楼主: 可人4
1963 32

[量化金融] 非固定股息价格比率 [推广有奖]

21楼
nandehutu2022 在职认证  发表于 2022-6-14 04:16:53
为了评估近似误差的大小,Campbell和Shiller将实际收益与他们的近似值预测的收益进行比较,发现它很小,而且几乎是常数。然而,他们的实证分析使用的是1986年之前的数据,而dp比率的大多数有趣行为发生在2000年左右。但随后将不得不处理股息支付的强烈季节性问题。正如我们所看到的,贴现率变化率大约可以分别占5年和7年总dp变化的37%和46%。在这些水平面上,自相关分量仍然对dp有强烈的影响,大致解释了另外60%和47%的变化。一个重要的观察结果是:如果CS恒等式准确成立,则三个斜率系数应相加为一。偏离理论100%限值是由于CS和中的近似误差,该偏差的大小是量化该路径特定视界中近似误差的一种方法。例如,在7年的时间范围内,斜率总和约为96%,这意味着存在显著的近似误差。事实上,坡度系数总和不等于1的事实更为重要,因为它证明CS误差不仅是可物理化的,而且还与dp本身表现出显著的变化和相关性。测量1的斜率和偏差实际上是测量CS误差经济意义的正确方法。相反,当测量表(4)中的修正斜率时,各自的总和非常接近于零,并且总是不重要的。

22楼
nandehutu2022 在职认证  发表于 2022-6-14 04:16:56
这表明MDP与dp不同,与CS错误无关***在此处插入表4***在表(4)中,我们展示了一项多变量分析的结果,其中修改后的比率mdp(和mdp′)与经典股息价格比(d*p)放在一起。我们看到,对于这两个视界,修正后的股息价格比完全驱动了经典股息价格比。而在所有情况下,修正后的比率均达到回归系数(c)接近1且非常显著,股息价格比斜率(b)总是无关紧要的,接近于零。这在概念上明显偏离了普遍的观点,即大多数dp可变性反映了贴现率的变化,因此需要仔细分析。更具体地说,当代理论认为,当形成(足够)长期加权预测回归时,所有dp可变性都由长期回报的变化来解释;那是因为(ρφ)→0,b→1,b→0.在固定股息价格比的世界里,这种错误的假设被限制在很长的范围内,这一假设将通过构造来实现c- c+ c=0,  未能预测股息增长时c=0,  extraforecasting变量所能做的就是捕捉长期贴现率的期限结构。表(4)显然不能沿着这些思路进行解释,分析必须按以下方式进行区分。表(3)中的情况是,就中期而言,部分股息价格变化是由长期贴现率的变化驱动的,其余是由长期自相关(自动期限)驱动的。当在多变量设置下,将修改后的比率添加到图片中时,其过滤信息的优势如此强大,以至于股息价格比率完全无法将任何有关未来回报的额外信息带到表格中(b=0).

23楼
何人来此 在职认证  发表于 2022-6-14 04:16:59
因此,在修正比率存在的情况下,经典股息价格比率唯一可以预测的是其通过自相关的前瞻性价值;i、 e、b=b=0,b=1、第三斜率系数问题(b)就是说,在经典环境中(即固定股息价格比),长期来看,该项必须为零(自相关乘以ρ).  但在非平稳情况下,我们用g表示年度股息增长Δd,其中c,c,c, 收益、股息增长和自动因子的mdp斜率系数(ρ数据处理) 分别地正如我们假设的股息价格世界(我们在计量经济学上未能拒绝),情况更加复杂,因为CS近似中的误差不再是有界的。由于mdp在构造上是固定的,如果(b)要在长时间内生存,只能通过dp中的非平稳“噪声”(即β- 1) p.) 但ifb=1对于长视野,由于在大视野中唯一存在的是dp中的非平稳I(1)分量,我们可以得出结论,通过b=b=0,b=1.和c=1,c=0,c=-1.. 然后,修正后的比率从经济学上捕获了dp的所有基本变化,并留下“噪声”部分来解释dp的变化,这是由自动“气泡”组件引起的。一个关键问题是要理解修正后的比率预测长期回报的能力的增强来自何方。有一种方法可以说明问题,那就是将无风险回报加上股本溢价(r=重新+ 射频).

24楼
可人4 在职认证  发表于 2022-6-14 04:17:02
投资国债的长期回报应该更容易预测未来的股本溢价,因为众所周知,由于收益率的缓慢变化,国债回报是可以预测的。我们基于扩展的CS近似,dp,运行多变量长期预测回归≈∑ρ(关于+ 射频) -∑ρΔd+ ρ数据处理(8) 并在表(4b)中列出调查结果。在未来5年内。87(1.02)预测坡度分解为。51(0.62)获取未来股权溢价的斜率,加上。37.40斜率,用于解释修正比率mdp的国库券收益(分别为mdp). 毫不奇怪,随着地平线变长到7年前,预测多元斜率的比例甚至更大。mdp的93(1.05)(mdp), 等于。43(.50)是由于其预测未来短期国库券收益的能力。在未来7年,剩下的。修正比率的50.55斜率反映了未来股权溢价***在此处插入表4b***四。样本外绩效在本节中,我们将PN16样本外(OS)分析扩展到所有经典比率和修正比率以及这两个期间。通常,评估是通过与实时投资者的简单基准的预测能力进行比较来完成的。Campbell和Thompson(2008)总结了一组常见财务和会计变量的预测能力,他们建议使用样本外确定系数,该系数通过statisticR=1.- [(r)- r)/(r)- r)]此度量比较预测回报的预测变量的操作系统性能r 与利用过去收益简单平均值的“simplisticforecast”基准相比r 如预测所示。OS决定系数R有效地询问我们是否可以做得比那些只期望回报总是一样的人更好的预测工作。

25楼
kedemingshi 在职认证  发表于 2022-6-14 04:17:05
与夏普平方比相比,正R直接关系到美国方差投资者通过使用预测变量获得的福利。我们提出了坎贝尔-汤姆森OS决定系数,用于预测3年、5年和7年期的回报和股本溢价。我们将数据样本分为两个阶段。最初,我们对子样本使用15年的最小斜率估计期(1926-1941)或(1965-1980)。剩余样本超过估计期(至2012年),构成评估期。我们选择15年作为初始估计期,因为有必要有足够的初始数据来提供可靠的斜率OLS估计值,同时有一个较大的评估期来进行可靠的OS评估(见Welch和Goyal(2008)中的讨论)。虽然从当前数据计算dp很简单,但对于计量经济学家来说,要构建mdp,首先需要估计d和p之间的真实长期系数(β)。在第一种方法中,直接的方法是在递归(R)的基础上重新估计协整系数,每次只使用到某个点t的数据。这意味着每次t都需要两个步骤:a)协整系数βd和p数据仅在估计时间t之前,b)mdp(R)=d- β形成1…t期间的p,以便最终回归回归预测1…t期间的mdp***在此处插入表5***如我们所见,经典的dp比率不能提供正的R价值,这意味着它无法在所有中短期范围内超过simplisticforecast基准。为了使dp比率(甚至略微)优于简单的预测,我们需要利用一个较长的7年期。

26楼
何人来此 在职认证  发表于 2022-6-14 04:17:08
另一方面,递归估计的修正比率提供的预测效益与预测3年期远期收益的速度一样快。采用modifiedratio mdp(R)的投资者将通过R分别为7%、26%和31%。因此,mdp的使用解决了dp中的一个主要弱点,即假定其无法捕获预期回报中的中高频(即商业周期)变化。随着投资期限的延长,修改后的比率R正在增长,并在未来七年达到31%的强劲增长。即使是一个小R可以为那些错误地认为“…回报将一如既往…”的投资者提供巨大的投资收益(见Campbell and Thompson 2008;Rapach et.al,2010)。A、 总体mdp的表现实际上,即使是表5中描述的mdp(R)的强大表现也是保守的,对于大样本,mdp的真正预测收益可能更高。虽然从信息的角度来看,递归过程更令人满意,但它带来了很大的采样误差,使mdp(R)的预测能力处于劣势。这是因为,在粗略估计βt时,我们根据mdp代理对未来收益进行预测回归,而不是根据使用人口系数β产生的真实mdp。此外,由于协整估计量的超一致性,只需要一个小的早期子样本就可以合理地推断d和p之间协整系数的总体值。因此,在表5中,我们不仅给出了mdp(R)的递归性能,而且还估计了总体(或长期)mdp(p),其中协整系数是使用全样本估计的。

27楼
kedemingshi 在职认证  发表于 2022-6-14 04:17:11
有效地,mdp(P)和mdp(R)之间的差异衡量了投资者的预测收益,因为投资者已经看到了足够的数据来恢复人口系数β。如表5所示,一个已经看透了这一早期子样本的投资者,实际上会以惊人的速度改善其对5年和7年回报率的预测R49%,甚至在3年的样本中达到了令人惊讶的34%R统计资料评估总体mdp(P)的绩效收益的一个问题是,在我们样本的早期进行操作的从业者,在没有足够历史数据的情况下估计协整系数,是否能够充分利用mdp(P)的预测能力。Lettau和Ludvigson(2001)在评估其cay变量性能的类似案例中,充分记录了当我们试图检验修正比率的样本外功效时的这种“前瞻性”担忧。解决这个问题有一个固有的困难,因为亚样本分析(例如样本外预测测试)会导致信息丢失,并且可能无法揭示样本内测试所衡量的完整预测能力。出于Lettau和Ludvigson(2001)中解释的原因,衡量修正比率的全部预测能力的适当估计策略可能是使用全样本,因为需要足够大的数据样本来恢复真正的协整系数。假设投资者知道总体系数不是一个很高的要求,因为协整系数是超级一致的,以与样本量T成比例的速度快速收敛到其真实值。图2显示了样本上递归估计的βT效率图。

28楼
何人来此 在职认证  发表于 2022-6-14 04:17:13
如图2所示,在预测回归的第二阶段,只看到30年数据的投资者可以将估计系数视为长期β值***在此处插入图2***V.结论我们已经看到,当我们对分割价格比的计算进行修改时,可以实现显著的预测收益。除了计量经济学之外,在实践层面上,我们认为真正的绩效收益应该介于mdp(R)和mdp(P)之间;i、 e.应将这两个统计数据视为dp修改预测收益的低限和高限。根据我们是使用递归方法还是人口方法来量化mdp的性能,样本外性能增益在30%到50%之间。六、 附录A。系列的积分和协积分在这里的符号中,w=[d]p]′ 表示基本对数股息和价格序列的向量,经典dp的平稳性以简单的方式进行了有力的测试,作为限制条件b=[1-1]\'。为了通过Johansen测试协整,作为第一步,需要指定短期和长期动态中涉及的确定性成分以及最佳滞后长度(q)。如(2)所示,这里的选择是考虑对数系列具有线性趋势(在c) 但协整关系只包含一个常数(c). 本规范被称为趋势序列之间的确定性协整。对于最优滞后选择,首先估计具有高初始自回归滞后数的水平上的无限制VAR模型,然后检验高阶自回归系数的显著性。在水平上估计初始值对于通常测试统计量的收敛性至关重要。

29楼
kedemingshi 在职认证  发表于 2022-6-14 04:17:16
汉密尔顿(1994年,第18章)以及托达和山本(1995年)对此主题进行了扩展参考。最初,假设最大阶数为12个滞后,然后根据Hannan-Quinn标准将其条件化为更为简洁的表示。该程序支持在VAR规范中优化使用7个LAG,从而在VECM系统中优化使用6个LAG。***在此处插入表1b***结果如表1b所示。表1b的第二个面板显示了基于[d p]上的Johansen过程测试向量[1-1]跨越协整空间的零限制的结果,这也被强烈拒绝。由于Johansen过程本质上是单位根的增广Dickey-Fuller检验的多元推广,这是dp非平稳行为的更有力的实证证明,它处理的是单位根检验的低功效,这是一种高度持久的替代方法。B、 通过自回归分布滞后(ADL)方法进行协整(4)中的真实滞后长度未知。如果使用具有更多动态组件的复杂结构,即使正确指定了模型,也可能出现多重共线性问题(高R,但不精确的参数估计和低t值)。如果使用具有较少动态项的综合表示,则可能会保留一些残余自相关噪声。因此,在(4)的估计中,我们选择考虑两个部门和价格的三个滞后。然后,将(4)中p=q=3的最佳ADL模型转化为模型的长期估计解=α + βo p带α=一/(1 -∑一)和β=∑b/(1 -∑一).ADL模型到其相应长期解决方案的这种转换只能在序列之间的积分假设下进行。

30楼
何人来此 在职认证  发表于 2022-6-14 04:17:20
后者取决于形式(H)的单位根检验:(1 -∑一)=0) .在5%显著性水平下,使用Ericsson和MacKinnon(Ericsson和MacKinnon,2002)的临界值,nullis被拒绝[t统计为-3.30]。因此,可以将模型转换为其长期解决方案。对ADL估计的长期参数(如斜率系数(β))施加的任何假设,都可以在标准分布下进行检验。我们发现[1,-1]的零假设被否定,t-统计量为(-2.81),确保了dp的非平稳行为。参考文献众所周知,现有的中断将降低单位根测试的能力(Perron(1989)),从而使具有中断的平稳过程难以与包含单位根的平稳过程区分开来。β的标准误差通过涉及数值微分的非线性算法获得。Blough,S.R.(1992年)。有限样本中通用单位根检验的功效与水平之间的关系,应用计量经济学杂志7295-308。Boswijk,H.P.(2001)。“具有接近综合波动率的单位根测试”(编号01-077/4)。廷伯根研究所毕业论文。Boudoukh,J.、Michaely,R.、Richardson,M.和Roberts,M.R.(2007)。关于衡量支付收益率的重要性:对经验资产定价的影响,《金融杂志》,62(2),877-915。Campbell J.和Shiller,R.(1988),“股息价格比率以及未来股息和折扣因素的预期。”《金融研究综述1》,第195-228页坎贝尔,J.Y.和汤普森S.B.(2008)。“从样本中预测超额股票回报:有什么能超过历史平均水平吗?”金融研究回顾21,1509-1531。Chen,L.(2009)。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-22 04:21