混頻數(shù)據(jù)的計(jì)量經(jīng)濟(jì)學(xué)方法：理論與應(yīng)用.pdf

1、考慮大型數(shù)據(jù)所包含信息的計(jì)量經(jīng)濟(jì)模型近年來(lái)受到廣泛關(guān)注。一方面決策者需要實(shí)時(shí)地評(píng)估經(jīng)濟(jì)的當(dāng)前狀況及其預(yù)期發(fā)展，然而可用的信息是不完整的。大型實(shí)時(shí)數(shù)據(jù)集的產(chǎn)生主要有以下兩個(gè)特點(diǎn):一是可用指標(biāo)具有不同采樣頻率;二是“粗糙邊緣”問(wèn)題，該問(wèn)題的產(chǎn)生是由于發(fā)布時(shí)間的滯后而導(dǎo)致一些變量的樣本末端值缺失。
　　第1章為全文的緒論部分。我們首先介紹了全文的研究背景，研究的目的與意義;然后，我們交代了全文的研究框架與分析方法，以及本文的主要?jiǎng)?chuàng)新點(diǎn)和

2、不足之處。為之后各章的具體研究做好鋪墊。
　　在第2章中，我們主要回顧處理混頻數(shù)據(jù)的計(jì)量經(jīng)濟(jì)學(xué)模型。典型的計(jì)量經(jīng)濟(jì)學(xué)回歸方程處理的是具有相同采樣頻率的變量。為保持頻率相同，研究人員要么將高頻觀測(cè)值加總為最低頻率，要么對(duì)低頻數(shù)據(jù)進(jìn)行插值以得到最高頻率。在實(shí)證應(yīng)用中，前者為最常用的方法，高頻數(shù)據(jù)通過(guò)平均或者取一個(gè)代表值（例如每個(gè)季度的最后一個(gè)月）而降為最低頻率。這種對(duì)數(shù)據(jù)進(jìn)行“預(yù)過(guò)濾”而使得預(yù)測(cè)方程左側(cè)和右側(cè)變量成為同頻率的方法有一個(gè)

3、潛在的問(wèn)題，就是可能會(huì)破壞高頻數(shù)據(jù)中大量的有用信息。因此，對(duì)混頻數(shù)據(jù)進(jìn)行直接建模是十分必要的。我們重點(diǎn)討論混頻數(shù)據(jù)文獻(xiàn)中的主流方法:混頻數(shù)據(jù)取樣(MIxd DAta Sampling，即MIDAS)方法。該方法基于分布滯后多項(xiàng)式，形式簡(jiǎn)明，可以靈活處理不同頻率的數(shù)據(jù)，并且可以對(duì)低頻變量進(jìn)行直接預(yù)測(cè)。其次，我們利用狀態(tài)空間方法討論混頻向量自回歸(MF-VAR)模型和混頻因子模型。這兩類(lèi)方法都系統(tǒng)地描述了因變量和作為解釋變量的預(yù)測(cè)指標(biāo)之間的

4、動(dòng)態(tài)關(guān)系，而且卡爾曼濾波方法的使用不但能提供對(duì)未來(lái)觀測(cè)值的預(yù)測(cè)，而且能夠被用來(lái)估計(jì)當(dāng)前的潛在狀態(tài)。一個(gè)自然的拓展是將因子方法和MIDAS模型結(jié)合起來(lái)，即將因子視為解釋變量，以探究大型混頻數(shù)據(jù)中的信息對(duì)預(yù)測(cè)的影響，該方法被稱(chēng)為因子—MIDAS方法。
　　在第3章中，我們?cè)凇邦A(yù)測(cè)”(Forecasting)及“實(shí)時(shí)預(yù)報(bào)”(Nowcasting)兩種情境下分別使用MIDAS方法研究高頻股票收益率對(duì)產(chǎn)出增長(zhǎng)率和通貨膨脹率的預(yù)測(cè)精度。我們采

5、用近年來(lái)新提出的頻域?yàn)V波器(Frequency Domain Filter)對(duì)股票收益率進(jìn)行過(guò)濾，以排除季度趨勢(shì)及高頻噪音對(duì)預(yù)測(cè)精度的影響。同時(shí)，我們使用從實(shí)際數(shù)據(jù)所估算出來(lái)的MIDAS權(quán)重參數(shù)對(duì)高頻股票數(shù)據(jù)進(jìn)行加總。我們發(fā)現(xiàn)MIDAS預(yù)測(cè)模型對(duì)美國(guó)和新加坡兩國(guó)通貨膨脹率具有相當(dāng)好的預(yù)測(cè)精度。與此同時(shí)，使用頻域?yàn)V波過(guò)濾過(guò)的高頻股票收益率對(duì)新加坡的通貨膨脹率預(yù)測(cè)相比未過(guò)濾的股票數(shù)據(jù)具有更高的精度，而兩者對(duì)美國(guó)通貨膨脹率的預(yù)測(cè)精度則相反;在

6、對(duì)產(chǎn)出增長(zhǎng)的預(yù)測(cè)方面，MIDAS預(yù)測(cè)模型對(duì)新加坡產(chǎn)出增長(zhǎng)的“實(shí)時(shí)預(yù)報(bào)”相比基準(zhǔn)預(yù)測(cè)模型表現(xiàn)出更高的精度，然而對(duì)美國(guó)產(chǎn)出增長(zhǎng)率的預(yù)測(cè)，我們不能得出類(lèi)似的結(jié)論。
　　在第4章中，我們把重點(diǎn)放在MIDAS方法對(duì)波動(dòng)性的預(yù)測(cè)上。預(yù)測(cè)波動(dòng)性的三個(gè)主要應(yīng)用領(lǐng)域?yàn)橘Y產(chǎn)定價(jià)、風(fēng)險(xiǎn)管理以及資產(chǎn)組合管理。風(fēng)險(xiǎn)管理的很大一部分是衡量資產(chǎn)組合的未來(lái)潛在損失，而為了測(cè)度這些潛在的損失，我們必須估計(jì)未來(lái)的波動(dòng)性和相關(guān)性。MIDAS回歸模型允許我們對(duì)不同頻率的

7、觀測(cè)值進(jìn)行緊湊參數(shù)化的回歸。通過(guò)對(duì)四個(gè)發(fā)達(dá)國(guó)家和四個(gè)新興經(jīng)濟(jì)體每周的股票市場(chǎng)波動(dòng)率進(jìn)行分析，我們發(fā)現(xiàn)跨期資本資產(chǎn)定價(jià)(ICAPM)模型在成熟市場(chǎng)有良好的適用性，而在市場(chǎng)波動(dòng)相對(duì)較大的國(guó)家或地區(qū)則不必然成立。通過(guò)采納波動(dòng)性預(yù)測(cè)文獻(xiàn)中常用的三個(gè)預(yù)測(cè)指標(biāo)（每日平方收益率、每日絕對(duì)收益率以及每日范圍）并利用八個(gè)股票市場(chǎng)的實(shí)際數(shù)據(jù)對(duì)每周股票波動(dòng)率進(jìn)行樣本內(nèi)回歸和樣本外預(yù)測(cè)，我們發(fā)現(xiàn)“每日絕對(duì)收益率”的預(yù)測(cè)精度是三個(gè)預(yù)測(cè)指標(biāo)當(dāng)中最高的，其次是“每日

8、范圍”，而波動(dòng)性預(yù)測(cè)文獻(xiàn)中常被引用的“每日平方收益率”的預(yù)測(cè)表現(xiàn)則是三者中最糟糕的。
　　在第5章中，我們介紹了在缺失觀測(cè)值的情況下如何估計(jì)MF—VAR模型以及因子模型，及利用混頻數(shù)據(jù)（包括可能的粗糙邊緣結(jié)構(gòu)）對(duì)產(chǎn)出增長(zhǎng)率進(jìn)行“實(shí)時(shí)預(yù)報(bào)”和預(yù)測(cè)的計(jì)量經(jīng)濟(jì)學(xué)模型。我們?cè)诒菊轮薪榻B的模型有:混合數(shù)據(jù)取樣(MIDAS)模型、MF-VAR模型，以及混頻因子模型。我們探討了在這三種模型中分別如何獲得產(chǎn)出增長(zhǎng)率的月度預(yù)測(cè)值的方法。
　　

9、在第6章中我們對(duì)全文進(jìn)行了總結(jié)。我們的研究表明，混頻數(shù)據(jù)有很重要的作用，且使用允許不同頻率和考慮數(shù)據(jù)實(shí)時(shí)性的有關(guān)方法能夠改善我們的預(yù)測(cè)結(jié)果。狀態(tài)空間模型是一個(gè)體系方法，并允許估計(jì)缺失的高頻數(shù)據(jù)，這得益于卡爾曼濾波器的使用。MIDAS模型對(duì)錯(cuò)誤識(shí)別相比橋接方程和狀態(tài)空間方法而言似乎更加穩(wěn)健，而且MIDAS方法的計(jì)算量相對(duì)較少。
　　總之，研究處理混頻數(shù)據(jù)的計(jì)量經(jīng)濟(jì)學(xué)模型是一個(gè)非常受歡迎的研究主題，特別是在“大數(shù)據(jù)”理念深入人心的今天