金融時間序列分析(第3版) Analysis of Financial Time Series, 3/e

Ruey S. Tsay 美國芝加哥大學布斯商學院經濟計量及統計學的H.G.B.Alexander教授。1982年於美國威斯康星大學麥迪遜分校獲得統計學博士學位。中國台灣“中央研究院”院士，美國統計協會和數理統計學會的會士。

目　錄

 

第 1章　金融時間序列及其特徵　1

1.1　資產收益率　2

1.2　收益率的分佈性質　6

1.2.1　統計分佈及其矩的回顧　6

1.2.2　收益率的分佈　13

1.2.3　多元收益率　16

1.2.4　收益率的似然函數　17

1.2.5　收益率的經驗性質　17

1.3　其他過程　19

附錄R　程序包　21

練習題　23

參考文獻　24

 

第 2章　線性時間序列分析及其應用　25

2.1　平穩性　25

2.2　相關系數和自相關函數　26

2.3　白噪聲和線性時間序列　31

2.4　簡單的自回歸模型　32

2.4.1　AR模型的性質　33

2.4.2　實際中怎樣識別AR模型　40

2.4.3　擬合優度　46

2.4.4　預測　47

2.5　簡單滑動平均模型　50

2.5.1　MA模型的性質　51

2.5.2　識別MA的階　52

2.5.3　估計　53

2.5.4　用MA模型預測　54

2.6　簡單的ARMA模型　55

2.6.1　ARMA(1,1)模型的性質　56

2.6.2　一般的ARMA模型　57

2.6.3　識別ARMA模型　58

2.6.4　用ARMA模型進行預測　60

2.6.5　ARMA模型的三種表示　60

2.7　單位根非平穩性　62

2.7.1　隨機游動　62

2.7.2　帶漂移的隨機游動　64

2.7.3　帶趨勢項的時間序列　65

2.7.4　一般的單位根非平穩模型　66

2.7.5　單位根檢驗　66

2.8　季節模型　71

2.8.1　季節性差分化　72

2.8.2　多重季節性模型　73

2.9　帶時間序列誤差的回歸模型　78

2.10　協方差矩陣的相合估計　85

2.11　長記憶模型　88

附錄　一些SCA的命令　90

練習題　90

參考文獻　92

 

第3章　條件異方差模型　94

3.1　波動率的特徵　95

3.2　模型的結構　95

3.3　建模　97

3.4　ARCH模型　99

3.4.1　ARCH模型的性質　100

3.4.2　ARCH模型的缺點　102

3.4.3　ARCH模型的建立　102

3.4.4　一些例子　106

3.5　GARCH模型　113

3.5.1　實例說明　115

3.5.2　預測的評估　120

3.5.3　兩步估計方法　121

3.6　求和GARCH模型　121

3.7　GARCH-M模型　122

3.8　指數GARCH模型　123

3.8.1　模型的另一種形式　125

3.8.2　實例說明　125

3.8.3　另一個例子　126

3.8.4　用EGARCH模型進行預測　128

3.9　門限GARCH模型　129

3.10　CHARMA模型　130

3.11　隨機系數的自回歸模型　132

3.12　隨機波動率模型　133

3.13　長記憶隨機波動率模型　133

3.14　應用　135

3.15　其他方法　138

3.15.1　高頻數據的應用　138

3.15.2　日開盤價、**高價、**低價和收盤價的應用　141

3.16　GARCH模型的峰度　143

附錄　波動率模型估計中的一些RATS程序　144

練習題　146

參考文獻　148

 

第4章　非線性模型及其應用　151

4.1　非線性模型　152

4.1.1　雙線性模型　153

4.1.2　門限自回歸模型　154

4.1.3　平滑轉移AR(STAR)模型　158

4.1.4　馬爾可夫轉換模型　160

4.1.5　非參數方法　162

4.1.6　函數系數AR模型　170

4.1.7　非線性可加AR模型　170

4.1.8　非線性狀態空間模型　171

4.1.9　神經網絡　171

4.2　非線性檢驗　176

4.2.1　非參數檢驗　176

4.2.2　參數檢驗　179

4.2.3　應用　182

4.3　建模　183

4.4　預測　184

4.4.1　參數自助法　184

4.4.2　預測的評估　184

4.5　應用　186

附錄A　一些關於非線性波動率模型的RATS程序　190

附錄B　神經網絡的S-Plus命令　191

練習題　191

參考文獻　193

 

第5章　高頻數據分析與市場微觀結構　196

5.1　異步交易　196

5.2　買賣報價差　200

5.3　交易數據的經驗特徵　201

5.4　價格變化模型　207

5.4.1　順序概率值模型　207

5.4.2　分解模型　210

5.5　持續期模型　214

5.5.1　ACD模型　216

5.5.2　模擬　218

5.5.3　估計　219

5.6　非線性持續期模型　224

5.7　價格變化和持續期的二元模型　225

5.8　應用　229

附錄A　一些概率分佈的回顧　234

附錄B　危險率函數　237

附錄C　對持續期模型的一些RATS程序　238

練習題　239

參考文獻　241

 

第6章　連續時間模型及其應用　243

6.1　期權　244

6.2　一些連續時間的隨機過程　244

6.2.1　維納過程　244

6.2.2　廣義維納過程　246

6.2.3　伊藤過程　247

6.3　伊藤引理　247

6.3.1　微分回顧　247

6.3.2　隨機微分　248

6.3.3　一個應用　249

6.3.4　 和 的估計　250

6.4　股票價格與對數收益率的分佈　251

6.5　B-S微分方程的推導　253

6.6　B-S定價公式　254

6.6.1　風險中性世界　254

6.6.2　公式　255

6.6.3　歐式期權的下界　257

6.6.4　討論　258

6.7　伊藤引理的擴展　261

6.8　隨機積分　262

6.9　跳躍擴散模型　263

6.10　連續時間模型的估計　269

附錄A　B-S公式積分　270

附錄B　標準正態概率的近似　271

練習題　271

參考文獻　272

 

第7章　極值理論、分位數估計與風險值　274

7.1　風險值　275

7.2　風險度量制　276

7.2.1　討論　279

7.2.2　多個頭寸　279

7.2.3　預期損失　280

7.3　VaR計算的計量經濟方法　280

7.3.1　多個周期　283

7.3.2　在條件正態分佈下的預期損失　285

7.4　分位數估計　285

7.4.1　分位數與次序統計量　285

7.4.2　分位數回歸　287

7.5　極值理論　288

7.5.1　極值理論的回顧　288

7.5.2　經驗估計　290

7.5.3　對股票收益率的應用　293

7.6　VaR的極值方法　297

7.6.1　討論　300

7.6.2　多期VaR　301

7.6.3　收益率水平　302

7.7　基於極值理論的一個新方法　302

7.7.1　統計理論　303

7.7.2　超額均值函數　305

7.7.3　極值建模的一個新方法　306

7.7.4　基於新方法的VaR計算　308

7.7.5　參數化的其他方法　309

7.7.6　解釋變量的使用　312

7.7.7　模型檢驗　313

7.7.8　說明　314

7.8　極值指數　318

7.8.1　D(un)條件　319

7.8.2　極值指數的估計　321

7.8.3　平穩時間序列的風險值　323

練習題　324

參考文獻　326

 

第8章　多元時間序列分析及其應用　328

8.1　弱平穩與交叉-相關矩陣　328

8.1.1　交叉-相關矩陣　329

8.1.2　線性相依性　330

8.1.3　樣本交叉-相關矩陣　331

8.1.4　多元混成檢驗　335

8.2　向量自回歸模型　336

8.2.1　簡化形式和結構形式　337

8.2.2　VAR(1)模型的平穩性條件和矩　339

8.2.3　向量AR(p)模型　340

8.2.4　建立一個VAR(p)模型　342

8.2.5　脈沖響應函數　349

8.3　向量滑動平均模型　354

8.4　向量ARMA模型　357

8.5　單位根非平穩性與協整　362

8.6　協整VAR模型　366

8.6.1　確定性函數的具體化　368

8.6.2　**大似然估計　368

8.6.3　協整檢驗　369

8.6.4　協整VAR模型的預測　370

8.6.5　例子　370

8.7　門限協整與套利　375

8.7.1　多元門限模型　376

8.7.2　數據　377

8.7.3　估計　377

8.8　配對交易　379

8.8.1　理論框架　379

8.8.2　交易策略　380

8.8.3　簡單例子　380

附錄A　向量與矩陣的回顧　385

附錄B　多元正態分佈　389

附錄C　一些SCA命令　390

練習題　391

參考文獻　393

 

第9章　主成分分析和因子模型　395

9.1　因子模型　395

9.2　宏觀經濟因子模型　397

9.2.1　單因子模型　397

9.2.2　多因子模型　401

9.3　基本面因子模型　403

9.3.1　BARRA因子模型　403

9.3.2　Fama-French方法　408

9.4　主成分分析　408

9.4.1　PCA理論　408

9.4.2　經驗的PCA　410

9.5　統計因子分析　413

9.5.1　估計　414

9.5.2　因子旋轉　415

9.5.3　應用　416

9.6　漸近主成分分析　420

9.6.1　因子個數的選擇　421

9.6.2　例子　422

練習題　424

參考文獻　425

 

第 10章　多元波動率模型及其應用　426

10.1　指數加權估計　427

10.2　多元GARCH模型　429

10.2.1　對角VEC模型　430

10.2.2　BEKK模型　432

10.3　重新參數化　435

10.3.1　相關系數的應用　435

10.3.2　Cholesky　分解　436

10.4　二元收益率的GARCH模型　439

10.4.1　常相關模型　439

10.4.2　時變相關模型　442

10.4.3　動態相關模型　446

10.5　更高維的波動率模型　452

10.6　因子波動率模型　457

10.7　應用　459

10.8　多元t分佈　461

附錄對估計的一些註釋　462

練習題　466

參考文獻　467

 

第 11章　狀態空間模型和卡爾曼濾波　469

11.1　局部趨勢模型　469

11.1.1　統計推斷　472

11.1.2　卡爾曼濾波　473

11.1.3　預測誤差的性質　475

11.1.4　狀態平滑　476

11.1.5　缺失值　480

11.1.6　初始化效應　480

11.1.7　估計　481

11.1.8　所用的S-Plus命令　482

11.2　線性狀態空間模型　485

11.3　模型轉換　486

11.3.1　帶時變系數的CAPM　487

11.3.2　ARMA模型　489

11.3.3　線性回歸模型　495

11.3.4　帶ARMA誤差的線性回歸模型　496

11.3.5　純量不可觀測項模型　497

11.4　卡爾曼濾波和平滑　499

11.4.1　卡爾曼濾波　499

11.4.2　狀態估計誤差和預測誤差　501

11.4.3　狀態平滑　502

11.4.4　擾動平滑　504

11.5　缺失值　506

11.6　預測　507

11.7　應用　508

練習題　515

參考文獻　516

 

第 12章　馬爾可夫鏈蒙特卡羅方法及其應用　517

12.1　馬爾可夫鏈模擬　517

12.2　Gibbs抽樣　518

12.3　貝葉斯推斷　520

12.3.1　後驗分佈　520

12.3.2　共軛先驗分佈　521

12.4　其他算法　524

12.4.1　Metropolis算法　524

12.4.2　Metropolis-Hasting算法　525

12.4.3　格子Gibbs抽樣　525

12.5　帶時間序列誤差的線性回歸　526

12.6　缺失值和異常值　530

12.6.1　缺失值　531

12.6.2　異常值的識別　532

12.7　隨機波動率模型　537

12.7.1　一元模型的估計　537

12.7.2　多元隨機波動率模型　542

12.8　估計隨機波動率模型的新方法　549

12.9　馬爾可夫轉換模型　556

12.10　預測　563

12.11　其他應用　564

練習題　564

參考文獻　565

 

索引　568