APT模型的实证检验Word文档格式.docx
《APT模型的实证检验Word文档格式.docx》由会员分享，可在线阅读，更多相关《APT模型的实证检验Word文档格式.docx（19页珍藏版）》请在冰点文库上搜索。
（2）GDP增长率（GDPM,GDPY）：
宏观经济环境的变化对于股票市场上大多数公司的收益水平都有影响，进而对于股利的支付水平也有影响，所以也应把GDP作为系统风险因素考虑再内。
由于理性的投资者对于GDP的变化有一定预期，应以GDP增长的变化作为风险因素考虑，那么可以用
代表
，另外需要说明的是由于GDP月度数据的不可得性，本文参考了国内大多数文献对于GDP月度数据的处理办法，用当月工业增加值对于GDP季度数据进行加权，然后对于经处理过后GDP的月度数据观察可以发现，数据呈现出很明显的周期性，因为把GDP相对于去年同期增长水平作为另一个解释因素，即
。
（3）市场利率水平变化：
市场利率水平的变化对于股票市场上大多数公司的资本成本都有一定影响，从而使市场的折现率变化，从而影响到各个股票的收益率。
在此采用真实利率水平，即以中央银行公布的1年期定期存款利率减去通货膨胀率水平作为该因素的衡量标准。
（4）通货膨胀率的变化：
与上面的宏观因素一样，通货膨胀率的变化也会影响到实际利率水平，进而对折现率有影响。
这里采用当月居民物价指数作为通货膨胀率的代表。
（5）利率的风险溢价和期限结构的变化（
）：
这里，因为折现率的选取为一段时期内的平均折现率，所以利率的风险溢价和期限结构的变化也将对于折现率产生影响，因而将两者分别作为风险因素加以考虑。
根据风险溢价
的定义，风险溢价为相同期限的债券之间的收益率之间的差异，这里采用长期公司债券与长期政府债券之间收益之差作为代表；
而根据期限结构
的定义，其是指风险相同的债券由于期限结构差异而引起的收益率之间的不同，这里用长期政府债券与短期政府债券之间的差异作为代表。
基于上述分析，我们采用多元统计学上的因子分析方法，我们用spss软件对上述7个经济指标进行因子分析：
表1TotalVarianceExplained
Component
InitialEigenvalues
ExtractionSumsofSquaredLoadings
RotationSumsofSquaredLoadings
Total
%ofVariance
Cumulative%
1
2.040
29.137
1.959
27.980
2
1.358
19.401
48.537
1.303
18.608
46.589
3
1.216
17.374
65.911
1.173
16.763
63.351
4
1.005
14.360
80.272
1.061
15.154
78.505
5
.891
12.723
92.995
1.014
14.490
6
.340
4.856
97.851
7
.150
2.149
100.000
ExtractionMethod:
PrincipalComponentAnalysis.
从上表中我们看到，前5个因子的方差贡献率已经达到了92.995%，即前面5个因子可以基本反应变量的全部信息。
为了使各个因子的现实意义更加明确，我们采用方差最大化的标准正交旋转，得到如下结果：
表2RotatedComponentMatrix（a）
市场风险溢价
.036
.938
.168
.006
-.087
GDPY
.041
-.014
.010
.991
-.008
GDPM
.040
-.075
.007
-.009
.993
利率水平
-.057
.117
.961
.004
.009
通货膨胀率水平
.936
-.097
.015
.145
-.024
利率风险溢价
-.792
-.285
.296
.204
-.129
利率期限结构
.673
-.561
.353
.125
-.001
ExtractionMethod:
PrincipalComponentAnalysis.
RotationMethod:
VarimaxwithKaiserNormalization.
aRotationconvergedin11iterations.
从上述旋转成份矩阵可以看到，
表示通货膨胀率水平、利率期限结构和利率风险溢价，
表示市场风险溢价，
表示利率水平，
表示GDPY，
表示GDPM。
2.4样本数据选取
我们选取上海股票交易市场2002年1月1日至2006年12月31日（60个月）正常交易的500支股票交易数据。
参照罗尔、罗斯于1980年对数据的处理办法，将样本股票按照股票市值大小分为了20个投资组合（这里，分组原因是因为普遍认为公司的规模为与股票收益率相关的因素），每个组合25支股票，根据假设条件B，我们认为每个组合都能分散掉股票的非市场风险。
因此，模型中的
将变为每个组合的加权收益率，权数为各个股票的总市值。
而GDP数据的处理已经在前文中说明，结合风险因子的选择过程，我们对一个投资组合进行研究：
表3某一投资组合数据
time
超额收益
F1
F2
F3
F4
F5
2-Jan
-8.88
-1.35986
-1.2441
0.32676
-0.60049
-2.91962
2-Feb
-0.99
-1.07512
0.14378
0.3441
0.17281
-0.47434
2-Mar
0.19
-1.02684
0.46813
0.40096
-0.29838
1.08221
2-Apr
1.18
-1.39418
0.01789
0.41641
-0.11016
-0.04338
2-May
-10.48
-1.65796
-1.08631
-0.19447
-0.10436
0.10891
2-Jun
15.72
-1.38759
1.22718
0.26415
-0.04038
0.19539
2-Jul
-8.5
-1.59054
-0.83082
-0.18684
-0.13931
-0.14403
2-Aug
0.59
-1.10774
-0.16378
-0.08635
0.03174
0.11598
2-Sep
-7.66
-1.33944
-0.648
-0.12284
1.61341
0.36891
2-Oct
-7.63
-1.04609
-0.80825
0.15993
-0.0208
1.90659
2-Nov
-4.38
-1.21104
-0.85041
0.04773
0.20047
0.17442
2-Dec
-7.79
-1.27525
-1.23456
0.64977
-3.20786
0.1901
3-Jan
8.72
-1.09744
0.59696
0.48257
-0.19694
-3.27507
3-Feb
-1.694
-1.35449
-0.15833
0.1372
1.07769
-0.19707
3-Mar
1.7
-1.29538
-0.32097
0.06626
-0.0037
0.69923
3-Apr
3.45
-1.24717
-0.30896
-0.1083
0.00418
-0.24573
3-May
1.66
-1.01011
0.21773
-0.1177
0.36995
-0.05274
3-Jun
-6.06
-1.05753
-0.78021
-0.05548
-0.16471
0.45573
3-Jul
-0.36
-0.91722
-0.18401
0.07011
0.03409
-0.21816
3-Aug
-6.85
-1.03522
-0.57807
0.17092
0.15384
0.05923
3-Sep
-6.31
-0.27024
-0.0716
0.99672
1.50995
0.4306
3-Oct
3.01
-0.13981
-0.17162
1.88519
-0.00532
2.10467
3-Nov
3.34
0.54314
0.39865
0.99008
0.11056
0.31869
3-Dec
11.92
0.80183
0.62209
0.38919
-3.57762
0.30571
4-Jan
0.78
1.18026
0.53221
0.65945
-0.08413
-3.58289
4-Feb
1.16
0.60931
0.41618
0.50611
0.82893
0.34929
4-Mar
4.72
0.84011
0.23286
0.10601
0.09381
0.45095
4-Apr
-9.49
1.3178
-1.69468
0.80476
-0.05578
-0.11493
4-May
-4.44
1.27956
-0.9512
0.68394
0.33629
-0.22267
4-Jun
-8.75
1.08734
-1.75934
1.02179
-0.20429
0.05317
4-Jul
-3.54
1.15821
-0.82301
1.05745
0.24914
-0.23155
4-Aug
-2.817
1.24999
-1.12984
1.09513
0.35549
-0.13572
4-Sep
1.07
1.35961
-0.1349
0.96094
2.32237
0.05625
4-Oct
-10.14
1.58148
-1.02202
0.63808
0.3392
1.98961
4-Nov
-2.604
1.77368
-0.45543
0.73453
0.42427
-0.02622
4-Dec
-5.26
2.11
-1.02335
0.10012
-2.50405
0.11954
5-Jan
-7.97
0.6821
-1.23956
0.01374
0.4755
-2.49505
5-Feb
6.19
1.10331
0.67522
0.85022
1.22313
-0.5728
5-Mar
-10.68
0.66612
-1.35277
-0.3066
0.43364
0.79353
5-Apr
-3.84
0.69595
-0.50249
-1.00471
0.49555
-0.26958
5-May
-14.15
0.33859
-1.10153
-1.5275
0.82603
-0.05093
5-Jun
2.28
0.34316
0.15264
-1.77865
0.61714
0.23372
5-Jul
3.54
0.10356
0.16844
-1.90089
0.67154
-0.15443
5-Aug
3.88
0.62735
1.09169
-1.83587
0.6901
0.13798
5-Sep
-5.97
0.40384
0.30789
-1.9119
1.0822
0.26336
5-Oct
-8.93
0.43206
-0.37456
-2.10452
-0.90268
0.71128
5-Nov
0.09
0.79992
0.36774
-1.83637
-1.05464
0.20225
5-Dec
6.12
0.58722
0.79276
-1.07946
-2.64822
0.03378
6-Jan
3.97
0.64013
1.38488
-0.96902
-0.5003
-1.33468
6-Feb
0.33388
0.88269
-1.80598
0.76838
0.02265
6-Mar
-5.75
0.08263
0.36207
-1.48448
-0.37083
0.84701
6-Apr
9.05
0.13198
1.46236
-0.83423
0.0226
-0.24152
6-May
6.39
0.37433
1.80262
-0.93536
0.38572
0.22329
6-Jun
-2.346
0.00952
0.44185
-0.31441
-0.30771
0.4595
6-Jul
-10.16
-0.09469
-0.1148
0.08407
-0.25783
-0.17068
6-Aug
0.87
-0.06898
0.50019
0.51788
-0.05201
0.16716
6-Sep
5.27
-0.11151
0.87169
0.29758
0.22868
0.3006
6-Oct
7.58
-0.18419
1.08114
0.26693
-0.37767
0.56546
6-Nov
15.38
-0.04216
2.2045
1.97526
-0.52886
0.38841
6-Dec
12.58
0.14981
3.69543
2.32992
0.17066
0.28862
系数的确定
3.1回归模型的建立
本文根据投资组合的超额收益率
和5个因子得分的统计数据，利用最小二乘法，建立如下线性回归模型：
运用Eviews软件对数据进行拟合，结果如下：
表4线性拟合结果
即回归模型为：
t=（-1.6706）（-0.0358）（11.745）（2.2443）（-1.6111）（-0.7932）
p=（0.1006）（0.9716）（0.0000）（0.0289）（0.1130）（0.4311）
=0.7303
=0.7053DW=1.9527F=29.2453
从以上的回归结果可以看出，5个变量中只有2个变量t检验显著，分别是市场风险溢价和利率水平。
而因子
对解释变量的影响几乎可以为零，所以我们剔除
，重新如下建立回归模型：
同样，运用Eviews软件对数据进行拟合，结果如下：
表5改进回归模型拟合结果
t=（-1.686）（11.8539）（2.2650）（-1.6260）（-0.8005）
p=（0.0975）（0.0000）（0.0275）（0.1097）（0.4269）
=0.7107DW=1.9523F=37.2324
从上述回归结果可以看到，改进的模型的可绝系数和F值都有所提高，而变量的显著性提高了，回归方程更具有实际的经济意义，最后需要对模型做是否符合古典经济假设的检验。
3.2回归模型的检验
3.2.1多重共线性
为了检验变量之间是否具有多重共线性，本文主要是通过分析变量时间的相关系数进行检验。
用Eviews软件得到变量之间的相关系数矩阵如下：
表6变量相关系数表
RP
1.000000
0.830082
0.158606
-0.113861
-0.056058
1.78E-07
-4.52E-07
-3.19E-07
3.65E-07
1.40E-07
-1.21E-07
从上表中可以看出，解释变量之间不存在明显的多重贡献性。
3.2.2ARCH效应检验
由于数据为时间序列数据，样本数为60也满足大样本的需要，采用过程数为4的ARCH检验，有如下结果：
表7ARCH效应检验
由Probability=0.4165可以判断，不能拒绝原假设，表明模型不存在异方差。
3.2.3自相关性检验
首先，我们考虑一阶自相关的检验。
由表4的结果可以看到DW=1.9523，查DW统计量表可以看到，当n=
升级会员 