金融时间序列分析PDF电子书下载

目录 1

译者序 1

前言 1

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 5

1.2.1　统计分布及其矩的回顾 5

1.2.2　收益率的分布 7

1.2.3　多元收益率 10

1.2.4　收益率的似然函数 10

1.2.5　收益率的经验性质 10

1.3　其他过程 13

练习题 15

参考文献 16

第2章 线性时间序列分析及其应用 17

2.1　平稳性 17

2.2　相关系数和自相关函数 18

2.3 白噪声和线性时间序列 21

2.4　简单的自回归模型 22

2.4.1　AR模型的性质 23

2.4.2　实际中怎样识别AR模型 27

2.4.3　预测 30

2.5　简单滑动平均模型 32

2.5.1 MA模型的性质 33

2.5.2　识别MA的阶 34

2.5.3　估计 35

2.5.4　用MA模型预测 35

2.6.1　ARMA（1,1）模型的性质 37

2.6　简单的ARMA模型 37

2.6.2　一般的ARMA模型 38

2.6.3　识别ARMA模型 38

2.6.4　用ARMA模型预测 40

2.6.5　ARMA模型的三种表示 41

2.7　单位根非平稳性 42

2.7.1 随机游动 43

2.7.2　带漂移的随机游动 43

2.7.3　一般的单位根非平稳模型 45

2.7.4　单位根检验 46

2.8　季节模型 46

2.8.1　季节性差分 47

2.8.2　多重季节性模型 48

2.9　带时间序列误差的回归模型 50

2.10　长记忆模型 55

附录A　一些SCA的命令 57

练习题 58

参考文献 60

第3章 条件异方差模型 61

3.1　波动率的特征 61

3.2　模型的结构 62

3.3 ARCH模型 64

3.3.1 ARCH模型的性质 65

3.3.2 ARCH模型的缺点 66

3.3.3 ARCH模型的建立 67

3.3.4　例子 69

3.4　GARCH模型 71

3.4.1 一个例子 73

3.5　求和GARCH模型 77

3.4.2　预测的评价 77

3.6　GARCH-M模型 78

3.7　指数GARCH模型 79

3.7.1　实例说明 80

3.7.2　另一个例子 81

3.7.3　用EGARCH模型预测 81

3.8　CHARMA模型 82

3.9　随机系数的自回归模型 84

3.10　随机波动率模型 85

3.11　长记忆随机波动率模型 85

3.12　另一种方法 87

3.13　应用 89

3.14　GARCH模型的峰度 92

附录A　估计波动率模型的一些RATS程序 93

练习题 94

参考文献 96

第4章 非线性模型及其应用 98

4.1　非线性模型 99

4.1.1　双线性模型 99

4.1.2 门限自回归模型 100

4.1.3　平滑转移AR模型 104

4.1.4　马尔可夫转换模型 105

4.1.5　非参数方法 107

4.1.6 函数系数AR模型 112

4.1.7　非线性可加AR模型 112

4.1.8　非线性状态空间模型 113

4.1.9　神经网络 113

4.2　非线性检验 118

4.2.1　非参数检验 118

4.2.2　参数检验 120

4.2.3　应用 123

4.3　建模 124

4.4　预测 125

4.4.1　参数自助法 125

4.4.2　预测的评估 125

4.5　应用 127

附录A　一些关于非线性波动率模型的RATS程序 130

附录B　神经网络的S-Plus命令 131

练习题 132

参考文献 133

第5章 高频数据分析与市场微观结构 136

5.1　非同步交易 136

5.2　买卖报价差 139

5.3　交易数据的经验特征 141

5.4.1　顺序概率值模型 146

5.4　价格变化模型 146

5.4.2　分解模型 148

5.5　持续期模型 151

5.5.1　ACD模型 153

5.5.2　模拟 155

5.5.3　估计 158

5.6　非线性持续期模型 161

5.7　价格变化和持续期的二元模型 163

附录A　一些概率分布的回顾 167

附录B　危险率函数 169

附录C　持续期模型的一些RATS程序 170

练习题 171

参考文献 173

6.1　期权 174

第6章 连续时间模型及其应用 174

6.2.1　维纳过程 175

6.2　一些连续时间的随机过程 175

6.2.2　一般的维纳过程 177

6.2.3　伊藤过程 177

6.3　伊藤引理 178

6.3.1　微分回顾 178

6.3.2　随机微分 178

6.3.3　一个应用 179

6.3.4　μ和σ的估计 180

6.4　股票价格与对数收益率的分布 181

6.5　Black-Scholes微分方程的推导 183

6.6.1　风险中性世界 184

6.6.2　公式 184

6.6　Black-Scholes定价公式 184

6.6.3　讨论 186

6.7　伊藤引理的扩展 190

6.8　随机积分 190

6.9　跳跃扩散模型 191

6.10　连续时间模型的估计 197

附录A　B-S公式积分 197

附录B　标准正态概率的近似 198

练习题 199

参考文献 200

第7章 极值理论、分位数估计与VaR 201

7.1　VaR 201

7.2　风险度量制 203

7.3　VaR计算的经济计量方法 205

7.2.2　多个头寸 205

7.2.1　讨论 205

7.4　分位数估计 209

7.4.1　分位数与次序统计量 209

7.4.2　分位数回归 210

7.5　极值理论 211

7.5.1　极值理论的回顾 211

7.5.2　经验估计 213

7.5.3　股票收益率的应用 216

7.6　VaR的极值方法 218

7.6.1　讨论 220

7.6.2　多期VaR 221

7.6.3　空头头寸的VaR 222

7.7　基于极值理论的一个新方法 222

7.7.1　统计理论 223

7.7.2　一个新方法 224

7.7.3　基于新方法的VaR计算 225

7.7.4　解释变量的使用 226

7.7.5　模型检验 227

7.7.6　解释 228

练习题 231

参考文献 232

第8章 多元时间序列分析及其应用 234

8.1　弱平稳与交叉相关矩阵 234

8.1.1　交叉相关矩阵 235

8.1.2　线性相依性 235

8.1.3　样本交叉相关矩阵 236

8.1.4　多元混成检验 241

8.2　向量自回归模型 242

8.2.1 VAR（1）模型的平稳性条件和矩 244

8.2.2　向量AR（p）模型 245

8.2.3　建立一个VAR（p）模型 246

8.3　向量滑动平均模型 249

8.4　向量ARMA模型 253

8.5　单位根非平稳性与协整 257

8.6　门限协整与套利 261

8.6.1　多元门限模型 261

8.6.2　数据 262

8.6.3　估计 263

8.7　主成分分析 264

8.7.1　PCA理论 264

8.7.2　经验的PCA 266

8.8　因子分析 269

8.8.1　估计 270

8.8.2　因子旋转 271

8.8.3　应用 271

附录A 量与矩阵的回顾 274

附录B　多元正态分布 278

练习题 279

参考文献 280

第9章 多元波动率模型及其应用 282

9.1　重新参数化 282

9.1.1　相关系数的应用 283

9.1.2　楚列斯基分解 283

9.2　二元收益率的GARCH模型 286

9.2.1　常相关模型 286

9.2.2　时变相关模型 292

9.3　更高维的波动率模型 297

9.4　因子波动率模型 302

9.5　应用 304

9.6　多元t分布 306

附录A　对估计的一些注释 307

练习题 310

参考文献 311

第10章 马尔可夫链蒙特卡罗方法的应用 312

10.1　马尔可夫链模拟 312

10.2　吉布斯抽样 313

10.3　贝叶斯推断 315

10.3.1　后验分布 315

10.3.2　共轭先验分布 316

10.4　其他算法 318

10.4.1　Metropolis算法 318

10.4.3　格子吉布斯抽样 319

10.4.2　Metropolis-Hasting算法 319

10.5　带时间序列误差的线性回归 320

10.6　缺失值和异常值 323

10.6.1　缺失值 324

10.6.2　异常值的识别 325

10.7　随机波动率模型 329

10.7.1　一元模型的估计 330

10.7.2 多元随机波动率模型 334

10.8　马尔可夫转换模型 340

10.9　预测 346

10.10　其他应用 348

练习题 348

参考文献 349

索引 351