Advertisement

事件研究中的常量均值模型(应用于股指)——Stata代码及示例数据

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
本资料提供关于在事件研究中应用常量均异质性模型于股指分析的详尽指导,并附有实用的Stata代码和示例数据,助力深入理解和操作实践。 事件研究-常量均值模型 数据处理说明: 本案例的研究对象为股指收益率,在市场模型与市场调整模型中相对股指收益率的市场收益不可得的情况下,参考Kaketsis & Sarantis(2006)的方法,采用常量均值收益模型来估计正常收益率。 运用常量均值收益模型,通过估计窗的数据估算第i个研究样本的正常收益率。具体步骤如下: 统计检验: 只要计算出时间段(t1, t2)内平均累计超额收益的标准差,即可构造t统计量以验证累积超额收益是否等于0,从而判断事件对股指是否有显著影响。 另一种方法是直接使用估计窗内的超额收益率标准差(两种方法的代码均已提供)。 事件日期在代码中设定。选择的估计窗口期为140个交易日,事件窗口设为【-30, +30】。 数据准备: 市场指数收益率.xlsx文件格式如下: 结果展示 附件下载:代码.do

全部评论 (0)

还没有任何评论哟~
客服
客服
  • )——Stata
    优质
    本资料提供关于在事件研究中应用常量均异质性模型于股指分析的详尽指导,并附有实用的Stata代码和示例数据,助力深入理解和操作实践。 事件研究-常量均值模型 数据处理说明: 本案例的研究对象为股指收益率,在市场模型与市场调整模型中相对股指收益率的市场收益不可得的情况下,参考Kaketsis & Sarantis(2006)的方法,采用常量均值收益模型来估计正常收益率。 运用常量均值收益模型,通过估计窗的数据估算第i个研究样本的正常收益率。具体步骤如下: 统计检验: 只要计算出时间段(t1, t2)内平均累计超额收益的标准差,即可构造t统计量以验证累积超额收益是否等于0,从而判断事件对股指是否有显著影响。 另一种方法是直接使用估计窗内的超额收益率标准差(两种方法的代码均已提供)。 事件日期在代码中设定。选择的估计窗口期为140个交易日,事件窗口设为【-30, +30】。 数据准备: 市场指数收益率.xlsx文件格式如下: 结果展示 附件下载:代码.do
  • BHARStata.rar
    优质
    本资源包包含用于执行BHAR(贝叶斯自适应哈密顿抽样算法)事件研究方法的Stata编程代码和相关示例数据集,适用于金融经济学领域的实证分析。 BHAR(Buy and Hold Abnormal Return),即购入持有异常收益法,在短期事件研究或长期事件研究中均包含六大步骤:定义事件及窗口、选择样本、确定预期收益率模型或基准收益率、估计异常收益、检验统计显著性以及结果解释。在长期事件研究中,正确选取期望收益模型或基准收益率尤为重要,并且准确衡量和理解异常收益的统计意义也非常关键。 以下是使用Stata进行BHAR分析的基本步骤: 1. 定义感兴趣的事件及其时间窗口。 2. 选择一个合适的样本(例如特定行业的公司)。 3. 确定用于计算预期回报率的方法,如市场模型或行业平均值等基准收益率方法。 4. 使用选定的模型来估计异常收益。这可能涉及回归分析或其他统计技术以确定事件影响下的股票超额表现。 5. 对所得结果进行统计显著性检验(例如t-检验),确保发现的结果不是随机波动导致的假象。 6. 分析并解释所获得的数据,评估该事件是否对股价产生了实质性的短期或长期效应。 在实践中,为了实现上述步骤,可以编写相应的Stata代码来处理数据和执行必要的统计测试。这些包括但不限于导入数据、计算预期收益、运行回归模型等操作的具体命令行指令集。此外还需要准备一些示例股票价格或其他相关财务信息作为研究的基础材料来进行案例分析。
  • Stata一般市场法实现
    优质
    本段介绍如何使用统计软件Stata来实施一般市场模型在事件研究中的应用,并提供具体编程代码示例。 这段代码是我自己编写的用于实现事件研究法的Stata代码,根据使用最广泛的一般市场模型编制而成。该代码充分考虑了交易日与日历日的区别及影响,并涵盖了个股AR的t检验。
  • 法_Stata进行法_
    优质
    本资源深入讲解如何运用Stata软件执行事件研究法,涵盖数据处理、模型构建及结果分析等环节,适合金融与经济学领域研究人员学习应用。 利用金融市场的数据资料来评估某一特定经济事件对一家上市公司的价值影响。
  • Stata 17 MPSEBE(含).txt
    优质
    这份文档提供了Stata 17软件中多处理器版本MPSEBE的使用指南,内含常见统计模型和熵值法的实用编程代码。 Stata17 MPSEBE(包含常用模型代码和熵值法计算代码).txt
  • GRS检验Stata
    优质
    本资源提供了一套用于执行性别结果相似性(GRS)分析的Stata编程脚本与相关演示数据集,旨在帮助研究者评估工作场所性别平等状况。 GRS检验是学术界常用的一种方法,用于评估定价模型的有效性,并且可以用来检测所有截距项是否同时为零。如果一个定价模型能够完全解释横截面上所有股票组合的超额收益,则这些组合回归结果中的联合检验应无法拒绝截距项全部为零的原假设。 GRS统计量如下: 示例数据主要涉及三因子模型的相关信息,但不包括构建该模型的具体步骤。 代码内容主要包括: 1. 使用市值和账面市值比将股票分成5x5个组合; 2. 计算这25个组合的加权超额收益率; 3. 将这些组合的数据转换为宽格式(grstest2命令要求数据以这种形式呈现,即每列代表一个投资组合的回报率,行表示时间); 4. 利用grstest2命令对三因子模型中的三个因素(市场风险MKT、规模风险SMB和价值风险HML)进行GRS检验; 5. 计算这25个回归截距项绝对值的平均数。
  • 2000-2021年间A上市公司控制变Stata处理
    优质
    本资料集整理了2000年至2021年期间中国A股上市公司的常用控制变量数据,并提供了相应的Stata处理代码,便于学术研究和实证分析。 时间范围为2000年至2021年(股权性质数据从2004年开始记录,第一大股东持股比例的数据则从2003年起有记载)。这些信息整理自csmar 和wind数据库。 涉及的指标包括:公司规模、资产负债率、总资产净利润率、净资产收益率、总资产周转率、现金流比率、应收账款占比、存货占比、固定资产占比、营业收入增长率、是否亏损状态,董事人数及独立董事比例情况,两职合一与否的信息,第一大股东持股比例和前五大股东持股比例等数据;股权制衡度(含两个指标)、账面市值比以及托宾Q值的数值记录。此外还包括公司性质方面的信息如是否为国有企业身份;上市年限与公司成立年份的数据统计;月均超额换手率、机构投资者持有股份的比例,管理层持股情况和管理费用比例等数据;大股东资金占用状况及审计相关的信息(包括会计师事务所名称以及审计意见);行业分类的具体内容。
  • PythonAttention-CNN-BiLSTM票价格预测(含完整
    优质
    本研究介绍了一种结合注意力机制、卷积神经网络和双向长短期记忆网络的新型算法框架,用于提高股市预测准确性。通过使用Python编程语言实现Attention-CNN-BiLSTM模型,并提供了完整的源代码和相关数据集供读者参考学习。 本段落详细介绍了使用Python实现Attention-CNN-BiLSTM深度学习模型进行时间序列股票价格预测的方法。首先阐述了环境配置需求及必要的软件包,并生成了一组示例股票价格数据,随后进行了数据预处理和划分步骤;接着具体展示了模型的实现流程,包括CNN提取特征、BiLSTM处理长期依赖以及Attention层优化信息聚焦的过程。然后演示了基于真实市场数据对模型进行训练与评估的具体操作方法和技术细节,并给出了直观的效果展示图以便读者理解和复现实验。 本段落适用于希望掌握利用深度学习模型预测股市走向的研发人员和学者,尤其是从事金融数据分析的研究员、具备一定机器学习和深度学习理论背景的知识工作者及学生。该模型旨在为金融市场提供科学合理的定价支持,帮助机构和个人投资者作出更理性的决策。 需要注意的是,由于股价受多种因素共同驱动的特点,即使高性能的模型也可能存在较大的误差,在实践中需考虑使用多种模型相互验证以提高预测结果的可信度。
  • EViews法_EViews_EViews进行_
    优质
    本资源深入讲解如何利用EViews软件开展事件研究法分析,涵盖数据准备、模型构建及结果解读等步骤,适用于金融与经济领域学者和学生。 主要是使用EViews进行事件研究法的相关计算。
  • K糊C聚类方法
    优质
    本研究提出了一种结合K均值与模糊C均值算法的改进模型,用于优化数值型数据集的聚类分析,提高分类准确性和灵活性。 对数值型数据分别采用K均值和模糊C均值聚类算法进行处理,并比较这两种方法的聚类正确率,从而得出结论。