金融时间序列分析（中文第3版）Ruey S. Tray

股票学习站

	【资料名称】:金融时间序列分析（中文第3版）Ruey S. Tray 【资料描述】: 金融时间序列分析（中文第3版） Analysis of Financial Time Series Ruey S. Tray 　　金融时间序列分析(第3版) 　　作    者：[美]Ruey S. Tsay 著，王远林，潘家柱 译 　　出 版 社：人民邮电出版社 　　出版时间：2012-9-1 　　ＩＳＢＮ：9787115287625 　　版 次：1 　　页 数：571 　　字 数：763000 　　印刷时间：2012-9-1 　　开 本：16开 　　纸 张：胶版纸 　　印 次：1 　　包 装：平装 　　定价：85.00元 　　1．第2版销量很好，国内已有多家大学将其作为教材或参考书，有很大的影响力。2．本书作者是著名的计量经济学家，美籍华人，在国内有一定的知名度。 3．同类图书和资料很少。 　　本书全面阐述了金融时间序列，并主要介绍了金融时间序列理论和方法的当前研究热点和一些最新研究成果，尤其是风险值计算、高频数据分析、随机波动率建模和马尔可夫链蒙特卡罗方法等方面。此外，本书还系统阐述了金融计量经济模型及其在金融时间序列数据和建模中的应用，所有模型和方法的运用均采用实际金融数据，并给出了所用计算机软件的命令。较之第2版，本版不仅更新了上一版中使用的数据，而且还给出了R命令和实例，从而使其成为理解重要统计方法和技术的奠基石. 本书可作为时间序列分析的教材，也适用于商学、经济学、数学和统计学专业对金融的计量经济学感兴趣的高年级本科生和研究生，同时，也可作为商业、金融、保险等领域专业人士的参考用书。 　　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 　　2.4.1 AR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 　　2.5.1 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模型进行预测 　　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 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 　　3.4 ARCH模型 　　3.4.1 ARCH模型的性质 　　3.4.2 ARCH模型的缺点 　　3.4.3 ARCH模型的建立 　　3.4.4 一些例子 　　3.5 GARCH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 　　3.7 GARCH-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 　　3.10 CHARMA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 　　3.16 GARCH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 　　5.5.1 ACD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 　　6.3.4 ?和?的估计 　　6.4 股票价格与对数收益率的分布 　　6.5 B-S微分方程的推导 　　6.6 B-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A B-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 　　7.3 VaR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 　　7.6 VaR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 　　7.8.1 D(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-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 　　8.2.2 VAR(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 　　9.3.1 BARRA因子模型 　　9.3.2 Fama-French方法 　　9.4 主成分分析 　　9.4.1 PCA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 　　10.2.2 BEKK模型 　　10.3 重新参数化 　　10.3.1 相关系数的应用 　　10.3.2 Cholesky 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 　　11.3.2 ARMA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 　　12.2 Gibbs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 　　12.4.1 Metropolis算法 　　12.4.2 Metropolis-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 【下载地址隐藏】：                    点：回复可见地址 游客，如果您要查看本帖隐藏内容请回复