> 硕士毕业论文 > 40000字硕士毕业论文资本定价模型和单因素模型参数统计特征的案例研究

40000字硕士毕业论文资本定价模型和单因素模型参数统计特征的案例研究

论文类型:硕士毕业论文
论文字数:40000字
论点:模型,风险,资产
论文概述:

本文选取了六十个交易日的日分时数据做回归,结果集中放在下列表格中。由表可以看出,每个模型除了包含解释变量项,还包含残差自回归和条件异方差项,要注意的是并不是每日数据生成的

论文正文:

介绍

1.1问题的提出
短期股价预测一直是一个有争议的话题。自股票市场诞生以来,许多人试图找出短期股价变化的模式,并探索现代金融理论,包括资本资产定价模型单因素模型和套利定价模型,是否能够指导股票市场的短期运行。这项研究的结果常常令人沮丧。人们普遍认为股票价格是随机波动的,无法预测。这个结论应该说是正确的,但是问题通常可以从不同的角度来解决。有时当我们研究一个问题时,我们经常忘记一件非常现实的事情,这就是为什么我研究这个问题!事实上,在很多情况下,我们只需要关心股价是涨是跌。与此同时,我们更关心一个深层的问题,即上升会持续多久,下降会持续多久,即某一趋势会持续多久。一般来说,上涨持续的时间越长,股价就越高,这是一个很有可能发生的事件。因此,用这个问题来代替特定的股价变化也能使我们获得高投资回报。这样,对股票价格短期变化的研究可以转化为另外两个小问题:股票价格在短期内会上涨还是下跌;它会上升多久,会下降多久?

1.2研究的背景和意义
任何微观动机都会形成独特的宏观经济现象,金融市场也不例外。每项金融资产的交易价格包含参与交易的投资者与其未来风险和收益之间的权衡,以及效用比较后做出的最终决定。然而,对于投资者个人决策行为与最终金融资产价格之间的逻辑关系,由于研究角度的不同,学者们形成了一些不同的观点。现代金融从理性经济人的假设出发,运用一般均衡分析和无套利分析,建立了基于EMH的系统资本市场理论,包括有效市场理论、资本资产定价模型、单因素模型和套利定价模型。其核心观点如下:
(1)投资者完全理性,根据最大效用原则进行个人投资行为,并能根据“贝斯定律”进行无偏概率估计。
(2)资本资产价格快速准确地反映了所有信息。由于新信息的到来是随机的,价格也是随机游走的,这是不可预测的,资产收益率是正态分布的。
(3)投资者有相同的预期,有能力处理所有可用信息并对信息做出快速反应,并且是市场价格的接受者。

2文献综述及相关定价模型

2.1文献综述
资本资产定价模型(CAPM)的建立始于对投资者行为的研究。投资者在本期购买一定数量的证券,并在持有期结束后出售。他们得到的钱用于消费和再投资。这种投资活动的主要目的是获得收入。由于在证券未来的持有期内,证券的收益是未知的,投资者以各种方式考虑投资的预期收益,并选择收益最高的投资组合。然而,收益会及时落后于投资活动,这将导致收益由于未来许多不确定因素而偏离投资者的最初预期,从而产生投资风险。1952年,美国经济学家哈里·马克维茨(Harry M.Markowitz)提出了一个均值单向差分模型,以“最大预期收益或最小风险”为目标,用定量方法确定最佳投资组合。他认为投资者应该充分平衡证券的预期收益和风险这两个因素,不同证券的相关性可以降低持有组合的风险。马科维茨(Markowitz)提出股票收益率应被视为随机变量,其均值应被用来表示预期收益率,而方差应被用来表示风险。该模型为现代投资组合理论和资产定价理论奠定了基础。现代投资组合理论根据对各种资产收益和风险的一系列估计和预测,确定了最优资产组合的构成,为理性投资者根据自身风险偏好做出价值最高的投资决策提供了参考。
资本资产定价模型(CAMP)是基于风险资产预期收益均衡的预测模型。它是夏普和利尔特纳在20世纪60年代中期提出的。它是一种资产定价模型,在不确定的条件下使投资者的效用最大化。该模型主要基于马克维茨(Markowitz)的现代投资组合理论,从现代投资组合理论发展而来,将资产的预期回报与市场风险因素联系起来。然而,马科维茨(Markowitz)当前投资组合模型的建立需要在所有相关证券之间进行相当数量的协方差估计,并且在这些估计中还引入了数学优化模型,这需要巨大的计算机容量来满足大型投资组合的必要计算。为了避免对这些数据的要求和过多的计算机容量,引入了一个简化的假设来减少数据编辑和处理。这个假设是将所有相关的经济因素组合成一个宏观经济指标,假设它影响整个证券市场。也就是说,所有系统风险都集中在一个经济指标上,用来反映它们。这个指标被称为一个因素。这种方法产生了一个类似于因子模型的方程。它被称为单因素模型或单指数模型。一些数据也被称为单因素模型。

3数学处理方法准备..........................................26-30
3.1单变量线性回归模型..........................................26
3.2时间序列模型-自回归过程..........................................26-27
3.3时间序列回归..........................................27
3.4条件异方差模型..........................................27-28
3.5本文所用的数学模型..........................................28-30
4,模型参数特征的统计实证分析..........................................30-50
4.1数据源..........................................30
4.2数据处理方法..........................................30-38
4.2.1数据预处理过程..........................................30-31
4.2.2模型构建流程..........................................31-38
4.3模型参数的特征描述..........................................38-41
4.3.1参数α的特性..........................................39-40
4 . 3 . 2β值的统计特征..........................................40[/溴/]4 . 3 . 3β氮值的统计特征..........................................40-41[/比尔/] 4.4模型参数的经验解释..........................................41-42 [/BR/] 4.5模型参数的实际指导意义..........................................42-44

结论

[概率是统计的灵魂。任何统计都是基于概率的,统计的结论也是关于概率的。这句话的意思是,通过统计手段得出的任何结论都不是绝对的。它的正确性只能用可能性和不可能性、可能性和不可能性等类似的词语来描述。结论的可靠性更科学地用概率来描述。证券市场的风险大致可以归纳为两种类型,一种叫做系统风险,即证券市场由于经济环境的不确定性而面临的风险;另一种称为非系统风险,是由个别随机事件对个别证券的影响造成的。
作为证券市场的单一资产,不可避免地会存在系统性和非系统性风险。实践证明,既可以避免系统性风险,也可以避免非系统性风险。对于系统风险,我们不仅可以用经济理论分析来避免,而且可以用统计方法来预测。如前所述,221mβσ是系统风险的度量,它来自两个部分,即β和Mσ。在股票市场的实际操作中,短期波动较小的β可以用来降低系统风险的影响。本文得出的一些结论主要用于实践,以避免非系统风险。这些结论在实践中检验了它们的可靠性。因此,这些结论可能是正确的,可以被视为经验的良好规则。