金融计量学张成思Lecture
作为示范，我们使用美国CPI通胀率与联 邦基金利率的季度数据（1959Q2—2005Q2）， 构建了一个2变量的VAR(2)模型。图8-4和85描绘出了SVAR和VAR模型分别对应的脉冲响 应函数和方差分解的结果。
图8-4(1)结构脉冲响应 与缩减脉冲响应比较
Response to Structural One S.D. Innovations
01i i,i1,2,L,p (8.53)
0u0
(8.54)
其中：
u 和
分别表示模型(8.10)与
(8.11)中对应的扰动项的方差—协方差
矩阵。
使用GMM估计模型(8.10)，还需要 选择合适的工具变量，假定存在这样 一组工具变量 ，满足矩条件：
E (ut Z t) 0
100
80
80
60
60
40
40
20
20
0
0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
图8-5(2) SVAR与VAR 模型方差分解比较
VAR Variance Decomposition
Percent CPI variance due to CPI
Percent CPI variance due to FFR
Response of CPI to Shock1 1.6
Response of CPI to Shock2 1.6
1.2
1.2
0.8
0.8
0.4
0.4
0.0
0.0
-0.4 1
1.2
-0.4
2 3 4 5 6 7 8 9 10
1
Response of FFR to Shock1 1.2
2 3 4 5 6 7 8 9 10 Response of FFR to Shock2
100
100
80
80
60
60
40
40
20
20
0 1
100
0 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
M inQ ( )M ing( ) g( )
其中： 表示一个可以通过循环机制获
得的权重矩阵，该矩阵是正定对称矩阵。
8.5 SVAR与缩减VAR模型的脉冲响应
及方差分解比较
要求解SVAR模型中的脉冲响应和方 差分解，基本思路是类似的，都要依据 脉冲响应和方差分解的基本定义进行计 算。而基于SVAR模型计算出来的脉冲响 应称为结构脉冲响应函数。
回归模型(8.10)与 (8.11)，即：
0 Y t 1 Y t 1 2 Y t 2 L p Y t p u t (8.1 p Y t pt (8.11)
GMM估计从这两个模型的系数关系入手：
1.2
1.2
0.8
0.8
0.4
0.4
0.0
0.0
-0.4
-0.4
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
图8-5(1) SVAR与VAR 模型方差分解比较
80 70 60 50 40 30 20
1
100
SVAR Variance Decomposition
Percent CPI variance due to Shock1
2
2
CC, 1 C1C 1
K模型： L(K ) c T ln K 2 T tr(KKˆ )
2
2
K 1K 1 (K K )1, 1 K K
8.4.2 广义矩估计
广义矩估计（Generalized Method of Moments，GMM），是工具变量估计 的拓展。GMM估计与FIML估计不同， GMM直接考虑SVAR模型(8.10)与其缩减 形式模型(8.11)的系数关系，然后使 用选定的工具变量，运用矩估计法进 行估计，从而获得最终结果。
2
2
ˆ T1ˆˆ
（8.49）
AB、C和K模型对应的具体的似然函数:
AB模型：L(AB) c T ln A 2 T ln B 2 T tr(AB1B1Aˆ )
2
2
2
A1BBA1, 1 AB1B1A
C模型： L(C) c T ln C 2 T tr(C1Cˆ )
8.4 SVAR模型的估计方法总结 8.4.1 全信息最大似然估计
全信息最大似然估计是估计SVAR 模型最常用的方法之一。而FIMLE中 最重要的内容便是似然函数的设立。
对于一般的SVAR模型，全信息的 （自然对数）似然函数是模型中系数 和扰动项矩阵的函数可以写成：
LcT ln T tr(1ˆ )
E (utut) u （8.55）
其中：u t 和 u 表示未知系数 {i,}
的函数。
还可以将矩条件写成：
E[f(Yt,Zt, )]0
对应的样本矩条件就可以写成：
g()1 T Tt1
f(Yt,Zt,)0
GMM估计通过矩估计法获得满足模
型(8.55)的系数 ，具体估计过程使用 目标函数：
Percent CPI variance due to Shock2 80
70
60
50
40
30
20 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent FFR variance due to Shock1
Percent FFR variance due to Shock2
0.8
0.8
0.4
0.4
0.0
0.0
-0.4
-0.4
-0.8
-0.8
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
图8-4(2)结构脉冲响应 与缩减脉冲响应比较
Response to Nonfactorized One S.D. Innovations
Response of CPI to CPI
Response of CPI to FFR
2.0
2.0
1.6
1.6
1.2
1.2
0.8
0.8
0.4
0.4
0.0
0.0
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
Response of FFR to CPI 1.6
Response of FFR to FFR 1.6
金融计量学张成思Lecture 9-2
这样，本例中的VAR模型对应的 VECM形式就可以写成：
或者写成：
y1,t 1 1t y1t 0.6 y 0.2 1 2.5 y 2t 2,t 1 2t 1t 0.6 y1,t 1 2.5 y2,t 1 （9.48） 0.2 2t
假设我们已获得矩阵B，接下来定义： Z t BYt （9.42） 因为rank ( ) r，而模型（9.42）中矩阵B的行有r个 来自矩阵 的线性无关行，所以矩阵 的所有n个行可以 写成矩阵B的组合，即： AB 把模型 AB代入到模型（9.27）中，就可以获得： * ( L)Yt C ABYt 1 t C AZ t 1 t 模型（9.43）就是所谓的VECM表达式。 （9.43）
9.5
第一种情况，是最简单的情形， 即假设Yt的组成变量都不含有确定性 趋势，协整向量中也不含有确定性趋 势变量（即常数项），即： Yt Yt 1 t ABYt 1 t (9.56) 其中，, A和B与前面的定义相同。
第二种情况，假设Yt的组成变量都 不含有确定性趋势，而协整向量中含有 确定性趋势，即：
9.4 9.4.1
向量误差修正模型（VECM） VECM的表达形式 对于含有n个变量的VAR模型，当对 应的矩阵 的秩介于0和n之间的时候， 即0 r n ，这n个变量之间存在 r 个协整 关系。让我们定义一个 r 维的矩阵B， 其中B的列含有 (n r ) 个不同的线性独立 协整向量，所以 rank ( B) r 。
y1t 0.6( y1,t 1 2.5 y2,t 1 ) 1t y2t 0.2( y1,t 1 2.5 y2,t 1 ) 2t
金融类专业《金融计量学》课程教学思考
金融类专业《金融计量学》课程教学思考1. 引言1.1 研究背景金融计量学作为金融类专业的重要课程，旨在帮助学生掌握运用计量方法解决金融问题的能力。
随着金融市场的不断发展和金融产品的日益复杂，对于金融从业人员的计量技能提出了更高的要求。
学习金融计量学课程成为金融类专业学生的必修课之一。
近年来，随着大数据和人工智能技术的不断发展，金融行业对于数据分析和计量模型的需求不断增加。
传统的金融计量模型可能无法满足当前金融市场的需要，因此对于金融计量学课程的教学内容和方法也提出了更高的要求。
在这样的背景下，对金融计量学课程的教学进行思考和探索，旨在提高学生的计量分析能力，培养学生的金融计量技能，为他们未来的金融职业发展奠定基础。
【研究背景】的设定旨在对金融计量学课程的教学进行深入探讨，为提高金融类专业学生的学习效果和就业竞争力提供理论支持。
1.2 研究目的研究目的主要是为了探讨金融计量学课程在金融类专业中的重要性和必要性。
通过深入分析课程设置、教学方法、案例分析、实践教学和评估方式，我们旨在寻找最佳的教学模式，以提高学生在金融领域的计量能力和实践能力。
我们也希望通过本研究为金融类专业的教学工作提供一些可行的建议和借鉴，以适应金融市场的快速变化和需求。
通过对金融计量学课程的深入研究和讨论，我们希望能够提高学生的综合素质和竞争力，为他们未来的就业和发展打下坚实的基础。
【内容字数：138】2. 正文2.1 金融计量学课程设置金融计量学课程设置是金融类专业中非常重要的一门课程，它旨在帮助学生通过量化分析和统计方法来解决金融领域的问题。
这门课程通常涵盖以下几个方面：1. 课程目标：金融计量学课程旨在培养学生具备量化分析能力，能够运用统计方法来分析金融市场的数据，预测未来走势，制定投资策略等。
2. 课程内容：金融计量学课程一般包括基本的统计学知识，如各种统计分布、假设检验、回归分析等，同时也会涉及金融领域特有的内容，如资本市场理论、金融衍生品定价等。
《金融计量学》课件 中国人民大学Lecture 7-02
50
55
60
65
70
75
80
85
90
95
00
05 20
19
19
19
19
19
19
19
19
19
19
20
20
10
去除线性时间趋势法 获得的差分序列的ACF图
图7-6 差分法获得的序列
7.3.3 去除趋势的方法比较 前面小节讨论了差分法和去除时间 趋势法，并且认识到不同的趋势非平稳 序列需要采用不同的去除趋势成分的方 法。实际上，去除含有趋势成分的非平 稳时间序列的方法还有很多滤波方法。 常见的有HP滤波、卡尔曼滤波，以及近 年来新发展起来的BK滤波和CF滤波。
图7-5 去除线性时间趋势法 获得的序列
图7-7 各种滤波给出的美国 真实GDP周期成分
8 4 0 -4 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 HP Filter Kalman Filter Baxter-King Filter Christiano-Fitzgerald Filter
25
50
75
100
以上处理方法很容易拓展到高阶 单整序列。例如，假设 yt 是一个I(2) 过程，那么对其二次差分就可以获得 平稳序列，即：
yt (yt ) ( yt yt 1 ) ( yt 1 yt 2 ) yt yt 1 yt 2
2
其中：“ 2 ”表示二次差分符号。 依此类推，“ 3 ”表表示三次差分符 n 号，而“ ”表示n次差分符号。
《金融计量学》课件
VS
时间序列分析
对按时间顺序排列的数据进行统计分析， 探究时间序列数据的内在规律和变化趋势 。
概率论与数理统计
概率论
研究随机现象的数学规律，为金融计 量提供理论基础。
数理统计
利用样本数据推断总体特征，进行风 险评估和预测。
线性代数与矩阵运算
线性代数
研究线性方程组、矩阵和向量等数学对象，用于金融数据的 处理和分析。
参数估计与假设检验
参数估计
利用样本数据估计模型中的未知参数，常用方法包括最小二乘法、最大似然估计法等。
假设检验
对提出的假设进行统计检验，判断假设是否成立，常用的假设检验方法有t检验、z检验 、F检验等。
模型选择与模型检验
要点一
模型选择
根据数据特征和实际需求选择合适的计量经济学模型，如 线性回归模型、时间序列模型等。
高频数据与超高频数据的计量分析
01
时间序列分析
利用高频和超高频数据，进行时 间序列分析，研究金融市场的动 态变化和波动性。
02
03
微观结构分析
风险管理
分析市场微观结构，探究交易机 制、价格发现机制等，提高对市 场行为的认知。
基于高频和超高频数据，构建风 险管理模型，提高风险控制和预 警能力。
复杂网络与金融市场的结构和动态
详细描述
资产定价实证研究是金融计量学的重要分支之一，主 要关注资产价格的决定因素和变动规律。研究者通过 收集历史数据，运用统计分析方法，检验资产定价模 型的有效性，并探讨市场有效性问题。这些研究有助 于投资者更好地理解市场运作机制，制定合理的投资 策略。
风险管理实证研究
总结词
风险管理实证研究主要探讨如何运用金融计量方法进 行风险评估和管理。
金融计量presentation讲义
1《财经问题研究》中国核心类期刊、中国期刊方阵双效期刊、全国双十佳社科学报。
北大核心，也就是cssci的来源。
2Logit：也译作“分类评定模型”，或Logistic regression，“逻辑回归”），是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。
Probit：是一种广义的线性模型，服从正态分布。
目前已发展成为一个由一元Probit模型,多元Probit模型(MPM),多项Probit模型(MNP),有序Probit模型(OP)等模型及处理方法组成的模型体系。
5多数研究认为多元化经营损害公司价值…而归核化经营创造价值，这似乎意味着公司应该选择归核化而不是多元化，然而，为什么每年多元化经营成功的企业几乎与专业化的企业一样为数众多?那么在国内最典型的例子莫过于“巨人集团”，在涉足房地产和生物制药业后而轰然倒闭。
在国外最典型的例子是美国的“安然公司”，因多元化经营不当引发财务危机，最终导致破产。
8托宾Q值(Tobin's Q Ratio)，由诺贝尔经济学奖得主詹姆斯·托宾（James Tobin）于1969年提出。
托宾Q值是公司市场价值对其资产重置成本的比率。
反映的是一个企业两种不同价值估计的比值。
分子上的价值是金融市场上所说的公司值多少钱，分母中的价值是企业的“基本价值”——重置成本。
公司的金融市场价值包括公司股票的市值和债务资本的市场价值。
重置成本是指今天要用多少钱才能买下所有上市公司的资产，也就是指如果我们不得不从零开始再来一遍，创建该公司需要花费多少钱。
其计算公式为：托宾Q值= 公司的市场价值/资产重置成本当Q>1时，购买新生产的资本产品更有利,这会增加投资的需求；当Q<1时，购买现成的资本产品比新生成的资本产品更便宜,这样就会减少资本需求。
ROSS等人撰写的著名MBA教材《公司金融》里，指出“多元化本身并不能创造公司价值”。
第1章金融计量学介绍
考核方式：
考试 (70 ％) 、 作业（包括实验报告） (20％)
平时表现(10％)
8
第一章 金融计量学介绍
9
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
与金融计量学有关的金融理论的基本概念
10
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_yjs@
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 法是经济学研究的基本方法论。通过该门课程教学，使学 生掌握计量经济学的基本理论与方法，并能够建立实用的 金融计量经济学应用模型。 ⑵ 先修课程 金融学、货币银行学、概率论与数理统计、应用数 理统计，经典计量经学。
13
经典计量经济学在应用方面的特征是：
⑴ 应用模型方法论基础——实证分析、经 验分析、归纳；
⑵ 应用模型的功能——结构分析、政策评 价、经济预测、理论检验与发展； ⑶ 应用模型的领域——传统的应用领域， 例如生产、需求、消费、投资、货币需求， 以及宏观经济等。
14
（2）非经典计量经济学
一般指20世纪70年代以来发展的计量经济学 理论、方法及应用模型，也称为现代计量经济 学。
宏观计量经济学（经典）：研究宏观计量经济模型，实证经济理
论、经济结构分析、经济预测、经济政策和外部冲击的 政策 评价和计算机模拟，如消费、进出口、投资等，利用宏观经济数 据 据
中国人民大学财政金融学院研究生导师简介 张成思
中国人民大学财政金融学院研究生导师简介张成思教师档案：张成思性别男职称教授职务院长助理兼货币金融系主任电子邮件zhangcs@;zhangchengsi@ 工作时间1999年8月接待日教育背景1999年7月毕业于大连理工大学获经济学士学位（国际经济学方向）2006年9月毕业于英国曼彻斯特大学经济学院获经济学博士学位“考金融，选凯程”！凯程人大金融硕士考研保录班战绩辉煌,在2014年考研中,10人被人大金融硕士录取,6人为人大金融硕士北京录取,4人被人大金融硕士苏州校区录取, 经过凯程保录班初试和复试的全程培训,顺利考入人大. 2016年人大金融硕士保录班开始报名了,同学可以咨询凯程老师.工作经历2006年10月至今：中国人民大学财政金融学院金融学－数学本科双语实验班特色项目执行主任2006年10月至今：中国人民大学财政金融学院金融学讲师、副教授、教授、博导2008年4月至今：芝加哥大学&中国人民大学金融EMBA项目协调人学术和社会兼职FrontiersofEconomicsinChina期刊编委(Econlit收录期刊)JMCB等多个国际知名SSCI期刊匿名审稿人《中国社会科学》、《经济研究》、《世界经济》等中文权威学术期刊匿审专家国家外汇管理局、世界银行与IMF顾问专家中国农业部项目规划办项目评标金融专家中国船舶重工国际贸易有限公司、神州数码控股有限公司金融专家美国计量经济学会成员（2008－）英国皇家经济学会成员（2006－）讲授课程中国人民大学：金融学（货币银行学）金融时间序列分析金融计量学国际金融金融专业英语英国曼彻斯特大学：Macroeconomics；BasicEconometrics；AdvancedStatistics；香港中文大学：AppliedTimeSeriesAnalysis（Ph.D、MPhil）AppliedForecastingMethods（Undergraduate）教学成果和荣誉2011年，宝钢优秀教师奖2011年，中国青年经济学者论坛优秀论文奖（10年仅6篇）2011年，北京市第七届青年教师教学基本功二等奖2011年，中国人民大学第六届青年教师教学基本功大赛特等奖（第一名）2011年，中国人民大学先进工作者2010年，北京市哲学社会科学优秀成果奖二等奖2010年，中国人民大学优秀班主任2010年，中国人民大学优秀科研成果奖2008年，教育部“新世纪优秀人才支持计划”2007年，主持国家级双语教学示范课程《金融计量学》科研方向宏观金融（货币银行、货币政策、通货膨胀动态机制）金融发展金融时间序列分析代表性学术成果专著:[1].2012，张成思（专著，50万字），《金融计量学——时间序列分析视角》（新版），中国人民大学出版社。
《金融计量学》教学大纲(本科)
《金融计量学》教学大纲（一）课程地位金融计量学是金融工程专业学生在继统计学、多元统计、计量经济学等课程后学习的又一门统计计量工具类课程，为金融学研究和金融业界定量分析的重要工具，也是金融数据挖掘、金融计算等后续课程的先修课程之一。
（二）课程目标1.在计量经济学基础上进一步掌握一系列更深层次的时间序列模型，如ARIMA、VAR、VECM、GARCH等模型，理解其基本原理、适用条件。
2.要求学生熟练应用EViews软件，构建多种时间序列模型，学会调试模型和解读模型输出结果。
二、课程目标达成的途径与方法本课程本着学以致用的原则，结合当前的实践，以课堂教学、上机实验为主，结合自学、课堂讨论、课外作业等方式，通过模型建立和估计的原理、方法的教学，使学生在解决实际金融计量问题的过程中学会金融计量方法，并将其在软件中实现。
三、课程目标与相关毕业要求的对应关系四、课程主要内容与基本要求第一章金融计量学初步主要内容：金融计量学的范畴，金融时间序列数据，金融计量分析中的基本概念。
要求学生了解金融计量学的研究对象，掌握金融时间序列的概念，了解金融计量分析的基本步骤。
第二章金融计量软件介绍主要内容：各类金融计量软件的使用简介。
要求学生了解各种软件擅长的方面。
第三章差分方程、滞后运算与动态模型主要内容：一阶差分方程，动态乘数与脉冲响应函数，高阶差分方程，滞后算子与滞后运算法。
要求学生掌握一阶差分方程的组成，掌握动态乘数与脉冲响应函数的概念，了解高阶差分方程，掌握查分方程系统稳定的条件与判断方法，掌握滞后算子与滞后运算法。
第四章平稳AR模型主要内容：一阶自回归模型AR （1）, p阶自回归模型AR （p）o要求学生掌握自回归模型的定义，掌握自协方差和自相关函数的定义与计算，掌握判断自回归过程平稳的条件。
第五章平稳ARMA模型主要内容：移动平均过程（MA）,自回归移动平均过程（ARMA）,部分自相关函数，自相关性检验。
要求学生掌握MA的定义、ARMA定义、部分自相关函数的定义，掌握偏自相关函数和自相关函数在各种模型下的图形特征，掌握ARMA滞后节数的初步判断，掌握自相关的Q检验和LM检验。
金融计量学张成思Lecture 2-02
例如p＝5时，
α 1 α 2 1 0 F =0 1 0 0 0 0
α3 α4 α5
0 0 1 0 0 0 0 1 0 0 0 0
现在，p阶差分方程就可以转化为：
yt α1 α 2 α 3 L α p yt −1 ε t y y 0 1 0 0 L 0 t −2 t −1 yt − 2 = 0 1 0 L 0 yt −3 + 0 M M M 0 M M M M yt − ( p −1) 0 0 0 1 0 yt − p 0
利用滞后算子，还可以简化高阶差 分方程的表达式。例如，对于p阶差分方 程，利用滞后算子可以写作： 2 p (1−α1L −α2 L −L −α p L ) yt = εt （2.39） 或者写出更为简洁的形式： α ( L ) yt = ε t
α 其中： (L) = (1−α1L −α2L −L −αp L )。由此 α 可知， (1) = 1 − α1 − α2 − L − α p 。
xt- p + yt-p = L xt + L yt = L (xt + yt ) 。 p q q p （4）交换律，即 L L yt = L (L yt ) = yt- p-q 。
p p p
运用以上介绍的滞后算子运算规律， 可以将二阶差分方程写成：
yt = (α1L + α2 L ) yt + εt
(1 − α1L − α2L2 )，则得到： 在等式两边同除以
yt = (1 − α1L − α2L ) c + (1 − α1L − α2L ) εt
金融计量学张成思Lecture 6-2
yi ,t −1
† ˆ ˆ ij ∆ yi ,t − j + xit β i† ) = yi ,t −1 − ( ∑ α
然后，假设回归模型(6.41)得到的 回归方程的标准差为S，则可以分别将 ∆ y i , t 和 yi ,t −1标准化为： ∆ %i , t = ∆ y i , t / S y
这种方法实质上是利用拔靴技术针对一系列可值模拟出最小二乘估计的有限样本分布利用格点搜索法计算hansen的蒙特卡洛模拟表明无论是平稳的时间序列模型还是局部含有单位根的非平稳模型格点拔靴估计都能提供正确的置信区间
6.3.6 面板单位根检验 面板单位根检验，是对面板数据进 行的单位根检验。如果我们有几个不同 变量的时间序列数据，并且其时间跨度 一致，那么就可以对这样一组时间序列 变量进行单位根检验。所以，面板单位 根检验可以理解成对多个序列同时进行 单位根检验。
ρ2 ˆ ρ R
ρ
表6-3 1980Q1-2007Q1中国通货膨胀ADF模型系数 ρ 的估计
格点拔靴估计 最小二乘估计
中值无偏
90%置信区间
p-auto
滞后期
CPI
0.940
[0.883 , 1.011]
0.922 (0.030)
0.94
0.56
6
RPI
0.942
[0.866 , 1.019]
0.918 (0.041)
应用于单位根检验的拔靴法是基于 Hansen (1999)的格点拔靴方法。这种方 法实质上是利用拔靴技术针对一系列可 能的 ρ 值模拟出最小二乘估计的有限样 本分布，利用格点搜索法计算 ρ 值的置 信区间。
Hansen的蒙特卡洛模拟表明，无论 是平稳的时间序列模型还是局部含有单 位根的非平稳模型，格点拔靴估计都能 提供正确的置信区间。所以，可以使用 服从拔靴分布的百分位数函数构造ADF 检验模型中系数 ρ 的90%置信区间，进 而利用格点拔靴估计的50％百分位数计 算通胀惯性系数的中值无偏估计。