原创力文档- 1、本文档共16页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
《金融数量方法》第十一章
第十一章多元分析：主成分分析与因子分析
引言债券市场中的一个应用
主成分分析因子分析
两个假设的资产的例子套利定价理论
FTSE100，债券指数练习
S&P500，US$利益应用的例子参考文献和进一步阅读文献
标准变量的一个例子
主成分的解释
引言
主成分分析和因子分析在多元分析框架内是数据结构分析技术，与第六章的多元回归、
第七章的多变量协整一起是多变量分析中广泛使用的技术。它们不同于多元回归。回归的目
标是识别外生变量与内生变量的关系，而在主成分分析和因子分析情形下，仅确定内生变量
间的结构关系。它们也不像协整，变量间不需要平稳性。
在金融、社会科学或其它领域，通常需要识别多变量结构的特征，其有两个特征是被子
广泛关心的：
1．多变量结构中的波动性。
2．变量间的相关或共线性。
在结构的整体变化中，通常是一些变量起产生主要的影响，而其它变量仅有次要的或
不显著的影响。困难的是要了解哪些变量能被确定在这个结构中和它在结构中应怎样度量。
例如，如果两个变量是完全相关的，则不需要第二个变量，它不会带来进一步的信息。这类
似多元回归的共线问题。
在一般情况下，包含哪个变量，剔除哪个变量并不是很清楚的，我们需要有能够程序
化的有效方法来识别带有最可用信息的变量或变量组合。
主成分分析（PCA）是分析多变量结构波动时有用的技术。因子分析（FA）在分析多
变量结构变量的相关时很有用。两者都依赖于方差/协方差矩阵，因为这个矩阵在一定范围
内包含了变量间有用的全部信息。因此在一定范围内，两者是重复的或相互补充的。在这章，
我们将方差/协方差矩阵记为C。
尽管PCA和FA都利用方差/协方差矩阵，但它们不同于第四章和第九章中的均值—方
差分析。均值—方差分析度量了一组变量的总体变异性，而没有特别指明一部分变量对总变
异性的贡献。PCA识别和排序了部分变量在总变异性中的贡献,每个部分变量称为“主成分”。
它识别了部分变量间组成的协方差的强度，每个主成分对总的变异性的贡献，并根据部分变
量组的方差进行排序。
使用PCA，数据内的总体变异性由特征值之和（它等于C矩阵主对角线上元素之和，
-1-
《金融数量方法》第十一章
也称为迹）度量，成分（变量的线性组合）的选择是依次序减少特征值，直到满足总变异性
的一个足够大的比例。这种方法降低了系统的维数且识别了最重要的成分（方向）。
清楚理解第六章附录中引入的矩阵代数是有益的，它将表明组合的总方差是如何计算
的。
回忆第二章，组合的方差是投资组合中每对资产的协方差加权和，其中方差也被认为
是资产自身的协方差。
假设有一个有A、B两个资产的投资组合，资产A收益的方差是0.00015，资产B收益
的方差是0.00025，A和B的协方差是0.00005,则协方差矩阵Ｃ是：
⎡0.000150.00005⎤
C=⎢⎥
⎣0.000050.00025⎦
如果我们假设一个等权的投资组合，则投资组合的方差由一个１×n的权行向量乘以Ｃ
Ｃ
矩阵和n×1的权列向量乘得到：
0.000150.000050.5
[]⎡⎤⎡⎤
文档评论（0）