Влияние денежной массы и нефти на объем фондового рынка

КонтрольнаяПомощь в написанииУзнать стоимостьмоей работы

Существует несколько теорий инвестиций. Самая общепринятая — теория q-Тобина. Она основана на предположении, что инвестиции будут сделаны во всех случаях, когда они позволят увеличить стоимость компании. Главным фактором инвестиций является предельный q-Тобина, представляющий собой производную ожидаемой стоимости фирмы по запасу капитала, которым она располагает. Инвестиции осуществляются, если… Читать ещё >

Влияние денежной массы и нефти на объем фондового рынка (реферат, курсовая, диплом, контрольная)

Stock = капитализация по индексу РТС

M = денежная масса M2 (в России)

Oil = цена нефти марки Brent

Идея модели: есть гипотеза о том, что объем фондового рынка определяется объемом денежной массы. Эта гипотеза не очень хорошо обоснована в теории, но достаточно распространена среди макроэкономистов-практиков (например, Е. Е. Гавриленков не исключает такой гипотезы, собственно он меня с ней познакомил).

Альтернативная гипотеза среди практиков: всё определяется ценой нефти.

Строим модель

Результаты оценки:

STOCK = C (1) + C (2)*M + C (3)*OIL

STOCK = -64.25 140 642 + 2.121 065 019*M + 1.208 573 661*OIL


Dependent Variable: STOCK
Method: Least Squares
Date: 12/22/08 Time: 00:54
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	— 64.25 141	16.67 446	— 3.853 283	0.0027
M	2.121 065	1.48 528	2.22 899	0.0681
OIL	1.208 574	0.446 968	2.703 936	0.0205
R-squared	0.843 461	Mean dependent var	31.62 247
Adjusted R-squared	0.814 999	S.D. dependent var	30.52 121
S.E. of regression	13.12 769	Akaike info criterion	8.174 734
Sum squared resid	1895.698	Schwarz criterion	8.311 674
Log likelihood	— 54.22 313	F-statistic	29.63 503
Durbin-Watson stat	1.683 804	Prob (F-statistic)	0.37

Гипотезы:

1 Теория денежной массы не работает: C2=0

2 Теория нефти не работает: C3=0

Гипотезы проверены с помощью теста Вальда, значения t-статистик приведены выше. Основываясь на p-value делаем вывод, что на 5% уровне значимости гипотеза 1 не отвергается: теория денежной массы не работает, гипотеза 2 отвергается: теория нефти работает.

Влияние денежной массы и нефти одинаково: C2=C3


Wald Test:
Equation: EQ01
Test Statistic	Value	df	Probability
F-statistic	0.404 301	(1, 11)	0.5379
Chi-square	0.404 301		0.5249
Null Hypothesis Summary:
Normalized Restriction (= 0)	Value	Std. Err.
C (2) — C (3)	0.912 491	1.435 080
Restrictions are linear in coefficients.

Данная гипотеза не отвергается. Об этом говорит низкое значение F-статистики. Значит, мы не может с уверенностью утверждать, что влияние разное.

Провести тест Чоу,

Возможно, все изменилось в 2000;х, когда цена нефти стала достаточно высокой.


Chow Breakpoint Test: 2000
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1994 2007
F-statistic	1.116 904	Prob. F (3,8)	0.3978
Log likelihood ratio	4.897 746	Prob. Chi-Square (3)	0.1794
Wald Statistic	3.350 713	Prob. Chi-Square (3)	0.3406

Значение F-статистики соответствует p-value около 40%, поэтому гипотеза о равенстве коэффициентов (всех трех) не отвергается. Делаем вывод, что серьезных изменений не произошло.

Провести тест Бокса — Кокса,

Все переменные номинальные. И в основном растут со временем, возможно, экспоненциально. Поэтому есть смысл оценить регрессию в логарифмах.


Dependent Variable: LOG (STOCK)
Method: Least Squares
Date: 12/27/08 Time: 23:49
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	— 11.77 487	11.20 011	— 1.51 317	0.3157
LOG (M)	0.872 621	4.908 188	0.177 789	0.8621
LOG (OIL)	3.185 984	2.900 511	1.98 421	0.2955
R-squared	0.214 354	Mean dependent var	2.158 374
Adjusted R-squared	0.71 509	S.D. dependent var	2.942 306
S.E. of regression	2.835 155	Akaike info criterion	5.109 480
Sum squared resid	88.41 913	Schwarz criterion	5.246 420
Log likelihood	— 32.76 636	F-statistic	1.500 605
Durbin-Watson stat	0.574 028	Prob (F-statistic)	0.265 307

Знаки коэффициентов не изменились, однако оба стали незначимы.

Проверяем, какая модель лучше подходит с помощью теста Бокса-Кокса.

Проводим преобразование Зарембки. В данном случае (для логарифмической модели) делим каждую переменную на среднее геометрическое этой переменной по всем наблюдениям. Расчеты проводим в eviews, который не рассчитывает среднего геометрического, поэтому сначала считаем среднее арифметическое логарифмов переменных, затем возводим экспоненту в соответствующую степень, чтобы получить среднее геометрическое. Затем оцениваем линейную и логарифмическую модели и сравниваем RSS.

Новые переменные, полученные в результате преобразования Zarembka, назовем zStock, zOil, zM.


Dependent Variable: ZSTOCK
Method: Least Squares
Date: 01/05/09 Time: 23:23
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	— 7.421 860	1.926 113	— 3.853 283	0.0027
ZOIL	4.613 613	1.706 258	2.703 936	0.0205
ZM	5.986 387	2.959 311	2.22 899	0.0681
R-squared	0.843 461	Mean dependent var	3.652 800
Adjusted R-squared	0.814 999	S.D. dependent var	3.525 590
S.E. of regression	1.516 416	Akaike info criterion	3.857 986
Sum squared resid	25.29 469	Schwarz criterion	3.994 927
Log likelihood	— 24.590	F-statistic	29.63 503
Durbin-Watson stat	1.683 804	Prob (F-statistic)	0.37

Estimation Equation:

LOG (ZSTOCK) = C (1) + C (2)*LOG (ZOIL) + C (3)*LOG (ZM)

Substituted Coefficients:

LOG (ZSTOCK) = 3.80 534 4066e-010 + 3.185 983 792*LOG (ZOIL) + 0.8 726 208 796*LOG (ZM)


Dependent Variable: LOG (ZSTOCK)
Method: Least Squares
Date: 01/05/09 Time: 23:24
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	3.81E-10	0.757 727	5.02E-10	1.0000
LOG (ZOIL)	3.185 984	2.900 511	1.98 421	0.2955
LOG (ZM)	0.872 621	4.908 188	0.177 789	0.8621
R-squared	0.214 354	Mean dependent var	— 2.87E-11
Adjusted R-squared	0.71 509	S.D. dependent var	2.942 306
S.E. of regression	2.835 155	Akaike info criterion	5.109 480
Sum squared resid	88.41 913	Schwarz criterion	5.246 420
Log likelihood	— 32.76 636	F-statistic	1.500 605
Durbin-Watson stat	0.574 028	Prob (F-statistic)	0.265 307

У линейной регрессии значение RSS значительно меньше, чем у логарифмической.

Вывод: линейная спецификация лучше описывает данные.

Провести тест Рамсея,

Тестируем модель на пропущенные переменные


Ramsey RESET Test:
F-statistic	0.606 829	Prob. F (2,9)	0.5659
Log likelihood ratio	1.771 018	Prob. Chi-Square (2)	0.4125
Test Equation:
Dependent Variable: STOCK
Method: Least Squares
Date: 12/22/08 Time: 11:30
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	— 48.61 893	76.42 636	— 0.636 154	0.5405
M	1.716 507	2.539 427	0.675 943	0.5161
OIL	1.8 972	1.225 458	0.823 342	0.4316
FITTED²	— 0.3 455	0.25 301	— 0.136 576	0.8944
FITTED³	6.19E-05	0.175	0.353 875	0.7316
R-squared	0.862 062	Mean dependent var	31.62 247
Adjusted R-squared	0.800 756	S.D. dependent var	30.52 121
S.E. of regression	13.62 366	Akaike info criterion	8.333 947
Sum squared resid	1670.438	Schwarz criterion	8.562 181
Log likelihood	— 53.33 763	Hannan-Quinn criter.	8.312 819
F-statistic	14.6 169	Durbin-Watson stat	1.717 569
Prob (F-statistic)	0.656

Пропущенных переменных нет.

Также этот тест применяется для проверки на гетероскедастичность. Ее он тоже не выявил.

5 проверить данные на наличие мультиколлинеарности, принять меры при ее наличии,

Считаем VIF. Здесь всего 2 регрессора, поэтому VIF всего один

Estimation Command:

LS M C OIL

Estimation Equation:

M = C (1) + C (2)*OIL

Substituted Coefficients:

M = 12.80 018 758 + 0.3 457 604 628*OIL

6. провести тесты на автокорреляцию остатков регрессии, при необходимости

Самый простой тест — Бокса-Пирса

Тест показывает отсутствие автокорреляции

Тест Breusch-Pagan-Godfrey (LM) также не показывает автокорреляции

Коррекция автокорреляции и мультиколлинеарности не требуется, так как их нет.

Тем не менее, можно использовать стандартные средства Eviews для коррекции. Например, поправки Newey-West. Они также позволят избавиться от гетероскедастичности.


Dependent Variable: STOCK
Method: Least Squares
Date: 12/27/08 Time: 23:57
Sample: 1994 2007
Included observations: 14
Newey-West HAC Standard Errors & Covariance (lag truncation=2)
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	— 64.25 141	17.19 334	— 3.736 994	0.0033
M	2.121 065	1.68 430	1.985 217	0.0726
OIL	1.208 574	0.428 951	2.817 511	0.0167
R-squared	0.843 461	Mean dependent var	31.62 247
Adjusted R-squared	0.814 999	S.D. dependent var	30.52 121
S.E. of regression	13.12 769	Akaike info criterion	8.174 734
Sum squared resid	1895.698	Schwarz criterion	8.311 674
Log likelihood	— 54.22 313	F-statistic	29.63 503
Durbin-Watson stat	1.683 804	Prob (F-statistic)	0.37

нефтяной фондовый рынок денежный

Видим, что качественно результаты не изменились: знаки, соотношние коэффициентов по модулю, их значимость остались теми же.

Провести тесты на гетероскедастичность остатков регрессии, при необходимости провести коррекцию,

Делаем тест White


Heteroskedasticity Test: White
F-statistic	0.312 788	Prob. F (2,11)	0.7377
Obs*R-squared	0.753 344	Prob. Chi-Square (2)	0.6861
Scaled explained SS	0.285 997	Prob. Chi-Square (2)	0.8668
Test Equation:
Dependent Variable: RESID²
Method: Least Squares
Date: 12/22/08 Time: 11:38
Sample: 1994 2007
Included observations: 14
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	215.1137	116.0538	1.853 570	0.0908
M²	— 0.234 352	0.302 622	— 0.774 406	0.4550
OIL²	0.52 258	0.85 459	0.611 497	0.5533
R-squared	0.53 810	Mean dependent var	135.4070
Adjusted R-squared	— 0.118 224	S.D. dependent var	155.8360
S.E. of regression	164.7905	Akaike info criterion	13.23 464
Sum squared resid	298 715.0	Schwarz criterion	13.37 158
Log likelihood	— 89.64 246	Hannan-Quinn criter.	13.22 196
F-statistic	0.312 788	Durbin-Watson stat	2.456 647
Prob (F-statistic)	0.737 701

Провести тест Хаусмана на необходимость использования инструментальных переменных

Оценить модели бинарного выбора

Оценить тобит — модель

Оценить модель Хекмана

Оценить модели панельных данных

Оцениваем модель ликвидности.

Суть теории ликвидности состоит в том, что в условиях неэффективного рынка капитала инвестиции зависят не только от значения q-Тобина, но и от объема свободных финансовых средств, находящихся в распоряжении компании. В идеальном случае, когда финансовый рынок эффективен, данная теория не работает: внешние источники финансирования доступны в неограниченном объеме и имеют ту же стоимость, что и внутренние, а значит, инвестиции будут профинансированы вне зависимости от объема доступного внутреннего финансирования. В случае, если рынок капитала неэффективен, внешние источники финансирования могут быть недоступны или их стоимость значительно выше, чем у внутренних источников. В таком случае, чем большим объемом внутреннего финансирования обладает компания, тем больший объем инвестиций будет сделан.

Мы используем панельные данные о 74 российских компаниях. Временная структура данных представлена тремя наблюдениями: 01.01.2006, 01.01.2007 и 01.01.2008. Используются следующие показатели: инвестиции (Investment), поток наличности (cash flow), капитализация (equity), основной капитал за вычетом амортизации (net fixed capital). Отдельно рассчитывалось q-Тобина как отношение equity/ net fixed capital.

Итак, оцениваем уравнение

где I — инвестиции, Q — q-Тобина, K — капитал, CF=Cash Flow

Оцениваем три спецификации: pooled, FE, RE.

Результаты:

Pooled

Estimation Command:

LS IK C Q CK

Estimation Equation:

IK = C (1) + C (2)*Q + C (3)*CK

Substituted Coefficients:

IK = 0.8 187 164 638 + 0.2 705 782 243*Q + 0.1 934 773 157*CK

Estimation Command:

LS (CX=F) IK C Q CK

Estimation Equation:

IK = C (1) + C (2)*Q + C (3)*CK + [CX=F]

Substituted Coefficients:

IK = 0.8 627 488 452 + 0.3 397 887 573*Q — 0.4 054 521 188*CK + [CX=F]


Dependent Variable: IK
Method: Panel Least Squares
Date: 12/28/08 Time: 00:22
Sample: 2006 2008
Cross-sections included: 74
Total panel (unbalanced) observations: 219
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.86 275	0.39 938	2.160 234	0.0324
Q	0.339 789	0.20 498	16.57 675	0.0000
CK	— 0.40 545	0.68 877	— 0.588 657	0.5570
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.992 154	Mean dependent var	0.876 736
Adjusted R-squared	0.988 039	S.D. dependent var	5.291 824
S.E. of regression	0.578 747	Akaike info criterion	2.11 934
Sum squared resid	47.89 759	Schwarz criterion	3.188 051
Log likelihood	— 144.3068	F-statistic	241.1058
Durbin-Watson stat	2.345 673	Prob (F-statistic)	0.0

Estimation Command:

LS (CX=R) IK C Q CK

Estimation Equation:

IK = C (1) + C (2)*Q + C (3)*CK + [CX=R]

Substituted Coefficients:

IK = 0.6 754 984 617 + 0.2 996 573 518*Q + 0.9 410 951 395*CK + [CX=R]

Результаты оценок значительно отличаются для трех моделей. Модель Pooled дает наиболее интуитивные результаты. Модели FE и RE подтверждают теорию Q-Тобина. Причем если для RE показатель ликвидности (Cash/K) остался значим на уровне 10,1% и знак оценки коэффициента остался положительным, для FE результат более сильный.

Полученные результаты позволяют поставить под сомнение теорию ликвидности (авторы базовых статей оценивали только Pooled регрессии, которые могут быть неверны).

Для начала сравним RE и FE.

Тест Хаусмана.


Correlated Random Effects — Hausman Test
Equation: EQ2
Test cross-section random effects
Test Summary	Chi-Sq. Statistic	Chi-Sq. d.f.	Prob.
Cross-section random	110.772 723		0.0000
Cross-section random effects test comparisons:
Variable	Fixed	Random	Var (Diff.)	Prob.
Q	0.503 607	0.157 713	0.1 164	0.0000
CK	0.290 561	0.102 632	0.12 072	0.0872
CK (-1)	— 0.95 213	0.114 756	0.615	0.0000

Далее сравниваем Pooled с FE и RE


RSS_pooled	179.0905
RSS_FE	47.89 759
RSS_RE	181.3188
	F	Pv
Pooled Vs FE	5.440 538	2.36311E-18
Pooled Vs RE	— 0.3 791

Сравнение Pooled Vs RE свидетельствует об их эквивалентности, а значит нужно выбирать Pooled как более эффективную

Сравение Pooled Vs FE говорит о том, что Pooled несостоятельна, и нужно выбрать FE

Показать весь текст

Заполнить форму текущей работой