论文部分内容阅读
由于广义距估计(Generalized Method of Moments，GMM)的众多优点，GMM在金融学、宏观经济学、微观经济学等实证问题研究中被广泛使用。相对于极大似然估计(Maximum Likelihood Estimation，MLE)，GMM无须对数据的分布特征进行假设，且GMM的计算量相对来说较小。在GMM估计中，Wald检验经常被用来行使假设检验，来检验模型中参数的性质。这是因为相对于似然比检验(Likelihood-ratio Test)统计量和测试成绩检验(Score Test)统计量，Wald检验统计量的计算最为简单。但是，近来大量文章指出，GMM估计和假设检验在有限样本下有严重的偏差问题。在有限样本下，估计量严重地偏离了其真实值，且在原假设成立情况下包括Wald在内的检验统计量被过多地拒绝。就此，1996年7月Journal of Business& Economic Statistic发表了关于这方面问题专刊的文章，同时大量的方案被提出用来改进GMM的有限样本性质。其中，Burnside和Eichenbaum(1996)指出基于GMM的Wald检验的有限样本性质问题主要是由协方差矩阵（权重矩阵）估计的偏差引起的。本文试图通过压缩估计方法(Shrinkage Method)来减少协方差矩阵的估计误差，进而改进Wald检验的有限样本性质。此方法有助于更好地对投资组合进行的均值方差分析(Mean-variance Analysis)，比较不同投资组合的夏普指数(Sharpe Ratio)进而更准确地选择出有效投资组合。 本文首先通过公式推导证明，得出矩阵的压缩估计方法，并证明其一致性(Consistency)。接着，利用蒙特卡罗模拟实验来提出问题，指出问题的所在，并解决问题。实验的数据主要是基于一个简单的高斯(Gaussian)数据生成过程，本文指出Wald检验的有限样本问题主要是协方差矩阵估计偏差造成的;其次，作者通过利用压缩估计方法来提高协方差矩阵的估计精度，并在一定程度上改善了Wald检验的有限样本性质;另外，实验结果显示，本文的方法相对于Burnside和Eichenbaum(1996)的方法（直接利用原假设和数据特称的信息）具有优越性。最后，在实证应用部分，利用Fama-French投资组合的历史数据，得出利用样本协方差矩阵来够造有效边界组合有时是不对的，而利用本文的方法来检验比较不同投资组合的夏普指数，并采用压缩方法估计量来计算Wald检验统计量能更好地判断投资组合的有效性。