概率统计下的计量经济学论文

摘要：利用Var方法界定出股票市场的异常时期后，可对股票市场异常下跌时期的日历效应进行分析。实证表明我国股票市场在异常下跌时期具有明显的“五月份效应”、“周初效应”和“周末效应”。“五月份效应”的产生与我国上市公司的会计信息披露时间以及经济政策的调整和公布时间有关，而“周初效应”和“周末效应”与大多数学者已证实的股票市场正常时期的周内效应是一致的。以下是小编精心整理的《概率统计下的计量经济学论文(精选3篇)》的相关内容，希望能给你带来帮助!

概率统计下的计量经济学论文 篇1：

基于时间序列分析的火电机组运行优化研究

摘要：为了预测火电机组在变工况状态下的运行最优值，提高燃煤电厂的燃煤效率，依据燃煤火电厂3个月的各项数据，通过分析并挖掘燃煤火电厂与供电煤率密切相关的可调控参数（主蒸汽温度、主蒸汽压力）随时间的变化关系，利用HoltWinters时间序列法进行预测。经过计算发现，通过HoltWinters方法得到的主蒸汽温度和主蒸汽压力的相对误差值分别为0.28%和2.13%。实验结果表明：HoltWinters时间序列法对预测燃煤火电厂火电机组在变工况下的运行数据是合理的，且其误差小，对燃煤火电厂提高火电机组的燃煤效率具有一定的指导意义。

关键词：煤炭能；HoltWinters；燃煤火电厂；数据挖掘；数据分析；预测

ZHU Longxia， XIAO Mingmei， LI Tao，et al.Research of operation optimization of thermal power unit based on time series analysis[J].Hebei Journal of Industrial Science and Technology，2017，34（2）：125129. Research of operation optimization of thermal power unit

based on time series analysis

ZHU Longxia1， XIAO Mingmei1， LI Tao2， XU Yunfeng1， MA Rui1， LIU Bin3

（1.School of Information Science and Engineering，Hebei University of Science and Technology， Shijiazhuang， Hebei 050018， China；2.Hebei Branch， China Nuclear Power Engineering Company Limited， Shijiazhuang， Hebei 050000， China；3. School of Economics and Management， Hebei University of Science and Technology， Shijiazhuang， Hebei 050018， China）

火力發电厂在中国电力工业中占据十分重要的地位，发电量可以达到总发电量的80%，而在重视节能减排的当今时代，火电厂的煤炭消费仍然达到了中国煤炭总数的50%以上。燃煤火电厂是依靠汽水系统、燃烧系统、电气系统和控制系统的共同作用而使燃料中的化学能量以电能的方式传输出去的。按照能量守恒原理，各个系统的能量变化都会波及到下一系统，并由于负荷、供电质量、经济性等要求，控制系统又会使这些波动反过来影响能量源——燃烧系统[1]。目前，中国通过改善燃煤方式[23]和锅炉改造等方式提高发电效率，但这主要集中于性能优化，而对供电电压和电网电压不平衡所造成的燃煤虚耗过多、电力浪费等问题没有过多考虑。因此，本文从提高火电机组运行效率的角度，寻找当前机组在运行工况条件下所能达到的最佳参数，从而为运行人员提供机组在特定负荷及外部条件下的最优运行方式和参数控制。第2期朱龙霞，等：基于时间序列分析的火电机组运行优化研究河北工业科技第33卷目前确定机组运行优化目标值的研究方法可分为3种：1）制造厂所提供的标准值；2）以火电机组经济性为目标函数，采用机组变工况理论优化计算得到；3）机组变工况下，以实时运行过程中的动态优化确定[46]。国内大多采用前两种方式，然而随着机组运行时间的延长和机组工作状态的动态变化，并不能反映机组实际运行状态下的最优化。 许多学者从事机组运行优化目标值的研究，根据现代优化计算方法，如关联规则算法[7]、神经网络算法[810]、遗传算法[11]、时间序列法[1213]、目标函数计算法[45]等建立相关模型，从而获得该机组运行优化的最优值。燃煤火电厂的任务之一是为电网用户提供足够的满足质量要求的热负荷，由于各种原因，电网用户所需的热负荷是随时变化的，当热电厂提供的热负荷与电网用户的需求量相平衡时最经济，否则，会造成浪费，或使电网用户生产难以正常运行。本文利用燃煤火电厂数据的时间序列性，对数以千计的燃煤火电厂某机组的实际运行数据进行分析，为运行机组人员提供在各种扰动下的最优运行参数控制，从而提高燃煤电厂的发电效率。

1关键技术描述 火电厂运行设备之间紧密联系，各设备运行状态的波动互相关联，这种动态波动的关联情况通过与设备状态相关的运行数据明显地显现出来[14]。电厂数据具有种类多、数量大、高维和强耦合的特点，且其在多个子系统的工作过程中，是随时间的变化而变化的。本文采用socket通信方式并以2 h为一个时间间隔，连续从分散控制系统（DCS）下载了3个月实时数据并进行分析。通过对电厂数据进行合法性检查，剔除冗余数据、空白数据和错误数据后，将其根据控制系统来源进行分组并在组中添加数据，最后将这些数据保存到XML（eXtensible markup language，可扩展标记语言）中。由于XML中的数据是从电厂获得的所有类型数据，故利用dom4j解析XML，将与该机组供电煤率密切相关的可调控参数，包括主蒸汽压力、主蒸汽温度、减温水量、给水温度、过量空气系数、再热减温水量等数据提取出来并构建数据仓库[15]。 时间序列，也叫时间数列、历史复数或动态数列，是将某种统计指标的数值按时间先后顺序排列所形成的数列[12，16]。对于平稳时间序列分析，指数平滑法中的Holt双参数线性指数平滑法适用于线性趋势、无季节变化的时间序列预测；Winters线性和季节性指数平滑法适用于对含有季节性因素的时间序列的预测[13，17]。HoltWinters模型是通过对历史数据的加权平均值来跟踪数据的变化，其可分为季节加性和季节乘性。

2时间序列模型的确立与分析 任何一个时间序列模型的建立首先都需要对时间序列数据作走势图，在对其走势进行分析的基础上，结合数据信息的先验知识来进行时间序列模型的确立。以主蒸汽温度、主蒸汽压力为例，利用Matlab对其历史数据进行了走势图的绘制，得到其时间序列的数据概貌，如图1和图2所示。从图中可以看出，虽然各项数据随时间的变化而变化，且变化程度有强有弱，但总的来说都有趋势和“季节”变化特征，故可采用具有趋势和季节的时间序列模型对其进行预测。 由于无法从图中看出明显的递增或递减趋势，本文用季节性变动分析方法中的移动平均数比率法对上述几项时间序列样本进行计算S（xt）=12xt-2+xt+12xt+22， 3≤t≤n-2。 通过计算可以发现，该值在允许误差值范围内保持恒定，且两者之间呈比例性而非数值增加或减少的相互关系，从而推断出上述数据时间序列中的“季节效应”具有成倍增长或下降的表现，故采用HoltWinters乘法预测模型对其监测指标进行预测。 基于以上研究，對该机组下的主蒸汽温度和主蒸汽压力构建HoltWinters乘法模型进行预测，预测间隔h个时间段的主蒸汽温度和主蒸汽压力数据的预测方程为F=St-2+h（mt+hrt） ，

式中：F表示预测值；mt表示在时间间隔t 的估计平均值；St表示适合于该时间段的“季节”因子；rt表示在时间间隔t的估计趋势项，即各数值对现数据平均值的期望增加或减少量。这3个系数确立所依据的方程组为mt=αxt/St-2+（1-a）（mt-1+rt-1） ，St=βxt/mt+（1-β）St-2 ，rt=γ（mt-mt-1）+（1-γ）rt-1 ，

式中：α，β，γ为HoltWinters时间序列分析模型的平滑常数，其值在0～1之间变化；“季节”变量因子为2。该方程通过不断修正平滑值St和趋势值rt，从而使预测值更加接近真实值。

3HoltWinters预测值计算与回归分析模型预测精度对比分析EViews（econometrics views）通常称为计量经济学软件包，是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。其在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛[18]。通过采用HoltWinters乘法预测模型与回归分析模型进行预测，经过多次重复实验，其中HoltWinters乘法模型中，主蒸汽温度权重系数α，β，γ分别为0.2，0.5，0.8，主蒸汽压力权重系数α，β，γ分别为0.9，0.1，0.05时效果达到最好；通过对3个月电厂数据的整理与组合，主蒸汽温度的回归模型为Y = 536544 666 667 + 0.061 030 303 030 3×X，主蒸汽压力的回归模型为Y=16.060 666 666 7+0.025 757 575 757 6×X，其中Y为预测值，X为次数。其实际值与分别采用两种模型进行预测的预测值如表1所示。 表1X日监测燃煤火电厂运行数据（实际值/预测值/使用回归分析模型预测值）

本文根据表1分别做出主蒸汽温度的实际值、预测值与回归分析模型的预测值曲线图，以及主蒸汽压力的实际值、预测值与回归分析模型的预测值曲线图，如图3和图4所示。图3主蒸汽温度的预测值、实际值与回归

分析预测值折线图

分析预测值折线图

Fig.4Line chart of vapor pressure’s predictions， actual values and predictions by regression analysis method

ε=（∑ni=1（vi-pi）2）/n，

σ=εv′×100% ，

式中：vi表示实际值；pi表示预测值；n表示需要预测项目的数量；v′表示实际值的平均值；σ即为相对误差值。根据上述公式，通过HoltWinters方法得到的主蒸汽温度和主蒸汽压力的相对误差值分别为028%，2.13%；通过回归分析模型得到的主蒸汽温度和主蒸汽压力的相对误差值分别为043%，636%。通过选取回归分析模型与本文预测方法进行对比，以平均相对误差作为模型预测效果评价指标，结果发现本文预测方法在预测精度上明显高于回归分析模型预测方法，更适用于中短期燃煤火电厂机组数据预测。

4结论 1）根据一天之内某燃煤火电机组在变工况下的实际运行数据的线性关系可以看出，主蒸汽温度与主蒸汽压力在实际运行过程中有增长趋势，且HoltWinters算法对其进行预测是合理的。 2）根据文中的误差分析可以得知，HoltWinters算法相对于回归线性模型对预测燃煤电厂火电机组的运行数据具有更高的准确性。 3）燃煤电厂数据在3个月内呈现增长趋势，但在现实生活中燃煤电厂数据处于波动状态，所以线性回归模型只能呈现燃煤电厂数据的总体发展趋势，但对预测具体数据将存在很大误差，而HoltWinters算法可通过调整参数减少预测数据误差。 4）HoltWinters时间序列分析法对进一步提高燃煤电厂火电机组运行的经济性具有一定的指导意义。

参考文献/References：

[1]裘国相， 汪思源， 王文标. 数据挖掘在火电厂运行优化目标值确定中的应用[J]. 自动化技术与应用， 2006， 25（3）： 69.

QIU Guoxiang， WANG Siyuan，WANG Wenbiao. Data mining in optimization of the targeted value for thermal power plant[J]. Techniques of Automation and Applications， 2006，25（3）： 69.

[2]姬中国， 郭玉泉. 在建大型火力发电厂节能分析与对策[J]. 电力建设， 2007， 28（5）： 4446.

JI Zhongguo， GUO Yuquan. Analysis and countermeasures of underconstructed large thermal power plant energy saving[J]. Electric Power Construction， 2007， 28（5）： 4446.

[3]蒋敏华， 黄斌. 燃煤发电技术发展展望[J]. 中国电机工程学报， 2012，32（29）： 18.

JIANG Minhua， HUANG Bin. Prospects on coalfired power generation technology development[J]. Proceedings of the CSEE， 2012，32（29）： 18.

[4]胡洪华， 黄廷辉， 艾卫国， 等. 大型火电机组运行优化目标值的研究和确定[J]. 中国电力， 2004，37（9）： 2225.

HU Honghua，HUANG Tinghui，AI Weiguo， et al. Study and determination of operation optimization target values of large size fossilfired power unit[J]. Electric Power， 2004，37（9）： 2225.

[5]任浩仁， 李蔚， 盛德仁， 等. 火电机组变工况下运行指标应达值的分析[J]. 中国电机工程学报， 1999，19（9）： 5052.

REN Haoren， LI Wei， SHENG Deren， et al.The analyze of operation index for the power unit under different loads[J]. Proceedings of the CSEE， 1999，19（9）： 5052.

[6]李建强， 刘吉臻， 张栾英， 等. 基于数据挖掘的电站运行优化应用研究[J]. 中国电机工程学报， 2006，26（20）： 118123.

LI Jianqiang， LIU Jizhen， ZHANG Luanying， et al. The research and application of fuzzy association rule mining in power plant operation optimization[J]. Proceedings of the CSEE， 2006，26（20）： 118123.

[7]鄭西西. 基于关联规则的火电厂优化目标值确定的研究[D]. 保定：华北电力大学， 2011.

ZHENG Xixi. Reaserch on the Thermal Power Plant Operation Optimization Value Determining Based on Association Rule[D]. Baoding： North China Electric Power University，2011.

[8]程伟良， 夏国栋， 徐寿臣， 等. 基于人工神经网络和模拟进化算法的分级燃烧优化[J]. 清华大学学报（自然科学版）， 2005， 45（5）： 693696.

CHENG Weiliang， XIA Guodong， XU Shouchen， et al. Staged combustion oprimization based on artificial neural network and simulation evolvement algorithm[J]. Journal of Tsinghua University（Science and Technology）， 2005， 45（5）：693696.

[9]周昊， 朱洪波， 岑可法. 基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统[J]. 动力工程学报， 2003，23（5）： 26652669.

ZHOU Hao， ZHU Hongbo， CEN Kefa. An online boiler operating optimization system based on the neural network and the genetic algorithms[J]. Power Engineering，2003，23（5）： 26652669.

[10]王子杰， 李健， 孙万云. 基于神经网络和遗传算法的锅炉燃烧优化方法[J]. 华北电力大学学报（自然科学版）， 2008， 35（1）： 1417.

WANG Zijie， LI Jian， SUN Wanyun. Boiler combusion optimization based on neural network and genetic algorithm[J]. Journal of North China Electric Power University（Natural Science Edition），2008，35（1）：1417.

[11]蔡杰进， 马晓茜. 基于遗传算法的火电机组运行优化[J]. 华南理工大学学报（自然科学版）， 2006， 34（4）： 101105.

CAI Jiejin， MA Xiaoqian. Operation oprimization of steam power unit based on genetic algorithm[J]. Joumal of South China University of Technology（Natural Science Edition）， 2006，34（4）： 101105.

[12]张美英， 何杰. 时间序列预测模型研究簡介[J]. 江西科学， 2009，27（5）： 697701.

ZHANG Meiying， HE Jie. Overview of time series forecasting model[J]. Jiangxi Science， 2009，27（5）： 697701.

[13]吴涛， 颜辉武， 唐桂刚. 三峡库区水质数据时间序列分析预测研究[J]. 武汉大学学报（信息科学版）， 2006，31（6）： 500502.

WU Tao， YAN Huiwu， TANG Guigang. Prediction on time series analysis of water quality in Yangtze Gorger reservoir area[J]. Geomatics and Information Science of Wuhan University，2006，31（6）： 500502.

[14]鲍文， 于达仁， 王伟， 等. 基于关联规则的火电厂传感器故障检测[J]. 中国电机工程学报， 2003，23（12）： 170174.

BAO Wen， YU Daren， WANG Wei， et al. Sensor fault detection in thermal power plants based on association rule[J]. Proceeding of the CSEE， 2003，23（12）： 170174.

[15]刘滨， 吴燕， 刘振宇. 数据仓库技术[J]. 河北工业科技， 2005，22（5）： 305307.

LIU Bin， WU Yan， LIU Zhenyu. Introduction of data warehouse[J]. Hebei Journal of Industrial Science and Technology，2005，22（5）： 305307.

[16]KALEKAR P S. Time series forecasting using HoltWinters exponential smoothing[J]. Kanwal Rekhi School of Information Technology， 2004：113.

[17]刘罗曼. 时间序列分析中指数平滑法的应用[J]. 沈阳师范大学学报（自然科学版）， 2009，27（4）： 416418.

LIU Luoman. Application of exponential smoothing in time series analysis[J]. Journal of Shenyang Normal University（Natural Science Edition）， 2009，27（4）： 416418.

[18]孙红果， 余星， 王竟竟. EViews在概率统计教学中应用[J]. 邵阳学院学报（自然科学版）， 2013，10（3）： 2428.

作者：朱龙霞 肖明美 栗涛 许云峰 马瑞 刘滨

概率统计下的计量经济学论文 篇2：

中国股票市场异常下跌时期的日历效应分析

摘 要：利用Var方法界定出股票市场的异常时期后，可对股票市场异常下跌时期的日历效应进行分析。实证表明我国股票市场在异常下跌时期具有明显的“五月份效应”、“周初效应”和“周末效应”。“五月份效应”的产生与我国上市公司的会计信息披露时间以及经济政策的调整和公布时间有关，而“周初效应”和“周末效应”与大多数学者已证实的股票市场正常时期的周内效应是一致的。

关键词：股票市场；异常下跌；日收益率；日历效应；月份效应；周内效应

Empirical Analysis of Calendar Effect of China’s

Stock Market in Abnormal Period

ZHANG Su-lin1, WANG Yan2

(1.School of Economics and Trade, Chongqing Institute of Technology, Chongqing 400050,China;

2.Department of Statistics Research, Shaanxi Branch of China Insurance Supervision Committee, Xian 710024, China)

Key words：stock market; abnormal fall; date yield; calendar effect; month effect; within week effect

一、引言

1929年的經济大危机出现在10月24日，1987年的股灾出现在10月19日，2008由华尔街引发的金融海啸也出现在9月和10月之际，那么在股票市场异常下跌时期是否具有明显的日历效应？有研究者已经证明了在纽约股票市场上具有典型的“十月份效应”，即十月份在道琼斯指数大幅下跌的75天中共出现了23天，出现的概率超过30%，远高于每月出现的平均概率8%。同时十月份的下跌幅度均大于其他月份，与其他月份的跌幅相比较，十月份的跌幅要高1.528 2%［1］。

有效市场作为现代金融学的核心基础理论一直受到不同研究者的质疑，其中有关“日历效应”的研究成为挑战有效市场理论的主要证据。“日历效应” 可以进一步分为月份效应、周内效应等。自从Rozeff 和Kinney（1976）验证了美国股票市场一月份存在有正的超额收益以来，不同学者利用不同时间段和地区的市场数据对股票市场的月份效应进行验证，如，Berges、McConnell 和Schlarbaum（1984）、Kato 和Schallheim（1985）、Nassir 和Mohammad（1987）、Pang（1988）、Aggarwal和Rivoli（1989）等，绝大多数的实证结果证实了“一月份效应”的存在［2］。我国的学者随后也利用不同的方法和时间段对我国市场的“月份效应”进行了验证，如张俊喜和张华（2003）、奉立城（2003）、刘鹏（2004）、徐炜（2005）、蔡华（2006）、何晓光（2006）、江州（2008）［3］，得到的结论大多不同，有的认为我国市场不存在月份效应，有的认为存在，但出现的具体月份是不同的。周内效应开始于Fred C. Kelly(1930)对美国股票市场的研究，随后大量的研究者对不同市场分别进行了研究，如Harris（1986）、Keim和Stambaugh（1984）、Kim（1988）、Lakonishok和Levi（1982）、Jaffe和Westerfield（1985）、Solnik和Bousquet（1990）、Barone（1990）、Wong Hui和Chan (1992) ［2］，基本的结论是欧美市场和大多亚太市场具有明显的正的“周五效应”，而负的周内效应出现的天数在不同市场是不同。国内学者的研究也证实了我国股票市场周内效应的存在，但具体出现的天数也不尽相同，如奉立诚（2000）发现中国股票市场存在显著为正的“周五效应”及显著为负的“周二效应”效应［4］；王翠翠（2007）利用Mann—Whitney检验收益率周内效应的模式，发现了显著为正的“周一效应”；吴武清等（2008）通过对时变贝塔、时变特雷诺比率和交易量的分析，指出上证指数收益率有明显的“周四效应”［5］。张苏林，王 岩:中国股票市场异常下跌时期的日历效应分析

上述研究者选取的样本数据均来自于正常连续的时间序列，但是随着金融危机的频发，人们越来越关注市场的异常时期，不断利用不同的方法寻找市场异常时期的规律。那么我国股票市场在异常时期是否具有月份效应和周内效应？本文将对我国股票市场市场异常下跌时期的日历效应进行实证分析，以便寻求市场异常时期的日历效应规律。

二、数据、筛选和基本的统计分析

考虑到选取时间段的非连续性，本文对月份效应和周内效应的界定为：首先它们出现的频率也要比每月或一周每天出现的平均频率高，然后它们的收益率与其他月份或周数的收益率相比具有显著的差别，从而寻找出在股票市场异常时期是否具有显著的月份效应和周内效应。

1．数据以及收益率

文本确定沪、深两市开市以来到2010年1月29日为研究的时间段，选取的指标是上证指数和深成指数，数据间隔是日。上证指数总共选取了4 689个数据，深成指数总共选取了4 644个数据。由于超常收益率的方差不能通过较为复杂模型的选择而明显减少，简单形式得到的结果与复杂模型得到的结果极为相似，因此本文采取最简单的形式来确定日收益率：Rt=Pt－Pt－1Pt。

2．市场异常时临界值的确定和数据的筛选

市场的异常时期，一般指的是市场整体出现大幅上涨或下跌的时段，本文研究的对象是市场异常下跌时的情况。为了从整体数据中找出市场异常下跌时的数据，首先要确定市场异常下跌的临界值，然后根据小于该临界值的准则得到市场异常下跌时的数据。本文采用在险价值（Var）的方法来确定临界值。计算Var一般分为三步：（1）假定置信水平，一般采用99%或95%的置信水平，本文选取95%的置信水平。（2）推导资产价格或收益的远期分布，有三种方式：一是分析性地对资产价格或收益分布进行假定，二是根据历史数据的变化模拟资产价格或收益的未来分布，三是利用资产价格或收益的随机模型来估计在一定时期资产价格或收益的分布。（3）根据上步的分布特性进行计算在一定置信水平下的Var。根据第二步第一种方法计算的Var我们称为方差—协方差法，第二种计算的Var是历史数据模拟法，而第三种方法对应的是蒙特卡罗模拟法。

从上面的分析中我们能得到Var计算的核心是对资产价格或收益分布的确定。方差—协方差法的使用，必须首先知道资产价格或收益的分布。本文利用Matlab软件对上证指数和深成指数的日收益率分布进行单样本Kolmogorov-Smirnov 检验。单样本 K-S 检验是频数优度拟合检验，用于检验变量是否服从某一指定分布，它将一个变量的实际频数分布与正态分布(Normal)、均匀分布(Uniform)、泊松分布(Poisson)、对数正态分布(Lognormal)、 维布而分布(Weibull) 、t分布（student）等分布进行比较。单样本 K-S 检验结果如果拒绝零假设,则H =1,否则H =0。本文在Matlab环境下编制K-S 检验的M文件，最后的结果都是1，证明上证指数和深成指数日收益率分布不服从我们一般常见的分布，因此通过方差—协方差法很难计算出市场大幅下跌的临界值。

历史数据模拟法，先要给定样本数据和置信水平，借助于样本百分位点确定与置信水平相对应的分界点，该分界点对应的资产价值就是相应的Var数值。具体的方法：对上证指数和深成指数日收益率从高向低排序。在置信水平95%的条件下，上证指数4 689个日收益率中对应的百分位数是234.45，我们选取234，234对应的上证指数收益率为-0.033，因此我们可以设定在上证指数日收益率低于-0.033的时期为上海股票市场异常下跌的时期。深成指数4 644个日收益率中对应的百分位数是232.2，我们选取232，232对应的上证指数收益率为-0.032 2，因此我们可以设定在上证指数日收益率低于-0.032 2的时期为深圳股票市场异常下跌的时期。我们也可以利用MATLAB软件编制M文件来选取沪、深两市异常下跌的临界值，得到的结果与上述方法是一样的。

在蒙特卡罗模拟法中，本文选取最常用的反映收益率变化的随机模型——几何布朗运动，利用几何布朗运动作为收益率变化的随机模型进行蒙特卡罗模拟分析。具体的步骤：

（1）选择随机模型，估计相关参数。我们选取的随机模型是：St+1=Stexp(μΔt+σzΔt)。其中，St为t时刻股票的价格，μ和σ分别为t时刻的瞬间漂移和波动，Δt为时间间隔。选取沪、深两市开市以来第一个收益率为初试值，选取一定时间段的收益计算收益率的均值和标准差，作为相应参数μ和σ 的估计值。

（2）模拟市场指数的运动路径，产生符合标准正态分布的随机数，利用随机模型计算下一个指数价格，不断地重复上述步骤，得到相应的指数价格。

（3）估计Var，找到沪、深两市异常下跌的临界值。利用上步模拟的分布，根据特定的置信度（95%），由分位数估计出相应的Var的值（也就是沪、深两市异常下跌的临界值）。这部分的计算本文利用的是MATLAB软件完成，上证指数的临界值为-0.046 2，深成指数的临界值为-0.039 4。

通过历史数据模拟法和蒙特卡罗模拟法计算得到的临界值比较，蒙特卡罗模拟法计算的临界值要大些，考虑到蒙特卡罗模拟法相对于历史数据模拟法的众多优点，因此本文选取蒙特卡罗模拟法得到的结果。

根据上证指数-0.046 2的临界值和深成指数-0.039 4的临界值，本文从上证指数4 689个数据和深成指数4 644个数据中分别筛选了128和158个日收益数据，作为我国股票市场异常下跌时期的研究对象。

3．中国股票市场异常下跌时期的月份和周数基本统计分析

从表1和表2中我们看出，上海股票市场异常下跌时期，平均的跌幅为6.7%，其中十二月份下跌的幅度最大为8.2%,一月份和十一月份下跌的幅度最小为5.9%。五月份、八月份、九月份和十月份出现的频率超过了每月出现的平均频率，其中五月份出现的次数最多，相应的频率是12.6%，高于每月出现平均概率4.27个百分点。四月份出现的次数最少，只有7次，低于每月出现平均概率2.82个百分点。深圳股票市场异常下跌时期，平均的跌幅为5.9%，其中八月份下跌的幅度最大为6.9%,三月份下跌的幅度最小为4.8 %。五月份、六月份、七月份、八月份、九月份和十一月份出现的频率超过了每月出现的平均频率，其中七月份出现的次数最多，相应的频率是12.1%，高于每月出现平均概率3.77个百分点。三月份出现的次数最少，只有7次，低于每月出现平均概率3.87个百分点。

从表3和表4中我们看出，上海股票市场异常下跌时期，平均跌幅为6.7%，其中周二下跌的幅度最大为7.5%,周五下跌的幅度最小为5.6%。深圳股票市场异常下跌时期，平均跌幅为5.9%，其中周二下跌的幅度最大为6.6%,周五下跌的幅度最小为5.2%。我们可以看出我国两个股票市场在异常下跌时，最大跌幅和最小跌幅出现的周数具有一致性，同时周数出现的频率也具有一致性，都是周一出现的次数最多，紧着是周二、周四，周三出现的次数倒数第二，周五出现的次数最少，周一和周二出现的频率高于一周其他天出现的频率。

三、计量分析方法

为了进一步对中国股票市场异常下跌时期出现的月份效应和周末效应进行研究，本文用下列回归方程来检验在市场异常时期各个月份和周数的跌幅是否具有差异性：

Rt－Rt=12i=1αiMit+εt

Rt－Rt=5i=1βiWit+ηi

Rt是在中国股票市场出现大跌时，上证指数或深成指数每日的收益率，Rt是股票指数收益率的均值；Mit是一年中月份i的虚拟变量。Wit是一周中星期i的虚拟变量；如果所观测的收益率为一月份某天的收益率，那么M1t=1；如果观测的是其他月份的某天，那么M1t=0。同理如果所观测的收益率为周一的收益率，那么Wit=1；如果觀测的是其他周数，那么Wit=0。上述两个模型用来检验每个月和每个周数的相对平均收益率（与总的收益率差额）是否有显著的差异。考虑到普通最小二乘法极易出现异方差［6］，因此本文直接利用加权最小二乘法对上述模型进行回归，权数为用普通最小二乘法所得到的剩余项标准差的估计值的倒数，最后利用White检验证实效果是良好的，回归结果如表5~表8。

从表5和表6我们可以看出，在沪、深两市异常下跌的时期出现了一定的月份效应。在上海股票市场中，当股票价格异常下跌的时期，五、八、十和十二月份平均下跌的幅度比周内平均下跌的幅度大，其中十二月份平均下跌的幅度最大，比平均下跌的幅度还要下跌1.174个百分点；其余月份平均下跌的幅度比平均下跌的幅度小，尤其是四月份平均下跌的幅度最小，比平均下跌的幅度要高1.044个百分点。在深圳股票市场中，当股票价格异常下跌的时期，也是五、八、十和十二月份平均下跌的幅度比平均下跌的幅度大，其中八月份平均下跌的幅度最大，比平均下跌的幅度还要下跌0.996个百分点；其余月份下跌的幅度比平均下跌的幅度小，尤其是三月份平均下跌的幅度最小，比平均下跌的幅度要多1.228个百分点。

从表7和表8我们可以看出在沪、深两市异常下跌的时期出现了明显的周内效应。在上海股票市场中，当股票价格异常下跌的时期，周一和周二平均下跌的幅度比周内平均下跌的幅度大，周二平均下跌的幅度最大，比周内平均下跌的幅度还要下跌0.873个百分点；其余天数平均下跌的幅度比周内平均下跌的幅度小，尤其是周五平均下跌的幅度最小，比周内平均下跌的幅度要高1.129个百分点。在深圳股票市场中，当股票价格异常下跌的时期，周二平均下跌的幅度比周内平均下跌的幅度大，相差的幅度为0.67个百分点；其余天数下跌的幅度比周内平均下跌的幅度小，尤其是周四平均下跌的幅度最小，比周内平均下跌的幅度要高0.69个百分点。

四、结论及解释

从以上分析我们可以看出，在上海股票市场异常下跌时期，五月份、八月份、十月份和十二月份的相对平均收益都为负数，意味着这些月份的跌幅大于平均跌幅，但是八月份的相对平均收益在统计上不显著，同时十二月份在异常下跌时期出现的频率低于平均频率。因此我们的结论是在上海股票市场异常下跌的时期具有“五月份效应”和“十月份效应”，这两个月出现的频率大于每月出现的平均频率，同时下跌的幅度大于平均跌幅。在深圳股票市场异常下跌时期，五月份、八月份、十月份、十一月份和十二月份的相对平均收益都为负数，意味着这些月份的跌幅大于平均跌幅，但是十一月份的相对平均收益在统计上不显著，同时十月份和十二月份在异常下跌时期出现的频率低于平均频率。因此我们的结论是在深圳股票市场异常下跌的时期具有“五月份效应”和“八月份效应”，这两个月出现的频率大于每月出现的平均频率，同时下跌的幅度大于平均跌幅。从整个我国股票市场上看，具有“五月份效应”。

在上海股票市场异常下跌时期，周一和周二的平均跌幅都大于总的平均跌幅，同时一周内的这两天在市场异常时期出现的频率也大于每天的平均跌幅。周五的平均跌幅小于总的平均跌幅，出现的频率也小于每天的平均跌幅。因此在上海股票市场异常下跌的时期具有明显的“周初效应”和“周末效应”。周初出现的频率大于每天出现的平均频率，同时下跌的幅度大于平均跌幅；周末出現的频率小于平均出现的频率，同时下跌的幅度小于平均跌幅。在深圳股票市场上同样具有明显的“周初效应”和“周末效应”，因此在我国股票市场异常下跌时期具有明显的“周初效应”和“周末效应”。

关于异常下跌时期“月份效应”解释：（1）我国上市公司的“会计信息披露”。我国证券监督委员会规定上市公司年报的公布时间是一到四月份，但大多数公司的年报一般在每年的四月份公布，在外部环境恶化的异常时期，年报公布的利空信息直接使得五月份整个证券市场低迷，因此沪深两市均出现了异常时期的“五月份效应”。而上海市场的“十月份效应”和深圳市场的“八月份效应”均与上市公司的半年报公布有关。（2）经济政策的调整与公布。我国一般每年三月份召开“两会”，确定我国经济政策的方向，一些具体的政策调整与公布一般放在四月和五月，在长期有“政策市”特征的我国股票市场，五月份行情的转向与经济政策的调整与公布也是密不可分的。

关于异常下跌时期周内效应解释：异常下跌时期出现的“周初效应”和“周末效应”与大多数学者已证实的我国股票市场正常时期“周内效应”是一致的，因此可以利用信息因素、情绪因素和周五收盘价等因素解释。

参考文献：

［1］ 张苏林.美国股票市场异常时期的“十月份效应”实证检验［J］.商业时代，2010（14）：62-63.

［2］ 邹宏元.金融计量经济学［M］.成都：西南财经大学出版社，2005.

［3］ 江州，谢赤，张振宇.中国股票市场月份效应研究［J］.财经理论与实践，2008（3）：65-70.

［4］ 奉立城. 中国股票市场的“周内效应”［J］.经济研究，2000（11）：50-57.

［5］ 吴武清，陈敏，梁斌.中国股市周内效应研究——来自时变贝塔、时变特雷诺比率和交易量的新结果［J］.数理统计与管理，2008（1）:133-147.

［6］ 奉立城. 中国股票市场的月份效应和月初效应［J］.管理科学，2003（1）：42-43.

（编辑：南 北；校对：段文娟）

作者：张苏林 王岩

概率统计下的计量经济学论文 篇3：

浅析经济金融问题中的概率统计及应用

[摘要]概率和统计是数理知识的一个部分，这方面的知识内容使用在金融学中，能够有效解决经济金融学中遇见的很多问题。文章在写作时主要是对概率和统计使用在金融学中的重要性分析，并且介绍如何使用统计和概率来解决金融学中遇见的问题。

[关键词]经济金融;概率;统计

[DOI]1013939/jcnkizgsc202007052随着人们的经济活动不断深化，在经济金融中也遇见很多问题。这些问题虽然有着很多的解决方法，但是概率和统计不失为更好的一种。解决金融问题中使用好概率和统计知识，能够帮助寻找在金融发展的规律，并且采用有效的措施，以此来促进金融问题解决的正确性。

1概率和统计在金融学中应用的重要性

11符合经济发展现实情况

概率和统计研究的主要内容是随机事件中的规律性，这种随机性的事件在发展过程中并没有一定的结果关系，但是在发展的过程中也是有相应规律可以寻找，比如在一个事件中出现大量发生，就可以采用概率和统计寻找其中的规律。[1]在人类经营的经济活动中，很多的事件发生是有一定的随机性，但是也有一定的统计规律。在统计学和概率学中研究的内容，主要是对不可能事件和必然事件之间区间研究，也可以用（0，1）来表示事件之间的区间，这个研究前提和实际经济现象发生的规律相符合。同时在金融学中，也要求使用数学知识对实际发生的事件描述，并且把概率和统计知识引入到经济现象中，能够对经济现象中的各种可能研究，进而更透彻描述发生的经济现象。

12提高经济分析准确性和逻辑性

概率和统计都是数理知识的一个部分，数理知识中讲述的是知识的逻辑性和知识的准确性。经济管理中如果采用概率和统计方面的知识内容，能够有效提高经济活动研究中的逻辑性，有逻辑的存在，经济发展规律的分析也就更加地严密，也有更高的准确性，有效弥补在经济活动中出现的政策失误和政策漏洞。经济活动过程中，如果运用好概率和统计，能够促使在经济运行中的规律被更加有效地推导。同时，应用概率论与数理统计知识对内化的经济现象出现的概率进行研究，能够进一步帮助经济学解释经济管理活动中出现的各种经济问题，探究经济行为发生的规律。

2金融统计中的概率统计

概率统计其实是一种数学方法，只是把这种方法使用在经济学领域。概率统计方法在数据领域使用中，能够对自然界出现的随机事件，或者是随机变量，采用概率统计方法获得其发展规律[2]。具体来讲采用概率统计，主要采用概率的理论，并且使用统计的方法展开整理和实验，最后获得结果来评估该事件可行性的大小。概率统计中主要包括两个方面的内容：一方面是数理统计，另一方面是概率论。概率论中主要是研究随机现象发生的可能性，而采用的数理统计是对随机现象的规律性研究。可以这样讲，采用的概率统计方法，两组是一种相辅相成的关系，是缺一不可的两者统一。

3金融学中对概率和统计运用

31保险中采用概率和统计

保险行业可以说是一种社会体系，也可以说是一种金融体系，同时也是两种体系的结合。[3]随着我国社会的不断发展，人们生活在这样的社会中对保障体系越来越渴望，正是这样的社会背景下，保险行业获得很大发展。但是保险行业也需要不断适应社会，需要对保险行业改革，并且推出各样的保险业务来吸引客户。从商业的角度上分析，保险行业可以算是投资行业，因此可以应一句在金融界的行话，保险有风险，投资需谨慎。为了减少投资保险的风险，在个人或者是企业购买保险时，需要分析预期收益，以此来确定是否有盈亏情况。这种时候，就会利用概率和统计知识中的极限中心定理来估算整个投资是否合理。

案例：保险公司中人寿保险是最为常见的一种保险类型，假设在某一个地区有20万老年人参加了养老保险，每人每年需要参与者缴费40元，老年人在死亡以后家属可以获得8000元，该地区在死亡率中为0002，问，保险公司需要对该地区进行类似保险业务，出现亏损的概率是多少？

对上面的问题分析中，可以把该地区死亡的人数设定为x，死亡率p=0002，由于在中心极限定理中有着x～b（n，p），可以根据这个定理得出x～n（np，np（1-p）），根据这个公式算出np=400，np（1-p）=3992。再来分析保险公司如果投资该业务，能够获得的利润是多少。利润为40×200000-8000x，对保险公司亏损来计算应该是40×2000000-8000×1000。所以保险公司在发生亏损的概率中p（x>1000）≈00002。从计算的数据来看，保险公司投资该种业务基本上是不会出现亏损的。

32求最大利润中使用概率和统计

在金融界中，不管是小商贩，还是大的经营者，都追求利益最大化。如果在市场经营时，出现了经营收益大于总体成本，这两者之间的差异就是利润[4]。对于经济学来讲，要如何去计算最大利润呢？对这个方面的问题，在概率和统计中使用随机变量函数可以有效解决。

案例：七夕情人节到了，花店销售的花又到了高峰期。比如在某处的花店，每次进价花为25元，销售花时价格是5元，情人节过完以后，花店的花还没有销售完，为了保证花能够尽快销售完，采用15元的价格销售，根据近五年数据显示，在情人节期间花店需要多少花，对于花的需求量和概率需要如何表示。

问题是在情人节期间，花店需要进多少花，才能够达到利润最大。根据问题分析，如果是销售一朵花，可以获得5-25=25元的利润;如果是处理一朵花，可以获得25-15=1元的亏损。处理一朵花需要亏损1元。如果是在进货中只进20，不管销售是20还是50，销售利润只有25×20=50元，计算的利润期望值中E1=50×（02+35+03+15）=50元。如果进货量在30的情况下，其利润的最大值为50-（25-15）×10=40元，其利润最大值的计算中应该是E2=40×02+75×（035+03+15）=68元。如果进货量是40时，E3=6+65×035+100×（03+015）=735元。同样采用这样的计算方式，如果是进货量在50，获得的E5=69元。

从这个数据中分析来看，如果花店要实现利润最大值，需要进货量是40。

33损失估计中使用概率和统计

企业中出现的损失主要是在经营生产过程中出现不可抗力的因素造成的资产损失[5]。对于企业的生产过程中，造成损失概率最大的因素要数火灾，除了火灾因素，在企业的经营时，总会出现各种各样的因素造成企业的损失。如果企业一旦出现损失，直接影响的是企业的经营效益，因此在企业的生产和经营过程中，对损失的概率估算是非常重要的。在金融学中利用概率和统计学方法对损失的概率进行计算，才能够有效把握损失的具体情况，以便在后期做出相应的应对之策，保证处理的正确性。

4结论

综上所述，在使用概率和统计知识解决经济金融问题中，能够有效分析金融发展的内在规律事件，并且以概率的方法呈现出来，因此使用好概率和统计，能够帮助我们更好地了解经济发展规律。同时概率和统计运用在金融领域，主要包括三个方面：保险中采用概率和统计、求最大利润中使用概率和统计、损失估计中使用概率和统计。在这三个方面运用好概率和统计，能够实现经济利润的最大化。

参考文献：

[1]王永丽财经类高职院校概率论与数理统计教学中案例教学法的应用[J].林区教学，2019（7）：87-89

[2]张艺，唐更华，黄荣斌计量经济学与统计学相结合的教学设计[J].湖北经济学院学报（人文社会科学版），2019，16（6）：142-144

[3]何林海经济金融问题中的概率统计及应用[J].江西电力职业技术学院学报，2018，31（7）：13-14

[4]杨国栋投资决策中概率统计数学模型构建与实际应用[J].内蒙古教育，2018（8）：101-102

[5]孙琬琰经济金融问题中的概率统计及应用[J].經贸实践，2016（17）：86

作者：吉立爽