不追求 发表于 2016-1-21 09:22
Suppose there are 1,000 stocks with returns data over 100 months. We also have the market portfoli ...
就是来检验 beta是否具有报酬的预测能力
而Fama and MacBeth regression
1.采用横截面回归取得系数
2.检定系数值是否显著
3.dependent variable不需要一定是报酬
而在解释上 就是在解释beta是否能解释报酬率 只是是平均的beta系数
beta 多少并不重要 重要的是beta是否能解释报酬率
别认为beta是时间序列回归而来 就认为他是一个时间序列的变项
我重申
很多人误以为求得beta算是Fama and MacBeth regression的第一步
这是完全错误
求得beta 是Fama and MacBeth (1973) 的第一步 却不是Fama and MacBeth regression的第一步
Fama and MacBeth regression 的第一步
1.进行t期的回归
2.针对t期系数进行平均检定使否显著
所以别对beta怎么来感到疑惑
你只要想这模型就是
Rp=alpha+r*beta+error
这样的模型 r是估计出来的系数
就是解释beta变动多少 报酬率会变动多少
他就是OLS的解释
以下是比较深度的讨论
请参酌阅读
其实Fama and MacBeth regression 是random coefficient model 的特殊形式 或者是HLM的特殊形式
y(=a1+error of al)+(b1+error of b1)X1+(b2+error of b2)X2+.......error
亦即 系数值会变动的 只是每期的效果加总为0
那为何不用HLM直接估计呢
请回到1973年 当时这个技术确实出来了
可是当时的电脑在计算约 200个样本就已经是极限了
遑论上万个美国股市样本
也因此Fama and MacBeth regression 存活下来
也使得在财务研究领域中 second stage的回归相当的流行
因为 你可以假定系数有随机效果 也能纳入
y(=a1+error of al)+(b1+c1X3+error of b1)X1+(b2+error of b2)X2+.......error
亦即拿出每期的 b1系数值来进行估计
而更好的是 此时你可以将 gdp cpi 等随时间变化的变量都纳入进去估计
这在过去不行的 因为他有共线性问题
而实际上 random coefficient model 或者HLM才是最适合中国样本进行研究的方法
因为采用这个方法 我们更能透探讨 国家股 或者集团股对齐旗下所有公司的影响