温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
2023
基于
Probit
模型
股市
收益率
影响
因素
分析
基于Probit模型的股市收益率影响因素分析
为了应对由次贷危机引发的国际金融危机的冲击,2023年我国实施了相对较为宽松的货币政策,率先实现经济的复苏,并保持了相对较高水平的增长。在消费不景气的情况下,世界其他各国纷纷寻求通过出口促进经济增长,人民币汇率面临着严峻的升值压力,此外我国国内流动性相对充裕,国内通胀压力突显,利率和存款准备金率的频繁调整成了货币当局进行货币政策调控的主要手段。存款准备金率的频繁调整在紧缩信贷的同时,对股票市场也会产生一定的冲击。
截至2023年1月底,上交所和深交所股票总市值分别到达了27240亿美元和12331亿美元,上市公司总数分别到达了899家和1195家,月底收盘价分别为2905点和12902点,股票指数的涨跌总体上与宏观经济走势相一致。然而理论界对货币政策的制定是否应该考虑资产价格的波动一直存在争论,其中较具代表性的观点主要有两种。一种是以格林斯潘为代表的无关论,即资产价格不应成为货币政策的目标,而且货币政策实际上也无法改变影响资产价格的长期利率环境;另一种是以欧洲央行为代表的相关论,即资产泡沫膨胀一般都与货币信贷的高增长相伴随。因此,货币政策的制定应当对资产价格给予足够的关注。
另一方面,股市的涨跌与其当期的成交量关系显著,一般呈现出价涨量增的态势,成交量的上下在一定程度上也会对股价的涨跌产生影响。本文的主要目的是通过Probit模型进行回归,分析货币供给量、股市成交金额以及存款准备金率调整分别会对股市产生怎样的影响,并总结了该模型的拟合准确度。
一、样本数据说明
上市公司自身的战略选择、经营管理水平、财务状况等又决定着个股的走势,而GDP、货币供给量、利率、存款准备金率、财政收支等宏观经济因素决定了股市的整体走势。
本文的主要目的是探究股市整体收益率的影响因素,为此选取了以上证综指月度收盘价计算的对数收益率为被解释变量〔y〕,并对其进行赋值,当该收益率大于0时取1,否那么取0。对于被解释变量,本文选取了股市月度成交额的环比增长率〔je〕、M2期末余额同比增长率〔hb〕,并将存款准备金率〔zhbj〕作为虚拟变量引入。
本文选取了1996年1月至2023年12月作为样本区间,对于货币供给量选用同比增长率而非环比增长率,原因是于货币政策具有一定的时滞,同比增长率更能表达货币政策的实施效果。对于存款准备金率作为虚拟变量的赋值原那么为,准备金率调整的月份赋值为1,否那么为0。
为了保证回归结果的可靠性,本文切实保证了数据来源的权威性,相关数据均来自Wind资讯和中国经济统计数据库。
二、模型构建
本文涉及的模型主要有虚拟变量模型和Probit模型。与价格水平、利率、汇率等能够进行定量度量的因素相比,一些因素是无法定量度量的〔如本文中存款准备金率是否调整,以及性别或学历对收入的影响等〕。对于这些变量,可以根据其属性类型,构造出只取0或1的人工变量,通常将这类变量称为虚拟变量。
虚拟变量作为解释变量引入模型有两种根本方式,即加法方式和乘法方式。[1]以加法方式引入一个虚拟变量时模型的形式为:012iiiiYCC XC Dυ= +++〔式1〕,以乘法方式引入一个虚拟变量时的模型形式为:01iiiiYCC D Xυ= ++〔式2〕,其中iY为被解释变量,i X为解释变量,i D为具有两种属性的虚拟变量。本文以加法的方式引入了存款准备金率是否调整这一虚拟变量。
至于引入虚拟变量的原那么,如果某一定性变量的类别数为m,那么只需引入m-1个虚拟变量。例如,本文中存款准备金率有调整和不调整两种类别,所以只需引入一个虚拟变量即可;又如考察高中、本科、硕士不同学历对收入的影响,那么需要引入两个虚拟变量。
如果虚拟变量出现在被解释变量中,即式1和式2中的也为二分类型的,那么自变量与事件发生概率之间存在非线性关系,而线性概率模型那么不能拟合这种非线性关系,对于这类问题的估计较常用的模型有Logit模型和Probit模型,本文采用Probit模型对股市收益率与各因素之间的关系进行回归。
三、回归分析
首先分别用线性概率模型、Logit模型和Probit模型对股市收益率与各因素之间的关系进行回归。
对于三种模型预测正确率进行考察,其中线性概率模型:RMSE=0.446384,MAE=0.406925,MAPE=20.76666;Logit模型:RMSE=0.446088,MAE=0.396176,MAPE=19.80880;Probit模型:RMSE=0.445861,MAE=0.395306,MAPE=19.66048。通过比拟可以看出,Probit模型三个数值都较小,所以选择Probit模型进行分析效果最好。三种方法进行回归的方程分别如下:
线性概率模型回归方程:
SHY=0.272232327946+0.388367967573xJE+0.0168264732 392xHB-0.145452644877xZHBJ
Logit模型回归方程:
SHY=1-@CLOGISTIC〔-〔-1.25139580328+2.09292264628xJE+0.0928861998879xHB-0.737516585945xZHBJ〕〕
Probit模型回归方程:
SHY=1-@CLOGISTIC〔-〔-1.25139580328+2.09292264628xJE+0.0928861998879xHB-0.737516585945xZHBJ〕〕
四、结论与建议
本文采用Probit模型对股市收益率与股市成交金额环比增长率、M2同比增长率以及作为虚拟变量的存款准备金率进行回归分析,结合Probit模型回归方程可以看出,股市成交金额环比增长率与M2同比增长率在5%的显著性水平下通过了检验,虚拟变量存款准备金率调整与否也可以认为是显著的。2023年1至12月份的相关回归数据,将其带入Probit模型回归方程,并通过查正态分布累积分布表可以得到相应的预测值SHYF。
在SHY为1的情况下,如果SHYF的值大于50%,表示拟合准确,SHY为0的情况下,SHYF小于50%表示拟合准确,反之拟合失败。本文中共选用了180个样本,其中拟合准确的为122个,准确率到达了67.78%。
参考文献:
[1]李子奈,潘文卿.计量经济学〔第二版〕[M].高等教育出版社,第139-145页.
作者简介:王新新〔1987—〕,女,内蒙古赤峰人,江苏紫金农村商业银行股份江宁支行办事员,研究方向:企业技术创新,产品差异化与空间竞争。