具体描述
本书是金融时间序列分析领域不可多得的上乘之作，第1版面世后即成为该领域最具影响力的作品。作者在全面阐述金融时间序列分析理论知识的同时，还系统地介绍了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。第3版使用能够免费得到的R软件包，可以对金融数据进行实证分析，也可以使用现实的例子对相关计算和分析进行说明。本书还对金融计量经济学的最新进展进行了深入分析，例如实现波动率、条件风险值、统计套利及持续期和动态相关模型的应用。
第3版新增加的内容还包括以下几方面。
在高频数据分析和市场微观结构的所有讨论中，都使用了非线性持续期模型。
新增加了一些非线性模型和方法的应用。
更新了多元时间序列分析，分析了协整应用到配对交易分析的实用性。
使用损失函数这个新的统一的方法分析风险值。
在相依数据的极值、分位数和风险值的研究中，引入了极值指数。
作者简介
Ruey S. Tsay（蔡瑞胸） 美国芝加哥大学布斯商学院经济计量学和统计学的H.G.B. Alexander 讲席教授。1982年于美国威斯康星大学麦迪逊分校获得统计学博士学位。中国台湾“中央研究院”院士，美国统计协会、数理统计学会及皇家统计学会的会士，Journal of Forecasting的联合主编，Journal of Financial Econometrics的副主编。曾任美国统计学会商务与经济统计分会主席、《商务与经济统计》期刊主编。在商务和经济预测、数据分析、风险管理和过程控制领域撰写并发表了论文100多篇。他也是A Course in Time Series Analysis的合著者。
王远林毕业于东北财经大学数学与数量经济学院, 获经济学博士学位. 现任东北财经大学数学与数量经济学院副教授, 硕士研究生导师.
主要研究方向：数理金融和金融计量经济学.
潘家柱曾任北京大学金融数学系副教授、教授和博士生导师, 并在伦敦经济学院(LSE) 从事过两年的研究工作, 现在英国斯特拉思克莱德大学任教. 2002 年,与程士宏教授等人一起获得教育部提名国家科学技术奖自然科学奖二等奖. 2008年, 担任第7 届世界概率统计大会时间序列分组的主持人. 研究工作受到英国爱丁堡皇家学会和中国国家自然科学基金委员会的基金资助.
主要研究方向：时间序列分析、金融计量经济学和风险管理.
王辉毕业于北京大学数学科学学院概率统计系, 获博士学位. 现任教于中央财经大学金融学院金融工程系.
主要研究方向：时间序列分析和金融计量经济学.
目录信息
第1章 金融时间序列及其特征 1
1.1 资产收益率 2
1.2 收益率的分布性质 6
1.2.1 统计分布及其矩的回顾 6
1.2.2 收益率的分布 13
1.2.3 多元收益率 16
1.2.4 收益率的似然函数 17
1.2.5 收益率的经验性质 17
1.3 其他过程 19
附录R 程序包 21
练习题 23
参考文献 24
第2章 线性时间序列分析及其应用 25
2.1 平稳性 25
2.2 相关系数和自相关函数 26
2.3 白噪声和线性时间序列 31
2.4 简单的自回归模型 32
2.4.1 AR模型的性质 33
2.4.2 实际中怎样识别AR模型 40
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
· · · · · · (收起)
读后感
内容还行，错误不少，中文版的网站和勘误表呢？英文的都已经找到了。中文版的呢？ 我觉得所有出版了之后没有勘误表的书都是不负责的书，是谓坏书。 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。...
刚拿到书，貌似好难啊。不如恩德斯的《应用时间序列分析》容易好看。 建议没有时间序列基础的同学，最好不要买。 而且不太明白为什么有人说它好简单。汗，看来自己的水平太低了。
这本书已经是第三版，它的知名度只要是学金融的应该都知道。这本书最大的优点在于行文直接明了并配以大量实例来展示各种计量方法的应用。当然，从另一个方面来说这也算一个缺点：遗漏了很多理论上的证明。不过，这本书本就是应用导向，把理论加上可能反倒失去了对大众而言的可...
研究生time series的课本。 这书覆盖的topic挺广的，算是百科全书类的吧，个人觉得不适合初学者用，有些东西写得太深。从前面的neural network进行数值计算参数(只谈论forward feeding 没谈back propagation)，到后来简单的Markov model（初学者要自己动手实现这个还是有点小...
内容还行，错误不少，中文版的网站和勘误表呢？英文的都已经找到了。中文版的呢？ 我觉得所有出版了之后没有勘误表的书都是不负责的书，是谓坏书。 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。...
用户评价
这本书的封面设计相当朴实，没有过多华丽的元素，但当我翻开第一页，一股严谨而深入的学术气息便扑面而来。我之所以对它产生兴趣，很大程度上是被书名中“金融时间序列分析”这几个字所吸引。作为一名在金融领域摸爬滚打多年的从业者，我深知数据分析的重要性，而时间序列数据更是金融市场跳动的脉搏，理解它们是洞察市场动态、做出明智投资决策的关键。我一直渴望找到一本能够系统性地梳理金融时间序列分析理论、方法和实践的书籍，尤其是能够结合实际案例，帮助我理解那些复杂的统计模型在金融场景下的应用。我希望这本书能为我揭示隐藏在市场波动背后的规律，让我不再仅仅是跟风者，而是能够运用科学的工具去预测和应对市场的变化。当然，我也希望它不仅仅局限于理论的阐述，而是能提供一些切实可行的操作指南，让我能够将学到的知识快速应用于实际工作中，例如在股票价格预测、风险管理、宏观经济指标分析等方面。这本书能否真正填补我在这方面的知识空白，是我最期待的。
我购买这本书，完全是被它在行业内的口碑所吸引。身边不少资深分析师和量化研究员都推荐过这本书，并称赞其内容的权威性和实用性。在我看来，金融市场是一个充满不确定性的动态系统，而时间序列分析正是揭示这种动态变化规律的有力武器。我希望这本书能够系统性地讲解如何构建和评估时间序列模型，如何处理金融数据中的常见问题，比如异方差、非平稳性、季节性等等。我特别关注书中是否会涉及一些高级的主题，例如状态空间模型、协整分析，或者是在宏观经济预测和资产定价中的应用。我希望这本书能够提供一种结构化的学习路径，让我能够循序渐进地掌握这些复杂的技术。同时，我也期待书中能够包含一些关于模型选择、诊断和优化的建议，以及如何解释模型结果并将其转化为可操作的投资策略。作为一名对前沿金融技术充满兴趣的读者，我对这本书寄予厚望。
这本书的厚度在我的书架上算得上是“重量级”选手，从这一点就能看出其内容的深度和广度。我之所以选择它，是因为我一直对金融市场的数据之美充满好奇，那些看似杂乱无章的数字背后，究竟隐藏着怎样的逻辑和模式？尤其是在量化交易日益盛行的今天，掌握一套扎实的时间序列分析方法，无疑是进入这个领域不可或缺的基石。我希望这本书能够带领我从基础的概念出发，逐步深入到各种经典和前沿的分析模型，例如ARIMA、GARCH及其各种变种，以及更复杂的非线性模型。我非常期待书中能够详细介绍这些模型的数学原理，并且通过清晰的图表和公式来解释它们的内在机制。更重要的是，我希望这本书能够提供丰富的实操案例，用真实的市场数据来验证模型的有效性，并指导读者如何使用现有的统计软件（如R、Python）来实现这些分析。如果书中还能探讨一些机器学习在时间序列分析中的应用，那将是锦上添花了。
一直以来，我都在寻找一本能够帮助我深入理解金融市场背后运行机制的书籍，而“金融时间序列分析”这个主题恰好触及了我的核心需求。我希望这本书能够带领我走进数据驱动的金融世界，从微观的股票价格波动，到宏观的经济周期变化，都能够找到量化的分析工具。我期待书中能够详细介绍各种时间序列模型的建立过程，包括数据预处理、模型识别、参数估计以及模型诊断等关键步骤。我特别希望能看到书中对各种模型的优缺点进行深入的比较分析，并指导读者根据不同的金融场景选择最合适的模型。我期望这本书不仅仅是理论的堆砌，而是能够提供丰富的实践指导，例如如何利用Python或R语言实现模型，以及如何对模型的预测结果进行解释和应用。如果书中还能探讨一些与风险管理、投资组合优化相关的模型，那将更能满足我的实际需求。
当我第一次看到这本书的名字时，脑海中立刻浮现出复杂的统计图表和令人费解的数学公式。我之所以会入手这本书，是源于我对于金融市场复杂性的深刻体会，以及渴望用更科学、更系统的方法去理解和预测它。我希望这本书能够为我打开一扇通往量化金融分析的大门，让我能够掌握构建和运用时间序列模型的核心技术。我期待书中能够详细阐述时间序列分析的基本原理，例如平稳性、自相关性、偏自相关性等概念，并循序渐进地介绍AR、MA、ARMA、ARIMA等经典模型。更重要的是，我希望书中能够深入探讨金融领域特有的时间序列模型，例如能够捕捉金融市场波动性的GARCH族模型，以及处理非平稳数据的协整模型。我希望能看到书中提供丰富的案例分析，用真实的市场数据来演示模型的应用，并给出如何在实践中进行模型选择、诊断和优化的指导。
读起来也太不友好了吧，完全就是平铺直叙，第一章上来就是各种公式，看完一章啥也没看懂
呵呵完全看不懂
科普读物，做教材讲得不够深不够清楚。 @2018-12-07 19:49:43 @2020-02-07 01:15:27 @2018-12-07 19:49:43
科普读物，做教材讲得不够深不够清楚。 @2018-12-07 19:49:43 @2020-02-07 01:15:27
教材，真正学的只有前五章，而且模型这种东西不复习不运用很容易生疏
