金融计量模型(六):金融时间序列及其特征
文章目录
- 金融时间序列及其特征
- 正态分布
- t分布
- 样本矩
- 资产收益率的样式化统计属性
金融时间序列及其特征
rrr 为随机变量:
μ=E[r]σ2=var(r)=E[(r−μ)2]偏度:skew(r)=E[(r−μ)3σ3]对称性峰度:kurt(r)=E[(r−μ)4σ4]厚尾性\mu=E[r]\\\sigma^2=var(r)=E[(r-\mu)^2]\\偏度:skew(r)=E[\frac{(r-\mu)^3}{\sigma^3}]\ \ \ \ 对称性\\峰度:kurt(r)=E[\frac{(r-\mu)^4}{\sigma^4}]\ \ \ \ 厚尾性 μ=E[r]σ2=var(r)=E[(r−μ)2]偏度:skew(r)=E[σ3(r−μ)3] 对称性峰度:kurt(r)=E[σ4(r−μ)4] 厚尾性
rrr 的 lll 阶中心矩定义为
ml=E[(r−μ)l]m_l=E[(r-\mu)^l] ml=E[(r−μ)l]
kurt(r)−3kurt(r)-3kurt(r)−3 叫作超额峰度(excess kurtosis)。若一个分布有正的超额峰度,则称此分布具有厚尾性,尖峰。一个具有负的超额峰度的分布是轻尾的,低峰。
正态分布
X∼N(μ,σ2),f(x)=12πσ2exp(−(x−μ)22σ2),−∞<x<∞E[X]=μvar(X)=σ2skew(X)=0kurt(X)=3X\sim N(\mu,\sigma^2),f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}\exp(-\frac{(x-\mu)^2}{2\sigma^2}),-\infin<x<\infin\\E[X]=\mu\\var(X)=\sigma^2\\skew(X)=0\\kurt(X)=3 X∼N(μ,σ2),f(x)=2πσ21exp(−2σ2(x−μ)2),−∞<x<∞E[X]=μvar(X)=σ2skew(X)=0kurt(X)=3
正态随机变量的超额峰度为3-3=0。
t分布
Z∼N(0,1),W∼χ2(v)Z\sim N(0,1),W\sim\chi^2(v)Z∼N(0,1),W∼χ2(v),Z和W独立。
X=ZW/v∼tv,f(x)=Γ(v+12)vπΓ(v2)(1+x2v)−v+12,−∞<x<∞X=\frac{Z}{\sqrt{W/v}}\sim t_v,f(x)=\frac{\Gamma(\frac{v+1}{2})}{\sqrt{v\pi}\Gamma(\frac{v}{2})}(1+\frac{x^2}{v})^{-\frac{v+1}{2}},-\infin<x<\infin X=W/vZ∼tv,f(x)=vπΓ(2v)Γ(2v+1)(1+vx2)−2v+1,−∞<x<∞
tvt_vtv 是以 vvv 为自由度的 ttt 分布。
E[X]=0,var(X)=vv−2,v>2skew(X)=0,kurt(X)−3=6v−4,v>4E[X]=0,var(X)=\frac{v}{v-2},v>2\\skew(X)=0,kurt(X)-3=\frac{6}{v-4},v>4 E[X]=0,var(X)=v−2v,v>2skew(X)=0,kurt(X)−3=v−46,v>4
如果 X∼tvX\sim t_vX∼tv,则
Y=μ+σXv/(v−2)E[Y]=μ,var(Y)=σ2Y=\mu+\frac{\sigma X}{\sqrt{v/(v-2)}}\\E[Y]=\mu,var(Y)=\sigma^2 Y=μ+v/(v−2)σXE[Y]=μ,var(Y)=σ2
Y=Xv/(v−2)E(Y)=E(Xv/(v−2))=E(X)v/(v−2)=0var(Y)=var(Xv/(v−2))=var(X)v/(v−2)=1Y=\frac{X}{\sqrt{v/(v-2)}}\\E(Y)=E(\frac{X}{\sqrt{v/(v-2)}})=\frac{E(X)}{\sqrt{v/(v-2)}}=0\\var(Y)=var(\frac{X}{\sqrt{v/(v-2)}})=\frac{var(X)}{v/(v-2)}=1 Y=v/(v−2)XE(Y)=E(v/(v−2)X)=v/(v−2)E(X)=0var(Y)=var(v/(v−2)X)=v/(v−2)var(X)=1
样本矩
设 {r1,⋯,rT}\{r_1,\cdots,r_T\}{r1,⋯,rT} 是 rrr 的 TTT 个观测值,则:
μ^=1T∑t=1Trtσ^2=1T−1∑t=1T(rt−μ^)2=m^2skew^=1(T−1)σ^3∑t=1T(rt−μ^)3=m^3σ^3kurt^=1(T−1)σ^4∑t=1T(rt−μ^)4=m^4σ^4m^k=1T−1∑t=1T(rt−μ^)k\hat{\mu}=\frac{1}{T}\sum_{t=1}^Tr_t\\\hat{\sigma}^2=\frac{1}{T-1}\sum_{t=1}^T(r_t-\hat{\mu})^2=\hat{m}_2\\\hat{skew}=\frac{1}{(T-1)\hat{\sigma}^3}\sum_{t=1}^T(r_t-\hat{\mu})^3=\frac{\hat{m}_3}{\hat{\sigma}^3}\\\hat{kurt}=\frac{1}{(T-1)\hat{\sigma}^4}\sum_{t=1}^T(r_t-\hat{\mu})^4=\frac{\hat{m}_4}{\hat{\sigma}^4}\\\hat{m}_k=\frac{1}{T-1}\sum_{t=1}^T(r_t-\hat{\mu})^k μ^=T1t=1∑Trtσ^2=T−11t=1∑T(rt−μ^)2=m^2skew^=(T−1)σ^31t=1∑T(rt−μ^)3=σ^3m^3kurt^=(T−1)σ^41t=1∑T(rt−μ^)4=σ^4m^4m^k=T−11t=1∑T(rt−μ^)k
资产收益率的样式化统计属性
- 市场指数和个股的日收益率具有很高的超额峰度,而对月收益率序列,市场指数的月收益率的超额峰度比个股的月收益率的超额峰度高出许多。
- 日收益率的均值接近于零,而月收益率的均值要稍大一些。
- 月收益率比日收益率有更大的标准差。
- 在日收益率中,市场指数的标准差比个股的标准差少。
- 偏度不是一个严重问题,对日收益率和月收益率都是如此。
- 描述性统计量表明简单收益率和对数收益率的差别很小。
- 损益不对称:观察到股票价格和股票指数价值大幅下降,但涨幅不大。、
- 随着计算收益率的时间尺度的增加,其分布越来越逼近正态分布。在不同的时间尺度上,分布的形状是不一样的。
- 波动性聚类:不同的波动性度量值在几天内显示出正自相关性。
- 成交量/波动性相关性:交易量与所有波动性度量都相关。
- 条件厚尾性:即使在修正了波动性聚类的收益之后(比如通过GARCH模型),剩余的时间序列仍然表现出厚尾性。
- 绝对收益率的自相关性缓慢衰减:绝对收益率的自相关函数作为时间滞后的函数缓慢衰减。
- 杠杆效应:资产波动率与该资产的收益呈负相关。
- 波动性共同运动:解释多个系列波动的共同因素的证据。
金融计量模型(六):金融时间序列及其特征相关推荐
- 金融计量模型(七):线性时间序列模型——单变量时间序列
文章目录 线性时间序列模型--单变量时间序列 平稳性 严平稳 弱平稳 自相关函数(ACF) 检验单个ACF 联合检验 白噪声 线性时间序列 AR模型 AR(1) AR(2) AR(p) 识别AR模型 ...
- 金融计量模型(四):DID
DID 直觉 自然实验 DID是一种准实验技术,用于理解经济环境或政府政策在某一时点变化的影响.为了使用DID,我们需要观察干预前后处理组与控制组之间不同的结果. Cross-Sectional Di ...
- 金融计量模型(三):工具变量法
文章目录 工具变量法 内生性 Simultaneous causality 案例:供求问题 Omitted Variables Errors in Variables 其他原因 工具变量法的基本想法 ...
- 金融计量模型(五):RDD(断点回归)
文章目录 RDD(断点回归) 清晰断点回归(Sharp RDD) 模糊断点回归(Furry RDD) RDD的实施 RDD(断点回归) 如果知道确定人员/公司的哪一部分是处理组的分配规则,就有机会应用 ...
- 3.计量模型的基础分析流程(数据分析学习DAY4)
大作业终于要做完了. 本科后两年其实计量模型用得不是很多,更多使用的金融相关的模型.导致计量分析都快忘得差不多了. 从上周开始看了一会高级计量的书,被里面复杂的数学推到搞得很头疼,但想了想其实自己不必 ...
- 【时间序列】简单garch+arma模型,金融时间序列
matlab->garch+arma模型,金融时间序列模型 1. 原理 1.1 代码参考 2. 代码脚本 2.1 数据处理 2.2 ARMA 2.3 garch 1. 原理 在网上看到zhihu ...
- 用动态面板阈值模型研究金融和经济增长的关系
关于动态面板阈值模型: 用于研究经济变量跨期关系. 用动态面板阈值模型研究金融和经济增长的关系,关键公式: (等式1) 其中ui是一个国家的固定效应:FINit是用于将样本分成不同区域或组的阈值变量: ...
- 传统量化金融时序模型(ARMA,ml-XGBoost,dl-LSTM)
时间序列是按照时间排序的一组随机变量,时间序列数据本质上反映的是随机比变量随时间不断变化的趋势. 而时间序列预测就是想根据已有的历史数据,挖掘出这样的规律,如t1,t2,t3,...,tn{t_1,t ...
- 【采用】互联网金融风控模型的设计
互联网金融近几年得到了飞速的发展,它在某些方面其实是履行了部分银行的特征,给很多中小企业和个人解决了部分贷款的需求. 从字面上来看,互联网金融其实就是互联网+金融的简称,这个词语算是属于中国特有,其实 ...
最新文章
- 线上学python哪家好-广州学Python学校哪家好
- 496. Next Greater Element I - LeetCode
- NSMutableParagraphStyle /NSParagraphStyle
- 未获取root手机抓包方法
- 启明星辰集团DT总部落地杭州 数据绿洲版图驱动未来发展
- Python 同一个类中不同函数相互调用
- layui多文件选择之后自动上传
- 【KDD20】主题模型在图模型中的应用专题
- IE6的height小BUG
- 读赵凯华之《新概念物理教程.热学》
- 常见电子元器件检测方法。——Arvin
- c语言编译器C11,如何检测c11支持编译器与cmake
- 手写原笔迹电子签名的原理及实现方法
- kali系统的部分查看命令
- 翻译 Learning Unsupervised Video Object Segmentation through Visual Attention
- 基于三维点云的机器人杆件目标识别与抓取(三)
- 7 展讯Sprd设置-电池-关联自启动-跟踪代码
- 恢复chrome书签
- HTML中head与body标签
- 用VC实现Html编辑器
热门文章
- php里在调用wp,WordPress 教程:使用 WP_Http 在 WordPress 中发起 HTTP Request
- 为何使用云原生应用架构 三 :独霸天下之四大绝技 — 弹,弹,弹性扩展篇
- 【审稿意见回复和修改稿上传-流程】
- SecureFX中文乱码终极解决方案
- java与seo_java实现seo优化 提高运行效率
- vue生命周期和vue请求
- 【增加苏宁】2020双十一淘宝领喵币+京东全名营业+支付宝+苏宁の自动化任务
- 最新版AndroidStudio-2021.2.1无法安装lombok插件问题
- 实时油价接口 按城市检索加油站
- 数据分析项目-某加油站订单分析(SQL需求篇)