文章标题
来源:互联网 发布:淘宝订单数据跟踪 编辑:程序博客网 时间:2024/04/28 06:12
模型主要都是关注:
1.如何估计参数
2.如何计算估计参数的标准误
3.如何计算定价误差的标准误
4.如何检验模型(一般都是有一个
时间序列数据回归
截面数据(同一时间的)回归
由模型可知,期望回报是
由模型可知,对所有的资产
对
同时也想知道定价误差
对小样本而言,样本服从F分布,用GRS统计量来检验:
标准误:抽样导致的不确定性。
- Time Series
- Cross Sectional
- Fama-MacBeth
- SDF GMM
12.2 截面数据回归
K因子模型:
核心的经济学问题是:为什么不同的资产平均回报不同。
首先对下式进行TS回归来找到各个
再根据每一个资产
在
这即是two-pass回归估计,即先进行TS估计,再进行CS估计。
CS估计可以有常数项也可以没有。因为理论表明常数项应为0。
OLS的CS估计如下:
接下来寻找估计参数的分布情况,当误差在时间上是iid的,同时和因子独立。
OLS回归
估计参数
残差的协方差矩阵为:
为了计算这两个参数的方差,需要知道矩阵
这里的
A1
在截面数据回归中,有rmrf,smb,hml这三组证券组合。
实际中经常不使用这三组,这并不合适
一般而言hml是那10组证券的线性组合(根据票面价值和市值的比值按大小次序分成的10组证券),因此协方差矩阵是奇异的。这并不会对参数的估计和标准误带来问题。但如果需要有效估计,或是对协方差矩阵需要求逆时会带来问题。
现在的问题是,究竟是否需要包括那10个证券组合。如果hml是这10组证券的因子定价模型中的因子,则不必包含这10组,因为hml即包含了这10组证券的信息。(即
A2
CAPM模型不能应用于价值股。
消费增长解释了HML溢价,因此可以解释10组BM证券组合。
和之前一样,HML和SMB有着相同的预期回报,但本质上和市场不相关
A5
很多文章提出的不被拒绝的模型,主要是因为放大的标准误
- 文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题 文章标题 文章标题 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 文章标题
- 小甲鱼PE详解之区块表(节表)和区块(节)(PE详解04)
- 【MySQL】sync_binlog innodb_flush_log_at_trx_commit 浅析
- Web浏览
- 一键清理脚本
- Linux常用命令学习之路(每天都会更新)
- 文章标题
- ubuntu下的bochs
- 链表学习笔记--链式链表
- RFID第三次作业题7-2
- c++ 成员函数和全局函数的转换
- 2015中国智能硬件蛋年创新大会手记
- 第1章 第10题
- 黑马程序员 OC框架: Foundation
- Verilog DAC8568