《金融時間序列分析(第3版)》是金融時間序列分析領域不可多得的上乘之作,第1版面世后即成為該領域最具影響力的作品。作者在全面闡述金融時間序列分析理論知識的同時,還系統地介紹了金融計量經濟模型及其在金融時間序列數據的建模和預測中的應用。第3版使用能夠免費得到的R軟件包,可以對金融數據進行實證分析,也可以使用現實的例子對相關計算和分析進行說明。《金融時間序列分析(第3版)》還對金融計量經濟學的最新進展進行了深入分析,例如實現波動率、條件風險值、統計套利及持續期和動態相關模型的應用。
第3版新增加的內容還包括以下幾方面:
在高頻數據分析和市場微觀結構的所有討論中,都使用了非線性持續期模型;
新增加了一些非線性模型和方法的應用;
更新了多元時間序列分析,分析了協整應用到配對交易分析的實用性;
使用損失函數這個新的統一的方法分析風險值;
在相依數據的極值、分位數和風險值的研究中,引入了極值指數。
許多國家都在竭力從當前的全球金融危機中恢復過來,顯而易見,我們不想再遇到這樣的危機。為了防止再發生這樣的危機,我們必須對剛過去的危機進行研究。
因此,在實證研究中,過去幾年的金融數據就成為重要的研究對象。本次修訂的主要目的就是更新使用的數據,并重新分析這些實例,從而便于人們更好地理解資產收益的性質。同時,我們在金融計量學和金融分析軟件包方面也取得許多新進展,特別是Rmetrics有許多程序包可用于分析金融時間序列。本次修訂的第二個目的就是給出R命令和示例,從而使讀者可以更加輕而易舉地重新計算書中的實例,并得到結果。
在這次金融危機中,有一些大的金融機構相繼倒閉,這表明極端事件有群集發生的特點。它們之間不是相互獨立的。為了處理極端事件的相依性,在第7章中,我增加了極值指數的內容,并且討論了極值指數對風險值的影響。我還重新編寫了第7章,從而使其更易于讀者理解,內容也更加全面。現在,第7章還包括了用于度量金融風險的預期損失(或者條件風險值)的內容。我力求本書的篇幅不要過大,涵蓋內容盡可能多。基于以下三方面的原因,本次修訂沒有考慮信用風險和經營風險。首先,需要深入研究適用于評估信用風險的有效方法;其次,不便于得到大量的可用數據;最后,本書的篇幅已經不能再大了。
第3版增加的內容概述如下。
(1)更新了本書從頭至尾使用的數據。
(2)提供了R命令和示例。在有些例子中給出了R程序。
(3)使用新的觀察數據,重新分析了許多例子。
(4)在第3章中,為了進行波動率建模,引入了非對稱分布。
(5)在第5章中,為了研究最近的高頻交易數據的性質,增加了非線性持續期模型的應用。
(6)在第7章中,使用統一的方法,通過損失函數來分析風險值(VaR),討論預期損失(ES),或者等價的條件風險值(CVaR)。為了分析相依數據,還引入了極值指數。
(7)在第8章中,討論了協整模型在配對交易(pairtrading)中的應用。
(8)在第10章中,研究了動態相關模型的應用。
本書第2版的許多讀者給出的建設性意見讓我受益匪淺,這些讀者包括學生、同行和朋友,我對他們感激不盡。特別地,我要對SpencerGraves、ESTIMA的TomDoan和EugeneGath致以真摯的謝意。SpencerGraves編寫了FinTS的R軟件包,Doan和Gath把書稿仔細地看了一遍。我還要感謝KamHamidieh,對于修訂中應該關注的新專題,他給出了很好的建議。我也要感謝Wiley的同事們,特別是JackiePalmieri和StephenQuigley,感謝他們的支持。與往常一樣,如果沒有我的妻子和孩子們不斷的鼓勵和無條件的愛,我不可能完成這個修訂版。他們是激勵我前進的動力和力量來源。我的部分研究得到了芝加哥大學布斯商學院的贊助。
蔡瑞胸(Ruey S.Tsay)
伊利諾伊州芝加哥
芝加哥大學布斯商學院
Ruey S. Tsay,美國芝加哥大學布斯商學院經濟計量學和統計學的H.G.B. Alexander 講席教授。1982年于美國威斯康星大學麥迪遜分校獲得統計學博士學位。中國臺灣“中央研究院”院士,美國統計協會、數理統計學會及皇家統計學會的會士,Journal of Forecasting的聯合主編,Journal of Financial Econometrics的副主編。曾任美國統計學會商務與經濟統計分會主席、《商務與經濟統計》期刊主編。在商務和經濟預測、數據分析、風險管理和過程控制領域撰寫并發表了論文100多篇。他也是A Course in Time Series Analysis的合著者。
第1章 金融時間序列及其特征
1.1 資產收益率
1.2 收益率的分布性質
1.2.1 統計分布及其矩的回顧
1.2.2 收益率的分布
1.2.3 多元收益率
1.2.4 收益率的似然函數
1.2.5 收益率的經驗性質
1.3 其他過程
附錄R 程序包
練習題
參考文獻
第2章 線性時間序列分析及其應用
2.1 平穩性
2.2 相關系數和自相關函數
2.3 白噪聲和線性時間序列
2.4 簡單的自回歸模型
2.4.1 AR模型的性質
2.4.2 實際中怎樣識別AR模型
2.4.3 擬合優度
2.4.4 預測
2.5 簡單滑動平均模型
2.5.1 MA模型的性質
2.5.2 識別MA的階
2.5.3 估計
2.5.4 用MA模型預測
2.6 簡單的ARMA模型
2.6.1 ARMA(1,1)模型的性質
2.6.2 一般的ARMA模型
2.6.3 識別ARMA模型
2.6.4 用ARMA模型進行預測
2.6.5 ARMA模型的三種表示
2.7 單位根非平穩性
2.7.1 隨機游動
2.7.2 帶漂移的隨機游動
2.7.3 帶趨勢項的時間序列
2.7.4 一般的單位根非平穩模型
2.7.5 單位根檢驗
2.8 季節模型
2.8.1 季節性差分化
2.8.2 多重季節性模型
2.9 帶時間序列誤差的回歸模型
2.10 協方差矩陣的相合估計
2.11 長記憶模型
附錄 一些SCA的命令
練習題
參考文獻
第3章 條件異方差模型
3.1 波動率的特征
3.2 模型的結構
3.3 建模
3.4 ARCH模型
3.4.1 ARCH模型的性質
3.4.2 ARCH模型的缺點
3.4.3 ARCH模型的建立
3.4.4 一些例子
3.5 GARCH模型
3.5.1 實例說明
3.5.2 預測的評估
3.5.3 兩步估計方法
3.6 求和GARCH模型
3.7 GARCH-M模型
3.8 指數GARCH模型
3.8.1 模型的另一種形式
3.8.2 實例說明
3.8.3 另一個例子
3.8.4 用EGARCH模型進行預測
3.9 門限GARCH模型
3.10 CHARMA模型
3.11 隨機系數的自回歸模型
3.12 隨機波動率模型
3.13 長記憶隨機波動率模型
3.14 應用
3.15 其他方法
3.15.1 高頻數據的應用
3.15.2 日開盤價、最高價、最低價和收盤價的應用
3.16 GARCH模型的峰度
附錄 波動率模型估計中的一些RATS程序
練習題
參考文獻
第4章 非線性模型及其應用
4.1 非線性模型
4.1.1 雙線性模型
4.1.2 門限自回歸模型
4.1.3 平滑轉移AR(STAR)模型
4.1.4 馬爾可夫轉換模型
4.1.5 非參數方法
4.1.6 函數系數AR模型
4.1.7 非線性可加AR模型
4.1.8 非線性狀態空間模型
4.1.9 神經網絡
4.2 非線性檢驗
4.2.1 非參數檢驗
4.2.2 參數檢驗
4.2.3 應用
4.3 建模
4.4 預測
4.4.1 參數自助法
4.4.2 預測的評估
4.5 應用
附錄A 一些關于非線性波動率模型的RATS程序
附錄B 神經網絡的S-Plus命令
練習題
參考文獻
第5章 高頻數據分析與市場微觀結構
5.1 非同步交易
5.2 買賣報價差
5.3 交易數據的經驗特征
5.4 價格變化模型
5.4.1 順序概率值模型
5.4.2 分解模型
5.5 持續期模型
5.5.1 ACD模型
5.5.2 模擬
5.5.3 估計
5.6 非線性持續期模型
5.7 價格變化和持續期的二元模型
5.8 應用
附錄A 一些概率分布的回顧
附錄B 危險率函數
附錄C 對持續期模型的一些RATS程序
練習題
參考文獻
第6章 連續時間模型及其應用
6.1 期權
6.2 一些連續時間的隨機過程
6.2.1 維納過程
6.2.2 廣義維納過程
6.2.3 伊藤過程
6.3 伊藤引理
6.3.1 微分回顧
6.3.2 隨機微分
6.3.3 一個應用
6.3.4 1和·的估計
6.4 股票價格與對數收益率的分布
6.5 B-S微分方程的推導
6.6 B-S定價公式
6.6.1 風險中性世界
6.6.2 公式
6.6.3 歐式期權的下界
6.6.4 討論
6.7 伊藤引理的擴展
6.8 隨機積分
6.9 跳躍擴散模型
6.10 連續時間模型的估計
附錄A B-S公式積分
附錄B 標準正態概率的近似
練習題
參考文獻
第7章 極值理論、分位數估計與風險值
7.1 風險值
7.2 風險度量制
7.2.1 討論
7.2.2 多個頭寸
7.2.3 預期損失
7.3 VaR計算的計量經濟方法
7.3.1 多個周期
7.3.2 在條件正態分布下的預期損失
7.4 分位數估計
7.4.1 分位數與次序統計量
7.4.2 分位數回歸
7.5 極值理論
7.5.1 極值理論的回顧
7.5.2 經驗估計
7.5.3 對股票收益率的應用
7.6 VaR的極值方法
7.6.1 討論
7.6.2 多期VaR
7.6.3 收益率水平
7.7 基于極值理論的一個新方法
7.7.1 統計理論
7.7.2 超額均值函數
7.7.3 極值建模的一個新方法
7.7.4 基于新方法的VaR計算
7.7.5 參數化的其他方法
7.7.6 解釋變量的使用
7.7.7 模型檢驗
7.7.8 說明
7.8 極值指數
7.8.1 D(un)條件
7.8.2 極值指數的估計
7.8.3 平穩時間序列的風險值
練習題
參考文獻
第8章 多元時間序列分析及其應用
8.1 弱平穩與交叉{相關矩陣
8.1.1 交叉{相關矩陣
8.1.2 線性相依性
8.1.3 樣本交叉{相關矩陣
8.1.4 多元混成檢驗
8.2 向量自回歸模型
8.2.1 簡化形式和結構形式
8.2.2 VAR(1)模型的平穩性條件和矩
8.2.3 向量AR(p)模型
8.2.4 建立一個VAR(p)模型
8.2.5 脈沖響應函數
8.3 向量滑動平均模型
8.4 向量ARMA模型
8.5 單位根非平穩性與協整
8.6 協整VAR模型
8.6.1 確定性函數的具體化
8.6.2 最大似然估計
8.6.3 協整檢驗
8.6.4 協整VAR模型的預測
8.6.5 例子
8.7 門限協整與套利
8.7.1 多元門限模型
8.7.2 數據
8.7.3 估計
8.8 配對交易
8.8.1 理論框架
8.8.2 交易策略
8.8.3 簡單例子
附錄A 向量與矩陣的回顧
附錄B 多元正態分布
附錄C 一些SCA命令
練習題
參考文獻
第9章 主成分分析和因子模型
9.1 因子模型
9.2 宏觀經濟因子模型
9.2.1 單因子模型
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理論
9.4.2 經驗的PCA
9.5 統計因子分析
9.5.1 估計
9.5.2 因子旋轉
9.5.3 應用
9.6 漸近主成分分析
9.6.1 因子個數的選擇
9.6.2 例子
練習題
參考文獻
第10章 多元波動率模型及其應用
10.1 指數加權估計
10.2 多元GARCH模型
10.2.1 對角VEC模型
10.2.2 BEKK模型
10.3 重新參數化
10.3.1 相關系數的應用
10.3.2 Cholesky分解
10.4 二元收益率的GARCH模型
10.4.1 常相關模型
10.4.2 時變相關模型
10.4.3 動態相關模型
10.5 更高維的波動率模型
10.6 因子波動率模型
10.7 應用
10.8 多元t分布
附錄對估計的一些注釋
練習題
參考文獻
第11章 狀態空間模型和卡爾曼濾波
11.1 局部趨勢模型
11.1.1 統計推斷
11.1.2 卡爾曼濾波
11.1.3 預測誤差的性質
11.1.4 狀態平滑
11.1.5 缺失值
11.1.6 初始化效應
11.1.7 估計
11.1.8 所用的S-Plus命令
11.2 線性狀態空間模型
11.3 模型轉換
11.3.1 帶時變系數的CAPM
11.3.2 ARMA模型
11.3.3 線性回歸模型
11.3.4 帶ARMA誤差的線性回歸模型
11.3.5 純量不可觀測項模型
11.4 卡爾曼濾波和平滑
11.4.1 卡爾曼濾波
11.4.2 狀態估計誤差和預測誤差
11.4.3 狀態平滑
11.4.4 擾動平滑
11.5 缺失值
11.6 預測
11.7 應用
練習題
參考文獻
第12章 馬爾可夫鏈蒙特卡羅方法及其應用
12.1 馬爾可夫鏈模擬
12.2 Gibbs抽樣
12.3 貝葉斯推斷
12.3.1 后驗分布
12.3.2 共軛先驗分布
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抽樣
12.5 帶時間序列誤差的線性回歸
12.6 缺失值和異常值
12.6.1 缺失值
12.6.2 異常值的識別
12.7 隨機波動率模型
12.7.1 一元模型的估計
12.7.2 多元隨機波動率模型
12.8 估計隨機波動率模型的新方法
12.9 馬爾可夫轉換模型
12.10 預測
12.11 其他應用
練習題
參考文獻
索引