基于Eviews的稳定性检验——以个股的β系数为例(含ADF检验步骤及结果分析)

article/2025/10/8 21:36:12

基于Eviews的稳定性检验——以个股的β系数为例(含ADF检验步骤及结果分析)

  • 数据的获取
  • 将Excel数据导入到Eviews
  • 时间序列图
  • 单位根检验与ADF检验
    • 个股的β系数稳定性检验
    • 补充
  • 总结

在资本资产定价模型(CAPM)中,β系数也称为贝塔系数(Beta coefficient),是一种风险指数,用来衡量个别股票或股票基金相对于整个股市的价格波动情况。如果β系数不具有稳定性,CAPM将不再适用,所以,检验β系数的稳定是很有必要的。

数据的获取

个股的β数据可从锐思数据库(RESSET)中获取,详情参见上一篇博客
基于SPSS的正态性检验方法汇总——以个股收益率为例(超详细)

注意风险因子β选择流通市值加权。
锐思数据库

将Excel数据导入到Eviews

打开Eviews软件,选择Open a Foreign file (such as Excel)
在这里插入图片描述如果打开报错,说明需要在Excel中进行设置。

Excel中选择文件—选项
在这里插入图片描述
选项中点击加载项,在管理处选择COM加载项并点击转到。
在这里插入图片描述将可用加载项全部不勾选,然后点击确定并保存,即可成功导入到Eviews中。
在这里插入图片描述
一直点击下一步,嫌麻烦可以直接点完成。
在这里插入图片描述
询问处点Yes。
在这里插入图片描述
Eviews无法识别中文,所有中文处均用下划线代替。

在这里插入图片描述

时间序列图

双击第一个“____________…”,然后点View—Graph即可绘制数据的时间序列图。
在这里插入图片描述
选择图的类型。
在这里插入图片描述
即可得到β系数的时间序列图。
在这里插入图片描述

单位根检验与ADF检验

单位根检验是指检验序列中是否存在单位根,因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程,可以证明,序列中存在单位根过程就不平稳,会使回归分析中存在伪回归。
DF检验与ADF检验均是基于单位根检验。Dickey-Fuller通过研究发现t统计量在原假设下已经不再服从t分布。为此,Mackinnon进行了大规模的模拟,给出了在单变量情况下不同回归模型以及不同样本数下t统计量在1%、5%和10%显著性水平下的临界值。这样,就可以根据需要,选择适当的显著性水平,通过t统计量来决定是否接受或拒绝原假设。这一检验被称为Dickey-Fuller检验(DF检验)。
上面描述的单位根检验只有当序列为AR(1)时才有效。如果序列存在高阶滞后相关,这就违背了扰动项是独立同分布的假设。在这种情况下,Dickey-Fuller提出了使用增厂的DF检验方法(Augmented Dickey-Fuller test )来检验含有高阶序列相关的序列的单位根。

个股的β系数稳定性检验

View—Unit Root Test…
在这里插入图片描述Test type 选择 Augmented Dickey-Fuller
Test for unit root in 中 Level 表示原时间序列,1st difference表示一阶差分,2nd difference 表示二阶差分,只检验原序列的稳定性只选Level就可以。
Include in test equation 中Intercept 表示截距项,Trend and intercept 表示趋势项和截距项,None 表示两者均无,如果可以从时间序列图中很明显的看出是否有趋势项或截距项选择一个就可以,如果不能直接观察出来需要依次选三个然后进行比较。
右边的内容不需要改。
在这里插入图片描述
首先选择截距项,计算结果如下图所示。
先看圈1,ADF检验的 t-Statistic 大于下面1%、5%、10%level的任意一个 t-Statistic,说明只存在截距项时,不拒绝原假设,存在单位根,序列非平稳。
再看圈2中AIF、SC、HQ的值,先将其记录下来,与后两种情况三者的值进行比较。
在这里插入图片描述点击Freeze,将窗口冻结后继续点View—Unit Root Test…
Test type 选择 Augmented Dickey-Fuller,Test for unit root in 选择Level ,Include in test equation 选择 Trend and intercep。
结果与上一种情况相同,不拒绝原假设,存在单位根,序列非平稳。再记录下AIF、SC、HQ的值。
在这里插入图片描述
点击Freeze,将窗口冻结后继续点View—Unit Root Test…
Test type 选择 Augmented Dickey-Fuller,Test for unit root in 选择Level ,Include in test equation 选择 None。
结果与上一种情况相同,不拒绝原假设,存在单位根,序列非平稳。再记录下AIF、SC、HQ的值。
在这里插入图片描述
三种情形下,比较检验模型对应的AIC、SC、HQ的值,找出最小的情况。

在这里插入图片描述
在截距项和趋势项都无的情况下,AIC、SC、HQ的值均最小,故根据这一情况下的检验,该股票的β系数的时间序列为截距项和趋势项都无的单位根过程,即非平稳过程。

补充

对于ADF检验结果,
若m>C>B>A,则不拒绝原假设;
若C>m>B>A,则在5%的显著性水平下不拒绝原假设;
若C>B>m>A,则在1%的显著性水平下不拒绝原假设;
若C>B>A>m,则拒绝原假设。
一般情况下根据5%level的值来判断,即若m>B,则不拒绝原假设,存在单位根,序列非平稳;若m<B,则拒绝原假设,不存在单位根,序列平稳。也可根据实际情况选择更严格或更宽松的假设条件。
在这里插入图片描述

总结

使用CAPM之前,应对股票β系数的稳定性进行检验。个别股票的β系数并不稳定,此时不能简单地套用CAPM。


http://chatgpt.dhexx.cn/article/8PRCHg6T.shtml

相关文章

单位根检验urdf_实证分析中,大家是如何进行单位根(ADF)检验的?或者ADF检验流程是什么?...

最近在跟朋友聊天中,聊到了关于在实证分析中单位根检验的使用问题,事后,进行了总结。 希望论坛里的朋友谈谈自己如何进行单位根检验分析的,以及分享一下自己的经验,供大家一起学习、讨论。 我先谈谈自己的愚见,希望大家多批评指正、说说自己在实证分析中ADF检验的经验。 …

Matlab实现ADF检验,adftest函数使用详细说明(看完就会用)

目录 ADF检验简介adftest的使用及参数介绍——简单调用&#xff1a;h adftest(y)——多参数调用&#xff1a;[h,pValue,stat,cValue] adftest(y,alpha,0.05) adftest如何判断是否平稳&#xff1f;——原假设与备择假设——通过h判断是否平稳——通过pValue判单是否平稳——通…

时间序列研(part8)--ADF检验

学习笔记&#xff0c;仅供参考&#xff0c;有错必纠 文章目录 时间序列ADF检验多重单位根的检验方法结构突变与单位根检验外生性结构突变点的检验方法内生性结构突变点的检验方法 时间序列 ADF检验 如果被检验的真实过程是一个AR 过程&#xff0c;而检验式是AR(1)形式&#xff…

时间序列分析(7)| ADF检验

上篇介绍了DF检验&#xff0c;该检验仅用于AR(1)过程的单位根检验&#xff0c;对于AR()过程来说&#xff0c;需要使用拓展DF检验&#xff08;augmented Dickey-Fuller&#xff0c;ADF&#xff09;。 1 模型检验形式 AR()过程的形式如下&#xff1a; 上式可以转换成如下形式&…

matlab实现adf检验,ADF检验MATLAB程序资料

ADF-situation1-statistic1-2.m %ADF检验法p取2. %AR(2)过程临界值的确定 T5000; N200; w1zeros(1,T); w2zeros(1,T); for t1:T sita10.7; sita20.3; rusita1sita2; labuda1-sita2; %p2; erandn(1,N); y1(1)e(1); y1(2)sita1*y1(1)e(2); for j3:N y1(j)sita1*y1(j-1)sita2*y1(j…

Python ADF检验

转自&#xff1a;https://pengfoo.com/post/machine-learning/2017-01-24 Abstract 在ARMA/ARIMA这样的自回归模型中&#xff0c;模型对时间序列数据的平稳是有要求的&#xff0c;因此&#xff0c;需要对数据或者数据的n阶差分进行平稳检验&#xff0c;而一种常见的方法就是AD…

ADF单位根检验三种形式_Eviews之ADF单位根检验

本文使用的数据是2010-01-04——2020-03-05沪深300指数的每日收盘价,走势图如下: 接下来,开始使用eviews8.0检验: 1、双击点开所要检验的时间序列数据 2、点击view,然后再选择Unit Root Test 3、检验类型选择ADF检验。检验的顺序一般是 原始数据->一阶差分->二阶差分…

时间序列分析之ADF检验

ADF检验 在使用很多时间序列模型的时候&#xff0c;如 ARMA、ARIMA&#xff0c;都会要求时间序列是平稳的&#xff0c;所以一般在研究一段时间序列的时候&#xff0c;第一步都需要进行平稳性检验&#xff0c;除了用肉眼检测的方法&#xff0c;另外比较常用的严格的统计检验方法…

ADF检验数据平稳性

目录 1 背景 2 单位根 3 单位根检验 4 ADF检验 5 python 实现与结果解释 1 背景 在使用很多时间序列模型的时候&#xff0c;如 ARMA、ARIMA&#xff0c;都会要求时间序列是平稳的&#xff0c;所以一般在研究一段时间序列的时候&#xff0c;第一步都需要进行平稳性检验&…

时间序列学习(4):平稳性检验(单位根检验、ADF检验)

时间序列学习&#xff08;4&#xff09;&#xff1a;平稳性检验&#xff08;单位根检验、ADF检验&#xff09; 1、单位根检验2、ADF检验3、指数走势的检验4、对数收益率序列检验 相关图可以大致判断序列是否平稳。但是&#xff0c;这毕竟不是严格的。 这篇笔记来就谈一谈平稳性…

Spectral clustering(谱聚类)算法的实现

目录 1.作者介绍2.关于谱聚类的介绍2.1 谱聚类概述2.2 无向权重图2.3 邻接矩阵2.4 相似矩阵2.5 度矩阵2.6 拉普拉斯矩阵2.7 K-Means 3.Spectral clustering&#xff08;谱聚类&#xff09;算法实现3.1 数据集3.2 导入所需要的包3.3 获取特征值和特征向量3.4 利用K-Means聚类3.5…

Python学习4-谱聚类

一&#xff0c;谱聚类原理 谱聚类算法原理可以参考如下链接。 这个视频推导出了拉普拉斯矩阵&#xff0c;但没有更新后续优化问题。 机器学习-白板推导系列(二十二)-谱聚类&#xff08;Spectral Clustering&#xff09;_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV…

机器学习-层次聚类(谱系聚类)算法

文章目录 简介距离矩阵最短距离法最长距离法类平均法重心法python应用 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站。 简介 层次聚类&#xff08;Hierarchical Clustreing&#xff09;又…

到底什么是谱聚类算法?

点击上方“小白学视觉”&#xff0c;选择加"星标"或“置顶” 重磅干货&#xff0c;第一时间送达本文转自&#xff1a;视学算法 谱聚类算法是目前最流行的聚类算法之一&#xff0c;其性能及适用场景优于传统的聚类算法如k-均值算法&#xff0c;本文对谱聚类算法进行了…

图像聚类-谱聚类

最近做的一个东西跟这个相关&#xff0c;本来希望是用深度学习对于没有标签的图像数据进行分类&#xff0c;但是通常情况下&#xff0c;深度学习是对有标签的数据进行学习&#xff0c;目的是用来自动提取特征&#xff0c;代替传统的手工提取特征。因此&#xff0c;比较容易想到…

聚类算法实践(二)——谱聚类、Chameleon聚类

上一篇文章里说到的层次聚类和K-means聚类&#xff0c;可以说是聚类算法里面最基本的两种方法&#xff08;wiki的cluster analysis页面都把它们排前两位&#xff09;。这次要探讨的&#xff0c;则是两个相对“高级”一点的方法&#xff1a;谱聚类和chameleon聚类。 4、谱聚类 …

谱聚类的案例

1. 政治博客数据集(见附件Pol_Blogs_CSV文件) 数据集网址一: Political blogs 数据集网址二: http://www.casos.cs.cmu.edu/computational_tools/datasets/external/polblogs/index11.php 政治博客数据是由Adamic和Glance于2005年收集并分析的. 该数据集包含了2004年美国总…

谱聚类算法 matlab

1、谱聚类算法步骤公式 &#xff08;1&#xff09;整理数据集&#xff0c;使数据集中数据在0-1之间。假设数据集m行n列。 &#xff08;2&#xff09;求邻接矩阵W。元素值为每一点到其他点之间距离&#xff0c;即权重。 &#xff08;3&#xff09;求相似度矩阵S&#xff0c;相…

谱聚类(Spectral Clustering)详解

原文地址为&#xff1a; 谱聚类(Spectral Clustering)详解 谱聚类(Spectral Clustering)详解 谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图&#xff0c;使子图内部尽量相似&#xff0c;而子图间距离尽量距离较远&…

从拉普拉斯矩阵说到谱聚类

从拉普拉斯矩阵说到谱聚类 0 引言 11月1日上午&#xff0c;机器学习班 第7次课&#xff0c;邹讲聚类&#xff08;PPT&#xff09;&#xff0c;其中的谱聚类引起了自己的兴趣&#xff0c;邹从最基本的概念&#xff1a;单位向量、两个向量的正交、方阵的特征值和特征向量&#xf…