金融時間序列分析

譯者序
前言
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
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 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 一般的單位根非平穩模型
2.7.4 單位根檢驗
2.8 季節模型
2.8.1 季節性差分
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 長記憶模型
附錄A 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 ARCIt模型
3.3.1 ARCH模型的性質
3.3.2 ARCH模型的缺點
3.3.3 ARCH模型的建立
3.3.4 例子
3.4 GARCH模型
3.4.1 一個例子
3.4.2 預測的評價
3.5 求和GARCH模型
3.6 GARCH—M模型
3.7 指數GARCH模型
3.7.1 實例說明
3.7.2 另一個例子
3.7.3 用EGARCH模型預測
3.8 CHARMA模型
3.9 隨機系數的自回歸模型
3.10 隨機波動率模型
3.11 長記憶隨機波動率模型
3.12 另一種方法
3.13 應用
3.14 GARCH模型的峰度
附錄A 估計波動率模型的一些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 買報報價差
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
附錄A 一些概率分布的回顧
附錄B 危險率函數
附錄C 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 一般的維納過程
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 u和σ的估計
6.4 股票價格與對數收益率的分布
6.5 Black-Scholes微分方程的推導
6.6 Black-Scholes定價公式
6.6.1 風險中性世界
6.6.2 公式
6.6.3 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VaR
7.1 VaR
7.2 風險度量制
7.2.1 討論
7.2.2 多個頭寸
7.3 VaR計算的經濟計量方法
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 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 空頭頭寸的VaR
7.7 基于極值理論的一個新方法
7.7.1 統計理論
7.7.2 一個新方法
7.7.3 基于新方法的VaR計算
7.7.4 解釋變量的使用
7.7.5 模型檢驗
7.7.6 解釋
練習題
參考文獻
第8章 多元時間序列分析及其應用
8.1 弱平衡與交叉相關矩陣
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 VAR（1）模型的平衡性條件和矩
8.2.2 向量AR（p）模型
8.2.3 建立一個VAR（p）模型
8.3 向量滑動平均模型
8.4 向量ARMA模型
8.5 單位根非平衡性與協整
8.6 門陰協整與套利
8.6.1 多元門限模型
8.6.2 數據
8.6.3 估計
8.7 主成分分析
8.7.1 PCA理論
8.7.2 經驗的PCA
8.8 因子分析
8.8.1 估計
8.8.2 因子旋轉
8.8.3 應用
附錄A 向量與矩陣的回顧
附錄B 多元正態分布
練習題
參考文獻
第9章 多元波動率模型及其應用
9.1 重新參數化
9.1.1 相關系數的應用
9.1.2 楚列斯基分解
9.2 二元收益率的GARCH模型
9.2.1 常相關模型
9.2.2 時變相關模型
9.3 更高維的波動率模型
9.4 因子波動率模型
9.5 應用
9.6 多元t分布
附錄A 對估計的一些注釋
練習題
參考文獻
第10章 馬爾可夫鏈蒙特卡羅方法的應用
10.1 馬爾可夫鏈模擬
10.2 吉布斯抽樣
10.3 貝葉斯推斷
10.3.1 後驗分布
10.3.2 共軛先驗分布
10.4 其他算法
10.4.1 Metropolis算法
10.4.2 Metropoli-Hasting算法
10.4.3 格子吉布斯抽樣
10.5 帶時間序列誤差的線性回歸
10.6 缺失值和異常值
10.6.1 缺失值
10.6.2 異常值的識別
10.7 隨機波動率模型
10.7.1 一元模型的估計
10.7.2 多元隨機波動率模型
10.8 馬爾可夫轉換模型
10.9 預測
10.10 其他應用
練習題
參考文獻
索引

時間序列分析在理論和經驗上已成為金融市場研究的不可缺少的部分，時間序列分析方法已是金融定量分析的主流方法之一，近代計量經濟和金融市場的許多研究成果都建立在時間序列分析的基礎之上。Engle和Grange因為他們的時間序列模型在經濟金融中的廣泛應用而獲得2003年的諾貝爾經濟學獎，就是時間序列分析方法的重要性在世界上被廣泛認可的有力證明。

蔡瑞胸（Ruey S．Tsay）教授是美國芝加哥大學的計量經濟與統計學的H．G．B．亞歷山大（Alexander）教授。他在計量經濟學、統計學和金融市場的研究方面成果卓著。他的這本《金融時間序列分析》涵蓋了當前數理金融研究中最新的幾個重要方面︰風險值的計算、用顯式表示的跳躍擴散過程進行期權定階、高頻金融數據的分析、帶時變相關系數的多元波動率模型、馬爾可夫鏈蒙特卡羅（MCMC）方法等。本書從金融時間序列的基本特征出發，討論一元金融時間序列的分析和應用、多個資產的收益率以及金融模型的貝葉斯推斷等問題。全書都在利用實例和實際的金融數據，來說明所述模型和方法的應用，並附有計算程序，這是一本比較全面系統地介紹金融計量模型，及其在金融時間序列數據的建模和預測中的應用的好書，在國外已被廣泛引用。

譯者幾年來在北京大學金融數學系開設“金融時間序列分析”的課程，深知在課程中既做到理論和實際相結合又做到深入淺出的難度，蔡教授在本書中做到了理論與實際相結合，在敘述方式上深入淺出，而且結合了許多最新的金融計量學的研究成果和方法，本書對學習金融經濟學、統計學的本科生和研究生來說，是一本很好的教科書；對管理、金融方面的業內人士和研究人員是一本很好的參考書。我相信本書中譯本的出版對我國的金融計量學和統計學的教學、對現代金融計量方法在我國金融界的應用、對我國金融市場的量化研究工作都是有益的。

劉淑霞協助翻譯了第5~10章，王輝、郭沁苗、肖業英和李宛朋也參與了部分翻譯工作。沒有他們的幫助本書的翻譯工作是不可能完成的。對北京大學金融數學系的同事們的理解和支持，在此一並表示衷心的感謝。由于時間倉促，本人的精力和水平有限，翻譯的謬誤之處一定不少，望同行們和讀者們多多指正。

潘家柱
2005年12月