三大酒业的盈利能力预测范文

本站小编为你精心准备了三大酒业的盈利能力预测参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《统计与咨询杂志》2014年第四期

一、变量说明和模型设定

（一）变量说明关于三大酒类的数据主要来自财新网数据中心。由于相关数据，尤其是季度数据非常有限，在不失样本丰富性和指标准确性的前提下，本文用三大酒类各自的利润总额作为衡量盈利能力的指标。利润总额反映了企业经营活动的总成果，是衡量企业盈利能力非常重要的指标。本文用三大酒业各自的全行业利润总额，能基本反映整个行业的盈利能力。选择城镇家庭人均消费支出作为消费水平的指标，主要基于以下考虑：第一，人均消费比GDP更能反映消费能力，同时排除了家庭人口规模的影响。第二，由于目前城镇人口受计划生育和城市化两个相互抵消的因素，因此假定人口数不变。城镇季度人口数据的缺失也是考量之一，因此模型中未纳入人口数据。第三，由于缺乏农村人均消费支出，同时葡萄酒消费以城市为主，因此影响酒业需求的宏观经济因素仅来自城镇家庭人均消费支出。样本区间为2004年Q1至2011年Q3,共计31个样本点。以上数据均经过了X11季度调整，并且经过了单位根检验后均为平稳数据，因此可以直接用BVAR模型进行估计。

（二）BVAR模型介绍本文的估计方法采用贝叶斯向量自回归模型（BVAR），它是对向量自回归（VAR）模型的一个扩充。估计方法常采用最大似然估计，在一些基本假定下满足一致性、渐进有效性和渐进的正态分布（litterman,1980），Sims（1980）随后对其进行了扩充。VAR模型的主要问题在于随着模型中变量的增加，需要估计的自由参数会急剧增加，使估计结果不再有效的同时增加了样本外预测误差。当估计参数过多而时间序列数据较短时，往往会人为设定一些零参数。这些“零约束”一方面降低了预测精度，另一方面有时会出现预测结果与经济理论或现实不符的情况。避免参数过多问题的其中一个方法便是贝叶斯方法估计VAR模型（BVAR）。Litterman(1980),Todd(1984),Litterman(1986),andSpencer(1993)等对其进行了详细的描述。贝叶斯方法把模型方程中的参数看作一种随机变量,这种随机变量所满足的先验分布被认为包含了预测者在预测前所获取的某种相关信息。如果这种信息缺乏,则可能是由于存在扩散的先验分布。因此，估计结果可以根据数据中的信息和先验分布得到。Litterman(1986)发展出了一个先验分布，即也称为Minnesota先验分布，它实际上是一个多变量的随机游走过程。在先验分布中，主要有以下几个参数：总体紧度表示自变量滞后1期的系数标准差，它度量对先验信息的信心大小程度。g越小说明先验分布越紧。衰减系数d是滞后阶数的长度。d的增加会增加滞后阶数长度，从而将先验分布变紧。相对紧度w是滞后变量相对于一阶变量的紧度。w的减少会降低不同变量之间的影响。w实际上设定了系数矩阵系数矩阵，通常分为两种情况。第一种是将系数矩阵设为对角线为1，其他值为相对紧度w的对称矩阵。第二种是给出一个具体的系数矩阵。通过调整上面几个参数就可以确定先验分布的主要参数。因此BVAR模型将众多参数的估计问题转化为估计三个超级变量,这三个超级变量的取值方法通常采用Litterman的Minnesota分布，按照实际经验给这三个超级变量取值。

（三）模型的设定在对数据进行季度调整和对数化处理后，按照超级参数的不同取值，我们设定了四个模型以进行预测精度比较。包括一个VAR模型（不受限制的VAR,下同）和三个BVAR模型[最初也设定了OLS模型。但是由于预测效果很不理想，考虑到篇幅，并未保留到论文终稿中。]，模型之间的主要差别在于超级参数的取值不同。参数设定我们依据Doan(2007)，Dua,Miller(1996)等的方法。按照Doan（2007）建议，对于方程个数小于5的小型模型，应该将系数矩阵设为对称，并且其他两个参数通常设g=0.2，w=0.5，即为BVAR1,将其作为备选模型。此外3个超级参数的取值基于以下考虑。第一，衰减系数d的取值。对于季度数据等高频时间序列，衰减系数d的设定会存在一定的偏误[UserguideofWinrats]。因此四个模型的d均设定为0，由于各变量已经X11季度调整，同时模型滞后长度4阶，从而部分修正了这个问题。第二，总体紧度g的取值。其值通常设定为0.2。为做进一步对比，将g变紧为2.0，此时排除了模型中的贝叶斯部分，退化为VAR模型，因此它实际是BVAR模型的特殊形式。第三，相对紧度w的取值。w按照前面所说的两种类型，我们分别设定为对称矩阵时w=0.5和1.0、非对称矩阵时为系数矩阵。按照上面的3个超级参数的不同设定，表1列出了4个模型。考虑到季度因素选择滞后四阶。四个模型都将人均消费支出作为外生变量并进行了区分，因此实际上估计了8个模型。参照其他文献，本文选择的预测精度的衡量标准分别为均方根误差（RMSE）和泰尔值（TheilU）。RMSE度量了样本的偏离程度，其值越小说明预测效果越小。Theil通常用于比较预测模型与随机游走模型的均方误差的差异。如果Theil值小于1,说明预测模型的预测精度较低;越接近于0说明预测效果越好。本文已有数据是2004年Q1至2011年Q3。首先根据2004年Q1至2006Q4作为内样本数据估计出模型参数，然后根据这个模型超前1步，动态预测2007Q1至2011Q3区间的数据。其次将样本空间扩展至2007Q1并重新估计预测模型,并根据新模型预测2007Q2至2011Q3区间的数据。以此类推，直到最后一期。因此，建立的预测模型一共进行19次1步预测，18次2步预测，，12次8步预测。

二、实证结果

四个模型的预测结果比较表2是有外生变量时四种模型的预测精度比较。无外生变量时模型的预测精度结果由于篇幅所限没有列出。预测结果显示，首先，外生变量的加入降低了各个模型的预测精度，因此不包括外生变量时模型的预测精度更高。其次，没有外生变量的四个模型中，VAR的预测精度远远低于其它模型，因此首先排除VAR模型。第三，在剩余三个模型中BVAR1和BVAR3非常接近（即使在有无外生变量的前提下），当超前1步和3步时接近重合。随着超前步数的增加，BVAR3稍好一些，但是考虑到模型的简化和等均值检验时二者不显著，因此选择BVAR1。第四，BVAR1和BVAR2从表中看各有优劣。因此需要进一步比较。图1对BVAR1和BVAR2两个模型的RMSE分别绘制折线图。葡萄酒的预测精度最高，RMSE在超前1-4步时差别不大，但在4-7步时BVAR2的预测精度更高，在第8步时，BVAR1的稍高一些。总体来看，二者预测精度非常接近。白酒的预测精度次之，啤酒的最低，并且两个图中BVAR1的预测效果都明显好于BVAR2。综合三个变量，BVAR1的预测精度最高，这与Doan（2007）的建议比较吻合。

作者：刘发跃马丁丑单位：甘肃农业大学经济管理学院