计量经济分析及其Python应用

在大数据与人工智能时代，数据成为人们商务决策为重要的参考之一，计量经济分析已迈入了一个新的阶段。Python是一款非常优秀的计量经济分析、图形展示和人工智能机器学习软件，《计量经济分析及其Python应用》侧重于使用Python进行计量经济与量化投资分析，同时结合大量精选的实例问题对的Python版本进行科学、准确和全面的介绍，以便使读者能深刻理解Python的精髓和灵活、高效的使用技巧。通过本书，读者不仅能使用Python及相关的库来解决实际计量经济分析问题，而且能学会从实际经济问题分析入手，利用Python进行计量经济分析。

Python是计量经济与金融分析、经济预测、人工智能机器学习、网络Web服务等领域应用非常广泛的语言之一，它具有简单易学、免费开源、可移植、可扩展，统计与作图功能强，财经数据接口、机器学习库、网络服务等工具丰富，更新和发展速度快等特点，因而受到广大用户的欢迎和喜爱。本书通过丰富的经济金融实例，详细介绍了Python3.7（2019年3月发布）在经济、金融领域中的应用，书中所有运算结果都在Python3.7版本上调试通过。

本书理论与应用相结合，实例丰富且通俗易懂，重点讨论了Python在计量经济与量化投资中的应用，详细介绍了各种方法在Python中的应用。本书适合作为经济学、金融学、统计学、会计学、财政学、
投资学、国际经济及贸易
等相关专业的本科生或研究生学习统计学、计量经济学、量化投资等课程的教学或实验参考用书，同时对从事经济计量分析行业的实际工作者也大有裨益。通过本书，读者不仅能掌握Python及其库本身的应用，而且能学会从实际问题分析入手，利用Python进行计量经济分析，并对结果进行解释。

本书实例与内容丰富，有很强的针对性，书中各章详细地介绍了实例的Python具体操作过程，读者只需按照书中介绍的步骤一步一步地实际操作，就能掌握全书的内容。为了帮助读者更加直观地学习本书，我们将书中实例的全部数据文件
配套提供给读者。读者下载后，在本地建立一个F:/2glkx/data1目录（其他目录名也可以），将所有数据文件复制到此目录下，即可进行操作。

本书的内容是这样安排的： 第1章介绍计量经济分析及其Python环境； 第2章介绍描述性统计及其Python应用； 第3章介绍参数估计及其Python应用； 第4章介绍假设检验及其Python应用； 第5章介绍相关分析与一元回归分析及其Python应用； 第6章介绍多元回归分析及其Python应用； 第7章介绍多重共线性及其Python应用； 第8章介绍异方差及其Python应用； 第9章介绍自相关及其Python应用； 第10章介绍财经大数据时间序列分析ARMA模型及其Python应用； 第11章介绍财经大数据广义自回归条件异方差模型(GARCH)及其Python应用； 第12章介绍面板数据计量分析及其Python应用； 第13章介绍广义矩估计GMM与似然估计MLE及其Python应用； 第14章介绍线性回归的内生性与Hausman检验及其Python应用； 第15章介绍财经大数据量化投资统计套利及其Python应用； 第16章介绍人工智能机器学习及其 Python应用。

本书是2019广东省高等教育教学研究和改革项目“大数据时代经济与金融计量分析课程教学改革”阶段性成果之一。谭隆辉参与了本书第10章和第15章的数据处理分析与整理工作。
本书的出版，得到了清华大学出版社编辑的支持、帮助，应该感谢他们为读者提供了一本好的工具书！由于时间和水平的限制，书中难免出现一些纰漏，恳请读者谅解并提出宝贵意见。

作者2020年9月于广州

本书包括：经济与金融计量分析绪论；描述性统计及其Python应用；参数估计及其Python应用；假设检验及其Python应用；相关分析与一元回归分析及其Python应用；多元回归分析及其Python应用；多重共线性及其Python应用；异方差及其Python应用；自相关及其Python应用；时间序列分析ARMA模型及其Python应用；广义自回归条件异方差模型(GARCH)及其Python应用；面板数据分析及其Python应用等。内容新颖、全面，实用性强，融理论、方法、应用于一体。

朱顺泉，男，管理学博士，现为广东财经大学金融学院教授，长期从事本科生与研究生的投资学、金融工程、公司金融、金融市场、金融计量学、经济博弈论、数据模型与决策等课程的教学和科研工作，一直致力于财经与科技相结合的交叉应用研究。

第1章计量经济分析及其Python环境

1.1计量经济分析的含义

1.2计量经济分析建模的步骤

1.3经济数据类型

1.4经济数据来源

1.5计量经济分析工具简介

1.6Python工具的下载与安装

1.7国内外财经大数据的存取方法及其Python应用

练习题

第2章描述性统计及其Python应用

2.1描述性统计的Python工具

2.2数据集中趋势度量及其Python应用

2.3数据离散状况度量及其Python应用

2.4峰度、偏度与正态性检验及其Python应用

2.5异常数据处理

练习题

第3章参数估计及其Python应用

3.1参数估计与置信区间的含义

3.2点估计矩分析法的Python应用

3.3单正态总体均值区间估计的Python应用

3.4单正态总体方差区间估计的Python应用

3.5双正态总体均值差区间估计的Python应用

3.6双正态总体方差比区间估计的Python应用

练习题

第4章参数假设检验及其Python应用

4.1参数假设检验的基本理论

4.2单个样本t检验的Python应用

4.3两个独立样本t检验的Python应用

4.4配对样本t检验的Python应用

4.5单样本方差假设检验的Python应用

4.6双样本方差假设检验的Python应用

练习题

第5章相关分析与一元回归分析及其Python应用

5.1相关分析基本理论

5.2相关分析的Python应用

5.3一元线性回归分析基本理论

5.4一元线性回归分析的Python应用

练习题

第6章多元回归分析及其Python应用

6.1多元线性回归分析基本理论

6.2虚拟变量

6.3多元线性回归分析的Python应用

6.4多元线性回归分析的Scikitlearn工具应用

6.5逻辑Logistic回归分析Python应用

6.6广义线性回归分析Python应用

6.7倾向评分匹配（PSM）及其Python应用

练习题

第7章多重共线性及其Python应用

7.1多重共线性的概念

7.2多重共线性的后果

7.3产生多重共线性的原因

7.4多重共线性的识别和检验

7.5消除多重共线性的方法

7.6多重共线性诊断的Python应用

7.7多重共线性消除的Python应用

练习题

第8章异方差及其Python应用

8.1异方差的概念

8.2异方差产生的原因

8.3异方差的后果

8.4异方差的识别检验

8.5消除异方差的方法

8.6异方差诊断的Python应用

8.7异方差消除的Python语言应用

8.8异方差应用实例的Python应用

练习题

第9章自相关及其Python应用

9.1自相关的概念

9.2产生自相关的原因

9.3自相关的后果

9.4自相关的识别和检验

9.5自相关的处理方法

9.6自相关诊断的Python应用

9.7自相关消除的Python应用

9.8金融市场数据自相关性实例的Python应用

练习题

第10章财经大数据时间序列分析ARMA模型及其Python应用

10.1时间序列分析的基础知识

10.2自回归(AR)模型

10.3移动平均(MA)模型

10.4自回归移动平均（ARMA）模型

10.5差分自回归移动平均（ARIMA）模型

练习题

第11章财经大数据广义自回归条件异方差模型(GARCH)及其Python应用

11.1自回归条件异方差模型(ARCH)及预测

11.2广义自回归条件异方差模型(GARCH)与波动率预测

练习题

第12章面板数据计量分析及其Python应用

12.1面板数据计量分析的基本理论

12.2面板数据计量分析的Python应用

练习题

第13章广义矩估计（GMM）与似然估计（MLE）及其Python应用

13.1广义矩估计（GMM）及其Python应用

13.2似然估计（MLE）及其Python应用

练习题

第14章线性回归的内生性与Hausman检验及其Python应用

14.1内生性的相关理论

14.2基本的线性回归及其Python应用

14.3扩展的线性回归及其Python应用

14.4线性回归的内生性问题及其Python应用

14.5Hausman检验及其Python应用

练习题

第15章财经大数据量化投资统计套利及其Python应用

15.1Python应用于Markowitz投资组合优化

15.2基于Bigquant量化投资平台的统计套利协整配对交易策略

15.3基于Python环境统计套利协整配对交易策略

练习题

第16章人工智能机器学习及其Python应用

16.1机器学习算法分类

16.2常见的机器学习算法及其Python代码

16.3K近邻算法银行贷款分类及其Python应用

16.4各种机器学习算法及其Python应用

16.5K近邻法分类及其Python应用

练习题

本书包括：经济与金融计量分析绪论；描述性统计及其Python应用；参数估计及其Python应用；假设检验及其Python应用；相关分析与一元回归分析及其Python应用；多元回归分析及其Python应用；多重共线性及其Python应用；异方差及其Python应用；自相关及其Python应用；时间序列分析ARMA模型及其Python应用；广义自回归条件异方差模型(GARCH)及其Python应用；面板数据分析及其Python应用等。内容新颖、全面，实用性强，融理论、方法、应用于一体。

朱顺泉，男，管理学博士，现为广东财经大学金融学院教授，长期从事本科生与研究生的投资学、金融工程、公司金融、金融市场、金融计量学、经济博弈论、数据模型与决策等课程的教学和科研工作，一直致力于财经与科技相结合的交叉应用研究。