【技术实现步骤摘要】
考虑投入产出网络结构效应的行业资产定价模型构建方法
[0001]本专利技术涉及数据处理
，具体涉及一种考虑投入产出网络结构效应的行业资产定价模型构建方法。
技术介绍
[0002]资产定价是资源配置方面的一项重要运用。现有的资产定价方法主要包括机器学习、网络分析法和资产定价模型。其中，资产定价模型是目前定价精度最高的模型，该模型是第一个关于金融资产定价的均衡模型，同时也是第一个可以进行计量检验的金融资产定价模型。模型的首要意义是建立了资本风险与收益的关系，明确指明证券的期望收益率就是无风险收益率与风险补偿两者之和，揭示了证券报酬的内部结构。
[0003]然而，现有的资产定价模型没有考虑到行业实体之间存在错综复杂的投入产出关系，忽视了网络结构所产生的影响，易产生模型误设及混淆系统性风险来源的问题，导致定价精度低。
技术实现思路
[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种考虑投入产出网络结构效应的行业资产定价模型构建方法，解决了资产定价方法定价精度低
【技术保护点】
【技术特征摘要】
1.一种考虑投入产出网络结构效应的行业资产定价模型构建方法，其特征在于，所述方法包括：S1、获取n年的历史投入产出表数据，通过投入产出分析，获取n个直接消耗系数，以n个直接消耗系数的均值作为阈值；对直接消耗系数矩阵进行二值转化，得到邻接矩阵表，其中，矩阵元素不小于阈值取1，小于阈值取0，n为不小于1的正整数；S2、通过R语言的igraph包将邻接矩阵表绘制成投入产出网络；S3、通过R软件对投入产出网络测算，检验其是否符合小世界网络，若符合，则提取行业网络特征；S4、基于行业网络特征，构建行业资产定价模型。2.如权利要求1所述的考虑投入产出网络结构效应的行业资产定价模型构建方法，其特征在于，所述行业网络特征包括：入度、出度、加权度、接近中心性、介数中心性和特征向量中心性；其中，入度为投入产出网络中其它行业指向行业节点的边的数量；出度为投入产出网络中离开行业节点的边的数量；加权度的计算方式为：读取投入产出网络中与行业i相连的边，再计算这些边的权重并求和；接近中心性为网络中某一节点与其他节点之间的接近程度，其计算公式为：式中，dist(v,u)是节点u,v∈V的捷径距离，C
CI
(v)是节点v的接近中心性；介数中心性的计算方式为：式中，σ(s,t|v)是s与t之间通过v的最短路径数量，σ(s,t)是s与t之间的最短路径总数，C
B
(V)是节点v的介数中心性；特征向量中心性的计算方式为：式中，C
Ei
(v)是节点v的特征向量中心性，向量C
Ei
＝(C
Ei
(1),...,C
Ei
(N
V
)
T
是特征值问题AC
Ei
＝α
‑1C
Ei
的解A是网络G的邻接矩阵；α是一个常数，与α
‑1互为倒数，α
‑1的最优值是A的最大特征值。3.如权利要求1或2所述的考虑投入产出网络结构效应的行业资产定价模型构建方法，其特征在于，基于行业网络特征，构建行业资产定价模型，包括：以行业股票收益率Return
i,t
作为因变量；以赫芬达尔指数、勒纳指数、资本回报率作为解释变量M
i,t
；将网络特征作为网络特征因子Connectedness
i,t
代入行业资产定价模型中；将行业总产值、职工平均工资、行业内公司总数、行业营业总收入、行业流动资产合计作为控制变量Controls
i,t
；
同时，考虑到网络特征因子与解释变量之间配合效应，在行业资产定价模型中引入其交叉乘积项M
i,t
×
Connectedness
i,t
，得到Return
i,t
＝α+β1M
i,t
+β2Connectedness
i,t
+β3M
i,t
×
Connectedness
i,t
+β4Controls
i,t
+ε
i,t
式中，α为截距项；β1,β2,β3,β4为回归系数；ε
i,t
为随机振动项。4.如权利要求3所述的考虑投入产出网络结构效应的行业资产定价模型构建方法，其特征在于，所述方法还包括：通过回归分析优化行业资产定价模型中的解释变量。5.如权利要求4所述的考虑投入产出网络结构效应的行业资产定价模型构建方法，其特征在于，所述通过回归分析优化行业资产定价模型中的解释变量具体包括：在回归分析时，通过方差膨胀因子检验多重共线性，对于方差膨胀因子值大于10的变量组合，利用step函数进行逐步回归，剔除不显著的解释变量。6.一种考虑投入产出网络结构效应的行业资产定价模型构建系统，其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。