Non-Linear Time Series Models in Empirical Finance

出版者:Cambridge University Press

作者:Philip Hans Franses

页数:298

出版时间:2000-7-27

价格:GBP 43.99

装帧:Paperback

isbn号码:9780521779654

具体描述

Although many of the models commonly used in empirical finance are linear, the nature of financial data suggests that non-linear models are more appropriate for forecasting and accurately describing returns and volatility. The enormous number of non-linear time series models appropriate for modeling and forecasting economic time series models makes choosing the best model for a particular application daunting. This classroom-tested advanced undergraduate and graduate textbook, first published in 2000, provides a rigorous treatment of recently developed non-linear models, including regime-switching and artificial neural networks. The focus is on the potential applicability for describing and forecasting financial asset returns and their associated volatility. The models are analysed in detail and are not treated as 'black boxes'. Illustrated using a wide range of financial data, drawn from sources including the financial markets of Tokyo, London and Frankfurt.

用户评价

我花了整整一个周末的时间，沉浸在它关于状态空间模型（State Space Models）的章节里。说实话，一开始我对这类模型的直观理解总是有些模糊，尤其是在处理高频金融数据时，如何准确地识别出潜在的、不可观测的状态变量，一直是我的痛点。但这本书的讲解方式，简直是化繁为简的大师手笔。作者没有直接抛出复杂的矩阵方程，而是先用非常直观的经济学直觉来解释为什么要引入这种框架，然后才逐步引入卡尔曼滤波（Kalman Filtering）的迭代过程。更妙的是，它穿插了大量的实证案例分析——虽然是模拟数据，但其设计之精妙，完全模拟了真实市场中可能出现的“黑天鹅”事件对参数估计的影响。我发现，通过它提供的R语言代码片段，我竟然能更有效地调试我自己的量化策略中的模型设定。这本书对计算经济学和金融建模交叉领域的贡献，是毋庸置疑的，它真正实现了理论与实践之间的桥梁搭建。

让我印象最深的是关于分形市场假说（Fractal Market Hypothesis）与广义自回归条件异方差模型（GARCH）家族的对比分析。市面上很多教材往往将GARCH作为终点，但这本书却敢于挑战这一主流范式。作者用一种近乎辩论的口吻，详细阐述了为什么在某些时间尺度上，传统的GARCH模型可能无法充分捕捉到市场记忆效应的长期依赖性。它引入了例如长记忆过程（Long Memory Processes）和分数布朗运动（Fractional Brownian Motion）等更前沿的概念，并将这些模型在波动率预测上的表现进行了细致的横向比较。这种批判性思维的培养，对我这种需要不断优化预测模型的从业者来说，价值连城。我尤其欣赏它对模型选择标准的讨论，不仅仅是基于AIC或BIC这样的统计指标，还深入探讨了模型在面对市场结构性变化时的稳健性测试，这让评估一个模型的优劣不再是纯粹的数学游戏，而是一门关于“金融智慧”的艺术。

这本书的封面设计简直是艺术品，那种深邃的蓝色调配上复杂的数学符号排版，一眼就让人感觉到这是一部重量级著作。我是在一个金融技术研讨会上偶然看到有人拿着这本书的，当时我正在苦恼于如何用更先进的计量模型来捕捉市场波动的非对称性和持续性。我立刻下单买了。拿到手的时候，厚度就让人震撼，那种沉甸甸的质感，仿佛抓住了现代金融计量学的精髓。内页的纸张质量也非常好，印刷清晰锐利，即便是那些密集的公式推导，看起来也毫不费力。它不仅仅是一本教科书，更像是一件值得收藏的工具书。初翻时，我被它严谨的学术态度所折服，每一章的结构都安排得井井有条，从基础的自回归模型讲起，逐步深入到那些更具挑战性的复杂系统建模，那种层层递进的逻辑感，让人觉得作者对这个领域的理解是多么透彻和全面。这本书的整体氛围是那种老派的、对知识充满敬畏的学术精神的体现，让人立刻想沉下心来，进行一次深入的学习之旅。

坦白说，这本书的难度是毋庸置疑的，它绝非为金融市场的“入门小白”准备的快餐读物。我建议任何想深入研究它的读者，最好是已经对高等概率论和多元时间序列分析有扎实的背景。在我尝试复现其中关于高阶矩（Higher Moments）分析的部分时，我不得不频繁地查阅其他关于测度论的参考书。然而，正是这种挑战性，赋予了它极高的边际效用。它像一位严厉但公正的导师，不断地将我的知识边界向外推。它教会我的不是“如何使用”某个模型，而是“为什么”这个模型是当前最优的，以及在何种极端市场条件下它会失效。最终，这本书带给我的不仅仅是模型工具箱的扩充，更重要的是建立了一种系统性的、对金融数据持有怀疑态度的分析框架，这是任何简单的“招式”都无法替代的宝贵财富。

这本书的排版和图表制作水平，绝对是业界顶尖。我注意到，许多关键的数学推导，作者都精心使用了不同的字体和符号样式来区分变量和算子，这在阅读那些涉及随机微积分和伊藤积分的章节时，极大地降低了出错的概率。举个例子，在讲解随机波动率模型（Stochastic Volatility Models）时，它不是简单地罗列公式，而是通过一系列精心设计的图表，直观地展示了观测到的资产收益序列（例如历史波动率）是如何被潜在的、未观测的“效率因子”所驱动的。这些图表的美观和信息密度达到了完美的平衡，我甚至将其中几张关于波动率集群现象的示意图打印出来，贴在了我的工作区墙上，作为时刻提醒自己数据内在结构的视觉锚点。这种对细节的极致追求，体现了作者对读者学习体验的深切关怀。