金融數(shù)據(jù)分析 課件 第5、6章 極值事件、分位數(shù)回歸與金融風(fēng)險(xiǎn)；有效市場假說與事件分析法

第五章

極值事件、分位數(shù)回歸與金融風(fēng)險(xiǎn)

本章導(dǎo)讀

學(xué)習(xí)目標(biāo)理解極值事件內(nèi)涵并掌握風(fēng)險(xiǎn)度量指標(biāo)VaR和ES的各種計(jì)算方法，能通過方法的比較選擇合適的模型應(yīng)用分析；了解系統(tǒng)性風(fēng)險(xiǎn)度量方法，能計(jì)算出各種衡量系統(tǒng)性風(fēng)險(xiǎn)的指標(biāo)用于分析金融市場；了解我國系統(tǒng)性風(fēng)險(xiǎn)狀況，讓學(xué)生樹立金融風(fēng)險(xiǎn)意識(shí)并從中發(fā)現(xiàn)我國政府對金融風(fēng)險(xiǎn)監(jiān)管的大國責(zé)任。5.1極值事件概述5.2金融風(fēng)險(xiǎn)計(jì)量指標(biāo)VaR和ES5.3風(fēng)險(xiǎn)度量制5.4基于GARCH模型的VaR計(jì)算5.5基于極值理論的VaR計(jì)算5.6分位數(shù)回歸模型與金融風(fēng)險(xiǎn)計(jì)量5.7系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量模型專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告目錄CONTENTS極值事件概述5.1

5.1極值事件概述極值理論的應(yīng)用始于工程設(shè)計(jì)，現(xiàn)已廣泛應(yīng)用于金融、保險(xiǎn)、水利、氣象等各個(gè)方面。金融領(lǐng)域的極值事件，就是那些發(fā)生概率很低，難以對其做出預(yù)測，且又對金融業(yè)造成重大影響的(有時(shí)是毀滅性的)事件。極值事件也稱為極端事件或稀有事件(RareEvent)，也就是金融業(yè)里面常常說到的所謂“黑天鵝事件”。

5.1.1“87股災(zāi)”(又稱“黑色星期一”)道·瓊斯指數(shù)跌幅22.6%日經(jīng)225指數(shù)跌幅為14.9%香港恒生指數(shù)跌幅為11.3%新加坡海峽時(shí)報(bào)指數(shù)跌幅為12.4%澳大利亞普通股價(jià)格指數(shù)跌幅為3.7%。“87”股災(zāi)期間道瓊斯指數(shù)收盤價(jià)變化

5.1.2亞洲金融危機(jī)1997年7月2日亞洲金融風(fēng)暴席卷泰國，不久后這場風(fēng)暴波及馬來西亞、新加坡、日本、韓國和中國等地，導(dǎo)致泰國印尼、韓國等國家的貨幣大幅貶值，同時(shí)造成亞洲主要股市大幅下跌。但在中國中央政府的強(qiáng)有力支持下，香港地區(qū)迅速從危機(jī)中走了出來。此外，為了維持人民幣匯率穩(wěn)定，外匯管理部門采取了一系列措施，保護(hù)了外匯市場的穩(wěn)定，這體現(xiàn)了中國在亞洲金融危機(jī)中的大國責(zé)任。

5.1.3美國次貸危機(jī)2007年4月美國第二大次級(jí)房貸公司破產(chǎn)，暴露了次級(jí)抵押債券風(fēng)險(xiǎn)。2007年8月美聯(lián)儲(chǔ)開始向金融體系注入流動(dòng)性，這使得美國股市維持在高位。2008年8月，美國房貸兩大巨頭——房利美和房地美股價(jià)暴跌，持有“兩房”債券的金融機(jī)構(gòu)大面積虧損，從美國次貸危機(jī)后來演變?yōu)槿蛐越鹑谖C(jī)，蒸發(fā)了世界百分之五十的股價(jià)。

5.1.42015年中國“股災(zāi)”2015年上半年中國股市如火如荼，但到了6月份股市泡沫開始破裂，A股在一個(gè)月內(nèi)跌去三分之一市值。2016年1月4日A股開始實(shí)施熔斷機(jī)制，但當(dāng)天A股下跌7%，1月7日開盤不到半小時(shí)A股再次熔斷提前收盤。美國次貸危機(jī)和2015年中國“股災(zāi)”期間上證指數(shù)收益率變化圖金融風(fēng)險(xiǎn)計(jì)量指標(biāo)VaR和ES5.2

5.2.1在險(xiǎn)價(jià)值(VaR)提出背景：一是傳統(tǒng)的資產(chǎn)負(fù)債管理依賴財(cái)務(wù)報(bào)表，缺乏時(shí)效性；二是利用方差及β系數(shù)來衡量金融風(fēng)險(xiǎn)過于抽象，而且其反映的只是市場(或資產(chǎn))波動(dòng)幅度，且資本資產(chǎn)定價(jià)模型(CAPM)還存在無法結(jié)合金融衍生品的不足。傳統(tǒng)方法無法準(zhǔn)確定義和度量金融風(fēng)險(xiǎn)時(shí)，G30集團(tuán)在研究衍生品種基礎(chǔ)上，于1993年發(fā)表了題為《衍生產(chǎn)品的實(shí)踐和規(guī)則》報(bào)告，提出了度量市場風(fēng)險(xiǎn)的VaR。

5.2.1在險(xiǎn)價(jià)值(VaR)

5.2.1在險(xiǎn)價(jià)值(VaR)PDF——概率密度函數(shù)CDF——累積分布函數(shù)

5.2.1在險(xiǎn)價(jià)值(VaR)定義

5.2.1VaR參數(shù)選擇時(shí)間期限的選?。阂皇撬P(guān)注的風(fēng)險(xiǎn)期限。關(guān)注短期風(fēng)險(xiǎn)或是長期風(fēng)險(xiǎn)；二是交易活躍程度。資產(chǎn)的變化程度越大，其選取的時(shí)間范圍越小。置信度的選擇與公司容忍度有關(guān)。商業(yè)銀行和保險(xiǎn)機(jī)構(gòu)的損失容忍度較低，而投資公司的容忍度較高一些。分布函數(shù)的選擇對度量VaR至關(guān)重要，常用的分布函數(shù)主要有正態(tài)分布、學(xué)生t分布和標(biāo)準(zhǔn)t分布等。頭寸的盯市價(jià)值。

5.2.1VaR的缺陷VaR不是一致性風(fēng)險(xiǎn)度量，即不滿足轉(zhuǎn)移不變性、正齊次性、次可加性和單調(diào)性這四個(gè)條件，其中最重要的一點(diǎn)是次可加性。VaR只表明了一定持有期和置信度條件下資產(chǎn)組合的最大損失，但其忽略了風(fēng)險(xiǎn)度量中需要重點(diǎn)強(qiáng)調(diào)的尾部風(fēng)險(xiǎn)，這往往會(huì)導(dǎo)致VaR低估實(shí)際風(fēng)險(xiǎn)。VaR方法在金融資產(chǎn)正常波動(dòng)時(shí)期是有效的，當(dāng)出現(xiàn)極端情況或發(fā)生異常波動(dòng)時(shí)，VaR的風(fēng)險(xiǎn)測度很可能失去準(zhǔn)確性，因此VaR的適用范圍存在局限性。

5.2.2期望損失(ES)風(fēng)險(xiǎn)度量制5.3

5.3風(fēng)險(xiǎn)度量制

5.3風(fēng)險(xiǎn)度量制

5.3風(fēng)險(xiǎn)度量制

5.3風(fēng)險(xiǎn)度量制

5.3風(fēng)險(xiǎn)度量制

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>sb=data.frame(da$date,da$return,sigma=c(0))>sb$da.return=-log(sb$da.return+1)*100>for(iin1:(length(sb$da.return)-1)){sb$sigma[i+1]=0.94*sb$sigma[i]+0.06*(sb$da.return[i]^2)}>pred=0.94*sb$sigma[length(sb$da.return)]+0.06*(sb$da.return[length(sb$da.return)]^2)>predict.view=data.frame(predict=c('predict(1)'),value=c(sqrt(pred)))>predict.view

R代碼（調(diào)用函數(shù)RMfit.R）>da1=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>da2=da1$return>da=na.omit(da2)>source("E://jrjl/Chapter5/RMfit.R")>library(fGarch)>VaR.ES=Rmfit(da)>VaR.ES基于GARCH模型的VaR計(jì)算5.4

5.4.1正態(tài)分布下的GARCH-VaR

5.4.1正態(tài)分布下的GARCH-VaR

5.4.1正態(tài)分布下的GARCH-VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(fGarch)#安裝fGarch添加包>return=-log(da$return+1)*100>m1=garchFit(~1+garch(1,1),data=return,trace=F)>summary(m1)>predict(m1,1)>source("RMeasure.R")>m11=RMeasure(.0101,.8730)

5.4.2t分布下的GARCH-VaR

5.4.2t分布下的GARCH-VaR

5.4.2t分布下的GARCH-VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(fGarch)>return=-log(da$return+1)*100>m2=garchFit(~1+garch(1,1),data=return,trace=F,cond.dist="std")>summary(m2)>qstd(0.95,nu=3.4)>predict(m2,1)>source("RMeasure.R")>m22=RMeasure(.0386,.9370,cond.dist="std",df=3.4)

R代碼summary(m2)Title:GARCHModellingCall:garchFit(formula=~1+garch(1,1),data=return,cond.dist="std",trace=F)

MeanandVarianceEquation:data~1+garch(1,1)<environment:0x000001e5992def60>[data=return]

ConditionalDistribution:std

Coefficient(s):muomegaalpha1beta1shape0.0386360.0956440.1263400.8254553.404649

Std.Errors:basedonHessianErrorAnalysis:EstimateStd.ErrortvaluePr(>|t|)mu0.038640.023641.6350.102129omega0.095640.030713.1140.001843**alpha10.126340.032633.8720.000108***beta10.825450.0353323.367<2e-16***shape3.404650.364179.349<2e-16***---Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1

LogLikelihood:-1763.187normalized:-1.432321

Description:WedOct1809:30:422023byuser:歐陽

StandardisedResidualsTests:Statisticp-ValueJarque-BeraTestRChi^21228.6510Shapiro-WilkTestRW0.94288410Ljung-BoxTestRQ(10)18.965670.04070086Ljung-BoxTestRQ(15)22.281670.1006283Ljung-BoxTestRQ(20)30.14730.0675018Ljung-BoxTestR^2Q(10)7.1308080.7130409Ljung-BoxTestR^2Q(15)10.126230.8117257Ljung-BoxTestR^2Q(20)11.962340.9173662LMArchTestRTR^28.0203270.7835399

InformationCriterionStatistics:AICBICSICHQIC2.8727662.8935442.8727332.880583

>plot(m2)

Makeaplotselection(or0toexit):

1:TimeSeries2:ConditionalSD3:Serieswith2ConditionalSDSuperimposed4:ACFofObservations5:ACFofSquaredObservations6:CrossCorrelation7:Residuals8:ConditionalSDs9:StandardizedResiduals10:ACFofStandardizedResiduals11:ACFofSquaredStandardizedResiduals12:CrossCorrelationbetweenr^2andr13:QQ-PlotofStandardizedResiduals

Selection:13基于極值理論的VaR計(jì)算5.5

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

R代碼>Density=function(x){exp(-x-exp(-x))}>curve(Density,xlim=c(-10,10),ylim=c(0,0.6),lty=1)>Density1=function(x){((1+0.5*x)^(-3))*exp(-(1+0.5*x)^(-2))}>curve(Density1,-2,10,xlim=c(-10,10),ylim=c(0,0.6),lty=3,add=T)>Density2=function(x){(1-0.5*x)*exp(-(1-0.5*x)^2)}>curve(Density2,-10,2,xlim=c(-10,10),ylim=c(0,0.6),lty=6,add=T)>text.legend=c(expression(paste(xi,"=1的Gumbel分布")),expression(paste(xi,"=-0.5的Weibull分布")),expression(paste(xi,"=0.5的Frechet分布")))>legend("topright",legend=text.legend,lty=c(1,6,3))

5.5.1廣義極值分布的參數(shù)估計(jì)

5.5.1廣義極值分布的參數(shù)估計(jì)

5.5.1廣義極值分布的參數(shù)估計(jì)

5.5.1廣義極值分布的參數(shù)估計(jì)

5.5.2GEV模型與VaR

5.5.2GEV模型與VaR

5.5.2GEV模型與VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)*100>xt=-hxyh>m1=gev(xt,block=21)>m1

R代碼dibmln<-read.table("D://jrjl/Chapter5/Lect/d-ibm6298.txt",header=T)dibm1=-dibmln$rtnlength(dibm1)dibm2=-dibm1[56:9190](#why?)d.ibm=rep(0,145)for(iin1:145){d.ibm[i]=max(dibm2[(63*(i-1)+1):(63*i)]) }dibm.gev.quarterly=gev(d.ibm)dibm.gev.quarterly$par.ests:xisigmamu0.2766550.0099150.025926$par.ses:xisigmamu0.0708110.0006820.000894>plot(m1)>2

5.5.3廣義帕累托模型

5.5.3廣義帕累托模型

5.5.3廣義帕累托模型

5.5.3閾值的選取

5.5.3平均超出函數(shù)

5.5.3廣義帕累托模型

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>hxyh=-log(da[,2]+1)*100>library(evir)>meplot(hxyh)

5.5.4GPD模型與VaR

5.5.4GPD模型與VaR

5.5.4GPD模型與VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)>xt=-hxyh>m1=gpd(xt,threshold=0.01)>m1>plot(m1)>riskmeasures(m1,c(0.95,0.99))$par.ests

xi

beta

0.200250587

0.007282603$par.ses

xi

beta

0.0985145303

0.0008691856Makeaplotselection(or0toexit):1:plot:ExcessDistribution2:plot:TailofUnderlyingDistribution3:plot:ScatterplotofResiduals4:plot:QQplotofResiduals

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)>xt=-hxyh>m2=pot(xt,threshold=0.01)>m2>plot(m2)>riskmeasures(m2,c(0.95,0.99))$par.ests

xi

sigma

mu

beta

0.2001933280.004842571-0.0021981500.007284559$par.ses

xi

sigma

mu

0.05323259740.00058984340.0011159621分位數(shù)回歸模型與金融風(fēng)險(xiǎn)計(jì)量5.65.6.1分位數(shù)回歸模型

5.6.1分位數(shù)回歸模型5.6.1分位數(shù)回歸模型5.6.1分位數(shù)回歸模型5.6.2分位數(shù)回歸模型的估計(jì)方法

由于分位數(shù)回歸的目標(biāo)函數(shù)帶有絕對值，因此通常采用線性規(guī)劃求解估計(jì)值。

5.6.2分位數(shù)回歸模型的估計(jì)方法

在實(shí)際應(yīng)用中，我們可以很容易地使用R語言的quantreg包進(jìn)行分位數(shù)回歸估計(jì)。5.6.3分位數(shù)回歸模型估計(jì)值的解釋對于線性回歸模型而言，擬合系數(shù)可解釋為估計(jì)效應(yīng)，即因變量分布變化的均值情況，而均值變化來源于一個(gè)連續(xù)型自變量的單位增量，或者虛擬變量從0到1的變化。每一種變化都可理解為參照組和比較組在均值上的估計(jì)差異。對分位數(shù)回歸的解釋與上述類似，即參照組和比較組在特定分位數(shù)上的估計(jì)差異，當(dāng)控制變量保持不變時(shí)，這一估計(jì)差異來源于自變量的單位增量，或者來源于虛擬變量從0到1的變化。5.6.3條件均值與條件中位數(shù)中位數(shù)回歸是分位數(shù)回歸的一種，它用于表達(dá)在特定自變量下因變量的條件中位數(shù)，并且中位數(shù)回歸可作為擬合條件均值的一種替代方法，兩種模型可進(jìn)行對比。表5-2展示了滬深300指數(shù)收益率對中國銀行股票收益率的估計(jì)系數(shù)，括號(hào)內(nèi)為t統(tǒng)計(jì)值。為便于比較，我們也展示了線性回歸OLS估計(jì)結(jié)果。表5-2分位數(shù)回歸系數(shù)估計(jì)值

OLS5%10%15%20%HS3000.5340.6440.5230.4880.469

(34.60)(19.39)(37.79)(42.71)(35.74)

50%80%85%90%95%HS3000.4470.4540.4650.4900.555

(41.80)(44.22)(85.77)(32.05)(13.74)5.6.3條件均值與條件中位數(shù)圖5-10展示了不同分位點(diǎn)上滬深300指數(shù)收益率對中國銀行股票收益率的估計(jì)系數(shù)（黑色實(shí)線），其中x軸為分位點(diǎn)，y軸為估計(jì)系數(shù)，中間黑色虛線為OLS估計(jì)結(jié)果。圖5-10估計(jì)系數(shù)的分位數(shù)變化R代碼>rm(list=ls())>library("openxlsx")>library("quantreg")>Data=read.xlsx("E:/jrjl/Chapter7/ex1_Data.xlsx",detectDates=TRUE)>y=Data$中國銀行>x=Data$HS300>tau=c(0.05,0.1,0.15,0.2,0.5,0.8,0.85,0.9,0.95)>Res=rq(y~x,tau=tau)>plot(summary(Res))5.6.4極值分位數(shù)回歸模型傳統(tǒng)分位數(shù)回歸模型假設(shè)收益率滿足正態(tài)分布，未考慮金融時(shí)間序列數(shù)據(jù)的“厚尾”特征，而極值分位數(shù)回歸（ExtremalQuantileRegression，簡稱EQR）假設(shè)因變量的尾部分布具有帕累托（Pareto-type）行為，可更好擬合金融時(shí)間序列數(shù)據(jù)。假設(shè)存在如下條件分位數(shù)函數(shù)：

極值分位數(shù)回歸的估計(jì)和推理方法較為復(fù)雜，在這里我們不做過多闡述，感興趣的讀者可以參考《HandbookofQuantileRegression》這本書。5.6.4極值分位數(shù)回歸模型例5.6

沿用表5-2數(shù)據(jù)，圖5-11展示了QR估計(jì)的置信區(qū)間和EQR估計(jì)的置信區(qū)間。中間部分兩者無顯著差異，但在兩側(cè)尾部QR置信區(qū)間要窄于EQR置信區(qū)間，這種差異表明QR估計(jì)低估了數(shù)據(jù)的尾部變化，可能對極端風(fēng)險(xiǎn)的刻畫存在不足。圖5-11QR置信區(qū)間和EQR置信區(qū)間比較R代碼>rm(list=ls())>library(quantreg)>library(foreign)>library("openxlsx")>source("R-progs.R")>Data=read.xlsx("E:/jrjl/Chapter7/ex1_Data.xlsx",detectDates=TRUE)>Y=Data$中國銀行>X=Data$HS300>s=c("Intercept","HS300")>p=length(s)>alpha=.10>subsample.size=floor(50+sqrt(length(Y)))>subsample.fraction=subsample.size/length(Y)>taus=(1:199)/200R代碼>fit.central=as.data.frame(matrix(0,ncol=3,nrow=199))>fit.extreme=as.data.frame(matrix(0,ncol=3,nrow=199))>for(iin1:length(taus)){fit=rq(Y~X,tau=taus[i])central=summary.rq(fit,se="ker")fit.central[i,1]=central$coefficients[2,1]fit.central[i,2]=central$coefficients[2,1]+qnorm(alpha/2)*central$coefficients[2,2]fit.central[i,3]=central$coefficients[2,1]+qnorm(1-alpha/2)*central$coefficients[2,2]extreme =summary.rq.extreme(fit,subsample.fraction=subsample.fraction,R=500,method="br",alpha=alpha,spacing=5+p)fit.extreme[i,1]=extreme$coefficients[2,5]fit.extreme[i,2]=extreme$coefficients[2,3]fit.extreme[i,3]=extreme$coefficients[2,4]}R代碼#Plotextremeregions>plot(c(0,1),xlim=c(0,1),type="n",xlab=expression(tau),ylab="Coefficient")lines(taus,smooth(fit.extreme$V2),col=4,lwd=1.5,lty=1)lines(taus,smooth(fit.extreme$V3),col=4,lwd=1.5,lty=1)abline(h=0)#Plotestimatesandcentralregionslines(taus,fit.central$V1,col=1,lwd=1.5,lty=1)lines(taus,smooth(fit.central$V2),col=2,lwd=1.5,lty=2)lines(taus,smooth(fit.central$V3),col=2,lwd=1.5,lty=2)5.6.5分位數(shù)回歸模型與金融風(fēng)險(xiǎn)計(jì)量

5.6.5分位數(shù)回歸與系統(tǒng)性風(fēng)險(xiǎn)在給定分位數(shù)的情形下，我們可得到金融機(jī)構(gòu)i的在險(xiǎn)價(jià)值VaR和條件在險(xiǎn)價(jià)值CoVaR：

進(jìn)一步可計(jì)算金融機(jī)構(gòu)i的條件在險(xiǎn)價(jià)值差ΔCoVaR：

5.6.5分位數(shù)回歸與系統(tǒng)性風(fēng)險(xiǎn)

圖5-12中國銀行ΔCoVaRR代碼>rm(list=ls())>library("openxlsx")>library("quantreg")>Data=read.xlsx("E:/jrjl/Chapter7/ex4_Data.xlsx",detectDates=TRUE)>Ins_y=Data$中國銀行>Market_y=Data$HS300>State=Data[,4:8]>State=as.matrix(State)>Res_Ins_50=rq(Ins_y~State,tau=0.5)>Res_Ins_5=rq(Ins_y~State,tau=0.05)>Res_Market_5=rq(Market_y~Ins_y+State,tau=0.05)>dcovar=Res_Market_5$coefficients[2]*(Res_Ins_5$fitted.values-Res_Ins_50$fitted.values)>plot(abs(dcovar),type="l")

系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量模型5.7

5.7.1系統(tǒng)性金融風(fēng)險(xiǎn)定義

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)【例5.8】選取滬深300指數(shù)作為金融系統(tǒng)收益率指標(biāo)，平安銀行對數(shù)收益率作為研究樣本，計(jì)算CoVaR與ΔCoVaR。時(shí)間區(qū)間為2014年1月2日至2021年12月31日，數(shù)據(jù)均來源于Wind數(shù)據(jù)庫。圖5-13展示了計(jì)算結(jié)果。

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)2015年“股災(zāi)”期間與2020年新冠肺炎疫情沖擊時(shí)期，平安銀行的系統(tǒng)性風(fēng)險(xiǎn)顯著上升。圖5-13平安銀行條件在險(xiǎn)價(jià)值動(dòng)態(tài)變化圖

R代碼library(xts)library(rugarch)library(rmgarch)>data<-read.csv('E://jrjl/Chapter5/PA.csv',header=T)>DATE<-data[,1]>date<-as.Date(DATE)>da<-data[,-1]>lnda<-log(da)>tlnda<-as.xts(lnda,date)>logr<-diff(tlnda)#計(jì)算對數(shù)收益率>logret<-logr[-1,]>rets<-scale(logret,center=T,scale=F)###中心化數(shù)據(jù)>garch11.spec<-ugarchspec(mean.model=list(armaOrder=c(0,0)),variance.model=list(garchOrder=c(1,1),model="sGARCH"),distribution.model="sstd")###均值>dcc.garch11.spec=dccspec(uspec=multispec(replicate(2,garch11.spec)),dccOrder=c(1,1),distribution="mvt")>garch.fit<-ugarchfit(garch11.spec,data=rets[,2],solver="solnp")>mean<-mean(rets[,2]-residuals(garch.fit))>dcc.fit<-dccfit(dcc.garch11.spec,data=rets,solver="solnp")##dcc>dcc<-rcor(dcc.fit)[1,2,]>ma<-dcc.fit@model[["sigma"]][,1]>id<-dcc.fit@model[["sigma"]][,2]>skew=dcc.fit@mfit[["coef"]][["[平安].skew"]]>shape=dcc.fit@mfit[["coef"]][["[平安].shape"]]>dccVaRidown=mean+id*qdist("sstd",p=0.05,mu=0,sigma=1,skew=skew,shape=shape)>dccVaRi50=mean+id*qdist("sstd",p=0.50,mu=0,sigma=1,skew=skew,shape=shape)>deltadcccovar=-dcc*ma/id*(dccVaRidown-dccVaRi50)###結(jié)果>dcccovar=-dcc*ma/id*dccVaRidown>dates<-date[-1]>plot(dates,dcccovar,type="l",lty=1,main="",lwd=1,xlab="CoVaR",ylab="")###可視化>plot(dates,deltadcccovar,type="l",lty=1,main="",lwd=1,xlab="ΔCoVaR",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

【例5.9】MES的測算。沿用例5.8數(shù)據(jù)，采用邊際期望損失(MES)方法測度平安銀行在2014年-2021年的系統(tǒng)性風(fēng)險(xiǎn)。圖5-14平安銀行MES動(dòng)態(tài)變化圖MES與CoVaR的變動(dòng)趨勢相似，同時(shí)2014-2016年“股災(zāi)”時(shí)期，平安銀行的邊際期望損失震蕩更為劇烈，可見股市的異常波動(dòng)給銀行MES帶來較大的影響。

R代碼>MES=function(data,ma,id,rc){###在上一步的基礎(chǔ)上運(yùn)行c<-quantile(data$index,0.05)em<-(data$index)/maxi<-(((data$平安)/id)-rc*em)/sqrt(1-rc^2)bwd<-1*(nrow(data)^(-0.2))K1<-sum(em*(pnorm(((c/ma)-em)/bwd)))/sum(pnorm(((c/ma)-em)/bwd))K2<-sum(xi*(pnorm(((c/ma)-em)/bwd)))/sum(pnorm(((c/ma)-em)/bwd))mes<-(id*rc*K1)+(id*sqrt(1-rc^2)*K2)return(mes)}>mes<--MES(data=rets,ma=ma,id=id,rc=dcc)>plot(dates,mes,type="l",lty=1,main="",lwd=1,xlab="MES",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)【例5.10】

SRISK的測算。沿用例5.8數(shù)據(jù)，采用系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)(SRISK)測度平安銀行在2014年-2021年的系統(tǒng)性風(fēng)險(xiǎn)。圖5-15

平安銀行SRISK動(dòng)態(tài)變化圖SRISK在2015-2016年“股災(zāi)”時(shí)期及2020年新冠肺炎疫情時(shí)期波動(dòng)顯著，特別是在2020年初平安銀行的SRISK值急劇上升，可見新冠肺炎事件在短時(shí)間內(nèi)給平安銀行的系統(tǒng)性風(fēng)險(xiǎn)帶來了較大的沖擊。

R代碼>k=0.115###上一步的基礎(chǔ)上運(yùn)行>LTQ1<-read.csv("E://jrjl/Chapter5/pLTQ.csv",header=T)>MV1<-read.csv("E://jrjl/Chapter5/pMV.csv",header=T)>LTQ<-LTQ1[-1]>MV<-MV1[-1]>lrmes<-1-exp(-18*mes)>sRISK1<-k*LTQ-(1-k)*(1-lrmes)*MV>SRISK<-as.matrix(sRISK1/100000000000000)>plot(dates,SRISK,type="l",lty=1,main="",lwd=1,xlab="SRISK",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險(xiǎn)計(jì)量指標(biāo)專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告風(fēng)險(xiǎn)與金融相伴而生，隨著我國金融業(yè)發(fā)展壯大，風(fēng)險(xiǎn)種類增多，復(fù)雜性增強(qiáng)，風(fēng)險(xiǎn)后果也更加嚴(yán)重，這就要求各級(jí)政府要把主動(dòng)防范化解系統(tǒng)性金融風(fēng)險(xiǎn)放在更加重要的位置，堅(jiān)決守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線。本專題在宏微觀兩個(gè)維度上監(jiān)測我國系統(tǒng)性金融風(fēng)險(xiǎn)的動(dòng)態(tài)變化，旨在識(shí)別經(jīng)濟(jì)運(yùn)行過程中潛在的高風(fēng)險(xiǎn)點(diǎn)，為后續(xù)經(jīng)濟(jì)金融政策提供科學(xué)的參考依據(jù)。

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告樣本選?。汉暧^分析樣本：包括金融業(yè)與房地產(chǎn)業(yè)的231家個(gè)體上市機(jī)構(gòu)；微觀分析樣本：包括25家銀行、25家證券公司及4家保險(xiǎn)公司，共54家上市金融機(jī)構(gòu)樣本區(qū)間：2014年1月4日至2021年12月31日，數(shù)據(jù)來源于Wind數(shù)據(jù)庫引入金融巨災(zāi)風(fēng)險(xiǎn)指標(biāo)(CATFIN)、邊際期望損失值(MES)、條件在險(xiǎn)價(jià)值(ΔCoVaR)以及系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)(SRISK)，結(jié)合公開宏觀經(jīng)濟(jì)數(shù)據(jù)，度量我國系統(tǒng)性金融風(fēng)險(xiǎn)水平

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告1.宏觀層面以每個(gè)月各家機(jī)構(gòu)的月度超額收益(月度收益減去當(dāng)期無風(fēng)險(xiǎn)收益)構(gòu)建橫截面數(shù)據(jù)庫，采用廣義帕累托分布(GPD)、廣義極值理論(GEV)和非參數(shù)方法等分別計(jì)算橫截面的極端尾部風(fēng)險(xiǎn)，通過主成分分析法得到金融體系巨災(zāi)風(fēng)險(xiǎn)指標(biāo)(CATFIN)，如圖5-16所示。圖5-16

中國金融體系巨災(zāi)風(fēng)險(xiǎn)指標(biāo)(CATFIN)動(dòng)態(tài)變化

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告2.微觀層面圖5-18展示了包括銀行業(yè)、證券業(yè)和保險(xiǎn)業(yè)在內(nèi)的54家上市金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險(xiǎn)的動(dòng)態(tài)變化。圖5-18系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的動(dòng)態(tài)變化

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告銀行、證券、保險(xiǎn)三個(gè)部門的系統(tǒng)性風(fēng)險(xiǎn)溢出水平的變動(dòng)趨勢相似，表現(xiàn)出明顯的協(xié)同性和周期性。圖5-19不同子行業(yè)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)邊際貢獻(xiàn)對比

專題5中國系統(tǒng)性金融風(fēng)險(xiǎn)評估報(bào)告國有銀行的系統(tǒng)性風(fēng)險(xiǎn)波動(dòng)情況稍弱于股份制銀行與城市及農(nóng)村商業(yè)銀行。這與銀行自身抵御風(fēng)險(xiǎn)能力有密切關(guān)系。圖5-20不同類型銀行系統(tǒng)性金融風(fēng)險(xiǎn)邊際貢獻(xiàn)習(xí)題5.1收集任意一家銀行近5年數(shù)據(jù)，利用風(fēng)險(xiǎn)度量制，計(jì)算一個(gè)價(jià)值為100萬的股票多頭頭寸的尾部概率為5%和1%的VaR和ES。5.2收集任意一家銀行近7年數(shù)據(jù)，利用GARCH-VaR模型，計(jì)算一個(gè)價(jià)值為100萬的股票多頭頭寸的尾部概率為5%和1%的VaR。5.3收集任意一家銀行近10年數(shù)據(jù)，使用極值理論分析，計(jì)算一個(gè)價(jià)值為50萬的股票多頭頭寸的尾部概率為5%和1%的VaR和ES。Theending第六章有效市場假說與事件分析法

學(xué)習(xí)目標(biāo)

熟悉有效市場假說的三種形式掌握弱有效市場假說的主要檢驗(yàn)方法了解半強(qiáng)有效和強(qiáng)市場有效的檢驗(yàn)方法掌握事件研究法及其在金融計(jì)量中的應(yīng)用6.1

有效市場理論

6.2有效市場假說的實(shí)證檢驗(yàn)6.3事件分析法

6.4

專題6康美藥業(yè)財(cái)務(wù)造假事件分析目錄CONTENTS有效市場理論6.1

6.1.1有效市場理論的形成與發(fā)展最早提出有效市場這一觀點(diǎn)的是學(xué)者Gibson（1879）。他通過對基于價(jià)格形成理論的證券價(jià)格進(jìn)行研究，發(fā)表《倫敦、巴黎和紐約的股票市場》一書，其中提出了與市場有效性假說相似的思想。法國數(shù)學(xué)家、經(jīng)濟(jì)學(xué)家Bachelier（1900）提出了隨機(jī)游程假說，才真正開始對有效市場進(jìn)行研究。他以法國實(shí)物商品價(jià)格為研究對象，觀察價(jià)格變動(dòng)，發(fā)現(xiàn)在一定時(shí)期內(nèi)，商品價(jià)格的期望值是真實(shí)值的無偏估計(jì)，這表明價(jià)格的波動(dòng)沒有任何規(guī)律可言，是無法預(yù)測的。這一特征說明商品市場的收益滿足獨(dú)立同分布，價(jià)格的波動(dòng)類似于布朗運(yùn)動(dòng)。英國著名統(tǒng)計(jì)學(xué)家MauriceKendall（1953）在其論文《經(jīng)濟(jì)時(shí)間序列分析，第一部分：價(jià)格》中指出，當(dāng)前的股票價(jià)格是前一個(gè)時(shí)點(diǎn)股票價(jià)格加上一個(gè)隨機(jī)擾動(dòng)項(xiàng)構(gòu)成的，價(jià)格變化類似于隨機(jī)漫步。他以紐約、芝加哥商品交易所棉花和小麥的價(jià)格周變化規(guī)律以及19種英國工業(yè)股票價(jià)格指數(shù)為樣本數(shù)據(jù)進(jìn)行相關(guān)性檢驗(yàn)，研究結(jié)果表明，無法通過歷史交易數(shù)據(jù)分析來預(yù)測未來價(jià)格，價(jià)格變化具有隨機(jī)游走性。Kendall提出的投機(jī)價(jià)格序列可以用隨機(jī)游走模型很好描述的觀點(diǎn)是建立在觀察基礎(chǔ)之上的，但并沒有對這些假設(shè)進(jìn)行合理的經(jīng)濟(jì)學(xué)解釋。

6.1.1有效市場理論的形成與發(fā)展

6.1.2有效市場假說的內(nèi)涵與假設(shè)有效市場假說的基本思想是市場是高度有效的，即市場上的資產(chǎn)價(jià)格能夠充分反映所有可得到的信息。這意味著市場上的價(jià)值準(zhǔn)確反映了所有已知信息，投資者無法依靠這些信息來獲得超額利潤。這一理論對投資者的行為和決策提出了挑戰(zhàn)，并鼓勵(lì)投資者采用長期的、基于基本面的投資策略。然而，有效市場假說也引發(fā)了對市場行為的批評，認(rèn)為市場可能存在一些偏離和非理性的行為。

有效市場假說包含以下幾個(gè)關(guān)鍵方面的內(nèi)涵：1.理性投資者：有效市場假說認(rèn)為市場上的投資者是理性的，他們計(jì)算風(fēng)險(xiǎn)和回報(bào)，并在投資決策中權(quán)衡利弊。理性投資者將透徹分析可得到的信息，并基于這些信息進(jìn)行交易。

6.1.2有效市場假說的內(nèi)涵與假設(shè)2.信息效率：有效市場假說假設(shè)市場上的信息是高度有效的。這意味著所有可得到的信息都是公開的，并且投資者都可以很容易地獲得并理解這些信息。公開信息包括公司財(cái)務(wù)報(bào)表、新聞公告、經(jīng)濟(jì)指標(biāo)等。3.反映信息：有效市場假說認(rèn)為市場上的價(jià)格是有效地反映了所有可得到的信息。這意味著市場上的價(jià)格會(huì)快速調(diào)整以反映新的信息。如果有新的信息出現(xiàn)，市場參與者會(huì)立刻調(diào)整交易策略和資產(chǎn)定價(jià)。4.無法預(yù)測：有效市場假說認(rèn)為投資者無法準(zhǔn)確地預(yù)測股票價(jià)格的未來走勢。這意味著市場上的價(jià)格變動(dòng)是隨機(jī)的，無法利用歷史價(jià)格模式或技術(shù)指標(biāo)來預(yù)測未來趨勢。5.風(fēng)險(xiǎn)和回報(bào)的平衡：有效市場假說認(rèn)為市場上的資產(chǎn)價(jià)格反映了相應(yīng)的風(fēng)險(xiǎn)和期望回報(bào)。高風(fēng)險(xiǎn)資產(chǎn)通常會(huì)提供更高的預(yù)期回報(bào)，而低風(fēng)險(xiǎn)資產(chǎn)的預(yù)期回報(bào)相對較低。

6.1.2有效市場假說的內(nèi)涵與假設(shè)有效市場假說并不是無條件成立的，“天下沒有免費(fèi)的午餐”，它的成立有一定的前提假設(shè)：（1）完全競爭市場，市場參與者多，對于價(jià)格他們只能被動(dòng)接受而無法主動(dòng)改變；（2）由理性投資者主導(dǎo)市場，可以理性的評估資產(chǎn)的價(jià)值；（3）交易隨機(jī)發(fā)生且影響可抵消，不影響價(jià)格，且交易成本為零，市場無摩擦（4）信息發(fā)布渠道暢通，所有市場參與者都能及時(shí)獲取同質(zhì)同量信息；（5）資金可以在市場中自由流動(dòng)。完全理性是指投資者都是理性經(jīng)濟(jì)人，追求個(gè)人效用最大化，且對于新信息的解讀能力相同，對價(jià)值的合理預(yù)期也相同，此時(shí)，股票價(jià)格波動(dòng)是投資者完全信息與理性預(yù)期的結(jié)果。如在股票市場中，有效性假說的前提假設(shè)得到滿足，可根據(jù)股票的價(jià)格來引導(dǎo)資金的流向，進(jìn)行社會(huì)資源的合理配置，由于股票價(jià)格充分反映了所有可能獲取的信息，此時(shí)市場投資者可以據(jù)此做出正確的投資決策，企業(yè)也可以做出正確的生產(chǎn)與再生產(chǎn)決策，市場即為高效率，也就是說市場是有效的。

6.1.3有效市場的三種形式在一個(gè)有效市場上，與股票價(jià)格有關(guān)的各種相關(guān)信息改變時(shí)，股票價(jià)格能據(jù)此及時(shí)、準(zhǔn)確地進(jìn)行調(diào)整，過度反應(yīng)與滯后反應(yīng)都說明了市場的無效。市場上充斥著各種信息，有歷史信息、公開信息、內(nèi)幕信息等。根據(jù)Roberts（1967）和Fama(1970)的研究，有效市場包含三種形式：弱式有效市場、半強(qiáng)式有效市場和強(qiáng)式有效市場，具體如圖6-1所示。

所有可能信息=強(qiáng)有效市場公眾可以獲得的所有信息=半強(qiáng)式有效市場所有歷史信息=弱有效市場圖6-1市場效率的三個(gè)層次

6.1.3有效市場的三種形式1.弱式有效市場：

弱式有效市場是有效市場假說中最基本的形式。在這種市場中，假設(shè)市場價(jià)格已經(jīng)完全反映了所有過去的價(jià)格和交易量等公開信息。換句話說，弱式有效市場假設(shè)認(rèn)為技術(shù)分析和利用過去的價(jià)格和交易量來預(yù)測未來價(jià)格的方法是無效的。

在弱式有效市場中，投資者無法通過分析價(jià)格的歷史模式或使用技術(shù)指標(biāo)來預(yù)測股票或其他資產(chǎn)的價(jià)格變動(dòng)。因此，他們也無法獲得持續(xù)的超額收益。投資者只能依靠隨機(jī)走勢來決定何時(shí)買入或賣出資產(chǎn)。2.半強(qiáng)式有效市場：

半強(qiáng)式有效市場是對弱式有效市場的擴(kuò)展。在半強(qiáng)式有效市場中，除過去的價(jià)格和交易量等公開信息，還包括所有的公共公告和公司聲明。這意味著基本面分析，如財(cái)務(wù)分析和經(jīng)濟(jì)分析，也無法提供超額收益。

在半強(qiáng)式有效市場中，投資者無法通過分析公開的信息來預(yù)測未來的價(jià)格走勢或選擇低估或高估的股票。即使投資者能夠獲取并分析這些信息，由于市場上的其他參與者也在進(jìn)行相同的分析，資產(chǎn)價(jià)格仍然會(huì)迅速調(diào)整以反映這些信息。

6.1.3有效市場的三種形式3.強(qiáng)式有效市場：

強(qiáng)式有效市場是最嚴(yán)格的有效市場形式。在強(qiáng)式有效市場中，除過去的價(jià)格、交易量和公共公告等公開信息，還包括所有非公開信息，即內(nèi)幕信息。意味著投資者無法通過獲得和利用內(nèi)幕信息來獲取額外的利潤。強(qiáng)式有效市場假設(shè)認(rèn)為所有市場參與者都能迅速獲取并理解所有可得到的信息，包括內(nèi)幕信息。因此，即使某些投資者可能在短暫的時(shí)間內(nèi)利用內(nèi)幕信息獲得超額收益，這種行為也是非持續(xù)性的，因?yàn)槭袌鰰?huì)迅速調(diào)整價(jià)格。值得注意的是，強(qiáng)式有效市場的假設(shè)在現(xiàn)實(shí)中很難得到完全滿足，因?yàn)橛袝r(shí)候內(nèi)幕交易和信息不對稱情況確實(shí)存在。有效市場理論仍然提供了一個(gè)理論框架，用于描述市場的信息反映程度和資產(chǎn)定價(jià)的特點(diǎn)。總的來說，有效市場假說的三種形式描述了市場中的信息反映程度和資產(chǎn)價(jià)格形成的特征。

6.1.4隨機(jī)游走模型隨機(jī)游走模型（RandomWalkModel）認(rèn)為資產(chǎn)價(jià)格的變動(dòng)是不可預(yù)測的，價(jià)格的未來變動(dòng)僅取決于當(dāng)前的價(jià)格水平，并且不受歷史價(jià)格變動(dòng)的影響。在隨機(jī)游走模型中，價(jià)格變動(dòng)被認(rèn)為是一個(gè)隨機(jī)過程，類似于布朗運(yùn)動(dòng)。根據(jù)隨機(jī)游走模型假設(shè)，資產(chǎn)價(jià)格可預(yù)測性是非常有限的。這意味著歷史價(jià)格數(shù)據(jù)不能提供任何有關(guān)未來價(jià)格走勢信息，因?yàn)閮r(jià)格未來變動(dòng)與過去變動(dòng)無關(guān)。隨機(jī)游走模型認(rèn)為資產(chǎn)價(jià)格變動(dòng)是隨機(jī)的，不可預(yù)測的。雖然市場上存在各種預(yù)測方法，但根據(jù)該模型，預(yù)測未來價(jià)格變動(dòng)能力是有限的。

6.1.4隨機(jī)游走模型1.隨機(jī)游走模型1（RW1）RW1模型是最簡單的隨機(jī)游走模型，也稱為無偏隨機(jī)游走模型。模型中，價(jià)格的變動(dòng)是一隨機(jī)擾動(dòng)項(xiàng)，遵循相同概率分布，并且在每個(gè)時(shí)間點(diǎn)上均獨(dú)立的。2.隨機(jī)游走模型2（RW2）RW2模型是擴(kuò)展的隨機(jī)游走模型，也稱為隨機(jī)漫步模型。與RW1模型類似，RW2模型的價(jià)格變動(dòng)仍是一隨機(jī)擾動(dòng)項(xiàng)，但與RW1模型不同的是，RW2模型允許價(jià)格波動(dòng)具有一定的記憶性，即過去的價(jià)格變動(dòng)可能對未來的價(jià)格變動(dòng)產(chǎn)生一定的影響。3.隨機(jī)游走模型3（RW3）RW3模型是進(jìn)一步擴(kuò)展的隨機(jī)游走模型，也稱為分?jǐn)?shù)階隨機(jī)游走模型。RW3中，價(jià)格變動(dòng)不再遵循標(biāo)準(zhǔn)的隨機(jī)性，而是服從分?jǐn)?shù)階隨機(jī)過程。這種模型可更好地捕捉價(jià)格變動(dòng)的長記憶特性，使得模型更符合實(shí)際市場中的觀察結(jié)果。有效市場假說的實(shí)證檢驗(yàn)6.26.2.1弱有效市場的檢驗(yàn)方法

6.2.1弱有效市場的檢驗(yàn)方法

6.2.1弱有效市場的檢驗(yàn)方法為檢驗(yàn)中國股票市場是否達(dá)到弱有效，采取自相關(guān)性檢驗(yàn)法。直觀上，自相關(guān)檢驗(yàn)可能通過判斷第t期的收益與第t-1期、t-2期或者t-3期的收益是否存在相關(guān)關(guān)系，推斷股票收益是否服從隨機(jī)游走模型。股票收益存在顯著自相關(guān)的情形說明市場是無效的，投資者可以根據(jù)過去的股票價(jià)格信息預(yù)測未來的走勢。相反，若股票收益不存在自相關(guān)現(xiàn)象，則說明過去的信息對分析價(jià)格趨勢不起作用，市場是弱有效的。6.2.1弱有效市場的檢驗(yàn)方法6.2.1弱有效市場的檢驗(yàn)方法我們選取2017年1月3日至2022年12月30日共1461個(gè)滬深300指數(shù)交易日數(shù)據(jù)，取對數(shù)收益率作為收益率，可做出2017年至2022年滬深300指數(shù)收益率序列的時(shí)間序列圖(如圖6.2所示)，由此大致認(rèn)為收益率序列基本符合隨機(jī)游走特征。圖6.2滬深300指數(shù)收益率序列的時(shí)間序列圖6.2.1弱有效市場的檢驗(yàn)方法為使結(jié)果更具有說服力，按照年份對滬深300指數(shù)收益率序列進(jìn)行相關(guān)性檢驗(yàn)，其中對檢驗(yàn)值選取滯后12階。從表6.1檢驗(yàn)結(jié)果上看，滬深300收益率序列在滯后12階時(shí)均不具有自相關(guān)性特征，即符合白噪聲序列特征，表明2017年以后滬深股市的價(jià)格運(yùn)動(dòng)基本呈現(xiàn)隨機(jī)游走特征。R代碼>setwd("C:/Users/data")>install.packages("xlsx")>library(openxlsx)>library(readxl)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$syl,start=c(2017,1),frequency=244)>plot(hs_ts,xlab="年份",ylab="收益率")>Box.test(hs_ts,type="Ljung-Box",lag=12)6.2.1弱有效市場的檢驗(yàn)方法

6.2.1弱有效市場的檢驗(yàn)方法假設(shè)有一系列價(jià)格變化，每一個(gè)價(jià)格變化如果是價(jià)格上升則記為加號(hào)(+)，如果價(jià)格下降則為減號(hào)(-)，結(jié)果就是如下一組加減號(hào)(+++-+--++--++)。當(dāng)兩個(gè)連續(xù)的變化是相同的時(shí)候，一個(gè)游程就產(chǎn)生了，當(dāng)然更多連續(xù)的正的或負(fù)的價(jià)格變化也構(gòu)成一個(gè)游程。當(dāng)價(jià)格反向變化時(shí)，如一個(gè)負(fù)的價(jià)格變化之后，緊接著一個(gè)正的價(jià)格變化，則表明當(dāng)前的這個(gè)游程就結(jié)束了，另一個(gè)新的游程會(huì)開始。檢驗(yàn)獨(dú)立性，可以將給定序列中游程的個(gè)數(shù)與隨機(jī)序列中游程的期望值表中的數(shù)字作比較。游程數(shù)目反映了價(jià)格序列變化情況，若游程太少，表明價(jià)格序列存在某種恒定傾向；若游程數(shù)目過多，則序列具有混合傾向。因此，游程過多過少，都具有非隨機(jī)性特征。6.2.1弱有效市場的檢驗(yàn)方法根據(jù)證券價(jià)格變化的游程序列，可建立檢驗(yàn)統(tǒng)計(jì)量U(游程總數(shù)目)。當(dāng)觀測總數(shù)N>25時(shí)，檢驗(yàn)統(tǒng)計(jì)量近似接近正態(tài)分布，這時(shí)游程總數(shù)均值為式中，N為證券價(jià)格觀測天數(shù)；m為正游程數(shù)量；n為負(fù)游程數(shù)量。游程總數(shù)的標(biāo)準(zhǔn)差為則根據(jù)式（6.9）計(jì)算Z值后，查表得到相應(yīng)的P值。當(dāng)顯著性水平為a時(shí)，若P值小于a，則不能認(rèn)為價(jià)格為純隨機(jī)序列。6.2.1弱有效市場的檢驗(yàn)方法我們運(yùn)用游程檢驗(yàn)法對2017年—2022年的滬深300指數(shù)收益率進(jìn)行檢驗(yàn)。從檢驗(yàn)結(jié)果上看，除2021年之外，其他年份的雙側(cè)檢驗(yàn)概率均大于0.05的顯著性水平，2021年的雙側(cè)檢驗(yàn)概率大于0.01的顯著性水平，說明接受是隨機(jī)游走序列的原假設(shè)，股市整體達(dá)到了市場弱有效狀態(tài)（檢驗(yàn)結(jié)果見表6.2）。

R代碼>install.packages("lawstat")>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_syl<-hs$syl>library(lawstat)>runs.test(hs_syl)6.2.1弱有效市場的檢驗(yàn)方法3.單位根檢驗(yàn)單位根檢驗(yàn)不僅能夠區(qū)分經(jīng)濟(jì)時(shí)間序列是否為平穩(wěn)過程或單位根過程，而且能夠從非平穩(wěn)時(shí)間序列中間區(qū)分趨勢平穩(wěn)或單位根過程。一般而言隨機(jī)游走的一階差分是平穩(wěn)的。因此，單位根檢驗(yàn)是隨機(jī)游走過程的必要條件。運(yùn)用單位根檢驗(yàn)，可以檢測時(shí)間序列數(shù)據(jù)的生成過程是否存在且只有一個(gè)單位根。若命題不成立，我們可以推斷隨機(jī)游走假設(shè)也不成立，即金融市場不是弱式有效市場；若命題成立，隨機(jī)游走過程是成立的，即金融市場達(dá)到弱式有效。6.2.1弱有效市場的檢驗(yàn)方法6.2.1弱有效市場的檢驗(yàn)方法采用2017—2022年滬深300指數(shù)對數(shù)序列進(jìn)行年度ADF檢驗(yàn)。研究發(fā)現(xiàn)，無論采取哪一種模型，或者改變滯后期的階數(shù)，并不影響結(jié)論的一致性。以下列出了模型Ⅱ及滯后2階的檢驗(yàn)結(jié)果。結(jié)果表明，滬深300指數(shù)對數(shù)序列ADF檢驗(yàn)p值均大于1%（如表6.3所示），不拒絕原假設(shè)，即認(rèn)為滬深300指數(shù)對數(shù)序列存在單位根，為非平穩(wěn)過程。同時(shí)，我們也列出了一階差分后的檢驗(yàn)結(jié)果（如表6.4所示），其ADF檢驗(yàn)p值均小于1%，拒絕存在單位根的原假設(shè)，即一階差分后的序列是平穩(wěn)的。所以2017—2022年的滬深300指數(shù)對數(shù)序列為I(1)序列，股票市場達(dá)弱有效。6.2.1弱有效市場的檢驗(yàn)方法

R代碼>install.packages("fUnitRoots")>library(fUnitRoots)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$lnc)>adfTest(hs_ts,lags=2,type="c")#type="nc"無常數(shù)均值，無趨勢類型；type="c"表示有常數(shù)均值，無趨勢類型；type="ct"有常數(shù)均值，有趨勢類型>diff_hs_ts<-diff(hs_ts)>adfTest(diff_hs_ts,lags=2,type="c")6.2.1弱有效市場的檢驗(yàn)方法4.方差比檢驗(yàn)方差比檢驗(yàn)暗含隨機(jī)游走序列中的增量在樣本區(qū)間是線性的，即收益率的一階回歸方差估計(jì)量應(yīng)該是一階同歸方差估計(jì)量的q倍6.2.1弱有效市場的檢驗(yàn)方法方差比檢驗(yàn)步驟：首先，考慮同方差情形下的方差比統(tǒng)計(jì)量。在

RW1的假設(shè)條件下，對應(yīng)的方差比統(tǒng)計(jì)量為：6.2.1弱有效市場的檢驗(yàn)方法在同方差性的假設(shè)條件下方差比的方差漸進(jìn)服從如下分布：經(jīng)標(biāo)準(zhǔn)化可得其次，考慮在異方差的情況下，在樣本容量足夠大時(shí)，仍在概率上趨近于1，此時(shí)，運(yùn)用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計(jì)量：6.2.1弱有效市場的檢驗(yàn)方法其次，考慮在異方差的情況下，在樣本容量足夠大時(shí)，仍在概率上趨近于1，此時(shí)，運(yùn)用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計(jì)量：式中6.2.1弱有效市場的檢驗(yàn)方法我們對2017年—2022年滬深300指數(shù)對數(shù)序列按年度分別進(jìn)行求趨同方差和異方差增量下的方差比檢驗(yàn)，方差比檢驗(yàn)的期數(shù)q分別選取2、4、8、16，分別得到Z(q)、Z`(q)的檢驗(yàn)結(jié)果（見表6.5、表6.6）。從檢驗(yàn)結(jié)果上看，2017年—2022年的滬深300指數(shù)方差比檢驗(yàn)的Z(q)值都處于[-1.96，1.96]區(qū)間之中，則認(rèn)為在5%的顯著性水平下符合正態(tài)分布假設(shè)，為隨機(jī)游走模型1(RW1)。同樣，Z`(q)值在5%的顯著性水平下也符合正態(tài)分布假設(shè)，為隨機(jī)游走模型3(RW3)。因此，統(tǒng)計(jì)檢驗(yàn)結(jié)果可知，2017年—2022年，我國股市達(dá)到弱有效。6.2.1弱有效市場的檢驗(yàn)方法6.2.1弱有效市場的檢驗(yàn)方法

R代碼>install.packages("vrtest")>library(vrtest)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=2)>y<-hs$syl>kvec<-c(2,4,8,16)>Lo.Mac(y,kvec)6.2.1弱有效市場的檢驗(yàn)方法5.過濾法則檢驗(yàn) 1961年Alexander首次提出過濾法則檢驗(yàn)法檢驗(yàn)證券市場有效性。過濾法則是指當(dāng)某只股票的價(jià)格變化突破了事先設(shè)置的百分比時(shí)，投資者就交易這種股票，它的基本邏輯是：只要沒有新的消息進(jìn)入市場，股票價(jià)格就應(yīng)該在正常價(jià)格范圍內(nèi)隨機(jī)波動(dòng)，如果偏離了正常價(jià)格范圍，投資者就會(huì)買入或賣出該股票，從而使其價(jià)格回到正常價(jià)格范圍，這樣股票價(jià)格就有了一個(gè)上下限。所謂“過濾原則”，即將股票價(jià)格作為買入賣出的指示器，如果價(jià)格上升，表明股市看好，則買入一定比例股票；如果價(jià)格下降，則表明股市看跌，則賣出一定比例股票。具體而言，股票價(jià)格上升x%時(shí)，立即購買并持有這一股票直至其價(jià)格從前一次上升時(shí)下跌x%；當(dāng)股票價(jià)格從前一次下降中上升x%時(shí)，立即賣出持有股票并同時(shí)做一賣空，此后再買進(jìn)平倉。這一過程不斷反復(fù)進(jìn)行。如果股票價(jià)格時(shí)間序列存在系統(tǒng)性的變化趨勢，使用過濾檢驗(yàn)會(huì)獲得異常收益。在過濾原則中，x%被稱為“過濾程度”，其可取的值，不同研究者的看法不同，一般為0.5%—50%。過濾程度設(shè)置的越小，則發(fā)生交易次數(shù)越多，交易成本也就越高。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法半強(qiáng)式有效市場假說認(rèn)為證券價(jià)格已充分反應(yīng)出所有已公開的信息。各種信息一經(jīng)公布，證券價(jià)格將迅速調(diào)整到其應(yīng)有的水平上，使得任何利用這些公開信息對證券價(jià)格的未來走勢所做的預(yù)測對投資者失去指導(dǎo)意義。半強(qiáng)式有效市場檢驗(yàn)重點(diǎn)在于考察基本分析是否有用，其檢驗(yàn)就是考慮除了過去信息外所獲得的其他公開信息能否對股票收益產(chǎn)生影響，最常用的方法是Fama等在1969年提出的事件研究法。事件研究法其原理是根據(jù)研究目的選擇某一特定事件（如年報(bào)公布、股票分割、公司控制權(quán)轉(zhuǎn)移等），研究事件發(fā)生前后樣本股票收益率的變化，進(jìn)而解釋特定事件對樣本股票價(jià)格變化與收益率的影響，主要被用于檢驗(yàn)事件發(fā)生前后價(jià)格變化或價(jià)格對披露信息的反應(yīng)程度。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法1.殘差分析法的原理首先，定義所要研究的事件。所謂的“事件日”，是指市場“接收”到該事件即將發(fā)生或可能發(fā)生的時(shí)間點(diǎn)，而不一定是該事件“實(shí)際”上發(fā)生的時(shí)間點(diǎn)，此時(shí)點(diǎn)通常以“宣告日”為準(zhǔn)。選取適當(dāng)樣本，設(shè)定好估計(jì)窗口與事件窗口，其中估計(jì)窗口通常是事件發(fā)生前的一定事件間隔，如事件發(fā)生前180天到事件發(fā)生前30天；事件窗口是指包含事件發(fā)生日在內(nèi)的一個(gè)時(shí)間區(qū)間。其次，選擇基準(zhǔn)模型，常用的模型有兩類：固定收益模型和市場模型。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法固定收益模型：該模型的思想是將估計(jì)期間（即估計(jì)窗）內(nèi)標(biāo)的股票的平均收益率作為事件期間（即事件窗）標(biāo)的股票的正常收益率。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法市場模型：該模型是將某一股票收益與市場股票組合收益相聯(lián)系的統(tǒng)計(jì)模型。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法

6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法最后，需要檢驗(yàn)異常收益率的顯著性。原假設(shè)通常是:異常收益率（或累積異常收益率）均值為0；備擇假設(shè)是：異常收益率（或累積異常收益率）均值不為0。如果事件發(fā)生前后股票價(jià)格沒有意外變化，累計(jì)異常收益率應(yīng)圍繞零值上下波動(dòng)，且平均值為零。此外，若樣本中同時(shí)包含多只股票，可以計(jì)算平均異常收益率再檢驗(yàn)。檢驗(yàn)的方法包括參數(shù)檢驗(yàn)法與非參數(shù)檢驗(yàn)法。在已有文獻(xiàn)中，大多數(shù)例證顯示，發(fā)達(dá)股票市場基本符合半強(qiáng)式有效市場假說，投資者無法利用這些公開信息來獲得顯著的異常收益。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法2.殘差分析法的運(yùn)用在半強(qiáng)有效市場假說成立的情形下，假設(shè)市場上出現(xiàn)了某種利好的消息，那么市場上可能會(huì)出現(xiàn)兩種情況:一是這種利好消息出乎意料，那么，該股票的價(jià)格在消息公布之前不會(huì)出現(xiàn)大的波動(dòng)，投資率也不會(huì)出現(xiàn)較大的波動(dòng)，只是正常的收益率，維持比較穩(wěn)定的狀態(tài)；在消息公布的當(dāng)天，該股票的價(jià)格發(fā)生一次性的上漲，帶來了正的超額異常收益；從公布第二天起，股票價(jià)格重新恢復(fù)穩(wěn)定，投資的收益率也恢復(fù)正常水平。二是這種利好消息在意料之中，并且投資者對這利好消息的預(yù)期是逐漸形成的，那么，該股票的價(jià)格在消息公布之前就會(huì)逐漸走高，獲得超額異常收益；在消息公布的那一天，市場已經(jīng)完全消化，因此，股票價(jià)格不會(huì)由于消息的發(fā)布而發(fā)生波動(dòng)；從公布的第二天起，股票的價(jià)格趨于穩(wěn)定。6.2.2半強(qiáng)式有效市場的檢驗(yàn)方法圖6.3、圖6.4分別描述了這兩種情形，橫軸0坐標(biāo)表示消息發(fā)布的當(dāng)天，0坐標(biāo)左側(cè)表示消息發(fā)布之前，0坐標(biāo)右側(cè)表示消息發(fā)布之后。圖6.3表示第一種情形：利好消息的發(fā)布在意料之外，所以在消息發(fā)布之前，累計(jì)異常收益率在0附近波動(dòng)；在消息公布的當(dāng)天，股票一次性上漲，使異常收益率上漲至2%；之后，累計(jì)異常收益率在2%附近波動(dòng)。圖6.4表示第二種情形：利好消息的發(fā)布在意料之中，所以，在消息發(fā)布之前，價(jià)格就開始上漲，異常收益率逐漸趨近于2%；等到利好消息發(fā)布之后，市場以及充分消化了這一消息，超額異常收益率趨于穩(wěn)定。6.2.3強(qiáng)式有效市場的檢驗(yàn)強(qiáng)式有效市場假說認(rèn)為股票價(jià)格完全地反映一切公開的和非公開的信息。投資者即使掌握內(nèi)幕信息也無法獲得超額利潤。任何專業(yè)投資者的邊際市場價(jià)值為零。其檢驗(yàn)原理：內(nèi)幕消息是否有用。檢驗(yàn)方法是考察內(nèi)幕消息是否有助于獲得異常收益，主要通過分析公司內(nèi)部交易人員和專業(yè)基金管理人的投資績效來判斷市場是否有效。例如，美國法律對公司內(nèi)幕交易有著嚴(yán)格的管理制度，按照要求，上市公司董事、高級(jí)主管、主要股東等一切可能獲得該上市公司內(nèi)幕消息的人士，在對本公司股票發(fā)生交易之日的一個(gè)月之內(nèi)，必須將交易的全部情況報(bào)告證券交易委員會(huì)（SEC），而SEC則按月將此類信息在“內(nèi)幕交易官方報(bào)告”中向公眾宣布，研究者即可根據(jù)以上數(shù)據(jù)來確定內(nèi)幕交易是否存在價(jià)值，從而判斷市場是否強(qiáng)勢有效。強(qiáng)式有效市場意味著所有信息都已經(jīng)被充分反映在市場價(jià)格中，所有公開信息和非公開信息都無法獲得異常收益。針對已有相關(guān)研究發(fā)現(xiàn)，目前世界上沒有證券市場達(dá)到強(qiáng)式有效。事件分析法6.3

6.3.1事件分析法概述事件分析法（EventStudy）又稱事件研究法，是一種用于研究特定事件或政策沖擊對個(gè)體行為影響的實(shí)證研究方法，通過研究事件發(fā)生對時(shí)序性數(shù)據(jù)的影響來檢驗(yàn)市場對該事件的反應(yīng)，一般是通過考察該事件前后的累積異常收益變化來判斷事件的影響程度。該方法基于有效市場假設(shè)，即股票價(jià)格能反映所有已知的公共信息。因此，在股票實(shí)際收益中減去假定某個(gè)事件沒有發(fā)生而估計(jì)出來的正常收益就可得到異常收益，異常收益可衡量股價(jià)對事件發(fā)生或信息披露的反應(yīng)程度。事件分析法通?；趦蓚€(gè)基本假設(shè)：第一，在事件研究窗口內(nèi)，只有所研究的事件發(fā)生，即使發(fā)生了其他事件，也不會(huì)對價(jià)格產(chǎn)生顯著影響。第二，事件的影響可通過異常收益率來度量。

6.3.2事件分析法步驟一個(gè)完整的事件分析法應(yīng)該包含以下五個(gè)步驟。第一，界定事件窗口。在事件分析法中，首先需要確定所研究事件的發(fā)生區(qū)間。

6.3.2事件分析法步驟第三，計(jì)算正常收益(NormalReturn，NR)。通常使用如下兩種模型計(jì)算正常收益：CAPM模型

6.3.2事件分析法步驟

6.3.2事件分析法步驟第五，評價(jià)異常收益和累積異常收益在時(shí)間窗口中的顯著性。在計(jì)算出異常收益后，需進(jìn)一步檢驗(yàn)其顯著性。對于第四步得到的AR和CAR，需檢驗(yàn)其是否具有統(tǒng)計(jì)顯著性。通常采用T檢驗(yàn)統(tǒng)計(jì)量，檢驗(yàn)中的原假設(shè)設(shè)置為：，該事件并未造成顯著影響；備擇假設(shè)為：，該事件造成顯著影響。若則造成負(fù)向影響，，則造成正向影響。比較計(jì)算出來的T統(tǒng)計(jì)量與某一顯著性水平下的T值大小，如設(shè)，則拒絕原假設(shè)，認(rèn)為該事件造成了顯著影響；反之不能拒絕原假設(shè)，認(rèn)為該事件并未造