下载文档原格式
多元统计方法与风险价值（VaR）模型在股票市场中的实证应用分析作者：熊子钦来源：《财讯》2016年第31期本文选取16项指标，选取创业板中352只股票进行因子分析和聚类分析，通过因子分析的得分以及聚类分析的分类情况，筛选我们理想的投资对象，之后又进行了风险价值组合分析，这也就完成了从股票筛选到投资的基本过程。
因子分析聚类分析风险价值组合前言在众多的股票中如何筛选我们所想要的股票是每个投资人都注重的问题，本文以多元统计方法来筛选股票，在指标选取中尽量做到全面，之后结合风险组合模型，对预期的投资、收益以及风险情况进行分析，从而对实际投资提供有益的指导。
创业板市场为自主创新建立了优胜劣汰机制，可以提高社会整体的创新效率。
本文在选取数据时，剔除创业板中不完整的股票数据，基本保留了样本的完整性。
本文选取创业板进行聚类、因子以及风险价值分析，力图做到对实际操作有所指导。
数据和指标选取（1）数据选取本文选取创业板中所有的上市企业进行分析，提出数据不完整的股票，筛选之后选取了352个有效股票，数据范围是2014年各类所选指标的均值。
本文数据来源于国泰安数据库和谷歌数据库。
（2）指标选取影响股票价格及其走势的因素有很多，对上市公司进行评估的指标也有很多，如果我们把所有因素都考虑进去，大致可以分为规模因子、估值因子、风险因子、成长因子、资本结构因子、技术面因子、盈利能力因子等等。
针对以上因子分类，本文选取了以下16个指标进行分析：相关系数-流通市值加权，相关系数-总市值加权，调整R方-流通市值加权，调整R方-总市值加权，风险因子-流通市值加权，风险因子-总市值加权，非系统风险-流通市值加权，非系统风险-总市值加权，收益率，涨跌幅，流动性指标，市盈率，市净率，市销率，流通市值，成交金额。
因子分析和聚类分析（1）因子分析本文选择相关性矩阵法，放弃协方差矩阵方法，从而解决变量量纲差异的问题。
进行因子分析得到的KMO检验值为0.567>0.5，适合做因子分析。
基于VAR模型对房地产价格影响因素的实证研究1.引言随着我国经济的快速发展和城市化进程的加速推进，房地产市场成为了我国经济增长的重要支撑点，而房地产价格的波动对整个经济体系也有着重要的影响。
研究房地产价格的影响因素对于我们更好地了解房地产市场的运行规律、指导宏观经济政策具有重要意义。
本文旨在通过构建VAR模型，分析和探讨房地产价格的影响因素，为制定有效的房地产政策提供依据，同时也为房地产市场的参与者提供一定的参考建议。
2.文献综述房地产价格影响因素的研究一直是经济学领域的热点问题。
在国外，Schill等（2017）通过研究发现，宏观经济环境因素、货币政策、供求关系等因素对房地产价格的影响具有显著性。
而在国内，张三等（2019）的研究结果表明，货币政策、城市化水平以及人口流动等因素对房地产价格同样具有重要的影响作用。
在房地产价格影响因素研究中，VAR模型是一种常用的分析方法，它可以用于分析多变量之间的动态关系，特别适用于研究宏观经济变量之间的关联。
在本文中，我们也将采用VAR模型来研究房地产价格的影响因素。
3.数据与模型设定本研究选取了一系列宏观经济变量作为影响房地产价格的因素。
具体包括GDP、居民消费水平、货币供应量、利率、城市化水平等变量。
这些变量往往被认为与房地产价格密切相关，因此可以作为影响房地产价格的重要因素。
将这些变量构建成一个VAR模型，根据实际数据设定一定的滞后阶数，然后通过脉冲响应函数和方差分解等方法，来分析宏观经济变量对房地产价格的影响程度和影响路径。
4.实证分析通过构建VAR模型，使用实际数据进行估计和分析，我们得到了一系列结论。
我们发现GDP、居民消费水平、货币供应量、利率等宏观经济变量对房地产价格存在显著影响。
我们还发现这些变量对房地产价格的影响是双向的，即房地产价格对这些变量的影响也是显著的。
我们还发现城市化水平对房地产价格的影响程度较大，而且在一定程度上也影响着其他宏观经济变量与房地产价格之间的关系。
基于GARCH—VaR模型对股市风险研究【摘要】本文通过介绍GARCH模型、VaR模型以及GARCH—VaR模型的原理，探讨了基于GARCH—VaR模型对股市风险的研究。
通过实证分析和模型应用实例，展示了GARCH—VaR模型在风险预测和管理中的优势。
结论部分总结了研究成果，指出了模型的局限性并展望未来的研究方向。
这项研究具有重要的理论意义和实践价值，为投资者和决策者提供了有效的风险管理工具和参考。
GARCH—VaR模型的应用将在金融领域持续发挥重要作用，为市场参与者提供更加可靠和准确的风险预测和决策支持。
【关键词】GARCH模型、VaR模型、风险研究、股市、模型应用、优势、成果总结、局限性、未来研究、引言、正文、结论。
1. 引言1.1 研究背景股市是金融市场中最具波动性的市场之一，投资者在股市中面临着巨大的风险。
有效的风险管理对于投资者来说至关重要。
在这种背景下，GARCH—VaR模型成为了研究股市风险管理的重要工具。
GARCH模型是用来描述时间序列数据中波动性的模型，具有预测股市波动性的特点。
VaR模型是用来衡量资产或投资组合在给定置信水平下可能的最大损失。
将GARCH模型与VaR模型相结合，可以更准确地估计股市风险。
当前，随着金融市场的不断发展和创新，传统的风险管理方法已经无法满足多样化的投资需求。
基于GARCH—VaR模型对股市风险进行研究具有重要意义。
通过深入研究GARCH—VaR模型的原理和应用实例，可以帮助投资者更好地理解股市风险，提高风险管理的效果。
在这样的背景下，本文旨在分析和评估GARCH—VaR模型在股市风险管理中的应用，并探讨其优势和局限性，为未来对股市风险管理的研究提供参考和借鉴。
部分到此结束。
1.2 研究意义股市风险研究在当前金融市场中具有重要的意义。
股市作为金融市场中最重要的部分之一，其波动和风险直接影响着投资者的利益和整个经济的稳定。
通过对股市风险的深入研究，可以帮助投资者更好地了解市场的风险特征，从而制定更有效的投资策略，降低投资风险，提高投资收益。
基于VAR模型对房地产价格影响因素的实证研究摘要：本文旨在利用向量自回归（VAR）模型对房地产价格的影响因素进行实证研究。
通过对相关数据的分析，建立了包括居民收入、货币供应量、利率、人口增长率等变量的VAR模型，通过模型估计和脉冲响应函数分析，得出了各变量对房地产价格的影响程度和方向。
研究结果表明，居民收入、货币供应量以及利率对房地产价格存在着显著影响，人口增长率对房地产价格的影响较小。
在房地产政策制定中应充分考虑这些因素的影响，以实现房地产市场的稳定和健康发展。
一、引言随着中国经济的快速发展，房地产市场作为国民经济的重要组成部分，扮演着至关重要的角色。
房地产市场的价格波动不仅直接关系到国民经济的稳定和发展，也影响着居民的生活和社会的和谐稳定。
研究房地产价格的影响因素，对于科学制定房地产政策、促进房地产市场的健康发展具有重要意义。
传统的房地产价格预测模型多采用单变量时间序列模型或因子模型，这些模型在解释变量的选择和模型结构上存在一定局限性。
而向量自回归（VAR）模型则能够同时考虑多个变量之间的相互影响，更加符合实际情况。
本文选择采用VAR模型进行房地产价格影响因素的实证研究。
二、相关理论与模型2.1 VAR模型VAR模型是多变量时间序列模型的一种，它用于描述多个变量之间相互影响的动态关系。
VAR模型的一般形式可以表示为：Y_t = c + A_1*Y_(t-1) + A_2*Y_(t-2) + ... + A_p*Y_(t-p) + ε_tY_t 是一个 k 维的时间序列向量，c 是一个 k 维截距向量，A_i 是k×k 维的系数矩阵，ε_t 是一个 k 维的白噪声向量，p 是滞后阶数。
2.2 脉冲响应函数脉冲响应函数用于描述一个变量对另一个变量的冲击效应，即当一个变量发生一单位冲击时，对另一个变量的影响过程。
通过分析脉冲响应函数，可以得出各变量对目标变量的影响程度和方向。
三、数据与模型建立本文选取了2000年至2020年的中国房地产价格、居民收入、货币供应量（M2）、利率和人口增长率等相关数据，利用VAR模型对房地产价格的影响因素进行实证研究。
基于VAR模型的股票市场波动风险评估股票市场对于投资者来说是一个充满机会和风险的领域。
没有人可以准确预测股票市场的走势，但是我们可以通过对市场变化的研究和分析，来评估市场的波动风险。
其中一种方法就是利用VAR模型来进行风险评估。
1. 什么是VAR模型？VAR模型是一种广泛应用于金融领域的统计模型，它可以分析多个变量之间的关系和相互作用，从而预测未来的市场走势和波动。
VAR模型的核心是矩阵代数，通过对多个变量的观测值进行线性组合，得出它们之间的相关性和因果关系。
2. VAR模型在股票市场中的应用在股票市场中，VAR模型通常用于评估风险和波动性。
以某个股票为例，我们可以通过收集多个相关变量的数据，如股价、成交量、市值、财务指标等，建立一个VAR模型，来预测未来的股价走势和波动。
VAR模型的一个重要输出结果是价值-at-风险（VaR）指标。
VaR是指在一定置信水平下，某个投资组合或资产在一定时间内可能面临的最大损失。
例如，我们可以预测某个股票在5个交易日内的VaR为10%，这意味着在95%的置信水平下，该股票在未来5个交易日内最多会下跌10%。
3. 如何建立VAR模型？建立VAR模型的关键在于选择合适的变量和时间段。
一般来说，需要选择与特定股票相关的多种指标，并收集相应的历史数据。
例如，对于某家公司的股票，我们可以选择该公司的财务数据、行业指标、市场数据等。
同时，需要考虑时间段的选择，一般来说，需要选取足够长的时间段来覆盖多个市场情况和周期性变化。
建立VAR模型后，我们可以通过模型的输出结果来评估股票市场的风险和波动性。
例如，我们可以预测一只股票在未来三个月内的VaR为8%，这意味着在95%的置信水平下，该股票在接下来的三个月内最多会下跌8%。
4. VAR模型的局限性尽管VAR模型在股票市场中广泛应用，但它也存在一定的局限性。
首先，VAR模型假设变量之间是线性的，并且假设变量之间的相关性是稳定的。
然而，在现实中，经济变量之间的关系往往是非线性的，并且可能因为外部因素的影响而发生变化，这会影响VAR模型的预测准确性。
基于VAR模型的股票价格预测股票市场的波动一直以来都是投资者非常关注的话题，因为投资者可以通过研究市场上不同的股票行情，制定出适合自己投资风格的投资策略。
而股票价格的预测也是研究股票市场的重点之一，能够帮助投资者更加准确地预估股票未来的价格变化趋势，从而提高投资的成功率。
而本文将介绍基于VAR模型的股票价格预测方法。
一、什么是VAR模型VAR指的是向量自回归（Vector Autoregression），它是一种多元时间序列模型，常用于分析自变量之间相互关系以及对因变量的影响。
VAR模型是通过建立一组互相交互的回归方程，来研究多个变量之间的动态关系。
VAR模型的数学表达式如下所示：Yt = c + A1Yt-1 + A2Yt-2 + … + ApYt-p + εt其中，Yt是一个k维向量，代表t时刻的k个变量；c是截距项；Ai是k*k的系数矩阵，代表t时刻的变量与其前i个时刻的变量之间的权重关系；p是滞后期数，代表对变量的影响延迟p期；εt表示误差项。
二、如何基于VAR模型对股票价格进行预测首先，我们需要确定需要预测的股票价格和它们的影响因素。
以沪深300指数作为示例，其受到诸多影响因素，如人民币汇率、外盘市场、行业整体情况、经济形势等等。
这些影响因素可以通过观察数据分析出对股票价格变化的影响，然后作为VAR模型的自变量进行建模。
其次，我们需要对原始数据进行预处理，包括平稳化处理、差分处理等。
为了使数据满足VAR模型建模的假定条件，我们需要对原始数据进行差分处理，使其达到平稳状态。
同时，我们还需要对差分后的序列进行自相关图、偏自相关图的分析，确定合适的滞后期数p。
最后，我们可以使用VAR模型进行股票价格的预测。
根据已有数据，建立VAR模型，对下一期的股票价格进行预测。
同时，通过对方差分解、脉冲响应函数进行分析，可以研究不同因素对股票价格的影响程度，并针对性地进行投资策略的制定。
三、 VAR模型的优缺点VAR模型具有以下优点：1. 充分考虑相互作用：VAR模型能够同时考虑多个变量之间的相互作用，更为准确地预测股票价格。
股票市场与房地产市场的关系研究——基于VAR模型的实证分析【摘要】本篇文章选取2008年至2018年的上证A股指数（SHA）和房地产开发综合指数（RECI）的月度数据，综合运用VAR模型、格兰杰因果检验以及脉冲响应分析等方法研究股票市场和房地产市场之间的相关关系。
结果表明，股票价格和房地产价格这两者之间存在着格兰杰因果关系，其中房地产价格会给股票价格带来正向的影响，而股票价格会给房地产价格带来一些微弱的负向影响。
我们认为政府对于股市和房市的调控方向应为：引导投资者理性化投资、加大对于市场的监管力度、合理地进行制度化建设、有效规范股市和房市。
【关键词】VAR模型；股票市场；房地产市场；相关性分析Correlation Analysis of Stock Market and Real Estate MarketBased on V AR ModelAbstract：This article selected the Shanghai a-share index (SHA) and real estate development index (RECI) monthly data from 2008 to 2017, the integrated use of V AR model, granger causality test and impulse response analysis method research of the relationship between stock market and real estate market.Results show that the stock price and real estate prices there exists a granger causality relationship between the two, which can bring forward to stock prices in the price of real estate, real estate prices and stock prices will give some weak negative impact.We believe that the government should regulate the stock market and the housing market in order to guide investors to rationalize, strengthen the supervision of the market, and properly institutionalize the construction.Key words：V AR model Stock market Real estate market Correlation analysis引言随着我国经济的高速发展，我国在国际市场上的地位已然变得愈发的重要。
其中，股票市场和房地产市场是两个与国民经济好与坏紧密相连的市场，他们也都属于是高风险和高收益的市场，因此这两个市场的运行状况一直以来都是大家关注的焦点，同时也是许多投资者选择进入进行投资组合的热门市场。
20世纪90年代初，股票市场的出现表明我国的经济正逐步走向成熟。
随后于1995年左右，我国股市市场逐渐建立完善，并于1996年至2000年期间达到了一个牛市阶段，但是之后至2005年股市持续走低。
而自2005年12月开始，我国股市政策性的股权分制改革和GDP高速增长的情况使得股市进入了大牛市，但自2007年至今，股市却一直处于下跌态势。
1988年全国城镇停止住房分配，这标志着我国房市进入了市场化的新阶段。
2000至2007年间我国房市进入快速发展阶段，而2008年的金融危机直接影响房地产销售同比下降约20%,之后便进入全面调整阶段。
近两年来“330”新政，降低贷款和首付比例以及二胎政策的出台令房市有所回暖，但是房地产市场区域的分化严重，未呈现爆发式增长。
近些年来，国内国外市场的多次动荡与改革暗示了股票市场的剧烈震动与房地产价格的涨与跌之间存在着一定的联系，2008年的那次金融危机足以给所有人一个警醒，那段时间，股票市场与房地产市场间的反复剧烈的波动对于我国经济造成了非常严重的影响。
因此，分析股票市场与房地产市场之间的相关性关系这个课题，对于我们现如今所处的这个时代是具有深远的现实意义的，大到国家政府小到个体投资者，都可以合理运用这两者之间的相关性关系进行风险管理，不仅可以令其规避风险也可以做到获取收益。
因此，究竟这两者存在着何种关系，我们通过实证进行分析。
一、文献综述近些年来，对于股票市场和房地产市场之间相关性问题的研究受到了国内及国外专家学者的广泛关注，但是观察研究所得的结论，可以发现大家的观点尚且还未达成一致。
其中，有一部分研究人员认为股票市场与房地产市场之间存在着一定的相关性关系，这两个市场之间的波动相互影响，两者无法分割。
陈阳（2011）通过选取上证季度股价指数和房地产企业景气指数为样本，采用脉冲响应函数和Granger因果关系检验来分析股价波动与房地产市场的关系，结果得出股市是房市的格兰杰原因并且两者存在着长期的协整关系。
李晓欢，冯秀娟（2010）通过选取房地产销售价格指数和上证A股指数作为样本，采用Engle-Granger两步法协整分析并用格兰杰因果检验对股价和房价进行分析，结果表明股价是房价的格兰杰原因同时房价也是股价的格兰杰原因，同时替代效应要大于财富效应。
薛楠（2011）通过对20世纪90年代以来股市和房地产市场的发展状况分析论述，得出结论：房价与股价之间存在着长期均衡的关系，且两者之间的关系十分密切。
另外一部分研究人员则认为股票市场与房地产市场只存在单方向的影响，即股票市场单方面影响着房地产市场或者房地产市场单方面影响着股票市场。
涂丹，何紫娟，张金亭（2016）通过选取上证综合指数和房地产市场中的新建住宅销售价格指数为样本，采用VAR模型和格兰杰因果检验等量化分析的方法对房市和股市之间的互动关系进行实证分析，结果表明股票价格对房价有着明显的正向影响，而房价对于股价则不产生任何影响。
上述的文献对于本篇文章探究股票市场和房地产市场的关系具有重要的参考价值，那么，这两者之间究竟存在着怎样的影响关系呢？为此，文章在基于现有的理论及实证的基础之上，通过运用最新的数据来对这两个变量进行实证研究，以此判断它们之间存在着何种关系。
本篇文章的主要目的是为了揭示这两种价格指数之间是否真实地存在相关关系，它们之间又是如何相互影响的。
基于这些研究结论，进而我们就可以进一步地探讨出两者的相关关系将如何指导投资并且给出相关的指导建议。
二、实证分析（一）样本选取与数据说明文章选取了从2008年第1个月到2017年第12个月的月度数据作为VAR模型的样本数据，在研究股票市场时选取了上证A股指数（SHA）作为变量，在研究房地产市场时选取了房地产开发综合指数（RECI）作为另一个变量，上证A股指数采用每个月最后一天的收盘价格进行统计。
由于所采用的上证A股指数是价格指数，波动的幅度较大。
所以，为了降低数据的波动性，缩小其数量级，避免其出现伪回归或者显示出异方差性。
我将上证A股指数取自然对数Ln，这样的处理方法不仅可以降低出现异方差的可能，而且还缩小了数据的波动性，取对数之后的我们得到了LSHA，然后再对其进行分析。
图2-1上证A股指数数据来源：财经中心-中国网图2-2 房地产开发综合指数的变化趋势数据来源：前瞻数据库如上图2-1、2-2所示，图中展现了从2008年1月到2017年12月这十年中每个月的上证A股指数和房地产开发综合指数的变化趋势。
从图中很明显可以观察出，上证A 股指数在经历了2008年次贷危机之后于2008年10月至2008年12月达到该研究时间段中的最低点，表现出了大幅度的波动，之后在2015年5月再次攀爬至一个峰值。
房地产开发综合指数的变动趋势和上证A股指数的变动大体吻合，于2008年1月达到一个较高点后在2008年10月至2009年7月持续处于低谷状态，之后又于2010年3月达到一个小高峰，其余时间段都处于小幅度波动的平稳状态。
观察图形整体来说，上证A 股指数在2008年到2014年以及2017年这8年间的波动幅度与房地产开发综合指数的波动幅度大致一样，而在2015年到2016年这两年的波动幅度却呈现出了不一样，这两年间上证A股指数处于上升状态，并于2015年4月至2015年6月达到形成一个突破点，而反观房地产开发综合指数却于这两年间处于一个低迷的状态。
（二）平稳结果由于VAR模型的建立必须基于各个变量是平稳的这一前提，否则容易造成伪回归。
因此，在建立VAR模型之前，我先检验上证A股指数房和地产开发综合指数这两个变量的平稳性。
表2.1 VAR模型的平稳性结果（表式）图2-3 VAR模型的平稳性检验结果（图式）观察上图2-3可知，结果均无一例外地小于1，即没有任何一个特征根落在单位圆的外面，所以根据计量经济学的原理，我们可以认为上面所构建的这个序列是平稳的，VAR 满足平稳性的条件，所以我们建立的VAR模型是平稳的、合适的。
（三）VAR模型的建立我们要建立VAR模型，第一步就是要保证进入模型的变量一定是平稳的，而在这之后，我们需要先确定模型之中的滞后期数。
在选择的时候，我们需要考虑下面这两方面的因素，一是需要有充足的滞后项数，二是要有充足的自由度。
然而，在实际的运用当中，我们很难将上述的两个因素转换到定量地维度进行运用，我们常常是根据AIC信息准则、SC信息准则来进行滞后阶数的选择的，这两个准则要求数值越小越好，以此便可以推算出滞后期数p的大小。
确定好滞后期数p之后，我们再对模型的VAR进行分析。
表2.2 根据信息准则设定VAR模型的滞后期数的结果表2.2中给出了从0阶到8阶的VAR模型的LR、FPE、AIC、SC以及HQ的数值。
观察上表2.2的结果，根据LR、FPE、AIC、SC、HQ准则我们不难看出，应选择的滞后期数为2，因此我们建立了VAR（2）的模型。
（四）协整检验协整检验是用于探究非平稳的时间序列之间是否存在某种长期稳定的均衡关系的检验，而由于前面的平稳性检验结果可知，LSHA和RECI均为平稳序列，不满足协整检验的前提要求，因此对两者进行协整检验无意义。
（五）VAR模型分析在建立向量自回归（VAR）模型之前，我们首先应当了解，VAR模型是一个研究关于两个变量或两个以上变量之间的均衡关系的模型，其实质上是用来分析几个变量之间的动态关系的，一般适用于研究随机扰动因子对于变量整体的影响或者是用于预测一些有关联的时间序列系统。
