金融时间序列分析（第3版）(图灵出品)

　　Ruey S. Tsay，美国芝加哥大学布斯商学院经济计量学和统计学的H.G.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、数理统计学会及皇家统计学会的会士，Journal of Forecasting的联合主编，Journal of Financial Econometrics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。在商务和经济预测、数据分析、风险管理和过程控制领域撰写并发表了论文100多篇。他也是A Course in Time Series Analysis的合著者。

　　《金融时间序列分析（第3版）》是金融时间序列分析领域不可多得的上乘之作，第1版面世后即成为该领域具影响力的作品。作者在全面阐述金融时间序列分析理论知识的同时，还系统地介绍了金融计量经济模型及其在金融时间序列数据的建模和预测中的应用。第3版使用能够免费得到的R软件包，可以对金融数据进行实证分析，也可以使用现实的例子对相关计算和分析进行说明。《金融时间序列分析（第3版）》还对金融计量经济学的全新进展进行了深入分析，例如实现波动率、条件风险值、统计套利及持续期和动态相关模型的应用。
　　第3版新增加的内容还包括以下几方面：
　　在高频数据分析和市场微观结构的所有讨论中，都使用了非线性持续期模型；
　　新增加了一些非线性模型和方法的应用；
　　更新了多元时间序列分析，分析了协整应用到配对交易分析的实用性；
　　使用损失函数这个新的统一的方法分析风险值；
　　在相依数据的极值、分位数和风险值的研究中，引入了极值指数。

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

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

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

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

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

第6章　　连续时间模型及其应用
6.1　　期权
6.2　　一些连续时间的随机过程
6.2.1　　维纳过程
6.2.2　　广义维纳过程
6.2.3　　伊藤过程
6.3　　伊藤引理
6.3.1　　微分回顾
6.3.2　　随机微分
6.3.3　　一个应用
6.3.4　　1和·的估计
6.4　　股票价格与对数收益率的分布
6.5　　B-S微分方程的推导
6.6　　B-S定价公式
6.6.1　　风险中性世界
6.6.2　　公式
6.6.3　　欧式期权的下界
6.6.4　　讨论
6.7　　伊藤引理的扩展
6.8　　随机积分
6.9　　跳跃扩散模型
6.10　　连续时间模型的估计
附录A　　B-S公式积分
附录B　　标准正态概率的近似
练习题
参考文献

第7章　　极值理论、分位数估计与风险值
7.1　　风险值
7.2　　风险度量制
7.2.1　　讨论
7.2.2　　多个头寸
7.2.3　　预期损失
7.3　　VaR计算的计量经济方法
7.3.1　　多个周期
7.3.2　　在条件正态分布下的预期损失
7.4　　分位数估计
7.4.1　　分位数与次序统计量
7.4.2　　分位数回归
7.5　　极值理论
7.5.1　　极值理论的回顾
7.5.2　　经验估计
7.5.3　　对股票收益率的应用
7.6　　VaR的极值方法
7.6.1　　讨论
7.6.2　　多期VaR
7.6.3　　收益率水平
7.7　　基于极值理论的一个新方法
7.7.1　　统计理论
7.7.2　　超额均值函数
7.7.3　　极值建模的一个新方法
7.7.4　　基于新方法的VaR计算
7.7.5　　参数化的其他方法
7.7.6　　解释变量的使用
7.7.7　　模型检验
7.7.8　　说明
7.8　　极值指数
7.8.1　　D(un)条件
7.8.2　　极值指数的估计
7.8.3　　平稳时间序列的风险值
练习题
参考文献

第8章　　多元时间序列分析及其应用
8.1　　弱平稳与交叉{相关矩阵
8.1.1　　交叉{相关矩阵
8.1.2　　线性相依性
8.1.3　　样本交叉{相关矩阵
8.1.4　　多元混成检验
8.2　　向量自回归模型
8.2.1　　简化形式和结构形式
8.2.2　　VAR(1)模型的平稳性条件和矩
8.2.3　　向量AR(p)模型
8.2.4　　建立一个VAR(p)模型
8.2.5　　脉冲响应函数
8.3　　向量滑动平均模型
8.4　　向量ARMA模型
8.5　　单位根非平稳性与协整
8.6　　协整VAR模型
8.6.1　　确定性函数的具体化
8.6.2　　最大似然估计
8.6.3　　协整检验
8.6.4　　协整VAR模型的预测
8.6.5　　例子
8.7　　门限协整与套利
8.7.1　　多元门限模型
8.7.2　　数据
8.7.3　　估计
8.8　　配对交易
8.8.1　　理论框架
8.8.2　　交易策略
8.8.3　　简单例子
附录A　　向量与矩阵的回顾
附录B　　多元正态分布
附录C　　一些SCA命令
练习题
参考文献

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

第10章　　多元波动率模型及其应用
10.1　　指数加权估计
10.2　　多元GARCH模型
10.2.1　　对角VEC模型
10.2.2　　BEKK模型
10.3　　重新参数化
10.3.1　　相关系数的应用
10.3.2　　Cholesky分解
10.4　　二元收益率的GARCH模型
10.4.1　　常相关模型
10.4.2　　时变相关模型
10.4.3　　动态相关模型
10.5　　更高维的波动率模型
10.6　　因子波动率模型
10.7　　应用
10.8　　多元t分布
附录对估计的一些注释
练习题
参考文献

第11章　　状态空间模型和卡尔曼滤波
11.1　　局部趋势模型
11.1.1　　统计推断
11.1.2　　卡尔曼滤波
11.1.3　　预测误差的性质
11.1.4　　状态平滑
11.1.5　　缺失值
11.1.6　　初始化效应
11.1.7　　估计
11.1.8　　所用的S-Plus命令
11.2　　线性状态空间模型
11.3　　模型转换
11.3.1　　带时变系数的CAPM
11.3.2　　ARMA模型
11.3.3　　线性回归模型
11.3.4　　带ARMA误差的线性回归模型
11.3.5　　纯量不可观测项模型
11.4　　卡尔曼滤波和平滑
11.4.1　　卡尔曼滤波
11.4.2　　状态估计误差和预测误差
11.4.3　　状态平滑
11.4.4　　扰动平滑
11.5　　缺失值
11.6　　预测
11.7　　应用
练习题
参考文献

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

索引