首页 / 章节 / 第 7 章

第 7 章 非参数方法

视频约 67 分钟 · 课件 85 页 · R 示例 7 个

查看视频小节目录
  1. 开场
  2. 非参数概率密度估计量
  3. 多维核密度估计
  4. 非参数回归模型
  5. Nadaraya–Watson 估计量
  6. 局部多项式估计量
  7. 金融中的应用与小结
  8. 练习与方法自检

本章导读

线性模型便于解释,但真实金融关系未必是一条直线。本章先介绍核密度估计:核函数负责局部加权,带宽决定平滑程度;随后讨论偏差、方差、均方误差、边界问题和高维数据中的“维数诅咒”。DAX 收益率及 FTSE–DAX 联合分布的例子帮助我们观察收益分布的形状。

后半章讲非参数回归,包括 Nadaraya–Watson 核回归和局部多项式方法。学完后,你应能解释为什么带宽往往比核函数形式更关键,理解局部加权估计的基本思想,也能理解灵活拟合与统计精度之间的取舍。

核密度估计带宽非参数回归局部多项式维数诅咒

选读习题

本章选取 3 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。

习题 7.1理论与推导

核估计的边界问题

解释在有界支撑的端点附近,常规核密度估计为什么可能出现边界偏差,并讨论可行的修正办法。

提示 1点击展开

观察核窗口越过支撑边界时,估计量实际使用了多少概率质量;与内部点比较。

提示 2点击展开

思考边界核、反射法或局部多项式法各需要什么条件,修正时还要检查估计量是否保持非负。

习题 7.2理论与推导

核密度估计与带宽选择

在独立同分布抽样、密度二次连续可微、二阶对称核的设定下,推导固定内部点处核密度估计的渐近偏差、方差和均方误差,并选择最优带宽。设 h→0、Th→∞,密度为正;讨论二阶导数为零时的例外情况。

提示 1点击展开

对期望中的积分进行换元后,将密度函数作泰勒展开,并利用核函数的对称性判断哪些项会消失。

提示 2点击展开

推导方差时,需区分单个核函数项的方差与样本平均的方差,并观察带宽如何影响有效的局部样本量。

提示 3点击展开

将主导的偏差平方项与主导的方差项放在一起比较;在求解最优带宽前,需检查曲率项是否为零,且此推导仅适用于内部点。

习题 7.4R 实践

非参数回归的模拟比较

独立生成 X∼U[−3,3] 和 ε∼N(0,0.3²),令 Y=X³+ε。比较 Nadaraya–Watson 与局部多项式回归,绘制拟合及残差图,并研究样本量和噪声水平变化的影响。

提示 1点击展开

固定随机数种子,明确带宽选择方法;两种方法应使用同一批模拟数据和相同的评价网格点。

提示 2点击展开

将内部区域与边界区域分开评价,观察在斜率较大或窗口不对称时,单纯的局部平均方法的表现。

提示 3点击展开

仅凭一次拟合图不足以判断方法的优劣。应重复模拟,并区分估计条件均值的误差与包含新噪声的预测误差。

本章课件

第 7 章 课件封面

第 7 章 非参数方法

85 页 · 网页逐页阅读

本章 R 代码

用核密度估计与非参数回归观察数据形状,理解带宽、局部加权与估计精度之间的关系。

正文演示:比较核函数,并用 R 内置的 DAX 历史序列估计收益率密度。

数据说明:DAX 数据来自 R 内置 EuStockMarkets,是历史样本,不是实时行情。

打开本章 GitHub 目录 ↗ 查看本章代码索引
第 7 章 GitHub 代码目录二维码 扫码查看本章代码

点击下方条目可在线查看源码,或从 GitHub 下载。

本章 Python 补充实践

核密度与局部线性回归

不预先指定完整的函数形式,能否从数据中看出收益分布与市场间的关系?通过核函数、带宽和局部拟合,体会非参数估计的灵活性与取舍。

动手实践:绘制三种核函数;估计 DAX 收益密度;局部拟合 FTSE 与 DAX 收益的关系。

数据说明:使用 EuStockMarkets 公开历史样本;以观测序号保存,不补造交易日期。

打开本章 Python 目录 ↗ 查看 Python 导读与运行说明
本章 Python 代码二维码扫码查看 Python 代码
GitHub 代码仓库二维码

GitHub 代码仓库

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

打开仓库