表3 含滞后虚拟变量的分位点回归模型回归结果 估计值 标准差 t值 p值 α 0.0081 0.0014 5.9411 0.0000 β -0.0206 0.0020 -10.4281 0.0000 γ 0.0018 0.0014 1.3451 0.1792 a -0.0010 0.0022 -0.4176 0.6764 η -0.0203 0.0021 -9.7535 0.0000 b 0.0057 0.0021 2.7837 0.0056 c 0.0064 0.0019 3.4401 0.0006 但是由表3 可以看出,在0.05 分位点回归方程中,参数γ 和a 都非常不显著,而其他 135 的几个参数都比较显著,于是考虑下面去除参数γ 和a 的模型(5): t (rt0) (rt0) t t 1 t 2 r I I LbL cL uτ α β η < < − − = + ⋅ + ⋅ + ⋅ + ⋅ + (5) 则模型(5)的条件分位点为: ( 0) ( 0) 1 2 ( | ) t t rt rt t t t Q r L I I L b L c L τ α β η < < − − = + ⋅ + ⋅ + ⋅ + ⋅ 。 模型(5)的参数估计结果如表4 所示: 表4 去除参数γ 和a 的分位点回归模型回归结果 估计值 标准差 t值 p值 α 0.0087 0.0012 7.1291 0.0000 β -0.0205 0.0019 -10.9598 0.0000 η -0.0204 0.0018 -11.5393 0.0000 b 0.0056 0.0019 3.0042 0.0028 c 0.0060 0.0018 3.4146 0.0007 140 对含虚拟变量的分位点回归模型(4),参数的具体估计结果如表5 所示: 表5 含虚拟变量的分位点回归模型回归结果 估计值 标准差 t值 p 值 1 α 0.0104 0.0013 7.9992 0.0000 1 β -0.0204 0.0020 -9.9985 0.0000 1 γ 0.0093 0.0016 5.9512 0.0000 1 η -0.0208 0.0022 -9.6671 0.0000 145 对线性分位点回归模型(3),参数的具体估计结果如表6 所示: 表6 线性分位点回归模型回归结果 估计值 标准差 t值 p值 1 a 0.0042 0.0016 2.6468 0.0084 1 b -0.0068 0.0017 -4.0075 0.0001 在计量经济学中,决定系数R2 可作为度量模型拟合优度的统计量,用EViews 软件计 150 算出线性分位点回归模型(3)、虚拟变量分位点回归模型(4)、滞后虚拟变量回归模型(5)的决 定系数,如下表7 所示: 表7 模型的拟合优度检验 线性模型(3) 虚拟变量模型(4) 滞后虚拟变量模型(5) 决定系数 R2 0.0322 0.6231 0.6508 155 由表7 可以看出滞后虚拟变量分位点模型(5)的决定系数最大,拟合优度最好。同时, 由条件 VaR 的定义知条件VaR 是条件分位点的相反数,则由上表可以看出,拟合优度最 好的含滞后虚拟变量的分位点回归模型的条件 VaR 为 0.05 ( 0) ( 0) 1 2 ( | ) t t rt rt t t t Q r L α β I η I L b L c L < < − − − =− − ⋅ − ⋅ − ⋅ − ⋅ 3.3 条件VaR 的事后检验 160 得到了条件分位点回归模型中的参数估计值,那么对于在给定的条件X=x 下,就可以 得到具体的条件VaR 值,本文参考Kupiec[8]提出的对零假设最合适的似然比检验,假定用 来检验的数据为{ } 1 , n i i x y = ,如果第i 天的收益率小于当天计算得到的条件VaR ,就记为预 测失败,否则记为成功。假定计算条件VaR 的实际天数为T,失败天数为N,假定原假设 * 0 H :p=p ,其中p* 为给定的值,在原假设成立的前提下有 * * 2 1 165 LR=2ln[(1−N/T)T−N(N/T)N]−2ln[(1−p )T−N(p )N] ~ χ 可以根据统计量LR 的大小来比较方法的好坏,以及判断在相应的置信水平下是否能够 拒绝原假设* H0 :p=p 。下面将对计算得到的置信水平为95%的三种模型的条件 VaR 结 果进行事后检验,采用了接下来的2010 年4 月26 日-2011 年4 月27 日得数据进行检验, 检验结果如表8 所示: 170 表8 条件VaR 的事后检验 线性模型 虚拟变量模型 滞后虚拟变量模型 LR值 6.4963 0.0290 0.0017 由LR 统计量的值可以看出,含虚拟变量的分位点回归模型和含滞后虚拟变量的分位点 回归模型都不能拒绝原假设,但是由LR 统计量知,LR 值越小说明预测效果越好,可以看 175 到含滞后虚拟变量的分位点回归模型预测的效果最好,因为含滞后的模型把影响现在的过去 的某些因素也进行了分析,其预测效果比不含滞后的模型的效果好,应该会不难理解。 4 结束语 经济领域中,许多变量是相互影响的,例如收益率和风险测度之间存在关系,本文中的 风险测度是流动性风险,把流动性风险作为分解释变量之一,分析了单只股票的流动性风险, 180 并且在流动性风险的基础上研究了收益率的条件 VaR 值,以期望得到条件 VaR 和流动性 风险之间的关系。在实际生活中,线性的分位点回归模型不能很好地满足需要,为此本文提 出了含有滞后虚拟变量的分位点回归模型,用此模型分析了流动性风险指标条件下的条件 VaR ,经过实证分析发现,含有滞后虚拟变量的分位点回归模型比线性分位点模型和基于 此流动性风险指标的虚拟变量分位点模型能更好的描述数据,而且在条件VaR 的事后检验 185 中发现,含滞后虚拟变量的分位点回归模型得到的结果能更好的预测未来的情况。 本文的研究中解释变量可以选择其他的变量,就可以得到其他条件下的条件 VaR ,同 时,本文在计算和语言上可能会不严谨,存在着一定的不足。希望在这方面有兴趣的可以继 续思考研究。 学术论文网Tag:代写代发论文 代发论文 代写管理论文 职称论文发表 |