时间序列分析

图书标准信息

• 作者 涂云东
• 出版社 人民邮电出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787115592736
• 定价 49.80元
• 装帧 其他
• 开本 其他
• 纸张 胶版纸
• 页数 204页
• 字数 224千字

【内容简介】

本书以时间序列模型为基础，以经济学和管理学中的案例为载体，采用理论讲解与数据分析案例实践相结合的方式编写而成。全书共9章，包括时间序列分析基础、线性时间序列模型、单位根时间序列模型、非线性时间序列模型、协整时间序列模型、波动率模型、时间序列的机器学习方法、时间序列的深度学习方法和课程综合案例等内容。
  本书配有PPT课件、教学大纲、数据集、R语言代码、课后习题答案、模拟试卷及答案等教学资源，使用本书的老师可在人邮教育社区免费下载使用。
  本书不仅可以作为统计学、数据科学等相关专业本科生学习数据建模相关课程的教材，也可以作为研究生、政府人员和企业管理人员学习预测和决策方法的培训书或自学书。

【作者简介】

涂云东

北京大学光华管理学院和北京大学统计科学中心联席教授。入选“日出东方-光华青年人才\"，北京大学优秀博士学位论文指导教师，“长江学者奖励计划”青年长江学者。2004年和2006年先后获武汉大学理学学士学位和经济学硕士学位，2012年获美国加州大学河滨分校经济学博士学位。亚太青年计量经济学者会议发起人和组织者。30余篇学术论文发表在多个国际、国内专业杂志上。主持多个国家自然科学基金项目，并担任自然科学基金匿名评审。曾获世界计量经济学会、加州计量经济学会议等学术组织提供的青年学者研究资助。研究领域涵盖时间序列分析、非参数计量方法、大数据分析、金融计量和预测等。

【目录】

第 1章　时间序列分析基础　1

本章导读　1

1.1　时间序列数据概述　1

1.1.1　数据类型　1

1.1.2　数据可视化　2

1.1.3　数据来源　5

1.1.4　数据特征　6

1.1.5　数据预处理　10

1.2　时间序列的基本概念　10

1.2.1　平稳性　10

1.2.2　遍历性　10

1.2.3　白噪声　11

1.2.4　鞅差过程　11

1.2.5　相依性度量　11

1.2.6　长期协方差　15

1.3　时间序列基本模型　17

1.3.1　白噪声模型　17

1.3.2　滑动平均模型　17

1.3.3　自回归模型　18

1.3.4　自回归滑动平均模型　19

1.4　时间序列预测方法　19

1.4.1　均值预测法　19

1.4.2　朴素预测法　19

1.4.3　滑动平均法　20

1.4.4　指数平滑法　20

1.4.5　模型预测法　20

1.5　案例分析：投资组合　21

习题　21

第 2章　线性时间序列模型　23

本章导读　23

2.1　线性时间序列模型基础　23

2.1.1　线性时间序列过程　23

2.1.2　滞后算子　24

2.2　自回归模型　25

2.2.1　一阶自回归模型　25

2.2.2　二阶自回归模型　26

2.2.3　p阶自回归模型　28

2.2.4　自回归模型定阶　29

2.2.5　自回归模型预测　32

2.3　滑动平均模型　34

2.3.1　一阶滑动平均模型　35

2.3.2　二阶滑动平均模型　35

2.3.3　q阶滑动平均模型　36

2.3.4　滑动平均模型定阶　37

2.3.5　滑动平均模型预测　37

2.4　自回归滑动平均模型　39

2.4.1　简单自回归滑动平均模型　39

2.4.2　自回归滑动平均模型定阶　40

2.4.3　自回归滑动平均模型预测　42

2.5　线性时间序列建模指南　44

2.5.1　线性时间序列建模思想　44

2.5.2　线性时间序列建模步骤　45

2.6　案例分析　46

习题　48

第3章　单位根时间序列模型　50

本章导读　50

3.1　单位根举例　50

3.1.1　醉汉　50

3.1.2　股票价格　50

3.1.3　消费　51

3.2　自回归模型的统计推断　51

3.2.1　平稳过程　52

3.2.2　单位根过程　52

3.2.3　爆炸过程　53

3.3　单位根检验　53

3.3.1　Dickey-Fuller检验　54

3.3.2　Phillips-Perron检验　61

3.3.3　ADF检验　64

3.3.4　其他检验 　65

3.4　案例分析　68

习题　71

第4章　非线性时间序列模型　72

本章导读　72

4.1　参数非线性时间序列模型　72

4.1.1　自激励门限自回归模型　72

4.1.2　平滑转换自回归模型　73

4.1.3　马尔可夫区制转换自回归模型　74

4.2　非参数时间序列模型　76

4.2.1　核估计　77

4.2.2　筛分估计　80

4.3　半参数时间序列模型　83

4.3.1　部分线性回归模型　83

4.3.2　单因子回归模型　83

4.3.3　可加模型　84

4.3.4　变系数模型　84

4.4　非线性检验　85

4.4.1　参数非线性检验　85

4.4.2　非参数模型设定检验　88

4.5　案例分析　91

习题　94

第5章　协整时间序列模型　95

本章导读　95

5.1　虚假回归　95

5.1.1　虚假回归的发现　95

5.1.2　虚假回归的特征　96

5.2　协整模型　98

5.2.1　协整的定义　98

5.2.2　协整的误差修正表示　99

5.2.3　协整的检验　101

5.3　平衡回归　112

5.3.1　平衡回归的构造　113

5.3.2　平衡回归的性质　113

5.4　非线性协整模型　114

5.4.1　参数非线性协整模型　114

5.4.2　非参数协整模型　115

5.4.3　半参数协整模型　115

5.4.4　变系数协整模型　116

5.5　协整模型的模型设定检验　116

5.6　案例分析　117

习题　121

第6章　波动率模型　122

本章导读　122

6.1　自回归条件异方差模型　122

6.1.1　ARCH模型及其性质　123

6.1.2　ARCH模型的估计　125

6.1.3　检验ARCH效应　125

6.1.4　ARCH模型建模步骤　126

6.2　广义自回归条件异方差模型　128

6.3　其他条件异方差模型　132

6.3.1　IGARCH　132

6.3.2　ARCH－M模型　132

6.3.3　EGARCH　132

6.3.4　TGARCH　133

6.3.5　半/非参数GARCH　134

6.4　多元波动率模型　135

6.4.1　条件协方差模型　135

6.4.2　条件方差和条件相关系数模型　136

6.5　案例分析　137

习题　143

第7章　时间序列的机器学习方法　144

本章导读　144

7.1　支持向量回归　144

7.2　回归树　147

7.3　聚类　149

7.3.1　聚类的基本思想　149

7.3.2　k均值聚类　150

7.3.3　分层聚类　151

7.4　案例分析　153

7.4.1　案例分析1：SVR和回归树的应用　153

7.4.2　案例分析2：时间序列聚类　155

习题　159

第8章　时间序列的深度学习方法　160

本章导读　160

8.1　前馈神经网络　160

8.1.1　神经元　160

8.1.2　多层感知机　163

8.2　卷积神经网络　165

8.3　循环神经网络　168

8.3.1　简单循环单元网络　168

8.3.2　长短期记忆网络　169

8.3.3　门控循环单元网络　170

8.4　案例分析　171

8.4.1　案例分析1：美国GNP数据神经网络预测　171

8.4.2　案例分析2：股票涨跌的神经网络预测　174

习题　175

第9章　课程综合案例　176

本章导读　176

9.1　案例分析：投资组合　176

9.2　股票的超额收益率的均值预测　178

9.3　股票超额收益率的波动率预测　178

9.4　投资组合　180

9.5　投资策略　182

参考文献　184