贝叶斯事件研究方法的计量经济学


11

事件研究在经济学和金融学中很普遍,可以确定事件对股票价格的影响,但是它们几乎总是基于常识性推理。OLS回归-在与事件窗口不同的参考期间内-通常用于确定对资产的正常收益进行建模所需的参数。然后,在从到的指定事件窗口内的事件之后,确定资产上累积的异常收益()的统计显着性。假设检验用于确定这些收益是否显着并因此确实异常。从而:i T 1 T 2CARiT1T2

H0:CARi=0,其中

CARi=t=T1T2ARi,t=t=T1T2(ri,tE[ri,t])

E[ri,t]是模型预测的资产收益。

如果我们的观察数量足够大,我们可以假定资产收益率分布的渐近正态性,但是对于较小的样本量可能无法验证。

可以说,因此,单企业,单事件的研究(例如在诉讼中要求的)应遵循贝叶斯方法,因为无限多次重复的假设比在这种情况下“更难以验证”多家公司。然而,频频主义者的做法仍然是惯例。

鉴于有关该主题的文献稀少,我的问题是如何使用贝叶斯方法最好地进行事件研究(类似​​于上面概述的方法,并在MacKinlay,1997年进行了总结)。

尽管这个问题是在公司财务实证研究的背景下提出的,但实际上是关于贝叶斯回归和推论的计量经济学,以及常识和贝叶斯方法背后的推理差异。特别:

  1. 我应该如何最好地使用贝叶斯方法来估计模型参数(假设对贝叶斯统计量有理论了解,但几乎没有经验)。

  2. 一旦计算出累积的异常收益(使用模型的正常收益),如何测试统计显着性?

  3. 如何在Matlab中实现呢?


1
(1.)很简单:使用贝叶斯线性回归。(2.)比较棘手,因为重要性测试不是贝叶斯方法。您唯一可以做的就是比较不同模型的概率,并且并不是模型的基础,因为不是模型参数。的目的是什么?根据它做出什么决定?CAR CARCAR=0CARCAR
安迪·琼斯

我正在寻找证据来支持我的假设,即所检查的事件对股价有影响(在这种情况下,不同于零,因为它是在事件窗口内相对于正常收益计算得出的,这是针对事件发生前的参考期间计算的)。我对数据是否支持这样的假设感兴趣,即确实存在一个非零的C A R 及其大小。我意识到统计意义在贝叶斯统计中并不是真正重要的事情,但是这种方法提供了什么解释?我可以应用假设检验等价物吗?CARCAR
康斯坦丁

2
如果您想证明贝叶斯方法更适用于大小为小样本,则不可避免的是,先验者在这种样本中讲得太大声。n=1
StasK 2014年

我不能使用无信息的先验吗?
康斯坦丁

Answers:


5

如评论中所述,您要寻找的模型是贝叶斯线性回归。并且由于可以使用BLR计算任何时间t的后验预测分布,因此我们可以用数值评估分布p CAR | D事件D refp(rt|t,Dref)tp(CAR|Devent,Dref)

问题是,我不认为您真正想要的是通过进行分配。直接的问题是p CAR = 0 | D eventD ref)的概率为零。潜在的问题是“假设检验的贝叶斯版本”通过贝叶斯因子比较模型,但这需要您定义两个相互竞争的模型。而不是模型(或至少,他们没有一些非常不自然数杂耍型号)。CARp(CAR=0|Devent,Dref)CAR=0,CAR0

从您在评论中所说的,我认为您真正想回答的是

d活动更好地同型号或由不同的人解释?DrefDevent

它有一个简洁的贝叶斯答案:定义两个模型

  • D refD事件中的所有数据均来自同一BLR。要计算此模型的边际可能性 p D refD event | M 0,您需要计算BLR拟合所有数据的边际可能性。M0Dref,Deventp(Dref,Devent|M0)

  • D ref D事件中的数据来自两个不同的BLR。要计算此模型的边际似然 p D refD event | M 1,您可以将BLR独立地拟合到 D ref D event(尽管使用相同的超参数!),然后取两个BLR边际的乘积可能性。M1DrefDeventp(Dref,Devent|M1)DrefDevent

完成后,您可以计算贝叶斯因子

pd参考d事件|中号1个pd参考d事件|中号0

决定哪种模式更可信。


我认为事件期间的单独模型不会直接适用于我的特定研究问题,因为没有其他风险因素可用来解释事件窗口期间的收益。我将事件视为相对于资产定价模型正常收益的一种干扰,因此比较这两种模型实际上是不可行的。不可能为构造一个置信区间吗?通过这种方式,我可以检查在ML估计值的特定间隔内是否为0,否?C一种[R
康斯坦丁

置信区间的贝叶斯变体是可信区间,是的,您可以使用分布构造一个。不过,这不是假设检验。汽车
安迪·琼斯

1
我想我可能对同一个模型/不同模型的解释不佳-上面,我所说的“不同模型”是“不同参数”。在,一组参数用于解释所有数据。在M 1中,一组参数用于解释训练数据,另一组参数用于解释测试数据。这是一个比较合理的比较,因为尽管M 1具有适合数据的参数两倍(增加其边缘可能性),但它从先验参数中吸取了两倍的参数(不利于其边际可能性)。中号0中号1个中号1个
安迪·琼斯

好的,我明白了。确实看起来很优雅。我将如何精确指定两个模型?您能推荐任何文献或相关概念进行专门研究吗?
康斯坦丁

1
尽管存在争议,但存在诸如贝叶斯点无效或尖锐假设检验之类的问题。它只是具有不连续先验的简单优势比。这是有争议的,因为大多数模型都不能很好地证明连续先验和离散先验的混合。事件研究是该规则的可能例外。汽车一世=0
jayk 2014年

2

您不能与一家公司进行事件研究。

不幸的是,您需要任何事件研究的面板数据。事件研究侧重于事件前后各个时间段的收益。在事件发生之前和之后的每个时间段中,如果没有多个确定的观察结果,就无法将噪声(确定的特定变化)与事件的影响区分开。正如StasK指出的那样,即使只有少数几家公司,噪音仍将主导事件。

话虽如此,通过许多公司的小组,您仍然可以进行贝叶斯工作。

如何估算正常和异常收益

我将假设您用于正常收益的模型看起来像是标准套利模型。如果不是这样,您应该能够适应本讨论的其余部分。您需要使用一系列相对于公告日期的虚拟变量来增强“正常”回归回归:小号

[R一世Ť=α一世+γŤ-小号+[RŤŤβ一世+Ë一世Ť

编辑:这应该是仅包含如果小号> 0。这个问题用这种方法的一个问题是,β 会通过数据前和事后告知。这并不能精确地映射到传统事件研究,在传统事件研究中,仅在事件发生之前才计算预期收益。γss>0β一世

通过这种回归,您可以讨论类似于我们通常看到的CAR系列的事情,在该系列中,我们可以得出事件前后的平均异常收益图,其中可能包含一些标准误差:

在此处输入图片说明

无耻地摘自维基百科

您将需要为(可能是正态分布)提出一个分布和误差结构,并带有一些方差-协方差结构。然后,可以建立用于先验分布α β γ 小号和如上提到运行贝叶斯线性回归。Ë一世Ťα一世β一世γs

检查公告效果

自公告之日起就有理由认为可能会有一些异常收益率()。新信息刚刚发布到市场上,因此反应通常不违反任何套利或效率定理。您和我都不知道可能会产生什么公告影响。也不总是有很多理论指导。因此测试γ 0 = 0,可能需要更具体的知识,比我们在我们的处置(见下文)。γ00γ0=0

γ0

γ00γ0γ0γ0

但是,对于公告前后的日期,严格的假设检验可能会发挥重要作用,因为这些回报可以看作是对表单效率的强而半强的检验

测试违反半强形式的效率

γs>0=0

γs=0X¯FX={X一世}一世=1个ñ $60000 您将使用贝叶斯因子:

PX¯=$60000|X=X¯=$60000PXFX¯X¯$60000PXFX¯

PX¯=$60000|X=0

γs>0=0γs>0γs>0=0pγs0=01个-pγs>0F

Pγs>0=0|数据=P数据|γs>0=0pγs>00P数据|γs>01个-pFγs>0>0

γs>0=0

γs>0γs=0γs>0γs=0)与实际回报进行比较,以此作为贝叶斯方法和常客方法之间的桥梁。

累积异常收益

到目前为止,所有事情都在讨论异常收益。因此,我将快速进入CAR:

汽车τ=Ť=0τγŤ

γ0=0汽车Ť>0=0

如何在Matlab中实现

对于这些模型的简单版本,您只需要常规的旧贝叶斯线性回归即可。我不使用Matlab,但看起来这里有一个版本。这可能仅适用于共轭先验。

对于更复杂的版本,例如尖锐的假设检验,您可能需要Gibbs采样器。我不知道任何适用于Matlab的现成解决方案。您可以检查JAGS或BUGS的接口。


ñ1个

可能找不到特定立法的效果。如果这是适用于(例如)特定行业的法律,将很难将行业趋势与立法区分开。如果可能的话,我绝对会建议30多家公司。您可以随时检查自己的前后位置是否有很大不同。如果后验与前验相比变化不大,则可能是样本量太小。
jayk 2014年

您是否能够为我提供事件研究参考,该研究使用虚拟变量作为事件前/事件后的日期?到目前为止,我还没有在文献中找到这种方法。我将不胜感激!
康斯坦丁

我还没有看到任何东西,但是我认为该方法在上下文中是有意义的(附带我的警告)。另一种选择是在公告前的日期估计您的参数,然后使用后验来生成收益,如我在上面提到的Brav文章中所述。
jayk 2015年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.