金融时间序列分析的介绍

1. 金融时间序列分析的介绍

《金融时间序列分析》是机械工业出版社2006年出版的书籍，作者蔡著。该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最新进展，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。

2. 金融时间序列分析的作者简介

Ruey S.Tsay(蔡瑞胸)美国芝加哥大学布斯商学院经济计量及统计学的H.G.B.Alexander讲席教授。1982年于美国威斯康星大学麦迪逊分校获得统计学博士学位。中国台湾“中央研究院”院士，美国统计协会和数理统计学会的会士，Journal Of Forecasting的联合主编，Journal Of Financial Econometrics的副主编。曾任美国统计学会商务与经济统计分会主席、《商务与经济统计》期刊主编目录译者序前言第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 本书由自1999年我在芝加哥大学商学院所教的MBA(工商管理硕士)金融时间序列分析课程发展而来。它也包含了过去几年我开设的时间序列分析博士生课程的内容。这是一本引论性质的书，旨在对金融计量模型及其在金融时间序列数据建模和预测中的应用，进行系统的、综合的阐述。 目标是使读者了解金融数据的基本特征，懂得金融计量模型的应用，并获得分析金融时间序列的经验。本书可作为金融专业MBA学生的时间序列分析教材，也适用于商学、经济学、数学和统计学专业对金融计量学感兴趣的研究生和高年级本科生。它也可以作为要进行风险值(Valueat Risk)的计算、波动率(Volatility)建模和对具有先后相关性的数..

3. 金融时间序列分析的其他图书

图书信息作　者：张世英，许启发，周红　编著出 版 社：清华大学出版社出版时间：2008-1-1版　次：1页　数：258字　数：331000印刷时间：2008-1-1开　本：16开纸　张：胶版纸印　次：1I S B N：9787302164081包　装：平装内容简介金融时问序列分析是一门新的金融统计学课程，汇总了时间序列在金融经济方面应用的理论、办法和应用。本教材是以作者多年来在金融时间序列方面的科研和教学为基础编写的。该书体现了较强的理论深度和学术前沿性，同时针对我国金融市场实际进行了大量实证研究，具有理论和实际指导意义。在长期的教学和相关研究中，我们汇集了大量巾国金融市场时间序列多方面的实证分析成果，这将是我们教材的重要内容。该书作作为财经类或综合类院校的数量经济学、金融学、统计学、数学等专业高年级本科生和棚天领域研究生的教科书，亦可作为数量经济、金融计量、金融工程等领域的研究人员、有关教帅、经济和金融工作者的参考书。图书目录前言第一章　绪论第一节 金融时间序列分析概述第二节 金融时间序列的特点第二章　时间序列分析第一节 时间序列与随机过程第二节 时间序列模型第三节 非平稳及长记忆时间序列ARFIMA模型第四节 VAR模型与Granger因果分析第五节 时间序列分析的状态空间方法第三章 时间序列的单位根过程第一节 单位根过程及其性质第二节 单位根过程的检验第三节 具有单位根的VAR模型第四章　协整理论与建模第一节 协整与误差校正模型第二节 协整关系的估计与检验第三节 基于协整系统的预测第四节 协整理论的扩展第五章　条件异方差模型第一节 ARCH模型及其性质第二节 GARCH模型及其性质第三节 ARCH类模型扩展第四节 多元GARCH模型第五节 金融市场波动性建模与Eviews软件操作第六章 随机波动模型第一节 SV模型及其统计性质第二节 SV模型的扩展第三节 多元SV模型第四节 SV模型与GARCH模型对金融时间序列刻画能力比较第五节 风险价值第七章　高频金融时间序列分析第一节 高频金融时间序列特点与基本问题第二节 超高频金融时间序列的持续期模型与金融市场微观结构第三节 金融市场微观结构的实证研究第八章　金融时间序列的小波方法第一节 离散小波变换与多分辨分析第二节 基于小波分析的金融波动分析第三节 多分辨协整及误差校正模型参考文献附表

4. 10实现金融数据的时间序列分析及建模

 自回归移动平均模型（ARIMA）包含一个确定（explicit）的统计模型用于处理时间序列的不规则部分，它允许不规则部分可以自相关。    数据准备 
   
                                           
   
                                           
                                           可以看出在滞后 1 阶的自相关值超出了置信边界，但是其他所有在滞后1-20 阶的自相关值都没有超出置信边界。
                                           显示在滞后 1，2 和 3 阶时的偏自相关系数超出了置信边界，为负值，且在等级上随着滞后阶数的增加而缓慢减少。
    模型预测 
   
                                           
                                            ARIMA 模型自动预测 
                                                                                   它对时间序列上面连续的值之间相关性没有要求，指数平滑法可以用于时间序列数据的短期预测。    简单指数平滑法    适用于没有季节性变化且处于恒定水平以及没有明显趋势的时间序列的预测。   获取数据（数据来源为伦敦每年降雨量），通过 ts 函数转换为时间序列.。
                                                                                   预测未来 5 年的降水量
                                           蓝线是预测 1913-1920 间的降雨量，深灰色阴影区域为 80% 的预测区间，浅灰色阴影区域为 95% 的预测区间。 forecast 提供了预测误差的统计指标(residuals),来评估预测是否有改进的可能性：如果预测误差是相关的，则很可能是简单指数平滑预测可以被另外一种预测技术优化。
                                           可以发现自相关系数在第 3 期的时候达到了置信界限。为了验证在滞后 1-20 阶时非 0 自相关属性是否显著，可以借助 Box.test() 的 Ljung-Box检验。
   统计量为 17.4，并且 P 值是 0.626 这样的值不足以拒绝预测误差在 1-20 阶是非零自相关。    霍尔特指数平滑法    霍尔特指数平滑法可以用于非恒定水平，没有季节性可相加模型的时间序列预测。 霍尔特指数平滑法是估计当前时间的水平和斜率。其平滑水平是由两个参数控制，alpha：估计当前点水平，beta：估计当前点趋势部分斜率。两个参数都介于 0-1 之间，当参数越接近 0，大部分近期的观测值的权值将较小。 数据来源是 1866 年到 1911 年每年女士裙子直径，将数据通过 ts 函数转换为时间序列，并画出时序图。
                                                                                   相关预测值中 alpha 值为 0.8383，beta预测值为 1.0，这些都是非常高的值，充分显示了无论是水平上还是趋势的斜率上，当前值对时间序列上的最近的观测值的依赖关系比较重，这样的结果也符合我们的预期，因为时间序列的水平和斜率在整个时间段内发生了巨大的变化。 总体来看，预测的效果也还不错（红色为预测值）。   预测未来 5 年的数据值，并画出预测结果。
                                           为了检验预测效果，我们同样检验延迟 1-20 阶中的预测误差是否非零自相关，继续采用 Ljung-Box 检验。
                                           相关图呈现样本内预测误差在滞后 5 阶时超过置信边界，其他都没有超过，我们认为存在一定的偶尔因素。
   p =0.4749，意味着置信度只有 53% 这样的值不足以拒绝预测误差在 1-20 阶是非零自相关，则我们接受预测误差在 1-20 阶是非零自相关的。    Holt-Winters 指数平滑法    有增长或者降低趋势并且存在季节性波动的时间序列的预测方法。 Holt-Winters 算法中提供了 alpha、beta 和 gamma 来分别对应当前点的水平、趋势部分和季节部分，参数的去执法范围都是 0-1 之间，并且参数接近 0 时，近期的观测值的影响权重就越小。 数据来源是澳大利亚昆士兰州海滨纪念商品的月度销售日子做为分析对象，将数据通过 ts 函数转换为时间序列，并画出时序图。
                                           可以通过取对数来减少极值带来的影响，消除方差不齐。
                                                                                   通过 forecast 包来预测未来 12 个月的销售数据，并画出预测结果
                                           模型非常成功得预测了季节峰值，峰值大约发生在每年的 12 月份。 还可以通过画相关图和进行 Ljung-Box 检验来检查样本内预测误差在延迟 1-20 阶时否是非零自相关的，并以此确定预测模型是否可以再被优化。
                                           相关图显示出在滞后 1-20 阶中样本自相关值都没有超出显著（置信）边界。
   Ljung-Box 检验的 p 值为 0.6183，所以我们推断在滞后 1-20 阶中没有明显证据说明预测误差是非零自相关的。