布鲁克斯金融计量经济学中文课件3.pptVIP

第 3章 古典线性模型概要 回归 对于计量经济学家来说回归是最重要的工具。 回归的目的是对一个真实参数的值进行估计或利用数据进行预测。 什么是回归分析? 回归是描述和估计一个给定变量与一个或更多个其它变量之间的关系 一些术语 定义 y 为被解释变量 ， k个相互独立的变量 x1, x2, ... , xk 为解释变量 。 对于 y 和 x 来说可以使用的名称: y x 因变量 自变量 效果变量 原因变量 被解释变量 解释变量 注：解释变量 x 可以有多个，为了便于理解，现在我们假设x只有一个。 回归与相关的不同  如果我们说2个变量 y 和 x 是相关的 , 这意味着我们以一种对称的方式处理 y 和 x 。 在回归中, 我们用不同的方式处理被解释变量y和解释变量x. y 被假设为随机的, 例如，有一个概率分布 。然而， x被假设为重复抽样中的固定值（非随机的）. 简单回归  为简化起见, 令 k=1. 在这种情况下 y 仅仅依赖于一个 x。 有关上面这种关系的例子： 资产的回报是如何随着市场风险的变化而变化的。 测量股票价格和股票分红之间的长期关系。 构造一个最优套期保值比率。 简单回归: 例1 假设对于一个管理基金的投资组合 (“基金 XXX”)的超额回报和股市指数的超额回报，我们有如下的数据: 我们在直觉上认为该基金的beta( beta 测量股票对股市指数的反应)应该是一个正数, 因此，我们希望利用手上的数据来证实它们之间的确有这种关系。第一步，是画这2个变量的散点图。 散点图 寻找一条最优拟合直线 对于一条直线，我们可以用以下的方程, y=a+bx 来拟合数据。 然而, 这个方程 (y=a+bx)是完全确定的。 这符合实际情况吗? 不符合。所以我们要在这个方程里加入一个挠动项， u。 yt = ? + ?xt + ut 式中 t = 1,2,3,4,5 为什么要加入挠动项? 挠动项能够反映数据的一些特征: - 我们经常会忽略一些影响 yt 的某些确定的因素。 - 我们对于 yt 总是会存在一些测量误差。 - 我们不可能把影响 yt 的所有的的随机因素都在模型中考虑 例2 资本性资产定价模型(CAPM) yt = ? + ?xt + ut t = 1,…,T yt : 一个股票的回报 xt : 一个市场指数的回报 ut : 其它随机因素的影响 一个投资者希望找到一个具有正?的股票进行投资（在金融理论中，如果市场是有效（均衡）的话，? =0。 ? 0 ，意味着现价低于均衡价格，股票定价过低； ? 0,意味着现价低于均衡价格，股票定价过低）。 例2 (续) ? 度量股票对市场指数回报的反应 : 如果 ? 1，当市场指数回报上升时，该股票的回报比市场上升得快，当市场指数回报下降时，该股票的回报比市场下降得快，我们称这种股票为进攻性股票。 如果 ? 1，当市场指数回报上升时，该股票的回报比市场上升得慢，当市场指数回报下降时，该股票的回报比市场下降得慢，我们称这种股票为防御性股票。 如果 ? = 1，这种股票的回报的变化，就平均而言，与市场指数是一致的，我们称这种股票为中性股票。 例2 (续) 巴西一个股市指数, 例2 (续) 例2 (续) 例2 (续) 确定回归系数 怎样决定 ? 和? ? 选取 ? 和?使得数据点到拟合直线的垂直距离最小 (这样拟合直线就可以尽可能靠近数据点): 普通最小二乘法 用直线来拟合数据最常用的方法是普通最小二乘法 (ordinary least squares， OLS). 取每个数据点到拟合直线的垂直距离，然后对它进行平方，最后对平方数据求和并使之最小化 ( least squares)。 令 yt 为第t次观测到的实际数据值 回归线的拟合值 为残差（第t次观测到的实际数据值与回归线的拟合值之差）, 实际和拟合值 怎样做OLS？ 最小化 , 或者最小化 （残差的平方和）。 什么是 ? 它是第t次观测到的实际数据值与回归线的拟合值之差, yt - 所以，最小化 等价于选择 和 ，使得 最小。 OLS估计式的推导 有