Влияние денежной массы и нефти на объем фондового рынка

Тип работы:
Контрольная
Предмет:
Экономика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

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

1

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.

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 q-Тобина превышает 1. Эмпирические тесты теории q-Тобина показывают, что она не подтверждается: q-Тобина не объясняет динамику инвестиций.

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

FE

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

RE

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

3

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

ПоказатьСвернуть
Заполнить форму текущей работой