金融市场风险投资行为中随机影响模型

金融市场风险投资行为中随机影响模型导读：金融投资从来没有0风险的投资，只是风险大小不同而已，所以为了降低风险，大家研究技术，如何把风险降到最低，从而产生各种分析模型，来分析经济数据或预测行情走势，甚至进行夸市场套利。本文将为大家简单介绍个随机影响模型。随机影响模型，也叫做误差成分模型，如果我们有一组面板数据，横截面数据有N个单位，时间序列上有T个时期，数据中有一个因变量和K个自变量，那么我们有适应这组数据的模型如下：Yit=B0i+B1X1it+B2X2it+……+BkXkit+εit其中，误差项εit的期望数值为0，方差σ2，我们不假设B0i为表示某种虚拟变量，的固定参数，而假设他们为随机的、相互独立的变量。他们的均值为B0，方差为σβ2，那么恩可以得出如下临时结论：B0i=B0+ηi，其中ηi的期望值为0，方差为σβ2，而且相互独立，COV(ηi,ηj)=0，我们还假设ηi与εit不相关，Corr（ηi，εit），那么我们就可把以上模型改写成如下模型：Yit=B0i+B1X1it+B2X2it+……+BkXkit+εit+ηi其实，这个模型比之前给大家介绍的F检验的模型要相对复杂的多，因为多了验证数据的误差项，为了消除ηi在模型中的随机影响，我们要相顾基础ηi的方差和εit，的方差，在对数据进行处理，然后在做回归分析，下面我们分为几个步骤，来解决这个问题：第一步、先用虚拟变量模型来估计参数，我们假设时间样本中有相对固定的，的差异，可以用虚拟变量来表示，如下：Yit=α01+α02D2it+……+α0TDTit+α0i+α1X1it+α2X2it+……+αkXkit+εit我们用最小二乘法对这个模型进行回归估计。这里所用的数据，是原始数据加虚拟变量。这样，我们可以估计出参数值，α0j和αk来（j=1,2，…….,T;K=1,2,……K）第二步、我们将实际数据带入估计模型中，求得误差项，如下εit=Yit-（α01+α02D2it+……+α0TDTit+α1X1it+α2X2it+……+αkXkit）σε2=∑σε2NT−T−K−1第三步、我们开始计算出变量数据的均值，并且将他们设为新的变量，如下所示：Yi=1T∑𝑌𝑡𝑖X1i=1T∑𝑋1𝑡𝑖Xki=1T∑𝑋𝑘𝑡𝑖之后，我们用这些新的变量来建立数据回归模型，即，Yi=γ0+γ1X1i+γ2X2i+……γkXki+δi,我们再用最小二乘法，来对这个模型进行线性回归分析。第四步、我们用这个模型，求得其误差项，即δi=Yi-（γ0+γ1X1i+γ2X2i+……γkXki）经过对一系列数据的修正，得出结论：σδ2=Tδ2+δ20，如果这个数值出现小于0的时候就证明数据出现了问题，交易的价格或者时间形成的数据失真，导致偏差的扩大，运用以上方式就可以检验出数据的无偏差性，这在期货套利尤其是股指期货的套利尤为重要，拟合优度的大小与无偏差似然估计之间的线性关系，就能决定我们在套利交易中的成败。看到这里，或许你完全是懵的，不知道在讲什么，所以在下面再给大家介绍下交易中最常见的经济数学模型，让大家有所启发。第一、一般情况下我们习惯性运用最小二乘法建立线性相关系数模型，至于相关系数的确认。比如说我们原油的价格都受到何种因素的影响，抛开地缘政治，那么就是供需关系的影响。我们就可以根据历史供需关系的数据来确定因素，D或者S或者用∑(D-S)第二、开始确定相关系数与基本矢量数据，X1，X2，X3，X4……..Xn第三、我们再假设，根据回归分析分方法可以计算出这样的一个线性方程，Y=a+BX但是这是基本意义上的线性回归，但是实际交易中，由于有时候价格受到地缘政治的影响非常大，导致价格偏差过大，形成极度偏差，导致数据准确性下降。实际上的数据与Y形成的对比关系是，e=Y-∫Y，于是我们最终的理论模型可以的出以下结论：Y=a+B∑(D-S)+e第四、我们就要对模型进行检验，关于检验的方法有t检验，以及F检验，为什么要检验呢，因为数据在统计的时候线性关系难免在统计之后出现一些多重共线的现象，所以如果我们不进行多重共线的检验，必然会使得数据准确性在无意间进行重复性的变动，之后必然会导致我们的偏差过大。F检验的步骤如下：第一步，假设H0：所有从原模型中被删除的自变量的洗漱都等于零。Ha：至少有一个被删除的自变量的系数不等于零。第二步：F检验的查表值自由度df1=r(被删除的自变量的个数)df2=n-k-1置信度a=5%，查表可以得出Fc的检验值第三步，F*检验值的计算=∑ei2是回顾估计误差平方和ESSr是改型模型估计误差平方的总和ESSu是原模型回归估计误差平方的总和第四步、比较Fc与F*如果F*Fc,否定原假设，改型模型不理想如果F*Fc,不能否定原假设，改型模型比较理想所以，我们在交易中一定要学会通过计量经济模型来确定是否可以进行交长期投资交易。