金融计量-金融数据的平稳性检验
实验报告三 金融数据的平稳性检验
一、 实验目的
理解经济时间序列存在的不平稳性。掌握ADF 检验平稳性的方法。认识不平稳的序列容易导致伪回归问题,掌握为解决伪回归问题引出的协整检验,协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系,为了进一步研究变量之间的短期均衡是否存在,掌握误差纠正模型方法。理解变量之间的因果关系的计量意义,掌握格兰杰因果检验方法。
二、 实验步骤
1. 数据选取与下载
本实验选取中国上海证券市场A 股成分指数上证180和深圳证券市场A 股成分指数深证300作为研究对象。分别从财经网站上下载了2010年5月4号到2016年4月19号这将近6年的上证180和深证300的数据,共1448个。其中,上证180指数以下记为sha ,深证300指数以下记为sza 。
2. 平稳性检验
将sha 和sza 的数据导入Eviews 软件。分别用折线图、直方图和ADF 检验三种方法对数据的平稳性进行检验。
(1) 折线图
利用Eviews 软件作出sha 与sza 的折线图如图 1所示。由折线图可以看出,sha 与sza 的走势基本一致,有较强的相关性。但是并不能看出sha 与sza 是否平稳。
图 1 sha 与sza 的分布折线图
(2) 直方图
利用Eviews 软件作出sha 的直方图如图 2所示。从图中可以看出,数据的分布为右偏,远非正态分布。而且其JB 统计量为888.6615,JB 统计量越趋向于0,数据越是符合正态分布,也就是说数据越平稳,所以sha 数据并不平稳。
图 2 sha 分布直方图
利用Eviews 软件作出sza 的直方图如图 3所示。从图中可以看出,数据的分布也为右偏,而非正态分布。而且其JB 统计量为981.6901,比sha 的JB 统计量888.6615还大,所以sza 数据并不平稳,并且比sha 更不平稳。
图 3 sza 分布直方图
(3) ADF 检验
利用Eviews 软件对sha 进行ADF 检验的检验结果如图 4所示,滞后项m 为
2。从图中可以看出,ADF 检验值为-1.507016,大于1%、5%和10%的临界值,所以sha 数据并不平稳。
图 4 sha 的ADF 检验结果
同样利用Eviews 软件对sza 进行ADF 检验的检验结果如图 5所示,滞后项m 为3。从图中可以看出,ADF 检验值为-1.658750,大于1%、5%和10%的临界值,所以sza 数据也不平稳。
图 5 sza 的ADF 检验结果
3. 取对数
由于取对数可以将间距很大的数据转换为间距较小的数据,所以对sha 和sza 取对数,再进行平稳性检验。新变量sha 的对数记为logsha ,sza 的对数记为logsza 。
(1) 折线图
logsha 与logsza 的分布折线图如图 6所示。由折线图可以看出,logsha 与logsza 的走势基本一致,有较强的相关性。但是并不能看出logsha 与logsza 是否平稳。
图 6 logsha 与logsza 的分布折线图
(2) 直方图
logsha 的直方图如图 7所示。从图中可以看出,数据的分布为右偏,非正态分布。其JB 统计量为252.1483,虽然远小于sha 的JB 统计量值,但是距离0仍然有差距,所以logsha 数据并不平稳。
图 7 logsha 分布直方图
logsza 的直方图如图 8所示。从图中可以看出,数据的分布较复杂,但仍非正态分布。其JB 统计量为220.5935,所以logsza 数据并不平稳。
图 8 logsza 分布直方图
(3) ADF 检验
Logsha 的ADF 检验结果如图 9所示,滞后项m 为4。从图中可以看出,ADF 检验值为-1.590587,大于1%、5%和10%的临界值,所以logsha 数据并不平稳。
图 9 logsha 的ADF 检验结果
Logsza 的ADF 检验结果如图 10所示,滞后项m 为2。从图中可以看出,ADF 检验值为-1.428587,大于1%、5%和10%的临界值,所以logsza 数据并不平稳。
图 10 logsza 的ADF 检验结果
4. 协整检验
经过上面的分析,发现sha 与sza 、logsha 与logsza 都是不平稳的,于是对logsha 和logsza 进行协整检验。
首先进行logsza 对logsha 的最小二乘法回归,结果如图 11所示。
图 11 logsza 对logsha 的最小二乘法回归
提取残差resid01,对残差resid01进行ADF 检验,滞后项m 为3,检验结果如图 12所示。由检验结果可以看出,ADF 检验值为-3.260388,小于5%和10%的临界值,大于1%的临界值,所以残差resid01基本平稳,说明logsha 与logsza 有协同关系。
图 12 残差resid01的ADF 检验结果
同样进行logsha 对logsza 的最小二乘法回归,结果如图 13所示。
图 13 logsha 对logsza 的最小二乘法回归
提取残差resid02,对残差resid02进行ADF 检验,滞后项m 为3,检验结果如图 14所示。由检验结果可以看出,ADF 检验值为-3.273485,小于5%和10%的临界值,大于1%的临界值,所以残差resid02基本平稳,说明logsza 与logsha 有协同关系。
图 14 残差resid02的ADF 检验结果
5. 因果检验
下面对logsha 与logsza 进行格兰杰因果检验,确定哪个变量是另一个变量变化的原因。分别取滞后阶数m 为1、2、3、4、5、6进行检验,检验结果如下图所示。
图 15 滞后阶数为1的格兰杰因果检验结果
图 16 滞后阶数为2的格兰杰因果检验结果
图 17 滞后阶数为3的格兰杰因果检验结果
图 18 滞后阶数为4的格兰杰因果检验结果
图 19 滞后阶数为5的格兰杰因果检验结果
图 20 滞后阶数为6的格兰杰因果检验结果
从检验结果可以看出:
当原假设为“logsza 不是导致logsha 变化的原因”(第一行)时,若滞后阶数m 较小,则拒绝原假设,说明logsza 是导致logsha 变化的原因;当滞后阶数m 不断增大时,检验结果中的P 值也不断增大,所以随着滞后阶数m 的增大,logsza 不再是导致logsha 变化的原因了。
当原假设为“logsha 不是导致logsza 变化的原因”(第二行)时,不管滞后阶数m 大小,检验结果中的P 值一直较低,可以拒绝原假设,说明logsha 是logsza 变化的原因。
综上,logsha 是logsza 变化的原因。
6. 误差纠正机制ECM
即使两个变量之间有长期均衡关系,但是在短期内也会出现失衡,所以下面用ECM 对这种短期失衡加以纠正。
经过上面的因果检验,已经知道了sha 是sza 变化的原因,于是对sha 和sza 进行最小二乘回归,回归结果如图 21所示。
图 21 sha 对sza 的最小二乘回归
提取残差resid03,通过对d(sza) 和d(sha)、resid03(-1)进行最小而成回归,进行误差纠正,结果如图 22所示。
图 22 误差修正模型结果
由修正结果可以看出,resid03的系数-0.018345,而且P 值为0.0001,通过了t 检验,表明sza 的实际值与长期均衡之间的差异有1.8345%得以纠正。由于resid03的系数显著,而且为负数,说明sha 和sza 之间存在的长期稳定关系制约着sha 和sza 的变化,促使它们走向均衡。这也符合上证市场和深证市场的实际情况。
7. 经济学分析
从以上分析来看,上证市场与深证市场的相关度很高,这可以从它们的折线图和相关系数0.94看出来。这是由于两个市场皆属于中国大陆的证券市场,投资群体、投资理念大致相同,所以两个市场互相影响,联系密切。
从因果检验的结果来看,深证市场是随着上证市场的变动而变动的。上证市场领先于深证市场变动的原因可能是上证市场的股票数量、资金数额不同导致的。而且在上证市场上市的一般是比较成熟的企业,相比于深证市场的中小板要更加稳定,所以深证市场随着上证市场的变动而变动。