《金融數據分析導論:基於R語言》是2013年10月機械工業出版社的圖書,作者是(美)Ruey S.Tsay。
基本介紹
- 書名:金融數據分析導論:基於R語言
- 又名:An Introduction to Analysis of Financial Data with R
- 作者:(美)Ruey S.Tsay
- 譯者:李洪成、尚秀芬、郝瑞麗
- ISBN:9787111435068
- 定價:69.00
- 出版社:機械工業出版社
- 出版時間:2013年10月
- 副標題:華章統計學精品譯叢
內容簡介,作者簡介,作品目錄,
內容簡介
本書由統計學領域著名專家所著,從基本的金融數據出發,討論了這些數據的匯總統計和相關的可視化方法,之後分別介紹了商業、金融和經濟領域中的基本時間序列分析和計量經濟模型。作者通過實際操作的方法介紹金融數據分析,選擇使用免費的R軟體和實際案例來展示書中所討論方法的實現。書中抽象理論和實際套用並重,讀者既能從中輕鬆學習金融計量模型,也能了解它們在現實世界中的豐富套用。
貫通全書,各章節通過R圖形以可視化的形式把討論主題展現給讀者,並以兩個詳細案例展示了金融中統計學的套用。本書有配套的網站(http://faculty.chicagobooth.edu/ruey.tsay/teaching/introTS),其中包含了書中涉及的R代碼和額外的數據集供讀者下載,通過這些讀者可以創建自己的模擬分析,並檢驗對本書介紹的方法的理解程度。
本書是高年級本科生或研究生學習時間序列分析和商務統計學的優秀入門教材。對於希望進一步加強對金融數據和當今金融市場理解的研究人員以及商業、金融和經濟領域的從業者,該書也是極佳的參考書。
作者簡介
Ruey S. Tsay(蔡瑞胸) 美國芝加哥大學布斯商學院計量經濟學與統計學的H.G.B. Alexander講席教授,美國統計協會、數理統計學會以及英國皇家統計學會的會士,中國台灣“中央研究院”院士。他是《Journal of Forecasting》的聯合主編,也是《Asia-Pacific Financial Markets》、《Studies in Nonlinear Dynamics and Econometrics》和《Metron》等期刊的副主編。Tsay教授在商務和經濟預測、數據分析、風險管理以及過程控制等領域發表學術論文100多篇,還擁有美國專利“System and method for building a time series model (2005)”。
作品目錄
推薦序
譯者序
前言
第1章 金融數據及其特徵1
1.1 資產收益率1
1.2 債券收益和價格5
1.3 隱含波動率7
1.4 R軟體包及其演示8
1.4.1 R軟體包的安裝9
1.4.2 Quantmod軟體包9
1.4.3 R的基本命令11
1.5 金融數據的例子12
1.6 收益率的分布性質14
1.7 金融數據的可視化19
1.8 一些統計分布23
1.8.1 常態分配23
1.8.2 對數常態分配23
1.8.3 穩態分布24
1.8.4 常態分配的尺度混合24
1.8.5 多元收益率25
習題27
參考文獻27
第2章 金融時間序列的線性模型28
2.1 平穩性30
2.2 相關係數和自相關函式31
2.3 白噪聲和線性時間序列36
2.4 簡單自回歸模型37
2.4.1 AR模型的性質38
2.4.2 實踐中AR模型的識別44
2.4.3 擬合優度49
2.4.4 預測50
2.5 簡單移動平均模型52
2.5.1 MA模型的性質53
2.5.2 MA模型定階54
2.5.3 模型估計55
2.5.4 用MA模型預測55
2.6 簡單ARMA模型58
2.6.1 ARMA(1,1)模型的性質59
2.6.2 一般ARMA模型60
2.6.3 ARMA模型的識別60
2.6.4 用ARMA模型進行預測63
2.6.5 ARMA模型的三種表示方式63
2.7 單位根非平穩性65
2.7.1 隨機遊動65
2.7.2 帶漂移的隨機遊動66
2.7.3 趨勢平穩時間序列68
2.7.4 一般單位根非平穩模型68
2.7.5 單位根檢驗69
2.8 指數平滑72
2.9 季節模型74
2.9.1 季節差分75
2.9.2 多重季節模型77
2.9.3 季節啞變數82
2.10 帶時間序列誤差的回歸模型84
2.11 長記憶模型89
2.12 模型比較和平均92
2.12.1 樣本內比較92
2.12.2 樣本外比較92
2.12.3 模型平均96
習題96
參考文獻97
第3章 線性時間序列分析案例學習99
3.1 每周普通汽油價格99
3.1.1 純時間序列模型100
3.1.2 原油價格的使用102
3.1.3 套用滯後期的原油價格數據103
3.1.4 樣本外預測104
3.2 全球溫度異常值108
3.2.1 單位根平穩109
3.2.2 趨勢非平穩112
3.2.3 模型比較114
3.2.4 長期預測116
3.2.5 討論117
3.3 美國月失業率121
3.3.1 單變數時間序列模型121
3.3.2 一個替代模型125
3.3.3 模型比較128
3.3.4 使用首次申請失業救濟金人數128
3.3.5 模型比較135
習題135
參考文獻136
第4章 資產波動率及其模型137
4.1 波動率的特徵137
4.2 模型的結構138
4.3 模型的建立140
4.4 ARCH效應的檢驗141
4.5 ARCH模型143
4.5.1 ARCH模型的性質144
4.5.2 ARCH模型的優點與缺點145
4.5.3 ARCH模型的建立145
4.5.4 例子149
4.6 GARCH模型154
4.6.1 實例說明156
4.6.2 預測的評估163
4.6.3 兩步估計方法164
4.7 求和GARCH模型164
4.8 GARCH-M模型166
4.9 指數GARCH模型168
4.9.1 第一個示例169
4.9.2 模型的另一種形式170
4.9.3 第二個示例170
4.9.4 用EGARCH模型進行預測172
4.10 門限GARCH模型173
4.11 APARCH模型175
4.12 非對稱GARCH模型177
4.13 隨機波動率模型179
4.14 長記憶隨機波動率模型180
4.15 另一種方法181
4.15.1 高頻數據的套用181
4.15.2 套用日開盤價、最高價、最低價和收盤價183
習題187
參考文獻188
第5章 波動率模型的套用190
5.1 GARCH波動率期限結構190
5.2 期權定價和對沖194
5.3 隨時間變化的協方差和β值196
5.4 最小方差投資組合203
5.5 預測207
習題214
參考文獻214
第6章 高頻金融數據215
6.1 非同步交易215
6.2 交易價格的買賣報價差218
6.3 交易數據的經驗特徵220
6.4 價格變化模型224
6.4.1 順序機率值模型224
6.4.2 分解模型228
6.5 持續期模型232
6.5.1 日模式的成分233
6.5.2 ACD模型235
6.5.3 估計237
6.6 實際波動率241
6.6.1 處理市場微結構噪聲247
6.6.2 討論249
附錄A 機率分布概覽251
附錄B 危險率函式253
習題254
參考文獻255
第7章 極值理論、分位數估計與VaR257
7.1 風險測度和一致性257
7.1.1 風險值258
7.1.2 期望損失262
7.2 計算風險度量的註記263
7.3 風險度量制264
7.3.1 討論267
7.3.2 多個頭寸268
7.4 VaR計算的計量經濟學方法270
7.5 分位數估計275
7.5.1 分位數與次序統計量276
7.5.2 分位數回歸277
7.6 極值理論280
7.6.1 極值理論概覽280
7.6.2 經驗估計282
7.6.3 股票收益率的套用284
7.7 極值在VaR中的套用288
7.7.1 討論289
7.7.2 多期VaR290
7.7.3 收益率水平290
7.8 超出門限的峰值291
7.8.1 統計理論292
7.8.2 超額均值函式293
7.8.3 估計294
7.8.4 另外一種參數化方法296
7.9 平穩損失過程298
習題299
參考文獻300
索引302
譯者序
前言
第1章 金融數據及其特徵1
1.1 資產收益率1
1.2 債券收益和價格5
1.3 隱含波動率7
1.4 R軟體包及其演示8
1.4.1 R軟體包的安裝9
1.4.2 Quantmod軟體包9
1.4.3 R的基本命令11
1.5 金融數據的例子12
1.6 收益率的分布性質14
1.7 金融數據的可視化19
1.8 一些統計分布23
1.8.1 常態分配23
1.8.2 對數常態分配23
1.8.3 穩態分布24
1.8.4 常態分配的尺度混合24
1.8.5 多元收益率25
習題27
參考文獻27
第2章 金融時間序列的線性模型28
2.1 平穩性30
2.2 相關係數和自相關函式31
2.3 白噪聲和線性時間序列36
2.4 簡單自回歸模型37
2.4.1 AR模型的性質38
2.4.2 實踐中AR模型的識別44
2.4.3 擬合優度49
2.4.4 預測50
2.5 簡單移動平均模型52
2.5.1 MA模型的性質53
2.5.2 MA模型定階54
2.5.3 模型估計55
2.5.4 用MA模型預測55
2.6 簡單ARMA模型58
2.6.1 ARMA(1,1)模型的性質59
2.6.2 一般ARMA模型60
2.6.3 ARMA模型的識別60
2.6.4 用ARMA模型進行預測63
2.6.5 ARMA模型的三種表示方式63
2.7 單位根非平穩性65
2.7.1 隨機遊動65
2.7.2 帶漂移的隨機遊動66
2.7.3 趨勢平穩時間序列68
2.7.4 一般單位根非平穩模型68
2.7.5 單位根檢驗69
2.8 指數平滑72
2.9 季節模型74
2.9.1 季節差分75
2.9.2 多重季節模型77
2.9.3 季節啞變數82
2.10 帶時間序列誤差的回歸模型84
2.11 長記憶模型89
2.12 模型比較和平均92
2.12.1 樣本內比較92
2.12.2 樣本外比較92
2.12.3 模型平均96
習題96
參考文獻97
第3章 線性時間序列分析案例學習99
3.1 每周普通汽油價格99
3.1.1 純時間序列模型100
3.1.2 原油價格的使用102
3.1.3 套用滯後期的原油價格數據103
3.1.4 樣本外預測104
3.2 全球溫度異常值108
3.2.1 單位根平穩109
3.2.2 趨勢非平穩112
3.2.3 模型比較114
3.2.4 長期預測116
3.2.5 討論117
3.3 美國月失業率121
3.3.1 單變數時間序列模型121
3.3.2 一個替代模型125
3.3.3 模型比較128
3.3.4 使用首次申請失業救濟金人數128
3.3.5 模型比較135
習題135
參考文獻136
第4章 資產波動率及其模型137
4.1 波動率的特徵137
4.2 模型的結構138
4.3 模型的建立140
4.4 ARCH效應的檢驗141
4.5 ARCH模型143
4.5.1 ARCH模型的性質144
4.5.2 ARCH模型的優點與缺點145
4.5.3 ARCH模型的建立145
4.5.4 例子149
4.6 GARCH模型154
4.6.1 實例說明156
4.6.2 預測的評估163
4.6.3 兩步估計方法164
4.7 求和GARCH模型164
4.8 GARCH-M模型166
4.9 指數GARCH模型168
4.9.1 第一個示例169
4.9.2 模型的另一種形式170
4.9.3 第二個示例170
4.9.4 用EGARCH模型進行預測172
4.10 門限GARCH模型173
4.11 APARCH模型175
4.12 非對稱GARCH模型177
4.13 隨機波動率模型179
4.14 長記憶隨機波動率模型180
4.15 另一種方法181
4.15.1 高頻數據的套用181
4.15.2 套用日開盤價、最高價、最低價和收盤價183
習題187
參考文獻188
第5章 波動率模型的套用190
5.1 GARCH波動率期限結構190
5.2 期權定價和對沖194
5.3 隨時間變化的協方差和β值196
5.4 最小方差投資組合203
5.5 預測207
習題214
參考文獻214
第6章 高頻金融數據215
6.1 非同步交易215
6.2 交易價格的買賣報價差218
6.3 交易數據的經驗特徵220
6.4 價格變化模型224
6.4.1 順序機率值模型224
6.4.2 分解模型228
6.5 持續期模型232
6.5.1 日模式的成分233
6.5.2 ACD模型235
6.5.3 估計237
6.6 實際波動率241
6.6.1 處理市場微結構噪聲247
6.6.2 討論249
附錄A 機率分布概覽251
附錄B 危險率函式253
習題254
參考文獻255
第7章 極值理論、分位數估計與VaR257
7.1 風險測度和一致性257
7.1.1 風險值258
7.1.2 期望損失262
7.2 計算風險度量的註記263
7.3 風險度量制264
7.3.1 討論267
7.3.2 多個頭寸268
7.4 VaR計算的計量經濟學方法270
7.5 分位數估計275
7.5.1 分位數與次序統計量276
7.5.2 分位數回歸277
7.6 極值理論280
7.6.1 極值理論概覽280
7.6.2 經驗估計282
7.6.3 股票收益率的套用284
7.7 極值在VaR中的套用288
7.7.1 討論289
7.7.2 多期VaR290
7.7.3 收益率水平290
7.8 超出門限的峰值291
7.8.1 統計理論292
7.8.2 超額均值函式293
7.8.3 估計294
7.8.4 另外一種參數化方法296
7.9 平穩損失過程298
習題299
參考文獻300
索引302