本文摘要:CLC编号:F830.9文档ID代码:文章ID:1007-2101(2014)03-0120-06 2013诺贝尔经济学奖Grant Eugene Fama,Eugene Fama,Lars Peter Hansen和Robert Shiller教授,耶鲁教授,认识到什么 他们在资产价格上进行了实证研究。

环球app

CLC编号:F830.9文档ID代码:文章ID:1007-2101(2014)03-0120-06 2013诺贝尔经济学奖Grant Eugene Fama,Eugene Fama,Lars Peter Hansen和Robert Shiller教授,耶鲁教授,认识到什么 他们在资产价格上进行了实证研究。他们已经开发并利用了这些实证方法来达到资产定价决定因素的重要性和持续性观点。它在该领域形成了随后的研究,这对学术和实践产生了很高的影响。

作为汉森(1982)所称汉森(1982)所称的广义时刻,普遍的时刻方法,大大扩大了资本资产定价理论的发展,为金融经济学的后续发展提供了有效的估算方法。本文采用了汉森教授的学术贡献总结了对金融研究中GMM估计的研究及其对经济实际分析的重要性。I.汉森的学术贡献首先通过开发和使用广泛的计量方法(GMM)来制定资产价格数据的具体特征,并促进消费者资本资产定价模型(CCAPM)理论及其后续工作的发展。

当资产在随机折议因素处高(即,当投资者返回时)时,返回率往往很低,资产应具有更高的“风险溢价”或不仅仅是无风险利率。过度收入,时间变性的平均水平,不同类型资产的变化是研究人员最有关的问题。maima等。从不同的角度来看,股市在短期内令人无法预测。

因此,当人们了解股票市场惯性长期以来,席勒(1981)领导了通过论文的股票价格和随后的股票价格的长期可预测性,这是短期内的过度。波浪,几年时间跨度的整体市场是一个相当大的可预测性。平均而言,当市场价格高,向下移动,在市场价格非常低时向上移动。

短期不可预测和长期可预测的股价预测的关键点是随机讨论因素。为了进行简单的计算,Schille将随机折叠因子作为常数,忽略了由其变化引起的资产的变化。无论是随机折叠因素的变化是否会影响资产价格的变化,无论是长期可预测性仍然需要继续研究。

由于影响随机排放因子变化的许多因素,收入消费,经济周期,财富和分配变量的变化具有关系。这些因素影响它通常是非线性的。CCAPM最基本的表达涉及一个“代表投资者”。

投资者有时间增加偏好,并在完全的市场环境中,完整的市场背景是指在自然状态市场中的至少一个独立性。资产。因此,由于随机折叠因子的非线性,该理论可以导致“代表投资者”在T + 1和T处的“代表投资者”的消费级功能,CCAPM的消耗函数是非线性动态方程函数。CCAPM模型意味着只要代理人是风险不喜欢并且预测消费的变化,就预见了回归率。

然而,为了测试这个理论,研究人员面临着一些困难。其中一个困难是方程的主要非线性,另一个难度是我们需要确定完整的随机性的消费过程。

实际上,动态系统中任何错误中的这些困难和序列相关性是经济学中大量模型所面临的常见问题。在20世纪80年代之前,处理这些困难的唯一方法是制定一系列特定假设 – 这些假设甚至被认为是即将过程的主要问题不是主要位置。因此,任何统计学证明的拒绝是拒绝主要资产定价公式的联合假期,所有研究人员都不一定要遵循这些具体假设。

直到汉森的发展GMM,这些复杂的变化可以处理,以便每个人都广泛使用CCAPM的正式统计检查。汉森等,添加了所有经验研究,发现了经济周期,收入消费,财富,财富分配等贴现率的变化,而不是所有资产价格波动,考虑到这些折扣率的变更后 由基本面引起的,长期利率的预测性仍存在。在这种最具影响力的测量经济学论文中,汉森(1982)建议使用GMM来估计非线性系统,因此该估计方法成为一种流行的原因,即它在目标函数中是随机的。变量和扭矩条件设定了小的限制,其中随机变量允许任何弱遍历,并且瞬间函数可以是非线性的。

这种多功能性在应用面板数据和时间序列时尤为重要。对于资产定价,随机变量是自相关的,主要是相关性是非线性的。

Pearson(1984,1900)首先使用扭矩条件对参数估计,奈梅和皮尔逊(1928)也使用了这个估计,但它们的使用仅限于独立的测试,即随机变量的组件 是独立的。汉森的贡献是总结流畅遍历随机过程的势头估计理论。

总之,汉森提供了处理面板数据的动态经济模型的统计工具,并且与模型中的序列相关的变量非常常见,并且在该过程中指定了一个完整的模型并不总是可用的,即使是不可能的 ; GMM模型可以应用于模型方程的子集。GMM在使用动态面板数据中的许多经济领域取得了巨大影响,例如,研究消费,劳动力供应或企业定价。

无论是对结构的估计和预测,还是宏观和微观经济的使用,现在是经济学中最常用的工具之一。其次,GMM的估计和方法提出了使用GMM估计的宏观经济和微观经济学,GMM,流行病有两个原因:首先,它包括许多常见估计,并提供了比较和评估的有用框架; 其次,GMM相对于其他估计提供了相对“简单的”替代方案。

方法,特别是当难以在非常大的可能性估计时写入时,其优点更高。下面我们将详细阐述GMM估计的特点及其特异性估计,估计。

(1)GMM估计的特点(2)GMM和最小乘法器的比较,GMM和传统最小二乘法(OLS),刀具变量方法(IV)和巨大似然估计(MLE相互关系,我们可以表达 图1的集合图形讨论了资产定价方式是线性或非线性回归的主要方法和巨大可能性。最小二乘(OLS)可以被视为GMM的特殊情况。OLS基本上应用于线性模型,模型前提假设必须归一化随机误差干扰的分布,随机变量之间没有相关性。如果忽略此图层,则OLS的估计不再没有NAP。

有效且一致的完美性质,变得偏见并且没有一致性。GMM估计放松了上述假设的局限性,特别是在大型样本条件下,GMM估计在解决相关问题的情况下具有良好的逐步和一致性,估计金额的有效性远高于OLS。估计,汉森(1982)在文章中给出了数学证明。伟大的可能性法律有很多限制。

首先,对于每个资产定价模型,研究人员需要验证模型的错误,这通常不那么容易或不可能。其次,必须在研究非线性资产定价模型时执行线性近似。第三,研究人员必须执行强有力的分配假设。

为了使估计问题易于处理,假设分发通常必须是非序列相关和有条件的差异。如果分布假定不能满足条件,则可以在时间上选择的模型参数可以偏置。这些局限性严重限制了动态资产定价模型的实证研究的范围,而GMM已使得Metolologists克服这些限制。测量经济学家不需要进行严格的分布假设 – 即变量可以是序列相关的和并行的,并且非线性资产定价模型不需要线性化。

GMM的便利性和多功能性是它在金融书中如此流行的两个主要原因。虽然GMM具有如此优势,但与最大似然法相比,它也具有潜在的缺陷。当分布假设有效时,最大似然方法是模型参数最有效的估计,并且GMM可能无法实现。为了使用GMM,传统的测量经济学家使用资产定价模型的随机折叠因子产生的扭矩条件。

可以代表被测量的经济学家选择的资产定价模型的含义的温度条件可能意味着模型参数的估计不会最有效。因此,我们必须理解,被广泛用作测试资产定价模型的GMM并不像巨大的可能性方法那么高。这个很重要。

环球app

当用于经典的线性资产定价模型时? 当生成时刻条件时,广泛的时刻估计以相同的方式同样有效。Jagannathan和Wan(2002)提出这一点,这也加强了广大时刻估计在资产定价实证应用中的优势和重要性。第三,在国际金融部门的基金会的应用与发展(1)Shiller等人的波动性和可预测性。

发现Shiller等人的波动性和可预测性。已被证明是一般现象,不仅在股票市场,而不是其他资产市场。

Shiller(1979)发现了政府债券过度波动的证据。基于持续的风险溢价(即所谓的预期假设)假设,长期利率应等于预期未来率的加权平均值,因此长期利率的波动应低于 短期利率的波动。

Shiller的发现就是相反的。长期利率的波动远大于短期利率的波动性。与股票价格类似,长期债券价格的过度波动意味着预见到债券的返回。随后,Shiller,Campbell和Schoenholtz(1983年),Fama和Bliss(1987),坎贝尔和Shiller(1991)已发现,在所有已过期债券返回中核实了美国国债率曲线的坡度。

此外,坎贝尔(1987年),Fama和Fama和法国人(1989)表明,利率期结构还预测了股票回报,长期债券的超额回报和股票在一起。在外汇市场中发现了类似的结果。根据预期的假设,前瞻性汇率应等于现货汇率的预期价值。

预计假设意味着所谓的套利交易涉及借用低利率,并投资高利息货币,不应产生积极的超额回报,因为货币贬值应该抵消较高的利率。Hansen和Hodrick(1980)使用不同日期的一些长期汇率开发计量试验,并且可以拒绝期待对外汇市场的期望。在汉森和霍德里克(1980年)中,可以看出,早些时候使用GMM的基本思想,研究货币并提出前向汇率是对未来相互汇率的非偏见预测。该序列与误差和非线性关系相关联,使传统方法在此问题上变为无效,并且汉森和霍德里克源自基于GMM的方法。

在财务中的一个广泛重要的应用,除了涉及上述汉森和霍克里克(1980年)的应用外,还有一种更为理论价值,即汉森和单身(1982)所提出的应用。汉森(1982年)发展金融实证研究发展,特别是在资产定价领域。

在随机过程的时间和空间演化特性的更现实的假设下,GMM使得资产定价模型进行测量经济估计。汉森和单例(1983)在CCAPM的假设下,使用巨大的似然估计方法,利用巨大的正态分布条件,利用伟大的可能性估计,利用巨大的似然估计来结合具体的假设和近似。收入估计速率的线性模型,参数估计具有良好意义。

但是,当估计库存和债券的回归率时,该模型不适用。本公开还对基于合理试剂的资产定价模型表示巨大挑战。但是,当时,学者们不知道如何从线性化和错误中程度如何,如何成为理论的固有限制。

GMM模型提供了一种解决上述问题的方法。Hansen和Singleton(1982)估算了GMM的CCAPM模型,并使用资产返回值的滞后值作为工具,使用的数据是纽约证券交易所和不同行业指标的总指标,这一模型是基于 单一和多产量序列。但是,当应用于多个库存指标时,通常拒绝过度识别。因此,来自Grossman和Shiller(1981)的过度波动率的发现是这个CCAPM的这个简单版本与数据不匹配。

这一结果使人们成为了大量研究,旨在了解基本模式的缺点。左侧是折叠因子的标准偏差的比率及其期望值,右侧是锐利比率。Shiller(1982)首先与个人风险资产建立这种关系,其次是汉森和杰兰娜,涵盖多种资产和风险资产。在随后的工作中,汉森和Jagannathan(1997)扩展了他们的分析,并从不同的随机折叠因子中获得了更正式的性能测试。

Hansen-Jagannathan边界广泛用于实际应用。许多资产和投资策略,如套利交易(借用低利率货币,并投资高利率货币)具有非常高的比例。对于美国股票市场战争后,锐利的年度数据约为0.5,这意味着年折叠因子标准偏差至少为50%,即折叠因子的平均值应接近1, 价值很高。

这种差异是基于消费者模型,如CCAPM带来了严重的问题,因为消费往往显示出低波动,并且存在真正的风险不一样,这意味着来自CCAPM的随机折扣因子也很低。该方法用于解决标准的Von Bronman – 摩根预期的实用新型,即相同的参数也确定风险避免和拦截替代方案,即使没有令人信服的经济或行为,事实是真的。

环球app

基于Kreps和Porteus(1978),Epstein和Zin(1989)提出了一类递归偏好,允许风险偏好和时间替换偏好,并相信这些偏好可以帮助解决基于消耗的模型。汉森为Eichenbaum,Hansen和Singleton(1988),Eichenbaum和Hansen(1990)所作的一些贡献。通过Epstein-Zin偏好,Bansal和Yaron(2004)提出了一种模型,其中消费和股息增长包括长期可预测部件,消费波动随着时间的推移而变化。

这些偏好和动力学,Bansal和Yaron可以产生一种随机折叠因子M,证明观察到的库存溢价,没有风险率,产量波动和股息产量的可预测性。这种方法已经有影响力,并推动了一些后续研究,包括汉森,加权和李(2008)。大多数型号的资产定价的一个共同特征是它们都基于以下前提:消费者不仅以合理有效的方式处理信息,而且还知道真正的数据生成过程。Thomas Sargent(如Hansen和Sargent,2001; Cagetti等,2002),汉森关于这种假设后果的研究,假设代表性代理是不确定的,并遵循一系列系列的替代模型的强大控制政策。

汉森和萨金特指出,该模型的不确定性可以被视为额外的危险因素,最严重的结果是令人担心使代理人风险风险,导致较高的风险,导致相同的标准模型更高。价格。

(ii)在市场上的应用,这一领域的应用专注于解释为何证券价格变化以及为什么交易价格由交易数量决定。Huang和Stoll(1994)用于在文献中建立引用的变异和交易收入双程时间序列模型,并评估不同理论微观结构模型在GMM中的相对重要性。Madhavan,Richardson和Roomns(1997)使用GMM估计并检查一天的结构模型,这一模型允许公共信息影响和微观结构效应,用于解释为什么在一天内购买和销售差异是U形的。

Huang and Stoll(1997)将GMM应用于时间序列微观结构模型,估计20个股票的不同组成部分到市场交易数据。GMM的其他市场仍然存在许多微观结构应用,例如Foster和Viswanathan(1993)推测,周一,周一的逆向选择更严重,这意味着交易在星期一相对较低。由于存在差异差异和序列,这些作者使用GMM来测试这个假设。

广泛使用的时刻估计是金融应用中最广泛使用的工具,特别是在资产定价领域。大多数资产定价模型中债券的价值等于未来收入的预期折扣价值。这些模型取决于他们选择的折扣因素的不同。与积极参与金融市场的投资者相比,一名衡量经济学家有一个较小的信息集,因此根据他们收到的信息建立的资产定价模型计算的债券价值的价值通常等于其市场。

价格。然而,由观察到的市场价格计算的债券价值差异和元数据库建立的资产定价模型必须与学者当投资者的理性预期所需的信息无关。

通过正确选择衡量学者的密集工具,我们可以通过宽槽估算模型参数来获得扭矩状态并使用它来估算模型参数。通常,扭矩条件的数量大于模型参数的数量。

使用宽时刻估计的J统计数据,这些过度识别限制为模型的错误设置提供了自然测试。在财务中,特别是在评估未分隔的利益时特别使用连续时间模型。这些模型将初始资产价格的随机过程视为异物,使用参数评估未确定的兴趣,而且反过来将使无序值值作为目标资产的函数和随机过程的参数,并确定 他们的变化。

因此,初始资产价格动态变化的随机过程的参数估计被广泛涉及,并且广义时刻estography可以用作更有效的估计方法的起始值。这些融资中实证研究的经济模型意味着时刻条件可以以自然的方式来估计和验证具有广泛精致的时刻估计的模型。这一点加上精美时刻估计不需要严格的分销假设,使其在其他金融部门广泛使用。

第四,GMM应用和发展在我国(1)概述了我国金融领域GMM的申请状态目前在我国的金融部门有限,主要集中于2000年。在研究股票定价和波动性方面,股票市场的流动性风险溢价,长虹(2004)GMM通过GMM通过影响流动性,波动性和股票价格的因素进行的因素,在衰落的下降和下降没有上升。返回分析中断的下降限制是否会改变这些因素和流动性和波动性,这反过来影响个人股票的流动性和波动性。万新荣,江邵,朱红利(2005)采用GMM模型分析中国股市,努力寻找证券回报的因素变量,表明对11股每月产量的实证分析,表明一个双因素变量 模型不能被拒绝,即深市场手指率的线性组合,月度通胀率和银行长度之间的短期利率差异,以及上海股票指数的月份增长率决定是因子变量提供了一个值得信赖的工具 股市的技术分析。

周方,张伟(2011)研究了股市的流动性风险,规模效应和价值研究,改进的LACAPM模型明显优于其他定价模型。在利率期间,我国的文献研究还研究了利率和利率市场化的波动。

Mahatham,Panguan(2006)基于多个单因素利率模型,提出了一种新的一般模型,其漂移包括两条线性和非线性。使用GMM执行参数估计。在各种指标的比较下,漂移项是一种非线性形式,具有重要的平均复制效果,利率波动对利率水平非常敏感。

李红琦(2012年)对我国利率期结构长期利率预测的实证分析,发现我国的利率期间结构具有重要的时效优质特点,并可以解释“预期的神秘” 在利率期限结构中。在梳理我国的金融领域的应用程序文献时,发现我国大量研究用于动态面板数据。大多数文章使用Arellano和Bond(1991)(GMM)中提出的动态面板来模拟性能估计。

主要研究结果包括张禾,黄伟,姚元(2012)资本形成,投资效率和储蓄转换效率和宏观经济波动; 张雪兰,何德旭(2012)关于我国关于银行风险作业的货币政策职位; 张宗鑫,余伟谦(2012)介绍了基金流量变量,支付了中国证券投资基金是否稳定; 徐明东,陈雪斌(2012年)检查了我国货币政策对银行风险假设的影响,核实银行对渠道假设的货币政策的风险。这里,动态面板数据下的GMM实证研究是在大型样本条件下的汉森的GMM统计方法的扩展和扩展。(ii)分析GMM在我国的申请状态1.模型很困难。

这些估计通常需要编写少量程序来实现,只依赖于包含GMM估计程序的标准软件包,它不实用。应用与此方法相关的应用程序需要研究人员对GMM原则,设置,模型选择,仿真实验等进行清晰了解,否则难以通过GMM估计获得正确的研究结果,从而导致实际研究许多实际困难。

2.Gmm是一个大的样本估计。只有当样品很大时,才有可能获得其良好性质,并且GMM估计将在大型样品中逐渐有效。我国的研究数据很难有效地对GMM样品前提作出反应。

即使在最常见的金融资产定价领域,我国的上市公司也基本计划规范20世纪90年代末,而且可用的数据不超过20年,难以使瞬间估计方法产生一般意义 更好的估计,所以GMM很难接受我的国家。虽然现在逐渐成为样本的最受欢迎的目标,但是在动态面板数据下的扩展也已经解决,但在有限的样本中,它应该用于使用GMM估计。更专注于估计的假设和应用程序的前提,很少看到我们应用文献中估计使用前提的设置。

本文关键词:环球app

本文来源:环球app-www.stssm.cn