上市公司股价异动的数据建是模诊断.docVIP

上市公司股价异动的数据建模诊断 上市公司股价异动的数据建模诊断 　　上市公司股价异动是证券市场监管层与投资者都很关心的问题，在这方面已有学者做出了一些探索，如，肖淑芳、李阳[1]运用事件分析法，对重大信息披露与股价异动的相关性进行了研究。史永东、蒋贤 峰[2]以Logistic模型为分析工具，建立了违法违规行为的判别模型。Thierry Ane，Loredana Ureche Rangau等[3]采用稳健统计方法对亚太股市指数收益中异常点做了检测分析。曾伟[4]运用资产定价回归模型的拟合系数来捕捉股价波动的同步性，研究了上市公司质量与市场波动性的关系。瞿宝忠、徐启帆[5]利用残差系数法来研究重大并购事件首次公告之前股价的异常波动。Aurea Grane， Helena VEiga[6]基于小波变换技术对金融时间序列中的异常点进行了检测研究。 　　本文试图从数据建模诊断的角度，对这个问题进行探讨。 　　我们知道，通过数据建立模型来对经济现象进行分析时，我们对数据本身是做了很多严格的假设条件的，只有这些条件真正满足时，由本文由论文联盟http://www.LWlM.COM收集整理此得到的模型及其以后基于此所做的推断和结论才是可靠的，否则就值得怀疑。对于数据本身，我们经常假定数据是均匀同质的，即，假定数据集中每一个点对建模的影响是基本相同的，每个点对建模都有影响，但都很微小，单独一个或若干个点不应该对模型的总体变化趋势产生决定性的影响。而实际中，这个条件往往不能得到满足。一个数据集中，经常会有那么一个或几个不安 　　分的点，它们经常基于现有建模手段的漏洞来兴风作浪，它们就是数据集中的异常点，杠杆点及强影响点。 　　本文就是从这个角度，来寻找对建模有不同寻常影响的点，从而在数据集中发现这些异动点。那么，什么是异常点、杠杆点、强影响点呢？一般来讲，异常点是指那些与既定模型有较大偏离的数据点，杠杆点是指那些远离数据主体的点，强影响点是指对统计推断影响特别大的点。为了能检测出这些点，我们需要了解几个重要的诊断统计量。 　　我们知道，线性回归模型可表示为 　　i=1， 2， ， n 　　其中：yi为因变量；xi1，，xi（p?1）为自变量；i为随机误差；其第i组观察值为（yi，xi1，，xi（p?1））。通常可表示为矩阵形式如下： 　　Y=X+ （1） 　　其中：Y=（y1， ， yn）T，=（1， ， n）T，=（0，1，，p?1）T，X为np阶列满秩矩阵，其第i行为（1，xi1，，xi（p?1）），对于随机误差项，通常假定其分量1，，n相互独立，数学期望为零，方差具有齐性，即E（）=0，var（）=2I，其中2为未知常数，I为n阶单位矩阵，可记为 　　～（0， 2I） （2） 　　收稿日期：2013?04?29；修回日期：2013?11?22 　　作者简介：刘天（1974?）， 男， 黑龙江哈尔滨人， 东北财经大学金融工程专业博士研究生， 主要研究方向： 金融工程. 　　在多数情况下还假定服从标准正态分布，即 　　～N（0， 2I） （3） 　　通常的线性回归，大多采用了这些假设。这里有一个值得注意的重要问题，即给定的数据集 　　（yi，xi1，，xi（p?1）），i=1， 2， ， n， 　　是否符合关于模型的假定（1）（2）或（3）式？ 　　现考虑回归分析中常用的投影阵，在模型（1）式中，X的投影阵常记为P，并记为Q=I?P，Q为X的正交补空间的投影阵，I为单位阵。由于P作用到Y上可以得到拟合值，因此有些统计学家也称这种特定的投影阵为帽子矩阵（hat matrix）。 　　在（1）式中，把X的列向量记为1=（1， ， 1）T，矩阵X可写成分块形式如下： 　　由于P1=11T/n，Q1=（I?11T/n），由二次投影公式可知，帽子矩阵P可表示为 　　其中，J=11T，。 　　Xc称为矩阵的中心化，它在（i， j）处的元素xcij为 　　（4） 　　现记帽子矩阵的元素为pij，则P=（pij）具有以下性质： 　　； 　　（5） 　　帽子矩阵P的对角元素pii在回归诊断中起着十分重要的作用。矩阵就是观测矩阵X去掉已知的第一个向量1而得到。的每一行就是自变量的一组数据，现记 　　i=1， ， n 　　则由（4）可知，（5）式可写为 　　（6） 　　其中第二项表示点到的一种距离（关于矩阵的距离），通常称为马氏距离（Mahalanobis distance），平均值可看作数据的中心点，因此（6）式表明，pii越大，则第i组数据点xi离数据中心越远，反之，若xi离数据中心较远，则pii比较大。pii=1或pii1的数据点，通常称为高杠杆点（high leverage point），这