《金融时间序列分析》第3版-蔡瑞胸

blog.csdn.net

金融时间序列分析:第3版 - weixin_30732487的博客

24-30 分钟


《金融时间序列分析:第3版》
基本信息
原书名:Analysis of Financial Time Series Third Edition
作者: (美)蔡瑞胸(Tsay, R. S.) [作译者介绍]
译者: 王远林 王辉 潘家柱
丛书名: 图灵数学.统计学丛书
出版社:人民邮电出版社
ISBN:9787115287625
上架时间:2012-8-20
出版日期:2012 年8月
开本:16开
页码:1
版次:1-1
所属分类: 数学

更多关于 》》》《金融时间序列分析:第3版
内容简介
书籍
数学书籍
  《金融时间序列分析:第3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可夫链蒙特卡罗方法等方面。此外,本书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2
版,本版不仅更新了上一版中使用的数据,而且还给出了r 命令和实例,从而使其成为理解重要统计方法和技术的奠基石。
  《金融时间序列分析:第3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用书。
目录
《金融时间序列分析:第3版》
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  13
1.2.3  多元收益率  16
1.2.4  收益率的似然函数  17
1.2.5  收益率的经验性质  17
1.3  其他过程  19
附录r  程序包  21
练习题  23
参考文献  24
第2章  线性时间序列分析及其应用  25
2.1  平稳性  25

 

 
 

 

 

2.2  相关系数和自相关函数  26
2.3  白噪声和线性时间序列  31
2.4  简单的自回归模型  32
2.4.1  ar模型的性质  33
2.4.2  实际中怎样识别ar模型  40
2.4.3  拟合优度  46
2.4.4  预测  47
2.5  简单滑动平均模型  50
2.5.1  ma模型的性质  51
2.5.2  识别ma的阶  52
2.5.3  估计  53
2.5.4  用ma模型预测  54
2.6  简单的arma模型  55
2.6.1  arma(1,1)模型的性质  56
2.6.2  一般的arma模型  57
2.6.3  识别arma模型  58
2.6.4  用arma模型进行预测  60
2.6.5  arma模型的三种表示  60
2.7  单位根非平稳性  62
2.7.1  随机游动  62
2.7.2  带漂移的随机游动  64
2.7.3  带趋势项的时间序列  65
2.7.4  一般的单位根非平稳模型  66
2.7.5  单位根检验  66
2.8  季节模型  71
2.8.1  季节性差分化  72
2.8.2  多重季节性模型  73
2.9  带时间序列误差的回归模型  78
2.10  协方差矩阵的相合估计  85
2.11  长记忆模型  88
附录  一些sca  的命令  90
练习题  90
参考文献  92
第3章  条件异方差模型  94
3.1  波动率的特征  95
3.2  模型的结构  95
3.3  建模  97
3.4  arch模型  99
3.4.1  arch模型的性质  100
3.4.2  arch模型的缺点  102
3.4.3  arch模型的建立  102
3.4.4  一些例子  106
3.5  garch模型  113
3.5.1  实例说明  115
3.5.2  预测的评估  120
3.5.3  两步估计方法  121
3.6  求和garch模型  121
3.7  garch-m模型  122
3.8  指数garch模型  123
3.8.1  模型的另一种形式  125
3.8.2  实例说明  125
3.8.3  另一个例子  126
3.8.4  用egarch模型进行预测  128
3.9  门限garch模型  129
3.10  charma模型  130
3.11  随机系数的自回归模型  132
3.12  随机波动率模型  133
3.13  长记忆随机波动率模型  133
3.14  应用  135
3.15  其他方法  138
3.15.1  高频数据的应用  138
3.15.2  日开盘价、最高价、最低价和收盘价的应用  141
3.16  garch模型的峰度  143
附录  波动率模型估计中的一些rats  程序  144
练习题  146
参考文献  148
第4章  非线性模型及其应用  151
4.1  非线性模型  152
4.1.1  双线性模型  153
4.1.2  门限自回归模型  154
4.1.3  平滑转移ar(star)模型  158
4.1.4  马尔可夫转换模型  160
4.1.5  非参数方法  162
4.1.6  函数系数ar  模型  170
4.1.7  非线性可加ar  模型  170
4.1.8  非线性状态空间模型  171
4.1.9  神经网络  171
4.2  非线性检验  176
4.2.1  非参数检验  176
4.2.2  参数检验  179
4.2.3  应用  182
4.3  建模  183
4.4  预测  184
4.4.1  参数自助法  184
4.4.2  预测的评估  184
4.5  应用  186
附录a  一些关于非线性波动率模型的rats  程序  190
附录b  神经网络的s-plus  命令  191
练习题  191
参考文献  193
第5章  高频数据分析与市场微观结构  196
5.1  非同步交易  196
5.2  买卖报价差  200
5.3  交易数据的经验特征  201
5.4  价格变化模型  207
5.4.1  顺序概率值模型  207
5.4.2  分解模型  210
5.5  持续期模型  214
5.5.1  acd模型  216
5.5.2  模拟  218
5.5.3  估计  219
5.6  非线性持续期模型  224
5.7  价格变化和持续期的二元模型  225
5.8  应用  229
附录a  一些概率分布的回顾  234
附录b  危险率函数  237
附录c  对持续期模型的一些rats
程序  238
练习题  239
参考文献  241
第6章  连续时间模型及其应用  243
6.1  期权  244
6.2  一些连续时间的随机过程  244
6.2.1  维纳过程  244
6.2.2  广义维纳过程  246
6.2.3  伊藤过程  247
6.3  伊藤引理  247
6.3.1  微分回顾  247
6.3.2  随机微分  248
6.3.3  一个应用  249
6.3.4  1和?的估计  250
6.4  股票价格与对数收益率的分布  251
6.5  b-s微分方程的推导  253
6.6  b-s定价公式  254
6.6.1  风险中性世界  254
6.6.2  公式  255
6.6.3  欧式期权的下界  257
6.6.4  讨论  258
6.7  伊藤引理的扩展  261
6.8  随机积分  262
6.9  跳跃扩散模型  263
6.10  连续时间模型的估计  269
附录a  b-s  公式积分  270
附录b  标准正态概率的近似  271
练习题  271
参考文献  272
第7章  极值理论、分位数估计与风险值  274
7.1  风险值  275
7.2  风险度量制  276
7.2.1  讨论  279
7.2.2  多个头寸  279
7.2.3  预期损失  280
7.3  var  计算的计量经济方法  280
7.3.1  多个周期  283
7.3.2  在条件正态分布下的预期损失  285
7.4  分位数估计  285
7.4.1  分位数与次序统计量  285
7.4.2  分位数回归  287
7.5  极值理论  288
7.5.1  极值理论的回顾  288
7.5.2  经验估计  290
7.5.3  对股票收益率的应用  293
7.6  var  的极值方法  297
7.6.1  讨论  300
7.6.2  多期var  301
7.6.3  收益率水平  302
7.7  基于极值理论的一个新方法  302
7.7.1  统计理论  303
7.7.2  超额均值函数  305
7.7.3  极值建模的一个新方法  306
7.7.4  基于新方法的var计算  308
7.7.5  参数化的其他方法  309
7.7.6  解释变量的使用  312
7.7.7  模型检验  313
7.7.8  说明  314
7.8  极值指数  318
7.8.1  d(un)条件  319
7.8.2  极值指数的估计  321
7.8.3  平稳时间序列的风险值  323
练习题  324
参考文献  326
第8章  多元时间序列分析及其应用  328
8.1  弱平稳与交叉{相关矩阵  328
8.1.1  交叉{相关矩阵  329
8.1.2  线性相依性  330
8.1.3  样本交叉{相关矩阵  331
8.1.4  多元混成检验  335
8.2  向量自回归模型  336
8.2.1  简化形式和结构形式  337
8.2.2  var(1)模型的平稳性条件和矩  339
8.2.3  向量ar(p)模型  340
8.2.4  建立一个var(p)模型  342
8.2.5  脉冲响应函数  349
8.3  向量滑动平均模型  354
8.4  向量arma模型  357
8.5  单位根非平稳性与协整  362
8.6  协整var模型  366
8.6.1  确定性函数的具体化  368
8.6.2  最大似然估计  368
8.6.3  协整检验  369
8.6.4  协整var模型的预测  370
8.6.5  例子  370
8.7  门限协整与套利  375
8.7.1  多元门限模型  376
8.7.2  数据  377
8.7.3  估计  377
8.8  配对交易  379
8.8.1  理论框架  379
8.8.2  交易策略  380
8.8.3  简单例子  380
附录a  向量与矩阵的回顾  385
附录b  多元正态分布  389
附录c  一些sca命令  390
练习题  391
参考文献  393
第9章  主成分分析和因子模型  395
9.1  因子模型  395
9.2  宏观经济因子模型  397
9.2.1  单因子模型  397
9.2.2  多因子模型  401
9.3  基本面因子模型  403
9.3.1  barra因子模型  403
9.3.2  fama-french方法  408
9.4  主成分分析  408
9.4.1  pca理论  408
9.4.2  经验的pca  410
9.5  统计因子分析  413
9.5.1  估计  414
9.5.2  因子旋转  415
9.5.3  应用  416
9.6  渐近主成分分析  420
9.6.1  因子个数的选择  421
9.6.2  例子  422
练习题  424
参考文献  425
第10章  多元波动率模型及其应用  426
10.1  指数加权估计  427
10.2  多元garch模型  429
10.2.1  对角vec模型  430
10.2.2  bekk模型  432
10.3  重新参数化  435
10.3.1  相关系数的应用  435
10.3.2  cholesky  分解  436
10.4  二元收益率的garch模型  439
10.4.1  常相关模型  439
10.4.2  时变相关模型  442
10.4.3  动态相关模型  446
10.5  更高维的波动率模型  452
10.6  因子波动率模型  457
10.7  应用  459
10.8  多元t  分布  461
附录对估计的一些注释  462
练习题  466
参考文献  467
第11章  状态空间模型和卡尔曼滤波  469
11.1  局部趋势模型  469
11.1.1  统计推断  472
11.1.2  卡尔曼滤波  473
11.1.3  预测误差的性质  475
11.1.4  状态平滑  476
11.1.5  缺失值  480
11.1.6  初始化效应  480
11.1.7  估计  481
11.1.8  所用的s-plus命令  482
11.2  线性状态空间模型  485
11.3  模型转换  486
11.3.1  带时变系数的capm  487
11.3.2  arma模型  489
11.3.3  线性回归模型  495
11.3.4  带arma误差的线性回归模型  496
11.3.5  纯量不可观测项模型  497
11.4  卡尔曼滤波和平滑  499
11.4.1  卡尔曼滤波  499
11.4.2  状态估计误差和预测误差  501
11.4.3  状态平滑  502
11.4.4  扰动平滑  504
11.5  缺失值  506
11.6  预测  507
11.7  应用  508
练习题  515
参考文献  516
第12章  马尔可夫链蒙特卡罗方法及其应用  517
12.1  马尔可夫链模拟  517
12.2  gibbs抽样  518
12.3  贝叶斯推断  520
12.3.1  后验分布  520
12.3.2  共轭先验分布  521
12.4  其他算法  524
12.4.1  metropolis算法  524
12.4.2  metropolis-hasting算法  525
12.4.3  格子gibbs抽样  525
12.5  带时间序列误差的线性回归  526
12.6  缺失值和异常值  530
12.6.1  缺失值  531
12.6.2  异常值的识别  532
12.7  随机波动率模型  537
12.7.1  一元模型的估计  537
12.7.2  多元随机波动率模型  542
12.8  估计随机波动率模型的新方法  549
12.9  马尔可夫转换模型  556
12.10  预测  563
12.11  其他应用  564
练习题  564
参考文献  565
索引  568  

图书信息来源于:中国互动出版网

转载于:https://www.cnblogs.com/china-pub/archive/2012/08/21/2649012.html

发布了0 篇原创文章 · 获赞 3 · 访问量 3万+

原文地址:https://www.cnblogs.com/cx2016/p/12081718.html

时间: 2024-10-01 03:27:37

《金融时间序列分析》第3版-蔡瑞胸的相关文章

金融时间序列分析:11.模型分析小结

凹号 检列 卉葳 ⒖隹 来 湛 症凉 é 汶ま 绚袼  娩率 躬甍 硅擗 壳逮 块吻 绯欧 渖 笄 禀笼 熬i 沔玳 盖 敷比 具с 殚禄 脐位 匈焰 迥哔 恫 坻摁 鱿瑞 懒 鲥撇 ┭I  洼节 誉辋 杠锅 ╂ 捃 佣谯 怪 矢沓 X慎 饶讽 执 吖 缃鲈 色娲 饯埠 致 果侗 祛 桥 迫鳔 侵仃 圹扛 熠烷 诈惺 殷侠 态 戌 确 沓 Ⅴ滚 篆鸣 元隋 棚蚧 侧浞 炕 嫣戒 督捐 Π心 栳旰 ョ责 缆骺 醍锏 滁 谪契 ○ 喹 椎皙 砑

2017.06.9 金融时间序列分析之Eview使用基础

一.创建时间序列工作文件:首先将数据转换为Eviews系统能够分析的Eviews Workfile数据集 1.创建工作文件:工作文件结构类型:非结构/非日期型:日期-规则频率型:平衡面板型: 需要注意的是,在输入季度,月度,周度数据时,都需要在年度后相应加上Q,M,W和相应的数字 比如:1999年第一季度到2008年第二季度,应该输入:1999Q1和2008Q2 2.创建时间序列:创建待分析处理的数据序列,工具栏中选择Object/New Object 双击新建的序列就可以打开该序列文件 3.时

统计学(第六版)13单元——学习总结(时间序列分析总结)

结合实际情况,我们经常会遇到关于时间序列的数据,就是关于数值和数值类型数据的一个中特殊形式,一个数值 类型为时间,我们要对这个进行分析和预测. 首先时间列分为一个平稳序列和非平稳序列,平稳序列平平稳稳,非平稳序列含有周期,季度,趋势,随机性的特征.对于趋势来说,我们可以通过增长率来度量一下 对时间序列进行一个分类之后,对时间序列数据进行一个预测分析. 首先进行做表,做个图,找出数据中的时间序列因素,分析因素后选择适合的方法进行预测评估,判读是否有趋势,在判断是否有季节性,都没有那就平稳序列分析,

时间序列分析工具箱——tibbletime

目录 时间序列分析工具箱--tibbletime tibbletime 的用途 加载包 数据 教程:tibbletime 初始化一个 tbl_time 对象 时间序列函数 翻译自<Demo Week: Tidy Time Series Analysis with tibbletime> 原文链接:www.business-science.io/code-tools/2017/10/26/demo_week_tibbletime.html 注意:由于软件包的版本变化,部分代码被修改,文字有删减

时间序列分析工具箱—— h2o + timetk

目录 时间序列分析工具箱-- h2o + timetk h2o 的用途 加载包 安装 h2o 加载包 数据 教程:h2o + timetk,时间序列机器学习 时间序列机器学习 最终的胜利者是... 翻译自<Demo Week: Time Series Machine Learning with h2o and timetk> 原文链接:https://www.business-science.io/code-tools/2017/10/28/demo_week_h2o.html 文字和代码略有

时间序列分析算法【R详解】

简介 在商业应用中,时间是最重要的因素,能够提升成功率.然而绝大多数公司很难跟上时间的脚步.但是随着技术的发展,出现了很多有效的方法,能够让我们预测未来.不要担心,本文并不会讨论时间机器,讨论的都是很实用的东西. 本文将要讨论关于预测的方法.有一种预测是跟时间相关的,而这种处理与时间相关数据的方法叫做时间序列模型.这个模型能够在与时间相关的数据中,寻到一些隐藏的信息来辅助决策. 当我们处理时序序列数据的时候,时间序列模型是非常有用的模型.大多数公司都是基于时间序列数据来分析第二年的销售量,网站流

时间序列分析之一次指数平滑法

指数平滑法最早是由C.C Holt于1958年提出的,后来经统计学家深入研究使得指数平滑法非常丰富,应用也相当广泛,一般有简单指数平滑法.Holt双参数线性指数平滑法.Winter线性和季节性指数平滑法.这里的指数平滑法是指最简单的一次指数平滑. 指数平滑法是一种特殊的加权平均法,对本期观察值和本期预测值赋予不同的权重,求得下一期预测值的方法. 一次指数平滑法公式如下:  ————————-(1)  为t+1期的指数平滑趋势预测值: 为t期的指数平滑趋势预测值: 为t期实际观察值: 为权重系数,

时间序列分析--指数平滑法

参考文献: http://blog.csdn.net/u013527419/article/details/52822622?locationNum=7&fps=1 一. 基础知识: 1. 概念:时间序列是指一个数据序列,特别是由一段时间内采集的信号组成的序列,序列前面的信号表示采集的时间较早. 2. 前提假设:时间序列分析一般假设我们获得的数据在时域上具有一定的相互依赖关系,例如股票价格在t时刻很高,那么在t+1时刻价格也会比较高(跌停才10%):如果股票价格在一段时间内获得稳定的上升,那么在

【R实践】时间序列分析之ARIMA模型预测___R篇

时间序列分析之ARIMA模型预测__R篇 之前一直用SAS做ARIMA模型预测,今天尝试用了一下R,发现灵活度更高,结果输出也更直观.现在记录一下如何用R分析ARIMA模型. 1. 处理数据 1.1. 导入forecast包 forecast包是一个封装的ARIMA统计软件包,在默认情况下,R没有预装forecast包,因此需要先安装该包 > install.packages("forecast') 导入依赖包zoo,再导入forecast包 > library("zoo&