全部版块 我的主页
论坛 经济学人 二区 外文文献专区
991 24
2022-06-24
英文标题:
《A Stock Market Model Based on CAPM and Market Size》
---
作者:
Andrey Sarantsev, Blessing Ofori-Atta, Brandon Flores
---
最新提交年份:
2021
---
英文摘要:
  We introduce a new system of stochastic differential equations which models dependence of market beta and unsystematic risk upon size, measured by market capitalization. We fit our model using size deciles data from Kenneth French\'s data library. This model is somewhat similar to generalized volatility-stabilized models in (Pal, 2011; Pickova, 2013). The novelty of our work is twofold. First, we take into account the difference between price and total returns (in other words, between market size and wealth processes). Second, we work with actual market data. We study the long-term properties of this system of equations, and reproduce observed linearity of the capital distribution curve. Our model has two modifications: for price returns and for equity premium. Somewhat surprisingly, they exhibit the same fit, with very similar coefficients. In the Appendix, we analyze size-based real-world index funds.
---
中文摘要:
我们引入了一个新的随机微分方程系统,该系统模拟了市场贝塔和非系统风险对规模的依赖性,以市值衡量。我们使用肯尼思·弗伦奇(KennethFrench)数据库中的大小十分位数数据来拟合我们的模型。该模型在某种程度上类似于(Pal,2011;Pickova,2013)中的广义波动率稳定模型。我们工作的新颖性是双重的。首先,我们考虑了价格和总回报之间的差异(换句话说,市场规模和财富过程之间的差异)。其次,我们使用实际的市场数据。我们研究了这一方程组的长期性质,并再现了观察到的资本分布曲线的线性。我们的模型有两个修改:价格回报和股权溢价。令人惊讶的是,它们表现出相同的拟合,系数非常相似。在附录中,我们分析了基于规模的真实指数基金。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-24 10:19:47
一个基于CAPM和市场规模的股票市场模型。Drey SARANTSEV,福佑OFORI-ATTA,BRANDON FLORESAbstract。我们引入了一个新的随机微分方程系统,该系统模拟了市场贝塔和非系统风险对规模的依赖性,以市值衡量。我们使用Kenneth French数据库中的大小十分位数数据来拟合模型。该模型与中的广义波动率稳定模型有些相似(Pal,2011;Pickova,2013)。我们工作的新颖性是双重的。首先,我们考虑了价格和总回报之间的差异(换句话说,市场规模和财富过程之间的差异)。其次,我们使用实际的市场数据。我们研究了这一方程组的长期性质,并再现了观察到的资本分布曲线的线性。在附录中,我们分析了基于规模的真实指数基金。1、引言1.1。规模效应和资本资产定价模型。股票的规模是由其市值或市值来衡量的:当前股票价格乘以股票数量。对于股票投资组合,其市值定义为组成股票市值的加权和,权重等于投资组合权重。规模是股票或投资组合的一个非常重要的基本特征。据观察,小型股比大型股具有更高的回报,但风险更高。一种解释是,小公司正处于动态增长阶段,与大型成熟公司相比,它们具有更高的增长潜力,但小公司更容易倒闭和破产。一些研究人员声称,即使在对风险进行调整后,小盘股的回报率也高于大盘股。这种调整可以在资本资产定价模型(CAPM)的框架内进行。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 10:19:50
以timet期间总回报(包括股息,未经通货膨胀调整)Q(t)的股票组合为例。这里,我们在离散时间设置中操作。将其与短期国库券R(t)的无风险回报率进行比较。投资者因冒险投资股票而非安全的国库券,理应获得额外的回报。我们通过减去P(t)=Q(t)来计算股权溢价P(t)- R(t)。接下来,我们计算amarket投资组合的股票溢价P(t),作为基准。这类基准的一个例子是标准普尔500指数(Standard&Poor(S&P)500),这是一个广泛用于大型美国股票的基准。进行线性回归:(1)P(t)=α+βP(t)+ε(t)。参数β表示市场敞口,即投资组合因基准波动而面临的风险程度。参数α表示超额回报,即在这个市场回报的基础上,一个人可以从这个投资组合中赚多少钱。它们通常被称为希腊语:beta和alpha。剩余ε(t)被称为非系统风险,可以通过分散来消除。根据CAPM,α=0,唯一值得回报的风险是系统风险(由于市场敞口),因为其他风险可以分散。关键词和短语。JEL分类:C58、G17。资本资产定价模型;随机微分方程;资本分配曲线;随机稳定性;市场权重。2 ANDREY SARANTSEV,福佑OFORI-ATTA,BRANDON Florest经典文章中提出了CAPM【25】。随后的研究怀疑CAPM与实际市场数据的一致性。特别是,[4]发现,小盘股的投资组合产生正α。也就是说,即使在调整了市场敞口后,小盘股的回报率也高于大盘股(小盘股的回报率大于1)。随后的经典文章[7]证实了这一点。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 10:19:53
关于尺寸效应的进一步研究可在[24]和[26]以及其中的参考文献中找到。另见[8]中对CAPM的批判。1.2. 我们的模型。我们研究了α、β、σ(ε(t)的标准偏差)对大小的依赖性,通过市值S(t)或更准确地说,通过与S(t)的相对大小来衡量:(2)C(t)=lnS(t)S(t)。我们希望找到C的函数α、β、σ,以便对于标准白噪声项SZ(t),E[Z(t)]=0,E[Z(t)]=1:(3)P(t)=α(C(t))+β(C(t))P(t)+σ(C(t))Z(t)。这使我们能够量化α和β(以及σ-非系统风险的标准偏差)如何准确地依赖于相对大小度量。然后,我们考虑等式(3)的一个版本,其中权益溢价被价格回报所取代,即价格变化(或相当于市值变化)带来的回报。也就是说,我们将P(t)和P(t)替换为ln(S(t+1)/S(t))和ln(S(t+1)/S(t)),暂时忽略无风险利率和股息。这给出了:(4)lnS(t+1)S(t)=α(C(t))+β(C(t))lnS(t+1)S(t)+σ(C(t))Z(t),其中C(t)来自(2)。该等式(4)仅包括基准S(t)和投资组合S(t)的市值。这个时间序列方程或其连续时间版本,一个随机微分方程,允许我们将S(t)和S(t)与股息和无风险回报分开建模。在此基础上,我们添加方程式(3)。令人惊讶的是,市场数据为我们提供了(3)和(4)中几乎相同的函数α、β、σ,但系数不同。此外,(3)和(4)中的白噪声项几乎完全相关(超过99%)。这并非出于任何理论考虑,似乎只是一个简单分析的好运气。我们还将(3)和(4)调整为连续时间:股权溢价P(t)变为ln V(t),其中V(t)是为无风险回报调整的财富过程。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 10:19:56
更精确地说,V(t)=U(t)/U*(t) 式中,U(t)是在股票投资组合中投资U(0)=1并再投资股息所累积的财富,而U*是一种类似于投资保险单的财富过程。然后(3)的形式为(5)d ln V(t)=α(C(t))dt+β(C(t))d ln V(t)+σ(C(t))dW(t),其中以调整后的财富过程为基准,W是布朗运动:带W(t)的面积值连续过程- W(s)~ N(0,t- s) 独立于W(u),0≤u≤ s、 对于所有0≤ 这种布朗运动可以看作是一种缩小的随机行走,步幅很小但很频繁。为简单起见,我们假设lnv(t)也是正漂移的布朗运动(它捕捉到长期股票回报率大于无风险回报率的趋势)。虽然股本溢价有很重的尾部,因此不能很好地用高斯分布来描述,但布朗运动提供了一种简单的反向逼近。类似地,方程(4)变成(6)d ln S(t)=α(C(t))dt+β(C(t))d ln S(t)+σ(C(t))dW(t),这是一个基于CAPM和市场规模3的股票市场模型,其中C(t)来自(2)。通过以上备注,我们可以假设(5)和(6)中的驱动布朗运动W是相同的。1.3. 取决于尺寸度量。市场敞口β、超额收益α和非系统风险σ的标准差对相对规模的依赖性是什么?我们的统计分析没有得出结论性的结果。zun的白噪声测试失败了。因此,我们不能声称模型(3)、(4)通过了拟合优度检验。α,β,σ最合理的猜测似乎是:α(c),β(c),σ(c)=(α+c,1+β+c,σ+c,c≥ c类+-α-|c | 1/2,1+β-c、 σ-|c | 1/2,c≤ -c-.(7) 这里,α±、β±、σ±、c±是正常数。我们的数据分析不允许我们在零附近提出这些函数。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 10:19:59
这是因为我们的数据中观察到的C(t)并没有非常接近于零。1.4. 随机投资组合理论。连续时间版本很有用,因为我们可以使用随机演算并将这些模型浸入随机投资组合理论(SPT)。这是一个不依赖于特定模型的股市建模框架。这意味着小盘股将被高估,并将继续进行再平衡。这意味着,投资小型股票的比例要高于其市值所规定的比例。这方面的一个例子是采用等权投资组合。SPT的核心结果是:在温和的条件下,多样性(没有股票主宰整个市场)和充分的内在波动性,这类投资组合的表现优于市场投资组合,市场投资组合按市值比例投资每只股票;参见【1】、【10】、【11】。这一理论具有坚实的理论基础,与实测数据相一致。参考文献请参见本书[9]和最近的一项调查[12]。SPT基于与上述相同的观察结果:小型股比大型股具有更高的回报和风险。尽管我们在上文中提到,SPT是独立于模型的,但有一些SPT模型试图捕捉这一观察结果:竞争布朗粒子,其中市值的对数演变为布朗运动,漂移和扩散系数取决于它们相对于其他粒子的当前排名,[2]、[3]、[13];它们的跳跃泛化,或对名称和等级的依赖(所谓的二阶模型):见文章【3】、【5】、【21】;波动率稳定模型,其中ln S(t)由随机微分方程(SDE)建模,波动率与S(t)成反比,【18】及其推广,【20】。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群