第五章

極值事件、分位數(shù)回歸與金融風(fēng)險

本章導(dǎo)讀

學(xué)習(xí)目標(biāo)理解極值事件內(nèi)涵并掌握風(fēng)險度量指標(biāo)VaR和ES的各種計算方法，能通過方法的比較選擇合適的模型應(yīng)用分析；了解系統(tǒng)性風(fēng)險度量方法，能計算出各種衡量系統(tǒng)性風(fēng)險的指標(biāo)用于分析金融市場；了解我國系統(tǒng)性風(fēng)險狀況，讓學(xué)生樹立金融風(fēng)險意識并從中發(fā)現(xiàn)我國政府對金融風(fēng)險監(jiān)管的大國責(zé)任。5.1極值事件概述5.2金融風(fēng)險計量指標(biāo)VaR和ES5.3風(fēng)險度量制5.4基于GARCH模型的VaR計算5.5基于極值理論的VaR計算5.6分位數(shù)回歸模型與金融風(fēng)險計量5.7系統(tǒng)性金融風(fēng)險計量模型專題5中國系統(tǒng)性金融風(fēng)險評估報告目錄CONTENTS極值事件概述5.1

5.1極值事件概述極值理論的應(yīng)用始于工程設(shè)計，現(xiàn)已廣泛應(yīng)用于金融、保險、水利、氣象等各個方面。金融領(lǐng)域的極值事件，就是那些發(fā)生概率很低，難以對其做出預(yù)測，且又對金融業(yè)造成重大影響的(有時是毀滅性的)事件。極值事件也稱為極端事件或稀有事件(RareEvent)，也就是金融業(yè)里面常常說到的所謂“黑天鵝事件”。

5.1.1“87股災(zāi)”(又稱“黑色星期一”)道·瓊斯指數(shù)跌幅22.6%日經(jīng)225指數(shù)跌幅為14.9%香港恒生指數(shù)跌幅為11.3%新加坡海峽時報指數(shù)跌幅為12.4%澳大利亞普通股價格指數(shù)跌幅為3.7%?！?7”股災(zāi)期間道瓊斯指數(shù)收盤價變化

5.1.2亞洲金融危機1997年7月2日亞洲金融風(fēng)暴席卷泰國，不久后這場風(fēng)暴波及馬來西亞、新加坡、日本、韓國和中國等地，導(dǎo)致泰國印尼、韓國等國家的貨幣大幅貶值，同時造成亞洲主要股市大幅下跌。但在中國中央政府的強有力支持下，香港地區(qū)迅速從危機中走了出來。此外，為了維持人民幣匯率穩(wěn)定，外匯管理部門采取了一系列措施，保護了外匯市場的穩(wěn)定，這體現(xiàn)了中國在亞洲金融危機中的大國責(zé)任。

5.1.3美國次貸危機2007年4月美國第二大次級房貸公司破產(chǎn)，暴露了次級抵押債券風(fēng)險。2007年8月美聯(lián)儲開始向金融體系注入流動性，這使得美國股市維持在高位。2008年8月，美國房貸兩大巨頭——房利美和房地美股價暴跌，持有“兩房”債券的金融機構(gòu)大面積虧損，從美國次貸危機后來演變?yōu)槿蛐越鹑谖C，蒸發(fā)了世界百分之五十的股價。

5.1.42015年中國“股災(zāi)”2015年上半年中國股市如火如荼，但到了6月份股市泡沫開始破裂，A股在一個月內(nèi)跌去三分之一市值。2016年1月4日A股開始實施熔斷機制，但當(dāng)天A股下跌7%，1月7日開盤不到半小時A股再次熔斷提前收盤。美國次貸危機和2015年中國“股災(zāi)”期間上證指數(shù)收益率變化圖金融風(fēng)險計量指標(biāo)VaR和ES5.2

5.2.1在險價值(VaR)提出背景：一是傳統(tǒng)的資產(chǎn)負(fù)債管理依賴財務(wù)報表，缺乏時效性；二是利用方差及β系數(shù)來衡量金融風(fēng)險過于抽象，而且其反映的只是市場(或資產(chǎn))波動幅度，且資本資產(chǎn)定價模型(CAPM)還存在無法結(jié)合金融衍生品的不足。傳統(tǒng)方法無法準(zhǔn)確定義和度量金融風(fēng)險時，G30集團在研究衍生品種基礎(chǔ)上，于1993年發(fā)表了題為《衍生產(chǎn)品的實踐和規(guī)則》報告，提出了度量市場風(fēng)險的VaR。

5.2.1在險價值(VaR)

5.2.1在險價值(VaR)PDF——概率密度函數(shù)CDF——累積分布函數(shù)

5.2.1在險價值(VaR)定義

5.2.1VaR參數(shù)選擇時間期限的選?。阂皇撬P(guān)注的風(fēng)險期限。關(guān)注短期風(fēng)險或是長期風(fēng)險；二是交易活躍程度。資產(chǎn)的變化程度越大，其選取的時間范圍越小。置信度的選擇與公司容忍度有關(guān)。商業(yè)銀行和保險機構(gòu)的損失容忍度較低，而投資公司的容忍度較高一些。分布函數(shù)的選擇對度量VaR至關(guān)重要，常用的分布函數(shù)主要有正態(tài)分布、學(xué)生t分布和標(biāo)準(zhǔn)t分布等。頭寸的盯市價值。

5.2.1VaR的缺陷VaR不是一致性風(fēng)險度量，即不滿足轉(zhuǎn)移不變性、正齊次性、次可加性和單調(diào)性這四個條件，其中最重要的一點是次可加性。VaR只表明了一定持有期和置信度條件下資產(chǎn)組合的最大損失，但其忽略了風(fēng)險度量中需要重點強調(diào)的尾部風(fēng)險，這往往會導(dǎo)致VaR低估實際風(fēng)險。VaR方法在金融資產(chǎn)正常波動時期是有效的，當(dāng)出現(xiàn)極端情況或發(fā)生異常波動時，VaR的風(fēng)險測度很可能失去準(zhǔn)確性，因此VaR的適用范圍存在局限性。

5.2.2期望損失(ES)風(fēng)險度量制5.3

5.3風(fēng)險度量制

5.3風(fēng)險度量制

5.3風(fēng)險度量制

5.3風(fēng)險度量制

5.3風(fēng)險度量制

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>sb=data.frame(da$date,da$return,sigma=c(0))>sb$da.return=-log(sb$da.return+1)*100>for(iin1:(length(sb$da.return)-1)){sb$sigma[i+1]=0.94*sb$sigma[i]+0.06*(sb$da.return[i]^2)}>pred=0.94*sb$sigma[length(sb$da.return)]+0.06*(sb$da.return[length(sb$da.return)]^2)>predict.view=data.frame(predict=c('predict(1)'),value=c(sqrt(pred)))>predict.view

R代碼（調(diào)用函數(shù)RMfit.R）>da1=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>da2=da1$return>da=na.omit(da2)>source("E://jrjl/Chapter5/RMfit.R")>library(fGarch)>VaR.ES=Rmfit(da)>VaR.ES基于GARCH模型的VaR計算5.4

5.4.1正態(tài)分布下的GARCH-VaR

5.4.1正態(tài)分布下的GARCH-VaR

5.4.1正態(tài)分布下的GARCH-VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(fGarch)#安裝fGarch添加包>return=-log(da$return+1)*100>m1=garchFit(~1+garch(1,1),data=return,trace=F)>summary(m1)>predict(m1,1)>source("RMeasure.R")>m11=RMeasure(.0101,.8730)

5.4.2t分布下的GARCH-VaR

5.4.2t分布下的GARCH-VaR

5.4.2t分布下的GARCH-VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(fGarch)>return=-log(da$return+1)*100>m2=garchFit(~1+garch(1,1),data=return,trace=F,cond.dist="std")>summary(m2)>qstd(0.95,nu=3.4)>predict(m2,1)>source("RMeasure.R")>m22=RMeasure(.0386,.9370,cond.dist="std",df=3.4)

R代碼summary(m2)Title:GARCHModellingCall:garchFit(formula=~1+garch(1,1),data=return,cond.dist="std",trace=F)

MeanandVarianceEquation:data~1+garch(1,1)<environment:0x000001e5992def60>[data=return]

ConditionalDistribution:std

Coefficient(s):muomegaalpha1beta1shape0.0386360.0956440.1263400.8254553.404649

Std.Errors:basedonHessianErrorAnalysis:EstimateStd.ErrortvaluePr(>|t|)mu0.038640.023641.6350.102129omega0.095640.030713.1140.001843**alpha10.126340.032633.8720.000108***beta10.825450.0353323.367<2e-16***shape3.404650.364179.349<2e-16***---Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1

LogLikelihood:-1763.187normalized:-1.432321

Description:WedOct1809:30:422023byuser:歐陽

StandardisedResidualsTests:Statisticp-ValueJarque-BeraTestRChi^21228.6510Shapiro-WilkTestRW0.94288410Ljung-BoxTestRQ(10)18.965670.04070086Ljung-BoxTestRQ(15)22.281670.1006283Ljung-BoxTestRQ(20)30.14730.0675018Ljung-BoxTestR^2Q(10)7.1308080.7130409Ljung-BoxTestR^2Q(15)10.126230.8117257Ljung-BoxTestR^2Q(20)11.962340.9173662LMArchTestRTR^28.0203270.7835399

InformationCriterionStatistics:AICBICSICHQIC2.8727662.8935442.8727332.880583

>plot(m2)

Makeaplotselection(or0toexit):

1:TimeSeries2:ConditionalSD3:Serieswith2ConditionalSDSuperimposed4:ACFofObservations5:ACFofSquaredObservations6:CrossCorrelation7:Residuals8:ConditionalSDs9:StandardizedResiduals10:ACFofStandardizedResiduals11:ACFofSquaredStandardizedResiduals12:CrossCorrelationbetweenr^2andr13:QQ-PlotofStandardizedResiduals

Selection:13基于極值理論的VaR計算5.5

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

5.5.1廣義極值分布

R代碼>Density=function(x){exp(-x-exp(-x))}>curve(Density,xlim=c(-10,10),ylim=c(0,0.6),lty=1)>Density1=function(x){((1+0.5*x)^(-3))*exp(-(1+0.5*x)^(-2))}>curve(Density1,-2,10,xlim=c(-10,10),ylim=c(0,0.6),lty=3,add=T)>Density2=function(x){(1-0.5*x)*exp(-(1-0.5*x)^2)}>curve(Density2,-10,2,xlim=c(-10,10),ylim=c(0,0.6),lty=6,add=T)>text.legend=c(expression(paste(xi,"=1的Gumbel分布")),expression(paste(xi,"=-0.5的Weibull分布")),expression(paste(xi,"=0.5的Frechet分布")))>legend("topright",legend=text.legend,lty=c(1,6,3))

5.5.1廣義極值分布的參數(shù)估計

5.5.1廣義極值分布的參數(shù)估計

5.5.1廣義極值分布的參數(shù)估計

5.5.1廣義極值分布的參數(shù)估計

5.5.2GEV模型與VaR

5.5.2GEV模型與VaR

5.5.2GEV模型與VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)*100>xt=-hxyh>m1=gev(xt,block=21)>m1

R代碼dibmln<-read.table("D://jrjl/Chapter5/Lect/d-ibm6298.txt",header=T)dibm1=-dibmln$rtnlength(dibm1)dibm2=-dibm1[56:9190](#why?)d.ibm=rep(0,145)for(iin1:145){d.ibm[i]=max(dibm2[(63*(i-1)+1):(63*i)]) }dibm.gev.quarterly=gev(d.ibm)dibm.gev.quarterly$par.ests:xisigmamu0.2766550.0099150.025926$par.ses:xisigmamu0.0708110.0006820.000894>plot(m1)>2

5.5.3廣義帕累托模型

5.5.3廣義帕累托模型

5.5.3廣義帕累托模型

5.5.3閾值的選取

5.5.3平均超出函數(shù)

5.5.3廣義帕累托模型

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>hxyh=-log(da[,2]+1)*100>library(evir)>meplot(hxyh)

5.5.4GPD模型與VaR

5.5.4GPD模型與VaR

5.5.4GPD模型與VaR

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)>xt=-hxyh>m1=gpd(xt,threshold=0.01)>m1>plot(m1)>riskmeasures(m1,c(0.95,0.99))$par.ests

xi

beta

0.200250587

0.007282603$par.ses

xi

beta

0.0985145303

0.0008691856Makeaplotselection(or0toexit):1:plot:ExcessDistribution2:plot:TailofUnderlyingDistribution3:plot:ScatterplotofResiduals4:plot:QQplotofResiduals

R代碼>da=read.table("E://jrjl/Chapter5/huaxiayinhang.txt",header=T)>library(evir)>hxyh=log(da$return+1)>xt=-hxyh>m2=pot(xt,threshold=0.01)>m2>plot(m2)>riskmeasures(m2,c(0.95,0.99))$par.ests

xi

sigma

mu

beta

0.2001933280.004842571-0.0021981500.007284559$par.ses

xi

sigma

mu

0.05323259740.00058984340.0011159621分位數(shù)回歸模型與金融風(fēng)險計量5.65.6.1分位數(shù)回歸模型

5.6.1分位數(shù)回歸模型5.6.1分位數(shù)回歸模型5.6.1分位數(shù)回歸模型5.6.2分位數(shù)回歸模型的估計方法

由于分位數(shù)回歸的目標(biāo)函數(shù)帶有絕對值，因此通常采用線性規(guī)劃求解估計值。

5.6.2分位數(shù)回歸模型的估計方法

在實際應(yīng)用中，我們可以很容易地使用R語言的quantreg包進行分位數(shù)回歸估計。5.6.3分位數(shù)回歸模型估計值的解釋對于線性回歸模型而言，擬合系數(shù)可解釋為估計效應(yīng)，即因變量分布變化的均值情況，而均值變化來源于一個連續(xù)型自變量的單位增量，或者虛擬變量從0到1的變化。每一種變化都可理解為參照組和比較組在均值上的估計差異。對分位數(shù)回歸的解釋與上述類似，即參照組和比較組在特定分位數(shù)上的估計差異，當(dāng)控制變量保持不變時，這一估計差異來源于自變量的單位增量，或者來源于虛擬變量從0到1的變化。5.6.3條件均值與條件中位數(shù)中位數(shù)回歸是分位數(shù)回歸的一種，它用于表達在特定自變量下因變量的條件中位數(shù)，并且中位數(shù)回歸可作為擬合條件均值的一種替代方法，兩種模型可進行對比。表5-2展示了滬深300指數(shù)收益率對中國銀行股票收益率的估計系數(shù)，括號內(nèi)為t統(tǒng)計值。為便于比較，我們也展示了線性回歸OLS估計結(jié)果。表5-2分位數(shù)回歸系數(shù)估計值

OLS5%10%15%20%HS3000.5340.6440.5230.4880.469

(34.60)(19.39)(37.79)(42.71)(35.74)

50%80%85%90%95%HS3000.4470.4540.4650.4900.555

(41.80)(44.22)(85.77)(32.05)(13.74)5.6.3條件均值與條件中位數(shù)圖5-10展示了不同分位點上滬深300指數(shù)收益率對中國銀行股票收益率的估計系數(shù)（黑色實線），其中x軸為分位點，y軸為估計系數(shù)，中間黑色虛線為OLS估計結(jié)果。圖5-10估計系數(shù)的分位數(shù)變化R代碼>rm(list=ls())>library("openxlsx")>library("quantreg")>Data=read.xlsx("E:/jrjl/Chapter7/ex1_Data.xlsx",detectDates=TRUE)>y=Data$中國銀行>x=Data$HS300>tau=c(0.05,0.1,0.15,0.2,0.5,0.8,0.85,0.9,0.95)>Res=rq(y~x,tau=tau)>plot(summary(Res))5.6.4極值分位數(shù)回歸模型傳統(tǒng)分位數(shù)回歸模型假設(shè)收益率滿足正態(tài)分布，未考慮金融時間序列數(shù)據(jù)的“厚尾”特征，而極值分位數(shù)回歸（ExtremalQuantileRegression，簡稱EQR）假設(shè)因變量的尾部分布具有帕累托（Pareto-type）行為，可更好擬合金融時間序列數(shù)據(jù)。假設(shè)存在如下條件分位數(shù)函數(shù)：

極值分位數(shù)回歸的估計和推理方法較為復(fù)雜，在這里我們不做過多闡述，感興趣的讀者可以參考《HandbookofQuantileRegression》這本書。5.6.4極值分位數(shù)回歸模型例5.6

沿用表5-2數(shù)據(jù)，圖5-11展示了QR估計的置信區(qū)間和EQR估計的置信區(qū)間。中間部分兩者無顯著差異，但在兩側(cè)尾部QR置信區(qū)間要窄于EQR置信區(qū)間，這種差異表明QR估計低估了數(shù)據(jù)的尾部變化，可能對極端風(fēng)險的刻畫存在不足。圖5-11QR置信區(qū)間和EQR置信區(qū)間比較R代碼>rm(list=ls())>library(quantreg)>library(foreign)>library("openxlsx")>source("R-progs.R")>Data=read.xlsx("E:/jrjl/Chapter7/ex1_Data.xlsx",detectDates=TRUE)>Y=Data$中國銀行>X=Data$HS300>s=c("Intercept","HS300")>p=length(s)>alpha=.10>subsample.size=floor(50+sqrt(length(Y)))>subsample.fraction=subsample.size/length(Y)>taus=(1:199)/200R代碼>fit.central=as.data.frame(matrix(0,ncol=3,nrow=199))>fit.extreme=as.data.frame(matrix(0,ncol=3,nrow=199))>for(iin1:length(taus)){fit=rq(Y~X,tau=taus[i])central=summary.rq(fit,se="ker")fit.central[i,1]=central$coefficients[2,1]fit.central[i,2]=central$coefficients[2,1]+qnorm(alpha/2)*central$coefficients[2,2]fit.central[i,3]=central$coefficients[2,1]+qnorm(1-alpha/2)*central$coefficients[2,2]extreme =summary.rq.extreme(fit,subsample.fraction=subsample.fraction,R=500,method="br",alpha=alpha,spacing=5+p)fit.extreme[i,1]=extreme$coefficients[2,5]fit.extreme[i,2]=extreme$coefficients[2,3]fit.extreme[i,3]=extreme$coefficients[2,4]}R代碼#Plotextremeregions>plot(c(0,1),xlim=c(0,1),type="n",xlab=expression(tau),ylab="Coefficient")lines(taus,smooth(fit.extreme$V2),col=4,lwd=1.5,lty=1)lines(taus,smooth(fit.extreme$V3),col=4,lwd=1.5,lty=1)abline(h=0)#Plotestimatesandcentralregionslines(taus,fit.central$V1,col=1,lwd=1.5,lty=1)lines(taus,smooth(fit.central$V2),col=2,lwd=1.5,lty=2)lines(taus,smooth(fit.central$V3),col=2,lwd=1.5,lty=2)5.6.5分位數(shù)回歸模型與金融風(fēng)險計量

5.6.5分位數(shù)回歸與系統(tǒng)性風(fēng)險在給定分位數(shù)的情形下，我們可得到金融機構(gòu)i的在險價值VaR和條件在險價值CoVaR：

進一步可計算金融機構(gòu)i的條件在險價值差ΔCoVaR：

5.6.5分位數(shù)回歸與系統(tǒng)性風(fēng)險

圖5-12中國銀行ΔCoVaRR代碼>rm(list=ls())>library("openxlsx")>library("quantreg")>Data=read.xlsx("E:/jrjl/Chapter7/ex4_Data.xlsx",detectDates=TRUE)>Ins_y=Data$中國銀行>Market_y=Data$HS300>State=Data[,4:8]>State=as.matrix(State)>Res_Ins_50=rq(Ins_y~State,tau=0.5)>Res_Ins_5=rq(Ins_y~State,tau=0.05)>Res_Market_5=rq(Market_y~Ins_y+State,tau=0.05)>dcovar=Res_Market_5$coefficients[2]*(Res_Ins_5$fitted.values-Res_Ins_50$fitted.values)>plot(abs(dcovar),type="l")

系統(tǒng)性金融風(fēng)險計量模型5.7

5.7.1系統(tǒng)性金融風(fēng)險定義

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)【例5.8】選取滬深300指數(shù)作為金融系統(tǒng)收益率指標(biāo)，平安銀行對數(shù)收益率作為研究樣本，計算CoVaR與ΔCoVaR。時間區(qū)間為2014年1月2日至2021年12月31日，數(shù)據(jù)均來源于Wind數(shù)據(jù)庫。圖5-13展示了計算結(jié)果。

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)2015年“股災(zāi)”期間與2020年新冠肺炎疫情沖擊時期，平安銀行的系統(tǒng)性風(fēng)險顯著上升。圖5-13平安銀行條件在險價值動態(tài)變化圖

R代碼library(xts)library(rugarch)library(rmgarch)>data<-read.csv('E://jrjl/Chapter5/PA.csv',header=T)>DATE<-data[,1]>date<-as.Date(DATE)>da<-data[,-1]>lnda<-log(da)>tlnda<-as.xts(lnda,date)>logr<-diff(tlnda)#計算對數(shù)收益率>logret<-logr[-1,]>rets<-scale(logret,center=T,scale=F)###中心化數(shù)據(jù)>garch11.spec<-ugarchspec(mean.model=list(armaOrder=c(0,0)),variance.model=list(garchOrder=c(1,1),model="sGARCH"),distribution.model="sstd")###均值>dcc.garch11.spec=dccspec(uspec=multispec(replicate(2,garch11.spec)),dccOrder=c(1,1),distribution="mvt")>garch.fit<-ugarchfit(garch11.spec,data=rets[,2],solver="solnp")>mean<-mean(rets[,2]-residuals(garch.fit))>dcc.fit<-dccfit(dcc.garch11.spec,data=rets,solver="solnp")##dcc>dcc<-rcor(dcc.fit)[1,2,]>ma<-dcc.fit@model[["sigma"]][,1]>id<-dcc.fit@model[["sigma"]][,2]>skew=dcc.fit@mfit[["coef"]][["[平安].skew"]]>shape=dcc.fit@mfit[["coef"]][["[平安].shape"]]>dccVaRidown=mean+id*qdist("sstd",p=0.05,mu=0,sigma=1,skew=skew,shape=shape)>dccVaRi50=mean+id*qdist("sstd",p=0.50,mu=0,sigma=1,skew=skew,shape=shape)>deltadcccovar=-dcc*ma/id*(dccVaRidown-dccVaRi50)###結(jié)果>dcccovar=-dcc*ma/id*dccVaRidown>dates<-date[-1]>plot(dates,dcccovar,type="l",lty=1,main="",lwd=1,xlab="CoVaR",ylab="")###可視化>plot(dates,deltadcccovar,type="l",lty=1,main="",lwd=1,xlab="ΔCoVaR",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

【例5.9】MES的測算。沿用例5.8數(shù)據(jù)，采用邊際期望損失(MES)方法測度平安銀行在2014年-2021年的系統(tǒng)性風(fēng)險。圖5-14平安銀行MES動態(tài)變化圖MES與CoVaR的變動趨勢相似，同時2014-2016年“股災(zāi)”時期，平安銀行的邊際期望損失震蕩更為劇烈，可見股市的異常波動給銀行MES帶來較大的影響。

R代碼>MES=function(data,ma,id,rc){###在上一步的基礎(chǔ)上運行c<-quantile(data$index,0.05)em<-(data$index)/maxi<-(((data$平安)/id)-rc*em)/sqrt(1-rc^2)bwd<-1*(nrow(data)^(-0.2))K1<-sum(em*(pnorm(((c/ma)-em)/bwd)))/sum(pnorm(((c/ma)-em)/bwd))K2<-sum(xi*(pnorm(((c/ma)-em)/bwd)))/sum(pnorm(((c/ma)-em)/bwd))mes<-(id*rc*K1)+(id*sqrt(1-rc^2)*K2)return(mes)}>mes<--MES(data=rets,ma=ma,id=id,rc=dcc)>plot(dates,mes,type="l",lty=1,main="",lwd=1,xlab="MES",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)【例5.10】

SRISK的測算。沿用例5.8數(shù)據(jù)，采用系統(tǒng)性金融風(fēng)險指數(shù)(SRISK)測度平安銀行在2014年-2021年的系統(tǒng)性風(fēng)險。圖5-15

平安銀行SRISK動態(tài)變化圖SRISK在2015-2016年“股災(zāi)”時期及2020年新冠肺炎疫情時期波動顯著，特別是在2020年初平安銀行的SRISK值急劇上升，可見新冠肺炎事件在短時間內(nèi)給平安銀行的系統(tǒng)性風(fēng)險帶來了較大的沖擊。

R代碼>k=0.115###上一步的基礎(chǔ)上運行>LTQ1<-read.csv("E://jrjl/Chapter5/pLTQ.csv",header=T)>MV1<-read.csv("E://jrjl/Chapter5/pMV.csv",header=T)>LTQ<-LTQ1[-1]>MV<-MV1[-1]>lrmes<-1-exp(-18*mes)>sRISK1<-k*LTQ-(1-k)*(1-lrmes)*MV>SRISK<-as.matrix(sRISK1/100000000000000)>plot(dates,SRISK,type="l",lty=1,main="",lwd=1,xlab="SRISK",ylab="")

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)

5.7.2系統(tǒng)性金融風(fēng)險計量指標(biāo)專題5中國系統(tǒng)性金融風(fēng)險評估報告

專題5中國系統(tǒng)性金融風(fēng)險評估報告風(fēng)險與金融相伴而生，隨著我國金融業(yè)發(fā)展壯大，風(fēng)險種類增多，復(fù)雜性增強，風(fēng)險后果也更加嚴(yán)重，這就要求各級政府要把主動防范化解系統(tǒng)性金融風(fēng)險放在更加重要的位置，堅決守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線。本專題在宏微觀兩個維度上監(jiān)測我國系統(tǒng)性金融風(fēng)險的動態(tài)變化，旨在識別經(jīng)濟運行過程中潛在的高風(fēng)險點，為后續(xù)經(jīng)濟金融政策提供科學(xué)的參考依據(jù)。

專題5中國系統(tǒng)性金融風(fēng)險評估報告樣本選?。汉暧^分析樣本：包括金融業(yè)與房地產(chǎn)業(yè)的231家個體上市機構(gòu)；微觀分析樣本：包括25家銀行、25家證券公司及4家保險公司，共54家上市金融機構(gòu)樣本區(qū)間：2014年1月4日至2021年12月31日，數(shù)據(jù)來源于Wind數(shù)據(jù)庫引入金融巨災(zāi)風(fēng)險指標(biāo)(CATFIN)、邊際期望損失值(MES)、條件在險價值(ΔCoVaR)以及系統(tǒng)性風(fēng)險指標(biāo)(SRISK)，結(jié)合公開宏觀經(jīng)濟數(shù)據(jù)，度量我國系統(tǒng)性金融風(fēng)險水平

專題5中國系統(tǒng)性金融風(fēng)險評估報告1.宏觀層面以每個月各家機構(gòu)的月度超額收益(月度收益減去當(dāng)期無風(fēng)險收益)構(gòu)建橫截面數(shù)據(jù)庫，采用廣義帕累托分布(GPD)、廣義極值理論(GEV)和非參數(shù)方法等分別計算橫截面的極端尾部風(fēng)險，通過主成分分析法得到金融體系巨災(zāi)風(fēng)險指標(biāo)(CATFIN)，如圖5-16所示。圖5-16

中國金融體系巨災(zāi)風(fēng)險指標(biāo)(CATFIN)動態(tài)變化

專題5中國系統(tǒng)性金融風(fēng)險評估報告2.微觀層面圖5-18展示了包括銀行業(yè)、證券業(yè)和保險業(yè)在內(nèi)的54家上市金融機構(gòu)的系統(tǒng)性金融風(fēng)險的動態(tài)變化。圖5-18系統(tǒng)性金融風(fēng)險指標(biāo)的動態(tài)變化

專題5中國系統(tǒng)性金融風(fēng)險評估報告銀行、證券、保險三個部門的系統(tǒng)性風(fēng)險溢出水平的變動趨勢相似，表現(xiàn)出明顯的協(xié)同性和周期性。圖5-19不同子行業(yè)系統(tǒng)性金融風(fēng)險指標(biāo)邊際貢獻對比

專題5中國系統(tǒng)性金融風(fēng)險評估報告國有銀行的系統(tǒng)性風(fēng)險波動情況稍弱于股份制銀行與城市及農(nóng)村商業(yè)銀行。這與銀行自身抵御風(fēng)險能力有密切關(guān)系。圖5-20不同類型銀行系統(tǒng)性金融風(fēng)險邊際貢獻習(xí)題5.1收集任意一家銀行近5年數(shù)據(jù)，利用風(fēng)險度量制，計算一個價值為100萬的股票多頭頭寸的尾部概率為5%和1%的VaR和ES。5.2收集任意一家銀行近7年數(shù)據(jù)，利用GARCH-VaR模型，計算一個價值為100萬的股票多頭頭寸的尾部概率為5%和1%的VaR。5.3收集任意一家銀行近10年數(shù)據(jù)，使用極值理論分析，計算一個價值為50萬的股票多頭頭寸的尾部概率為5%和1%的VaR和ES。Theending第六章有效市場假說與事件分析法

學(xué)習(xí)目標(biāo)

熟悉有效市場假說的三種形式掌握弱有效市場假說的主要檢驗方法了解半強有效和強市場有效的檢驗方法掌握事件研究法及其在金融計量中的應(yīng)用6.1

有效市場理論

6.2有效市場假說的實證檢驗6.3事件分析法

6.4

專題6康美藥業(yè)財務(wù)造假事件分析目錄CONTENTS有效市場理論6.1

6.1.1有效市場理論的形成與發(fā)展最早提出有效市場這一觀點的是學(xué)者Gibson（1879）。他通過對基于價格形成理論的證券價格進行研究，發(fā)表《倫敦、巴黎和紐約的股票市場》一書，其中提出了與市場有效性假說相似的思想。法國數(shù)學(xué)家、經(jīng)濟學(xué)家Bachelier（1900）提出了隨機游程假說，才真正開始對有效市場進行研究。他以法國實物商品價格為研究對象，觀察價格變動，發(fā)現(xiàn)在一定時期內(nèi)，商品價格的期望值是真實值的無偏估計，這表明價格的波動沒有任何規(guī)律可言，是無法預(yù)測的。這一特征說明商品市場的收益滿足獨立同分布，價格的波動類似于布朗運動。英國著名統(tǒng)計學(xué)家MauriceKendall（1953）在其論文《經(jīng)濟時間序列分析，第一部分：價格》中指出，當(dāng)前的股票價格是前一個時點股票價格加上一個隨機擾動項構(gòu)成的，價格變化類似于隨機漫步。他以紐約、芝加哥商品交易所棉花和小麥的價格周變化規(guī)律以及19種英國工業(yè)股票價格指數(shù)為樣本數(shù)據(jù)進行相關(guān)性檢驗，研究結(jié)果表明，無法通過歷史交易數(shù)據(jù)分析來預(yù)測未來價格，價格變化具有隨機游走性。Kendall提出的投機價格序列可以用隨機游走模型很好描述的觀點是建立在觀察基礎(chǔ)之上的，但并沒有對這些假設(shè)進行合理的經(jīng)濟學(xué)解釋。

6.1.1有效市場理論的形成與發(fā)展

6.1.2有效市場假說的內(nèi)涵與假設(shè)有效市場假說的基本思想是市場是高度有效的，即市場上的資產(chǎn)價格能夠充分反映所有可得到的信息。這意味著市場上的價值準(zhǔn)確反映了所有已知信息，投資者無法依靠這些信息來獲得超額利潤。這一理論對投資者的行為和決策提出了挑戰(zhàn)，并鼓勵投資者采用長期的、基于基本面的投資策略。然而，有效市場假說也引發(fā)了對市場行為的批評，認(rèn)為市場可能存在一些偏離和非理性的行為。

有效市場假說包含以下幾個關(guān)鍵方面的內(nèi)涵：1.理性投資者：有效市場假說認(rèn)為市場上的投資者是理性的，他們計算風(fēng)險和回報，并在投資決策中權(quán)衡利弊。理性投資者將透徹分析可得到的信息，并基于這些信息進行交易。

6.1.2有效市場假說的內(nèi)涵與假設(shè)2.信息效率：有效市場假說假設(shè)市場上的信息是高度有效的。這意味著所有可得到的信息都是公開的，并且投資者都可以很容易地獲得并理解這些信息。公開信息包括公司財務(wù)報表、新聞公告、經(jīng)濟指標(biāo)等。3.反映信息：有效市場假說認(rèn)為市場上的價格是有效地反映了所有可得到的信息。這意味著市場上的價格會快速調(diào)整以反映新的信息。如果有新的信息出現(xiàn)，市場參與者會立刻調(diào)整交易策略和資產(chǎn)定價。4.無法預(yù)測：有效市場假說認(rèn)為投資者無法準(zhǔn)確地預(yù)測股票價格的未來走勢。這意味著市場上的價格變動是隨機的，無法利用歷史價格模式或技術(shù)指標(biāo)來預(yù)測未來趨勢。5.風(fēng)險和回報的平衡：有效市場假說認(rèn)為市場上的資產(chǎn)價格反映了相應(yīng)的風(fēng)險和期望回報。高風(fēng)險資產(chǎn)通常會提供更高的預(yù)期回報，而低風(fēng)險資產(chǎn)的預(yù)期回報相對較低。

6.1.2有效市場假說的內(nèi)涵與假設(shè)有效市場假說并不是無條件成立的，“天下沒有免費的午餐”，它的成立有一定的前提假設(shè)：（1）完全競爭市場，市場參與者多，對于價格他們只能被動接受而無法主動改變；（2）由理性投資者主導(dǎo)市場，可以理性的評估資產(chǎn)的價值；（3）交易隨機發(fā)生且影響可抵消，不影響價格，且交易成本為零，市場無摩擦（4）信息發(fā)布渠道暢通，所有市場參與者都能及時獲取同質(zhì)同量信息；（5）資金可以在市場中自由流動。完全理性是指投資者都是理性經(jīng)濟人，追求個人效用最大化，且對于新信息的解讀能力相同，對價值的合理預(yù)期也相同，此時，股票價格波動是投資者完全信息與理性預(yù)期的結(jié)果。如在股票市場中，有效性假說的前提假設(shè)得到滿足，可根據(jù)股票的價格來引導(dǎo)資金的流向，進行社會資源的合理配置，由于股票價格充分反映了所有可能獲取的信息，此時市場投資者可以據(jù)此做出正確的投資決策，企業(yè)也可以做出正確的生產(chǎn)與再生產(chǎn)決策，市場即為高效率，也就是說市場是有效的。

6.1.3有效市場的三種形式在一個有效市場上，與股票價格有關(guān)的各種相關(guān)信息改變時，股票價格能據(jù)此及時、準(zhǔn)確地進行調(diào)整，過度反應(yīng)與滯后反應(yīng)都說明了市場的無效。市場上充斥著各種信息，有歷史信息、公開信息、內(nèi)幕信息等。根據(jù)Roberts（1967）和Fama(1970)的研究，有效市場包含三種形式：弱式有效市場、半強式有效市場和強式有效市場，具體如圖6-1所示。

所有可能信息=強有效市場公眾可以獲得的所有信息=半強式有效市場所有歷史信息=弱有效市場圖6-1市場效率的三個層次

6.1.3有效市場的三種形式1.弱式有效市場：

弱式有效市場是有效市場假說中最基本的形式。在這種市場中，假設(shè)市場價格已經(jīng)完全反映了所有過去的價格和交易量等公開信息。換句話說，弱式有效市場假設(shè)認(rèn)為技術(shù)分析和利用過去的價格和交易量來預(yù)測未來價格的方法是無效的。

在弱式有效市場中，投資者無法通過分析價格的歷史模式或使用技術(shù)指標(biāo)來預(yù)測股票或其他資產(chǎn)的價格變動。因此，他們也無法獲得持續(xù)的超額收益。投資者只能依靠隨機走勢來決定何時買入或賣出資產(chǎn)。2.半強式有效市場：

半強式有效市場是對弱式有效市場的擴展。在半強式有效市場中，除過去的價格和交易量等公開信息，還包括所有的公共公告和公司聲明。這意味著基本面分析，如財務(wù)分析和經(jīng)濟分析，也無法提供超額收益。

在半強式有效市場中，投資者無法通過分析公開的信息來預(yù)測未來的價格走勢或選擇低估或高估的股票。即使投資者能夠獲取并分析這些信息，由于市場上的其他參與者也在進行相同的分析，資產(chǎn)價格仍然會迅速調(diào)整以反映這些信息。

6.1.3有效市場的三種形式3.強式有效市場：

強式有效市場是最嚴(yán)格的有效市場形式。在強式有效市場中，除過去的價格、交易量和公共公告等公開信息，還包括所有非公開信息，即內(nèi)幕信息。意味著投資者無法通過獲得和利用內(nèi)幕信息來獲取額外的利潤。強式有效市場假設(shè)認(rèn)為所有市場參與者都能迅速獲取并理解所有可得到的信息，包括內(nèi)幕信息。因此，即使某些投資者可能在短暫的時間內(nèi)利用內(nèi)幕信息獲得超額收益，這種行為也是非持續(xù)性的，因為市場會迅速調(diào)整價格。值得注意的是，強式有效市場的假設(shè)在現(xiàn)實中很難得到完全滿足，因為有時候內(nèi)幕交易和信息不對稱情況確實存在。有效市場理論仍然提供了一個理論框架，用于描述市場的信息反映程度和資產(chǎn)定價的特點?？偟膩碚f，有效市場假說的三種形式描述了市場中的信息反映程度和資產(chǎn)價格形成的特征。

6.1.4隨機游走模型隨機游走模型（RandomWalkModel）認(rèn)為資產(chǎn)價格的變動是不可預(yù)測的，價格的未來變動僅取決于當(dāng)前的價格水平，并且不受歷史價格變動的影響。在隨機游走模型中，價格變動被認(rèn)為是一個隨機過程，類似于布朗運動。根據(jù)隨機游走模型假設(shè)，資產(chǎn)價格可預(yù)測性是非常有限的。這意味著歷史價格數(shù)據(jù)不能提供任何有關(guān)未來價格走勢信息，因為價格未來變動與過去變動無關(guān)。隨機游走模型認(rèn)為資產(chǎn)價格變動是隨機的，不可預(yù)測的。雖然市場上存在各種預(yù)測方法，但根據(jù)該模型，預(yù)測未來價格變動能力是有限的。

6.1.4隨機游走模型1.隨機游走模型1（RW1）RW1模型是最簡單的隨機游走模型，也稱為無偏隨機游走模型。模型中，價格的變動是一隨機擾動項，遵循相同概率分布，并且在每個時間點上均獨立的。2.隨機游走模型2（RW2）RW2模型是擴展的隨機游走模型，也稱為隨機漫步模型。與RW1模型類似，RW2模型的價格變動仍是一隨機擾動項，但與RW1模型不同的是，RW2模型允許價格波動具有一定的記憶性，即過去的價格變動可能對未來的價格變動產(chǎn)生一定的影響。3.隨機游走模型3（RW3）RW3模型是進一步擴展的隨機游走模型，也稱為分?jǐn)?shù)階隨機游走模型。RW3中，價格變動不再遵循標(biāo)準(zhǔn)的隨機性，而是服從分?jǐn)?shù)階隨機過程。這種模型可更好地捕捉價格變動的長記憶特性，使得模型更符合實際市場中的觀察結(jié)果。有效市場假說的實證檢驗6.26.2.1弱有效市場的檢驗方法

6.2.1弱有效市場的檢驗方法

6.2.1弱有效市場的檢驗方法為檢驗中國股票市場是否達到弱有效，采取自相關(guān)性檢驗法。直觀上，自相關(guān)檢驗可能通過判斷第t期的收益與第t-1期、t-2期或者t-3期的收益是否存在相關(guān)關(guān)系，推斷股票收益是否服從隨機游走模型。股票收益存在顯著自相關(guān)的情形說明市場是無效的，投資者可以根據(jù)過去的股票價格信息預(yù)測未來的走勢。相反，若股票收益不存在自相關(guān)現(xiàn)象，則說明過去的信息對分析價格趨勢不起作用，市場是弱有效的。6.2.1弱有效市場的檢驗方法6.2.1弱有效市場的檢驗方法我們選取2017年1月3日至2022年12月30日共1461個滬深300指數(shù)交易日數(shù)據(jù)，取對數(shù)收益率作為收益率，可做出2017年至2022年滬深300指數(shù)收益率序列的時間序列圖(如圖6.2所示)，由此大致認(rèn)為收益率序列基本符合隨機游走特征。圖6.2滬深300指數(shù)收益率序列的時間序列圖6.2.1弱有效市場的檢驗方法為使結(jié)果更具有說服力，按照年份對滬深300指數(shù)收益率序列進行相關(guān)性檢驗，其中對檢驗值選取滯后12階。從表6.1檢驗結(jié)果上看，滬深300收益率序列在滯后12階時均不具有自相關(guān)性特征，即符合白噪聲序列特征，表明2017年以后滬深股市的價格運動基本呈現(xiàn)隨機游走特征。R代碼>setwd("C:/Users/data")>install.packages("xlsx")>library(openxlsx)>library(readxl)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$syl,start=c(2017,1),frequency=244)>plot(hs_ts,xlab="年份",ylab="收益率")>Box.test(hs_ts,type="Ljung-Box",lag=12)6.2.1弱有效市場的檢驗方法

6.2.1弱有效市場的檢驗方法假設(shè)有一系列價格變化，每一個價格變化如果是價格上升則記為加號(+)，如果價格下降則為減號(-)，結(jié)果就是如下一組加減號(+++-+--++--++)。當(dāng)兩個連續(xù)的變化是相同的時候，一個游程就產(chǎn)生了，當(dāng)然更多連續(xù)的正的或負(fù)的價格變化也構(gòu)成一個游程。當(dāng)價格反向變化時，如一個負(fù)的價格變化之后，緊接著一個正的價格變化，則表明當(dāng)前的這個游程就結(jié)束了，另一個新的游程會開始。檢驗獨立性，可以將給定序列中游程的個數(shù)與隨機序列中游程的期望值表中的數(shù)字作比較。游程數(shù)目反映了價格序列變化情況，若游程太少，表明價格序列存在某種恒定傾向；若游程數(shù)目過多，則序列具有混合傾向。因此，游程過多過少，都具有非隨機性特征。6.2.1弱有效市場的檢驗方法根據(jù)證券價格變化的游程序列，可建立檢驗統(tǒng)計量U(游程總數(shù)目)。當(dāng)觀測總數(shù)N>25時，檢驗統(tǒng)計量近似接近正態(tài)分布，這時游程總數(shù)均值為式中，N為證券價格觀測天數(shù)；m為正游程數(shù)量；n為負(fù)游程數(shù)量。游程總數(shù)的標(biāo)準(zhǔn)差為則根據(jù)式（6.9）計算Z值后，查表得到相應(yīng)的P值。當(dāng)顯著性水平為a時，若P值小于a，則不能認(rèn)為價格為純隨機序列。6.2.1弱有效市場的檢驗方法我們運用游程檢驗法對2017年—2022年的滬深300指數(shù)收益率進行檢驗。從檢驗結(jié)果上看，除2021年之外，其他年份的雙側(cè)檢驗概率均大于0.05的顯著性水平，2021年的雙側(cè)檢驗概率大于0.01的顯著性水平，說明接受是隨機游走序列的原假設(shè)，股市整體達到了市場弱有效狀態(tài)（檢驗結(jié)果見表6.2）。

R代碼>install.packages("lawstat")>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_syl<-hs$syl>library(lawstat)>runs.test(hs_syl)6.2.1弱有效市場的檢驗方法3.單位根檢驗單位根檢驗不僅能夠區(qū)分經(jīng)濟時間序列是否為平穩(wěn)過程或單位根過程，而且能夠從非平穩(wěn)時間序列中間區(qū)分趨勢平穩(wěn)或單位根過程。一般而言隨機游走的一階差分是平穩(wěn)的。因此，單位根檢驗是隨機游走過程的必要條件。運用單位根檢驗，可以檢測時間序列數(shù)據(jù)的生成過程是否存在且只有一個單位根。若命題不成立，我們可以推斷隨機游走假設(shè)也不成立，即金融市場不是弱式有效市場；若命題成立，隨機游走過程是成立的，即金融市場達到弱式有效。6.2.1弱有效市場的檢驗方法6.2.1弱有效市場的檢驗方法采用2017—2022年滬深300指數(shù)對數(shù)序列進行年度ADF檢驗。研究發(fā)現(xiàn)，無論采取哪一種模型，或者改變滯后期的階數(shù)，并不影響結(jié)論的一致性。以下列出了模型Ⅱ及滯后2階的檢驗結(jié)果。結(jié)果表明，滬深300指數(shù)對數(shù)序列ADF檢驗p值均大于1%（如表6.3所示），不拒絕原假設(shè)，即認(rèn)為滬深300指數(shù)對數(shù)序列存在單位根，為非平穩(wěn)過程。同時，我們也列出了一階差分后的檢驗結(jié)果（如表6.4所示），其ADF檢驗p值均小于1%，拒絕存在單位根的原假設(shè)，即一階差分后的序列是平穩(wěn)的。所以2017—2022年的滬深300指數(shù)對數(shù)序列為I(1)序列，股票市場達弱有效。6.2.1弱有效市場的檢驗方法

R代碼>install.packages("fUnitRoots")>library(fUnitRoots)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=1)>hs_ts<-ts(hs$lnc)>adfTest(hs_ts,lags=2,type="c")#type="nc"無常數(shù)均值，無趨勢類型；type="c"表示有常數(shù)均值，無趨勢類型；type="ct"有常數(shù)均值，有趨勢類型>diff_hs_ts<-diff(hs_ts)>adfTest(diff_hs_ts,lags=2,type="c")6.2.1弱有效市場的檢驗方法4.方差比檢驗方差比檢驗暗含隨機游走序列中的增量在樣本區(qū)間是線性的，即收益率的一階回歸方差估計量應(yīng)該是一階同歸方差估計量的q倍6.2.1弱有效市場的檢驗方法方差比檢驗步驟：首先，考慮同方差情形下的方差比統(tǒng)計量。在

RW1的假設(shè)條件下，對應(yīng)的方差比統(tǒng)計量為：6.2.1弱有效市場的檢驗方法在同方差性的假設(shè)條件下方差比的方差漸進服從如下分布：經(jīng)標(biāo)準(zhǔn)化可得其次，考慮在異方差的情況下，在樣本容量足夠大時，仍在概率上趨近于1，此時，運用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計量：6.2.1弱有效市場的檢驗方法其次，考慮在異方差的情況下，在樣本容量足夠大時，仍在概率上趨近于1，此時，運用如下標(biāo)準(zhǔn)正態(tài)統(tǒng)計量：式中6.2.1弱有效市場的檢驗方法我們對2017年—2022年滬深300指數(shù)對數(shù)序列按年度分別進行求趨同方差和異方差增量下的方差比檢驗，方差比檢驗的期數(shù)q分別選取2、4、8、16，分別得到Z(q)、Z`(q)的檢驗結(jié)果（見表6.5、表6.6）。從檢驗結(jié)果上看，2017年—2022年的滬深300指數(shù)方差比檢驗的Z(q)值都處于[-1.96，1.96]區(qū)間之中，則認(rèn)為在5%的顯著性水平下符合正態(tài)分布假設(shè)，為隨機游走模型1(RW1)。同樣，Z`(q)值在5%的顯著性水平下也符合正態(tài)分布假設(shè)，為隨機游走模型3(RW3)。因此，統(tǒng)計檢驗結(jié)果可知，2017年—2022年，我國股市達到弱有效。6.2.1弱有效市場的檢驗方法6.2.1弱有效市場的檢驗方法

R代碼>install.packages("vrtest")>library(vrtest)>hs<-read.xlsx("2017-2022年滬深300指數(shù).xlsx",sheet=2)>y<-hs$syl>kvec<-c(2,4,8,16)>Lo.Mac(y,kvec)6.2.1弱有效市場的檢驗方法5.過濾法則檢驗 1961年Alexander首次提出過濾法則檢驗法檢驗證券市場有效性。過濾法則是指當(dāng)某只股票的價格變化突破了事先設(shè)置的百分比時，投資者就交易這種股票，它的基本邏輯是：只要沒有新的消息進入市場，股票價格就應(yīng)該在正常價格范圍內(nèi)隨機波動，如果偏離了正常價格范圍，投資者就會買入或賣出該股票，從而使其價格回到正常價格范圍，這樣股票價格就有了一個上下限。所謂“過濾原則”，即將股票價格作為買入賣出的指示器，如果價格上升，表明股市看好，則買入一定比例股票；如果價格下降，則表明股市看跌，則賣出一定比例股票。具體而言，股票價格上升x%時，立即購買并持有這一股票直至其價格從前一次上升時下跌x%；當(dāng)股票價格從前一次下降中上升x%時，立即賣出持有股票并同時做一賣空，此后再買進平倉。這一過程不斷反復(fù)進行。如果股票價格時間序列存在系統(tǒng)性的變化趨勢，使用過濾檢驗會獲得異常收益。在過濾原則中，x%被稱為“過濾程度”，其可取的值，不同研究者的看法不同，一般為0.5%—50%。過濾程度設(shè)置的越小，則發(fā)生交易次數(shù)越多，交易成本也就越高。6.2.2半強式有效市場的檢驗方法半強式有效市場假說認(rèn)為證券價格已充分反應(yīng)出所有已公開的信息。各種信息一經(jīng)公布，證券價格將迅速調(diào)整到其應(yīng)有的水平上，使得任何利用這些公開信息對證券價格的未來走勢所做的預(yù)測對投資者失去指導(dǎo)意義。半強式有效市場檢驗重點在于考察基本分析是否有用，其檢驗就是考慮除了過去信息外所獲得的其他公開信息能否對股票收益產(chǎn)生影響，最常用的方法是Fama等在1969年提出的事件研究法。事件研究法其原理是根據(jù)研究目的選擇某一特定事件（如年報公布、股票分割、公司控制權(quán)轉(zhuǎn)移等），研究事件發(fā)生前后樣本股票收益率的變化，進而解釋特定事件對樣本股票價格變化與收益率的影響，主要被用于檢驗事件發(fā)生前后價格變化或價格對披露信息的反應(yīng)程度。6.2.2半強式有效市場的檢驗方法1.殘差分析法的原理首先，定義所要研究的事件。所謂的“事件日”，是指市場“接收”到該事件即將發(fā)生或可能發(fā)生的時間點，而不一定是該事件“實際”上發(fā)生的時間點，此時點通常以“宣告日”為準(zhǔn)。選取適當(dāng)樣本，設(shè)定好估計窗口與事件窗口，其中估計窗口通常是事件發(fā)生前的一定事件間隔，如事件發(fā)生前180天到事件發(fā)生前30天；事件窗口是指包含事件發(fā)生日在內(nèi)的一個時間區(qū)間。其次，選擇基準(zhǔn)模型，常用的模型有兩類：固定收益模型和市場模型。6.2.2半強式有效市場的檢驗方法固定收益模型：該模型的思想是將估計期間（即估計窗）內(nèi)標(biāo)的股票的平均收益率作為事件期間（即事件窗）標(biāo)的股票的正常收益率。6.2.2半強式有效市場的檢驗方法市場模型：該模型是將某一股票收益與市場股票組合收益相聯(lián)系的統(tǒng)計模型。6.2.2半強式有效市場的檢驗方法

6.2.2半強式有效市場的檢驗方法最后，需要檢驗異常收益率的顯著性。原假設(shè)通常是:異常收益率（或累積異常收益率）均值為0；備擇假設(shè)是：異常收益率（或累積異常收益率）均值不為0。如果事件發(fā)生前后股票價格沒有意外變化，累計異常收益率應(yīng)圍繞零值上下波動，且平均值為零。此外，若樣本中同時包含多只股票，可以計算平均異常收益率再檢驗。檢驗的方法包括參數(shù)檢驗法與非參數(shù)檢驗法。在已有文獻中，大多數(shù)例證顯示，發(fā)達股票市場基本符合半強式有效市場假說，投資者無法利用這些公開信息來獲得顯著的異常收益。6.2.2半強式有效市場的檢驗方法2.殘差分析法的運用在半強有效市場假說成立的情形下，假設(shè)市場上出現(xiàn)了某種利好的消息，那么市場上可能會出現(xiàn)兩種情況:一是這種利好消息出乎意料，那么，該股票的價格在消息公布之前不會出現(xiàn)大的波動，投資率也不會出現(xiàn)較大的波動，只是正常的收益率，維持比較穩(wěn)定的狀態(tài)；在消息公布的當(dāng)天，該股票的價格發(fā)生一次性的上漲，帶來了正的超額異常收益；從公布第二天起，股票價格重新恢復(fù)穩(wěn)定，投資的收益率也恢復(fù)正常水平。二是這種利好消息在意料之中，并且投資者對這利好消息的預(yù)期是逐漸形成的，那么，該股票的價格在消息公布之前就會逐漸走高，獲得超額異常收益；在消息公布的那一天，市場已經(jīng)完全消化，因此，股票價格不會由于消息的發(fā)布而發(fā)生波動；從公布的第二天起，股票的價格趨于穩(wěn)定。6.2.2半強式有效市場的檢驗方法圖6.3、圖6.4分別描述了這兩種情形，橫軸0坐標(biāo)表示消息發(fā)布的當(dāng)天，0坐標(biāo)左側(cè)表示消息發(fā)布之前，0坐標(biāo)右側(cè)表示消息發(fā)布之后。圖6.3表示第一種情形：利好消息的發(fā)布在意料之外，所以在消息發(fā)布之前，累計異常收益率在0附近波動；在消息公布的當(dāng)天，股票一次性上漲，使異常收益率上漲至2%；之后，累計異常收益率在2%附近波動。圖6.4表示第二種情形：利好消息的發(fā)布在意料之中，所以，在消息發(fā)布之前，價格就開始上漲，異常收益率逐漸趨近于2%；等到利好消息發(fā)布之后，市場以及充分消化了這一消息，超額異常收益率趨于穩(wěn)定。6.2.3強式有效市場的檢驗強式有效市場假說認(rèn)為股票價格完全地反映一切公開的和非公開的信息。投資者即使掌握內(nèi)幕信息也無法獲得超額利潤。任何專業(yè)投資者的邊際市場價值為零。其檢驗原理：內(nèi)幕消息是否有用。檢驗方法是考察內(nèi)幕消息是否有助于獲得異常收益，主要通過分析公司內(nèi)部交易人員和專業(yè)基金管理人的投資績效來判斷市場是否有效。例如，美國法律對公司內(nèi)幕交易有著嚴(yán)格的管理制度，按照要求，上市公司董事、高級主管、主要股東等一切可能獲得該上市公司內(nèi)幕消息的人士，在對本公司股票發(fā)生交易之日的一個月之內(nèi)，必須將交易的全部情況報告證券交易委員會（SEC），而SEC則按月將此類信息在“內(nèi)幕交易官方報告”中向公眾宣布，研究者即可根據(jù)以上數(shù)據(jù)來確定內(nèi)幕交易是否存在價值，從而判斷市場是否強勢有效。強式有效市場意味著所有信息都已經(jīng)被充分反映在市場價格中，所有公開信息和非公開信息都無法獲得異常收益。針對已有相關(guān)研究發(fā)現(xiàn)，目前世界上沒有證券市場達到強式有效。事件分析法6.3

6.3.1事件分析法概述事件分析法（EventStudy）又稱事件研究法，是一種用于研究特定事件或政策沖擊對個體行為影響的實證研究方法，通過研究事件發(fā)生對時序性數(shù)據(jù)的影響來檢驗市場對該事件的反應(yīng)，一般是通過考察該事件前后的累積異常收益變化來判斷事件的影響程度。該方法基于有效市場假設(shè)，即股票價格能反映所有已知的公共信息。因此，在股票實際收益中減去假定某個事件沒有發(fā)生而估計出來的正常收益就可得到異常收益，異常收益可衡量股價對事件發(fā)生或信息披露的反應(yīng)程度。事件分析法通?；趦蓚€基本假設(shè)：第一，在事件研究窗口內(nèi)，只有所研究的事件發(fā)生，即使發(fā)生了其他事件，也不會對價格產(chǎn)生顯著影響。第二，事件的影響可通過異常收益率來度量。

6.3.2事件分析法步驟一個完整的事件分析法應(yīng)該包含以下五個步驟。第一，界定事件窗口。在事件分析法中，首先需要確定所研究事件的發(fā)生區(qū)間。

6.3.2事件分析法步驟第三，計算正常收益(NormalReturn，NR)。通常使用如下兩種模型計算正常收益：CAPM模型

6.3.2事件分析法步驟

6.3.2事件分析法步驟第五，評價異常收益和累積異常收益在時間窗口中的顯著性。在計算出異常收益后，需進一步檢驗其顯著性。對于第四步得到的AR和CAR，需檢驗其是否具有統(tǒng)計顯著性。通常采用T檢驗統(tǒng)計量，檢驗中的原假設(shè)設(shè)置為：，該事件并未造成顯著影響；備擇假設(shè)為：，該事件造成顯著影響。若則造成負(fù)向影響，，則造成正向影響。比較計算出來的T統(tǒng)計量與某一顯著性水平下的T值大小，如設(shè)，則拒絕原假設(shè)，認(rèn)為該事件造成了顯著影響；反之不能拒絕原假設(shè)，認(rèn)為該事件并未造