下载文档原格式
基于三因素模型的新能源行业股票收益分析摘要本文选取2015年9月至2019年12月中证500中新能源行业46只股票为样本，以三因素模型为依据，通过回归筛选出与股票收益相关的显著因子，对股票收益的影响因素进行分析。
研究结果表明，对我国新能源行业的股票来说，市场因子的影响相比于账面市值比因子和市值因子均更为显著，其中账面市值比因子的影响较小。
市值因子的影响方向跟三因素模型的预期相同，说明目前新能源行业依然处于成长阶段。
关键词三因素模型，股票收益，新能源行业1.引言新能源普遍具有清洁性、可再生、污染少、资源丰富的特点，可以有效缓解我国目前能源供需紧张的局面，成为推动经济可持续发展的关键，是一个很有发展前景的战略性新兴产业[1]。
随着十九大会议中提出发展清洁能源推进绿色发展精神以来，新能源这一概念的热度逐渐上升，新能源行业投资热情日益上涨。
本文将通过对我国新能源行业上市公司收益影响因素分析，对新能源行业的发展要素进行剖析，也可以给投资者带来一定的参考。
对于股票收益来源的研究可以追溯到资本资产定价模型(CAPM)。
但是，早在90年代年，就有许多研究发现了诸如小盘股效应，价值溢价效应等CAPM 模型无法解释的异象。
同时，Fama 和French (1992) [2]检验了市值、账面市值比、财务杠杆、市盈率和平均收益率之间的关系，发现四个因子都有很强解释能力。
国内研究也在同期发现CAPM 无法通过有效性检验[3]。
王艳丽(2019) [4]通过对新能源行业股票收益影响因素分析，基于公司基本面、市场流动性因素和宏观层面等三个维度，共筛选出了七个指标，包括公司盈利能力、市值、账面市值比、股权流动性、市场风险、利率、通货膨胀率。
在众多股票收益的分析模型中，Fama 和French (1993) [5]的三因素模型是目前市场上最常用的股票收益分析模型。
三因素模型认为股票的超额收益可以由市场风险、市值风险、账面市值比风险来共同解释，本文将通过确定市场风险、市值和账面市值比因子，以此确定回归模型，分析模型的适用性及不同因子对于新能源行业股票收益影响程度。
一．样本股票的选取本次选取的股票是上交所挂牌交易的三只股票，分别为：①宁波港（601018）②中国神华（601088）③浦发银行（600000）④海信电器（600060）二．数据选择（数据为日收益率）数据采用2013年1月1日至2014年6月30日的日数据，分别为日个股收益率、日风险溢价率、日无风险利率、日SMB 和日HML 。
此期间共有357个交易日，为保持数据的统一性，本次选取了其中的346个数据。
三．参数估计使用Eviews7.2对三因子模型中的三个系数进行估计，使用最小二乘法。
四．估计结果三只股票的FF 三因子方程分别为：R1-Rf=0.666*RMRF+0.916*SMB+ HMLR2-Rf=0.0965*RMRF-0.652*SMB+0.077*HMLR3-Rf=1.140*RMRF+0*SMB+0.837*HMLR4-Rf=1.24*RMRF+0.41*SMB-0.82*HML回归结果见附表五．计算结果根据四个方程求出四只股票的理论收益率，分别为：R1=0.666*(-0.0002)+0.916*0.0009+0=0.0007912R2=0.0965*(-0.0002)-0.652*0.0009+0=-0.0005R3=1.140*(-0.0002)+0+0=-0.000128R4=1.24*(-0.0002)+0.41*0.0009-0+0.0001=0.000221其中RMRF 为-0.0002即在此阶段内市场组合收益率低于无风险利率SMB 为0.0009HML 为0在此阶段内股票的实际日平均收益率分别为：R1=-0.000015R2=-0.001175R3=0.000011R4=0.00008235六．结果分析第一只股票宁波港被低估第二只股票神华股份被低估第三只股票浦发银行被高估第四只股票海信电器被低估通过eviews 计算历史数据得到矩阵：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛--82.084.008.037.1-41.009.065.066.024.114.197.008.11111该矩阵构成一个方程组，通过matlab 计算得到：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛1-217.01275.07353.0C ,R C ∈ 按照0.7353：0.1275：0.217：-1的比例买进卖出可获得套利。
Eviews多元回归分析案例研究
介绍
本文档将通过一个案例研究来展示如何使用Eviews进行多元
回归分析。
案例描述
我们研究了一个包含多个自变量的回归模型，其中自变量包括A、B和C。
我们希望分析这些自变量与因变量之间的关系。
数据收集
为了进行分析，我们首先收集了一组包含因变量和自变量的数据。
我们使用Eviews进行数据导入和处理。
数据处理与分析
我们首先进行了数据清洗和处理，包括去除缺失值和异常值等。
然后，我们使用Eviews的多元回归功能进行分析。
通过建立回归
模型并进行参数估计，我们得出了自变量与因变量之间的关系。
结果解释
根据我们的分析，A、B和C变量在回归模型中都显示出了一
定的显著性。
具体来说，A和B变量对因变量有正向影响，而C变量对因变量有负向影响。
结论
根据我们的分析结果，我们可以得出结论，即A和B变量对
因变量有正向影响，而C变量对因变量有负向影响。
这些结果对于
我们理解和预测因变量的变化非常有帮助。
总结
通过使用Eviews进行多元回归分析，我们能够深入研究多个
自变量与因变量之间的关系。
通过清洗和处理数据，建立回归模型
并进行参数估计，我们能够获得关于自变量的重要信息，并对因变
量的变化有更好的理解和预测能力。
以上是本文档对Eviews多元回归分析案例研究的介绍和总结。
通过案例的分析过程，我们展示了如何使用Eviews进行多元回归
分析，并得出一些有关自变量与因变量之间关系的结论。
希望本文
档对您的研究和使用Eviews有所帮助。
计量经济学课程案例分析论文本小组案例：影响税收收入的因素摘要：我国经济增长与税收增长之间是正相关的，经济增长是税收增长的源泉，而税收又是国家财政收入的主要来源，国家把税收收入用于经济建设，发展科学、教育、文化、卫生等事业，反过来又促进经济的进一步增长。
关键字：税收国内生产总值财政支出商品零售价格指数一、引言：改革开放以来，随着经济体制的改革的深化和经济的快速增长，中国的财政收支状况发生很大的变化，为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。
二、经济理论分析：影响中国税收收入增长的主要因素可能有：【1】从宏观经济上看经济增长是税收增长的基本源泉【2】社会经济的发展和社会保障等对公共财政提出要求，公共财政的需求可能对当年的税收入可能会有一定的影响。
【3】物价水平。
中国的税制结构以“流转税”为主，以现行价格计算的GDP和经营者的收入水平都与物价水平有关。
【4】税收政策因素三、建立模型：以各项税收收入Y作为解释变量以GDP表示经济增长水平以财政支出表示公共财政的需求以商品零售价格指数表示物价水平税收政策因素较难用数量表示，暂时不予考虑模型设定为Y=β1X1+β2X3+β3X3+C其中：Y—各项税收收入（亿元）X1—国内生产总值（亿元）X2—财政支出（亿元）X3—商品零售价格指数（%）四、数据收集：年份x1 x2 x3 y 1978 3645.20 1122.09 100.70 519.28 1979 4062.60 1281.79 102.00 537.82 1980 4545.60 1228.83 106.00 571.70 1981 4891.60 1138.41 102.40 629.89 1982 5323.40 1229.98 101.90 700.02 1983 5962.70 1409.53 101.50 775.59 1984 7208.10 1701.02 102.80 947.35 1985 9016.00 2004.25 108.80 2040.79 1986 10275.20 2204.91 106.00 2090.73 1987 12058.60 2262.18 107.30 2140.36 1988 15042.80 2491.21 118.50 2390.47 1989 16992.30 2823.78 117.80 2727.40 1990 18667.80 3083.59 102.10 2821.86 1991 21781.50 3386.62 102.90 2990.17 1992 26923.50 3742.20 105.40 3296.91 1993 35333.90 4642.30 113.20 4255.30 1994 48197.90 5792.62 121.70 5126.88 1995 60793.70 6823.72 114.80 6038.04 1996 71176.60 7937.55 106.10 6909.82 1997 78973.00 9233.56 100.80 8234.04 1998 84402.30 10798.18 97.40 9262.80 1999 89677.10 13187.67 97.00 10682.58 2000 99214.60 15886.50 98.50 12581.51 2001 109655.20 18902.58 99.20 15301.38 2002 120332.70 22053.15 99.70 17636.45 2003 135822.80 24649.95 99.90 20017.31 2004 159878.30 28486.89 102.80 24165.68 2005 184937.40 33930.28 100.80 28778.54 2006 216314.40 40422.73 101.00 34809.72 2007 265810.30 49781.35 103.80 45621.97 2008 314045.40 62592.66 105.90 54223.79 2009 340902.80 76299.90 98.80 59521.59 2010 401202.00 89874.16 103.10 73210.79回归分析：相关分析Y X1 X2 X3 CY 1 0.99324608842507670.998026452957201-0.2477565308468775X1 0.9932460884250767 10.9902514953708315-0.2712079122261235X2 0.9980264529572010.9902514953708315 1-0.2619643078387446X3 -0.2477565308468775-0.2712079122261235-0.2619643078387446 1C进行相关分析的结果如上，从图中可看出税收收入Y与国内生产总值X1、财政支出X2之间都成高度正相关，这表明利用线性模型解释他们之间的关系是比较合适的。
Eviews多元回归模型案例分析1. 引言本文将通过一个多元回归模型的案例分析来展示Eviews软件的应用。
多元回归模型是一种统计学方法，用于研究多个自变量对因变量的影响关系。
2. 数据集和变量2.1 数据集我们使用的数据集是一份包含多个变量的经济数据集，包括自变量和因变量。
2.2 变量在本案例中，我们选择了以下变量：- 因变量：Y- 自变量1：X1- 自变量2：X2- 自变量3：X33. 回归模型建立和参数估计3.1 建立模型我们根据选定的变量，建立了以下多元回归模型：Y = β0 + β1X1 + β2X2 + β3X3 + ε3.2 参数估计使用Eviews软件，我们对模型中的参数进行了估计。
具体估计结果如下：- β0的估计值为a- β1的估计值为b1- β2的估计值为b2- β3的估计值为b34. 模型拟合和统计检验4.1 拟合优度为了评估模型的拟合优度，我们计算了决定系数R^2。
结果显示，模型拟合效果良好，并能解释自变量对因变量的变异程度。
4.2 统计检验我们进行了一系列统计检验，包括回归系数的显著性检验、F 检验和残差分析等。
结果显示，模型的回归系数显著，并且F检验的p值足够小，支持多元回归模型的有效性。
5. 模型解释和预测5.1 模型解释我们分析了模型中每个自变量的系数和显著性水平，解释了它们对因变量的影响。
根据模型结果，可以得出每个自变量对因变量的贡献程度。
5.2 模型预测基于建立的多元回归模型，我们可以进行因变量的预测。
根据给定的自变量取值，我们可以通过模型预测出相应的因变量值。
6. 结论通过Eviews软件进行多元回归模型的案例分析，我们得出了一些结论。
多元回归模型在解释因变量和自变量之间关系方面具有一定的效果，并且可以用于因变量的预测。
然而，我们需要注意模型的限制和假设，并且在实际应用中进行进一步的验证和调整。
以上是对Eviews多元回归模型案例分析的简要介绍。
如有更详细的需求或其他问题，请随时联系。
eviews案例分析作业Eviews案例分析作业。
本次作业将使用Eviews软件进行一个实际案例的分析，以展示Eviews在实际经济数据分析中的应用。
我们选取了美国GDP（国内生产总值）和失业率的数据，来进行相关性分析和趋势预测。
首先，我们导入美国GDP和失业率的时间序列数据，并进行数据的初步观察和描述性统计分析。
通过Eviews的数据视图功能，我们可以直观地看到这两个变量的变化趋势和波动情况，从而为后续的分析提供基础。
接下来，我们将利用Eviews进行相关性分析，探讨美国GDP与失业率之间的关系。
通过Eviews的相关性分析功能，我们可以得到它们之间的相关系数，并利用散点图和回归分析来观察它们之间的线性关系。
通过这些分析，我们可以初步了解到美国GDP和失业率之间的关联程度，为后续的预测分析提供参考。
在完成相关性分析后，我们将利用Eviews进行趋势预测。
通过Eviews的时间序列分析功能，我们可以选择合适的模型对美国GDP和失业率的未来趋势进行预测。
在选择模型的过程中，我们将充分考虑数据的平稳性、季节性等特点，以确保模型的准确性和可靠性。
最终，我们将得到美国GDP和失业率未来的预测值，并进行可视化展示，以便更直观地观察它们的趋势变化。
通过本次Eviews案例分析作业，我们不仅对Eviews软件的使用有了更深入的了解，同时也对实际经济数据的分析方法有了更加清晰的认识。
Eviews作为一款专业的计量经济学软件，具有强大的数据分析和建模功能，可以帮助我们更好地理解和预测经济现象，为经济决策提供科学依据。
总之，Eviews案例分析作业不仅是对所学知识的巩固和实践，更是对实际问题的解决和预测。
通过本次作业，我们不仅提升了对Eviews软件的熟练度，更深入了解了经济数据分析的方法和技巧，为今后的学习和工作打下了坚实的基础。
希望通过这次作业的学习，能够更好地应用Eviews软件进行实际经济数据的分析和预测，为经济决策提供更加科学的支持。
国内生产总值的影响因素分析本文研究国内生产总值（Y）的影响因素，选取了居民消费（X1）、能源消费总量（X2）、进出口总额（X3）、研究与试验发展经费支出(亿元)（X4）作为备选的影响因素，考虑到这几个变量的量级比较大，在进行回归分析时，将其进行对数化处理。
1.描述性统计变量均值中位数最大值最小值标准差偏度峰度LNY 12.86926 13.01351 13.83137 11.61605 0.735265 -0.331551 1.770076 LNX1 11.90659 11.95283 12.86667 10.82903 0.694463 -0.108624 1.640711 LNX2 12.71945 12.83097 13.11836 11.9547 0.354575 -0.864171 2.603336 LNX3 12.04816 12.29397 12.68298 10.64979 0.604899 -1.046877 3.002632 LNX4 8.759079 8.966104 10.10206 6.949367 1.011978 -0.37255 1.8154942.回归结果通过eviews8进行回归分析，结果见下表：从经济意义检验来看，各解释变量对被解释变量应该表现为正向影响，而LNX2的系数为负，这显然无法通过经济意义检验，这可能存在多重共线性。
从拟合优度检验来看，其拟合优度为0.9993，接近于1，表明这些解释变量能够解释99.93%的被解释变量的变化，而且调整后的拟合优度为0.9991，拟合效果非常好。
从统计检验来看，LNX1和LNX4系数的t检验对应的p值小于1%，即在1%的显著水平下，两变量对LNY有显著的影响，考虑到系数为正数，两变量对LNY表现为显著的正向影响，面LNX2和LNX3则无法通过10%的显著性t检验，这表明两者对LNY无显著影响，当然这有可能是因为多重共线性的问题。
基于EViews对我国财政收入影响因素的实证分析一、概述随着中国经济的高速发展和经济结构的持续优化，财政收入作为衡量国家经济实力和治理水平的重要指标，其影响因素及其作用机制越来越受到学术界的关注。
在此背景下，本文旨在利用EViews软件，对中国财政收入的影响因素进行深入的实证分析，以期揭示各因素与财政收入之间的内在联系，为政府制定科学合理的财政政策提供理论支持和实践指导。
具体来说，本文首先对财政收入的相关概念进行界定，明确财政收入的内涵和构成。
结合国内外关于财政收入影响因素的研究文献，梳理出影响中国财政收入的主要因素，包括经济增长、税收政策、产业结构、城镇化水平等。
接着，本文利用EViews软件，选取合适的时间序列数据，构建计量经济模型，对影响因素进行实证分析。
在模型构建过程中，本文将采用单位根检验、协整检验等方法，确保数据的平稳性和模型的有效性。
根据实证分析的结果，本文将对各影响因素的作用机制进行深入探讨，并提出相应的政策建议。
本文的研究不仅有助于深入了解中国财政收入的影响因素及其作用机制，还可以为政府制定更加科学合理的财政政策提供理论支持和实践指导。
同时，本文的研究方法和结论也可以为其他领域的研究提供借鉴和参考。
1. 研究背景与意义随着全球经济的不断发展和我国改革开放的深入推进，我国财政收入呈现出快速增长的态势。
财政收入作为政府开展各项经济活动的重要支撑，其稳定性、可持续性和合理性对国家的经济社会发展具有重要影响。
深入了解和分析影响我国财政收入的各种因素，揭示其内在规律，对于优化财政结构、提高财政资金使用效率、促进经济健康发展具有重要的理论和现实意义。
在此背景下，本文旨在利用EViews软件对我国财政收入的影响因素进行实证分析。
EViews作为一款功能强大的计量经济学软件，能够有效地处理时间序列数据，并通过建立计量经济模型来分析各因素对财政收入的贡献度和影响程度。
通过对这些因素进行定性和定量分析，可以更加清晰地认识到财政收入背后的复杂机制，为政府决策提供科学依据。
