非参数可加模型在股指收益预测中的应用.docVIP

非参数可加模型在收益预测中的应用Monte Carlo模拟 其中yt和xt是时期t的上证指数的股票收益率和市盈率。在这个线性回归模型中，参数表示市盈率的自相关度，=1表示xt是单位根I（1）序列，1表示xt是平稳的I（0）序列，＝1+c/T表示xt是临近单位根序列。本文用Eviews做线性回归模型操作。 本文假设不同时期的误差项之间是相互独立的，而且同一时期的和是相关的，即假设，而且和的相关系数为。此外，我们可以得出误差项是二元正态分布，即有。 同时，由于市盈率还会受股票价格的影响，因此误差项也会对xt有一定的影响。而且模型中遗漏的以及市盈率xt相关的解释变量也有可能导致和的相关度。这就会在模型的估计中引人内生性问题。 2.2传统线性回归模型的批判 然而，通过Eviews软件的试验操作，我们发现线性回归模型有很多弊端。 首先，在有限样本下会存在偏差并且会扩大第一类统计错误。因为在预测模型具有内生性问题的情况下，或者当市盈率之间具有高度自相关时，在有限样本条件下，用最小二乘估计得出的xt的系数和标准差是显著有偏的。此外，在 传统的时间序列的线性回归中，无论是大样本条件下还是小样本条件下，由于xt是近似单位根，这会扩大第一类统计的错误。高度自相关的市盈率和模型的内生性是产生这样问题的原因，第一，由于，即和的联系是非零的，所以模型有内生性问题，从而违反了高斯-马尔科夫定理，这就使得最小二乘估计的系数是有偏并且是无效的。另外，解释变量序列市盈率是高度自相关的，又＝1+c/T或者＝1时，序列是非平稳的。这样，t统计量的渐进分布将不再服从标准正态分布。 其次，区分预测变量（市盈率）的自回归系数的难度较大。在预测回归模型有严重的内生性的情况下，对预测变量的自回归程度清楚了解将有助于分析并推断不同的情况。在预测回归模型的误差项之间是不相关的或者xt是平稳序列时，传统的t统计量依然是可以作为具有标准的正态分布。此外，模型的应该囊括单位根的假设，如果单位根的假设是正确的。如果能通过对xt的预先检验就能准确的了解市盈率的子相关度，并依此来区分不同情况下t统计量的临界值。即:在时，而且当xt是单位根假设的情况下，的t统计量是非标准的分布。 但是ADF检验，PP检验，KPSS检验等这些现有的单位根检验不能区分xt是单位根还是近似单位根。如果预先检验的结果是错误的，那么所得出的预测变量的分类也将是错误的，这样就使得就下去的分析也没有了意义。 再者，会导致预测模型的不稳定性。用市盈率来构造的预测模型会有不稳定性，或者是线性的预测回归模型不能描述市盈率和收益率之间的联系。 2.3线性预测回归模型的改进 对于上述线性回归模型的弊端，可以利用有限样本理论纠正最小二乘估计量的偏度。方法有：1.一阶偏度调整估计量2.二阶偏度调整估计量3.保守的偏度调整的估计量4.最小自相关估计量。此外，也可以用临近单位根的假设来解决t统计量扩大第一类统计错误的问题。对线性回归模型的不稳定性的调整，是在线性预测回归模型的基础上进行的修改。通过非线性的参数模型的假设发展成了条件t检验。还有对线性模型的修改，使其允许回归系数的结构转化。此外，非参数方式的利用使得预测模型有了新的发展，比如可以用非参数回归的方式来估测股指收益。还有学者提出了单位根的假设，并构造非参数的模型：，并提出检验股指收益率的预测方法。另外一些学者假设预测模型有非平稳的xt并且是非线性的方式，从而可以利用可积的非线性方程和多项式对股票的收益进行预测。甚至还有学者把线性预测模型发展成为有时变函数的系数方程。 3.1.1 数据 我在本文中采用的数据是2009年到2011年的上证指数收益率和市盈率。数据的频率为日数据，周数据，月数据。相应的市盈率作为股票收益的预测变量。所有的数据取自中国社会科院金融研究数据库 月收益率 月市盈率 周收益率 周市盈率 日收率 日市盈率 平均 0.0151 23.0940 0.0041 23.0628 0.0009 23.0548 标准误差 0.0175 0.6916 0.0033 0.3303 0.0024 0.1526 中位数 0.0253 22.5700 0.0074 22.4850 0.0016 22.6600 标准差 0.0877 3.4580 0.0351 3.4646 0.0551 3.5495 方差 0.0077 11.9577 0.0012 12.0033 0.0030 12.5988 峰度 1.8995 -0.9943 -0.2025 -1.1471 222.7471 -1.0679 偏度 -1.0759 0.2369 0.0120 0.0774 -0.2786 0.0086