<var id="xdtzz"><span id="xdtzz"></span></var>
<address id="xdtzz"></address>
<address id="xdtzz"></address>
<ins id="xdtzz"><i id="xdtzz"></i></ins>
<progress id="xdtzz"><i id="xdtzz"></i></progress>
<ins id="xdtzz"><i id="xdtzz"><address id="xdtzz"></address></i></ins>
<listing id="xdtzz"><ruby id="xdtzz"><progress id="xdtzz"></progress></ruby></listing><ins id="xdtzz"><noframes id="xdtzz">
<ins id="xdtzz"><i id="xdtzz"></i></ins>
<menuitem id="xdtzz"></menuitem>
<ins id="xdtzz"><span id="xdtzz"><progress id="xdtzz"></progress></span></ins><cite id="xdtzz"></cite>
<progress id="xdtzz"></progress>
<progress id="xdtzz"><i id="xdtzz"></i></progress><cite id="xdtzz"><span id="xdtzz"><address id="xdtzz"></address></span></cite>
<cite id="xdtzz"><i id="xdtzz"><address id="xdtzz"></address></i></cite>
<progress id="xdtzz"><i id="xdtzz"></i></progress><cite id="xdtzz"></cite><cite id="xdtzz"></cite>
<th id="xdtzz"><del id="xdtzz"><ruby id="xdtzz"></ruby></del></th>
<address id="xdtzz"></address>
<ins id="xdtzz"></ins>
<cite id="xdtzz"><i id="xdtzz"></i></cite>
<progress id="xdtzz"><i id="xdtzz"></i></progress>
<progress id="xdtzz"></progress>
<ins id="xdtzz"><i id="xdtzz"><address id="xdtzz"></address></i></ins>
<var id="xdtzz"></var>
<progress id="xdtzz"><i id="xdtzz"><strike id="xdtzz"></strike></i></progress><thead id="xdtzz"><ruby id="xdtzz"></ruby></thead>
<cite id="xdtzz"></cite>
<cite id="xdtzz"></cite>
<var id="xdtzz"><span id="xdtzz"></span></var>
<cite id="xdtzz"><span id="xdtzz"></span></cite>
<listing id="xdtzz"></listing><listing id="xdtzz"></listing><ruby id="xdtzz"><video id="xdtzz"><progress id="xdtzz"></progress></video></ruby><address id="xdtzz"><i id="xdtzz"><th id="xdtzz"></th></i></address>

經濟數據與金融數據分析和處理要點

2014-12-30            8條評論
導讀: 經濟數據與金融數據分析和處理要點,數據處理方法金融時間序列數據,既有季節因素問題,又存在序列平穩性問題。金融指標的月度或季度時間序列包含4種變動要素:長期趨勢要素T、循環要素C、季節變動要素S和不規則要素I。因而在進行分析時,季節變動要素和不規則要素往往掩蓋了經濟金融發展中的客觀變化,給研究和分析經濟發展趨勢和判斷目前經濟所處的狀態帶來困難。

隨著計算機科學技術的迅猛發展以及在經濟學中的應用,極大地改進了經濟計量分析的技術手段,特別是高頻數據的利用與時間序列計量模型的組合,使得金融計量學得到飛速發展,進而金融計量學發展為經濟計量學的一個重要分支。金融計童學就是計量經濟學中的方法和技術在金融領域中的應用。它可以用于檢驗經濟學假說和金融理論,解釋重要公認的金融現象,并對金融市場行為建模和預測。鑒于金融計量在現代金融學中重要地位,本文就金融計量分析在實際應用中需要注意的一些問題給出探討。

一、經濟數據類型與金融數據特征

眾所周知,數據對于經濟計量學的應用分析非常重要,且這種重要性無論怎樣強調都不算過分,因而在進行計量分析之前首先要清楚所收集數據類型。不同類型的數據所對應的數據處理和計量分析方法也不同。目前,經濟數據大致分為四種類型:一是橫截面數據,指在給定時點上,對不同個體的某個變量的觀察值。二是時間序列數據,指由一個或幾個變量不同時間段的觀察值。三是混合橫截面數據,指橫截面數據與時間序列數據的合并。四是綜列數據(paneldata),指由橫截面數據集中每個數據的一個時間序列組成。它與混合截面數據主要區別是同一橫截面數據的數據單位都被跟蹤了一段特定的時期。一般來講,金融計量分析中所使用的數據大多數為時間序列數據和橫截面數據。

金融數據與經濟數據相比,主要體現在頻率、準確性、周期性等方面所具有的特有性質。一般宏觀經濟數據都是季度、年度數據,頻率較低,這有時會導致“小樣本問題”(即數據缺乏),從而給計量分析帶來困難。而金融數據則不然,在金融市場上可以得到月、日,甚至每分鐘的金融數據,用于計量分析的數據可以達到成千上萬。宏觀經濟數據通常是測算和估計出來的,不可避免會帶有一定差錯,而金融數據都是在金融交易發生時準確記錄下的,因而存在差錯的可能性要比宏觀經濟數據小得多。金融數據序列與宏觀經濟數據序列一樣,一般也是非平穩的,但金融數據序列一般難以區分隨機游走、趨勢以及其他的一些特征。

二、金融數據的處理

(一)數據處理方法金融時間序列數據,既有季節因素問題,又存在序列平穩性問題。金融指標的月度或季度時間序列包含4種變動要素:長期趨勢要素T、循環要素C、季節變動要素S和不規則要素I。因而在進行分析時,季節變動要素和不規則要素往往掩蓋了經濟金融發展中的客觀變化,給研究和分析經濟發展趨勢和判斷目前經濟所處的狀態帶來困難。因此,需要在經濟分析之前將經濟時間序列進行季節調整,剔除其中的季節變動要素和不規則要素,利用趨勢分解方法可將趨勢和循環要素分離開。對某些金融時間序列(如股票序列),不存在明顯的趨勢變動和季節變動,通常使用指數平滑方法對其進行擬合及預測。

實踐中,比較常用的數據處理方法主要有:一是移動平均法。其實就是算術平均法,能對周期(及其整數倍)與移動平均項數項相等的周期性變動基本得到消除,互相獨立的不規則變動得到平滑。一般分為簡單移動平均公式、中心化移動平均、加權移動平均。二是季節調整(seasonaladjustment),就是從時間序列中剔除季節變動要素,從而揭示出序列潛在的趨勢循環分量,趨勢循環分量能夠真實地反應經濟時間序列的客觀規律。

只有季度、月度數據才能做季節調整。目前有4種比較常用的季節調整方法,如CensusX12,X11、移動平均方法和Tramo1Sears方法(已有現成的軟件可以計算)。三是趨勢分解。測定長期趨勢有多種方法,比較常用的方法有回歸分析方法、移動平均法、階段平均法(phase一average,PA法)、HP(Hodrick一Prescott)濾波方法和頻譜濾波方法(band一pass,BP濾波)。四是指數平滑方法,對單指標時間序列數據,一般采用指數平滑方法進行擬合及預測。比較常用的方法有:單指數平滑,雙指數平滑,Holt一Winter。乘法(加法)模型,Holt一Winters一無季節性模型等。

(二)數據序列平穗性檢驗一個金融數據序列的平穩性能夠嚴重地影響到它的行為和性質;運用非平穩數據計量分析會導致謬誤回歸(spuriousregressions)。如果兩個非平穩變量是由獨立的隨機序列而產生,當用其中一個變量對另一個變量進行回歸時,斜率系數的t估計顯著為零,并且RZ值將非常低。對于互不相關的變童,這似乎是顯而易見的。但是,如果兩個變量存在隨時間變化的趨勢,即使不相關,其中一個變量對另一個變量的回歸也會產生較高的RZ值,所以,如果把標準的回歸技術應用到非平穩數據中,得到的最終結果是在標準測定下,回歸“看起來”很好,系數估計顯著,Rz值也很高,但事實上,它是毫無價值的,這樣的模型成為“謬誤回歸”。如果回歸模型中使用的變量是非平穩的,那么還可以證明用于漸近分析的標準假定將不再有效。換言之,常用的“t比率”不再遵循t分布,統計量不再遵循F分布等等。

平穩序列就是指序列在不同時刻會保持穩定。更具體一點,是指一個序列的均值和協方差與時間無關。金融市場上的大多數數據為非平穩數據。如股票指數,匯率、通貨膨脹率。同時,在金融研究的各種方法中,如線性回歸、ARMA,Granger因果檢驗,都要求相應的數據序列是平穩的。檢驗序列平穩性的標準方法是單位根檢驗。如Dickey一Fuller(DF)檢驗,AugmentedDickey一Fullertest(ADF)檢驗,Phillips一Perron(PP)檢驗,KPSS檢驗(Kwiatkowski,Phillips,Schmidt,andShinTest)、ERS檢驗(Elliot,Rothenberg,andStockPointOptimalTest)和NP檢驗(NgandPerronTests),前三種方法出現的比較早,在實際應用中較為常見,但是,由于這3種方法均需要對被檢驗序列作可能包含常數項和趨勢變量的假設,因此,應用起來帶有一定的不方便;后三種方法克服了前3種方法帶來的不便,在剔除原序列趨勢的基礎上,構造統計量檢驗序列是否存在單位根,應用起來相對方便。

轉載內容來源網絡,如有侵權請聯系刪除([email protected]),我們對原文作者深表敬意。
博思數據微信公眾號
長按上圖二維碼關注更多信息

有問題 找博思 做調研 更專業

    聚焦最新、最熱、最有價值的產業資訊,追蹤全球最熱行業市場分析,提供最全面實時調研數據,全面提升您個人及企業的核心競爭力,一切盡在博思數據。在微信公眾賬號中搜索“博思網”,或用手機掃描左方二維碼。

全文鏈接:http://www.gsgx.tw/zhishiku/201412/I09165RKAN.html
广东十一选五开奖结果