模型主要都是关注:
1.如何估计参数
2.如何计算估计参数的标准误
3.如何计算定价误差的标准误
4.如何检验模型(一般都是有一个
α^′V−1α^
形式的检验统计量)
时间序列数据回归
截面数据(同一时间的)回归
Reit
表示资产
i
在时刻
Reit=αi+βift+εit(12.1)
由模型可知,期望回报是
β
的线性函数,即:
E(Rei)=βiE(f)(12.2)
由模型可知,对所有的资产
i
,其回归截距
对 (12.1) 进行时间序列回归TS,可以得到对风险溢价因子 λ 的估计即是该因子的样本均值: λ^=ET(f)
同时也想知道定价误差
α
是否jointly equal to zero,进行
χ2
检验(这里是对大样本而言,即
T→∞
):
T[1+(ET(f)σ^(f))2]−1α^′Σ^−1α^∼χ2N
ET(f)
:样本均值
σ^(f)
:样本方差
T
:样本数目
Σ^
:残差协方差矩阵,对
E(εtε′t)=Σ
的样本估计,这里:
εt=[ε1t ε2t ⋯ εNt]′
对小样本而言,样本服从F分布,用GRS统计量来检验:
T−N−1N[1+ET(f)′Ω^−1ET(f)′]−1α^′Σ^−1α^∼FN,T−N−1
α^′V−1α^ 是用来检验误差 α^ 是否过大的统计量,若大于某阈值,则拒绝该模型。
标准误:抽样导致的不确定性。
- Time Series
- Cross Sectional
- Fama-MacBeth
- SDF GMM
12.2 截面数据回归
K因子模型:
E(Rei)=β′iλ,i=1,2,⋯,N
核心的经济学问题是:为什么不同的资产平均回报不同。
首先对下式进行TS回归来找到各个
βi
的估计:
Reit=ai+β′ift+εit,t=1,2,⋯,T,for each i
再根据每一个资产
i
所对应的
ET(Rei)=β′iλ+αi,i=1,2,⋯,N(12.10)
在
(12.10)
中,
β
是Right-Hand Variables,而
λ
是回归系数,CS回归的残差
αi
是定价误差。
这即是two-pass回归估计,即先进行TS估计,再进行CS估计。
CS估计可以有常数项也可以没有。因为理论表明常数项应为0。
OLS的CS估计如下:
λ^=(β′β)−1β′ET(Re)
α^=ET(Re)−λ^β
接下来寻找估计参数的分布情况,当误差在时间上是iid的,同时和因子独立。
OLS回归 Y=Xβ+u 且 E(uu′)=Ω
估计参数 β^ 的方差为: var(β^)=(X′X)−1X′ΩX(X′X)−1
残差的协方差矩阵为: (I−X(X′X)−1X′)Ω(I−X(X′X)−1X′)′
为了计算这两个参数的方差,需要知道矩阵
Ω
即
cov(α,α′)
。当因子和误差在时间上是iid的,则
Ω=1T(βΣfβ′+Σ)
这里的
Σf=cov(ft,f′t)
,
Σ=cov(εt,ε′t)
A1
在截面数据回归中,有rmrf,smb,hml这三组证券组合。
实际中经常不使用这三组,这并不合适
一般而言hml是那10组证券的线性组合(根据票面价值和市值的比值按大小次序分成的10组证券),因此协方差矩阵是奇异的。这并不会对参数的估计和标准误带来问题。但如果需要有效估计,或是对协方差矩阵需要求逆时会带来问题。
现在的问题是,究竟是否需要包括那10个证券组合。如果hml是这10组证券的因子定价模型中的因子,则不必包含这10组,因为hml即包含了这10组证券的信息。(即
portfolioi=hml⋅βi+αi
)
A2
CAPM模型不能应用于价值股。
消费增长解释了HML溢价,因此可以解释10组BM证券组合。
和之前一样,HML和SMB有着相同的预期回报,但本质上和市场不相关
A5
很多文章提出的不被拒绝的模型,主要是因为放大的标准误