Влияние денежной массы и нефти на объем фондового рынка

Суть теории ликвидности состоит в том, что в условиях неэффективного рынка капитала инвестиции зависят не только от значения q-Тобина, но

Влияние денежной массы и нефти на объем фондового рынка

Контрольная работа

Экономика

Другие контрольные работы по предмету

Экономика

Сдать работу со 100% гаранией

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= -64.25140642 + 2.121065019*M + 1.208573661*OIL

 

Dependent Variable: STOCKMethod: Least SquaresDate: 12/22/08 Time: 00:54Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-64.2514116.67446-3.8532830.0027M2.1210651.0485282.0228990.0681OIL1.2085740.4469682.7039360.0205R-squared0.843461 Mean dependent var31.62247Adjusted R-squared0.814999 S.D. dependent var30.52121S.E. of regression13.12769 Akaike info criterion8.174734Sum squared resid1895.698 Schwarz criterion8.311674Log likelihood-54.22313 F-statistic29.63503Durbin-Watson stat1.683804 Prob(F-statistic)0.000037Гипотезы:

1 Теория денежной массы не работает: C2=0

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: EQ01Test StatisticValue df ProbabilityF-statistic0.404301(1, 11) 0.5379Chi-square0.4043011 0.5249Null Hypothesis Summary:Normalized Restriction (= 0)Value Std. Err.C(2) - C(3)0.9124911.435080Restrictions 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 breakpointsVarying regressors: All equation variablesEquation Sample: 1994 2007F-statistic1.116904Prob. F(3,8)0.3978Log likelihood ratio4.897746Prob. Chi-Square(3)0.1794Wald Statistic 3.350713Prob. 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 SquaresDate: 12/27/08 Time: 23:49Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-11.7748711.20011-1.0513170.3157LOG(M)0.8726214.9081880.1777890.8621LOG(OIL)3.1859842.9005111.0984210.2955R-squared0.214354 Mean dependent var2.158374Adjusted R-squared0.071509 S.D. dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob(F-statistic)0.265307

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: ZSTOCKMethod: Least SquaresDate: 01/05/09 Time: 23:23Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-7.4218601.926113-3.8532830.0027ZOIL4.6136131.7062582.7039360.0205ZM5.9863872.9593112.0228990.0681R-squared0.843461 Mean dependent var3.652800Adjusted R-squared0.814999 S.D. dependent var3.525590S.E. of regression1.516416 Akaike info criterion3.857986Sum squared resid25.29469 Schwarz criterion3.994927Log likelihood-24.00590 F-statistic29.63503Durbin-Watson stat1.683804 Prob(F-statistic)0.000037

Estimation Equation:(ZSTOCK) = C(1) + C(2)*LOG(ZOIL) + C(3)*LOG(ZM)Coefficients:(ZSTOCK) = 3.805344066e-010 + 3.185983792*LOG(ZOIL) + 0.8726208796*LOG(ZM)

 

Dependent Variable: LOG(ZSTOCK)Method: Least SquaresDate: 01/05/09 Time: 23:24Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C3.81E-100.7577275.02E-101.0000LOG(ZOIL)3.1859842.9005111.0984210.2955LOG(ZM)0.8726214.9081880.1777890.8621R-squared0.214354 Mean dependent var-2.87E-11Adjusted R-squared0.071509 S.D. dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob(F-statistic)0.265307

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-statistic0.606829 Prob. F(2,9)0.5659Log likelihood ratio1.771018 Prob. Chi-Square(2)0.4125Test Equation:Dependent Variable: STOCKMethod: Least SquaresDate: 12/22/08 Time: 11:30Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-48.6189376.42636-0.6361540.5405M1.7165072.5394270.6759430.5161OIL1.0089721.2254580.8233420.4316FITTED^2-0.0034550.025301-0.1365760.8944FITTED^36.19E-050.0001750.3538750.7316R-squared0.862062 Mean dependent var31.62247Adjusted R-squared0.800756 S.D. dependent var30.52121S.E. of regression13.62366 Akaike info criterion8.333947Sum squared resid1670.438 Schwarz criterion8.562181Log likelihood-53.33763 Hannan-Quinn criter.8.312819F-statistic14.06169 Durbin-Watson stat1.717569Prob(F-statistic)0.000656

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:M C OILEquation:

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

 

Substituted Coefficients:

= 12.80018758 + 0.3457604628*OIL

 

. 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: STOCKMethod: Least SquaresDate: 12/27/08 Time: 23:57Sample: 1994 2007Included observations: 14Newey-West HAC Standard Errors & Covariance (lag truncation=2)VariableCoefficientStd. Errort-StatisticProb. C-64.2514117.19334-3.7369940.0033M2.1210651.0684301.9852170.0726OIL1.2085740.4289512.8175110.0167R-squared0.843461 Mean dependent var31.62247Adjusted R-squared0.814999 S.D. dependent var30.52121S.E. of regression13.12769 Akaike info criterion8.174734Sum squared resid1895.698 Schwarz criterion8.311674Log likelihood-54.22313 F-statistic29.63503Durbin-Watson stat1.683804 Prob(F-statistic)0.000037нефтяной 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: WhiteF-statistic0.312788 Prob. F(2,11)0.7377Obs*R-squared0.753344 Prob. Chi-Square(2)0.6861Scaled explained SS0.285997 Prob. Chi-Square(2)0.8668Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 12/22/08 Time: 11:38Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C215.1137116.05381.8535700.0908M^2-0.2343520.302622-0.7744060.4550OIL^20.0522580.0854590.6114970.5533R-squared0.053810 Mean dependent var135.4070Adjusted R-squared-0.118224 S.D. dependent var155.8360S.E. of regression164.7905 Akaike info criterion13.23464Sum squared resid298715.0 Schwarz criterion13.37158Log likelihood-89.64246 Hannan-Quinn criter.13.22196F-statistic0.312788 Durbin-Watson stat2.456647Prob(F-statistic)0.737701

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 располагае

Похожие работы

1 2 >