金融数据处理方案设计

金融数据处理方案设计基于Eviews班级: 金融学号: 姓名: 成绩:优良中及不2018年1月11日实训目的及内容实训目的根据所掌握的计量经济学等相关知识，利用相关计量软件，分析金融数据，验证金融基本理论或模型。实训内容金融学理论范畴非常广泛，包括的知识体系非常大。鉴于金融资产投资人最关注的是其收益和风险，我们可以从以下项目选做：（1）收益率分析及其波动性；（2）投资组合理论与资本资产定价模型；（3）固定收益证券分析；（4）基于VaR的金融风险分析于度量；（5）衍生产品分析预定价等等。实训项目项目名称简介1、计量经济学软件介绍Eviews是EconometriesViews的缩与，直译为计量经济学观察，通常称为计量经济学软件包。它的本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行观察”另外Eviews也是美国QMS公司研制的在Windows下专门从事数据分析、回归分析和预测的工具。2、股票收益率基础分析首先介绍股票收益率的相关理论，然后对比百分比收益率和对数收益率；绘制股票收益率的时间序列波动图，从图中分析波动集聚现象和尖峰厚尾现象;分别作出各股票的QQ图和数据统计特征量，得出相关统计图判断正态分布。3、股票波动性分析及预测波动性是指不确定性以及风险，在金融中，某些工具或者某些价格的运行机制是较为随机的，无法能够对其做出准确的判断以及预测，会导致无法确定这些资产的内在价值是涨是跌，从而就形成了波动性。本项目就是用Garch模型对股票的波动性进行分析和预测。4、资本资产定价模型分析资本资产定价模型简称CAPM，是由威廉•夏普、约翰・林特纳一起创造发展的，旨在研究证券市场价格如何决定的模型。本项目运用CAPM模型构建组合求出组合0值，在构建组合之前对股票和大盘进行平稳性检验、自相关检验。5、风险管理模型VaR分析VaR方法（ValueatRisk，简称VaR）,称为风险价值模型，也称受险价值方法、在险价值方法。本项目利用VaR模型对股票进行风险分析和衡量。项目一Eviews简介EViews是一个统计计量软件，它的全称是EconometriesViews,翻译为计量经济学观察。它一般可以用来对社会经济关系和经济活动中产生的数据进行整合，发现其中的规律，还可以建立数理模型。它被经常应用于各类数据分析，尤其是经济类和金融类的数据。计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、应用模型（结构分析、经济预测、政策评价）等，EViews在处理这些任务时是必不可少的得力助手，它在这方面是十分强大的统计工具。EViews处理的主要对象是时间序列，每一个序列有一个名称，只要提出序列的名称就可以对序列中的所有数据进行操作。我们可以用EViews实现各种各样的操作，就拿我们大二学过的内容来说，最简单的数据模型莫过于一元线性回归模型，根据数据我们还可以建立起数据图，除此之外，我们可以利用这个简单的回归模型做一个预测。EViews还可以做出多远线性回归模型、非线性模型和时间序列模型。其中最重要的就是时间序列模型，大部分金融和经济数据的分析都离不开时间序列模型。

口Group:UNTITLEDWorkfile:UNTITLED:::Untitled\ |■=■||回||E~||view||Prac||Object]|Print||Name||Freeze|Sample|SheetStatsISpecCorrelogramofRETURN_P300□ate:01/03^18Time:03:42Sample:11000□Includedobservations:1000AutocorrelationPartialCorrelationAC FACQ-StatProbI11]10.0710.0715.03590.024I1112-0.047-0053733900.025I1113-0.008-0.0017.40720.060I□1□40.1340.13S253580.000I11150.007-0.01325.4140.000[1116-0.075-0.06331.0200.000I11)70.0210.03531.4640.000I]1]80.0920.06740.0460.000I]1)g0.0420.03141.8000.000[1[110-0.094-0.07S50.7720.000(1(111-0.037-0.02752.1340.000I111120.009-0.01652.2000.000In1□130.1230.11967.5230.000匚1匚1U-0.111-0.10579.9900.000 -当我们开始建立时间序列模型时，首先要考虑的就是数据是否平稳，这个过程就叫数据的平稳性检验，检验的方法也较多，有自相关检验、单位根检验和协整检验。一般检验完之后我们就可以对这个模型进行数据统计变量分析，看其是否成立，或者是看某个数据在多大程度上能解释另外一个数据。最后，如果数据之间存在因果关系，我们可以进行格兰杰因果检验。分析哪个数据是主要的因，哪个数据是主要的果。项目二：股票收益率基础分析一、相关理论分析（一）简单收益率1、概念简单收益率是持有证券期间所获得的与购买证券的价格之比，常称之为普通收益率。2、公式简单收益率二P{~Fi~y+DtX100%（二）多期收益率1、概念多期收益率，指投资者持有股票期间的股息或红利收入与买卖价差占股票买入价格的比率。多期收益率是投资者投资于股票的综合收益率。2、公式R=[D+（P-P）/n]/P100D是年现金股利额，P是股票买入额，P是股票卖出额，n是股票持有年数。01（三） 连续复利收益率1、概念连续复利收益率是指每一期复利所产生的利息，都放入到下一期去投资，由此所产生的收益率就是连续复利收益率。2、公式R代表年利率，m代表每期（每年）内的复利次数，n代表投资期限（n年）。a=c0（iI2严R=Cn/C0（四） 对数收益率1、概念对数收益率就是把简单收益率取一个对数后得到收益率，一般都是取ln之后得到的，也可以说对数收益率是两个时期资产价值取对数后的差额。2、公式R=ln（P/P）tt-1（五）资产组合收益率1、概念资产组合收益率是指投资组合中，两个或两个以上的资产共同产生的收益率就称为资产组合收益率。2、公式R=R*a+R*bP12a,b分布代表资产R1和R2在组合中的权重。（六）超额收益率1、概念超额收益率是指超过正常（或预期）收益率的收益率，它等于某日的收益率减去投资者（或市场）当日要求的正常（预期）收益率之差。2、公式Rit二ai+piRim+£it其中，Rit是股票i在t时期的实际收益率；Rim是市场在t时期的收益率,该收益选用天相流通指数来表示；£it为随机扰动项。（七） 当期收益率1、概念以债券为例，当期收益率是债券的年息除以债券当前的市场价格所计算出的收益率。它并没有考虑债券投资所获得的资本利得或是损失，只在衡量债券某一期间所获得的现金收入相较于债券价格的比率。2、公式ic=ih（八） 到期收益率1、概念以债券为例，所谓到期收益，是指将债券持有到偿还期所获得的收益，包括到期的全部利息。到期收益率（YieldtoMaturity,YTM）又称最终收益率，是投资购买国债的内部收益率，即可以使投资购买国债获得的未来现金流量的现值等

于债券当前市价的贴现率。它相当于投资者按照当前市场价格购买并且一直持有到满期时可以获得的年平均收益率，其中隐含了每期的投资收入现金流均可以按照到期收益率进行再投资。2、公式设F为债券的面值，C为按票面利率每年支忖的利息，片为债券当前市场价格，「为到期收益率，贝山nPa=nPa=£(=1G

(1+r)*F(1+r)n二、指标及方法说明（一）股票及大盘说明在通达信上分别选取三支不同行业的股票以及大盘股指，它们分别是格力电器（GELI）、中国石油（SHIYOU）、民生银行（MINSHENG）和沪深300（300）。每只股票导出1000条日收盘数据，沪深300也一样。（二）相应指标收益率对比在EXCEL中根据股票及大盘的收盘价格，然分别计算出百分比收益率和对数收益率，再把两个收益率作对比。还可以做差对比。描述性统计分析在EViews软件中做出三支股票和沪深300的描述性统计图后，观察其四个特征：中位数、均值、偏度、峰度。一般来说，正态分布的偏度是0，峰度是3。股票时序图在股票时序图中继续分析股票收益率是否存在尖峰厚尾现象和波动集聚现象。统计分布特征进步分析股票和大盘的统计特征，再做出股票和大盘的直方图和经验密度函数的组合图，为了方便更直观地观察股票和大盘是否符合正态分布，继续做出QQ分位图。

三、实验过程及分析第一步：百分比收益率和对数收益率的对比选取的股票为格力电器、中国石油、民生银行三只个股，以及大盘股指—沪深300，将其百分比收益率和对数收益率的对比图呈现出来，如下图所示：

由图可以看出，三只股票和大盘指数的收益率均在+10%和-10%的区间之中，但偶尔会由于股票的增股转股现象会造成某一天的收益率波动较大。通过左右两边百分比收益率和对数收益率的对比可以发现，其实两个收益率的差别并不是很大。再把两个收益率进行做差对比后，发现收益率之差如下图所示：□Group;UNTITLEDWorkfle:M；;Untitled\ |口||回View|Proc|Object|Pririt|Nne亡|Freeze|SaEpk|Sheet|Stats|Spec|H300 GELISHIYOU MINSHENG二者只差十分接近于0，最大也不过0.028，基本上所有的差值都在0.008的差距之下。第二步：描述性统计分析对三支股票和沪深300分别作出描述性统计图，如下图所示：根据上图可以发现，沪深300和格力电器平均收益率为正，而民生银行和中国石油的平均收益为负。就偏度来说，沪深300偏度-1.5偏离程度最大，格力电器偏度-0.03最接近于零，偏离程度最小。再观察其峰度，民生银行峰度高达22.9，远远超过正态分布形态，格力电器峰度6.23，是三只股票和大盘指数中最接近正态分布的。第三步：尖峰厚尾和波动集聚三支股票和沪深300的收益率时序图如下所示：由上图可以看出沪深300的尖峰厚尾现象十分明显，在沪深300的收益率时序图上可以看到尖峰明显的集中，厚尾拉的很长，并且波动也明显的集聚在某一时间段。虽然其他的三支股票收益图上也能或多或少看到尖峰厚尾现象，但是并没有沪深300那样突出。第四步：统计分布特征进行具体操作及相关说明，配上图表。做出三支股票和沪深300的直方图和经验密度函数的组合图。如下图所示：

OSeries:RETURN_P300Workfile:金朝対^分析::Untitled、 cd|亘|'S3[view,IProc11ObjectPropertiesIIPrintNameFreezeIIsampleIlGenrIIOSeries:RETURN_P300Workfile:金朝対^分析::Untitled、 cd|亘|'S3[view,IProc11ObjectPropertiesIIPrintNameFreezeIIsampleIlGenrIISheetIIGraphllstatsIIderRETURN_P300-.12 -.08 -.04 .00 .04 .08IIHistogram Normal.12RETURN_PGELI口Series:RETURN_PGELIWorkfile:金融数扬分析::Untitled、|口||回||^^|Mew||Proc][object]AropertiesPrintName||FreezeSampleGenrSheet|GraphStatsIder□Series:RETURN.PMINSHENGWorkfile:金分析Io||回||N||viewHProc|[object]properties]|Print|NameFreeze][sample||Genf||sheet]|Graph||stats||lder□Series:RETURN_PSHIYOUWorkfile:金諮握分析::Untitl...|al|£3||View|]Proc|[object][Properties]Print|Name|〔FreezeSampleGenrSheetGraph]「Stats|lderRETURN_PMINSHENG5Q5-05o4332211^BUQaRETURN_PSHIYOUIIHistogram Nocmal由图可以看出三支股票和沪深300的收益率的统计分布全部都不符合正态分布，四个图中都能明显看出其尖峰超过了正态分布的范畴，在尾部地区，出现很多异常值都超出了尾部的正态分布，这也恰恰说明了三支股票和沪深300收益率所体现出来的尖峰厚尾性。为了更直观地分析其是否符合正态分布，再看其QQ分位图，所下所示：roulloNjoSa-QuenoQuantilesofRE71JRN_P300-eluJONjosa-rEnoQuantilesofRETURN_PGEU□Series:RETURN.PSHIYOUWorkfile:金融城分析::UntitI...|口||回roulloNjoSa-QuenoQuantilesofRE71JRN_P300-eluJONjosa-rEnoQuantilesofRETURN_PGEU□Series:RETURN.PSHIYOUWorkfile:金融城分析::UntitI...|口||回||^^|[viewiiProc^Object]佃opertiesi|PrintiName11Freeze|〔Sample||Genr.||sheet|@^7|[stats|Ider□Series:RETURN.PMINSHENGWorkfile:金曲摒分析|a||E)^~|[view|]Proc|[obje&Properties|Print|iName11Freeze|[sample|@enr|]sheet][Graph|]stats|lder・.25 -.20 -.15 -.10 -.05 .00 .05.10loz^osa-EEno- i~' i i i i-.15 -.10 -.05 .00 .05 .10OSeries:RETURN_P300Workfile:金甜阴^分析::Untitled、 a®S3□Series:RETURN_PGEUWorkfile:金的摒分析::Untitled、|□||E)S3View|Proc|ObjectPropertiesPrintNameFreezeSample|GenrSheetGraphStatsIder|ViewProcObjectPropertiesPrintNameFreezeSampleGenrSheethGraphStatsIder观察其QQ分位图，三支股票和沪深300的头尾地带明显偏离回归斜线，而且回归斜线的截距都不为零，这就说明了三支股票和沪深300的收益率是不符合正态分布的。项目三：股票波动率分析及预测一、相关理论分析从古至今，一支股票可以被研究出很多不同的结果。分析股票有两种方法：基本分析法与技术分析法。基本分析法：指的是股票价格变动对股票价格的影响，分析了上市公司和股票市场对经营各种内外因素的影响，进而对股票价格的一般走势得出了归纳和总结。经过对股票价格的基本阐发，上市公司对股票市场环境的变化有了很好的掌控，区别公司发行股票的好坏与股票的质量不同，选择质量最佳的股票，并在最好的时间进行投资。技术分析法：指的是用图表来详细表达的单支股票和整个股票市场的运动路线，然后用数学方法找出了显著的行为模式，最后对股票价格的未来走势进行预测。同时，根据股票市场自身规律的变化，分析方法的结果。波动性是指不确定性以及风险，在金融中，某些工具或者某些价格的运行机制是较为随机的，无法能够对其做出准确的判断以及预测，会导致无法确定这些资产的内在价值是涨是跌，从而就形成了波动性，股价收益率极差法。股价的收益率（Rt）可用股票收盘价的前后两个时间的对数之差来度量，即：Rt=1口»— ■-丄其中：为t时间段的收益率，、为前后时间段内创业板的收盘价，t-1、t为前后时间段。在1982年，由罗伯特•恩格尔提出ARCH模型，也就是自回归条件异方差模型（AutoregressiveConditionalHeteroskedasticity），为了研究计量经济学中某些时间序列模型的波动性，而且发现此模型可以较好的分析时间序列的波动性，于是乎该模型被广泛使用，甚至被运用到金融理论方面，在1986年，Bollerslev提出了GARCH模型，也就是广义自回归条件异方差模型，此模型在ARCH模型的基础上做了拓展，能够对在ARCH模型中产生的误差进行下一步的建立模型，使得结果更加的完善，同时广义ARCH模型对于结果的预测更加准确，比ARCH模型分析波动性预测未来的结果更好，对于投资者来说，利用GARCH模型来预测，可以更好的做出投资的选择，在1991年，Nelson提出了EGARCH模型，此模型相比于GARCH模型，能够更好地判断好消息与坏消息对结果的影响。VaR方法（ValueatRisk，简称VaR），称为风险价值模型，也称受险价值方法、在险价值方法。VaR(ValueatRisk)按字面解释就是“在险价值”，其含义指：在市场正常波动下，某一金融资产或证券组合的最大可能损失。更为确切的是指，在一定概率水平(置信度)下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。VaR特点主要有：第一，可以用来简单明了表示市场风险的大小，没有任何技术色彩，没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判；第二，可以事前计算风险，不像以往风险管理的方法都是在事后衡量风险大小；第三，不仅能计算单个金融工具的风险。还能计算由多个金融工具组成的投资组合风险，这是传统金融风险管理所不能做到的。二、指标及方法说明指标方法时间序列图选取格力电器和沪深300的收益率数据做出时间序列图ADF单位根检验分别对格力电器和沪深300的收益率数据进行平稳性检验自相关和偏自相关对大盘的收益率数据进行自相关和偏自相关检验Garch模型对大盘的收益率数据基于Garch模型进仃波动性分析三、实验过程及分析第一步：时间序列图做出格力电器和沪深300收益率数据的时间序列图

由图看出沪深300（左）和格力电器（右）上时间序列图上，可以明显表现出收益率的尖峰厚尾现象。第二步：ADF单位根检验对沪深300和格力电器的收益率数据进行ADF单位根检验由图看出，沪深300在O阶检验的情况下直接就表现出了平稳性。由于ADF给出的值DF=-29.3184是明显小于显著性水平是1%的临界值-3.44，因此可以知道数据是平稳的。同理，格力电器在O阶检验的情况下也是直接就表现出了平稳性。由于ADF给出的值DF=-30.6855是明显小于显著性水平是1%的临界值-3.44,因此可以知道数据是平稳的。第三步：自相关和偏自相关我们先对沪深300和格力电器残差序列分析，如下图：

nEquation:UNTITLEDWorkfile:UNTITLED::Untit...'口||回应Proc||ObjectPrint][Name||Freeze||Estimate||Forec日st||Stats||Resids|260 600 750 1000 Residual Actual Fitted再根据其残差序列，做出残差平方相关图来检验ARCH效应，然后可以看到序列自相关和偏自相关的检验：口Equation:UNTITLEDWorkfile:UNnTLED::Untitled\|口||回|[vimw||Froc||Object|[Frint||N3ITie |[EstimiatB|Fc)rEest||R曲ds|CorrelogramofResidualsDate:01/11/18Time:09:28*Sample:110003Includedobservations:999AutocorrelationPartialCorrelationACPAGQ-StatProb111]10.0730.0735.34420.021(1(12-0.043-0.0487.16550.02811113-0.0D40.0027.18510.0661J1Zl40.1340.13325.3190.000111150.012-0.00925.4680.000[1[16-0.071-0.06230.5950.000111110.0230.03631.1280.0001]1]80.0930.06839.8580.000111190.0430.03141.6920.000E1[11D-0.095-0.08050.7620.000(1II111-0.036-0.027520530.0001111120.008-0.01652.1230.0001J1J130.1250.12167.9130.000匚1匚114-0.110-0.10480.1960.000111]150.0220.05680.6660.0001]1]160.0800.05687.1920.0001111170.0520.00989.9240.000T1111dnnnnnn,nnnnnfmqnnnn由上图可以看出，在Prob一列，伴随概论基本都小于6.6%，这就表明，不能接受残差序列为纯随机序列的假设，即，残差序列中存在序列相关。所以它具有ARCH效应。第四步：Garch模型分别做出格力电器的Garch(l,l)Garch(l,2)Garch(2,l)模型:

口Equation:UNTITLEDWorkfile:UNTITLED::Untitl...|匸||回||^^l「View11Proc|ObjectPrint][Name,〔Freeze||Estimate]|Forecast]〔Stats|Re引ds|DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:10Sample:1/01/201512/29/2017Ineludedobservations:782Convergenceachievedafter14iterationsPresamplevarianee:backcast(parameter=0.7)GARCH=C(1)+C(2)*RESID(-1)*2+C(3)*GARCH(-1)VariableCoefficientStd.Errorz-StatisticProb.VarianeeEquationC2.74E-055.86E-064.6740180.0000RESIDGW0.1381170.0186127.4206630.0000GARCH(-1)0.823174001972541.731930.0000R-squared-0.000004Meandependentvar-5.35E-05AdjustedR-squared0.001275S.Ddependentvar0025901S.E.ofregression0.025885Akaikeinfocriterion-4.718861Sumsquaredresid0.523962Schwarzcriterion-4.700977Loglikelihood1848.075Hannan-Quinncriter.-4.711984Durbin-Watsonstat1.901669□Equation:UNHTLEDWorkfile:UNTITLED::Untit...I口||回|View||Proc||ObjectPrint||Name||Freeze||Estimate||Forecast||Stats[Resids]DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:12Sample:1/01/201512/29/2017Includedobservations:782Convergenceachievedafter38iterationsPresamplevariance:backcast(parameter=0.7)GARCH=C(1)+C(2rRESID(-1)*2+C(3)*GARCH(-1)+C(4)*GARCH(-2)-5.35E-050.025901-4.718204-4.694358-4.709034Variable CoefficientStd.-5.35E-050.025901-4.718204-4.694358-4.709034VarianceEquationC3.24E-059.51E-063.4112000.0006RESID(-1)*20.1642960.0369724.4438310.0000GARCH(-1)0.5348150.2927161.8270760.0677GARCH(-2)0.2540300.2513301.0107420.3121R-squaredAdjustedR-squaredS.E.ofregressionSumsquaredresidLoglikelihoodR-squaredAdjustedR-squaredS.E.ofregressionSumsquaredresidLoglikelihoodDurbin-Watsonstat□Equation:UNTITLEDWorkfile:UNTITLED::Untitl...|a||B||rf^l|View11Proc|(objectPrint||Name||Freeze)|Estimate[Forecast[Stats[Resids「DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:13Sample:1/01/201512/29/2017Ineludedobservations:782Convergenceachievedafter13iterationsPresamplevariance:backcast(parameter=0.7)GARCH=C(1)+C(2rRESID(-1)*2+C⑶*RESID(-2)*2+C(4)*GARCH(-1)VariableCoefficientStd.Errorz-StatisticProb.VarianceEquationC1.66E-054.59E-063.6104510.0003RESIDM20.2425780.0518154.6816550.0000RESID(-2『2-0.1530030.053271-2.8721390.0041GARCH(-1)08865260.01789649.538930.0000R-squared-0.000004Meandependentvar-5.35E-05AdjustedR-squared0.001275S.Ddependentvar0.025901S.E.ofregression0.025885Akaikeinfocriterion-4.722529Sumsquaredresid0.523962Schwarzcriterion-4.698683Loglikelihood1850.509Hannan-Quinncriter.-4.713358Durbin-Watsonstat1.901669通过对格力电器的Garch(l,l)Garch(l,2)Garch(2,1)三个模型的结果进行分析比较，可以发现在Garch(1,1)模型的情况下，所有系数都通过了检测，效果最好。我们再对大盘，即沪深300的收益数据进行Garch(1，1)Garch(1，2)Garch(2,1)模型分析，如下图:□Equation:UNTITLEDWorkfile:UNTITLED::Untitle...|口||回|ViewI]Pro^lObject]「Print〕Name||Freeze]:EstimateForecast||Stats||Resids:DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:23Sample:11000Includedobservations:1000Convergenceachievedafter10iterationsPresamplevarianee:backcast(parameter二0.7)GARCH=C(1)+C(2)*RESID(-1)*2+C(3)*GARCH(-1)VariableCoefficientStdErrorz-StatisticProb.VarianceEquationC4.69E-07147E-073.1970580.0014RESID(-1)*20.0673160.00681998716220.0000GARCH(-1)0.9336760.005111182.66730.0000R-squared-0.000000Meandependentvar-3.87E-07AdjustedR-squared0.001000S.Ddependentvar0.015854S.E.ofregression0.015846Akaikeinfocriterion-6.142886Sumsquaredresid0.251098Schwarzcriterion-6.128163Loglikelihood3074.443Hannan-Quinncriter-6.137291Durbin-Watsonstat1.851953□Equation:UNHTLEDWorkfile:UNTITLED::Untitle...|口||回|View||Proc||Object||Print||Name||Freeze||Estimate||Forecast,|Stats||Resids,DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:31Sample:11000Includedobservations:1000Convergeneeachievedafter49iterationsPresamplevariance:backcast(parameter=0.7)GARCH=C(1)+C(2)*RESID(-1)A2+C(3)*GARCH(-1)+C(4)*GARCH(-2)VariableCoefficientStd.Errorz-StatisticProb.VarianceEquationC3.59E-072.02E-071.7792980.0752RESID(-1)*20.0510910.0251782.02918800424GARCH(-1)12067570.3969573.0400200.0024GARCH(-2)-0.2570280.372514-0.6899830.4902R-squared-0.000000Meandependentvar-3.87E-07AdjustedR-squared0.001000S.Ddependentvar0.015854S.E.ofregression0.015846Akaikeinfocriterion-6.141539Sumsquaredresid0.251098Schwarzcriterion-6.121908Loglikelihood3074770Hannan-Quinncriter.-6.134078Durbin-Watsonstat1.851953□Equation:UNTITLEDWorkfile:UNTITLED::Untitl...=||回|旺・|[View||Proc|Object|Print”Name|〔Freeze||Estimate||Forecast[Stets[Resids「DependentVariable:WMethod:ML-ARCH(Marquardt)-NormaldistributionDate:01/11/18Time:10:31Sample:11000Includedobservations:1000Convergenceachievedafter14iterationsPresamplevarianee:backcast(parameter二0.7)GARCH=C(1)+C(2)*RESID(-1)*2+C(3)*RESID(-2)*2+C(4)*GARCH(-1)VariableCoefficientStd.Errorz-StatisticProb.VarianceEquationC5.62E-071.65E-073.3953410.0007RESIDM2-0.0128610.017502-07348040.4625RESID(-2)*20.0894800.0198744.5022940.0000GARCH(-1)0.9250270005938155.78900.0000R-squared-0.000000Meandependentvar-3.87E-07AdjustedR-squared0.001000S.D.dependentvar0.015854S.E.ofregression0.015846Akaikeinfocriterion-6.143891Sumsquaredresid0.251098Schwarzcriterion-6.124260Loglikelihood3075.946Hannan-Quinncriter-6.136430Durbin-Watsonstat1.851953通过对沪深300的Garch(l,l)Garch(l,2)Garch(2,l)三个模型的结果进行分析比较，可以发现在Garch(1,1)模型的情况下，所有系数都通过了检测，效果最好。项目四：资本资产定价模型分析一、资本资产定价模型(一)相关概念资本资产定价模型(CapitalAssetPricingModel简称CAPM)是由美国学者夏普(WilliamSharpe)、林特尔(JohnLintner)、特里诺(JackTreynor)和莫辛(JanMossin)等人于1964年在资产组合理论的基础上发展起来的，是现代金融市场价格理论的支柱，广泛应用于投资决策和公司理财领域。资本资产定价模型就是在投资组合理论和资本市场理论基础上形成发展起来的，主要研究证券市场中资产的预期收益率与风险资产之间的关系，以及均衡价格是如何形成的。资本资产定价模型简称CAPM，是由威廉•夏普、约翰•林特纳一起创造发展的，旨在研究证券市场价格如何决定的模型。资本资产定价模型假设所有投资者都按马克维茨的资产选择理论进行投资，对期望收益、方差和协方差等的估计完全相同，投资人可以自由借贷。基于这样的假设，资本资产定价模型研究的重点在于探求风险资产收益与风险的数量关系，即为了补偿某一特定程度的风险，投资者应该获得多少的报酬率。(二)自然假设CAPM(capitalassetpricingmodel)是建立在马科威茨模型基础上的，马科威茨模型的假设自然包含在其中：1、 投资者希望财富越多愈好，效用是财富的函数，财富又是投资收益率的函数，因此可以认为效用为收益率的函数。2、 投资者能事先知道投资收益率的概率分布为正态分布。3、 投资风险用投资收益率的方差或标准差标识。4、 影响投资决策的主要因素为期望收益率和风险两项。5、 投资者都遵守主宰原则(Dominancerule)，即同一风险水平下，选择收益率较高的证券；同一收益率水平下，选择风险较低的证券。CAPM的附加假设条件：6、 可以在无风险折现率R的水平下无限制地借入或贷出资金。7、 所有投资者对证券收益率概率分布的看法一致，因此市场上的效率边界只有一条。8、所有投资者具有相同的投资期限，而且只有一期。9、所有的证券投资可以无限制的细分，在任何一个投资组合里可以含有非整数股份。10、税收和交易费用可以忽略不计。11、所有投资者可以及时免费获得充分的市场信息。12、不存在通货膨胀，且折现率不变。13、投资者具有相同预期，即他们对预期收益率、标准差和证券之间的协方差具有相同的预期值。上述假设表明：第一，投资者是理性的，而且严格按照马科威茨模型的规则进行多样化的投资，并将从有效边界的某处选择投资组合；第二，资本市场是完全有效的市场，没有任何磨擦阻碍投资二、指标及方法说明指标方法说明线性回归选取格力电器和沪深300的超额收益率做出线性回归图单位根检验检验格力电器和沪深300的超额收益率数据是否平稳协整检验检验格力电器和沪深300之间是否存在某种关系格兰杰因果检验检验格力电器和沪深300之间谁对谁具有因果性解释CAPM方程利用格力电器和沪深300的相关数据求出0值三、实验过程及分析第一步：线性回归进行格力电器超额收益率和大盘沪深300的线性回归图分析

由图看出，格力电器的超额收益率回归性并不强，有很多散点分布在回归线之外，在某些区间甚至集聚了异常多的收益率数据。第二步：单位根检验对格力电器的超额收益率进行ADF单位根检验Series:_R_1Workfile:UNTirLED::Untitled\ |口||回||d^|ProcObjectProperties|Print||NameFreeze〔Sample|3r]|Sheet||Graph||Stats伍AugmentedDickey-FullerUnitRootTestonR1NullHypothesis:_R_1hasaunitrootExogenous:ConstantLagLength:0(AutomaticbasedonSIC,MAXLAG=21)t-Statistic Prob*AuqmentedDickey-Fullerteststatistic-30.68550 0.0000Testcriticalvalues: 1%level-3.4366895%level-2.86422710%level-2.568253^MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(_R_1)Method:LeastSquaresDate:01/11/18Time:08:42Sample(adjusted}:21000Includedobservations:997afteradjustments由图看出格力电器的日超额收益率在O阶检验的情况下直接就表现出了平稳性。由于ADF给出的值DF=-30.6855是明显小于显著性水平是1%的临界值-3.44，因此可以知道数据是平稳的。

由图看出沪深300的收益率数据在O阶检验的情况下直接就表现出了平稳性。由于ADF给出的值DF=-29.3184是明显小于显著性水平是1%的临界值-3.44,因此可以知道数据是平稳的。第三步：协整检验由于格力电器的日超额收益率数据和沪深300的收益率数据都是平稳的,所以不用再对二者进行协整检验。第四步：格兰杰因果检验对格力电器和沪深300进行格兰杰因果检验口Group:UNTITLEDWorkfile:UNTITLED::Untitled\|口||回|声■[viev^]Proc]|objedt][Print]fName]|Freeze[sample]SheetjfStatsjfspec]PairwiseG「日ngerCausalityTestsDate:01/11/18Time:08:52Sample:110DDLags:2NullHypothesis:ObsF-StatisticPrab._R_P300doesnotGrangerCause_R_1R1doesnotGrangerCauseRjP300995 1.379473349180.25220.0355由图看出，沪深300不是引起格力电器变化的格兰杰原因，F检验的伴随概率约为25%，表明在5%的显著性水平上接受了原假设。所以可以得出结论，沪深300是引起格力电器变化的原因，反之则不成立。第五步：CAPM方程利用资本资产定价模型来计算资本回报率。资本回报率Re用公式表示为Re二Rf+0（Rm-Rf）其中，Rf为无风险收益率；Rm-Rf为市场组合风险溢价。将其变形，则为：Re-Rf=p（Rm-Rf）所以p=（Re-Rf）/（Rm-Rf）在实验中，把格力电器的超额收益率对应每日除以沪深300的超额收益率，可以得出卩值的时间序列图：由图看出，P值的大概范围都是在0左右波动，偶尔会出现异常值偏离非常大。我们还可以再对格力电器的超额收益率和市场风险溢价之间做一次回归，求出其回归方程：口Equation:UNTITLEDWorkfle:UNTITLED::Untitled'|口II回'I-E3-I[view][Proc][dbject][Print|[Name||Freeze|Estimate||Forecast||Stats||Resids|DependentVariable:_R_PASSETMethod:LeastSquaresDate:01/10/18Time:10:51Sample:11000Includedobseivations:999VariableCoefficientStd.Error t-Sta.tisticProb._R_PEXCEED0.5694310.028162 20.220070.0000C-0.0001240.000423 -0.2939410.7689R-squa.red0.290821Meandependentvar9.51E-05Adjusted!R-squared0.290110S.D.dependentvar0.015858S.E.ofregression0.013362Akaikeinfocriterion-5.790874Sumsquaredresid0.177995Schwaizcriterion-5.781050Loglikelihood2094.541Hannan-Quinncriter.-5.737140F-statistic408.8514Durbin-Watsonstat1.859346Prob(F-statistic)0.000000方程Y=0.000172+1.430569X从图中可以得出格力电器的回归系数为1.430569，常数项系数为0.000172，得出一元回归方程Y=0.000172+1.430569X.回归方程说明一个单位市场组的超额收益率的变化将引起1.430569单位的格力电器的超额收益率同方向的变化，即线性方程的系数为1.430569。再画出格力电器与超额收益率的散点图。它表示股票超额收益率与市场组合股票收益率之间的关系，P值可以看成是趋势线的斜率，即0=1.430569计算格力电器股票资本回报率：利用资本资产定价模型来计算资本回报率。资本回报率Re用公式表示为Re=Rf+0（Rm-Rf）其中，Rf为无风险收益率；Rm-Rf为市场组合风险溢价。Rf=0.0000479，Rm=0.000724，0=1.430569，可以利用资本资产定价模型计算出格力电器的资本回报率Re=0.1015.项目五：VaR模型一、相关理论分析传统的ALM（Asset-LiabilityManagement,资产负债管理）过于依赖报表分析，缺乏时效性；利用方差及P系数来衡量风险太过于抽象，不直观，而且反映的只是市场（或资产）的波动幅度；而CAPM（资本资产定价模型）又无法揉合金融衍生品种。在上述传统的几种方法都无法准确定义和度量金融风险时，G30集团在研究衍生品种的基础上，于1993年发表了题为《衍生产品的实践和规则》的报告，提出了度量市场风险的VaR（ValueatRisk:风险价值）方法已成为目前金融界测量市场风险的主流方法。稍后由J.P.Morgan推出的用于计算VaR的RiskMetrics风险控制模型更是被众多金融机构广泛采用。目前国外一些大型金融机构已将其所持资产的VaR风险值作为其定期公布的会计报表的一项重要内容加以列示。VaR（ValueatRisk）按字面解释就是“在险价值”，其含义指：在市场正常波动下，某一金融资产或证券组合的最大可能损失。更为确切的是指，在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。用公式表示为:P（APAtWVaR）二a字母含义如下:P 资产价值损失小于可能损失上限的概率，即英文的Probability。AP 某一金融资产在一定持有期△t的价值损失额。VaR 给定置信水平a下的在险价值，即可能的损失上限。a——给定的置信水平VaR从统计的意义上讲，本身是个数字，是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平和一定的持有期限内，预期的最大损失量（可以是绝对值，也可以是相对值）。二、指标及方法说明指标方法Garch模型估计用样本项目三中的模型进行估计下一期的波动率值VaR模型计算把预计的波动率带入到VaR计算公式中计算三、实验过程及分析第一步：Garch模型估计OEqu^TiOH!UNTITLEDWork^le:UNTULED::Uni：i?L.■-"***■"□£鼻>越CtFrrtHome:Freme■_IO^UdRiVIB.U>WLCL/BUM1Depenctertv^iatie.wMethod.ML『ARCHfMdrqjaidO曲rnrftJtetrfeubonDdl#01UV1ffTmSI01QSi咻讪呦51酒2阿hckxtedfttaewOg7B2CcHivefflencfiachewdafle*HterawnsFr笳&1祥？vananeebackcasi(pdracfwtff-07)GARCH-C(l)+G即尺E^D卜卅2•CCarG^UHGHDcperaWVenableWficihcwSUk-AROIrUarqwtd^-hJarmaJdis1nC>oli<ia。赵Ol.'l1^1#Time1023&anW11(500Includedc&savabons1000帥囲护址电aehf&vedaR&f10xeraKHktRresanipfevJrii^c嵌吐的fp击『点占-07)GARCH±C<1)*CtS^RESIDl-ljr?+C^J|'GARCH(-1)SidEWz-StawwPTDbVarianceEquauxiC2ME廂5-S&E-O64.6MG«SQ^MNMRESC(-1^20J38ti?Q01K1274296^30WMJGWf屹HM〕062^174Mi■血■IlCMrfkieftSttS&TWz-SlalisbcProbVananceEodatancRESiD(-1^?GARCHf-1)469£^D70.WH60^76I-I7E-O7$003019(FC05I1131WD5BS57IK?f@2jflS7304M)HQWCfl04000FisquaredAfljjsledRisquafedSE.flfr麟tMK崗Swn?WfedrewJLogkkeWwdOuribm-Wataon如站网0040.K1271&。爼瞬0虢舷叭协鶴1妙臓MeandependtfftwS&.cJfp4*xJen<xarAki*«-話ocrte/KHiiSihwarz<rtwnHjnnfln-(XMWcrttfOEqudlksnUNTITLEDWorlcfllftUNTITLED：U<iliit.00S59O1-4'HflSSI-4爾神-4711log趾£igdDur阪斗Valson国淇■OffiMMO0001000OOISA46D2^100a期％3M^an：depwiefwvarSD(Seiii&rdefflwAk曲此MoerueiwyiSc^jkzcntaM^nHnmnn-Qirinncrfirr38JE-0TO.D158M-6926G63

■SI3W13印wQicmU-NTTFLEOWorlrfifcr脚ITTLED^n瞅ie.V^twFfdc皿料PwiNam«FreizcEstvnateFw«oetStallI咼期m•ARGHlUKCMStftJ)”如询如InfeEltorr01JI；：'13TnwId1?SAm0c1flOir2Ci15rm^JTncijdftd：isb^cfYAons79?CtrfTvw^enceschwedafter3SCerabcnsPfesaniplewunccbaclcaslI'parumelef-07JSARCHs：C[U*UQ^ESOlM從*ClSpCARCK-l)i+C(4)BGARCH(VBTK9H#SM1Errorz-SmrscFTt*.VaflamtEwhonG3施制S51E-0S3<112«0<XM^RESJDl-Fr?0D36&7；4443^31oooeoGAPCM(1)0环坞Q紳伯ia??D7%0W7GfiRCH㈱Q251330101074?031?lR-squdred击OOKXMl^leandepefidMIvttr事遊』6Ad^u沁iR-&4uked0.001275SD[fepfrndeniv4i0025価SEof您护史03«澤DQ2S885山gertoCftawn■471S20MSumsj^edresrf&S23962SchwarzcfMawn4694356164S01!BHma丹Qu^er»w-470W3JEXxbfiWal-sw51#1901669□Equation-UMTfTLEDWorlrfil^UiMTTTLED::L>nlEl1.…亘Vmw■Ftk IFmL'hMTM-'Ff««»*-EanaiajRncut15uos:R*sdiDtpr如iVamt比W如由冋