Оценка S&P 500 и индекса HSI. (США и Гонконг)
О чем пойдет речь в этой статье:
- Как получить биржевые данные с помощью python
- Определение того, следует ли использовать модель VAR или VEC. > - Импульсный отклик
- Следующие шаги для дальнейшего анализа
Получение данных
Первый шаг — получить соответствующие данные с помощью Yahoo Finance API. Обратите внимание, что тикер S&P 500 — ^GSPC, а тикер HSI — ^HSI. Этот код предоставит вам ежедневные данные, которые мы преобразуем в ежемесячные данные в Eviews.
Чтобы получить оба индекса, используйте следующий код:
##Libraries
import yfinance as yf
from datetime import datetime
import pandas as pd
start_date = datetime(1997,7, 2) ## year, month, date; put this to your needs
end_date = datetime(2022, 4, 1) ## put this to your needs
SP_500 = yf.download('^GSPC', start=start_date, end=end_date)
HSI = yf.download('^HSI', start=start_date, end=end_date)
SP_500 = SP_500['Adj Close'] #we are only targeting one column
HSI = HSI['Adj Close']
SP_500.to_csv('SP_500.csv') #download into a CSV file
HSI.to_csv('HSI.csv')
У нас есть 6 столбцов во фрейме данных, вам нужно сохранить только один. Вы можете выбрать «Закрыть» или «Приспособить закрытие». В этом примере мы будем использовать скорректированную цену закрытия. Возьмите CSV-файл и загрузите его в свой Eviews. Чтобы преобразовать ежедневные данные в ежемесячные, нажмите «Новая страница» в рабочем файле. Затем нажмите «Указать по частоте/диапазону» и измените «Частота» на ежемесячно. Скопируйте набор данных с первой вкладки на новую вкладку. Он автоматически преобразует дневной набор данных в месячный.
Вы также можете просто сделать это в python и ежемесячно загружать в Eviews.
ВАР или ВЭК?
ВАР:
- VAR использует стационарные переменные
- Если они не коинтегрированы, вы можете взять разницу (логарифм), чтобы превратить их в стационарные переменные.
ВЭК:
- VEC использует нестационарные переменные, когда эти нестационарные переменные коинтегрированы
Обе мои переменные (индекс HSI и S&P 500) нестационарны и не коинтегрированы. Таким образом, мы должны создать модель VAR.
Определение стационарных переменных по графику:
Здесь мы видим, что индекс S&P 500 не является стационарным, график имеет восходящий тренд и не возвращается к своему среднему значению. Хотя я не размещал изображение на индексе HSI, которое также не является стационарным.
Метод — 2 (который я рекомендую)
Вы можете выполнить расширенный тест единичного корня Дики-Фуллера. Это можно легко сделать в Eviews. Откройте свою переменную, нажмите «Просмотр» в правом углу, наведите указатель мыши на «Unit Root Test» и нажмите «Standard unit root test». Для этого примера оставьте все в настройках по умолчанию и нажмите «ОК». На изображении ниже показано, что вы увидите.
Вы видите, что t-статистика незначительна, поскольку значение P выше 0,05.
2,439 › -2,871 и -1,9261 › -2,8711; означает, что оба нестационарны
Поскольку обе переменные являются нестационарными, мы должны проверить, являются ли они коинтегрированными!
Тест на совместную интеграцию
Я покажу вам два метода проверки того, коинтегрированы ли ваши переменные.
Метод 1 (длинный путь):
В Eviews нажмите «Быстрый», а затем «Оценить уравнение». Первая переменная будет вашей зависимой переменной, за которой следуют константа «c» и другие ваши переменные.
Как только вы нажмете «ОК», вы увидите изображение ниже:
Теперь нам нужно получить остатки и посмотреть, являются ли они коинтегрированными. Каждый раз, когда вы запускаете модель в Eviews, «resid» автоматически заполняется в рабочем файле. В командной строке введите «series resid1 = resid». Это создаст новую переменную с именем resid1. Дважды щелкните resid1, нажмите «Просмотр», наведите указатель мыши на «тесты корневого модуля» и нажмите «Стандартный корневой тест». Результаты представлены на изображении ниже.
На этом изображении мы видим, что t-статистика равна -1,5875, что больше, чем t-статистика на уровне 5% -1,9419. Однако мы не можем использовать критические значения для остатков, мы должны использовать критические значения для теста коинтеграции!
Используя β∞ + β1/T + β2/T2:
T = 295
-3,3377 + (-5,967/295) + (-8,98/295) = -3,3883
-1,587589 › - 3,3883
Мы принимаем нулевую гипотезу (не можем отклонить нулевую гипотезу) о том, что остатки имеют единичный корень, что означает нестационарность. У нас высокое значение R-квадрата, равное 0,5, и крайне низкое значение показателя Дарбина Уотсона, равное 0,045. Это просто означает, что это ложная регрессия.
Метод 2 (метод Энгла Грейнджера):
Нажмите «Быстро» и «Оценить уравнение». Введите зависимую переменную, затем «c», а затем вашу независимую переменную. Измените метод на «COINTREG-Коинтегрирующая регрессия». Нажмите «ОК», см. изображение ниже:
Теперь нажмите «Просмотр», затем «Коинтеграционные тесты…» и измените метод тестирования на «Энгл-Грейнджер».
Методом Грейнджера мы видим, что тау-статистика имеет значение -1,5875, что совпадает с изображением выше для вопроса 1, шаги 2 и 3. Мы принимаем нашу нулевую гипотезу (не можем отвергнуть нулевую гипотезу), что две переменные (HSI и S&P 500) не коинтегрированы.
Хорошие новости: мы можем использовать модель VAR!
Модель VAR
VAR использует стационарные переменные, поэтому мы должны преобразовать HSI и S&P в стационарные переменные. Для этого вы берете разницу, взяв бревно. Нажмите «Proc», а затем «Создать по уравнению..» и введите «new_variable» = @dlog («имя вашей переменной»). См. изображение ниже.
Нажмите «Быстро», а затем «Оценить вар…». Там, где указано «Эндогенные переменные», первой переменной будет ваша зависимая переменная, за которой следуют наиболее влиятельные переменные. В этой ситуации я использую только 2 переменные, но вы можете добавить ВВП, уровень безработицы, цены на нефть……. Одним из распространенных способов определения порядка переменных является проверка причинно-следственной связи по Грейнджеру.
Там, где написано «Эндогенные переменные», вы можете создать фиктивную переменную и поместить ее туда. Вы также можете указать финансовый кризис, такой как рецессия и ковид.
На изображении выше показана наша модель VAR. Нам нужно выполнить тест длины лага. Нажмите «Просмотр», «Структура лагов», а затем «Критерии длины лага» и введите «12» для количества лагов.
Вам нужно посмотреть на последние 3 столбца. В данном случае это прямолинейно, и мы видим, что для «AIC», «SC» и «HQ» звездочка помещена на отставание 1. Это означает, что ваша модель VAR должна иметь 1 отставание. См. изображение ниже с окончательной моделью VAR.
Теперь мы можем посмотреть на разложение дисперсии. Нажмите «Просмотр», «Разложение дисперсии» и измените формат отображения на «Таблица» и «Периоды» на 12. Вы увидите изображение ниже.
Обратите внимание, что второй столбец — это доходность индекса HSI для первой таблицы. Для второго периода отклонения индекс HSI имеет объяснительную силу 0,62% по сравнению с индексом S&P 500. Изменения происходят только к 7-му периоду дисперсии, с небольшими изменениями от 3-6-го периода дисперсии. Доходность индекса HSI не имеет существенной объяснительной силы по сравнению с доходностью индекса S&P500.
Во второй таблице показано, что доходность индекса S&P 500 объясняет 41,6% индекса HSI для периода отклонения 1. Для остальных периодов сила объяснения составляет около 39%.
Таким образом, это говорит нам о том, что доходность индекса S&P 500 больше влияет на доходность индекса HIS. Период отклонения в этой ситуации означает просто месяц, если бы мы использовали квартальные данные, период отклонения, равный 1, означал бы 1-й квартал.
Это похоже на анализ основных компонентов (PCA), где мы видим, какие переменные имеют наибольшую дисперсию, чтобы объяснить зависимую переменную.
Импульсный отклик
Чтобы создать график импульсного отклика, нажмите «Просмотр», а затем «Импульсный отклик».
График «Отклик PRICE_RETURN_HK на PRICE_RETURN_USA» показывает, что один шок стандартного отклонения (3,9%) в S&P 500 окажет положительное влияние примерно на 3,7% в первый год, положительное влияние примерно на 0,5% на второй год и стабилизирует третий год.
Дальнейшие шаги
- Создайте свой собственный рассказ!
- Если в Соединенных Штатах продолжается рецессия, какой рынок меньше всего затронут? HSI? Можете ли вы вложить деньги в краткосрочной перспективев другое место? - Добавьте ВВП, уровень безработицы и другие функции
- Добавьте переменные финансового кризиса! (Рецессия/ковид) — фиктивные переменные
-@expand(@quarter,@droplast) — укажите это как экзогенную переменную
— Быстрый способ добавить рецессию — создать файл Excel с 0 и 1, где 1 представляет месяцы рецессии. - Вы можете создать модель VAR с несколькими переменными и автоматизировать ее с помощью Python!
