人民大金融计量学：基于R和PYTHON教学课件5.pptx

第七章 分位数回归与金融计量 学习目标熟悉分位数回归的基本原理，明晰均值回归与分位数回归的差异，掌握分位数回归结果的经济解释；掌握分位数回归的建模过程及其在金融计量中的应用，学会使用分位数回归模型计算金融风险。均值回归模型描述的是自变量与“平均”因变量??(??│??)之间的关系。然而，人们往往更加关注极端分位特征。例如，在风险研究时，更加关注破坏性较强的极端尾部风险。本章将详细介绍分位数回归模型，阐述分位数回归模型在金融风险领域的应用，并结合实际例子，计算我国金融机构的系统性风险水平，旨在使学生了解相关金融安全知识，树立金融安全意识。 7.1 分位数回归模型概述7.2 分位数回归模型7.3 分位数回归模型的估计方法7.4 分位数回归估计值的解释7.5 分位数回归模型的拓展7.6 分位数回归与系统性风险专题7 基于分位数回归的金融机构系统性风险测度研究目录CONTENTS 分位数回归模型概述7.1 7.1 分位数回归模型概述传统回归分析主要关注均值，即采用因变量条件均值的函数来描述自变量每一特定数值下的因变量均值，从而揭示自变量与因变量的关系。金融风险研究通常关注极端风险，这一领域要求深入分析因变量的分布特征。对分布特征的描述包括中心位置、数值范围、偏态和其他高阶特征，而不仅是中心位置。Koenker和Bassett在1978年提出了分位数回归模型（Quantile Regression），该模型是线性回归模型的自然拓展。随着自变量变化，线性回归模型描述因变量的条件均值变化，而分位数回归模型强调条件分位数变化。 分位数回归模型7.2 7.2.1 总体分位数????? 7.2.2 样本分位数??? 分位数回归模型的估计方法7.3 7.3 分位数回归模型的估计方法????由于分位数回归的目标函数带有绝对值，因此通常采用线性规划求解估计值。? 7.3 分位数回归模型的估计方法?在实际应用中，我们可以很容易地使用R语言的quantreg包进行分位数回归估计。 分位数回归估计值的解释7.4 7.4.1 参照与比较对于线性回归模型而言，拟合系数可解释为估计效应，即因变量分布变化的均值情况，而均值变化来源于一个连续型自变量的单位增量，或者虚拟变量从0到1的变化。每一种变化都可理解为参照组和比较组在均值上的估计差异。对分位数回归的解释与上述类似，即参照组和比较组在特定分位数上的估计差异，当控制变量保持不变时，这一估计差异来源于自变量的单位增量，或者来源于虚拟变量从0到1的变化。 7.4.1 条件均值与条件中位数中位数回归是分位数回归的一种，它用于表达在特定自变量下因变量的条件中位数，并且中位数回归可作为拟合条件均值的一种替代方法，两种模型可进行对比。表7.1展示了沪深300指数收益率对中国银行股票收益率的估计系数，括号内为t统计值。为便于比较，我们也展示了线性回归OLS估计结果。表7.1 分位数回归系数估计值?OLS5%10%15%20%HS3000.5340.6440.5230.4880.469?(34.60)(19.39)(37.79)(42.71)(35.74)?50%80%85%90%95%HS3000.4470.4540.4650.4900.555?(41.80)(44.22)(85.77)(32.05)(13.74) 7.4.1 条件均值与条件中位数图7.1展示了不同分位点上沪深300指数收益率对中国银行股票收益率的估计系数（黑色实线），其中x轴为分位点，y轴为估计系数，中间黑色虚线为OLS估计结果。图7.1 估计系数的分位数变化 R代码 rm(list = ls()) library(openxlsx) library(quantreg) Data = read.xlsx(E:/jrjl/Chapter7/ex1_Data.xlsx, detectDates=TRUE) y = Data$中国银行 x = Data$HS300 tau = c(0.05, 0.1, 0.15, 0.2, 0.5, 0.8, 0.85, 0.9, 0.95) Res = rq(y ~ x, tau=tau) plot(summary(Res)) 分位数回归模型的拓展7.5 7.5.1 极值分位数回归模型传统分位数回归模型假设收益率满足正态分布，未考虑金融时间序列数据的“厚尾”特征，而极值分位数回归（Extremal Quantile Regression，简称EQR）假设因变量的尾部分布具有帕累托（Pareto-type）行为，可更好拟合金融时间序列数据。假设存在如下条件分位数函数：???极值分位数回归的估计和推理方法较为复杂，在这里我们不做过多阐述，感兴趣的读者可以参考《Handbook of Quantile Regre