一只 股票的_beta_值通常意味着它与市场的关系,当市场变动 1%时,我们期望股票会发生多少百分比的变动(点击文末“阅读原文”获取完整代码数据)。
市场,是一个有点模糊的概念,像往常一样,我们使用标准普尔500指数进行近似计算。上述关系(以下简称β)对交易和风险管理的许多方面是不利的。已经确定的是,波动率对于上涨的市场和下跌的市场有不同的动态。我们无论如何都要使用回归来估计贝塔值,所以对于希望拟合这种不对称性的投资者来说,分段线性回归是合适的。
相关视频
这个想法很简单,我们将数据集分成两个(或更多)部分,并分别、逐块或 _分段_估计每个部分。这个简单的想法可以用复杂的符号和代码来实现。
为了说明,我使用 Microsoft 股市收益率数据(MSFT)。
我对不同收益率估计了不同的β值,正日在零以上,负日在零以下,所以零是我们的突破点。(这个突破点在学术术语中被称为 "结",为什么是 "结 "呢?因为它把两部分联系在一起。) 下面的图显示了结果。
getSymbols
for (i in 1:l){
dat0 = getSymbols
rt\[,i\] = dt\[,4\]/dt\[,1\] - 1
}
lal = lm
plot abline
联系客服