金融数据的计数模型.pdfVIP

《统计手册：金融中的统计方法》 第 12 章 金融数据的计数模型 A. Colin Cameron 和 Dravin K. Trivedi 在一些金融研究中，因变量是一个计数（count），取非负的整数值，这样的例子包括对 被兼并企业竞价收购（takeover bids）的次数、未支付的信用分期付款的次数（在信用评级 时有用）、事故的次数或事故的索赔次数（在确定保险费时有用）、提前支付的抵押贷款的次 数（在为有抵押保证的（mortgage-backed）证券定价时有用）。本文讨论诸如泊松模型和负 二项式模型这样的计数模型，特别强调基本计算过程及其在持续期和对偶数据的联系。在金 融应用的背景下，本文对标准计数模型的回归技术本身进行讨论。 1.引言 在计数回归中，主要关注的是协变量（covariate）对用非负整数值或数目衡量的一个事 件的频率的影响。计数模型，例如泊松模型（Poisson）和负二项式模型（negative binomial） 类似于 probit 模型 和 logit 模型这样的二元模型以及其他受限因变量模型——如著名的 tobit 模型——因变量的样本空间都受限。计数模型用于广泛的学科领域。对于早期在经济学 上的应用和文献综述，参见 Cameron 和 Trivedi（1986）。对于更近期的发展，参见 Winkelmann(1994)以及 Winkelmann和Zimmerman（1995）。关于当代文献的一个完备的综述， 参见 Gurmu 和 Trivedi（1994）。 计数数据的基准模型是泊松模型，假如离散随机变量 Y 是一个参数为λ的泊松分布，它 −λ y 具有密度函数e λ / y !，均值λ和方差λ。许多金融样本的频率、均值和方差见表 1。Jaggia 和 Thosar(1993)关于被兼并企业首次出价后竞价收购的次数的例子说明，在泊松模型的一个 典型应用中，小计数占多数。Greene(1994)关于个人信用卡申请者的信用历史的主要信誉受 损报告的次数说明有过度离中(overdispersion)，即与要求总体的均值和方差相等的泊松模 型相比，样本方差比样本均值大得多，0 过多，因为观测到的 0 计数的比例为 0.804，比预测 概率e−0.456 0.633 大得多。将在下面定义的负二项式分布有适应这种过度离中的潜力。事实 上，均值为 0.456、方差为 1.810 的负二项式模型给出的 0的预测概率是 0.809。一个相关的 例子是 Dionne，Antis和Guillen（1996）的数据。他们根据一家银行债权人无法收到的分期 支付贷款的次数建模。Davutyan(1989)关于每年有多少银行倒闭的数据是一个时间序列，增 加了复杂性。由于五个最大的次数是样本后期的最后五个观测值，数据可能是序列相关的。 在计数数据的计量经济学应用中，集中于分析回归元 X 的作用， X 是通过设定 ( ) λ exp X β 引入的，其中参数向量β 可以用最大似然法估计。例如，对被兼并企业竞价的 收购次数的平均次数可能与该企业的规模有关。 计数回归和持续期（或等待时间）模型之间有重要的联系。这些联系可从研究事件间的 等待时间的基础随机过程来理解，这涉及到状态（state）、时段（spell）和事件（event） 三个概念。状态是一个个人或一个金融实体在一个时点上的分类。时段由状态定义，是进入 的时间和退出的时间。事件是从一个状态向另一个状态的瞬间转换。 1 《统计手册：金融中的统计方法》 表 1： 一些计数变量的频率 作者 Jaggia-Thosar Greene Guillen Davutyan 计数变量 首次出价后竞价 信誉受损报告 信用违约次数 银行倒闭次数 的次数 次数 样本容量 126 1319