Analysis of financial time series

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
2.4.1AR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
2.5.1MA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
2.6.1ARMA（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
2.6.5ARMA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
3.4ARCH模型
3.4.1ARCH模型的性质
3.4.2ARCH模型的缺点
3.4.3ARCH模型的建立
3.4.4一些例子
3.5GARCH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
3.7GARCH－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
3.10CHARMA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
3.16GARCH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
5.5.1ACD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
6.3.4μ和σ的估计
6.4股票价格与对数收益率的分布
6.5B－S微分方程的推导
6.6B－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AB－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
7.3VaR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
7.6VaR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
7.8.1D（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弱平稳与交叉一相关矩阵
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
8.2.2VAR（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
9.3.1BARRA因子模型
9.3.2Fama－French方法
9.4主成分分析
9.4.1PCA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
10.2.2BEKK模型
10.3重新参数化
10.3.1相关系数的应用
10.3.2Cholesky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
11.3.2ARMA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
12.2Gibbs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
12.4.1Metropolis算法
12.4.2Metropolis－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