论文部分内容阅读
近年来,股票慢慢成为金融市场中主要的理财工具,对股票市场收益率的良好把握有助于人们优化手中的资产配置,因此如何正确预测股票市场的收益率渐渐成为了经济金融研究中的热点问题。为此,一些学者开始试图应用先前的理论将股票收益率与其他变量相联系,通过统计学方法并建立数学模型来寻找股票收益率与其他变量的数量关系,尝试得到股票市场收益率的预测。 本文实证研究运用2006年3月至2015年6月间的月度数据,通过我国的劳动收入增长率、消费增长率和国债利率三个因子对我国股票市场收益率进行预测。基于传统的回归方程预测的种种弊端,通过整理VAR模型的逻辑结构,设置了各参数的先验分布,依据贝叶斯理论对模型中各参数的后验分布进行推断。并利用MCMC方法、Gibbs抽样算法和Kalman滤波器理论对VAR模型中的参数进行迭代抽样,以精确地估计各参数值,进而完成对市场收益率的预测。 本文主要的贡献点包括三点:(1)完善和补充了传统的回归方程,通过引入股票市场收益率的条件期望μt,建立了VAR(1)模型,意图通过控制rt和μt两个序列的残差间相关系数ρuw的先验分布的信息含量,来解决传统回归方程预测时因子选择不当、拟合精度低、估计参数较多的问题。(2)本文在对μt进行迭代抽样时,用到了Kalman滤波器理论,可以避免原始序列的噪声对预测的影响,获得更精准的估测值。(3)通过自身模型与相同预测因子下回归方程的R2进行对比,定义新的指标R2比来判断模型的有效性。最终,通过预测收益率与真实收益率的对比显示,相对于传统的回归模型,我们的模型预测效果较好,尤其在判断股票市场收益率涨或者跌的问题上尤为准确。