金融时间序列分析 第3版PDF|Epub|txt|kindle电子书版本网盘下载

金融时间序列分析 第3版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 μ和σ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VaR301

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PCA410

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CAPM487

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