本書包括：經濟與金融計量分析緒論；描述性統計及其Python應用；參數估計及其Python應用；假設檢驗及其Python應用；相關分析與一元回歸分析及其Python應用；多元回歸分析及其Python應用；多重共線性及其Python應用；異方差及其Python應用；自相關及其Python應用；時間序列分析ARMA模型及其Python應用；廣義自回歸條件異方差模型(GARCH)及其Python應用；面板數據分析及其Python應用等。內容新穎、全面，實用性強，融理論、方法、應用于一體。
在大數據與人工智能時代，數據成為人們商務決策最為重要的參考之一，計量經濟分析已邁入了一個新的階段。Python是一款非常優秀的計量經濟分析、圖形展示和人工智能機器學習軟件，《計量經濟分析及其Python應用》側重于使用Python進行計量經濟與量化投資分析，同時結合大量精選的實例問題對最新的Python版本進行科學、準確和全面的介紹，以便使讀者能深刻理解Python的精髓和靈活、高效的使用技巧。通過本書，讀者不僅能使用Python及相關的庫來解決實際計量經濟分析問題，而且能學會從實際經濟問題分析入手，利用Python進行計量經濟分析。
Python是計量經濟與金融分析、經濟預測、人工智能機器學習、網絡Web服務等領域應用非常廣泛的語言之一，它具有簡單易學、免費開源、可移植、可擴展，統計與作圖功能強，財經數據接口、機器學習庫、網絡服務等工具豐富，更新和發展速度快等特點，因而受到廣大用戶的歡迎和喜愛。本書通過豐富的經濟金融實例，詳細介紹了Python3.7（2019年3月發布）在經濟、金融領域中的應用，書中所有運算結果都在Python3.7版本上調試通過。
本書理論與應用相結合，實例豐富且通俗易懂，重點討論了Python在計量經濟與量化投資中的應用，詳細介紹了各種方法在Python中的應用。本書適合作為經濟學、金融學、統計學、會計學、財政學、
投資學、國際經濟及貿易
等相關專業的本科生或研究生學習統計學、計量經濟學、量化投資等課程的教學或實驗參考用書，同時對從事經濟計量分析行業的實際工作者也大有裨益。通過本書，讀者不僅能掌握Python及其庫本身的應用，而且能學會從實際問題分析入手，利用Python進行計量經濟分析，并對結果進行解釋。
本書實例與內容豐富，有很強的針對性，書中各章詳細地介紹了實例的Python具體操作過程，讀者只需按照書中介紹的步驟一步一步地實際操作，就能掌握全書的內容。為了幫助讀者更加直觀地學習本書，我們將書中實例的全部數據文件
配套提供給讀者。讀者下載后，在本地建立一個F:/2glkx/data1目錄（其他目錄名也可以），將所有數據文件復制到此目錄下，即可進行操作。
本書的內容是這樣安排的： 第1章介紹計量經濟分析及其Python環境； 第2章介紹描述性統計及其Python應用； 第3章介紹參數估計及其Python應用； 第4章介紹假設檢驗及其Python應用； 第5章介紹相關分析與一元回歸分析及其Python應用； 第6章介紹多元回歸分析及其Python應用； 第7章介紹多重共線性及其Python應用； 第8章介紹異方差及其Python應用； 第9章介紹自相關及其Python應用； 第10章介紹財經大數據時間序列分析ARMA模型及其Python應用； 第11章介紹財經大數據廣義自回歸條件異方差模型(GARCH)及其Python應用； 第12章介紹面板數據計量分析及其Python應用； 第13章介紹廣義矩估計GMM與最大似然估計MLE及其Python應用； 第14章介紹線性回歸的內生性與Hausman檢驗及其Python應用； 第15章介紹財經大數據量化投資統計套利及其Python應用； 第16章介紹人工智能機器學習及其 Python應用。
本書是2019廣東省高等教育教學研究和改革項目“大數據時代經濟與金融計量分析課程教學改革”階段性成果之一。譚隆輝參與了本書第10章和第15章的數據處理分析與整理工作。
本書的出版，得到了清華大學出版社編輯的支持、幫助，應該感謝他們為讀者提供了一本好的工具書！由于時間和水平的限制，書中難免出現一些紕漏，懇請讀者諒解并提出寶貴意見。
作者2020年9月于廣州
朱順泉，男，管理學博士，現為廣東財經大學金融學院教授，長期從事本科生與研究生的投資學、金融工程、公司金融、金融市場、金融計量學、經濟博弈論、數據模型與決策等課程的教學和科研工作，一直致力于財經與科技相結合的交叉應用研究。
第1章計量經濟分析及其Python環境
1.1計量經濟分析的含義
1.2計量經濟分析建模的步驟
1.3經濟數據類型
1.4經濟數據來源
1.5計量經濟分析工具簡介
1.6Python工具的下載與安裝
1.7國內外財經大數據的存取方法及其Python應用
練習題
第2章描述性統計及其Python應用
2.1描述性統計的Python工具
2.2數據集中趨勢度量及其Python應用
2.3數據離散狀況度量及其Python應用
2.4峰度、偏度與正態性檢驗及其Python應用
2.5異常數據處理
練習題
第3章參數估計及其Python應用
3.1參數估計與置信區間的含義
3.2點估計矩分析法的Python應用
3.3單正態總體均值區間估計的Python應用
3.4單正態總體方差區間估計的Python應用
3.5雙正態總體均值差區間估計的Python應用
3.6雙正態總體方差比區間估計的Python應用
練習題
第4章參數假設檢驗及其Python應用
4.1參數假設檢驗的基本理論
4.2單個樣本t檢驗的Python應用
4.3兩個獨立樣本t檢驗的Python應用
4.4配對樣本t檢驗的Python應用
4.5單樣本方差假設檢驗的Python應用
4.6雙樣本方差假設檢驗的Python應用
練習題
第5章相關分析與一元回歸分析及其Python應用
5.1相關分析基本理論
5.2相關分析的Python應用
5.3一元線性回歸分析基本理論
5.4一元線性回歸分析的Python應用
練習題
第6章多元回歸分析及其Python應用
6.1多元線性回歸分析基本理論
6.2虛擬變量
6.3多元線性回歸分析的Python應用
6.4多元線性回歸分析的Scikitlearn工具應用
6.5邏輯Logistic回歸分析Python應用
6.6廣義線性回歸分析Python應用
6.7傾向評分匹配（PSM）及其Python應用
練習題
第7章多重共線性及其Python應用
7.1多重共線性的概念
7.2多重共線性的后果
7.3產生多重共線性的原因
7.4多重共線性的識別和檢驗
7.5消除多重共線性的方法
7.6多重共線性診斷的Python應用
7.7多重共線性消除的Python應用
練習題
第8章異方差及其Python應用
8.1異方差的概念
8.2異方差產生的原因
8.3異方差的后果
8.4異方差的識別檢驗
8.5消除異方差的方法
8.6異方差診斷的Python應用
8.7異方差消除的Python語言應用
8.8異方差應用實例的Python應用
練習題
第9章自相關及其Python應用
9.1自相關的概念
9.2產生自相關的原因
9.3自相關的后果
9.4自相關的識別和檢驗
9.5自相關的處理方法
9.6自相關診斷的Python應用
9.7自相關消除的Python應用
9.8金融市場數據自相關性實例的Python應用
練習題
第10章財經大數據時間序列分析ARMA模型及其Python應用
10.1時間序列分析的基礎知識
10.2自回歸(AR)模型
10.3移動平均(MA)模型
10.4自回歸移動平均（ARMA）模型
10.5差分自回歸移動平均（ARIMA）模型
練習題
第11章財經大數據廣義自回歸條件異方差模型(GARCH)及其Python應用
11.1自回歸條件異方差模型(ARCH)及預測
11.2廣義自回歸條件異方差模型(GARCH)與波動率預測
練習題
第12章面板數據計量分析及其Python應用
12.1面板數據計量分析的基本理論
12.2面板數據計量分析的Python應用
練習題
第13章廣義矩估計（GMM）與最大似然估計（MLE）及其Python應用
13.1廣義矩估計（GMM）及其Python應用
13.2最大似然估計（MLE）及其Python應用
練習題
第14章線性回歸的內生性與Hausman檢驗及其Python應用
14.1內生性的相關理論
14.2基本的線性回歸及其Python應用
14.3擴展的線性回歸及其Python應用
14.4線性回歸的內生性問題及其Python應用
14.5Hausman檢驗及其Python應用
練習題
第15章財經大數據量化投資統計套利及其Python應用
15.1Python應用于Markowitz投資組合優化
15.2基于Bigquant量化投資平臺的統計套利協整配對交易策略
15.3基于Python環境統計套利協整配對交易策略
練習題
第16章人工智能機器學習及其Python應用
16.1機器學習算法分類
16.2常見的機器學習算法及其Python代碼
16.3K最近鄰算法銀行貸款分類及其Python應用
16.4各種機器學習算法及其Python應用
16.5K最近鄰法分類及其Python應用
練習題
新書資訊