二元正态分布的条件矩
已知一对随机变量服从二元正态分布,推导给定 X 后 Y 的条件均值和条件方差。
提示 1点击展开
从联合密度除以 X 的边际密度入手,将指数中的二次型对 Y 进行配方。
提示 2点击展开
检查条件均值如何随 X 变化,条件方差是否仍依赖于 X;用相关系数为零的特例进行自检。
回归是连接金融理论与数据的基础工具。本章从一元回归的设定和最小二乘估计讲起,解释系数、残差、决定系数及显著性检验各回答什么问题;再推广到多元回归,讨论高斯—马尔可夫定理、整体检验、异方差与多重共线性。估计值、统计显著性和经济含义不能混为一谈,这是贯穿本章的重点。
课件用股票风险与收益、CAPM 和 Fama–French 因子模型说明回归在金融中的用法,也提醒我们统一变量单位、收益率口径和样本期。学完后,你应能设定线性回归模型、解释估计结果,并对模型假设与诊断结果作出审慎判断。
本章选取 4 道习题。先独立思考,遇到困难时再逐步展开提示;完整题面及数据要求请参阅教材。
已知一对随机变量服从二元正态分布,推导给定 X 后 Y 的条件均值和条件方差。
从联合密度除以 X 的边际密度入手,将指数中的二次型对 Y 进行配方。
检查条件均值如何随 X 变化,条件方差是否仍依赖于 X;用相关系数为零的特例进行自检。
月度利率依次为 0.5、0.7、0.8、1.0、1.2、1.4、1.6、1.8、2.0、2.2,股票收益率依次为 1.5、1.7、1.9、2.1、2.4、2.6、2.9、3.1、3.5、3.7,两者单位均为百分数。估计含截距的一元回归,计算 R²,并解释利率提高 1 个百分点时模型预测的变化。
先计算两个样本均值,将横纵变量分别中心化,再比较共同变动与利率自身变动的大小。
核对残差和、拟合值与残差的正交关系,检查所算系数是否符合含截距 OLS 的性质。
解释斜率时区分“百分点”与“百分比变化”;高 R² 描述样本拟合程度,不单独证明利率对股市收益率的因果影响。
设 X、Y 有有限二阶矩且方差均为正。在所有形如 a+bX 的预测中,求使均方误差最小的系数及最小均方误差;再讨论二元正态条件下,最优线性预测与条件均值的关系。
对均方误差关于两个系数分别求导,理解一阶条件为何要求预测误差与常数项、X 正交。
将最优预测代回误差平方,利用协方差和相关系数整理;用相关系数为零的情形检查结果。
线性投影限制了预测函数的形式,条件均值没有这项限制。思考二元正态假设如何使两者一致。
以平均绝对误差 E[|Y−g(X)|] 评价预测,证明给定 X 的条件中位数可以使该误差最小。假设 Y 可积,并讨论条件中位数不唯一的情形。
先固定 X,将问题化为选择一个常数以最小化条件期望绝对误差,再对不同 X 的结果取期望。
比较预测值稍微向左、向右移动时,两侧观测对损失变化的贡献;分布有原子时使用左右导数或次梯度。
最优条件应允许中位数区间。不要先假定条件密度处处存在,也不要将平方误差下的结论直接搬过来。
用线性回归连接金融理论与数据,重点练习系数解释、模型诊断,以及 CAPM 的实证设定。
正文演示:先用 mtcars 练习回归,再用出版社提供的匿名 A 公司数据演示 CAPM。
数据说明:匿名案例包含价格缺失值;代码按正文方法插值,并保留插值标记。
打开本章 GitHub 目录 ↗ 查看本章代码索引点击下方条目可在线查看源码,或从 GitHub 下载。
先用汽车数据理解单位变换对回归系数的影响,再用匿名 A 公司案例估计 CAPM。比较普通标准误与 HAC 标准误,区分系数估计与统计推断。
动手实践:拟合公制单位下的汽车回归;处理价格缺失值;估计 CAPM 与 HAC 标准误。
数据说明:使用 mtcars 与出版社提供的匿名 A 公司历史教学数据;缺失值处理会单独记录。
打开本章 Python 目录 ↗ 查看 Python 导读与运行说明书中 R 示例与公开数据按章整理,附有运行说明。可从各章演示程序开始,也可对照正文逐段学习。点击或扫描二维码即可打开仓库。
github.com/Jiajing-Sun/financial-econometrics-r