(赠品)金融时间序列分析(第3版)

2.4.3　　拟合优度　　46
2.4.4　　预测　　47
2.5　　简单滑动平均模型　　50
2.5.1　　MA模型的性质　　51
2.5.2　　识别MA的阶　　52
2.5.3　　估计　　53
2.5.4　　用MA模型预测　　54
2.6　　简单的ARMA模型　　55
2.6.1　　ARMA(1,1)模型的性质　　56
2.6.2　　一般的ARMA模型　　57
2.6.3　　识别ARMA模型　　58
2.6.4　　用ARMA模型进行预测　　60
2.6.5　　ARMA模型的三种表示　　60
2.7　　单位根非平稳性　　62
2.7.1　　随机游动　　62
2.7.2　　带漂移的随机游动　　64
2.7.3　　带趋势项的时间序列　　65
2.7.4　　一般的单位根非平稳模型　　66
2.7.5　　单位根检验　　66
2.8　　季节模型　　71
2.8.1　　季节性差分化　　72
2.8.2　　多重季节性模型　　73
2.9　　带时间序列误差的回归模型　　78
2.10　　协方差矩阵的相合估计　　85
2.11　　长记忆模型　　88
附录　　一些SCA　　的命令　　90
练习题　　90
参考文献　　92
第3章　　条件异方差模型　　94
3.1　　波动率的特征　　95
3.2　　模型的结构　　95
3.3　　建模　　97
3.4　　ARCH模型　　99
3.4.1　　ARCH模型的性质　　100
3.4.2　　ARCH模型的缺点　　102
3.4.3　　ARCH模型的建立　　102
3.4.4　　一些例子　　106
3.5　　GARCH模型　　113
3.5.1　　实例说明　　115
3.5.2　　预测的评估　　120
3.5.3　　两步估计方法　　121
3.6　　求和GARCH模型　　121
3.7　　GARCH-M模型　　122
3.8　　指数GARCH模型　　123
3.8.1　　模型的另一种形式　　125
3.8.2　　实例说明　　125
3.8.3　　另一个例子　　126
3.8.4　　用EGARCH模型进行预测　　128
3.9　　门限GARCH模型　　129
3.10　　CHARMA模型　　130
3.11　　随机系数的自回归模型　　132
3.12　　随机波动率模型　　133
3.13　　长记忆随机波动率模型　　133
3.14　　应用　　135
3.15　　其他方法　　138
3.15.1　　高频数据的应用　　138
3.15.2　　日开盘价、最高价、最低价和收盘价的应用　　141
3.16　　GARCH模型的峰度　　143
附录　　波动率模型估计中的一些RATS　　程序　　144
练习题　　146
参考文献　　148
第4章　　非线性模型及其应用　　151
4.1　　非线性模型　　152
4.1.1　　双线性模型　　153
4.1.2　　门限自回归模型　　154
4.1.3　　平滑转移AR(STAR)模型　　158
4.1.4　　马尔可夫转换模型　　160
4.1.5　　非参数方法　　162
4.1.6　　函数系数AR　　模型　　170
4.1.7　　非线性可加AR　　模型　　170
4.1.8　　非线性状态空间模型　　171
4.1.9　　神经网络　　171
4.2　　非线性检验　　176
4.2.1　　非参数检验　　176
4.2.2　　参数检验　　179
4.2.3　　应用　　182
4.3　　建模　　183
4.4　　预测　　184
4.4.1　　参数自助法　　184
4.4.2　　预测的评估　　184
4.5　　应用　　186
附录A　　一些关于非线性波动率模型的RATS　　程序　　190
附录B　　神经网络的S-Plus　　命令　　191
练习题　　191
参考文献　　193
第5章　　高频数据分析与市场微观结构　　196
5.1　　非同步交易　　196
5.2　　买卖报价差　　200
5.3　　交易数据的经验特征　　201
5.4　　价格变化模型　　207
5.4.1　　顺序概率值模型　　207
5.4.2　　分解模型　　210
5.5　　持续期模型　　214
5.5.1　　ACD模型　　216
5.5.2　　模拟　　218
5.5.3　　估计　　219
5.6　　非线性持续期模型　　224
5.7　　价格变化和持续期的二元模型　　225
5.8　　应用　　229
附录A　　一些概率分布的回顾　　234
附录B　　危险率函数　　237
附录C　　对持续期模型的一些RATS
程序　　238
练习题　　239
参考文献　　241
第6章　　连续时间模型及其应用　　243
6.1　　期权　　244
6.2　　一些连续时间的随机过程　　244
6.2.1　　维纳过程　　244
6.2.2　　广义维纳过程　　246
6.2.3　　伊藤过程　　247
6.3　　伊藤引理　　247
6.3.1　　微分回顾　　247
6.3.2　　随机微分　　248
6.3.3　　一个应用　　249
6.3.4　　1和?的估计　　250
6.4　　股票价格与对数收益率的分布　　251
6.5　　B-S微分方程的推导　　253
6.6　　B-S定价公式　　254
6.6.1　　风险中性世界　　254
6.6.2　　公式　　255
6.6.3　　欧式期权的下界　　257
6.6.4　　讨论　　258
6.7　　伊藤引理的扩展　　261
6.8　　随机积分　　262
6.9　　跳跃扩散模型　　263
6.10　　连续时间模型的估计　　269
附录A　　B-S　　公式积分　　270
附录B　　标准正态概率的近似　　271
练习题　　271
参考文献　　272
第7章　　极值理论、分位数估计与风险值　　274
7.1　　风险值　　275
7.2　　风险度量制　　276
7.2.1　　讨论　　279
7.2.2　　多个头寸　　279
7.2.3　　预期损失　　280
7.3　　VaR　　计算的计量经济方法　　280
7.3.1　　多个周期　　283
7.3.2　　在条件正态分布下的预期损失　　285
7.4　　分位数估计　　285
7.4.1　　分位数与次序统计量　　285
7.4.2　　分位数回归　　287
7.5　　极值理论　　288
7.5.1　　极值理论的回顾　　288
7.5.2　　经验估计　　290
7.5.3　　对股票收益率的应用　　293
7.6　　VaR　　的极值方法　　297
7.6.1　　讨论　　300
7.6.2　　多期VaR　　301
7.6.3　　收益率水平　　302
7.7　　基于极值理论的一个新方法　　302
7.7.1　　统计理论　　303
7.7.2　　超额均值函数　　305
7.7.3　　极值建模的一个新方法　　306
7.7.4　　基于新方法的VaR计算　　308
7.7.5　　参数化的其他方法　　309
7.7.6　　解释变量的使用　　312
7.7.7　　模型检验　　313
7.7.8　　说明　　314
7.8　　极值指数　　318
7.8.1　　D(un)条件　　319
7.8.2　　极值指数的估计　　321
7.8.3　　平稳时间序列的风险值　　323
练习题　　324
参考文献　　326
第8章　　多元时间序列分析及其应用　　328
8.1　　弱平稳与交叉{相关矩阵　　328
8.1.1　　交叉{相关矩阵　　329
8.1.2　　线性相依性　　330
8.1.3　　样本交叉{相关矩阵　　331
8.1.4　　多元混成检验　　335
8.2　　向量自回归模型　　336
8.2.1　　简化形式和结构形式　　337
8.2.2　　VAR(1)模型的平稳性条件和矩　　339
8.2.3　　向量AR(p)模型　　340
8.2.4　　建立一个VAR(p)模型　　342
8.2.5　　脉冲响应函数　　349
8.3　　向量滑动平均模型　　354
8.4　　向量ARMA模型　　357
8.5　　单位根非平稳性与协整　　362
8.6　　协整VAR模型　　366
8.6.1　　确定性函数的具体化　　368
8.6.2　　最大似然估计　　368
8.6.3　　协整检验　　369
8.6.4　　协整VAR模型的预测　　370
8.6.5　　例子　　370
8.7　　门限协整与套利　　375
8.7.1　　多元门限模型　　376
8.7.2　　数据　　377
8.7.3　　估计　　377
8.8　　配对交易　　379
8.8.1　　理论框架　　379
8.8.2　　交易策略　　380
8.8.3　　简单例子　　380
附录A　　向量与矩阵的回顾　　385
附录B　　多元正态分布　　389
附录C　　一些SCA命令　　390
练习题　　391
参考文献　　393
第9章　　主成分分析和因子模型　　395
9.1　　因子模型　　395
9.2　　宏观经济因子模型　　397
9.2.1　　单因子模型　　397
9.2.2　　多因子模型　　401
9.3　　基本面因子模型　　403
9.3.1　　BARRA因子模型　　403
9.3.2　　Fama-French方法　　408
9.4　　主成分分析　　408
9.4.1　　PCA理论　　408
9.4.2　　经验的PCA　　410
9.5　　统计因子分析　　413
9.5.1　　估计　　414
9.5.2　　因子旋转　　415
9.5.3　　应用　　416
9.6　　渐近主成分分析　　420
9.6.1　　因子个数的选择　　421
9.6.2　　例子　　422
练习题　　424
参考文献　　425
第10章　　多元波动率模型及其应用　　426
10.1　　指数加权估计　　427
10.2　　多元GARCH模型　　429
10.2.1　　对角VEC模型　　430
10.2.2　　BEKK模型　　432
10.3　　重新参数化　　435
10.3.1　　相关系数的应用　　435
10.3.2　　Cholesky　　分解　　436
10.4　　二元收益率的GARCH模型　　439
10.4.1　　常相关模型　　439
10.4.2　　时变相关模型　　442
10.4.3　　动态相关模型　　446
10.5　　更高维的波动率模型　　452
10.6　　因子波动率模型　　457
10.7　　应用　　459
10.8　　多元t　　分布　　461
附录对估计的一些注释　　462
练习题　　466
参考文献　　467
第11章　　状态空间模型和卡尔曼滤波　　469
11.1　　局部趋势模型　　469
11.1.1　　统计推断　　472
11.1.2　　卡尔曼滤波　　473
11.1.3　　预测误差的性质　　475
11.1.4　　状态平滑　　476
11.1.5　　缺失值　　480
11.1.6　　初始化效应　　480
11.1.7　　估计　　481
11.1.8　　所用的S-Plus命令　　482
11.2　　线性状态空间模型　　485
11.3　　模型转换　　486
11.3.1　　带时变系数的CAPM　　487
11.3.2　　ARMA模型　　489
11.3.3　　线性回归模型　　495
11.3.4　　带ARMA误差的线性回归模型　　496
11.3.5　　纯量不可观测项模型　　497
11.4　　卡尔曼滤波和平滑　　499
11.4.1　　卡尔曼滤波　　499
11.4.2　　状态估计误差和预测误差　　501
11.4.3　　状态平滑　　502
11.4.4　　扰动平滑　　504
11.5　　缺失值　　506
11.6　　预测　　507
11.7　　应用　　508
练习题　　515
参考文献　　516
第12章　　马尔可夫链蒙特卡罗方法及其应用　　517
12.1　　马尔可夫链模拟　　517
12.2　　Gibbs抽样　　518
12.3　　贝叶斯推断　　520
12.3.1　　后验分布　　520
12.3.2　　共轭先验分布　　521
12.4　　其他算法　　524
12.4.1　　Metropolis算法　　524
12.4.2　　Metropolis-Hasting算法　　525
12.4.3　　格子Gibbs抽样　　525
12.5　　带时间序列误差的线性回归　　526
12.6　　缺失值和异常值　　530
12.6.1　　缺失值　　531
12.6.2　　异常值的识别　　532
12.7　　随机波动率模型　　537
12.7.1　　一元模型的估计　　537
12.7.2　　多元随机波动率模型　　542
12.8　　估计随机波动率模型的新方法　　549
12.9　　马尔可夫转换模型　　556
12.10　　预测　　563
12.11　　其他应用　　564
练习题　　564
参考文献　　565
索引　　568　　

.　　第1 版前言
　　本书来源于自1999 年以来我在芝加哥大学商学院所教的MBA(工商管理硕士) 金融时间列分析课程. 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素材. 这是一本引论性质的书, 旨在对金融计量经济模型及其在金融时间序列数据的建模和预测中的应用进行综合与系统的阐述. 本书的目的是使读者了解金融数据的基本特征、理解金融计量经济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经济学感兴趣的高年级本科生和研究生. 同时, 它也可作为商业、金融、保险领域中要进行风险值(VaR, Value at Risk) 计算、波动率(volatility) 建模和对具有序列相关性的数据进行分析等工作的研究人员和业内人士的参考书.
　　对计量经济学和统计学文献中的金融计量方法的最新进展进行概述是本书的突出特点. 这些进展包括当前的研究热点, 如风险值、高频数据分析和马尔可夫链蒙特卡罗方法等. 特别地, 本书包含了一些在学术杂志上尚未发表的最新研究成果,可参阅第6 章中关于使用封闭形式的跳跃扩散方程来进行衍生产品的定价, 第7章中基于非齐次二维泊松(Poisson) 过程的极值理论计算风险值, 以及第9 章中带时变相关系数的多元波动率模型等. 本书之所以介绍MCMC 方法, 是因为这类方法在金融计量经济学中是强有力的工具, 并且对其有大量的应用.
　　强调实例和数据分析是本书的另一个突出特点. 全书采用实际金融数据来说明所讨论模型和方法的应用. 我们的分析用到了多种计算机软件：线性时间序列的建模用SCA(Scientiˉc Computing Associates, 科学计算助手); 估计波动率模型用RATS(Regression Analysis for Time Series, 时间序列的回归分析); 实现神经网络和绘制PS 格式的图形用S-Plus. 运行这些软件包所需的一些命令将在相应各章后的附录中给出. 特别地, 用来估计多元波动率模型的复杂的RATS 程序在第9 章的附录A 中给出. 其中有些我和其他人编的Fortran 程序可用来对简单的期权定价、估计极值模型、计算风险值和进行贝叶斯(Bayesian) 分析. 一些数据和程序可以在万维网上获得, 网址为http://www.gsb.uchicago.edu/fac/ruey.tsay/teaching/fts.本书第1 章描述了金融时间序列数据的一些基本特征. 其他各章分为三个部分：第一部分由第2 章至第7 章组成, 讨论一维金融时间序列的分析及应用; 第二部分包括第8 章和第9 章, 是关于多项资产收益率序列的; 最后一部分是第10 章,介绍用MCMC 方法进行金融中的贝叶斯推断.完全读懂本书需要具备基本统计学的概念和知识. 在每章中, 当一个必要的统计学概念第一次出现时, 我都给出了一个简短的回顾. 即使如此, 统计学或商业统计学的必备知识, 包括概率分布、线性回归分析, 还是竭力推荐的. 金融知识对理解书中所讨论的应用是很有帮助的. 然而, 对具有很好的计量经济学和统计学背景的读者来说, 也会在本书中发现多方面有趣的主题和带挑战性的问题.作为MBA 的课程, 第2 章和第3 章是核心内容, 另外还可加入一些非线性方法的内容(如第4 章的神经网络及第5?7 章和第10 章中讨论的应用). 对贝叶斯推断感兴趣的读者可以从第10 章的前5 节开始阅读.金融时间序列分析的研究发展迅速, 新成果不断出现. 虽然我已经力图覆盖尽可能广的内容, 但仍有许多主题没有涉及或只是一带而过.我真诚地感谢我的老师和亲密的朋友George C. Tiao, 是他在这些年中给了我指导和鼓励, 让我有了对统计应用的坚定信念. 感谢Steve Quigley, Heather Haselk-orn, Leslie Galen, Danielle LaCourciere 和Amy Hendrickson, 没有他们的帮助这本书是不可能出版的. 感谢Richard Smith 送给我极值理论的估计程序. 感谢Bonnie. Ray 对本书的几个章节都给出了非常有益的建议. 感谢Steve Kou 送给我他的关于跳跃扩散模型论文的预印本. 感谢Robert E. McCulloch 许多年来在MCMC方法上的合作. 感谢选修我的金融时间序列分析课程的许多学生的反馈和投入. 感谢Je?rey Russell 和Michael Zhang 关于高频金融数据的深入讨论. 同时, 也感谢芝加哥大学商学院和美国国家科学基金的支持. 最后, 对我的妻子Teresa 的一贯支持、鼓励和理解, 对Julie, Richard 和Vicki 给我带来的快乐和灵感以及对我的父母亲给我的关爱, 表示我最衷心的谢意.
　　蔡瑞胸(Ruey S. Tsay)
　　芝加哥大学
　　第2 版前言
　　近年来金融时间序列这个研究领域已经引起了人们广泛的关注, 尤其是当2003年Robert Engle 教授和Clive Granger 教授获得诺贝尔经济学奖之后. 与此同时,金融计量经济学领域也有了新的发展, 尤其是在高频金融、随机波动率以及可用性软件方面. 于是我们需要为高年级本科生、研究生、技术人员以及研究人员提供一套更为完善易懂的素材. 在准备第2 版时我们的主要目的是在新的发展和实证分析方面进行更新, 并且扩大这本书的核心素材, 将异方差和序列相关存在时的相合协方差估计、波动率建模的备选方法、金融因子模型、状态空间模型、卡尔曼滤波以及随机扩散模型的估计也包含了进来.
　　因此本书扩展到了12 章, 而且本书另一个重要的修改是包含了S-Plus 命令和说明. 本版同时更新了许多实证例子和练习, 使其包含了最近的数据.新增的两章是第9 章主成分分析及因子模型, 与第11 章状态空间模型和卡尔曼滤波. 本书所讨论的因子模型包含了宏观经济因子模型、基本面的因子模型和统计因子模型. 对于分析像组合收益这样的高维金融数据, 这些模型是简单而有力的工具. 为说明其应用, 本书给出了实证的例子. 新增的状态空间模型和卡尔曼滤波是为了阐明其在金融中的应用以及容易计算的特点. 第12 章中, 在一般马尔可夫链蒙特卡罗(MCMC) 框架下, 状态空间模型和卡尔曼滤波可用来估计随机波动率
　　模型. 该估计还用到了向前滤波和向后抽样的方法以增加计算效率.下面我们对第2 版新增的内容给出一个简要概括.
　　(1) 更新了全书所用的数据.
　　(2) 给出了S-Plus 命令和演示.
　　(3) 第2 章考虑了单位根检验以及存在异方差和序列相关时协方差矩阵的相
　　合估计方法.
　　(4) 第3 章描述了波动率建模的备选方法, 包括应用高频交易数据以及一项资
　　产的日最高价和日最低价.
　　(5) 第4 章给出了非线性模型和方法的更多应用.
　　(6) 第7 章引入了更多风险值的概念和应用.
　　(7) 第8 章讨论了协整向量自回归模型.
　　(8) 第10 章涵盖了各种多元波动率模型.
　　(9) 第12 章中增加了有效的MCMC 方法来估计随机波动率模型.
　　本次修改主要得益于同事、朋友以及许多第1 版读者们富有建设性的意见. 我对他们表示由衷的感谢. 特别感谢J. C. Artigas, Spencer Graves, Chung-Ming Kuan,Henry Lin, Daniel Pe~na, Je? Russell, Michael Steele, George Tiao, Mark Wohar, EricZivot 以及我的MBA 班上学习金融时间序列的学生们, 感谢他们的建议和讨论, 同时要特别感谢John Wiley 的生产编辑Rosalyn Farkas. 在此我也要感谢我的妻子和孩子, 他们给了我无条件的支持和鼓励. 值得一提的是, 我在金融计量经济方面的部分研究受到美国国家自然科学基金、(中国台湾)“中央研究院”经济研究所高频金融项目以及芝加哥大学商学院的支持.最后, 该书的网址是gsbwww.uchicago.edu/fac/ruey.tsay/teaching/fts2.
　　蔡瑞胸(Ruey S. Tsay)
　　芝加哥大学_