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VaR 275
7.6.3 空头头寸的VaR 275
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PCA 368
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CAPM 442
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