1 金融时间序列及其特征 1
1.1 资产收益率 1
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 收益率的经验性质 17
1.3 Eviews软件相关操作 18
1.3.1 简介 18
1.3.2 启动软件包 19
1.3.3 创建工作文件 21
1.3.4 输入和编辑数据 22
1.3.5 查看序列的数据特征 24
1.4 习题 25
2 线性时间序列分析及其应用 26
2.1 平稳性 26
2.2 自相关函数 27
2.3 自回归模型 32
2.3.1 AR模型及性质 32
2.3.2 实际中怎样识别AR模型 42
2.3.3 拟合优度 49
2.3.4 预测 49
2.4 移动平均模型 53
2.4.1 MA模型的性质 53
2.4.2 识别MA的阶 54
2.4.3 估计 55
2.4.4 用MA模型预测 56
2.5 ARMA模型 57
2.5.1 ARMA（1，1）模型的性质 57
2.5.2 一般的ARMA模型 59
2.5.3 识别ARMA模型 59
2.5.4 用ARMA模型预测 62
2.5.5 ARMA模型的三种表示 63
2.6 单位根非平稳时间序列 64
2.6.1 随机游动 64
2.6.2 带漂移的随机游动 65
2.6.3 带趋势项的时间序列 66
2.6.4 单整与单位根非平稳模型 66
2.6.5 非平稳序列的单位根检验 67
2.6.6 DGP识别 71
2.6.7 Eviews相关操作 73
2.7 带时间序列误差的回归模型 75
2.8 异方差性和自相关一致协方差估计 78
2.9 习题 81
3 条件异方差模型 82
3.1 波动率的特征与模型的结构 82
3.2 ARCH模型 86
3.2.1 ARCH模型的结构 86
3.2.2 ARCH模型的性质 88
3.2.3 ARCH效应的检验 90
3.2.4 ARCH模型的建立 90
3.2.5 例子 93
3.2.6 ARCH模型的缺点 96
3.3 GARCH模型 96
3.3.1 模型的结构与性质 96
3.3.2 模型的预测 97
3.3.3 例子 98
3.4 求和GARCH模型 101
3.5 GARCH-M模型 103
3.6 指数GARCH模型 104
3.7 门限GARCH模型 107
3.8 习题 108
4 非线性模型及其应用 110
4.1 非线性模型 110
4.1.1 门限自回归模型 110
4.1.2 平滑转移AR（STAR）模型 113
4.1.3 马尔科夫转换模型 114
4.1.4 非参数方法 116
4.2 非线性检验 124
4.2.1 非参数检验 124
4.2.2 参数检验 126
4.3 建模与预测 128
4.3.1 建模 128
4.3.2 参数自助法 128
4.3.3 预测的评估 129
4.4 习题 131
5 风险值与分位数估计 132
5.1 风险值 132
5.2 风险度量制 133
5.2.1 讨论 135
5.2.2 多个头寸 136
5.2.3 预期损失 136
5.3 VaR计算的计量经济方法 137
5.4 分位数估计 142
5.4.1 分位数与次序统计量 142
5.4.2 分位数回归 143
5.5 习题 146
6 神经网络 148
6.1 神经网络的基本特征和通有性质 149
6.1.1 神经网络的形式化描述 149
6.1.2 神经网络的互连结构形态 152
6.1.3 前向神经网络的符号表示 153
6.2 MP模型和Hebb学习规则 155
6.2.1 MP模型 155
6.2.2 Hebb学习规则 156
6.3 感知器 156
6.3.1 线性阈值单元 156
6.3.2 单层感知器 157
6.3.3 感知器学习算法 160
6.3.4 多层感知器 164
6.3.5 最小均方（LMS）算法 166
6.4 BP网络及BP算法（反向传播算法） 171
6.4.1 BP网络概述 171
6.4.2 反向传播算法 174
6.4.3 BP网络的训练函数 179
6.4.4 算法的Matlab实现 184
6.4.5 BP网络的设计原则 186
6.5 径向基函数网络 189
6.5.1 RBF网络结构和工作原理 189
6.5.2 函数逼近与内插 190
6.5.3 Tikhonov正规化理论 191
6.5.4 径向基网络的学习 195
6.5.5 径向基网络设计的基本方法 196
6.6 基于神经网络的股价对数收益率模型 197
6.7 基于BP神经网络和RBF神经网络的期权定价 199
6.7.1 基于神经网络的期权定价模型 199
6.7.2 基于B-S模型和神经网络模型的实证分析及比较 202
6.8 习题 205
7 支持向量机 207
7.1 分离超平面 207
7.2 支持向量分类器 210
7.3 支持向量机 212
7.3.1 支持向量机原理 212
7.3.2 计算分类的SVM 213
7.4 MatLab上支持向量机的使用及其在股市预测中的应用 216
7.4.1 MatLab上支持向量机的使用 216
7.4.2 数据预处理与指标选取 220
7.4.3 模型的训练和验证方法 223
7.4.4 模型训练和预测分析 224
7.5 习题 228
8 生存数据与变量类型 230
8.1 生存数据与删失性 230
8.1.1 生存数据 230
8.1.2 右删失 232
8.1.3 左删失和区间删失 237
8.2 习题 238
9 基本函数和参数模型 239
9.1 生存分析的基本函数 239
9.1.1 生存函数 239
9.1.2 危险函数（Hazard Function） 241
9.1.3 平均剩余寿命函数和中位寿命 244
9.1.4 几个函数间的关系 245
9.2 生存数据建模常用的参数模型 247
9.2.1 指数分布 247
9.2.2 威布尔分布（Weibull Distri-bution） 247
9.2.3 对数正态分布 248
9.2.4 对数Logistic分布 250
9.2.5 Gamma分布 252
9.2.6 广义Gamma分布 254
9.3 次序统计量的分布与极值分布 254
9.3.1 次序统计量的分布 254
9.3.2 极值分布 257
9.4 删失数据似然函数的构造 259
9.4.1 Ⅰ型删失数据的似然函数 259
9.4.2 Ⅱ型删失数据的似然函数 261
9.4.3 Ⅲ型（随机）删失数据的似然函数 263
9.5 习题 264
10 估计基本特征函数的非参数方法 265
10.1 寿命表法（life table method） 265
10.2 右删失数据的生存函数、累积危险函数的估计 267
10.2.1 单变量数据的生存函数的估计（乘积限估计） 267
10.2.2 累积还款率和违约率的估计 271
10.3 生存函数点估计的置信区间 273
10.3.1 生存函数的置信区间 273
10.3.2 累积还款力函数、累积违约力的置信区间 274
10.4 生存时间均值和中位数的点估计与区间估计 275
10.4.1 生存函数均值的估计 275
10.4.2 生存时间分位点的估计 276
10.5 双删失数据的生存函数估计（特恩伯估计） 277
10.5.1 非分组数据情形的方法 277
10.5.2 分组数据情形的方法和理论 283
10.6 习题 286
11 比较生存函数的非参数方法 287
11.1 两个生存函数的比较 287
11.1.1 Gehan-Wilcoxon检验 287
11.1.2 Cox-Mantel检验 291
11.1.3 对数秩检验 292
11.2 分层情形下的Mantel-Haenszel检验 295
11.3 M个样本情形的比较（M>2） 297
11.3.1 完全数据情形下的检验方法 297
11.3.2 基于Kruskal-Wallis检验的多重比较 299
11.3.3 含有删失数据时的检验方法 301
11.4 习题 305
12 比例危险率模型 307
12.1 参数型比例危险率模型 307
12.2 Cox半参数比例危险率模型 308
12.3 习题 313
参考文献 314