基于核密度估计的上证A股收益率的分析.docVIP

第六章 基于核密度估计的上证A股收益率分析 一、模型的相关理论知识 （一）问题的提出 经济计量研究中常用的是参数估计,即假定经济变量之间具有一定的函数关系,且函数形式是可以确定的,可以写成带参数的形式进行估计,经典的线性回归和非线性回归就属于参数估计方法。但经济变量之间的关系未必是线性关系或可线性化的非线性关系,而变量之间的真实关系到底是什么又很难确定。因而当模型及参数的假定与实际背离时,就容易造成模型设定误差。此时,基于经典假设模型所做出的预测,很难达到预期的效果。针对该问题，非参数估计方法提供了最佳的解决办法，它使我们能寻找到最精确的非线性系统来描述变量之间的内在关系。非参数估计的回归函数的形式可以任意,没有任何约束,解释变量和被解释变量的分布也很少限制,因而有较大的适应性,其目的在于放松回归函数形式的限制,为确定或建议回归函数的参数表达式提供有用的工具,从而能在广泛的基础上得出更加带有普遍性的结论。核估计就是一种非参数估计方法,主要用于对随机变量密度函数进行估计。 （二）核密度估计方法的原理 设是从具有未知密度函数的总体中抽出的独立同分布样本，要依据这些样本对每一去估计的值。 密度估计最基本的方法是直方图估计，我们可以从直方图估计导出密度核估计。作直方图时，先用点把直线分成若干小的计数区间。这样，计数区间的端点与宽度都是固定的。记为样本点落在第i个计数区间里的个数，则密度函数在里的函数估计值就取为： 这样的直方图估计结果是阶梯函数，如果对每个,各作一个以为中点的小计数区间, 再对落在该计数区间的样本点计数，设为，则密度估计为：。其与直方图不同在于它的计数区间端点划分不是固定的，而是随而变，可以自始至终保持点在计数区间中间。不过此时计数区间宽度一般是固定的。如果引进均匀核函数，则上述变端点计数区间的密度估计可写为： 。 后来Parzen(1962)提出，可以将这种核函数形式放宽限制，只须积分为1（最好还为恒正）即可。这就导出了一般的密度核估计： （6-1） 其中为核函数，h为窗宽。 另外也可以从经验分布函数导出密度核估计。 经验分布函数也是一种计数，不过从一直计到为止。利用它表示一个以为中心,窗宽为计数区间里的样本点数,于是密度估计为： 对核函数形式放宽了，一般来说，要求核函数满足以下条件： 对于一般概率密度函数，这些条件是能满足的，所以可以选一个概率密度函数作核函数。对窗宽h的要求，显然样本数越多，窗宽应越小，但不能太小，即h是n的函数，且。在上述要求的核函数及窗宽条件下，密度的核估计是的渐近无偏估计与一致估计。 （三）几种常用的和函数 下面介绍几种常用的核函数：均匀核，高斯核，Epanechnikov核三角形核，四次方核，六次方核。 的选择对估计的效果影响较大。一般来说，窗宽取得越大，估计的密度函数就越平滑，但偏差可能会较大。如果选的太小，估计的密度曲线和样本拟合得较好，但可能很不光滑，即方差过大。所以，窗宽的变化不可能既使核估计的偏差减小，同时又使核估计的方差较小。因此，最佳窗宽的选择标准必须在核估计的偏差和方差之间作一个权衡，即使积分均方误差达到最小。选择h的方法有许多，比如交错鉴定选择法，直接插入选择法，在各个局部取不同的窗宽，或者估计出一个光滑的窗宽函数等等。 = （6-2） 可以证明，在很一般的正则条件下，使积分均方误差极小化的任何h取值一定与成比例。 由此得到，一般的最佳窗宽选择为（其中c为常数），通过不断地调整c，使得所采用的窗宽的核估计达到满意的估计结果。的两个常见选择为： （6-3） （6-4） 其中，n为样本单位数。s为的标准差，为数据的0.75分位数估计值和0.25分位数估计值之差。因子1.059实际上就是，是通过最优性证明得出的，因子0.785是1.059除以1.349得出的，1.349是标准正态分布的四分位数中间跨度。 二、案例分析：基于核密度估计的上证A股收益率分析 （一）案例背景材料 中国的股票市场经过二十多年的发展，已经取得了令人瞩目的成就。在市场参与者各方的共同努力之下，市场日渐走向成熟和完善，对中国股票市场的研究也日渐深入和丰富多彩。几乎所有的关于市场的学术研究中都会涉及到股票的收益率，而在股票市场，对收益率随机过程的充分认识是做出正确投资决定的基础，因为它提供了有关资产风险的基本信息。 在现代金融经济学中，线性范式一直占据着主导地位，许多经典理论都是以正态分布或对数正态分布为基础建立的。股市收益率作为反映股票市场波动性的指标，在描述股价行为