Оценка с Недостающими данными

Введение

Модель оценки финансовых активов (CAPM) является почтенным, но часто порочившим инструментом, чтобы охарактеризовать comovements между ценами активов и рыночными ценами. Несмотря на то, что много проблем возникают в реализации CAPM и интерпретации, одна проблема, с которой сталкиваются практики, состоит в том, чтобы оценить коэффициенты CAPM с неполными данными о курсе акций.

В этом примере показано, как использовать недостающие функции регрессии данных, чтобы оценить коэффициенты CAPM. Можно запустить пример непосредственно с помощью CAPMdemo.m расположенный в matlabroot/toolbox/finance/findemos.

Модель оценки финансовых активов

Учитывая хост предположений, которые могут быть найдены в ссылках (см. Шарпа [11], Lintner [6], Jarrow [5] и Шарп, и. al. [12]), CAPM приходит к заключению, что актив возвращается, имеют линейное соотношение с рынком, возвращается. А именно, учитывая возврат всех запасов, которые составляют рынок, обозначенный как M и возврат безрискового актива, обозначенного как C, CAPM утверждает, что возврат каждого актива Ri на рынке имеет форму expectational

E[Ri]=αi+C+βi(E[M]C)

для активов i = 1..., n, где βi является параметром, который задает степень comovement между данным активом и базовым рынком. Другими словами, ожидаемый доход каждого актива равен возврату на безрисковом активе плюс настроенный риском ожидаемый рынок, возвращаются сетевой из безрискового актива, возвращается. Набор параметров β 1 ..., βn называется бетами актива.

Бета актива имеет форму

βi=cov(Ri,M)var(M),

то, которое является отношением ковариации между активом, и рынок возвращается разделенный на отклонение рынка, возвращается. Beta является волатильностью цен финансового инструмента относительно волатильности цен рынка, или индексируйте в целом. Бета обычно используется относительно акций. Инструмент высокой беты более опасен, чем инструмент низкой беты. Если актив имеет бету = 1, актив, как говорят, перемещается с рынком; если актив имеет бету> 1, актив, как говорят, более энергозависим, чем рынок. С другой стороны, если актив имеет бету <1, актив, как говорят, менее энергозависим, чем рынок.

Оценка CAPM

Стандартная модель CAPM является линейной моделью дополнительными параметрами для каждого актива, чтобы охарактеризовать остаточные ошибки. Поскольку каждый из активов n с выборками m наблюдаемого актива возвращает Rk,i, рынок возвращает Mk, и безрисковый актив возвращает Ck, модель оценки имеет форму

Rk,i=αi+Ck+βi(MkCk)+Vk,i

для выборок k = 1..., m и активы i = 1..., n, где αi является параметром, который задает несистематический возврат актива, βi является бетой актива, и Vk,i является остаточной ошибкой для каждого актива со связанной случайной переменной Vi.

Набор параметров α 1 ..., αn называется альфами актива. Строгая форма CAPM указывает, что альфы должны быть нулем и что отклонения от нуля являются результатом временных нарушений равновесия. На практике, однако, активы могут иметь ненулевые альфы, где большая часть активного управления инвестициями посвящена поиску активов с годными для использования ненулевыми альфами.

Чтобы допускать возможность ненулевых альф, модель оценки обычно стремится оценить альфы и выполнить тесты, чтобы определить, равны ли альфы статистически нулю.

Остаточные ошибки Vi приняты, чтобы иметь моменты

E[Vi]=0

и

E[ViVj]=Sij

для активов i,j = 1 ..., n, где параметры S 11 ..., Snn называется остаточными или несистематическими отклонениями/ковариациями.

Квадратный корень из остаточного отклонения каждого актива, например, sqrt (Sii) для i = 1 ..., n, как говорят, является остаточным или несистематическим риском актива, поскольку это характеризует остаточное изменение цен активов, которые не объяснены изменениями рыночных цен.

Оценка с Недостающими данными

Несмотря на то, что беты могут быть оценены для компаний с достаточно долгими историями актива, возвращается, он затрудняет, чтобы оценить беты для недавних IPO. Однако, если набор достаточно заметных компаний существует, который, как могут ожидать, будет иметь определенную степень корреляции с перемещениями курса акций новой компании, то есть, компаниями в той же промышленности как новая компания, возможно получить оценочные оценки для новых бет компании со стандартными программами регрессии недостающих данных.

Оценка некоторых бет технологической акции

Чтобы проиллюстрировать, как использовать стандартные программы регрессии недостающих данных, оцените беты для 12 технологических акций, где одним запасом (GOOG) является IPO.

  1. Загрузите даты, совокупные доходы и тикеры для этих 12 запасов из MAT-файла CAPMuniverse.

    load CAPMuniverse
    whos Assets Data Dates
      Name         Size                    Bytes  Class
    
      Assets       1x14                      952  cell array
      Data      1471x14                   164752  double array
      Dates     1471x1                     11768  double array
    
    Grand total is 22135 elements using 177472 bytes
    

    Активы в модели имеют следующие символы, где последние два ряда являются прокси для рынка и безрискового актива:

    Assets(1:7)
    Assets(8:14)
    ans = 
    
      'AAPL'    'AMZN'    'CSCO'    'DELL'    'EBAY'    'GOOG'    'HPQ'
    
    ans = 
    
      'IBM'    'INTC'    'MSFT'    'ORCL'    'YHOO'    'MARKET'    'CASH'
    

    Данные охватывают период с 1 января 2000 до 7 ноября 2005 с ежедневными совокупными доходами. Два запаса в этой вселенной имеют отсутствующие значения, которые представлены NaNs. Один из этих двух запасов имел IPO в этот период и, таким образом, имеет значительно меньше данных, чем другие запасы.

  2. Вычислите отдельные регрессии для каждого запаса, где запасы с недостающими данными имеют оценки, которые отражают их уменьшаемую наблюдаемость.

    [NumSamples, NumSeries] = size(Data);
    NumAssets = NumSeries - 2;
    
    StartDate = Dates(1);
    EndDate = Dates(end);
    
    fprintf(1,'Separate regressions with ');
    fprintf(1,'daily total return data from %s to %s ...\n', ...
        datestr(StartDate,1),datestr(EndDate,1));
    fprintf(1,'  %4s %-20s %-20s %-20s\n','','Alpha','Beta','Sigma');
    fprintf(1,'  ---- -------------------- ');
    fprintf(1,'-------------------- --------------------\n');
    
    for i = 1:NumAssets
    % Set up separate asset data and design matrices
      TestData = zeros(NumSamples,1);
      TestDesign = zeros(NumSamples,2);
    
      TestData(:) = Data(:,i) - Data(:,14);
      TestDesign(:,1) = 1.0;
      TestDesign(:,2) = Data(:,13) - Data(:,14);
    
    % Estimate CAPM for each asset separately
      [Param, Covar] = ecmmvnrmle(TestData, TestDesign);
    
     % Estimate ideal standard errors for covariance parameters
      [StdParam, StdCovar] = ecmmvnrstd(TestData, TestDesign, ... 
          Covar, 'fisher');
    
    % Estimate sample standard errors for model parameters
      StdParam = ecmmvnrstd(TestData, TestDesign, Covar, 'hessian');
    
    % Set up results for output
      Alpha = Param(1);
      Beta = Param(2);
      Sigma = sqrt(Covar);
    
      StdAlpha = StdParam(1);
      StdBeta = StdParam(2);
      StdSigma = sqrt(StdCovar);
    
    % Display estimates
      fprintf('  %4s %9.4f (%8.4f) %9.4f (%8.4f) %9.4f (%8.4f)\n', ...
         Assets{i},Alpha(1),abs(Alpha(1)/StdAlpha(1)), ...
         Beta(1),abs(Beta(1)/StdBeta(1)),Sigma(1),StdSigma(1));
    end

    Этот фрагмент кода генерирует следующую таблицу.

    Separate regressions with daily total return data from 03-Jan-2000 
    to 07-Nov-2005 ...
          Alpha                Beta                 Sigma 
    -------------------- -------------------- --------------------
    AAPL    0.0012 (  1.3882)    1.2294 ( 17.1839)    0.0322 (  0.0062)
    AMZN    0.0006 (  0.5326)    1.3661 ( 13.6579)    0.0449 (  0.0086)
    CSCO   -0.0002 (  0.2878)    1.5653 ( 23.6085)    0.0298 (  0.0057)
    DELL   -0.0000 (  0.0368)    1.2594 ( 22.2164)    0.0255 (  0.0049)
    EBAY    0.0014 (  1.4326)    1.3441 ( 16.0732)    0.0376 (  0.0072)
    GOOG    0.0046 (  3.2107)    0.3742 (  1.7328)    0.0252 (  0.0071)
    HPQ     0.0001 (  0.1747)    1.3745 ( 24.2390)    0.0255 (  0.0049)
    IBM    -0.0000 (  0.0312)    1.0807 ( 28.7576)    0.0169 (  0.0032)
    INTC    0.0001 (  0.1608)    1.6002 ( 27.3684)    0.0263 (  0.0050)
    MSFT   -0.0002 (  0.4871)    1.1765 ( 27.4554)    0.0193 (  0.0037)
    ORCL    0.0000 (  0.0389)    1.5010 ( 21.1855)    0.0319 (  0.0061)
    YHOO    0.0001 (  0.1282)    1.6543 ( 19.3838)    0.0384 (  0.0074)
    

    Alpha столбец содержит альфа-оценки для каждого запаса, которые являются близким нулем как ожидалось. Кроме того, t-статистические-данные (которые заключены в круглые скобки) обычно отклоняют гипотезу, что альфы являются ненулевыми на уровне на 99,5% значения.

    Beta столбец содержит бета оценки для каждого запаса, которым также заключили t-статистику в круглые скобки. Для всех запасов, но GOOG, гипотеза, что беты являются ненулевыми, принята на уровне на 99,5% значения. Кажется, однако, что GOOG не имеет достаточного количества данных, чтобы получить значимую оценку для беты, поскольку ее t-статистическая-величина подразумевала бы отклонение гипотезы ненулевой беты.

    Sigma столбец содержит остаточные стандартные отклонения, то есть, оценки для несистематических рисков. Вместо t-статистики связанные стандартные погрешности для остаточных стандартных отклонений заключены в круглые скобки.

Сгруппированная оценка некоторых бет технологической акции

Чтобы оценить беты запаса для всех 12 запасов, настройте объединенную модель регрессии что группы все 12 запасов в рамках одного проекта. (Поскольку каждый запас имеет ту же матрицу проекта, эта модель является на самом деле примером на вид несвязанной регрессии.) Стандартной программой, чтобы оценить параметры модели является ecmmvnrmle, и стандартной программой, чтобы оценить стандартные погрешности является ecmmvnrstd.

Поскольку GOOG имеет значительное количество отсутствующих значений, прямое использование недостающей стандартной программы данных ecmmvnrmle берет 482 итерации, чтобы сходиться. Это может занять много времени, чтобы вычислить. Ради краткости параметра и оценок ковариации после того, как первые 480 итераций содержатся в MAT-файле и используются в качестве первоначальных оценок, чтобы вычислить беты запаса.

load CAPMgroupparam
whos Param0 Covar0
Name         Size                    Bytes  Class

Covar0      12x12                     1152  double array
Param0      24x1                       192  double array

Grand total is 168 elements using 1344 bytes

Теперь оцените параметры для набора 12 запасов.

fprintf(1,'\n');
fprintf(1,'Grouped regression with ');
fprintf(1,'daily total return data from %s to %s ...\n', ...
    datestr(StartDate,1),datestr(EndDate,1));
fprintf(1,'  %4s %-20s %-20s %-20s\n','','Alpha','Beta','Sigma');
fprintf(1,'  ---- -------------------- ');
fprintf(1,'-------------------- --------------------\n');

NumParams = 2 * NumAssets;

% Set up grouped asset data and design matrices
TestData = zeros(NumSamples, NumAssets);
TestDesign = cell(NumSamples, 1);
Design = zeros(NumAssets, NumParams);

for k = 1:NumSamples
    for i = 1:NumAssets
        TestData(k,i) = Data(k,i) - Data(k,14);
        Design(i,2*i - 1) = 1.0;
        Design(i,2*i) = Data(k,13) - Data(k,14);
    end
    TestDesign{k} = Design;
end

% Estimate CAPM for all assets together with initial parameter
% estimates
[Param, Covar] = ecmmvnrmle(TestData, TestDesign, [], [], [],... 
    Param0, Covar0);

% Estimate ideal standard errors for covariance parameters
[StdParam, StdCovar] = ecmmvnrstd(TestData, TestDesign, Covar,...
    'fisher');

% Estimate sample standard errors for model parameters
StdParam = ecmmvnrstd(TestData, TestDesign, Covar, 'hessian');

% Set up results for output
Alpha = Param(1:2:end-1);
Beta = Param(2:2:end);
Sigma = sqrt(diag(Covar));

StdAlpha = StdParam(1:2:end-1);
StdBeta = StdParam(2:2:end);
StdSigma = sqrt(diag(StdCovar));

% Display estimates
for i = 1:NumAssets
  fprintf('  %4s %9.4f (%8.4f) %9.4f (%8.4f) %9.4f (%8.4f)\n', ... 
  Assets{i},Alpha(i),abs(Alpha(i)/StdAlpha(i)), ...
  Beta(i),abs(Beta(i)/StdBeta(i)),Sigma(i),StdSigma(i));
end

Этот фрагмент кода генерирует следующую таблицу.

Grouped regression with daily total return data from 03-Jan-2000 
to 07-Nov-2005 ...
       Alpha                 Beta              Sigma 
---------------------- ----------------------------------------
AAPL    0.0012 (  1.3882)    1.2294 ( 17.1839)    0.0322 (  0.0062)
AMZN    0.0007 (  0.6086)    1.3673 ( 13.6427)    0.0450 (  0.0086)
CSCO   -0.0002 (  0.2878)    1.5653 ( 23.6085)    0.0298 (  0.0057)
DELL   -0.0000 (  0.0368)    1.2594 ( 22.2164)    0.0255 (  0.0049)
EBAY    0.0014 (  1.4326)    1.3441 ( 16.0732)    0.0376 (  0.0072)
GOOG    0.0041 (  2.8907)    0.6173 (  3.1100)    0.0337 (  0.0065)
HPQ     0.0001 (  0.1747)    1.3745 ( 24.2390)    0.0255 (  0.0049)
IBM    -0.0000 (  0.0312)    1.0807 ( 28.7576)    0.0169 (  0.0032)
INTC    0.0001 (  0.1608)    1.6002 ( 27.3684)    0.0263 (  0.0050)
MSFT   -0.0002 (  0.4871)    1.1765 ( 27.4554)    0.0193 (  0.0037)
ORCL    0.0000 (  0.0389)    1.5010 ( 21.1855)    0.0319 (  0.0061)
YHOO    0.0001 (  0.1282)    1.6543 ( 19.3838)    0.0384 (  0.0074)

Несмотря на то, что результатами для запасов полных данных является то же самое, бета оценки для AMZN и GOOG (эти два запаса с отсутствующими значениями) отличаются от оценок, выведенных для каждого запаса отдельно. Поскольку AMZN имеет немного отсутствующих значений, различия в оценках малы. С GOOG, однако, различия являются более явными.

T-статистическая-величина для бета оценки GOOG является теперь значительной на уровне на 99,5% значения. Однако t-статистические-данные для бета оценок основаны на стандартных погрешностях от демонстрационного Гессиана, который, в отличие от матрицы информации о Фишере, составляет увеличенную неопределенность в оценке из-за отсутствующих значений. Если t-статистическая-величина получена из более оптимистической матрицы информации о Фишере, t-статистическая-величина для GOOG 8.25. Таким образом, несмотря на увеличение неопределенности из-за недостающих данных, GOOG, тем не менее, имеет статистически значительную оценку для беты.

Наконец, обратите внимание, что бета оценка для GOOG 0.62 — значение, которое может потребовать некоторого объяснения. Несмотря на то, что рынок был энергозависим за этот период с поперечной динамикой цен, GOOG постоянно ценил в значении. Так, это менее плотно коррелируется с рынком, подразумевая, что это менее энергозависимо, чем рынок (бета <1).

Ссылки

[1] Caines, Питер Э. Линейные стохастические системы. John Wiley & Sons, Inc., 1988.

[2] Cramér, Харальд. Математические методы статистики. Издательство Принстонского университета, 1946.

[3] Демпстер, A.P, Нью-Мексико. Лэрд и Д.Б Рубин. “Наибольшее правдоподобие от Неполных данных с помощью Алгоритма EM”, Журнал Королевского Статистического Общества, Серий B, Издания 39, № 1, 1977, стр 1-37.

[4] Грин, Уильям Х. Эконометрик Анэлизис, 5-й редактор, Pearson Education, Inc., 2003.

[5] Jarrow, R.A. Финансируйте теорию, Prentice-Hall, Inc., 1988.

[6] Lintner, J. “Оценка Активов Риска и Выбор Risky Investments в Запасах”, Анализ Экономики и Статистики, Издания 14, 1965, стр 13-37.

[7] Мало, Родерик Дж. А и Дональд Б. Рубин. Статистический анализ с Недостающими Данными, 2-м редактором, John Wiley & Sons, Inc., 2002.

[8] Мэн, Xiao-литий и Дональд Б. Рубин. “Оценка Наибольшего правдоподобия с помощью Алгоритма ECM”, Biometrika, Издание 80, № 2, 1993, стр 267-278.

[9] Дьячок, Джо и Андерс Риг Свенсен. “Алгоритмы ECM, которые Сходятся по курсу EM”, Biometrika, Издание 87, № 3, 2000, стр 651-662.

[10] Shafer, J. L. Анализ Incomplete Multivariate Data, Chapman & Hall/CRC, 1997.

[11] Шарп, W. F. “Цены Капитального актива: Теория Равновесия Рынка При Условиях Риска”, Журнал Финансов, Издания 19, 1964, стр 425-442.

[12] Шарп, W. F. Г. Дж. Александр и Дж. В. Бэйли. Инвестиции, 6-й редактор, Prentice-Hall, Inc., 1999.

Смотрите также

| | | | | | | | | | | | | | | | | |

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте