金融计量分析中需注意若干问题.docVIP

金融计量分析中需注意若干问题 　　摘 要:金融计量分析是对金融现象进行实证分析的主要方法#65377;在实际工作中,因对金融定量分析方法使用不当,经常产生事与愿违的结果,直接影响分析问题的质量水平#65377;针对这一情形,本文就目前金融计量分析中应注意的一些事情,提出个人的意见,以供参考#65377; 　　关键词:金融计量;数据处理;分析方法;模型构建 　　中图分类号:文献标识码:A文章编号:1007-4392（2006）08-0046-04 　　 　　随着计算机科学技术的迅猛发展以及在经济学中的应用,极大地改进了经济计量分析的技术手段,特别是高频数据的利用与时间序列计量模型的组合,使得金融计量学得到飞速发展,进而金融计量学演变为经济计量学的一个重要分支#65377;金融计量学就是计量经济学中的方法和技术在金融领域中的应用#65377;它可以用于检验经济学假说和金融理论,解释重要公认的金融现象,并对金融市场行为建模和预测#65377;鉴于金融计量在现代金融学中重要地位,本文就金融计 　　量分析在实际应用中需要注意的一些问题给出探讨#65377; 　　 　　一#65380;经济数据类型与金融数据特征 　　 　　众所周知,数据对于经济计量学的应用分析非常重要,且这种重要性无论怎样强调都不算过分,因而在进行计量分析之前首先要清楚所收集数据类型#65377;不同类型的数据所对应的数据处理和计量分析方法也不同#65377;目前,经济数据大致分为四种类型:一是横截面数据,指在给定时点上,对不同个体的某个变量的观察值#65377;二是时间序列数据,指由一个或几个变量不同时间段的观察值#65377;三是混合横截面数据,指横截面数据与时间序列数据的合并#65377;四是综列数据(panel data),指由横截面数据集中每个数据的一个时间序列组成#65377;它与混合截面数据主要区别是同一横截面数据的数据单位都被跟踪了一段特定的时期#65377;一般来讲,金融计量分析中所使用的数据大多数为时间序列数据和横截面数据#65377; 　　金融数据与经济数据相比,主要体现在频率#65380;准确性#65380;周期性等方面所具有的特有性质#65377;一般宏观经济数据都是季度#65380;年度数???,频率较低,这有时会导致“小样本问题”(即数据缺乏),从而给计量分析带来困难#65377;而金融数据则不然,在金融市场上可以得到月#65380;日,甚至每分钟的金融数据,用于计量分析的数据可以达到成千上万#65377;宏观经济数据通常是测算和估计出来的,不可避免会带有一定差错,而金融数据都是在金融交易发生时准确记录下的,因而存在差错的可能性要比宏观经济数据小得多#65377;金融数据序列与宏观经济数据序列一样,一般也是非平稳的,但金融数据序列一般难以区分随机游走#65380;趋势以及其他的一些特征#65377; 　　 　　二#65380;金融数据的处理 　　 　　（一)数据处理方法 　　金融时间序列数据,既有季节因素问题,又存在序列平稳性问题#65377;金融指标的月度或季度时间序列包含4种变动要素:长期趋势要素T#65380;循环要素C#65380;季节变动要素S和不规则要素I#65377;因而在进行分析时,季节变动要素和不规则要素往往掩盖了经济金融发展中的客观变化,给研究和分析经济发展趋势和判断目前经济所处的状态带来困难#65377;因此,需要在经济分析之前将经济时间序列进行季节调整,剔除其中的季节变动要素和不规则要素,利用趋势分解方法可将趋势和循环要素分离开#65377;对某些金融时间序列(如股票序列),不存在明显的趋势变动和季节变动,通常使用指数平滑方法对其进行拟合及预测#65377; 　　实践中,比较常用的数据处理方法主要有:一是移动平均法#65377;其实就是算术平均法,能对周期(及其整数倍)与移动平均项数项相等的周期性变动基本得到消除,互相独立的不规则变动得到平滑#65377;一般分为简单移动平均公式#65380;中心化移动平均#65380;加权移动平均#65377;二是季节调整(seasonal ad-justment),就是从时间序列中剔除季节变动要素,从而揭示出序列潜在的趋势循环分量,趋势循环分量能够真实地反应经济时间序列的客观规律#65377;只有季度#65380;月度数据才能做季节调整#65377;目前有4种比较常用的季节调整方法,如Census X12#65380;X11#65380;移动平均方法和Tramo/Sears方法(已有现成的软件可以计算)#65377;三是趋势分解#65377;测定长期趋势有多种方法,比较常用的方法有回归分析方法#65380;移动平均法#65380;阶段平均法(ph