本书主要介绍了计量经济学和统计学文献中出现的金融计量方法方面的*新进展,强调实例和数据分析。特别是包含当前的研究热点,如风险值、高频数据分析和马尔町夫链蒙特卡罗方法等。主要内容包括:金融时间序列数据的基本特征,神经网络,非线性方法,使用跳跃扩散方程进行衍生产品的定价,采用极值理论计算风险值,带时变相关系数的多元波动率模型,贝叶斯推断。
本书可作为金融等专业高年级本科生或研究生的时间序列分析教材,也可供相关专业研究人员参考。

译者序
前言
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
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
2.4.1 AR模型的性质
2.4.2 实际中怎样识别AR模型
2.4.3 预测
2.5 简单滑动平均模型
2.5.1 MA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
2.6.1 ARMA(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模型预测
2.6.5 ARMA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 一般的单位根非平稳模型
2.7.4 单位根检验
2.8 季节模型
2.8.1 季节性差分
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 长记忆模型
附录A 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 ARCIt模型
3.3.1 ARCH模型的性质
3.3.2 ARCH模型的缺点
3.3.3 ARCH模型的建立
3.3.4 例子
3.4 GARCH模型
3.4.1 一个例子
3.4.2 预测的评价
3.5 求和GARCH模型
3.6 GARCH—M模型
3.7 指数GARCH模型
3.7.1 实例说明
3.7.2 另一个例子
3.7.3 用EGARCH模型预测
3.8 CHARMA模型
3.9 随机系数的自回归模型
3.10 随机波动率模型
3.11 长记忆随机波动率模型
3.12 另一种方法
3.13 应用
3.14 GARCH模型的峰度
附录A 估计波动率模型的一些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
第6章 连续时间模型及其应用
第7章 极值理论、分位数估计与VaR
第8章 多元时间序列分析及其应用
第9章 多元波动率模型及其应用
第10章 马尔可夫链蒙特卡罗方法的应用
索引

Ruey S.Tsay 于美国威斯康星大学麦迪逊分校获得统计学博士学位,美国芝加哥大学商学院研究生院经济计量及统计学的H.G.B.Alexander教授。曾任Journal of Financial Econometrics杂志栏目编辑。