邹平金融计量学合并课件.详解

1第一章金融计量学介绍2本章要点金融计量学的方法论与应用步骤。金融数据的特点和来源金融计量学软件的使用3第一节金融计量学的含义及建模步骤一、金融计量学的含义金融计量学就是把计量经济学中的方法和技术应用到金融领域，即应用统计方法和统计技术解决金融问题。4二、金融计量建模的主要步骤经济理论或金融理论建立金融计量模型数据收集模型估计模型检验不通过通过重新建立模型模型的应用5第一步，把需要研究的金融问题模型化；第二步，收集样本数据；第三步，选择合适的估计方法来估计模型；第四步，对模型进行检验；第五步，对模型进行相应的应用。6三、金融数据的主要类型、特点和来源1.金融数据的主要类型时间序列数据（Timeseriesdata）是按照一定的时间间隔对某一变量在不同时间的取值进行观测得到的一组数据，例如每天的股票价格、每月的货币供应量、每季度的GDP、每年用于表示通货膨胀率的GDP平减指数等。7在分析时间序列数据时，应注意以下几点：（1）在利用时间序列数据回归模型时，各变量数据的频率应该是相同的；（2）不同时间的样本点之间的可比性问题；（3）使用时间序列数据回归模型时，往往会导致模型随机误差项产生序列相关；（4）使用时间序列数据回归模型时应特别注意数据序列的平稳性问题。8横截面数据（Cross-sectionaldata）是指对变量在某一时点上收集的数据的集合，例如，某一时间点上海证券交易所所有股票的收益率，2004年世界上发展中国家的外汇储备等。平行数据（Paneldata）是指多个个体同样变量的时间序列数据按照一定顺序排列得到的集合，例如30家蓝筹股过去3年每日的收盘价。92.金融数据的特点与一般宏观经济数据相比，金融数据在频率、准确性、周期性等方面具有自己特有的性质：（1）金融数据可以更频繁地观察到，可用于计量分析的数据观测值个数可以成千上万，数量十分巨大；（2）金融数据一般都能在交易时准确记录下来；（3）金融数据一般也是不平稳的，但难以区分金融数据序列的随机游走、趋势以及其他的一些特征。103.金融数据的主要来源政府部门和国际组织的出版物及网站专业信息数据公司，抽样调查11第二节金融计量学软件简介一、金融计量学主要软件简介1.金融计量分析的主要任务从反映金融问题的大量数据中提取和归纳金融问题的客观规律性，进行解释和预测，为金融政策和金融实践提供依据。为此，必须合理、科学地组织管理大量的数据信息，并用计量经济学或金融计量学的方法对这些数据进行一系列复杂的数值计算处理。122.分类（按操作的互动性与否分为）菜单模式，如Microfit命令行模式，如Eviews及介于二者之间的中间模式133.主要计量经济学软件Eviews软件GAUSS软件LIMDEP软件Mathematica软件Matlab软件Microfit软件Minitab软件RATS软件SAS软件SHAZMA软件S-PLUS软件SPSS软件STATA软件TSP软件14二、本课程所用软件－Microfit4.0和Eviews3.11.Microfit4.0使用简介以Microfit4.0版本为例。1.数据输入、修改及保存15图1-2Microfit4.0主界面16图1-3数据录入设定界面17图1-4变量定义、修改窗口18图1-5数据录入界面192.命令窗口及绘图图1-6Microfit命令窗口20图1-71962~1972年辞职率和失业率线性图21图1-81962~1972年辞职率和失业率散点图ScatterplotofQUITonUNEMPQUITUNEMP1.01.52.02.53.0345678223.一个回归分析案例图1-9Microfit单方程回归分析窗口23图1-10最小二乘估计结果及相关统计量24图1-11四种假设检验的结果25（二）Eviews3.1使用简介1.数据输入、修改及保存图1-12Eviews新工作文件数据设定窗口26图1-13空白新工作文件27（二）Eviews3.1使用简介1.数据输入、修改及保存图1-14新工作文件数据导入窗口28图1-15数据导入后工作文件29图1-16察看数据窗口30图1-17GDP和M1线性图31图1-18方程设定窗口32图1-19回归结果33本章小节金融计量学是金融学的一个重要分支，金融问题的数量化研究是金融计量学的目的，包括金融模型的设计、建立、估计、检验及使用模型进行预测和政策策划的系列过程。金融理论的迅速发展、金融模型的不断推出、计算机技术的日益发展和计量软件的多样化都为现代金融的数量化研究提供了有力的工具，这些条件的结合形成了金融计量分析的基础。34本章简要阐述了金融计量学的方法和一般应用步骤，着重介绍了金融数据的类型和特点，简要评述了主要的计量和统计软件包，对常用的Microfit和Eviews计量软件的使用方法进行了详细讲解并举例说明。本章旨在使学生理解金融计量模型思想，了解金融数据的特点与来源，掌握常用的金融计量软件。35第二章最小二乘法（OLS）和线性回归模型36本章要点最小二乘法的基本原理和计算方法经典线性回归模型的基本假定BLUE统计量的性质t检验和置信区间检验的原理及步骤多变量模型的回归系数的F检验预测的类型及评判预测的标准好模型具有的特征37第一节最小二乘法的基本属性一、有关回归的基本介绍金融、经济变量之间的关系，大体上可以分为两种：（1）函数关系：Y=f(X1,X2,….,XP)，其中Y的值是由Xi（i=1,2….p）所唯一确定的。（2）相关关系:Y=f(X1,X2,….,XP)，这里Y的值不能由Xi（i=1,2….p）精确的唯一确定。38图2-1货币供应量和GDP散点图39图2-1表示的是我国货币供应量M2（y）与经过季节调整的GDP（x）之间的关系（数据为1995年第一季度到2004年第二季度的季度数据）。40但有时候我们想知道当x变化一单位时，y平均变化多少，可以看到，由于图中所有的点都相对的集中在图中直线周围，因此我们可以以这条直线大致代表x与y之间的关系。如果我们能够确定这条直线，我们就可以用直线的斜率来表示当x变化一单位时y的变化程度，由图中的点确定线的过程就是回归。41对于变量间的相关关系，我们可以根据大量的统计资料，找出它们在数量变化方面的规律（即“平均”的规律），这种统计规律所揭示的关系就是回归关系（regressiverelationship）,所表示的数学方程就是回归方程（regressionequation）或回归模型（regressionmodel）。42图2-1中的直线可表示为（2.1）y=x根据上式，在确定α、β的情况下，给定一个x值，我们就能够得到一个确定的y值，然而根据式（2.1）得到的y值与实际的y值存在一个误差（即图2-1中点到直线的距离）。43如果我们以ｕ表示误差，则方程（2.1）变为：y=ux即：tttuxy其中t（=1,2,3,…..,T）表示观测数。（2.2）（2.3）式（2.3）即为一个简单的双变量回归模型（因其仅具有两个变量x,y）的基本形式。44其中yt被称作因变量（dependentvariable）、被解释变量（explainedvariable）、结果变量（effectvariable）；xt被称作自变量（independentvariable）、解释变量（explanatoryvariable）、原因变量（causalvariable）45α、β为参数（parameters）,或称回归系数（regressioncoefficients）；ｕt通常被称为随机误差项（stochasticerrorterm）,或随机扰动项（randomdisturbanceterm）,简称误差项，在回归模型中它是不确定的，服从随机分布（相应的，yt也是不确定的，服从随机分布）。46为什么将ｕt包含在模型中？（1）有些变量是观测不到的或者是无法度量的，又或者影响因变量yt的因素太多；（2）在yt的度量过程中会发生偏误，这些偏误在模型中是表示不出来的；（3）外界随机因素对yt的影响也很难模型化，比如：恐怖事件、自然灾害、设备故障等。47二、参数的最小二乘估计(一)方法介绍本章所介绍的是普通最小二乘法（ordinaryleastsquares,简记OLS）;最小二乘法的基本原则是：最优拟合直线应该使各点到直线的距离的和最小，也可表述为距离的平方和最小。假定根据这一原理得到的α、β估计值为、，则直线可表示为。ˆˆˆˆttyx48直线上的yt值，记为，称为拟合值（fittedvalue）,实际值与拟合值的差，记为，称为残差（residual），可以看作是随机误差项的估计值。根据OLS的基本原则，使直线与各散点的距离的平方和最小，实际上是使残差平方和（residualsumofsquares,简记RSS）最小，即最小化：ˆtyˆtutuT21ˆttuT21ˆ()tttyyT21ˆˆ()tttyxRSS==（2.4）49根据最小化的一阶条件，将式2.4分别对、求偏导，并令其为零，即可求得结果如下:22ˆxTxxyTyxtttˆˆyx（2.5）（2.6）50（二）一些基本概念1.总体（thepopulation）和样本（thesample）总体是指待研究变量的所有数据集合，可以是有限的，也可以是无限的；而样本是总体的一个子集。2、总体回归方程（thepopulationregressionfunction，简记PRF），样本回归方程（thesampleregressionfunction，简记SRF）。51总体回归方程（PRF）表示变量之间的真实关系，有时也被称为数据生成过程（DGP），PRF中的α、β值是真实值，方程为：ttxy+tu（2.7）样本回归方程（SRF）是根据所选样本估算的变量之间的关系函数，方程为：注意：SRF中没有误差项，根据这一方程得到的是总体因变量的期望值txyˆˆˆ（2.8）52于是方程（2.7）可以写为：（2.9）总体y值被分解为两部分：模型拟合值（）和残差项（）。yˆˆtuˆˆˆtttyxu533.线性关系对线性的第一种解释是指：y是x的线性函数，比如，y=。对线性的第二种解释是指：y是参数的一个线性函数，它可以不是变量x的线性函数。比如，y=就是一个线性回归模型，但则不是。在本课程中，线性回归一词总是对指参数β为线性的一种回归（即参数只以一次方出现），对解释变量x则可以是或不是线性的。x2xxy54有些模型看起来不是线性回归，但经过一些基本代数变换可以转换成线性回归模型。例如，tutteAxy（2.10）可以进行如下变换：tttuxAylnlnln（2.11）令、、，则方程（2.11）变为：ttyYlnAlnttxXlntttuXY（2.12）可以看到，模型2.12即为一线性模型。554.估计量（estimator）和估计值（estimate）估计量是指计算系数的方程；而估计值是指估计出来的系数的数值。56三、最小二乘估计量的性质和分布（一）经典线性回归模型的基本假设（1），即残差具有零均值；（2）var∞,即残差具有常数方差，且对于所有x值是有限的；（3）cov，即残差项之间在统计意义上是相互独立的；（4）cov，即残差项与变量x无关；（5）ｕt~N,即残差项服从正态分布0tEu2tu0,jiuu0,ttxu2,057（二）最小二乘估计量的性质如果满足假设(1)－(4)，由最小二乘法得到的估计量、具有一些特性，它们是最优线性无偏估计量（BestLinearUnbiasedEstimators，简记BLUE）。ˆˆ58估计量（estimator）：