Re: [請益] 美國2-10年公債殖利率倒掛何時解除
※ 引述《nodgdi ( ccc)》之銘言:
1.採用二元Probit迴歸
二元Probit回歸模型基於正態分布的累積分布函數(probit函數),
該函數將自變量的線性組合映射到[0,1]區間,這可以理解為事件發生的概率。
模型方程如下:
P(Y=1∣X)=Φ(Xβ)
其中P(Y=1∣X)是條件概率,表示在給定自變量 X時應變量Y取值為1的概率,Φ是正態分
布的累積分布函數,β是待估計的參數向量。
分析採用變數IYC(inverted yield curve)代表利率倒掛期間,表示式:
When (US10-US3M)<0 then IYC=1
虛無假設:IYC=1,也就是對立假設顯著p<5%時拒絕利率倒掛的虛無假設。
2.結果
https://imgur.com/L1DPSNc
根據最新市場數據與經濟數據,並採用二元Probit預測倒掛結束
最快發生在2024/5。
另採用採用ARIMA GJR-GARCH做double check,則在2024/11
所以倒掛結束約在2024/5~2024/11 之間。
: 解除的方式
: 要就2年殖利率下來
: 不然就10年的殖利率上去
: 現在就還沒降息
: https://www.wantgoo.com/global/us2-yr
: 2年期殖利率還在4.64%
: https://www.wantgoo.com/global/us10-yr
: 10年期殖利率還在4.32%
: https://www.macromicro.me/collections/9/us-market-relative/48/target-rate
: 目前美國-基準利率5.33%
: 老鮑目前是不想3月降息
: 如果再一次看到10年期公債殖利率到5%
: 一來解除殖利率倒掛(前提是2年殖利率維持現況4.6多%)
: 解除殖利率倒掛 按照歷史來看也會引發金融危機
: 那時候484就可以降息了?
: 不知要等到何年何月?
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 210.61.151.146 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1708392677.A.6BC.html
推
02/20 09:34,
2月前
, 1F
02/20 09:34, 1F
不是喔
就有人問,把我猜的數據丟上來而已,如果有人可以分享我更歡迎感謝。
※ 編輯: tompi (210.61.151.146 臺灣), 02/20/2024 09:38:00
推
02/20 09:38,
2月前
, 2F
02/20 09:38, 2F
推
02/20 09:38,
2月前
, 3F
02/20 09:38, 3F
推
02/20 09:39,
2月前
, 4F
02/20 09:39, 4F
→
02/20 09:40,
2月前
, 5F
02/20 09:40, 5F
→
02/20 09:40,
2月前
, 6F
02/20 09:40, 6F
→
02/20 09:40,
2月前
, 7F
02/20 09:40, 7F
→
02/20 09:40,
2月前
, 8F
02/20 09:40, 8F
→
02/20 09:40,
2月前
, 9F
02/20 09:40, 9F
→
02/20 09:40,
2月前
, 10F
02/20 09:40, 10F
→
02/20 09:40,
2月前
, 11F
02/20 09:40, 11F
所謂風口上的豬都能飛,所以阿 是豬重要還是風重要?
證券分析一樣能採用量化模型的,但能用的不會有人分享的。
此外我更佩服用看線就能買到好股票的。
→
02/20 09:41,
2月前
, 12F
02/20 09:41, 12F
※ 編輯: tompi (210.61.151.146 臺灣), 02/20/2024 09:45:55
推
02/20 09:47,
2月前
, 13F
02/20 09:47, 13F
推
02/20 09:47,
2月前
, 14F
02/20 09:47, 14F
推
02/20 09:47,
2月前
, 15F
02/20 09:47, 15F
→
02/20 09:47,
2月前
, 16F
02/20 09:47, 16F
→
02/20 09:48,
2月前
, 17F
02/20 09:48, 17F
推
02/20 09:48,
2月前
, 18F
02/20 09:48, 18F
推
02/20 09:52,
2月前
, 19F
02/20 09:52, 19F
這邊借你的回覆
學術上來說 股票價格基於隨機漫步,股票價格的變動是隨機的,無法預測。
但不要完全接受這點。
因為股票價格變動其實不是隨機的。
所以會不會步入熊市是可以預測的,同樣的 牛市也可以。
※ 編輯: tompi (210.61.151.146 臺灣), 02/20/2024 10:00:52
→
02/20 09:54,
2月前
, 20F
02/20 09:54, 20F
就別了吧
推
02/20 09:57,
2月前
, 21F
02/20 09:57, 21F
→
02/20 09:57,
2月前
, 22F
02/20 09:57, 22F
推
02/20 10:00,
2月前
, 23F
02/20 10:00, 23F
推
02/20 10:00,
2月前
, 24F
02/20 10:00, 24F
※ 編輯: tompi (210.61.151.146 臺灣), 02/20/2024 10:01:58
→
02/20 10:02,
2月前
, 25F
02/20 10:02, 25F
推
02/20 10:02,
2月前
, 26F
02/20 10:02, 26F
影響牛熊市的變因不是只有倒掛結束與否
譬如說股市的實質盈利率 [(E/P)-CPI] 也很重要
→
02/20 10:02,
2月前
, 27F
02/20 10:02, 27F
消費者信心指數
密大消費者信心指數
成屋銷售(百萬)
工業生產指數
採購經理人指數
非製造業PMI
製造業新訂單
耐久財新訂單
失業率
平均薪資
道瓊指數
SPX
SPPE
那斯達克100
風險指數
PPIYOY
CPIYOY
生產者物價指數
核心CPI
核心PCE
CPI價格
PCED
HY信用利差
聯邦基金利率
美庫3M殖利率
美國1Y殖利率
美國2Y殖利率
美國10Y殖利率
美國30Y殖利率
美國30年房貸利率
TIPS10
西德州原油
黃金現貨
彭博商品指數
M2
M1
FED負債
製造業庫存
客戶庫存
美國債務
GDP
GDP平減指數
美元指數
歐元
US房價指數
OECD美國LEI
推
02/20 10:03,
2月前
, 28F
02/20 10:03, 28F
推
02/20 10:04,
2月前
, 29F
02/20 10:04, 29F
※ 編輯: tompi (210.61.151.146 臺灣), 02/20/2024 10:05:22
推
02/20 10:05,
2月前
, 30F
02/20 10:05, 30F
還有 71 則推文
還有 14 段內文
→
02/20 23:25,
2月前
, 102F
02/20 23:25, 102F
推
02/21 00:05,
2月前
, 103F
02/21 00:05, 103F
→
02/21 00:06,
2月前
, 104F
02/21 00:06, 104F
→
02/21 00:07,
2月前
, 105F
02/21 00:07, 105F
→
02/21 00:08,
2月前
, 106F
02/21 00:08, 106F
1.沒有所謂真實的機率分布
2.未來的分布只能預測
3.預測的方法就是預測變異
4.變異是條件變異,異質相依的
5.短期變異是能夠預測的,所以可以估計短期的異質分布
6.變異會隨時間與衝擊變異而變異。
7.而且變異衝擊還是非對稱的
※ 編輯: tompi (210.61.151.146 臺灣), 02/21/2024 13:26:04
推
02/21 14:29,
2月前
, 107F
02/21 14:29, 107F
→
02/21 14:30,
2月前
, 108F
02/21 14:30, 108F
先別講GARCH
提一下 拔靴法
引用 高雄科大金融系 文章
https://reurl.cc/orXnnD
1. Bootstrap 法是由 Efron 在 1979 年所提出(Efron, 1979),它
可以從有限的樣本中隨機重複抽樣,來模擬出"變數的真實分配"。假
設我們有一組有限數目的樣本,希望從這些樣本中重建出母體真實的分配,只
要給定每個觀察值相同的機率,隨機抽取,且抽出後放回,使
得這些觀察值可被重複抽取,且容許重抽出來的觀察值數目多於原有的
樣本數.
2.由於容許重複抽取,發生次數越多的被抽到的機會越多,反之,發
生次數越少的就 比較不容易被抽取。當重複抽取出的樣本數目夠多之後,我
們就可以相信其次數分配會趨近於母體的分配,這
就是 Bootstrap 法的精神所在。
3.Bootstrap 法的優點在於它不需要對分配做假設,且能夠包含厚尾、跳動、或
偏離常態分配的情況。而且,它容許重複抽樣,解決了歷史模擬法中資料不足的問題。
此外, Bootstrap 法還考量了資產間的相關性,因為當某一日樣本被抽出時,當
日所有資產的價格(或是整個投資組合的報酬率)都同時被抽出且全部評價。
所以如果拿隨機(常態分配)與拔靴法抽樣來比較,顯然用拔靴法比較好
且若要提高效果可以設計抽取方式。
這方法的好處是簡單,不需要對分配做假設。
但波動度有波動相依性,根據我的測試,拔靴法對於波動相依的效果並不太好
由於GARCH模型可以根據過去歷史變異估計變異的衝擊與持續性
我個人比較偏好用GARCH,而且GARCH可以估計報酬的非對稱波動衝擊
也可以連結ARIMA 模型使用。
我的建議是如果GARCH 操作有點門檻的,先用拔靴法,拔靴法好操作建立
但抽樣方式要費點心
例如 週一到週五 波動並不一樣
開盤 盤中 收盤前 的波動也不一樣,
期貨結算日 前後也不太一樣
所以抽樣時 歷史資料要做標記, 然後按時間或是需要抽樣出
這樣出來的分配比較能夠符合過去的狀況
另外 我前述說沒有真實分配,可以想像過去台積電占比10多趴
跟現在佔快30趴,變異的分配能夠一樣嗎?
最近跟最近有關
※ 編輯: tompi (114.37.112.58 臺灣), 02/21/2024 16:59:23
※ 編輯: tompi (114.37.112.58 臺灣), 02/21/2024 17:04:27
推
02/22 00:26,
2月前
, 109F
02/22 00:26, 109F
→
02/22 00:27,
2月前
, 110F
02/22 00:27, 110F
推
02/22 00:31,
2月前
, 111F
02/22 00:31, 111F
→
02/22 00:32,
2月前
, 112F
02/22 00:32, 112F
股價波動是異質變異的,隨時間或是資訊衝擊改變,所以沒有公認的機率分配
同質變異像是一張桌子,哪裡都一樣,變異不隨時間與衝擊改變
機率都服從常態分配
但異質變異隨時間與衝擊改變,而這改變的程度(變異)是可以預測的,
所以在每個單位時間內沒有所謂的"公認機率分配"
每個下一個單位時間的機率分配都在改變,並且與前一個單位時間有關
所以從固定的變異(或你猜想公認的機率分配) 應該改稱為 變異的過程
而變異過程是可以透過模型建立的
而且變異的過程每個商品不一樣。
※ 編輯: tompi (210.61.151.146 臺灣), 02/22/2024 08:04:54
※ 編輯: tompi (210.61.151.146 臺灣), 02/22/2024 08:07:40
推
02/22 15:36,
2月前
, 113F
02/22 15:36, 113F
→
02/22 15:37,
2月前
, 114F
02/22 15:37, 114F
→
02/22 15:38,
2月前
, 115F
02/22 15:38, 115F
→
02/22 15:39,
2月前
, 116F
02/22 15:39, 116F
→
02/22 15:41,
2月前
, 117F
02/22 15:41, 117F
→
02/22 15:41,
2月前
, 118F
02/22 15:41, 118F
→
02/22 15:43,
2月前
, 119F
02/22 15:43, 119F
不同商品指的是不同 標的 例如 台指、SP500、NQ100
台積電、台塑等等
選擇權的隱含波動度曲面阿~~
您應該知道 隱含波動度是市場交易出來的
但為什麼交易在那個波動度上,
我研究過 台灣選擇權市場 外資是大買家
賣方通常是自營商,
在美國 選擇權的隱含波動度 通常高過 GARCH預測值
但是在台灣則是低於預測值
所以台灣自營商 在以前 如果遇到大波動 很容易受傷
週月選 或是價平到價外,波動度會有其他增減益 項
例如 流動性、時間長短、投資人偏好等 (例如 價外 call 波動常常低於價平)
我自己是參考
動態隱含波動度模型 這篇 ,把BS模型程式改成可以估計 skew的
https://reurl.cc/YVn4ln
選擇權離我最後交易時間太遠了。也許沒說到甚麼,見諒了
※ 編輯: tompi (210.61.151.146 臺灣), 02/22/2024 16:56:32
推
02/23 01:45,
2月前
, 120F
02/23 01:45, 120F
→
02/23 01:46,
2月前
, 121F
02/23 01:46, 121F
→
02/23 01:48,
2月前
, 122F
02/23 01:48, 122F
讚
※ 編輯: tompi (210.61.151.146 臺灣), 02/23/2024 07:04:24
推
02/23 18:02,
2月前
, 123F
02/23 18:02, 123F
→
02/23 18:04,
2月前
, 124F
02/23 18:04, 124F
→
02/23 18:07,
2月前
, 125F
02/23 18:07, 125F
→
02/23 18:08,
2月前
, 126F
02/23 18:08, 126F
→
02/23 18:09,
2月前
, 127F
02/23 18:09, 127F
→
02/23 18:12,
2月前
, 128F
02/23 18:12, 128F
→
02/23 18:12,
2月前
, 129F
02/23 18:12, 129F
→
02/23 18:14,
2月前
, 130F
02/23 18:14, 130F
推
02/23 19:35,
2月前
, 131F
02/23 19:35, 131F
→
02/23 19:37,
2月前
, 132F
02/23 19:37, 132F
→
02/23 19:39,
2月前
, 133F
02/23 19:39, 133F
→
02/23 19:41,
2月前
, 134F
02/23 19:41, 134F
→
02/23 19:50,
2月前
, 135F
02/23 19:50, 135F
→
02/23 19:52,
2月前
, 136F
02/23 19:52, 136F
討論串 (同標題文章)
本文引述了以下文章的的內容:
完整討論串 (本文為第 2 之 3 篇):