相似文件
换一批
经管之家送您一份
应届毕业生专属福利!
求职就业群
感谢您参与论坛问题回答
经管之家送您两个论坛币!
+2 论坛币
一、模型简介
(一)模型应用 该模型主要研究的问题是,不同频率的时间序列A对序列B的影响。其中序列A是周频或者月频,例如月度经济政策不确定性,B多数为日频数据,例如股票收益,股票波动等。
(二)模型优势 在匹配经济信息和股市波动率时,由于宏观经济信息是低频率,如果将股市日度数据转换为月度数据或者季度数据的估计方法,会损失股市中的高频有效信息,引起参数估计和波动率预测的偏误,并且无法评估经济信息对股市波动率的综合影响。 (三)模型推导
二、数据清洗 (一)原始数据 这里注意的是, tpu(贸易政策不确定性)那个序列是月度数据,行业股市指数是日频数据,应当按照对应的日期放在一张表格里。其中包含两个时间轴,一个是tpu对应的月份,股市对应的日期。
(二)数据整理 这里由于是计算每个行业的股市,因此要10个矩阵,做10个模型。在这里定义一个函数,每次生成一个数据框。需要用make_date或者as.Date进行格式化。用 data.frame将矩阵进行转化。
(三)前期检验 1.平稳性检验 ADF检验思路:循环得到每列的Dickey-Fuller值和对应P值。
结果:DF值的绝对值大于临界值的绝对值 / DF值小于临界值(DF是负值)P值小于0.05 拒绝原假设,不存在单位根,序列平稳
2.LM检验 LM检验思路:循环得到每列的N(max_lag)阶LM检验值, 看是否拒绝原假设,均拒绝原假设则存在ARCH效应。 单次结果如下:
三、模型估计
(一)参数说明 fit_mfgarch(data=data,y="return",x="tpu",low.freq="month",K=K,gamma=T) 其中: data = 数据框 y = 高频率数据列 x = 低频率数据列 low.freq = 低频率数据的频率,Month Week K = 低频率数据的滞后期,一般为36 gamma = 是否GJR
(二)模型结果
mu=μ,alpha=α,beta=β,gamma=不对称项系数,m=m,theta=θ,w2=w2. 具体含义见模型介绍
(三)模型整理 我们需要各个系数、权重、影响强度,因此我们的代码将这些结果进行提取和计算,结果如下:
如果写all_para[[2]]就是第二个模型的参数 (别忘了我们估计了十个行业模型)
第一行是强度,第二行是权重。
四、实证结论
贸易政策不确定减少了股市波动,影响强度逐渐递减,但是大部分行业不显著。
代码和程序请联系:计量模型研究院
扫码加我 拉你入群
请注明:姓名-公司-职位
以便审核进群资格,未注明则拒绝
|