تعادل قیمت سهام در بازار سهام

ماهیت تعادل بازار سهام (این تعادل چگونه دوامیک است)

(احتیاط: این مقاله بازار سهام را بین سال‌های 1968-1999 توصیف می‌کند

بازار سهام پس از بحران مالی 2008 را توصیف نمی کند زیرا

نرخ رشد ذاتی اقتصاد کمتر است.)

رمان نویس، G. K. چسترتون نوشت:

مشکل واقعی این دنیای ما این است

نه این که دنیایی غیر معقول است و نه حتی

که معقول است. رایج ترین

یک نوع مشکل این است که تقریبا معقول است،

اما نه کاملا.. در سال 2003، کلایو گرنجر برنده جایزه شد

جایزه نوبل برای تحقیقات اقتصاد سنجی که

استفاده از داده های دنیای واقعی را در نظری توجیه می کند

در هسته علم اقتصاد، ایده تعادل، آن وضعیت باثباتی از امور است که اقتصاد به آن گرایش دارد. تعادل، استدلال کتاب های درسی را ممکن می کند. با این حال، این ایده مشکلی دارد زیرا وضعیت تعادل نیازی به بازار ندارد.

در اقتصادهای واقعی، مردم برای افزایش رفاه خود آزادانه در بازارها تجارت می کنند. با این حال، همانطور که در مقاله قبلی مورد بحث قرار گرفتیم، یک مدل ریاضی تجارت بین سرمایه گذاران ارزش و حرکت در آستانه هرج و مرج است، بدون اینکه کارایی هایی را که در قلب اقتصاد تعادلی قرار دارند، ایجاد کند.

اقتصاد سنجی شاخه ای از علم اقتصاد است که به مطالعات تجربی می پردازد. در سال 1987، کلایو گرنجر یک مشکل مهم اقتصاد سنجی را حل کرد و این پارادوکس را نیز حل کرد. تحقیقات او به ما امکان می دهد دقیقا توضیح دهیم که چرا اصلاح چرخه ای ما در نسبت فدرال رزرو کار می کند.

مدل رگرسیون اقتصاد سنجی توزیع های آماری گاوسی (زنگ شکل) ایده آل را فرض می کند. با این حال، داده های واقعی اقتصاد جهان اغلب گاوسی نیستند. بسیاری از سری های زمانی اقتصادی به دلیل رشد اقتصادی عمومی روندهای مشترکی دارند. با گذشت زمان، این روندهای رایج می توانند پدیده های مورد مطالعه را باتلاق کنند و رگرسیون های جعلی با اهمیت آماری بسیار بالا اما بدون پایه در واقع ایجاد کنند. با این حال، برخی از داده های اقتصادی غیر گاوسی را می توان به طور مفید تجزیه و تحلیل کرد.

بحث زیر الزاماً فنی است. آن دسته از خوانندگان ما که با اقتصاد سنجی آشنایی ندارند ممکن است بخواهند به این خلاصه بپردازند، جایی که ما در مورد پیامدهای عملی تصحیح خطای پویا در بازار سهام ایالات متحده بحث خواهیم کرد.

مدل رگرسیون OLS توزیع داده های عادی گاوسی را فرض می کند ، اما داده های اصلی ما گاوسی نیست. ما از آزمون آماری Lilliefors استفاده کردیم (Conover ، 1980) که داده های مدل را در برابر توزیع عادی گاوسی ایده آل قرار می دهد و مسافت های عمودی را اندازه گیری می کند. توزیع گاوسی به طور خودکار ثابت است و هیچ همبستگی سریال ندارد. جدول I تجزیه و تحلیل های حاصل از داده های مدل ما را برای دوره ها (1968-1999) ارائه می دهد. مشکلات ظاهری وجود دارد.

سپس تکنیک استاندارد اقتصاد سنجی برای جدا کردن داده ها با محاسبه تفاوت های اول ، این تفاوت بین یک نقطه داده و همسایه قبلی آن است. مشکل این تکنیک این است که اطلاعات طولانی مدت را حذف می کند ، در این مورد اطلاعات اقتصادی چرخه ای ، و تفسیر نتایج دشوار است زیرا تئوری های اقتصادی معمولاً از نظر سطح تعادل و نه در نرخ تغییر تدوین می شوند. ما همچنین اولین نتایج متفاوت را در همان جدول ارائه می دهیم.

نتایج تجزیه و تحلیل داده ها

بعد از اولین تفاوت

بازده درآمد سهام

هیچ مدرکی علیه

* ما این متغیر را به دلایل نظری گنجانده ایم. تحقیقات فعلی نشان می دهد که تورم بیشتر به سیاست های فدرال رزرو مربوط می شود (Gauthier ، 2001) و شاید توزیع آماری آن در غیر این صورت مدل سازی شود.

در تجزیه و تحلیل قبلی ما ، ما از داده های اولیه مستقیماً بدون تفاوت اول استفاده کردیم. چرا از نظر آماری نتایج قابل توجهی کسب کردیم؟در اینجا آمار وجود دارد: R2 کلی مدل 95 ٪ از تغییرات در داده ها را توضیح می دهد ، همه متغیرها در سطح 0 ٪ از نظر آماری معنی دار هستند ، رگرسیون تقریباً کاملاً متناسب با میانگین داده ها است ، اما آزمون استاندارد دوربین واتسون برایتشخیص همبستگی سریال تحریف کننده در باقیمانده ها بی نتیجه است.

آمار Durbin-Watson از داده های باقیمانده ما 1. 49 است ، زیر سطح ترجیحی برای نمونه ما بیش از 1. 50. از آنجا که این آزمایش بی نتیجه بود ، ما رگرسیون بعدی همسایه را در باقیمانده های سالانه اجرا کردیم. هیچ همبستگی سریال در باقیمانده ها وجود ندارد. داده های اولیه از نظر آماری معنی دار است. با این حال ، تغییراتی وجود دارد که در نشانه پایدار هستند. به عبارت دیگر ، سرمایه گذاران نسبت به تغییرات اساسی کوتاه مدت واکنش نشان می دهند.(Tversky and Kahneman ، 1972). تجزیه و تحلیل بعدی ما این واقعیت را تأیید می کند زیرا ما می توانیم دقیقاً ببینیم که چگونه یک مدل رگرسیون که بر روی داده های غیر گایزسی کار می کند ، می تواند خطایی را تصحیح کند ، اما این از داستان جلوتر است.

در یک مقاله برجسته با عنوان "ادغام و تصحیح خطا": نمایندگی ، برآورد و آزمایش ، � Engle و Granger (1987) ، حتی به طور کلی از آنچه به شرح زیر است ، ثابت کرد که داده های اقتصادی که در اولین تفاوت ها ثابت است (به عنوان داده های ما به طور قابل ملاحظه ایIS) می تواند بدون تفاوت به طور معمول مورد تجزیه و تحلیل قرار گیرد ، مشروط بر اینکه باقیمانده مدل به صورت سریال همبستگی نباشد. علاوه بر این ، اگر اینگونه باشد ، یک مدل اصلاح کننده خطای پویا در داده ها تعبیه شده است. که به تعبیر نویسندگان ، "مؤلفه های طولانی مدت متغیرها برای پیروی از محدودیت های تعادل در حالی که اجزای کوتاه مدت مشخصات پویا انعطاف پذیر دارند. این عواقب مربوط به تئوری است:

یک متغیر تصادفی ثابت دارای میانگین و انحراف استاندارد است.

اگر ثابت باشد ، یک متغیر یکپارچه شده است (0). اگر فقط پس از اختلافات اول (تفاوت بین مقدار و همسایه قبلی آن) ثابت باشد ، یک متغیر یکپارچه شده است. متغیرهای اصلی مطالعه ما I (1) است ، به این معنی که آنها دارای مؤلفه های روند بزرگ اما نامشخص هستند (گرنجر ، 1981) و واریانس های بزرگ.

رگرسیون دو متغیر I (1) به طور کلی مشکل ساز I (1) باقیمانده را ایجاد می کند ، مگر اینکه متغیرها با هم جمع شوند. اگر آنها با هم جمع شوند ، آنها باقیمانده آماری تصادفی I (0) را که مدل رگرسیون به آن نیاز دارد تولید می کنند. باقیمانده I (0) توسط یک مدل تصحیح خطا ایجاد می شود که دو متغیر را به هم پیوند می دهد و باعث می شود مقادیر تعادل واقعی در بعضی مواقع رخ دهد.

ما ساده ترین فرآیند تصحیح خطا را برای اصلاح چرخه ای مدل FED بررسی می کنیم:

D بازده اوراق بهادار (T) / بازده درآمد سهام (T) = A + B (باقیمانده (T-1))

کجا: A ثابت است

B ضریب رگرسیون است

آنچه این مدل می گوید این است که خطای باقیمانده سال قبل باعث اصلاح قابل مقایسه در نسبت فدرال می شود. ما این رگرسیون را با داده های خود اجرا کردیم. در اینجا نتایج وجود دارد: