金融时间序列分析

图书标准信息

• 作者 [美]蔡瑞胸 著；王辉、潘家柱 译
• 出版社 人民邮电出版社
• 出版时间 2009-06
• 版次 1
• ISBN 9787115205827
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 524页
• 字数 680千字
• 正文语种 简体中文
• 丛书 图灵数学·统计学丛书

【内容简介】

　　《金融时间序列分析(第2版)》全面阐述了金融时间序列，并主要介绍了金融时间序列理论和方法的当前研究热点和一些最新研究成果，尤其是风险值计算、高频数据分析、随机波动率建模和马尔科夫链蒙特卡罗方法等方面。此外，《金融时间序列分析(第2版)》还系统阐述了金融计量经济模型及其在金融时间序列数据和建模中的应用，所有模型和方法的运用均采用实际金融数据，并给出了所用计算机软件的命令。较之第1版，本版主要在新的发展和实证分析方面进行了更新，新增了状态空间模型和Kalman滤波以及S-Plus命令等内容。
　　《金融时间序列分析(第2版)》可作为时间序列分析的教材，也适用于商学、经济学、数学和统计学专业对金融的计量经济学感兴趣的高年级本科生和研究生，同时，也可作为商业、金融、保险等领域专业人士的参考书。

【作者简介】

　　RueyS，Tsay（蔡瑞胸），美国芝加哥大学布斯商学院经济计量及统计学的HG．B．Alexander讲席教授。1982年于美国威斯康星大学麦迪逊分校获得统计学博士学位。中国台湾“中央研究院”院士，美国统计协会和数理统计学会的会士，JournalofForecastin9的联合主编，JournalofFinancialEconometrics的副主编。曾任美国统计学会商务与经济统计分会主席、《商务与经济统计》期刊主编。

【目录】

第1章金融时间序列及其特征1
1.1资产收益率2
1.2收益率的分布性质6
1.2.1统计分布及其矩的回顾6
1.2.2收益率的分布11
1.2.3多元收益率15
1.2.4收益率的似然函数15
1.2.5收益率的经验性质16
1.3其他过程17
练习题20
参考文献20

第2章线性时间序列分析及其应用21
2.1平稳性21
2.2相关系数和自相关函数22
2.3白噪声和线性时间序列26
2.4简单的自回归模型28
2.4.1AR模型的性质28
2.4.2实际中怎样识别AR模型35
2.4.3拟合优度40
2.4.4预测41
2.5简单滑动平均模型43
2.5.1MA模型的性质45
2.5.2识别MA的阶46
2.5.3估计47
2.5.4用MA模型预测47
2.6简单的ARMA模型49
2.6.1ARMA(1，1)模型的性质49
2.6.2一般的ARMA模型51
2.6.3识别ARMA模型51
2.6.4用ARMA模型进行预测53
2.6.5ARMA模型的三种表示54
2.7单位根非平稳性56
2.7.1随机游动56
2.7.2带漂移的随机游动57
2.7.3带趋势项的时间序列59
2.7.4一般的单位根非平稳模型59
2.7.5单位根检验60
2.8季节模型63
2.8.1季节性差分化64
2.8.2多重季节性模型65
2.9带时间序列误差的回归模型70
2.10协方差矩阵的相合估计75
2.11长记忆模型77
附录一些SCA的命令79
练习题81
参考文献83

第3章条件异方差模型85
3.1波动率的特征86
3.2模型的结构86
3.3建模88
3.4ARCH模型90
3.4.1ARCH模型的性质91
3.4.2ARCH模型的缺点92
3.4.3ARCH模型的建立93
3.4.4一些例子95
3.5GARCH模型99
3.5.1实例说明102
3.5.2预测的评估106
3.5.3两步估计方法106
3.6求和GARCH模型107
3.7GARCH-M模型108
3.8指数GARCH模型109
3.8.1模型的另一种形式110
3.8.2实例说明110
3.8.3另一个例子111
3.8.4用EGARCH模型进行预测113
3.9门限GARCH模型114
3.10CHARMA模型115
3.11随机系数的自回归模型117
3.12随机波动率模型118
3.13长记忆随机波动率模型118
3.14应用119
3.15其他方法123
3.15.1高频数据的应用123
3.15.2日开盘价、最高价、最低价和收盘价的应用125
3.16GARCH模型的峰度127
附录波动率模型估计中的一些RATS程序129
练习题130
参考文献132

第4章非线性模型及其应用135
4.1非线性模型136
4.1.1双线性模型137
4.1.2门限自回归模型138
4.1.3平滑转移AR(STAR)模型142
4.1.4马尔可夫转换模型144
4.1.5非参数方法146
4.1.6函数系数AR模型153
4.1.7非线性可加AR模型154
4.1.8非线性状态空间模型154
4.1.9神经网络154
4.2非线性检验159
4.2.1非参数检验160
4.2.2参数检验162
4.2.3应用166
4.3建模167
4.4预测167
4.4.1参数自助法168
4.4.2预测的评估168
4.5应用170
附录A一些关于非线性波动率模型的RATS程序173
附录B神经网络的S-Plus命令174
练习题175
参考文献176

第5章高频数据分析与市场微观结构180
5.1非同步交易180
5.2买卖报价差184
5.3交易数据的经验特征185
5.4价格变化模型190
5.4.1顺序概率值模型190
5.4.2分解模型193
5.5持续期模型197
5.5.1ACD模型199
5.5.2模拟200
5.5.3估计202
5.6非线性持续期模型206
5.7价格变化和持续期的二元模型207
附录A一些概率分布的回顾211
附录B危险率函数214
附录C对持续期模型的一些RATS程序215
练习题216
参考文献218

第6章连续时间模型及其应用219
6.1期权220
6.2一些连续时间的随机过程220
6.2.1维纳过程220
6.2.2广义维纳过程222
6.2.3伊藤过程223
6.3伊藤引理223
6.3.1微分回顾223
6.3.2随机微分224
6.3.3一个应用225
6.3.4μ和σ的估计226
6.4股票价格与对数收益率的分布227
6.5B-S微分方程的推导229
6.6B-S定价公式230
6.6.1风险中性世界230
6.6.2公式231
6.6.3欧式期权的下界233
6.6.4讨论234
6.7伊藤引理的扩展237
6.8随机积分238
6.9跳跃扩散模型239
6.10连续时间模型的估计245
附录AB-S公式积分246
附录B标准正态概率的近似247
练习题247
参考文献248

第7章极值理论、分位数估计与风险值250
7.1风险值250
7.2风险度量制252
7.2.1讨论254
7.2.2多个头寸255
7.3VaR计算的计量经济方法255
7.4分位数估计260
7.4.1分位数与次序统计量260
7.4.2分位数回归261
7.5极值理论262
7.5.1极值理论的回顾262
7.5.2经验估计265
7.5.3对股票收益率的应用267
7.6VaR的极值方法271
7.6.1讨论273
7.6.2多期VaR275
7.6.3空头头寸的VaR275
7.6.4收益率水平275
7.7基于极值理论的一个新方法276
7.7.1统计理论277
7.7.2超额均值函数279
7.7.3极值建模的一个新方法280
7.7.4基于新方法的计算282
7.7.5参数化的其他方法283
7.7.6解释变量的使用286
7.7.7模型检验287
7.7.8说明288
练习题291
参考文献293

第8章多元时间序列分析及其应用294
8.1弱平稳与交叉-相关矩阵294
8.1.1交叉-相关矩阵295
8.1.2线性相依性296
8.1.3样本交叉-相关矩阵297
8.1.4多元混成检验301
8.2向量自回归模型302
8.2.1简化形式和结构形式303
8.2.2VAR(1)模型的平稳性条件和矩305
8.2.3向量AR(p)模型306
8.2.4建立一个VAR(p)模型308
8.2.5脉冲响应函数314
8.3向量滑动平均模型317
8.4向量ARMA模型322
8.5单位根非平稳性与协整327
8.6协整VAR模型330
8.6.1确定性函数的具体化332
8.6.2最大似然估计333
8.6.3协整检验334
8.6.4协整VAR模型的预测335
8.6.5例子335
8.7门限协整与套利340
8.7.1多元门限模型341
8.7.2数据341
8.7.3估计342
附录A向量与矩阵的回顾344
附录B多元正态分布348
附录C一些SCA命令349
练习题350
参考文献351

第9章主成分分析和因子模型353
9.1因子模型353
9.2宏观经济因子模型355
9.2.1单因子模型355
9.2.2多因子模型359
9.3基本面因子模型361
9.3.1BARRA因子模型361
9.3.2Fama-French方法366
9.4主成分分析366
9.4.1PCA理论366
9.4.2经验的PCA368
9.5统计因子分析371
9.5.1估计372
9.5.2因子旋转373
9.5.3应用374
9.6渐近主成分分析379
9.6.1因子个数的选择379
9.6.2例子380
练习题382
参考文献383

第10章多元波动率模型及其应用385
10.1指数加权估计386
10.2多元GARCH模型388
10.2.1对角VEC模型389
10.2.2BEKK模型391
10.3重新参数化393
10.3.1相关系数的应用393
10.3.2Cholesky分解395
10.4二元收益率的GARCH模型398
10.4.1常相关模型398
10.4.2时变相关模型402
10.4.3最近的一些发展406
10.5更高维的波动率模型407
10.6因子波动率模型412
10.7应用414
10.8多元t分布416
附录对估计的一些注释417
练习题422
参考文献422

第11章状态空间模型和卡尔曼滤波424
11.1局部趋势模型424
11.1.1统计推断427
11.1.2卡尔曼滤波428
11.1.3预测误差的性质430
11.1.4状态平滑431
11.1.5缺失值435
11.1.6初始化效应435
11.1.7估计436
11.1.8所用的S-Plus命令437
11.2线性状态空间模型440
11.3模型转换441
11.3.1带时变系数的CAPM442
11.3.2ARMA模型444
11.3.3线性回归模型450
11.3.4带ARMA误差的线性回归模型451
11.3.5纯量不可观测项模型452
11.4卡尔曼滤波和平滑454
11.4.1卡尔曼滤波454
11.4.2状态估计误差和预测误差456
11.4.3状态平滑457
11.4.4扰动平滑459
11.5缺失值461
11.6预测462
11.7应用463
练习题469
参考文献470

第12章马尔可夫链蒙特卡罗方法及其应用472
12.1马尔可夫链模拟472
12.2Gibbs抽样473
12.3贝叶斯推断475
12.3.1后验分布475
12.3.2共轭先验分布476
12.4其他算法479
12.4.1Metropolis算法479
12.4.2Metropolis-Hasting算法480
12.4.3格子Gibbs抽样480
12.5带时间序列误差的线性回归481
12.6缺失值和异常值485
12.6.1缺失值485
12.6.2异常值的识别487
12.7随机波动率模型491
12.7.1一元模型的估计492
12.7.2多元随机波动率模型496
12.8估计随机波动率模型的新方法502
12.9马尔可夫转换模型510
12.10预测516
12.11其他应用518
练习题518
参考文献518
索引521