金融时间序列分析2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

金融时间序列分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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

2.4.1　AR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

2.5.1　MA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

2.6.1　ARMA（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

2.6.5　ARMA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

3.4　ARCH模型90

3.4.1　ARCH模型的性质91

3.4.2　ARCH模型的缺点92

3.4.3　ARCH模型的建立93

3.4.4　一些例子95

3.5　GARCH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

3.7　GARCH-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

3.10　CHARMA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

3.16　GARCH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

5.5.1　ACD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

6.3.4　u和σ的估计226

6.4　股票价格与对数收益率的分布227

6.5　B-S微分方程的推导229

6.6　B-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A　B-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

7.3　VaR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

7.6　VaR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VaR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

8.2.2　VAR（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

9.3.1　BARRA因子模型361

9.3.2　Fama-French方法366

9.4　主成分分析366

9.4.1　PCA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

10.2.2　BEKK模型391

10.3　重新参数化393

10.3.1　相关系数的应用393

10.3.2　Cholesky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

11.3.2　ARMA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

12.2　Gibbs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

12.4.1　Metropolis算法479

12.4.2 Metropolis-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