混頻數(shù)據(jù)的計量經(jīng)濟學(xué)方法：理論與應(yīng)用.pdf

1、考慮大型數(shù)據(jù)所包含信息的計量經(jīng)濟模型近年來受到廣泛關(guān)注。一方面決策者需要實時地評估經(jīng)濟的當(dāng)前狀況及其預(yù)期發(fā)展，然而可用的信息是不完整的。大型實時數(shù)據(jù)集的產(chǎn)生主要有以下兩個特點:一是可用指標(biāo)具有不同采樣頻率;二是“粗糙邊緣”問題，該問題的產(chǎn)生是由于發(fā)布時間的滯后而導(dǎo)致一些變量的樣本末端值缺失。
　　第1章為全文的緒論部分。我們首先介紹了全文的研究背景，研究的目的與意義;然后，我們交代了全文的研究框架與分析方法，以及本文的主要創(chuàng)新點和

2、不足之處。為之后各章的具體研究做好鋪墊。
　　在第2章中，我們主要回顧處理混頻數(shù)據(jù)的計量經(jīng)濟學(xué)模型。典型的計量經(jīng)濟學(xué)回歸方程處理的是具有相同采樣頻率的變量。為保持頻率相同，研究人員要么將高頻觀測值加總為最低頻率，要么對低頻數(shù)據(jù)進行插值以得到最高頻率。在實證應(yīng)用中，前者為最常用的方法，高頻數(shù)據(jù)通過平均或者取一個代表值（例如每個季度的最后一個月）而降為最低頻率。這種對數(shù)據(jù)進行“預(yù)過濾”而使得預(yù)測方程左側(cè)和右側(cè)變量成為同頻率的方法有一個

3、潛在的問題，就是可能會破壞高頻數(shù)據(jù)中大量的有用信息。因此，對混頻數(shù)據(jù)進行直接建模是十分必要的。我們重點討論混頻數(shù)據(jù)文獻中的主流方法:混頻數(shù)據(jù)取樣(MIxd DAta Sampling，即MIDAS)方法。該方法基于分布滯后多項式，形式簡明，可以靈活處理不同頻率的數(shù)據(jù)，并且可以對低頻變量進行直接預(yù)測。其次，我們利用狀態(tài)空間方法討論混頻向量自回歸(MF-VAR)模型和混頻因子模型。這兩類方法都系統(tǒng)地描述了因變量和作為解釋變量的預(yù)測指標(biāo)之間的

4、動態(tài)關(guān)系，而且卡爾曼濾波方法的使用不但能提供對未來觀測值的預(yù)測，而且能夠被用來估計當(dāng)前的潛在狀態(tài)。一個自然的拓展是將因子方法和MIDAS模型結(jié)合起來，即將因子視為解釋變量，以探究大型混頻數(shù)據(jù)中的信息對預(yù)測的影響，該方法被稱為因子—MIDAS方法。
　　在第3章中，我們在“預(yù)測”(Forecasting)及“實時預(yù)報”(Nowcasting)兩種情境下分別使用MIDAS方法研究高頻股票收益率對產(chǎn)出增長率和通貨膨脹率的預(yù)測精度。我們采

5、用近年來新提出的頻域濾波器(Frequency Domain Filter)對股票收益率進行過濾，以排除季度趨勢及高頻噪音對預(yù)測精度的影響。同時，我們使用從實際數(shù)據(jù)所估算出來的MIDAS權(quán)重參數(shù)對高頻股票數(shù)據(jù)進行加總。我們發(fā)現(xiàn)MIDAS預(yù)測模型對美國和新加坡兩國通貨膨脹率具有相當(dāng)好的預(yù)測精度。與此同時，使用頻域濾波過濾過的高頻股票收益率對新加坡的通貨膨脹率預(yù)測相比未過濾的股票數(shù)據(jù)具有更高的精度，而兩者對美國通貨膨脹率的預(yù)測精度則相反;在

6、對產(chǎn)出增長的預(yù)測方面，MIDAS預(yù)測模型對新加坡產(chǎn)出增長的“實時預(yù)報”相比基準(zhǔn)預(yù)測模型表現(xiàn)出更高的精度，然而對美國產(chǎn)出增長率的預(yù)測，我們不能得出類似的結(jié)論。
　　在第4章中，我們把重點放在MIDAS方法對波動性的預(yù)測上。預(yù)測波動性的三個主要應(yīng)用領(lǐng)域為資產(chǎn)定價、風(fēng)險管理以及資產(chǎn)組合管理。風(fēng)險管理的很大一部分是衡量資產(chǎn)組合的未來潛在損失，而為了測度這些潛在的損失，我們必須估計未來的波動性和相關(guān)性。MIDAS回歸模型允許我們對不同頻率的

7、觀測值進行緊湊參數(shù)化的回歸。通過對四個發(fā)達國家和四個新興經(jīng)濟體每周的股票市場波動率進行分析，我們發(fā)現(xiàn)跨期資本資產(chǎn)定價(ICAPM)模型在成熟市場有良好的適用性，而在市場波動相對較大的國家或地區(qū)則不必然成立。通過采納波動性預(yù)測文獻中常用的三個預(yù)測指標(biāo)（每日平方收益率、每日絕對收益率以及每日范圍）并利用八個股票市場的實際數(shù)據(jù)對每周股票波動率進行樣本內(nèi)回歸和樣本外預(yù)測，我們發(fā)現(xiàn)“每日絕對收益率”的預(yù)測精度是三個預(yù)測指標(biāo)當(dāng)中最高的，其次是“每日

8、范圍”，而波動性預(yù)測文獻中常被引用的“每日平方收益率”的預(yù)測表現(xiàn)則是三者中最糟糕的。
　　在第5章中，我們介紹了在缺失觀測值的情況下如何估計MF—VAR模型以及因子模型，及利用混頻數(shù)據(jù)（包括可能的粗糙邊緣結(jié)構(gòu)）對產(chǎn)出增長率進行“實時預(yù)報”和預(yù)測的計量經(jīng)濟學(xué)模型。我們在本章中介紹的模型有:混合數(shù)據(jù)取樣(MIDAS)模型、MF-VAR模型，以及混頻因子模型。我們探討了在這三種模型中分別如何獲得產(chǎn)出增長率的月度預(yù)測值的方法。
　　

9、在第6章中我們對全文進行了總結(jié)。我們的研究表明，混頻數(shù)據(jù)有很重要的作用，且使用允許不同頻率和考慮數(shù)據(jù)實時性的有關(guān)方法能夠改善我們的預(yù)測結(jié)果。狀態(tài)空間模型是一個體系方法，并允許估計缺失的高頻數(shù)據(jù)，這得益于卡爾曼濾波器的使用。MIDAS模型對錯誤識別相比橋接方程和狀態(tài)空間方法而言似乎更加穩(wěn)健，而且MIDAS方法的計算量相對較少。
　　總之，研究處理混頻數(shù)據(jù)的計量經(jīng)濟學(xué)模型是一個非常受歡迎的研究主題，特別是在“大數(shù)據(jù)”理念深入人心的今天