模型风险的模型平均法和收缩法是什么？

模型风险的模型平均法和收缩法是什么？

很多学者都支持用简单的模型平均来降低模型风险。例如，Pastor建议对不同模型所产生的预期收益求其平均值。模型平均直觉上十分简单，原因是：不同模型所得出的可靠的估计和预测应该是高度相关的。当它们不是高度相关时，这意味着估计和预测过程不可靠，而平均化可以实质上降低预测误差。模型平均应该对预测表现影响不大，但有助于避免大的预测误差。如果模型平均对预测表现具有很大的影响，那这就意味着预测值之间不相关，因而预测值是不可靠的。我们就必须重新考虑建模策略了。

对从不同模型中所得到的估计量进行平均这一过程，可以用一个称作收缩法的统计估计技术来完成。通过平均化，估计量之间变得更接近了。平均的权重可以通过贝叶斯方法或实证贝叶斯方法来得到。模型可能建立在完全不同的理论假设上。例如，协方差矩阵的估计可能会采用完全不同的方法，包括会得到高度干扰的协方差矩阵的实证估计法，或者基于CAPM模型的估计方法，其得出的协方差矩阵受到理论假设高度限制。收缩法通过采用适当的收缩系数进行平均，使得一个估计量向另一个估计量收缩。这种想法也可以用于动态模型。不同的模型为真实DGP提供了不同的估计值。通过对估计值和预测进行平均，我们保存了共同的鲁棒估计并且限制了来自任何给定模型估计失败所带来的破坏。

收缩法可以被推广用来求任意数量模型的平均值。如果我们知道模型间的相对重要性，那么加权因子可以由贝叶斯原理给出。收缩法是对可能的不同模型进行平均化的方法。从贝叶斯的角度来看这称为多重先验法。

牛市通网是一个牛股推荐网与低风险投资知识网，可以在线联系客服领取牛股。牛市通网从权威的投资专家、金融分析师等投资信息中挑选优质的文章进行发布。牛市通网主要为投资者提供股票知识、股票观点、股票分析和明智金融投资讨论等信息。