当前: 首页 - 图书专区 - 多元时间序列分析及金融应用:R语言
多元时间序列分析及金融应用:R语言


  在线购买
[美]蔡瑞胸(Ruey S.Tsay)著
978-7-111-54260-5
79.00
388
2016年08月05日
张茂军 李洪成 南江霞 译
数学 > 综合
John Wiley & Sons(USA)
604
简体中文
16
Multivariate Time Series Analysis: With R and Financial Applications
教材
华章数学译丛








全面阐述了多元时间序列分析金融领域的应用,并主要介绍了金融时间序列理论和方法的当前研究热点和一些最新研究成果,尤其是风险值计算、高频数据分析、随机波动率建模和马尔可夫链蒙特卡罗方法等方面。此外,本书还系统阐述了金融计量经济模型及其在金融时间序列数据和建模中的应用,所有模型和方法的运用均采用实际金融数据,并给出了所用计算机软件的命令。
本书由时间序列领域最有影响力和最著名的专家之一Ruey S. Tsay所著。本书通过对理论与方法之间的基本平衡,为读者提供了金融计量模型以及它们在现实世界实证研究中的丰富方法。
有别于传统的多元时间序列方法,本书通过强调结构的设定来得到简化的精简VARMA模型,侧重于读者的理解。本书使用免费R软件来探索复杂数据并展示相关的计算和分析。除了介绍多元线性时间序列的技巧和方法、平稳VAR模型、VARMA时间序列和模型、单位根过程、因子模型和因子增广VAR模型等内容外,本书还涵盖以下内容:
超过300个例子和练习加强当前讲述的内容。
用户友好的R程序和研究贯穿全书展示现代应用。
大量数据集和程序使读者可以更深刻地理解本书的内容。
蔡瑞胸(Ruey S.Tsay) 芝加哥大学布斯商学院计量经济学与统计学的H.G.B Alexande教授。Tsay教授在商业和经济预测、数据分析、风险管理、过程控制等领域中发表论文超过125篇。Tsay教授是《Analysis of Financial Time Series,Third Edition》和《An Introduction to Analysis of Financial Data with R》的作者,《A Course in Time Series Analysis》一书的共同作者。
本书是根据我过去30年中对多元时间序列分析的教学和研究经验编著而成。本书总结了多元时间序列数据的基本概念和思想,给出了用于描述变量间动态关系的计量经济模型和统计模型,讨论了模型太灵活时出现的可辨别性问题,介绍了寻找蕴藏在多维时间序列中简化结构的方法,强调了多元时间序列方法的适用性和局限性。最后,开发了一个R软件包,以方便读者应用本书所讨论的方法和模型。
多元时间序列分析为处理隐藏于具有时间和横截面相依性的多维度量中的信息提供有效的工具和方法。数据分析的目标在于更好地理解变量之间的动态关系以及提高预测的准确性。本书所涉及的模型可以用于策略模拟或者推理。由于线性模型易于理解且应用广泛,所以本书主要研究线性模型。本书努力对理论和应用进行平衡,并尽量让书中的记号一致。同时,也尽力使本书能自我包含。然而,由于这个学科本身的复杂性,所以书中选取主题的涵盖深度可能有所不同。一方面,这也代表了我个人的喜好和对这些主题的理解;另一方面,我也希望本书的篇幅在合理的范围之内。
当前,高维度数据分析领域,特别是相依数据,仍然在快速发展着。因此,此类书籍难免忽略一些重要的主题或者方法。例如,本书没有包括非线性模型的内容,也没有对分类数据时间序列(categorical time series)进行讨论。读者可以查看最新的文章或者杂志来获取该方面的相关文献。
本书首先在第1章给出了多元时间序列的一些基本概念,包括评估以及量化时间和横截面相依性。随着数据维度的增加,呈现多元数据的难度也明显增大。我尽力以精简的方式来进行呈现。在某些情况下,给出了标量汇总统计数据。第2章重点介绍向量自回归(VAR)模型,尽管有所争议,但它们是应用最为广泛的时间序列模型。本书的目的是尽力使这一章内容丰富,以飨对VAR模型感兴趣的读者。本章涵盖了分析VAR模型的贝叶斯方法和经典方法。第3章学习向量自回归移动平均(VARMA)模型。首先,介绍向量移动平均模型(VMA)的性质以及模型估计。随后,分析VARMA模型的识别,并介绍该模型的性质。第4章探索多元时间序列的结构设定。介绍探寻隐藏在向量时间序列中简化结构的两种方法。这两种方法可以让用户发现多元线性时间序列的框架(skeleton)。第5章介绍单位根非平稳性和协整关系。它包括理解单位根时间序列的基本理论和一些相关应用。第6章介绍因子模型和一些特选的多元时间序列主题。这里研究了经典因子模型与近似因子模型。本书的目标是涵盖目前文献中出现的所有因子模型并给出这些因子模型之间的关系。第7章主要介绍多元波动率模型。它涵盖了相对容易应用且产生正定波动率矩阵的波动率模型。本章还给出了检测向量时间序列的条件异方差性的方法和检验拟合多元波动率模型的方法。全书贯穿实际应用的例子来说明分析方法。每章中都给出了对实证向量时间序列分析的练习。
软件是多元时间序列分析必不可少的一部分。如果没有软件包,多元时间序列就成为纯理论的练习。本书尽我所能编写R程序包,以方便读者应用书中讨论的方法和模型。所有的程序都放在R语言的MTS添加包中。应用这个R添加包和其他已有的R包,读者可以重现书中的所有分析。我并不是一个专业的程序员,MTS添加包中的许多代码也许不是特别有效,它们或许有瑕疵,欢迎对本书R添加包或者其他内容的任何建议和改正。
Ruey STsay(蔡瑞胸)
伊利诺伊,芝加哥,2014年9月
译者序
前言
致谢
第1章多元线性时间序列
11 引言
12基本概念
121平稳性
122线性
123可逆性
13交叉协方差和相关矩阵
14样本CCM
15零交叉相关性的检验
16预测
17模型表示
18本书的结构
19软件
练习
参考文献
第2章平稳向量自回归时间序列
21引言
22VAR(1)模型
221模型结构和格兰杰因果关系
222传递函数模型的相关性
223平稳条件
224可逆性
225矩方程
226分量的隐含模型
227移动平均表达式
23VAR(2)模型
231平稳条件
232矩方程
233隐含的边际分量模型
234移动平均表达式
24VAR(p)模型
241一个VAR(1)表达式
242平稳条件
243矩方程
244隐含的分量模型
245移动平均表达式
25估计
251最小二乘方法
252极大似然估计
253LS估计的极限性质
254贝叶斯估计
26阶选择
261序列似然比检验
262信息准则
27模型检验
271残差交叉相关性
272多元混成统计
273模型简化
28线性约束
29预测
291给定模型的预测
292估计模型的预测
210脉冲响应函数
2101正交新息
211预测误差方差分解
212证明
练习
参考文献
第3章向量自回归移动平均时间序列
31向量MA模型
311VMA(1)模型
312VMA(q)模型的性质
32设定VMA 阶
33VMA模型的估计
331条件似然估计
332精确似然估计
333初始参数估计
34VMA模型预测
35VARMA模型
351可识别性
352VARMA(1,1)模型
353VARMA模型的一些性质
36VARMA模型的隐含关系
361格兰杰因果关系
362脉冲响应函数
37VARMA过程的线性变换
38VARMA过程的时间聚合
39VARMA模型的似然函数
391条件似然函数
392精确似然函数
393解释似然函数
394似然函数计算
310精确似然函数的新息方法
3101块Cholesky 分解
311极大似然估计的渐近分布
3111线性参数约束
312拟合VARMA模型的模型检验
313VARMA模型预测
3131预测更新
314初次阶识别
3141一致AR估计
3142扩展的交叉相关矩阵
3143汇总双向表
315VARMA模型的实证分析
3151个人收入与支出
3152房屋开工率和房贷利率
316附录
练习
参考文献
第4章VARMA模型的结构设定
41Kronecker 指数方法
411预测解释
412VARMA设定
413一个说明性的例子
414Echelon形式
415续例
42标量分量方法
421标量分量模型
422模型设定与标量分量模型
423冗余参数
424VARMA 模型设定
425变换矩阵
43阶数设定的统计量
431降秩检验
44求解Kronecker指数
441应用
45求解标量分量模型
451标量分量模型的含义
452可交换标量分量模型
453求解标量分量
454应用
46估计
461Kronecker指数方法的解释
462SCM方法的解释
47例子
471SCM方法
472Kronecker指数方法
473讨论和比较
48附录:典型相关分析
练习
参考文献
第5章单位根非平稳过程
51一元单位根过程
511动机
512平稳单位根
513AR(1)模型
514AR(p)模型
515MA(1)模型
516单位根检验
517例子
52多元单位根过程
521等价模型表示法
522单位根VAR过程
53伪回归
54多元变量指数平滑过程
55协整关系
551一个协整的例子
552协整性的一些说明
56误差修正模型
57协整向量的含义
571确定性项的含义
572移动平均表示法的含义
58协整向量的参数化
59协整检验
591VAR模型
592确定性项的设定
593似然比检验小结
594对VAR模型的协整检验
595案例
596VARMA模型的协整检验
510误差修正模型的估计
5101VAR模型
5102简化回归模型
5103VARMA模型
511应用
512讨论
513附录
练习
参考文献
第6章因子模型和其他问题
61季节模型
62主成分分析
63外生变量的运用
631VARX模型
632回归模型
64缺失值
641完全缺失
642部分缺失
65因子模型
651正交因子模型
652近似因子模型
653扩散指数模型
654动态因子模型
655约束因子模型
656渐近主成分分析
66分类和聚类分析
661聚类分析
662贝叶斯估计
663马尔科夫链蒙特卡洛法
练习
参考文献
第7章多元波动率模型
71条件异方差检验
711混成检验
712基于秩的检验
713模拟
714应用
72多元波动率模型估计
73波动率模型的诊断检验
731Ling和Li 统计量
732Tse统计量
74指数加权移动平均
75BEKK模型
751讨论
76Cholesky分解和波动率建模
761波动率建模
762应用
77动态条件相关模型
771建立DCC模型的过程
772例子
78正交变换
781GoGARCH模型
782动态正交分量
783DOC存在性检验
79基于Copula函数模型
791Copula函数
792高斯和tcopula函数
793多元波动率建模
710主波动成分
练习
参考文献
附录A数学与统计学
索引
时间序列分析是统计学相关专业的一门主干课程,同时也是实践中应用比较多的一项技术。目前大部分的时间序列分析教材以经典的一元时间序列为主,对多元时间序列的讨论较少。本书则是多元时间序列的一本专著,从多元时间序列的基础知识开始,详细讨论了向量自回归(VAR)模型、向量自回归移动平均(VARMA)模型、多元时间序列的结构设定、单位根非平稳和协整问题、因子模型以及多元波动率模型。本书作者Ruey S.Tsay是芝加哥大学商学院的H.G.B.Alexander教授,他出版的多部有关时间序列的书籍都受到了读者的欢迎。本书是他对过去30年中的多元时间序列分析教学和研究经验的总结。本书的引进,大大有益于读者对多元时间序列分析的学习和研究,实证研究者也会从中受益。
多元时间序列是结构比较复杂的数据,其理论较为难懂,符号表示复杂。本书应用大量的实际例子,通过开发一个R软件包来展示书中的方法,读者可以结合实际应用来学习本书所讨论的方法和模型。
本书的翻译得到了国家自然科学基金(项目编号71461005)和广西高校数据分析与计算重点实验室的资助。特别感谢桂林电子科技大学数学与计算科学学院的研究生王文华、卞琪、李婷婷、陆任智和聂骏程同学为翻译本书所做的出色工作。在本书的翻译过程中,得到了王春华编辑的大力支持和帮助。本书责任编辑盛思源老师具有丰富的经验,为本书的出版付出了大量的劳动。这里对她们的支持和帮助表示衷心的感谢。
由于时间和水平所限,难免会有不当之处,希望同行和读者多加指正。
数学
读者书评
发表评论



高级搜索
离散数学及其应用(原书第7版·本科教学版)
离散数学及其应用
液压元件


版权所有© 2017  北京华章图文信息有限公司 京ICP备08102525号 京公网安备110102004606号
通信地址:北京市百万庄南街1号 邮编:100037
电话:(010)68318309, 88378998 传真:(010)68311602, 68995260
高校教师服务
华章教育微信
诚聘英才
诚聘英才