R语言两阶段最小⼆乘法2SLS回归、工具变量法分析股息收益、股权溢价和surfaces曲面图可视化

简介: R语言两阶段最小⼆乘法2SLS回归、工具变量法分析股息收益、股权溢价和surfaces曲面图可视化

投资者最关心的两个问题就是收益率和股息,两者作为公司经营状况的两个重要方面,往往同时出现在投资报告中,二者之间具有较强的关联性点击文末“阅读原文”获取完整代码数据


目前,国内外对于股票股息收益、股息收益率和股权溢价等方面的研究已有很多,但大多数是关于市场环境或宏观因素对上述指标产生影响的研究。


本文选择沪深两市股票作为研究对象,帮助客户构建两阶段最小二乘法2 SLS回归、工具变量法分析股息收益、股息收益率和股权溢价,旨在探究指标间是否具有显著相关关系。研究结论不仅为投资者提供了分析投资机会的理论依据,还有助于上市公司进行决策分析。此外,文章还对相关行业的发展具有一定指导意义。


1.数据


表格中包括从1965年到2014年的月度数据,需要用到的是:yyyymm(年⽉),

index(s&p 500 price index) , Dividend, D12(dividend yield), Rfree(risk-free rate)

读取数据,查看数据

head(data)
##   yyyymm Index Dividend     D12     E12       b/m    tbl    AAA    BAA  
## 1 196501 87.56  2.51667 2.51667 4.59333 0.4717232 0.0381 0.0443 0.0480  
## 2 196502 87.43  2.53333 2.53333 4.63667 0.4713995 0.0393 0.0441 0.0478  
## 3 196503 86.16  2.55000 2.55000 4.68000 0.4694899 0.0393 0.0442 0.0478  
## 4 196504 89.11  2.57000 2.57000 4.73333 0.4525593 0.0393 0.0443 0.0480  
## 5 196505 88.42  2.59000 2.59000 4.78667 0.4546643 0.0389 0.0444 0.0481  
## 6 196506 84.12  2.61000 2.61000 4.84000 0.4808590 0.0380 0.0446 0.0485  
##      lty       ntis       Rfree         infl    ltr   corpr         svar  
## 1 0.0422 0.01790289 0.003175000 0.0009600000 0.0040  0.0081 0.0001534973  
## 2 0.0424 0.01482236 0.003275000 0.0000000000 0.0014  0.0009 0.0003681211  
## 3 0.0422 0.01913336 0.003275000 0.0009590793 0.0054  0.0012 0.0001431412  
## 4 0.0422 0.01472169 0.003275000 0.0022357074 0.0036  0.0021 0.0001654871  
## 5 0.0423 0.01624416 0.003241667 0.0031867431 0.0018 -0.0008 0.0003363517  
## 6 0.0423 0.01755028 0.003166667 0.0041296061 0.0047  0.0003 0.0018498325  
##             csp CRSP_SPvw CRSP_SPvwx  
## 1 -0.0022007442  0.034791   0.033837  
## 2 -0.0022017761  0.003746  -0.000853  
## 3 -0.0021373681 -0.012213  -0.013685  
## 4 -0.0021429735  0.035612   0.034769  
## 5 -0.0025656153 -0.003122  -0.008354  
## 6 -0.0023808197 -0.046880  -0.048367
#需要用到的是有红色标记的:yyyy(年份),price index(s&p 500 price index),D12(dividend yield),Rfree(risk-free)
CampaignData <- na.omit(subset(AllData, select=c("yyyymm","Index","D12","Rfree","Dividend")))


2.自变量x


⾃变量x是D12(dividend-yield), DY(t)=log[D(t)/P(t-1)],这⾥的D(t)就是表格中的Dividend。P(t-1) 就是表格中的index.

DY=log(Dt/Pt)


3.因变量y


因变量y是股权溢价(equity premium),公式是equity premium=rm(t)-rf(t) 关于rm(t): rm(t)=log[Rm,t]=log[ (P(t)+D(t)) / P(t-1) ],D(t)就是表格中的Dividend.

P(t),P(t-1)就是表格中的index. 关于 rf(t): rf(t)=log[1+Rf(t)],这⾥的Rf(t)就是表格中的Rfree(risk-free rate)

equity_premium=Rm-Rf  
y=equity_premium


4.模型


y(t)=β* x(t-1)+ε(t) (1)

oequity_premium[-1] ~ CampaignData$D12[-n] +I(1:(n-1)), data=CampaignData)

x(t)= ρ* x(t-1)+u(t) (2)

点击标题查阅往期内容


工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断


01

02

03

04


5.工具变量:


z(t)=ρz* z(t-1)+Δx(t) ,其中ρz是z(t-1)的系数,和式⼦(2)中的ρ不是同⼀个值.

这⾥的 z0=0,ρz=1+c/nκ , c=-1,k=0.95

c=-1  
z=0  
ρz=1+c/(n^k)  
for(i in 1:n)z[i+1]=ρz*z[i]+x[i]  
z=z[-1]


6.用两阶段最⼩二乘法做回归, 2SLS


具体做法: (1)通过工具变量计算出z(t-1)的数值

(2)建⽴x(t-1)与z(t-1)的函数关系:x(t-1)=αz(t-1)+ e(t),通过OLS得出α的估计值,

然后得出x(t-1)的估计值。x(t-1)的估计值= α的估计值* z(t-1) (3)把x(t-1)的估计值带⼊到第⼀个式⼦中,即y(t)=β* x(t-1)的估计值+ε(t) ,再

进⾏OLS回归,最后得到β的估计值,以及test-statistic的值,和p-value.

# 建⽴x(t-1)与z(t-1)的函数关系  
  n=length(x)  
  olsmodel <- lm(x[-1] ~ z[-n] +I(1:(n-1)), data=CampaignData)  
#   summary(olsmodel)  
   
  # 得出x(t-1)的估计值  
#   fitted(olsmodel)  
  # 把x(t-1)的估计值带⼊到第1⼀个式⼦中,即y(t)=β*x(t-1)的估计值+ε(t)  
  p=summary(olsmodel)[4]$coefficients[,4][2]  
  return(p)  
p=numeric(0)  
fo){  
    p=c(p,f(x[xx[i]:xx[i+1]],y[yy[j]:yy[j+1]]))

7.p-value surfaces图:


需要的是得到下⾯的这样一张图,⽤p-value 构建的。

具体描述是:所选取的样本区间是从1965年1⽉到2014年12⽉,以5年为⼀个最短的⼦样本。图的y轴为样本的起始点⼀共540个(从1965年1⽉到2009年12⽉), x轴为样本的终点⼀共也是540个(从1970年1⽉到2014年12⽉)。图中的每⼀个点为⼀个⼦样本的p-value的值。

for(j in 1:(length(yy)-1)){  
    p=c(p,f(x[xx[i]:xx[i+1]],y[yy[j]:yy[j+1]]))
persp(xx, yy, z, theta = 30, phi = 30, expand = 0.5, col = "lightblue")



相关文章
|
16小时前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
16小时前
|
存储 监控 NoSQL
【MongoDB 专栏】MongoDB 的日志管理与分析
【5月更文挑战第11天】MongoDB日志管理与分析至关重要,包括系统日志和操作日志,用于监控、故障排查和性能优化。合理配置日志详细程度、存储位置和保留策略,使用日志分析工具提升效率,发现性能瓶颈和安全性问题。日志分析有助于优化查询、调整配置,确保数据安全,并可与其他监控系统集成。面对日志量增长的挑战,需采用新技术如分布式存储和数据压缩来保障存储和传输。随着技术发展,不断进化日志管理与分析能力,以支持MongoDB的稳定高效运行。
【MongoDB 专栏】MongoDB 的日志管理与分析
|
16小时前
|
Web App开发 数据可视化 数据挖掘
利用R语言进行聚类分析实战(数据+代码+可视化+详细分析)
利用R语言进行聚类分析实战(数据+代码+可视化+详细分析)
|
16小时前
|
数据采集 数据可视化
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
|
16小时前
利用R语言进行典型相关分析实战
利用R语言进行典型相关分析实战
|
16小时前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
16小时前
|
机器学习/深度学习 算法
R语言分类回归分析考研热现象分析与考研意愿价值变现
R语言分类回归分析考研热现象分析与考研意愿价值变现
|
16小时前
|
数据可视化 定位技术
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
|
16小时前
|
机器学习/深度学习 数据可视化 算法
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为1
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
16小时前
|
机器学习/深度学习 数据可视化 算法
R语言聚类分析、因子分析、主成分分析PCA农村农业相关经济指标数据可视化|数据分享
R语言聚类分析、因子分析、主成分分析PCA农村农业相关经济指标数据可视化|数据分享

热门文章

最新文章