群点的影 响；假设数据符合线性关系，对于非 线性关系的数据表现不佳；无法处理 分类变量和交互项。
03
CATALOGUE
线性回归
线性回归的定义
线性回归是一种通过最小化预测误差 平方和来建立变量之间线性关系的统 计方法。
线性回归模型通常表示为：Y = β0 + β1X1 + β2X2 + ... + ε，其中Y是因 变量，X1、X2等是自变量，β0、β1 等是回归系数，ε是误差项。
02
金融数据具有时序性和波动性，通过计量经济学方法可以对这
些数据进行有效的分析和预测。
最小二乘法和线性回归在金融领域的应用
03
最小二乘法和线性回归是金融计量学中常用的基础分析方法，