金融事件研究中的數(shù)量分析方法解析(doc 18頁(yè)).doc

1、金融事件研究中的數(shù)量分析方法簡(jiǎn)析【內(nèi)容摘要】：金融事件研究法是在市場(chǎng)理性的前提假定下，將金融資產(chǎn)的實(shí)際收益分解為正常收益和非正常收益，從而把事件發(fā)生對(duì)資產(chǎn)所產(chǎn)生的影響轉(zhuǎn)化為資產(chǎn)的非正常收益在時(shí)間序列上的運(yùn)動(dòng)情況來(lái)加以研究。而在處理非正常收益上，針對(duì)不同的研究目的和約束情況，可以分別使用參數(shù)估計(jì)和非參數(shù)估計(jì)兩大類(lèi)方法中的各種模型，來(lái)構(gòu)建統(tǒng)計(jì)量以對(duì)非正常收益的變化特征做假設(shè)檢驗(yàn)，進(jìn)而判斷事件發(fā)生對(duì)資產(chǎn)收益的影響。【Abstract】：Under the hypothesis of rationality in the financial marketplace an financial event

2、 study divides the actual return of financial assets into two parts, the normal one and the abnormal one, and then turns to study the time-series changes of assets abnormal return to know the effects of the happening of an event on assets. Under different objects of studying and constraints, two mai

3、n methods, the parametric estimate and the nonparametric estimate with their own sub-models are suitable to analyze the abnormal return. The general procedure is to make kinds of statistics to test the characters of the abnormal returns changes under the null hypothesis that on impact on the abnorma

4、l return by event, so to know the impact on assets return.【關(guān)鍵詞】：事件研究法 非正常收益 參數(shù)估計(jì) 非參數(shù)估計(jì)【Keyword】：event-study abnormal return parametric estimate nonparametric estimate一、金融事件研究法簡(jiǎn)介；1、 事件研究（event study）；事件研究是專(zhuān)門(mén)針對(duì)某一特定事件，研究其發(fā)生所產(chǎn)生的影響的方法。傳統(tǒng)的直接觀察法需要在一個(gè)較長(zhǎng)的時(shí)期中進(jìn)行觀察、取樣，而它只需要在一個(gè)短得多的時(shí)期中取樣，節(jié)省成本。因此，事件研究法在許多領(lǐng)域都有廣泛的應(yīng)用

5、，尤其是在金融、財(cái)務(wù)以及法律等領(lǐng)域。當(dāng)研究某一領(lǐng)域時(shí)，其有不同的實(shí)現(xiàn)手段。2、 金融事件研究的基本假定和實(shí)現(xiàn)思路；在金融分析中，事件研究法假定市場(chǎng)是理性的，即市場(chǎng)可以迅速地對(duì)某一事件的影響做出反映，而這主要反映在公司資產(chǎn)的價(jià)格變化里。因此，可以通過(guò)一個(gè)相對(duì)較短的時(shí)期中資產(chǎn)價(jià)格的變化來(lái)測(cè)算事件發(fā)生所產(chǎn)生的經(jīng)濟(jì)影響。具體實(shí)現(xiàn)的基本思路是，在事件可能產(chǎn)生影響之前的某一時(shí)期中估計(jì)出該資產(chǎn)的正常收益；再在事件產(chǎn)生影響的時(shí)期中觀察該資產(chǎn)收益的實(shí)際變化；通過(guò)比較上述兩個(gè)收益，間接地測(cè)算該資產(chǎn)因?yàn)槭录挠绊懚霈F(xiàn)的非正常收益。隨后，可以構(gòu)造出多種統(tǒng)計(jì)量，并使用假設(shè)檢驗(yàn)的方法來(lái)對(duì)非正常收益進(jìn)行顯著性檢驗(yàn)，從而判

6、斷事件對(duì)公司的影響情況。3、 金融事件研究法的發(fā)展歷史；在金融分析領(lǐng)域里，事件研究方法主要經(jīng)歷了以下一些重大發(fā)展。 1) James Dolly（1933）提出了最初的研究方法，他通過(guò)研究股票分拆期間名義價(jià)格的變化來(lái)驗(yàn)證分拆的價(jià)格效應(yīng)；2) 從三十年代初到六十年代末，研究的復(fù)雜程度提高，其代表人物為John Myers和Archie Bakay（1948），C. Austin Barker（1956，1957，1958）和John Ashley（1962），主要的進(jìn)步在于提出了去除股票市場(chǎng)的總體價(jià)格運(yùn)動(dòng)趨勢(shì)和分離干擾事件的方法；3) 到了六十年代末，Ray Balland 和PhilipBro

7、wn（1968)，以及Eu-geneFama（1969)已經(jīng)引入了與現(xiàn)在基本相同的研究方法，主要研究盈利的信息內(nèi)容和剔除股利同步增加產(chǎn)生的后的股票分拆的影響。4) 此后的發(fā)展主要集中在對(duì)早先使用的統(tǒng)計(jì)假設(shè)所導(dǎo)致的復(fù)雜性進(jìn)行修正，以進(jìn)行更加具體的假設(shè)檢驗(yàn)。代表是Stephen Brownand和Jerold Warn-er于1980年和1985年發(fā)表的論文。4、 金融事件研究的一般步驟；根據(jù)John. Y. Campbell的觀點(diǎn)，事件研究方法沒(méi)有唯一的標(biāo)準(zhǔn)分析程式，一般是按照以下七個(gè)步驟來(lái)進(jìn)行分析：1) 定義事件：即確定所要研究的事件并界定事件對(duì)公司的資產(chǎn)價(jià)格產(chǎn)生影響的時(shí)期，也稱(chēng)為事件窗；2)

8、 確定取樣標(biāo)準(zhǔn)：即確定如何選擇為該事件研究所需的樣本公司的標(biāo)準(zhǔn)，這一般還要考慮數(shù)據(jù)可獲得性的限制；3) 正常收益R（return）和非正常收益AR(abnormal return)的估計(jì)模型選擇：正常收益的估計(jì)模型主要有常均收益模型、市場(chǎng)模型以及因素模型和市場(chǎng)調(diào)整收益模型等；然后，再結(jié)合事件窗中的實(shí)際收益就可以計(jì)算出非正常收益，即有： 其中，、和分別為第i個(gè)公司t時(shí)日的非正常收益、實(shí)際收益和正常收益；4) 估計(jì)程序：利用事件窗之前的估計(jì)窗的數(shù)據(jù)，在一定的模型設(shè)定下就可以估算出正常收益數(shù)值，進(jìn)而算出非正常收益的數(shù)值；5) 檢驗(yàn)程序：即要對(duì)非正常收益進(jìn)行顯著性檢驗(yàn)，關(guān)鍵在于確定原假設(shè)和加總單個(gè)公司

9、非正常收益的方法；6) 經(jīng)驗(yàn)診斷：由于實(shí)證分析的結(jié)論要受計(jì)量經(jīng)濟(jì)模型設(shè)定的影響，尤其是在有限樣本時(shí)，實(shí)證分析更易受到離群值的影響，這就需要運(yùn)用經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行診斷；7) 解釋實(shí)證結(jié)果并作出結(jié)論：即尋求實(shí)證結(jié)論和經(jīng)濟(jì)理論結(jié)論間的統(tǒng)一。二、金融事件研究法中的數(shù)量分析方法概述； 從以上分析，我們可以看出，事件研究的核心思想是將非正常收益作為事件影響的測(cè)度：以非正常收益為基礎(chǔ)，構(gòu)造統(tǒng)計(jì)量并進(jìn)行假設(shè)檢驗(yàn)，以判斷事件窗內(nèi)的非正常收益的均值和方差等特性是否發(fā)生改變，以此來(lái)判斷事件發(fā)生的影響作用。總的說(shuō)來(lái)，事件研究法中的數(shù)量分析方法可以大致分為參數(shù)估計(jì)和非參數(shù)估計(jì)兩個(gè)大類(lèi)。1、參數(shù)估計(jì)方法；參數(shù)估計(jì)方法的基本思想

10、是：首先，依據(jù)所選的估計(jì)正常收益的模型，在估計(jì)窗中作出實(shí)際收益對(duì)解釋變量的回歸，得到殘差，即非正常收益的估計(jì)；為了得到全面的推論，應(yīng)當(dāng)將非正常收益加總起來(lái)考察其總效應(yīng)，而考慮到時(shí)間和公司兩個(gè)方向上都可以加總，且各個(gè)公司間是否相互獨(dú)立，應(yīng)當(dāng)分別構(gòu)造統(tǒng)計(jì)量來(lái)進(jìn)行檢驗(yàn)。 另外，參數(shù)檢驗(yàn)還提供了區(qū)分事件是影響非正常收益的均值還是其方差的原假設(shè)方法、評(píng)價(jià)所用統(tǒng)計(jì)量檢驗(yàn)?zāi)芰Φ牧Χ确治龇椒ㄒ约胺治龇钦Ｊ找婧褪录厥庵甸g的截面交叉回歸模型；等等。限于篇幅，本文就不在對(duì)這些補(bǔ)充性的參數(shù)檢驗(yàn)?zāi)Ｐ瓦M(jìn)行分析。2、非參數(shù)估計(jì)方法；非參數(shù)估計(jì)方法是在不依賴(lài)某一特定分布的基礎(chǔ)上來(lái)構(gòu)件統(tǒng)計(jì)量并做假設(shè)檢驗(yàn)。事件分析中，是以事

11、件發(fā)生前后的非正常收益的某一特征來(lái)設(shè)立統(tǒng)計(jì)量的。主要有兩類(lèi)方法：符號(hào)檢驗(yàn)和秩檢驗(yàn)。其基本思想是：符號(hào)檢驗(yàn)：在各類(lèi)資產(chǎn)的非正常收益相互獨(dú)立的，非正常收益的期望值為正和為負(fù)的可能性都應(yīng)該為0.5，因此，事件窗內(nèi)為正的非正常收益的個(gè)數(shù)應(yīng)該在總個(gè)數(shù)的一半左右；由此可以構(gòu)件統(tǒng)計(jì)量來(lái)進(jìn)行檢驗(yàn)。秩檢驗(yàn)：由于符號(hào)檢驗(yàn)在非正常收益分布有偏的情況下，即使事件發(fā)生對(duì)資產(chǎn)價(jià)格并無(wú)影響，非正常收益為正的期望概率也不是0.5。因此而提出的秩檢驗(yàn)是將各只證券在各個(gè)時(shí)期上的非正常收益以每時(shí)日來(lái)進(jìn)行排秩，可以證明得出各只證券的期望秩數(shù)；由此可以構(gòu)件統(tǒng)計(jì)量來(lái)進(jìn)行檢驗(yàn)。接下來(lái)，我們將遵循事件分析的程式順序，詳細(xì)地討論上述的各類(lèi)分析

12、方法。三、金融事件分析的參數(shù)估計(jì)方法； 在進(jìn)行估計(jì)之前，為了行文方便和簡(jiǎn)潔，作出兩個(gè)適用于本小節(jié)的規(guī)定，它們并不影響后面的數(shù)量分析方法的正確性： 第一，正常收益的估計(jì)采用市場(chǎng)模型，因?yàn)榭梢宰C明該模型將收益的一部分與市場(chǎng)收益的變化聯(lián)系起來(lái)并加以提出，使得此時(shí)的非正常收益的方差減少了，所以模型的精度要高一些。 第二，假設(shè)檢驗(yàn)中，原假設(shè)都是假定事件發(fā)生對(duì)證券的非正常收益沒(méi)有顯著的影響；這主要是出于方便判定統(tǒng)計(jì)量分布的慣例考慮。 第三，以下圖來(lái)表示事件研究的時(shí)間線(xiàn)： | 估計(jì)窗 | 事件窗 | 事后窗 | T0 T1 0 T2 T31、正常收益的估計(jì)； 市場(chǎng)模型為， （t=T0+1,，T1） 其中，表

13、示第i只證券在估計(jì)窗的t時(shí)日上的實(shí)際收益率，表示在t時(shí)日上的市場(chǎng)收益率，和為回歸參數(shù)，為回歸殘差；表示為矩陣形式即在實(shí)際收益服從多元聯(lián)合正態(tài)分布，且在時(shí)間序列上獨(dú)立同分布的假設(shè)下，應(yīng)用OLS估計(jì)，可得如下的參數(shù)估計(jì)： 所以，正常收益的估計(jì)為。 （1）2、非正常收益的估計(jì)； 非正常收益的估計(jì)是將（1）式中的 和事件窗中的市場(chǎng)收益數(shù)據(jù)結(jié)合起來(lái)先估計(jì)出事件窗內(nèi)的正常收益，再用事件窗內(nèi)的實(shí)際收益數(shù)據(jù)相減而得出的，即有， 在實(shí)際收益服從上述分布的條件下，非正常收益服從聯(lián)合正態(tài)分布，而且 可見(jiàn)，非正常收益是無(wú)偏的；且其方差由兩部分組成，第一個(gè)部分來(lái)自未來(lái)的擾動(dòng)引起的，而第二項(xiàng)則由中的樣本錯(cuò)誤添加進(jìn)去的。因

14、此，隨著L1的增加，第二個(gè)部分漸進(jìn)于0，樣本錯(cuò)誤逐漸減少，非正常收益也就漸進(jìn)獨(dú)立，消除序列自相關(guān)。 因此，更進(jìn)一步，在H0的假設(shè)下，非正常收益滿(mǎn)足： 服從于； 這樣，就求到了任何非正常收益的樣本分布；3、非正常收益的加總統(tǒng)計(jì)量估計(jì)； 當(dāng)要全面地推斷某一特定事件時(shí)，可以將非正常收益的樣本值加總來(lái)構(gòu)造個(gè)反映事件的累積效應(yīng)的新的統(tǒng)計(jì)量。由于可以在時(shí)間和公司兩個(gè)維度上進(jìn)行加總，而且公司間可能存在相關(guān)性，因此，應(yīng)當(dāng)分情況進(jìn)行討論：1) 單只證券的跨時(shí)間加總統(tǒng)計(jì)量估計(jì)；對(duì)一個(gè)只有一只證券的樣本而言，可以得到如下的加總非正態(tài)收益統(tǒng)計(jì)量CAR（cumulative abnormal returns）,，其中且

15、有；同樣地，在H0的假設(shè)下，可以得到服從這樣，我們就構(gòu)造了一個(gè)基于正態(tài)分布的顯著性檢驗(yàn)，用以檢驗(yàn)H0。此外，還可以使用標(biāo)準(zhǔn)化的加總非正態(tài)收益統(tǒng)計(jì)量，SCAR（standardized cumulative abnormal returns）,其服從自由度為（L1-2）的t分布，當(dāng)樣本大于30，它也近似服從標(biāo)準(zhǔn)正態(tài)分布。這就是一個(gè)基于t分布的事件影響檢驗(yàn)。2) 多只獨(dú)立證券的加總統(tǒng)計(jì)量估計(jì)；如果有多只證券即有多個(gè)事件，如果它們的事件窗沒(méi)有任何的重疊時(shí)，就可以認(rèn)為它們是相互獨(dú)立的。此時(shí)可令于是有，在H0的條件下，服從于N（0，），而因?yàn)槲粗?，則可以構(gòu)造統(tǒng)計(jì)量， 漸進(jìn)服從于標(biāo)準(zhǔn)正態(tài)分布；其中， =；

16、同樣地，我們也可以在次情況下構(gòu)造一個(gè)標(biāo)準(zhǔn)化的加總非正常收益的統(tǒng)計(jì)量來(lái)做檢驗(yàn)，即 在H0的條件下，統(tǒng)計(jì)量漸進(jìn)地服從標(biāo)準(zhǔn)正態(tài)分布，這又為我們?cè)诖嬖诙鄠€(gè)互不相關(guān)的證券的情況下提供了另一個(gè)假設(shè)檢驗(yàn)的途徑。3) 多只相關(guān)證券的加總統(tǒng)計(jì)量估計(jì)（聚類(lèi)推斷）；當(dāng)各只證券的事件窗產(chǎn)生重合時(shí)，即多個(gè)事件在時(shí)日上是相對(duì)集聚的，非正常收益將會(huì)與自身相關(guān)。前面提出的加總統(tǒng)計(jì)量的分布就會(huì)失效。Bernard(1987)討論了與這種聚類(lèi)相關(guān)的一些問(wèn)題。認(rèn)為當(dāng)多個(gè)集聚的事件都有同一個(gè)事件日時(shí)，可以用兩種方法來(lái)進(jìn)行推斷。第一種方法是，將各只證券的非正常收益分別加總到事件日上，構(gòu)成一只證券組合。由于這種方法允許各只證券的非正常收

17、益間存在相關(guān)關(guān)系，所以其構(gòu)造的統(tǒng)計(jì)量可以套用前面所做的分析。第二種方法是，不使用加總統(tǒng)計(jì)量，而是對(duì)各只證券間的截面數(shù)據(jù)采用多元回歸和對(duì)事件日設(shè)置虛擬變量的方法來(lái)對(duì)原假設(shè)進(jìn)行檢驗(yàn)。這種方法不僅可以檢驗(yàn)非正常收益為正還是為負(fù)等多個(gè)假設(shè)，還可以處理存在偏聚類(lèi)時(shí)的情況。四、金融事件研究的非參數(shù)估計(jì)方法；從上述對(duì)參數(shù)估計(jì)方法的分析可以看出，其關(guān)鍵在于尋找到AR或者CAR、SCAR的分布已知或可以推斷的相關(guān)統(tǒng)計(jì)量，以此來(lái)做假設(shè)檢驗(yàn)。這就局限并提高了參數(shù)估計(jì)的應(yīng)用范圍和難度。而非參數(shù)估計(jì)則不需要對(duì)AR的總體分布等作出特殊的假設(shè)，直接從樣本數(shù)據(jù)出發(fā)進(jìn)行推斷。因此，有其在事件研究中相當(dāng)?shù)膽?yīng)用。構(gòu)造非參數(shù)統(tǒng)計(jì)量的

18、方法很多，例如有順序統(tǒng)計(jì)量、符號(hào)統(tǒng)計(jì)量、秩統(tǒng)計(jì)量和正態(tài)記分統(tǒng)計(jì)量等。這里介紹事件研究中常用的兩類(lèi)檢驗(yàn)，符號(hào)檢驗(yàn)和秩檢驗(yàn)。1、符號(hào)檢驗(yàn)；如前所述，對(duì)某只證券而言，在其無(wú)自相關(guān)的前提假定，符號(hào)檢驗(yàn)認(rèn)為若事件對(duì)證券沒(méi)有明顯影響，則對(duì)事件窗中為正或?yàn)樨?fù)的概率是一樣的。于是可以構(gòu)造如下的假設(shè)檢驗(yàn)： 其中，p=Pr(0)； 同時(shí)構(gòu)造統(tǒng)計(jì)量，其中，是該證券的非收正常收益的總數(shù)，而是為正的非正常收益的總數(shù)。在增大時(shí)，是漸進(jìn)服從標(biāo)準(zhǔn)正態(tài)分布的；則在的顯著性水平下，當(dāng)時(shí)，可以拒絕原假設(shè)，即認(rèn)為該證券的非正常收益為正的概率不是0，即認(rèn)為事件對(duì)該證券有明顯的影響。2、秩檢驗(yàn)；如前所述，當(dāng)非正常收益分布有偏時(shí)，符號(hào)檢驗(yàn)

19、將失效。為此，Corrado（1989）提出對(duì)非正常收益進(jìn)行秩檢驗(yàn)。該檢驗(yàn)認(rèn)為，如果事件對(duì)證券無(wú)影響則事件日上的非正常收益應(yīng)為0。令表示證券i在t時(shí)日上的非正常收益的秩，如果事件對(duì)該證券沒(méi)有影響，則其在t=0的事件日的非正常收益的期望應(yīng)該為0，即其秩應(yīng)該為。所以，可以構(gòu)造如下的假設(shè)檢驗(yàn)：構(gòu)造統(tǒng)計(jì)量為其中， 其中，漸進(jìn)服從標(biāo)準(zhǔn)正態(tài)分布，在大樣本條件下可以設(shè)定顯著性水平，如果或者，則可以拒絕原假設(shè)，認(rèn)為事件對(duì)該證券的收益有顯著的影響。五、 實(shí)證分析；應(yīng)用上述事件研究的分析方法，我們對(duì)上市公司的數(shù)據(jù)做了一個(gè)實(shí)證分析。股票的選擇：我們選取的股票是上海證券市場(chǎng)的波導(dǎo)股份（代碼600136）。選取它的原因

20、是，該股連續(xù)幾年的年報(bào)業(yè)績(jī)相當(dāng)優(yōu)良，屬于標(biāo)準(zhǔn)的績(jī)優(yōu)股，而且在其公布年報(bào)前后的較長(zhǎng)時(shí)間內(nèi)沒(méi)有其它的事件對(duì)其有明顯的影響。這樣會(huì)使消費(fèi)者對(duì)年報(bào)形成利好的預(yù)期，而且可以明確地確定沒(méi)有其它的干擾因素，從而有利于年報(bào)公告效應(yīng)發(fā)揮作用。窗寬的確定：該股2003年年報(bào)是在2004年2月21日，公布每股收益1.53元每股凈資產(chǎn)7.9500，業(yè)績(jī)應(yīng)該相當(dāng)優(yōu)良。我們只選取了該股票和大盤(pán)前后各10天的數(shù)據(jù)，主要是考慮到較短的窗寬可以有效地避免其它因素的干擾，如下：時(shí)間對(duì)數(shù)收益率(%)(波導(dǎo)股份)對(duì)數(shù)收益率(%)(股指數(shù))2004-02-094.571.442004-02-10-1.97-0.742004-02-11

21、0.77-0.782004-02-121.76-0.852004-02-130-0.322004-02-162.22.292004-02-1700.42004-02-183.270.772004-02-191.1102004-02-20-1.610.292004-02-23-7.18-2.382004-02-24-0.630.032004-02-25-3.46-2.112004-02-26-1.520.472004-02-270.661.222004-03-011.760.882004-03-020.55-0.152004-03-03-2.56-1.522004-03-04-0.770.442

22、004-03-052.03-0.4注意：數(shù)據(jù)中的零點(diǎn)是當(dāng)日收盤(pán)價(jià)與前日收盤(pán)價(jià)相等所致，并非特殊數(shù)據(jù)。一、 估算非正常收益AR：利用EVIEWS軟件：我們首先做了序列的平穩(wěn)性檢驗(yàn)：1、對(duì)大盤(pán)時(shí)間序列數(shù)據(jù)的ADF檢驗(yàn)1、 1判斷單整階數(shù)在開(kāi)始檢驗(yàn)前，我們做出兩點(diǎn)檢驗(yàn)規(guī)則的選擇：第一，滯后期，選在3；因?yàn)楦鶕?jù)Schwert的公式，要哦滯后8期，樣本數(shù)不過(guò)，而一般的做法是滯后3期；第二，顯著性水平選在5%；由于經(jīng)濟(jì)數(shù)據(jù)的階數(shù)一般不會(huì)超過(guò)2，所以，我從二階開(kāi)始往下做：l 二階差分的分析情況：ADF Test Statistic-3.316333 1% Critical Value*-2.7411 5%

23、Critical Value-1.9658 10% Critical Value-1.6277*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD,2)Method: Least SquaresDate: 07/07/04 Time: 17:19Sample(adjusted): 1906 1920Included observations: 15 after adjusting e

24、ndpointsVariableCoefficientStd. Errort-StatisticProb. D(DPBD(-1)-2.6706670.805307-3.3163330.0069D(DPBD(-1),2)1.0268020.6596991.5564720.1479D(DPBD(-2),2)0.8951900.5042691.7752220.1035D(DPBD(-3),2)0.4230660.2809381.5059060.1603R-squared0.821512 Mean dependent var-0.091333Adjusted R-squared0.772833 S.D

25、. dependent var3.089019S.E. of regression1.472289 Akaike info criterion3.834693Sum squared resid23.84400 Schwarz criterion4.023506Log likelihood-24.76019 F-statistic16.87623Durbin-Watson stat2.034523 Prob(F-statistic)0.000199l 一階差分的分析情況：ADF Test Statistic-3.243524 1% Critical Value*-2.7275 5% Critic

26、al Value-1.9642 10% Critical Value-1.6269*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD)Method: Least SquaresDate: 07/07/04 Time: 17:20Sample(adjusted): 1905 1920Included observations: 16 after adjusting endpoints

27、VariableCoefficientStd. Errort-StatisticProb. DPBD(-1)-1.7259170.532112-3.2435240.0070D(DPBD(-1)0.6023690.4052901.4862690.1630D(DPBD(-2)0.7494690.3525122.1260830.0549D(DPBD(-3)0.3290140.2674451.2302090.2422R-squared0.650072 Mean dependent var0.028125Adjusted R-squared0.562590 S.D. dependent var1.708

28、848S.E. of regression1.130181 Akaike info criterion3.294950Sum squared resid15.32770 Schwarz criterion3.488097Log likelihood-22.35960 F-statistic7.430927Durbin-Watson stat2.067286 Prob(F-statistic)0.004503l 沒(méi)有差分的分析情況：Dependent Variable: DPBDMethod: Least SquaresDate: 07/08/04 Time: 01:03Sample(adjus

29、ted): 1902 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. DPBD(-1)0.0007680.2266000.0033890.9973R-squared-0.013829 Mean dependent var-0.129474Adjusted R-squared-0.013829 S.D. dependent var1.131152S.E. of regression1.138947 Akaike info criterion3.

30、149280Sum squared resid23.34959 Schwarz criterion3.198988Log likelihood-28.91816 Durbin-Watson stat1.878307可見(jiàn)，大盤(pán)時(shí)間序列數(shù)據(jù)不需要差分處理，可以直接進(jìn)行單位根檢驗(yàn)。1、2單位根檢驗(yàn)：由于對(duì)D.G.P未知，我們首先是對(duì)含有漂移項(xiàng)、確定性趨勢(shì)項(xiàng)的完備模型設(shè)定形式進(jìn)行檢驗(yàn)：ADF Test Statistic-4.178811 1% Critical Value*-4.5348 5% Critical Value-3.6746 10% Critical Value-3.2762*MacKi

31、nnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD)Method: Least SquaresDate: 07/08/04 Time: 01:12Sample(adjusted): 1902 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. D

32、PBD(-1)-1.0024340.239885-4.1788110.0007C-0.1290660.574379-0.2247050.8251TREND(1901)-4.88E-050.050482-0.0009660.9992R-squared0.524113 Mean dependent var-0.096842Adjusted R-squared0.464627 S.D. dependent var1.639712S.E. of regression1.199764 Akaike info criterion3.346066Sum squared resid23.03095 Schwa

33、rz criterion3.495188Log likelihood-28.78763 F-statistic8.810707Durbin-Watson stat1.897778 Prob(F-statistic)0.002630結(jié)果是拒絕了原假設(shè)，于是，大盤(pán)的時(shí)間數(shù)列數(shù)據(jù)是平穩(wěn)的。檢驗(yàn)中止。2、 對(duì)個(gè)股時(shí)間序列數(shù)據(jù)的ADF檢驗(yàn)；2、1判斷單整階數(shù)：具體做法如上面對(duì)大盤(pán)數(shù)據(jù)的操作，結(jié)果如下：l 二階差分的情況：ADF Test Statistic-2.514514 1% Critical Value*-2.7411 5% Critical Value-1.9658 10% Critical V

34、alue-1.6277*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD,2)Method: Least SquaresDate: 07/08/04 Time: 01:28Sample(adjusted): 1906 1920Included observations: 15 after adjusting endpointsVariableCoefficientStd. Errort

35、-StatisticProb. D(BD(-1)-2.2004590.875103-2.5145140.0288D(BD(-1),2)0.7314670.7259281.0076300.3353D(BD(-2),2)0.4752810.5369210.8851980.3950D(BD(-3),2)0.1094720.2782920.3933700.7016R-squared0.715083 Mean dependent var0.304000Adjusted R-squared0.637379 S.D. dependent var5.307200S.E. of regression3.1958

36、91 Akaike info criterion5.384787Sum squared resid112.3509 Schwarz criterion5.573600Log likelihood-36.38590 F-statistic9.202600Durbin-Watson stat1.846122 Prob(F-statistic)0.002463l 一階差分的情況：ADF Test Statistic-1.924128 1% Critical Value*-2.7275 5% Critical Value-1.9642 10% Critical Value-1.6269*MacKinn

37、on critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:28Sample(adjusted): 1905 1920Included observations: 16 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. BD(-1

38、)-0.8737850.454120-1.9241280.0784D(BD(-1)0.1272380.4054880.3137900.7591D(BD(-2)0.2029460.3638070.5578380.5872D(BD(-3)0.0253160.2604720.0971930.9242R-squared0.390520 Mean dependent var0.016875Adjusted R-squared0.238150 S.D. dependent var3.155657S.E. of regression2.754383 Akaike info criterion5.076582

39、Sum squared resid91.03953 Schwarz criterion5.269729Log likelihood-36.61266 F-statistic2.562975Durbin-Watson stat1.886587 Prob(F-statistic)0.103581可見(jiàn)，個(gè)股數(shù)據(jù)是一階自回歸的數(shù)據(jù)；下面就開(kāi)始對(duì)該數(shù)據(jù)的一階差分?jǐn)?shù)據(jù)做單位根檢驗(yàn)：2、2單位根檢驗(yàn)：l 首先，仍然是對(duì)完備形式的檢驗(yàn)：ADF Test Statistic-2.245377 1% Critical Value*-4.5743 5% Critical Value-3.6920 10% Criti

40、cal Value-3.2856*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:37Sample(adjusted): 1903 1920Included observations: 18 after adjusting endpointsVariableCoefficientStd. Err

41、ort-StatisticProb. BD(-1)-0.7913260.352424-2.2453770.0414D(BD(-1)-0.0037880.252164-0.0150230.9882C0.5627911.4669980.3836340.7070TREND(1901)-0.0644460.129183-0.4988750.6256R-squared0.387916 Mean dependent var0.222222Adjusted R-squared0.256755 S.D. dependent var3.038730S.E. of regression2.619740 Akaik

42、e info criterion4.957157Sum squared resid96.08252 Schwarz criterion5.155017Log likelihood-40.61441 F-statistic2.957553Durbin-Watson stat1.857338 Prob(F-statistic)0.068753可見(jiàn)，由于DF值在5%水平下不顯著，且確定性時(shí)間趨勢(shì)項(xiàng)的t值也不顯著，則應(yīng)該對(duì)去除了確定性時(shí)間趨勢(shì)項(xiàng)后的模型進(jìn)行檢驗(yàn)。l 對(duì)去除確定性趨勢(shì)項(xiàng)的模型的檢驗(yàn)ADF Test Statistic-2.275940 1% Critical Value*-3.8572

43、5% Critical Value-3.0400 10% Critical Value-2.6608*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:43Sample(adjusted): 1903 1920Included observations: 18 after adjusting en

44、dpointsVariableCoefficientStd. Errort-StatisticProb. BD(-1)-0.7262710.319108-2.2759400.0379D(BD(-1)-0.0455590.231825-0.1965250.8468C-0.0987480.611499-0.1614860.8739R-squared0.377035 Mean dependent var0.222222Adjusted R-squared0.293973 S.D. dependent var3.038730S.E. of regression2.553306 Akaike info

45、criterion4.863667Sum squared resid97.79056 Schwarz criterion5.012062Log likelihood-40.77300 F-statistic4.539191Durbin-Watson stat1.852972 Prob(F-statistic)0.028740由于DF值和漂移項(xiàng)的t值都不顯著，因此，則我們?nèi)コ似祈?xiàng)來(lái)進(jìn)行單位根檢驗(yàn)：ADF Test Statistic-2.350704 1% Critical Value*-2.7057 5% Critical Value-1.9614 10% Critical Value-1

46、.6257*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:56Sample(adjusted): 1903 1920Included observations: 18 after adjusting endpointsVariableCoefficientStd. Errort-Statist

47、icProb. BD(-1)-0.7183910.305607-2.3507040.0319D(BD(-1)-0.0463490.224609-0.2063570.8391R-squared0.375952 Mean dependent var0.222222Adjusted R-squared0.336949 S.D. dependent var3.038730S.E. of regression2.474376 Akaike info criterion4.754293Sum squared resid97.96057 Schwarz criterion4.853223Log likeli

48、hood-40.78863 F-statistic9.639035Durbin-Watson stat1.861816 Prob(F-statistic)0.006813結(jié)果為拒絕了原假設(shè)，于是，該個(gè)股的時(shí)間序列數(shù)據(jù)也為平穩(wěn)數(shù)據(jù)。檢驗(yàn)中止。所以可見(jiàn)，兩類(lèi)數(shù)據(jù)都是平穩(wěn)的時(shí)間序列數(shù)據(jù)，可以進(jìn)行回歸分析。做了DDPBD（大盤(pán)一階差分?jǐn)?shù)據(jù)）對(duì)DBD（個(gè)股一階差分?jǐn)?shù)據(jù)）的OLS回歸，并做了DW檢驗(yàn)、ARCH檢驗(yàn)等，結(jié)果如下：Dependent Variable: DBDMethod: Least SquaresDate: 07/01/97 Time: 16:08Sample(adjusted): 190

49、2 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C0.0154480.5155300.0299640.9764DDPBD1.5399480.3224254.7761430.0002R-squared0.572988 Mean dependent var-0.133684Adjusted R-squared0.547870 S.D. dependent var3.335806S.E. of regression2.243017 Akaike

50、 info criterion4.552821Sum squared resid85.52912 Schwarz criterion4.652236Log likelihood-41.25180 F-statistic22.81154Durbin-Watson stat1.826839 Prob(F-statistic)0.000175ARCH Test:F-statistic0.868000 Probability0.484397Obs*R-squared2.852918 Probability0.414863可見(jiàn)回歸模型應(yīng)該是通過(guò)了異方差和自相關(guān)的檢驗(yàn)的，回歸方程是真實(shí)的。于是，可以認(rèn)為該

51、回歸的殘差就是我們需要的非正常收益AR； 對(duì)AR顯著性的分析：現(xiàn)在我們就可以利用AR來(lái)進(jìn)行事件對(duì)資產(chǎn)收益的顯著性影響了。因?yàn)槭欠菂?shù)估計(jì)課程，我們這里就不用CAR的方法了而直接地采用非參數(shù)的方法。 在這里，我們也做了一個(gè)改進(jìn)，沒(méi)有使用前面書(shū)上介紹的符號(hào)檢驗(yàn)和秩檢驗(yàn)的方法。因?yàn)榉?hào)檢驗(yàn)本身不能檢驗(yàn)均值不為0的序列，而這里的收益率序列不能保證其均值就是為0的；而秩檢驗(yàn)是將前后的所有數(shù)值視作一個(gè)樣本來(lái)檢驗(yàn)事件日是否為平均的秩數(shù)，但在理論并沒(méi)有理由說(shuō)明事件對(duì)資產(chǎn)有明顯影響就要求當(dāng)天的收益率一定要明顯變動(dòng)，因?yàn)樯虾ＷC券市場(chǎng)不一定是強(qiáng)勢(shì)有效的； 其實(shí)，我們認(rèn)為，通過(guò)分析AR來(lái)判斷事件是否對(duì)資產(chǎn)收益率有明顯影響，其檢驗(yàn)的本質(zhì)在于判斷事件前后的AR有沒(méi)有明顯差異；如果兩者間是有顯著性差異的，那我們認(rèn)為事件對(duì)該股票是有明顯差異的；反之則沒(méi)有。因此，我們可以將前后兩個(gè)AR序列看作是兩個(gè)相關(guān)的樣本