金融數(shù)據(jù)分析 課件 歐陽(yáng)資生 第6-12章 有效市場(chǎng)假說(shuō)與事件分析法 -文本數(shù)據(jù)分析

第六章有效市場(chǎng)假說(shuō)與事件分析法

學(xué)習(xí)目標(biāo)

熟悉有效市場(chǎng)假說(shuō)的三種形式掌握弱有效市場(chǎng)假說(shuō)的主要檢驗(yàn)方法了解半強(qiáng)有效和強(qiáng)市場(chǎng)有效的檢驗(yàn)方法掌握事件研究法及其在金融計(jì)量中的應(yīng)用6.1

有效市場(chǎng)理論

6.2有效市場(chǎng)假說(shuō)的實(shí)證檢驗(yàn)6.3事件分析法

6.4

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析目錄CONTENTS有效市場(chǎng)理論6.1

6.1.1有效市場(chǎng)理論的形成與發(fā)展最早提出有效市場(chǎng)這一觀(guān)點(diǎn)的是學(xué)者Gibson（1879）。他通過(guò)對(duì)基于價(jià)格形成理論的證券價(jià)格進(jìn)行研究，發(fā)表《倫敦、巴黎和紐約的股票市場(chǎng)》一書(shū)，其中提出了與市場(chǎng)有效性假說(shuō)相似的思想。法國(guó)數(shù)學(xué)家、經(jīng)濟(jì)學(xué)家Bachelier（1900）提出了隨機(jī)游程假說(shuō)，才真正開(kāi)始對(duì)有效市場(chǎng)進(jìn)行研究。他以法國(guó)實(shí)物商品價(jià)格為研究對(duì)象，觀(guān)察價(jià)格變動(dòng)，發(fā)現(xiàn)在一定時(shí)期內(nèi)，商品價(jià)格的期望值是真實(shí)值的無(wú)偏估計(jì)，這表明價(jià)格的波動(dòng)沒(méi)有任何規(guī)律可言，是無(wú)法預(yù)測(cè)的。這一特征說(shuō)明商品市場(chǎng)的收益滿(mǎn)足獨(dú)立同分布，價(jià)格的波動(dòng)類(lèi)似于布朗運(yùn)動(dòng)。英國(guó)著名統(tǒng)計(jì)學(xué)家MauriceKendall（1953）在其論文《經(jīng)濟(jì)時(shí)間序列分析，第一部分：價(jià)格》中指出，當(dāng)前的股票價(jià)格是前一個(gè)時(shí)點(diǎn)股票價(jià)格加上一個(gè)隨機(jī)擾動(dòng)項(xiàng)構(gòu)成的，價(jià)格變化類(lèi)似于隨機(jī)漫步。他以紐約、芝加哥商品交易所棉花和小麥的價(jià)格周變化規(guī)律以及19種英國(guó)工業(yè)股票價(jià)格指數(shù)為樣本數(shù)據(jù)進(jìn)行相關(guān)性檢驗(yàn)，研究結(jié)果表明，無(wú)法通過(guò)歷史交易數(shù)據(jù)分析來(lái)預(yù)測(cè)未來(lái)價(jià)格，價(jià)格變化具有隨機(jī)游走性。Kendall提出的投機(jī)價(jià)格序列可以用隨機(jī)游走模型很好描述的觀(guān)點(diǎn)是建立在觀(guān)察基礎(chǔ)之上的，但并沒(méi)有對(duì)這些假設(shè)進(jìn)行合理的經(jīng)濟(jì)學(xué)解釋。

6.1.1有效市場(chǎng)理論的形成與發(fā)展

6.1.2有效市場(chǎng)假說(shuō)的內(nèi)涵與假設(shè)有效市場(chǎng)假說(shuō)的基本思想是市場(chǎng)是高度有效的，即市場(chǎng)上的資產(chǎn)價(jià)格能夠充分反映所有可得到的信息。這意味著市場(chǎng)上的價(jià)值準(zhǔn)確反映了所有已知信息，投資者無(wú)法依靠這些信息來(lái)獲得超額利潤(rùn)。這一理論對(duì)投資者的行為和決策提出了挑戰(zhàn)，并鼓勵(lì)投資者采用長(zhǎng)期的、基于基本面的投資策略。然而，有效市場(chǎng)假說(shuō)也引發(fā)了對(duì)市場(chǎng)行為的批評(píng)，認(rèn)為市場(chǎng)可能存在一些偏離和非理性的行為。

有效市場(chǎng)假說(shuō)包含以下幾個(gè)關(guān)鍵方面的內(nèi)涵：1.理性投資者：有效市場(chǎng)假說(shuō)認(rèn)為市場(chǎng)上的投資者是理性的，他們計(jì)算風(fēng)險(xiǎn)和回報(bào)，并在投資決策中權(quán)衡利弊。理性投資者將透徹分析可得到的信息，并基于這些信息進(jìn)行交易。

6.1.2有效市場(chǎng)假說(shuō)的內(nèi)涵與假設(shè)2.信息效率：有效市場(chǎng)假說(shuō)假設(shè)市場(chǎng)上的信息是高度有效的。這意味著所有可得到的信息都是公開(kāi)的，并且投資者都可以很容易地獲得并理解這些信息。公開(kāi)信息包括公司財(cái)務(wù)報(bào)表、新聞公告、經(jīng)濟(jì)指標(biāo)等。3.反映信息：有效市場(chǎng)假說(shuō)認(rèn)為市場(chǎng)上的價(jià)格是有效地反映了所有可得到的信息。這意味著市場(chǎng)上的價(jià)格會(huì)快速調(diào)整以反映新的信息。如果有新的信息出現(xiàn)，市場(chǎng)參與者會(huì)立刻調(diào)整交易策略和資產(chǎn)定價(jià)。4.無(wú)法預(yù)測(cè)：有效市場(chǎng)假說(shuō)認(rèn)為投資者無(wú)法準(zhǔn)確地預(yù)測(cè)股票價(jià)格的未來(lái)走勢(shì)。這意味著市場(chǎng)上的價(jià)格變動(dòng)是隨機(jī)的，無(wú)法利用歷史價(jià)格模式或技術(shù)指標(biāo)來(lái)預(yù)測(cè)未來(lái)趨勢(shì)。5.風(fēng)險(xiǎn)和回報(bào)的平衡：有效市場(chǎng)假說(shuō)認(rèn)為市場(chǎng)上的資產(chǎn)價(jià)格反映了相應(yīng)的風(fēng)險(xiǎn)和期望回報(bào)。高風(fēng)險(xiǎn)資產(chǎn)通常會(huì)提供更高的預(yù)期回報(bào)，而低風(fēng)險(xiǎn)資產(chǎn)的預(yù)期回報(bào)相對(duì)較低。

6.1.2有效市場(chǎng)假說(shuō)的內(nèi)涵與假設(shè)有效市場(chǎng)假說(shuō)并不是無(wú)條件成立的，“天下沒(méi)有免費(fèi)的午餐”，它的成立有一定的前提假設(shè)：（1）完全競(jìng)爭(zhēng)市場(chǎng)，市場(chǎng)參與者多，對(duì)于價(jià)格他們只能被動(dòng)接受而無(wú)法主動(dòng)改變；（2）由理性投資者主導(dǎo)市場(chǎng)，可以理性的評(píng)估資產(chǎn)的價(jià)值；（3）交易隨機(jī)發(fā)生且影響可抵消，不影響價(jià)格，且交易成本為零，市場(chǎng)無(wú)摩擦（4）信息發(fā)布渠道暢通，所有市場(chǎng)參與者都能及時(shí)獲取同質(zhì)同量信息；（5）資金可以在市場(chǎng)中自由流動(dòng)。完全理性是指投資者都是理性經(jīng)濟(jì)人，追求個(gè)人效用最大化，且對(duì)于新信息的解讀能力相同，對(duì)價(jià)值的合理預(yù)期也相同，此時(shí)，股票價(jià)格波動(dòng)是投資者完全信息與理性預(yù)期的結(jié)果。如在股票市場(chǎng)中，有效性假說(shuō)的前提假設(shè)得到滿(mǎn)足，可根據(jù)股票的價(jià)格來(lái)引導(dǎo)資金的流向，進(jìn)行社會(huì)資源的合理配置，由于股票價(jià)格充分反映了所有可能獲取的信息，此時(shí)市場(chǎng)投資者可以據(jù)此做出正確的投資決策，企業(yè)也可以做出正確的生產(chǎn)與再生產(chǎn)決策，市場(chǎng)即為高效率，也就是說(shuō)市場(chǎng)是有效的。

6.1.3有效市場(chǎng)的三種形式在一個(gè)有效市場(chǎng)上，與股票價(jià)格有關(guān)的各種相關(guān)信息改變時(shí)，股票價(jià)格能據(jù)此及時(shí)、準(zhǔn)確地進(jìn)行調(diào)整，過(guò)度反應(yīng)與滯后反應(yīng)都說(shuō)明了市場(chǎng)的無(wú)效。市場(chǎng)上充斥著各種信息，有歷史信息、公開(kāi)信息、內(nèi)幕信息等。根據(jù)Roberts（1967）和Fama(1970)的研究，有效市場(chǎng)包含三種形式：弱式有效市場(chǎng)、半強(qiáng)式有效市場(chǎng)和強(qiáng)式有效市場(chǎng)，具體如圖6-1所示。

所有可能信息=強(qiáng)有效市場(chǎng)公眾可以獲得的所有信息=半強(qiáng)式有效市場(chǎng)所有歷史信息=弱有效市場(chǎng)圖6-1市場(chǎng)效率的三個(gè)層次

6.1.3有效市場(chǎng)的三種形式1.弱式有效市場(chǎng)：

弱式有效市場(chǎng)是有效市場(chǎng)假說(shuō)中最基本的形式。在這種市場(chǎng)中，假設(shè)市場(chǎng)價(jià)格已經(jīng)完全反映了所有過(guò)去的價(jià)格和交易量等公開(kāi)信息。換句話(huà)說(shuō)，弱式有效市場(chǎng)假設(shè)認(rèn)為技術(shù)分析和利用過(guò)去的價(jià)格和交易量來(lái)預(yù)測(cè)未來(lái)價(jià)格的方法是無(wú)效的。

在弱式有效市場(chǎng)中，投資者無(wú)法通過(guò)分析價(jià)格的歷史模式或使用技術(shù)指標(biāo)來(lái)預(yù)測(cè)股票或其他資產(chǎn)的價(jià)格變動(dòng)。因此，他們也無(wú)法獲得持續(xù)的超額收益。投資者只能依靠隨機(jī)走勢(shì)來(lái)決定何時(shí)買(mǎi)入或賣(mài)出資產(chǎn)。2.半強(qiáng)式有效市場(chǎng)：

半強(qiáng)式有效市場(chǎng)是對(duì)弱式有效市場(chǎng)的擴(kuò)展。在半強(qiáng)式有效市場(chǎng)中，除過(guò)去的價(jià)格和交易量等公開(kāi)信息，還包括所有的公共公告和公司聲明。這意味著基本面分析，如財(cái)務(wù)分析和經(jīng)濟(jì)分析，也無(wú)法提供超額收益。

在半強(qiáng)式有效市場(chǎng)中，投資者無(wú)法通過(guò)分析公開(kāi)的信息來(lái)預(yù)測(cè)未來(lái)的價(jià)格走勢(shì)或選擇低估或高估的股票。即使投資者能夠獲取并分析這些信息，由于市場(chǎng)上的其他參與者也在進(jìn)行相同的分析，資產(chǎn)價(jià)格仍然會(huì)迅速調(diào)整以反映這些信息。

6.1.3有效市場(chǎng)的三種形式3.強(qiáng)式有效市場(chǎng)：

強(qiáng)式有效市場(chǎng)是最嚴(yán)格的有效市場(chǎng)形式。在強(qiáng)式有效市場(chǎng)中，除過(guò)去的價(jià)格、交易量和公共公告等公開(kāi)信息，還包括所有非公開(kāi)信息，即內(nèi)幕信息。意味著投資者無(wú)法通過(guò)獲得和利用內(nèi)幕信息來(lái)獲取額外的利潤(rùn)。強(qiáng)式有效市場(chǎng)假設(shè)認(rèn)為所有市場(chǎng)參與者都能迅速獲取并理解所有可得到的信息，包括內(nèi)幕信息。因此，即使某些投資者可能在短暫的時(shí)間內(nèi)利用內(nèi)幕信息獲得超額收益，這種行為也是非持續(xù)性的，因?yàn)槭袌?chǎng)會(huì)迅速調(diào)整價(jià)格。值得注意的是，強(qiáng)式有效市場(chǎng)的假設(shè)在現(xiàn)實(shí)中很難得到完全滿(mǎn)足，因?yàn)橛袝r(shí)候內(nèi)幕交易和信息不對(duì)稱(chēng)情況確實(shí)存在。有效市場(chǎng)理論仍然提供了一個(gè)理論框架，用于描述市場(chǎng)的信息反映程度和資產(chǎn)定價(jià)的特點(diǎn)?？偟膩?lái)說(shuō)，有效市場(chǎng)假說(shuō)的三種形式描述了市場(chǎng)中的信息反映程度和資產(chǎn)價(jià)格形成的特征。

6.1.4隨機(jī)游走模型隨機(jī)游走模型（RandomWalkModel）認(rèn)為資產(chǎn)價(jià)格的變動(dòng)是不可預(yù)測(cè)的，價(jià)格的未來(lái)變動(dòng)僅取決于當(dāng)前的價(jià)格水平，并且不受歷史價(jià)格變動(dòng)的影響。在隨機(jī)游走模型中，價(jià)格變動(dòng)被認(rèn)為是一個(gè)隨機(jī)過(guò)程，類(lèi)似于布朗運(yùn)動(dòng)。根據(jù)隨機(jī)游走模型假設(shè)，資產(chǎn)價(jià)格可預(yù)測(cè)性是非常有限的。這意味著歷史價(jià)格數(shù)據(jù)不能提供任何有關(guān)未來(lái)價(jià)格走勢(shì)信息，因?yàn)閮r(jià)格未來(lái)變動(dòng)與過(guò)去變動(dòng)無(wú)關(guān)。隨機(jī)游走模型認(rèn)為資產(chǎn)價(jià)格變動(dòng)是隨機(jī)的，不可預(yù)測(cè)的。雖然市場(chǎng)上存在各種預(yù)測(cè)方法，但根據(jù)該模型，預(yù)測(cè)未來(lái)價(jià)格變動(dòng)能力是有限的。

6.1.4隨機(jī)游走模型1.隨機(jī)游走模型1（RW1）RW1模型是最簡(jiǎn)單的隨機(jī)游走模型，也稱(chēng)為無(wú)偏隨機(jī)游走模型。模型中，價(jià)格的變動(dòng)是一隨機(jī)擾動(dòng)項(xiàng)，遵循相同概率分布，并且在每個(gè)時(shí)間點(diǎn)上均獨(dú)立的。2.隨機(jī)游走模型2（RW2）RW2模型是擴(kuò)展的隨機(jī)游走模型，也稱(chēng)為隨機(jī)漫步模型。與RW1模型類(lèi)似，RW2模型的價(jià)格變動(dòng)仍是一隨機(jī)擾動(dòng)項(xiàng)，但與RW1模型不同的是，RW2模型允許價(jià)格波動(dòng)具有一定的記憶性，即過(guò)去的價(jià)格變動(dòng)可能對(duì)未來(lái)的價(jià)格變動(dòng)產(chǎn)生一定的影響。3.隨機(jī)游走模型3（RW3）RW3模型是進(jìn)一步擴(kuò)展的隨機(jī)游走模型，也稱(chēng)為分?jǐn)?shù)階隨機(jī)游走模型。RW3中，價(jià)格變動(dòng)不再遵循標(biāo)準(zhǔn)的隨機(jī)性，而是服從分?jǐn)?shù)階隨機(jī)過(guò)程。這種模型可更好地捕捉價(jià)格變動(dòng)的長(zhǎng)記憶特性，使得模型更符合實(shí)際市場(chǎng)中的觀(guān)察結(jié)果。有效市場(chǎng)假說(shuō)的實(shí)證檢驗(yàn)6.26.2.1弱有效市場(chǎng)的檢驗(yàn)方法

6.2.1弱有效市場(chǎng)的檢驗(yàn)方法

6.2.1弱有效市場(chǎng)的檢驗(yàn)方法為檢驗(yàn)中國(guó)股票市場(chǎng)是否達(dá)到弱有效，采取自相關(guān)性檢驗(yàn)法。直觀(guān)上，自相關(guān)檢驗(yàn)可能通過(guò)判斷第t期的收益與第t-1期、t-2期或者t-3期的收益是否存在相關(guān)關(guān)系，推斷股票收益是否服從隨機(jī)游走模型。股票收益存在顯著自相關(guān)的情形說(shuō)明市場(chǎng)是無(wú)效的，投資者可以根據(jù)過(guò)去的股票價(jià)格信息預(yù)測(cè)未來(lái)的走勢(shì)。相反，若股票收益不存在自相關(guān)現(xiàn)象，則說(shuō)明過(guò)去的信息對(duì)分析價(jià)格趨勢(shì)不起作用，市場(chǎng)是弱有效的。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法6.2.1弱有效市場(chǎng)的檢驗(yàn)方法我們選取2017年1月3日至2022年12月30日共1461個(gè)滬深300指數(shù)交易日數(shù)據(jù)，取對(duì)數(shù)收益率作為收益率，可做出2017年至2022年滬深300指數(shù)收益率序列的時(shí)間序列圖(如圖6.2所示)，由此大致認(rèn)為收益率序列基本符合隨機(jī)游走特征。圖6.2滬深300指數(shù)收益率序列的時(shí)間序列圖6.2.1弱有效市場(chǎng)的檢驗(yàn)方法為使結(jié)果更具有說(shuō)服力，按照年份對(duì)滬深300指數(shù)收益率序列進(jìn)行相關(guān)性檢驗(yàn)，其中對(duì)檢驗(yàn)值選取滯后12階。從表6.1檢驗(yàn)結(jié)果上看，滬深300收益率序列在滯后12階時(shí)均不具有自相關(guān)性特征，即符合白噪聲序列特征，表明2017年以后滬深股市的價(jià)格運(yùn)動(dòng)基本呈現(xiàn)隨機(jī)游走特征。R代碼>setwd("C:/Users/data")>install.packages("xlsx")>library(openxlsx)>library(readxl)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$syl,start=c(2017,1),frequency=244)>plot(hs_ts,xlab="年份",ylab="收益率")>Box.test(hs_ts,type="Ljung-Box",lag=12)6.2.1弱有效市場(chǎng)的檢驗(yàn)方法

6.2.1弱有效市場(chǎng)的檢驗(yàn)方法假設(shè)有一系列價(jià)格變化，每一個(gè)價(jià)格變化如果是價(jià)格上升則記為加號(hào)(+)，如果價(jià)格下降則為減號(hào)(-)，結(jié)果就是如下一組加減號(hào)(+++-+--++--++)。當(dāng)兩個(gè)連續(xù)的變化是相同的時(shí)候，一個(gè)游程就產(chǎn)生了，當(dāng)然更多連續(xù)的正的或負(fù)的價(jià)格變化也構(gòu)成一個(gè)游程。當(dāng)價(jià)格反向變化時(shí)，如一個(gè)負(fù)的價(jià)格變化之后，緊接著一個(gè)正的價(jià)格變化，則表明當(dāng)前的這個(gè)游程就結(jié)束了，另一個(gè)新的游程會(huì)開(kāi)始。檢驗(yàn)獨(dú)立性，可以將給定序列中游程的個(gè)數(shù)與隨機(jī)序列中游程的期望值表中的數(shù)字作比較。游程數(shù)目反映了價(jià)格序列變化情況，若游程太少，表明價(jià)格序列存在某種恒定傾向；若游程數(shù)目過(guò)多，則序列具有混合傾向。因此，游程過(guò)多過(guò)少，都具有非隨機(jī)性特征。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法根據(jù)證券價(jià)格變化的游程序列，可建立檢驗(yàn)統(tǒng)計(jì)量U(游程總數(shù)目)。當(dāng)觀(guān)測(cè)總數(shù)N>25時(shí)，檢驗(yàn)統(tǒng)計(jì)量近似接近正態(tài)分布，這時(shí)游程總數(shù)均值為式中，N為證券價(jià)格觀(guān)測(cè)天數(shù)；m為正游程數(shù)量；n為負(fù)游程數(shù)量。游程總數(shù)的標(biāo)準(zhǔn)差為則根據(jù)式（6.9）計(jì)算Z值后，查表得到相應(yīng)的P值。當(dāng)顯著性水平為a時(shí)，若P值小于a，則不能認(rèn)為價(jià)格為純隨機(jī)序列。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法我們運(yùn)用游程檢驗(yàn)法對(duì)2017年—2022年的滬深300指數(shù)收益率進(jìn)行檢驗(yàn)。從檢驗(yàn)結(jié)果上看，除2021年之外，其他年份的雙側(cè)檢驗(yàn)概率均大于0.05的顯著性水平，2021年的雙側(cè)檢驗(yàn)概率大于0.01的顯著性水平，說(shuō)明接受是隨機(jī)游走序列的原假設(shè)，股市整體達(dá)到了市場(chǎng)弱有效狀態(tài)（檢驗(yàn)結(jié)果見(jiàn)表6.2）。

R代碼>install.packages("lawstat")>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_syl<-hs$syl>library(lawstat)>runs.test(hs_syl)6.2.1弱有效市場(chǎng)的檢驗(yàn)方法3.單位根檢驗(yàn)單位根檢驗(yàn)不僅能夠區(qū)分經(jīng)濟(jì)時(shí)間序列是否為平穩(wěn)過(guò)程或單位根過(guò)程，而且能夠從非平穩(wěn)時(shí)間序列中間區(qū)分趨勢(shì)平穩(wěn)或單位根過(guò)程。一般而言隨機(jī)游走的一階差分是平穩(wěn)的。因此，單位根檢驗(yàn)是隨機(jī)游走過(guò)程的必要條件。運(yùn)用單位根檢驗(yàn)，可以檢測(cè)時(shí)間序列數(shù)據(jù)的生成過(guò)程是否存在且只有一個(gè)單位根。若命題不成立，我們可以推斷隨機(jī)游走假設(shè)也不成立，即金融市場(chǎng)不是弱式有效市場(chǎng)；若命題成立，隨機(jī)游走過(guò)程是成立的，即金融市場(chǎng)達(dá)到弱式有效。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法6.2.1弱有效市場(chǎng)的檢驗(yàn)方法采用2017—2022年滬深300指數(shù)對(duì)數(shù)序列進(jìn)行年度ADF檢驗(yàn)。研究發(fā)現(xiàn)，無(wú)論采取哪一種模型，或者改變滯后期的階數(shù)，并不影響結(jié)論的一致性。以下列出了模型Ⅱ及滯后2階的檢驗(yàn)結(jié)果。結(jié)果表明，滬深300指數(shù)對(duì)數(shù)序列ADF檢驗(yàn)p值均大于1%（如表6.3所示），不拒絕原假設(shè)，即認(rèn)為滬深300指數(shù)對(duì)數(shù)序列存在單位根，為非平穩(wěn)過(guò)程。同時(shí)，我們也列出了一階差分后的檢驗(yàn)結(jié)果（如表6.4所示），其ADF檢驗(yàn)p值均小于1%，拒絕存在單位根的原假設(shè)，即一階差分后的序列是平穩(wěn)的。所以2017—2022年的滬深300指數(shù)對(duì)數(shù)序列為I(1)序列，股票市場(chǎng)達(dá)弱有效。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法

R代碼>install.packages("fUnitRoots")>library(fUnitRoots)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$lnc)>adfTest(hs_ts,lags=2,type="c")#type="nc"無(wú)常數(shù)均值，無(wú)趨勢(shì)類(lèi)型；type="c"表示有常數(shù)均值，無(wú)趨勢(shì)類(lèi)型；type="ct"有常數(shù)均值，有趨勢(shì)類(lèi)型>diff_hs_ts<-diff(hs_ts)>adfTest(diff_hs_ts,lags=2,type="c")6.2.1弱有效市場(chǎng)的檢驗(yàn)方法4.方差比檢驗(yàn)方差比檢驗(yàn)暗含隨機(jī)游走序列中的增量在樣本區(qū)間是線(xiàn)性的，即收益率的一階回歸方差估計(jì)量應(yīng)該是一階同歸方差估計(jì)量的q倍6.2.1弱有效市場(chǎng)的檢驗(yàn)方法方差比檢驗(yàn)步驟：首先，考慮同方差情形下的方差比統(tǒng)計(jì)量。在

RW1的假設(shè)條件下，對(duì)應(yīng)的方差比統(tǒng)計(jì)量為：6.2.1弱有效市場(chǎng)的檢驗(yàn)方法在同方差性的假設(shè)條件下方差比的方差漸進(jìn)服從如下分布：經(jīng)標(biāo)準(zhǔn)化可得其次，考慮在異方差的情況下，在樣本容量足夠大時(shí)，仍在概率上趨近于1，此時(shí)，運(yùn)用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計(jì)量：6.2.1弱有效市場(chǎng)的檢驗(yàn)方法其次，考慮在異方差的情況下，在樣本容量足夠大時(shí)，仍在概率上趨近于1，此時(shí)，運(yùn)用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計(jì)量：式中6.2.1弱有效市場(chǎng)的檢驗(yàn)方法我們對(duì)2017年—2022年滬深300指數(shù)對(duì)數(shù)序列按年度分別進(jìn)行求趨同方差和異方差增量下的方差比檢驗(yàn)，方差比檢驗(yàn)的期數(shù)q分別選取2、4、8、16，分別得到Z(q)、Z`(q)的檢驗(yàn)結(jié)果（見(jiàn)表6.5、表6.6）。從檢驗(yàn)結(jié)果上看，2017年—2022年的滬深300指數(shù)方差比檢驗(yàn)的Z(q)值都處于[-1.96，1.96]區(qū)間之中，則認(rèn)為在5%的顯著性水平下符合正態(tài)分布假設(shè)，為隨機(jī)游走模型1(RW1)。同樣，Z`(q)值在5%的顯著性水平下也符合正態(tài)分布假設(shè)，為隨機(jī)游走模型3(RW3)。因此，統(tǒng)計(jì)檢驗(yàn)結(jié)果可知，2017年—2022年，我國(guó)股市達(dá)到弱有效。6.2.1弱有效市場(chǎng)的檢驗(yàn)方法6.2.1弱有效市場(chǎng)的檢驗(yàn)方法

R代碼>install.packages("vrtest")>library(vrtest)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=2)>y<-hs$syl>kvec<-c(2,4,8,16)>Lo.Mac(y,kvec)6.2.1弱有效市場(chǎng)的檢驗(yàn)方法5.過(guò)濾法則檢驗(yàn) 1961年Alexander首次提出過(guò)濾法則檢驗(yàn)法檢驗(yàn)證券市場(chǎng)有效性。過(guò)濾法則是指當(dāng)某只股票的價(jià)格變化突破了事先設(shè)置的百分比時(shí)，投資者就交易這種股票，它的基本邏輯是：只要沒(méi)有新的消息進(jìn)入市場(chǎng)，股票價(jià)格就應(yīng)該在正常價(jià)格范圍內(nèi)隨機(jī)波動(dòng)，如果偏離了正常價(jià)格范圍，投資者就會(huì)買(mǎi)入或賣(mài)出該股票，從而使其價(jià)格回到正常價(jià)格范圍，這樣股票價(jià)格就有了一個(gè)上下限。所謂“過(guò)濾原則”，即將股票價(jià)格作為買(mǎi)入賣(mài)出的指示器，如果價(jià)格上升，表明股市看好，則買(mǎi)入一定比例股票；如果價(jià)格下降，則表明股市看跌，則賣(mài)出一定比例股票。具體而言，股票價(jià)格上升x%時(shí)，立即購(gòu)買(mǎi)并持有這一股票直至其價(jià)格從前一次上升時(shí)下跌x%；當(dāng)股票價(jià)格從前一次下降中上升x%時(shí)，立即賣(mài)出持有股票并同時(shí)做一賣(mài)空，此后再買(mǎi)進(jìn)平倉(cāng)。這一過(guò)程不斷反復(fù)進(jìn)行。如果股票價(jià)格時(shí)間序列存在系統(tǒng)性的變化趨勢(shì)，使用過(guò)濾檢驗(yàn)會(huì)獲得異常收益。在過(guò)濾原則中，x%被稱(chēng)為“過(guò)濾程度”，其可取的值，不同研究者的看法不同，一般為0.5%—50%。過(guò)濾程度設(shè)置的越小，則發(fā)生交易次數(shù)越多，交易成本也就越高。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法半強(qiáng)式有效市場(chǎng)假說(shuō)認(rèn)為證券價(jià)格已充分反應(yīng)出所有已公開(kāi)的信息。各種信息一經(jīng)公布，證券價(jià)格將迅速調(diào)整到其應(yīng)有的水平上，使得任何利用這些公開(kāi)信息對(duì)證券價(jià)格的未來(lái)走勢(shì)所做的預(yù)測(cè)對(duì)投資者失去指導(dǎo)意義。半強(qiáng)式有效市場(chǎng)檢驗(yàn)重點(diǎn)在于考察基本分析是否有用，其檢驗(yàn)就是考慮除了過(guò)去信息外所獲得的其他公開(kāi)信息能否對(duì)股票收益產(chǎn)生影響，最常用的方法是Fama等在1969年提出的事件研究法。事件研究法其原理是根據(jù)研究目的選擇某一特定事件（如年報(bào)公布、股票分割、公司控制權(quán)轉(zhuǎn)移等），研究事件發(fā)生前后樣本股票收益率的變化，進(jìn)而解釋特定事件對(duì)樣本股票價(jià)格變化與收益率的影響，主要被用于檢驗(yàn)事件發(fā)生前后價(jià)格變化或價(jià)格對(duì)披露信息的反應(yīng)程度。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法1.殘差分析法的原理首先，定義所要研究的事件。所謂的“事件日”，是指市場(chǎng)“接收”到該事件即將發(fā)生或可能發(fā)生的時(shí)間點(diǎn)，而不一定是該事件“實(shí)際”上發(fā)生的時(shí)間點(diǎn)，此時(shí)點(diǎn)通常以“宣告日”為準(zhǔn)。選取適當(dāng)樣本，設(shè)定好估計(jì)窗口與事件窗口，其中估計(jì)窗口通常是事件發(fā)生前的一定事件間隔，如事件發(fā)生前180天到事件發(fā)生前30天；事件窗口是指包含事件發(fā)生日在內(nèi)的一個(gè)時(shí)間區(qū)間。其次，選擇基準(zhǔn)模型，常用的模型有兩類(lèi)：固定收益模型和市場(chǎng)模型。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法固定收益模型：該模型的思想是將估計(jì)期間（即估計(jì)窗）內(nèi)標(biāo)的股票的平均收益率作為事件期間（即事件窗）標(biāo)的股票的正常收益率。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法市場(chǎng)模型：該模型是將某一股票收益與市場(chǎng)股票組合收益相聯(lián)系的統(tǒng)計(jì)模型。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法

6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法最后，需要檢驗(yàn)異常收益率的顯著性。原假設(shè)通常是:異常收益率（或累積異常收益率）均值為0；備擇假設(shè)是：異常收益率（或累積異常收益率）均值不為0。如果事件發(fā)生前后股票價(jià)格沒(méi)有意外變化，累計(jì)異常收益率應(yīng)圍繞零值上下波動(dòng)，且平均值為零。此外，若樣本中同時(shí)包含多只股票，可以計(jì)算平均異常收益率再檢驗(yàn)。檢驗(yàn)的方法包括參數(shù)檢驗(yàn)法與非參數(shù)檢驗(yàn)法。在已有文獻(xiàn)中，大多數(shù)例證顯示，發(fā)達(dá)股票市場(chǎng)基本符合半強(qiáng)式有效市場(chǎng)假說(shuō)，投資者無(wú)法利用這些公開(kāi)信息來(lái)獲得顯著的異常收益。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法2.殘差分析法的運(yùn)用在半強(qiáng)有效市場(chǎng)假說(shuō)成立的情形下，假設(shè)市場(chǎng)上出現(xiàn)了某種利好的消息，那么市場(chǎng)上可能會(huì)出現(xiàn)兩種情況:一是這種利好消息出乎意料，那么，該股票的價(jià)格在消息公布之前不會(huì)出現(xiàn)大的波動(dòng)，投資率也不會(huì)出現(xiàn)較大的波動(dòng)，只是正常的收益率，維持比較穩(wěn)定的狀態(tài)；在消息公布的當(dāng)天，該股票的價(jià)格發(fā)生一次性的上漲，帶來(lái)了正的超額異常收益；從公布第二天起，股票價(jià)格重新恢復(fù)穩(wěn)定，投資的收益率也恢復(fù)正常水平。二是這種利好消息在意料之中，并且投資者對(duì)這利好消息的預(yù)期是逐漸形成的，那么，該股票的價(jià)格在消息公布之前就會(huì)逐漸走高，獲得超額異常收益；在消息公布的那一天，市場(chǎng)已經(jīng)完全消化，因此，股票價(jià)格不會(huì)由于消息的發(fā)布而發(fā)生波動(dòng)；從公布的第二天起，股票的價(jià)格趨于穩(wěn)定。6.2.2半強(qiáng)式有效市場(chǎng)的檢驗(yàn)方法圖6.3、圖6.4分別描述了這兩種情形，橫軸0坐標(biāo)表示消息發(fā)布的當(dāng)天，0坐標(biāo)左側(cè)表示消息發(fā)布之前，0坐標(biāo)右側(cè)表示消息發(fā)布之后。圖6.3表示第一種情形：利好消息的發(fā)布在意料之外，所以在消息發(fā)布之前，累計(jì)異常收益率在0附近波動(dòng)；在消息公布的當(dāng)天，股票一次性上漲，使異常收益率上漲至2%；之后，累計(jì)異常收益率在2%附近波動(dòng)。圖6.4表示第二種情形：利好消息的發(fā)布在意料之中，所以，在消息發(fā)布之前，價(jià)格就開(kāi)始上漲，異常收益率逐漸趨近于2%；等到利好消息發(fā)布之后，市場(chǎng)以及充分消化了這一消息，超額異常收益率趨于穩(wěn)定。6.2.3強(qiáng)式有效市場(chǎng)的檢驗(yàn)強(qiáng)式有效市場(chǎng)假說(shuō)認(rèn)為股票價(jià)格完全地反映一切公開(kāi)的和非公開(kāi)的信息。投資者即使掌握內(nèi)幕信息也無(wú)法獲得超額利潤(rùn)。任何專(zhuān)業(yè)投資者的邊際市場(chǎng)價(jià)值為零。其檢驗(yàn)原理：內(nèi)幕消息是否有用。檢驗(yàn)方法是考察內(nèi)幕消息是否有助于獲得異常收益，主要通過(guò)分析公司內(nèi)部交易人員和專(zhuān)業(yè)基金管理人的投資績(jī)效來(lái)判斷市場(chǎng)是否有效。例如，美國(guó)法律對(duì)公司內(nèi)幕交易有著嚴(yán)格的管理制度，按照要求，上市公司董事、高級(jí)主管、主要股東等一切可能獲得該上市公司內(nèi)幕消息的人士，在對(duì)本公司股票發(fā)生交易之日的一個(gè)月之內(nèi)，必須將交易的全部情況報(bào)告證券交易委員會(huì)（SEC），而SEC則按月將此類(lèi)信息在“內(nèi)幕交易官方報(bào)告”中向公眾宣布，研究者即可根據(jù)以上數(shù)據(jù)來(lái)確定內(nèi)幕交易是否存在價(jià)值，從而判斷市場(chǎng)是否強(qiáng)勢(shì)有效。強(qiáng)式有效市場(chǎng)意味著所有信息都已經(jīng)被充分反映在市場(chǎng)價(jià)格中，所有公開(kāi)信息和非公開(kāi)信息都無(wú)法獲得異常收益。針對(duì)已有相關(guān)研究發(fā)現(xiàn)，目前世界上沒(méi)有證券市場(chǎng)達(dá)到強(qiáng)式有效。事件分析法6.3

6.3.1事件分析法概述事件分析法（EventStudy）又稱(chēng)事件研究法，是一種用于研究特定事件或政策沖擊對(duì)個(gè)體行為影響的實(shí)證研究方法，通過(guò)研究事件發(fā)生對(duì)時(shí)序性數(shù)據(jù)的影響來(lái)檢驗(yàn)市場(chǎng)對(duì)該事件的反應(yīng)，一般是通過(guò)考察該事件前后的累積異常收益變化來(lái)判斷事件的影響程度。該方法基于有效市場(chǎng)假設(shè)，即股票價(jià)格能反映所有已知的公共信息。因此，在股票實(shí)際收益中減去假定某個(gè)事件沒(méi)有發(fā)生而估計(jì)出來(lái)的正常收益就可得到異常收益，異常收益可衡量股價(jià)對(duì)事件發(fā)生或信息披露的反應(yīng)程度。事件分析法通?；趦蓚€(gè)基本假設(shè)：第一，在事件研究窗口內(nèi)，只有所研究的事件發(fā)生，即使發(fā)生了其他事件，也不會(huì)對(duì)價(jià)格產(chǎn)生顯著影響。第二，事件的影響可通過(guò)異常收益率來(lái)度量。

6.3.2事件分析法步驟一個(gè)完整的事件分析法應(yīng)該包含以下五個(gè)步驟。第一，界定事件窗口。在事件分析法中，首先需要確定所研究事件的發(fā)生區(qū)間。

6.3.2事件分析法步驟第三，計(jì)算正常收益(NormalReturn，NR)。通常使用如下兩種模型計(jì)算正常收益：CAPM模型

6.3.2事件分析法步驟

6.3.2事件分析法步驟第五，評(píng)價(jià)異常收益和累積異常收益在時(shí)間窗口中的顯著性。在計(jì)算出異常收益后，需進(jìn)一步檢驗(yàn)其顯著性。對(duì)于第四步得到的AR和CAR，需檢驗(yàn)其是否具有統(tǒng)計(jì)顯著性。通常采用T檢驗(yàn)統(tǒng)計(jì)量，檢驗(yàn)中的原假設(shè)設(shè)置為：，該事件并未造成顯著影響；備擇假設(shè)為：，該事件造成顯著影響。若則造成負(fù)向影響，，則造成正向影響。比較計(jì)算出來(lái)的T統(tǒng)計(jì)量與某一顯著性水平下的T值大小，如設(shè)，則拒絕原假設(shè)，認(rèn)為該事件造成了顯著影響；反之不能拒絕原假設(shè)，認(rèn)為該事件并未造成顯著影響。即：

6.3.2事件分析法步驟在結(jié)果分析過(guò)程中，需要注意以下兩點(diǎn)：一是需要考慮樣本容量對(duì)實(shí)證結(jié)果的影響，特別是當(dāng)使用有限的事件觀(guān)察數(shù)據(jù)(小樣本)進(jìn)行研究時(shí)，實(shí)證結(jié)果可能較大程度地依賴(lài)某一兩個(gè)機(jī)構(gòu)的影響。因此，在分析研究結(jié)論或進(jìn)行結(jié)果解釋時(shí)應(yīng)特別謹(jǐn)慎。二是在事件研究的各個(gè)步驟中將面臨一些可能對(duì)實(shí)證結(jié)果產(chǎn)生影響的選擇。比如，事件窗口長(zhǎng)度的選擇、樣本的選擇、正常收益模型的選擇、估計(jì)窗口長(zhǎng)度的選擇及異常收益顯著性檢驗(yàn)方法的選擇等。這些選擇必然會(huì)給研究結(jié)論與相應(yīng)的解釋帶來(lái)不確定性。因此，在運(yùn)用事件分析法時(shí)，需要正確認(rèn)識(shí)事件分析法中存在的不確定性。下面我們通過(guò)一個(gè)例子來(lái)更好地理解事件分析法。

6.3.2事件分析法步驟例5.92020年8月20日，前期沸沸揚(yáng)揚(yáng)、不斷爆出來(lái)的恒大集團(tuán)的負(fù)面消息促使了住建部和央行提出房地產(chǎn)企業(yè)融資“三條紅線(xiàn)”，并約談了12家房企。我們研究恒大事件對(duì)恒大本身以及房地產(chǎn)行業(yè)股票收益率的影響。我們將“三條紅線(xiàn)”這一事件發(fā)生的交易日定為t=0，為了使所估計(jì)出來(lái)的正常收益更貼近真實(shí)收益，本例選取了事件日、事件日前5個(gè)交易日和事件日后10個(gè)交易日，共16個(gè)交易日作為窗口期，即事件窗口為[-5,10]，選擇事件窗口前的120個(gè)交易日作為估計(jì)窗口計(jì)算窗口期的正常收益，估計(jì)期區(qū)間為[-125，-6]，使用市場(chǎng)模型，即式(6.34)估計(jì)正常收益。我們得到的擬合模型估計(jì)結(jié)果為：其中，NRt表示t時(shí)刻的房地產(chǎn)業(yè)收益率，NR1t表示t時(shí)刻的中國(guó)恒大的收益率，Rmt表示t時(shí)刻的市場(chǎng)收益率。然后計(jì)算異常收益率和累計(jì)異常收益率，并對(duì)CAR進(jìn)行顯著性檢驗(yàn)。結(jié)果如表6.7所示。其中，AR和CAR是房地產(chǎn)行業(yè)的異常收益率和累計(jì)異常收益率，AR1和CAR1是中國(guó)恒大的異常收益率和累計(jì)異常收益率。

6.3.2事件分析法步驟表6.7房地產(chǎn)行業(yè)以及中國(guó)恒大的異常收益率和累計(jì)異常收益率統(tǒng)計(jì)表6.8事件窗口期的CAR顯著性檢驗(yàn)注：***、**、*分別表示在1%、5%、10%置信水平上顯著。

6.3.2事件分析法步驟根據(jù)數(shù)據(jù)繪制出房地產(chǎn)行業(yè)和中國(guó)恒大在事件窗口期內(nèi)累計(jì)異常收益率的變化，如下圖所示。從房地產(chǎn)業(yè)來(lái)看，整個(gè)事件窗期間整體的累計(jì)異常收益率(CAR)均小于0，2020年8月20日后，房地產(chǎn)業(yè)的累計(jì)異常收益率一路下滑，最低達(dá)到-4.67%，意味著事件發(fā)生后對(duì)房地產(chǎn)行業(yè)的收益率產(chǎn)生了顯著的負(fù)向沖擊。從中國(guó)恒大本身來(lái)看，在2020年8月17日，中國(guó)恒大的累計(jì)異常收益率就出現(xiàn)了大幅下跌，隨后也是一路走跌，最低降至-26.23%，說(shuō)明此次約談事件給恒大自身帶來(lái)了較大的負(fù)向影響。圖6.5

2020年8月20日事件窗口期內(nèi)房地產(chǎn)業(yè)和中國(guó)恒大CAR變化情況

R代碼#計(jì)算中國(guó)恒大的AR和CAR>library("readxl")>data_hd<-read_excel("D://Chapter6/data.xls",sheet=1)>y_hd=data_hd$hd>x_hd=data_hd$IdxDRet>fit=lm(y_hd~x_hd)>coef(fit)>d<-read_excel("D://Chapter6/data3.xlsx",sheet=1)>sd(d$hd_car)>summary(d$hd_car)>t.test(d$hd_car)#計(jì)算中國(guó)房地產(chǎn)行業(yè)的AR和CAR>data_fdc<-read_excel("D://Chapter6/data.xls",sheet=2)>y_fdc=data_fdc$fdc>x_fdc=data_fdc$IdxDRet>fit=lm(y_fdc~x_fdc)>coef(fit)>sd(d$fdc_car)>summary(d$fdc_car)>t.test(d$fdc_car)專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析6.4

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析自改革開(kāi)放以來(lái)，我國(guó)已經(jīng)取得了一系列經(jīng)濟(jì)體制改革重大成果，中國(guó)經(jīng)濟(jì)的迅猛發(fā)展備受世界矚目。然而，在我國(guó)經(jīng)濟(jì)進(jìn)步發(fā)展的同時(shí)，許多弊病也逐漸暴露，其中較為明顯的就有市場(chǎng)上頻繁出現(xiàn)的企業(yè)財(cái)務(wù)造假相關(guān)問(wèn)題。近幾年來(lái)，我國(guó)企業(yè)財(cái)務(wù)造假事件層出不窮，諸如康美藥業(yè)、康得新、新海宜、雅百特財(cái)務(wù)造假案等。企業(yè)財(cái)務(wù)造假行為不僅使得投資者因此誤判企業(yè)價(jià)值，進(jìn)而做出錯(cuò)誤決策產(chǎn)生損失，還使得我國(guó)證券市場(chǎng)秩序紊亂。對(duì)我國(guó)企業(yè)財(cái)務(wù)造假所產(chǎn)生的經(jīng)濟(jì)后果的研究顯得尤其重要，此時(shí)需要通過(guò)對(duì)市場(chǎng)中大量存在的公司造假案例進(jìn)行深入研究，本專(zhuān)題將基于事件分析法對(duì)康美藥業(yè)財(cái)務(wù)造假暴光前后的短期市場(chǎng)反應(yīng)進(jìn)行分析。

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析1、事件日、窗口期與估計(jì)期的選取本專(zhuān)題研究康美藥業(yè)財(cái)務(wù)造假曝光前后的短期市場(chǎng)反應(yīng)。在具體研究時(shí)，將康美藥業(yè)財(cái)務(wù)造假看做一個(gè)獨(dú)立的事件。證監(jiān)會(huì)于2019年5月17日公布了康美藥業(yè)披露的2016至2018年財(cái)務(wù)報(bào)告存在重大虛假的事實(shí)。此為資本市場(chǎng)首次收到康美藥業(yè)坐實(shí)財(cái)務(wù)造假的肯定信息，因此，在此我們選擇2019年5月17日為事件日。證監(jiān)會(huì)宣布康美藥業(yè)坐實(shí)財(cái)務(wù)造假后，投資者對(duì)此消息的接收可能有一定的滯后性，這種延遲也會(huì)反應(yīng)在股價(jià)的變動(dòng)上。因此，為了充分考察康美藥業(yè)財(cái)務(wù)造假事件的市場(chǎng)反應(yīng)，我們將研究的窗口期設(shè)定為事件日前30個(gè)交易日至事件日后20個(gè)交易日，共51個(gè)交易日；而將估計(jì)期區(qū)間設(shè)定為[-180,-31]，共計(jì)150個(gè)交易日。

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析2、計(jì)算異常收益率與累計(jì)異常收益率我們擬采用市場(chǎng)模型來(lái)估計(jì)康美藥業(yè)在窗口期的異常收益率（AR）與累計(jì)異常收益率（CAR），以分析康美藥業(yè)財(cái)務(wù)造假事件所引起的資本市場(chǎng)反應(yīng)。構(gòu)建回歸方程如下所示:

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析將窗口期內(nèi)康美藥業(yè)的實(shí)際收益率與正常收益率相減，可以得到其異常收益率，計(jì)算公式如下:

將康美藥業(yè)窗口期內(nèi)的每日異常收益率進(jìn)行累加，可以得到其累計(jì)異常收益率，計(jì)算公式如下：

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析3、實(shí)證結(jié)果分析康美藥業(yè)窗口期共計(jì)51個(gè)交易日的異常收益率和累計(jì)異常收益率的計(jì)算結(jié)果如下表所示：（此頁(yè)僅展示部分表格內(nèi)容，完整表格請(qǐng)于教材上查看）

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析進(jìn)行CAR顯著性檢驗(yàn)隨后，對(duì)CAR進(jìn)行顯著性檢驗(yàn)。原假設(shè)：累計(jì)異常收益率均值為0；備擇假設(shè)：累計(jì)異常收益率均值不為0。統(tǒng)計(jì)檢驗(yàn)結(jié)果如下表：從統(tǒng)計(jì)結(jié)果來(lái)看，在事件窗口期間，康美藥業(yè)的累計(jì)異常收益率（CAR）的均值顯著不為0。這說(shuō)明康美藥業(yè)財(cái)務(wù)造假給企業(yè)帶來(lái)了較大的負(fù)面影響，造成了明顯負(fù)向的財(cái)富效應(yīng)。

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析根據(jù)上表數(shù)據(jù)，列出證監(jiān)會(huì)公布康美藥業(yè)坐實(shí)財(cái)務(wù)造假事件窗口期內(nèi)異常收益率和累計(jì)異常收益率的變化，如下圖所示：從圖中可以清晰地看出康美藥業(yè)每日AR和CAR的變化情況。窗口期內(nèi)康美藥業(yè)的超額累計(jì)收益率存在兩個(gè)重要拐點(diǎn)，分別是2019年4月30日（窗口期-10）和2019年5月17日（窗口期0）。

專(zhuān)題6康美藥業(yè)財(cái)務(wù)造假事件分析兩個(gè)拐點(diǎn)日期后的康美藥業(yè)的累計(jì)異常收益率都呈大幅下降趨勢(shì)，這兩日分別為康美藥業(yè)發(fā)布前期會(huì)計(jì)差錯(cuò)更正公告日和證監(jiān)會(huì)發(fā)布康美藥業(yè)坐實(shí)財(cái)務(wù)造假的公告日?？得浪帢I(yè)在窗口期-10日前，該公司的異常收益率在0的水平線(xiàn)上波動(dòng)，較為正常。4月30日當(dāng)天，康美藥業(yè)發(fā)布關(guān)于前期會(huì)計(jì)差錯(cuò)更正公告調(diào)減貨幣資金項(xiàng)目近300億，這幾乎坐實(shí)財(cái)務(wù)造假的事實(shí)。此時(shí)，公司的超額收益跌落到了-10.02%，隨后累計(jì)異常收益率大幅下跌。2019年5月17日，證監(jiān)會(huì)正式發(fā)布康美藥業(yè)坐實(shí)財(cái)務(wù)造假公告，此后連續(xù)20個(gè)窗口期，康美藥業(yè)異常收益率一路為負(fù)，累計(jì)異常收益率也大幅下滑，公告日后第20天，CAR跌至-93.61%。這說(shuō)明康美藥業(yè)造假事件向資本市場(chǎng)發(fā)出了嚴(yán)重消極的信號(hào)，康美藥業(yè)股價(jià)開(kāi)始下跌，收益率為負(fù)值，為上市公司帶來(lái)了程度很深的負(fù)向財(cái)富效應(yīng)。習(xí)題1.通過(guò)即期匯率與一個(gè)月遠(yuǎn)期匯率的月度數(shù)據(jù)，并利用相關(guān)性檢驗(yàn)和游程檢驗(yàn)?zāi)Ｐ蛠?lái)驗(yàn)證中國(guó)外匯市場(chǎng)是否滿(mǎn)足弱式有效市場(chǎng)。2.利用事件研究法，分析美國(guó)硅谷銀行（SiliconValleyBank,SVB）破產(chǎn)對(duì)我國(guó)銀行業(yè)跨境業(yè)務(wù)發(fā)展的影響作用。習(xí)題1.通過(guò)即期匯率與一個(gè)月遠(yuǎn)期匯率的月度數(shù)據(jù)，并利用相關(guān)性檢驗(yàn)和游程檢驗(yàn)?zāi)Ｐ蛠?lái)驗(yàn)證中國(guó)外匯市場(chǎng)是否滿(mǎn)足弱式有效市場(chǎng)。2.利用事件研究法，分析美國(guó)硅谷銀行（SiliconValleyBank,SVB）破產(chǎn)對(duì)我國(guó)銀行業(yè)跨境業(yè)務(wù)發(fā)展的影響作用。Theending第七章copula函數(shù)及其應(yīng)用

學(xué)習(xí)目標(biāo)

掌握Copula函數(shù)的定義、基本性質(zhì)和相關(guān)性測(cè)度；熟悉常用的Copula函數(shù)的性質(zhì)以及相關(guān)性分析的特點(diǎn)；了解如何對(duì)相依數(shù)據(jù)分析并進(jìn)行相依風(fēng)險(xiǎn)度量。

本章導(dǎo)讀

相依性建模是現(xiàn)代金融研究的重要領(lǐng)域之一，無(wú)論是相關(guān)性分析、風(fēng)險(xiǎn)關(guān)聯(lián)分析、資產(chǎn)定價(jià)分析及信用風(fēng)險(xiǎn)分析，相依性都是一個(gè)非常重要的工具。Copula函數(shù)能夠很好好地刻畫(huà)金融序列變量間的非線(xiàn)性和非對(duì)稱(chēng)相依結(jié)構(gòu)，并且能獨(dú)立于邊際分布而對(duì)變量間的相依結(jié)構(gòu)進(jìn)行建模。本章將詳細(xì)介紹Copula函數(shù)的定義和基本性質(zhì)，并介紹基于Copula函數(shù)的相依性測(cè)度，重點(diǎn)研究幾類(lèi)常用Copula函數(shù)的相依性特征，最后介紹Copula函數(shù)的估計(jì)方法及其在金融風(fēng)險(xiǎn)計(jì)量中的應(yīng)用。通過(guò)本章內(nèi)容學(xué)習(xí)，學(xué)生應(yīng)具備整體思維，樹(shù)立全局意識(shí)，強(qiáng)化基礎(chǔ)理論以及科研素養(yǎng)的培養(yǎng)。根據(jù)給出的實(shí)際案例，計(jì)量模型的重現(xiàn)，提高建模能力，并樹(shù)立正確的風(fēng)險(xiǎn)投資意識(shí)。7.1Copula函數(shù)的定義及性質(zhì)7.2Copula函數(shù)與相關(guān)性7.3常用的Copula函數(shù)7.4Copula函數(shù)的估計(jì)方法7.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量7.6專(zhuān)題7基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度目錄CONTENTSCopula函數(shù)的定義及性質(zhì)7.17.1.1Copula函數(shù)的定義7.1.2Copula函數(shù)的性質(zhì)7.1.2Copula函數(shù)的性質(zhì)7.1.3Sklar定理7.1.3Sklar定理Copula函數(shù)與相關(guān)性7.27.2Copula函數(shù)與相關(guān)性7.2Copula函數(shù)與相關(guān)性

7.2Copula函數(shù)與相關(guān)性

7.2Copula函數(shù)與相關(guān)性常用的Copula函數(shù)7.3

7.3.1橢圓類(lèi)Copula函數(shù)圖6.1二元正態(tài)Copula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>nc=normalCopula(0.5,dim=2)>set.seed(300)>U=rCopula(1000,copula=nc)>wireframe2(nc,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(nc,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)

7.3.1橢圓類(lèi)Copula函數(shù)圖6.2二元t-Copula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>tc=tCopula(0.5,dim=2)>set.seed(300)>U=rCopula(1000,copula=tc)>wireframe2(tc,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(tc,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)

7.3.2Archimedean類(lèi)Copula函數(shù)

7.3.2Archimedean類(lèi)Copula函數(shù)

7.3.2Archimedean類(lèi)Copula函數(shù)圖6.3二元GumbelCopula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>gc=gumbelCopula(5,dim=2)>set.seed(300)>U=rCopula(1000,copula=gc)>wireframe2(gc,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(gc,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)

7.3.2Archimedean類(lèi)Copula函數(shù)圖6.4二元ClaytonCopula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>clayc=claytonCopula(0.5,dim=2)>set.seed(300)>U=rCopula(1000,copula=clayc)>wireframe2(clayc,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(clayc,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)

7.3.2Archimedean類(lèi)Copula函數(shù)圖6.5二元FrankCopula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>fc=frankCopula(0.5,dim=2)>set.seed(300)>U=rCopula(1000,copula=fc)>wireframe2(fc,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(fc,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)7.3.2衍生類(lèi)Copula函數(shù)圖6.6混合Copula函數(shù)的分布密度圖（左）及對(duì)應(yīng)的等高線(xiàn)圖（右）

R代碼>library(copula)>nc=normalCopula(0.5,dim=2))>tc=tCopula(0.5,dim=2))>clayc=claytonCopula(0.5,dim=2))>gc=gumbelCopula(5,dim=2))>fc=frankCopula(0.5,dim=2))>weights=c(0.2,0.2,0.2,0.2,0.2)>mcp=mixCopula(list(nc,tc,clayc,gc,fc),w=weights)>wireframe2(mcp,FUN=dCopula,col.4=adjustcolor("black",alpha.f=0.25),col="black",shade=T,delta=0.025)>contourplot2(mcp,FUN=dCopula,n.grid=42,cuts=33,lwd=1/2)7.3.2衍生類(lèi)Copula函數(shù)7.3.2衍生類(lèi)Copula函數(shù)7.3.2衍生類(lèi)Copula函數(shù)7.3.2衍生類(lèi)Copula函數(shù)7.3.2衍生類(lèi)Copula函數(shù)圖6.9五維R藤的樹(shù)結(jié)構(gòu)7.3.2衍生類(lèi)Copula函數(shù)【例7.1】為刻畫(huà)銀行間的高維相依關(guān)系，我們選取了平安銀行、寧波銀行、浦發(fā)銀行、華夏銀行和民生銀行（分別對(duì)應(yīng)數(shù)字1,2,3,4,5）進(jìn)行分析，數(shù)據(jù)區(qū)間為2011年1月4日至2021年12月31日，共計(jì)2675個(gè)樣本。對(duì)五家銀行的收益率采用GARCH(1,1)模型進(jìn)行擬合，得到殘差序列后通過(guò)ecdf函數(shù)進(jìn)行概率積分變換，獲得擬合Copula函數(shù)的分布數(shù)據(jù)coupladata。接下來(lái)，由VineCopula包中的RVineStructrueSelect函數(shù)尋找最優(yōu)藤結(jié)構(gòu)。通過(guò)Summary函數(shù)可直接輸出R藤的全部結(jié)果，由AIC準(zhǔn)則選取為R藤Copula，表6.2列示了估計(jì)結(jié)果。7.3.2衍生類(lèi)Copula函數(shù)6.3.2衍生類(lèi)Copula函數(shù)由表7.2可看出R藤Copula函數(shù)中每個(gè)節(jié)點(diǎn)間的Copula函數(shù)，以及對(duì)應(yīng)的估計(jì)參數(shù)、Kendall秩相關(guān)系數(shù)和上下尾相關(guān)系數(shù)；其次，考慮條件藤Copula結(jié)構(gòu)，分析其條件相關(guān)系數(shù)，也就是考慮兩家銀行的間接相依性；最后，我們可看出由第三層至第四層的高維Copula結(jié)構(gòu)的Kendall秩相關(guān)系數(shù)呈下降趨勢(shì)。

R代碼#載入R包>library(xts)>library(rugarch)>library(VineCopula)>library(copula)#載入數(shù)據(jù)>data=read.csv("E://jrjl/Chapter5/vinecopula.csv")>DATE=data[,1]>date=as.Date(DATE)>data=xts(data[,-1],as.Date(date,format="yyyy%mm%dd"))>PA=data$平安銀行_ret>NB=data$寧波銀行_ret>PF=data$浦發(fā)銀行_ret>HX=data$華夏銀行_ret>MS=data$民生銀行_ret#邊際分布擬合>spec_PA=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garch_PA=ugarchfit(spec=spec_PA,data=PA)>spec_NB=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garch_NB=ugarchfit(spec=spec_NB,data=NB)>spec_PF=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garch_PF=ugarchfit(spec=spec_PF,data=PF)>spec_HX=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")

R代碼>garch_PF=ugarchfit(spec=spec_PF,data=PF)>spec_HX=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garch_HX=ugarchfit(spec=spec_HX,data=HX)>spec_MS=ugarchspec(mean.model=list(armaOrder=c(1,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garch_MS=ugarchfit(spec=spec_MS,data=MS)#數(shù)據(jù)轉(zhuǎn)換>sigma_matrix=matrix(data=c(garch_PA@fit$sigma,garch_NB@fit$sigma,garch_PF@fit$sigma,garch_HX@fit$sigma,garch_MS@fit$sigma),nrow=length(garch_PA@fit$sigma),ncol=5,byrow=FALSE)>residual_matrix=matrix(data=c(garch_PA@fit$residuals,garch_NB@fit$residuals,garch_PF@fit$residuals,garch_HX@fit$residuals,garch_MS@fit$residuals),nrow=length(garch_PA@fit$residuals),ncol=5,byrow=FALSE)>std_sigma_matrix=matrix(nrow=2675,ncol=5)>copuladata=matrix(nrow=2675,ncol=5)>for(iinc(1:5)){std_sigma_matrix[,i]=residual_matrix[,i]/sigma_matrix[,i]f=ecdf(as.numeric(std_sigma_matrix[,i]))copuladata[,i]=f(std_sigma_matrix[,i])}#尋找最優(yōu)的藤結(jié)構(gòu)>Rst=RVineStructureSelect(copuladata,family=c(1:6),progress=TRUE,se=TRUE,method='itau',rotations=TRUE)>summary(Rst)Copula函數(shù)的估計(jì)方法7.47.4.1經(jīng)驗(yàn)Copula7.4.1經(jīng)驗(yàn)Copula7.4.1經(jīng)驗(yàn)Copula【例7.2】運(yùn)用經(jīng)驗(yàn)Copula進(jìn)行非參數(shù)估計(jì)。我們?nèi)砸訡laytonCopula函數(shù)為例，設(shè)定一個(gè)樣本容量為n的2維樣本數(shù)據(jù)，并設(shè)定ClaytonCopula函數(shù)的參數(shù)。我們運(yùn)用R語(yǔ)言copula包中的claytonCopula函數(shù)生成所需數(shù)據(jù)，并采用copula包中的C.n()函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)估計(jì)。

R代碼>library(copula)>d=2>cc=claytonCopula(3,dim=d)>n=10000>set.seed(123)>U=rCopula(n,copula=cc)>v=matrix(runif(n*d),nrow=n,ncol=d)>ec=C.n(v,X=U)>True=pCopula(v,copula=cc)>error=round(mean(abs(True-ec)/True)*100,2)>error[1]0.26

7.4.2參數(shù)估計(jì)法

7.4.2參數(shù)估計(jì)法

7.4.2參數(shù)估計(jì)法

7.4.2參數(shù)估計(jì)法

7.4.2參數(shù)估計(jì)法

R代碼>cc=claytonCopula(3,dim=2)>mcc=mvdc(cc,margins=c("norm","norm"),paramMargins=list(list(mean=0,sd=1),ist(mean=0,sd=2)))>set.seed(123)>n=1000>X=rMvdc(n,mvdc=mcc)>mle=fitMvdc(X,mvdc=mcc,start=c(0,1,0,2,2))>summary(mle)

7.4.2參數(shù)估計(jì)法

7.4.2參數(shù)估計(jì)法

【例6.4】運(yùn)用兩階段極大似然估計(jì)擬合Copula函數(shù)。在這里我們?nèi)匀皇褂美?.3中的數(shù)據(jù)，首先估計(jì)兩個(gè)序列的邊際分布，得到相應(yīng)的參數(shù)值，再通過(guò)fitCopula()函數(shù)選ClaytonCopula，其中method=“ml”，進(jìn)而得到Copula函數(shù)的參數(shù)估計(jì)值。Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量7.57.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量7.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量7.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量

7.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量R代碼##R包加載##>library(rugarch);library(mistr);library(VineCopula);library(copula)##數(shù)據(jù)導(dǎo)入##>data=read.csv("E://jrjl/Chapter5/shuju.csv")>DATE=data[,1]>date=as.Date(DATE)>data=xts(data[,-1],as.Date(date,format="yyyy%mm%dd"))>PA=data$PA_ret>ZS=data$ZS_ret##邊際分布擬合##>garchspec_PA=ugarchspec(mean.model=list(armaOrder=c(0,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garchfit_PA=ugarchfit(data=PA,spec=garchspec_PA)>garchspec_ZS=ugarchspec(mean.model=list(armaOrder=c(0,0)),variance.model=list(model="sGARCH",garchOrder=c(1,1)),distribution.model="sstd")>garchfit_ZS=ugarchfit(data=ZS,spec=garchspec_ZS)#提取標(biāo)準(zhǔn)化殘差>standardize_residual_PA=residuals(garchfit_PA)/sigma(garchfit_PA)>standardize_residual_ZS=residuals(garchfit_ZS)/sigma(garchfit_ZS)#數(shù)據(jù)轉(zhuǎn)換>PIT_PA=pdist("sstd",standardize_residual_PA,mu=0,sigma=1,skew=+coef(garchfit_PA)["skew"],shape=coef(garchfit_PA)["shape"])>PIT_ZS=pdist("sstd",standardize_residual_ZS,mu=0,sigma=1,skew=+coef(garchfit_ZS)["skew"],shape=coef(garchfit_ZS)["shape"])##選擇最優(yōu)Copula函數(shù)##>cop_select=BiCopSelect(PIT_PA,PIT_ZS,familyset=0:10)>summary(cop_select)7.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量

R代碼#抽取樣本>T_model=tCopula(coef(fit_tStudent_PA_ZS)[1],dim=2,df=coef(fit_tStudent_PA_ZS)[2])>set.seed(123)>PA_ZS_tCopula_est=rCopula(2675,copula=T_model)#模擬平安銀行的收益率>inverse_PA=qdist("sstd",PA_ZS_tCopula_est[,1],mu=0,sigma=1,skew=coef(garchfit_PA)["skew"],shape=coef(garchfit_PA)["shape"])>SR_PA_T=xts(x=inverse_PA,order.by=index(standardize_residual_PA))>simulate_PA=inverse_PA*coredata(sigma(garchfit_PA))>simulate_log_return_PA=simulate_PA+fitted(garchfit_PA)>plot(simulate_log_return_PA)#模擬招商銀行的收益率>inverse_ZS=qdist("sstd",PA_ZS_tCopula_est[,2],mu=0,sigma=1,skew=coef(garchfit_ZS)["skew"],shape=coef(garchfit_ZS)["shape"])>SR_ZS_T=xts(x=inverse_ZS,order.by=index(standardize_residual_ZS))>simulate_ZS=inverse_ZS*coredata(sigma(garchfit_ZS))

R代碼>simulate_log_return_ZS=simulate_ZS+fitted(garchfit_ZS)#構(gòu)建投資組合計(jì)算VaR和ES>PA_ZS_tCopula_est=cbind(simulate_log_return_PA,simulate_log_return_ZS)>Rpa=PA_ZS_tCopula_est[,1]>Rzs=PA_ZS_tCopula_est[,2]>weight=c(0.7,0.3)>port_return_tCopula=weight[1]*Rpa+weight[2]*Rzs>VaR.95.est=quantile(port_return_tCopula,0.95)>VaR.99.est=quantile(port_return_tCopula,0.99)>ES.95.est=mean(port_return_tCopula[port_return_tCopula>VaR.95.est])>ES.99.est=mean(port_return_tCopula[port_return_tCopula>VaR.99.est])>ES.95.est[1]4.682247>ES.99.est[1]8.4976227.5Copula函數(shù)與金融風(fēng)險(xiǎn)計(jì)量表6.6投資組合的VaR值和ES值95%VaR95%ES99%VaR99%ES風(fēng)險(xiǎn)值2.78074.68225.68758.4976

從tCopula中進(jìn)行2675次抽樣，并考慮一個(gè)權(quán)重為0.7和0.3的投資組合，分別投資于平安銀行和招商銀行，模擬得到投資組合收益率，并通過(guò)式（6.25）和（6.26）計(jì)算VaR和ES。表6.6給出了該投資組合的不同置信水平的VaR值和ES值。專(zhuān)題7基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度

7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度黨的二十大報(bào)告對(duì)“推動(dòng)綠色發(fā)展，促進(jìn)人與自然和諧共生”作出戰(zhàn)略部署，提出“必須牢固樹(shù)立和踐行綠水青山就是金山銀山的理念，站在人與自然和諧共生的高度謀劃發(fā)展”。習(xí)近平總書(shū)記指出：“推動(dòng)經(jīng)濟(jì)社會(huì)發(fā)展綠色化、低碳化，推動(dòng)經(jīng)濟(jì)實(shí)現(xiàn)質(zhì)的有效提升和量的合理增長(zhǎng)”。2023年10月召開(kāi)的中央金融工作會(huì)議，也明確提出做好綠色金融這篇文章。發(fā)展綠色金融是推動(dòng)實(shí)現(xiàn)綠色發(fā)展的必然要求，也是推動(dòng)經(jīng)濟(jì)實(shí)現(xiàn)質(zhì)的有效提升和量的合理增長(zhǎng)的關(guān)鍵。作為綠色金融的重要融資渠道，綠色債券具備債券和綠色發(fā)展的良好屬性，吸引了許多傳統(tǒng)債券市場(chǎng)中關(guān)注社會(huì)責(zé)任的投資者。為了避免綠色債券可能存在的不確定性風(fēng)險(xiǎn)，一些投資者選擇將綠色債券與傳統(tǒng)債券進(jìn)行組合投資。投資有風(fēng)險(xiǎn)，但應(yīng)盡可能地將風(fēng)險(xiǎn)最小化。因此選擇合適的分析工具來(lái)探討金融資產(chǎn)間相依結(jié)構(gòu)以及有效測(cè)度資產(chǎn)組合的風(fēng)險(xiǎn)水平，已成為亟需解決的重要問(wèn)題。為了對(duì)金融風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)并準(zhǔn)確刻畫(huà)資產(chǎn)組合的風(fēng)險(xiǎn)水平，本專(zhuān)題我們選擇使用Copula模型和VaR模型來(lái)分析資產(chǎn)組合聯(lián)合分布的相關(guān)問(wèn)題。另外，金融資產(chǎn)收益率往往具有“尖峰厚尾”特征，我們通過(guò)GARCH(1,1)-skewt模型擬合各收益率的邊際分布。

7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度1.數(shù)據(jù)來(lái)源本專(zhuān)題將研究中國(guó)綠色債券與傳統(tǒng)債券投資組合風(fēng)險(xiǎn)這一問(wèn)題。數(shù)據(jù)選取綠色債券、企業(yè)債和公司債三部分，并分別選取“中債-中國(guó)綠色債券財(cái)富（總值）指數(shù)”、“中債-企業(yè)債財(cái)富（總值）指數(shù)”和“中債-公司債財(cái)富（總值）指數(shù)”作為代表。研究數(shù)據(jù)區(qū)間為2013年1月4日至2023年6月30日，共計(jì)2625個(gè)觀(guān)測(cè)值，數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)。為了更好的呈現(xiàn)收益率的波動(dòng)特征，這里將收益率序列放大100倍進(jìn)行分析，圖6-10給出了綠色債券、企業(yè)債和公司債三個(gè)收益率波動(dòng)圖。

7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度圖6-10三種債券收益率時(shí)序圖7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度一方面，在投資組合和置信水平不變的情況下，綠色債券與公司債組合所計(jì)算的VaR和ES值在絕大多數(shù)情況下略小于綠色債券與企業(yè)債組合。另一方面，通過(guò)對(duì)比同一類(lèi)型不同投資權(quán)重組合下的VaR和ES結(jié)果發(fā)現(xiàn)組合1_1和2_1的VaR和ES最小，組合1_3和組合2_3的VaR和ES最大。7.6基于GARCH-Copula模型的綠色債券投資組合風(fēng)險(xiǎn)測(cè)度本專(zhuān)題通過(guò)GARCH(1,1)-skewt模型擬合邊緣分布，并結(jié)合Copula模型得到聯(lián)合分布，對(duì)綠色債券與企業(yè)債和公司債的投資組合風(fēng)險(xiǎn)進(jìn)行了定量研究。在考慮資產(chǎn)相依結(jié)構(gòu)的前提下，模擬出資產(chǎn)不同權(quán)重以及不同置信度下的投資組合風(fēng)險(xiǎn)值。實(shí)證結(jié)果表明，相較于企業(yè)債而言，公司債更有助于降低綠色債券投資組合的風(fēng)險(xiǎn)，為投資者進(jìn)行投資決策提供了經(jīng)驗(yàn)。習(xí)題Theending第八章面板數(shù)據(jù)計(jì)量模型與檢驗(yàn)學(xué)習(xí)目標(biāo)掌握基礎(chǔ)幾個(gè)面板數(shù)據(jù)模型的概念、內(nèi)容區(qū)分混合模型、隨機(jī)效應(yīng)模型和固定效應(yīng)模型的使用范圍與適用條件了解面板數(shù)據(jù)模型的計(jì)量程序與實(shí)際應(yīng)用了解我國(guó)數(shù)字金融發(fā)展現(xiàn)狀，掌握數(shù)字金融對(duì)區(qū)域經(jīng)濟(jì)發(fā)展的影響和重要性。8.1面板數(shù)據(jù)的基本界定8.2面板數(shù)據(jù)的設(shè)定和加載8.3面板回歸模型8.4面板數(shù)據(jù)模型的檢驗(yàn)8.5動(dòng)態(tài)面板數(shù)據(jù)與廣義矩GMM估計(jì)8.6

專(zhuān)題8：數(shù)字金融對(duì)地區(qū)經(jīng)濟(jì)發(fā)展的影響目錄CONTENTS面板數(shù)據(jù)的基本界定

8.1面板數(shù)據(jù)的定義面板數(shù)據(jù)（PanelData），與時(shí)間序列數(shù)據(jù)與截面數(shù)據(jù)所區(qū)別的是在時(shí)間序列的基礎(chǔ)上取多個(gè)截面，在這些截面上同時(shí)選取樣本觀(guān)測(cè)值所構(gòu)成的樣本數(shù)據(jù)集?；蛘哒f(shuō)從數(shù)據(jù)形式上來(lái)說(shuō)面板數(shù)據(jù)集是一個(gè)m*n的數(shù)據(jù)矩陣，因此具有（m，n）二維的數(shù)據(jù)性質(zhì)，記載的是n個(gè)時(shí)間節(jié)點(diǎn)上，m個(gè)對(duì)象的某一數(shù)據(jù)指標(biāo)。如表8-1所示，面板數(shù)據(jù)的格式是每個(gè)樣本不同年份一個(gè)接一個(gè)疊起來(lái)的。8.1面板數(shù)據(jù)的基本界定表8-1數(shù)據(jù)型態(tài)序號(hào)年份y_pricex1_per-gdpx2_populationx3_income12014456026868326452821201543612852932951146120164456307123335601512017486633589338615371201856573601433970034120195857420613417528512020606542852330779901202162824031333280792220144811100653280562462201543601019422835950022016456310411828663987220174851908602886970622018538276218289753182201965246855529081889220206351743952718339222021618387416272849238.1面板數(shù)據(jù)的基本界定

面板數(shù)據(jù)為何有用呢？在我們進(jìn)行回歸分析中，有一部分受到一些觀(guān)測(cè)不到的因