经济计量学 pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:中国统计出版社

作者:李占风

出品人:

页数:386页

译者:

出版时间:2010年2月

价格:42.00元

装帧:平装

isbn号码:9787503759185

丛书系列:

图书标签:

经济计量学
计量经济学
统计学
经济学
回归分析
时间序列分析
面板数据
因果推断
模型
数据分析

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到本本书屋

onlinetoolsland.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

中南财经政法大学统计学系列教材之一

《金融市场中的统计分析与建模》引言本书旨在为读者提供一个深入理解现代金融市场运行机制的统计分析框架。在瞬息万变的金融世界中，准确的量化分析和严谨的统计建模是做出明智投资决策、管理风险以及制定有效策略的关键。本书将带领读者穿越复杂的金融数据海洋，掌握从中提取洞见、构建预测模型以及评估市场行为的强大工具。第一部分：金融数据基础与预处理在开始任何复杂的统计分析之前，我们必须对金融数据的本质有深刻的认识，并掌握有效处理这些数据的技术。第一章：金融时间序列数据的特性与获取 1.1 金融数据的多样性：介绍不同类型的金融数据，如股票价格、债券收益率、汇率、期货合约价格、期权价格、宏观经济指标等，并阐述它们各自的特点和信息含量。 1.2 时间序列数据的基本概念：深入剖析金融时间序列数据独有的时间依赖性、非平稳性、异方差性、尖峰性（kurtosis）和厚尾性（fat tails）等统计特性。理解这些特性是选择合适模型的基础。 1.3 数据获取与存储：介绍获取金融数据的常用渠道，包括金融数据终端（如Bloomberg, Refinitiv Eikon）、在线数据库（如Quandl, Yahoo Finance, Google Finance）、央行和统计机构的官方网站。讨论数据格式（如CSV, JSON, Excel）和存储方案。 1.4 数据清洗与异常值处理：详细介绍在实际操作中可能遇到的数据质量问题，如缺失值、错误值、录入错误、重复记录等。学习使用插值法（线性插值、样条插值）、均值/中位数填充、删除法等处理缺失值。识别并处理异常值，例如使用箱线图、Z-score、IQR方法，以及讨论异常值产生的原因及其对后续分析的影响。 1.5 数据转换与平稳化：解释为什么许多金融时间序列是非平稳的，以及非平稳性对统计分析的挑战。介绍常用的数据转换技术，如对数转换、差分（一阶差分、季节性差分）以实现序列的平稳化。讨论收益率（回报率）的计算方法（简单回报率、对数回报率）及其在分析中的重要性。 1.6 数据可视化技术：强调数据可视化在理解数据特征、发现模式和揭示潜在关系方面的重要性。介绍绘制时间序列图、直方图、箱线图、散点图、自相关图（ACF）和偏自相关图（PACF）等基本工具，并阐述如何解读这些图表以获得初步洞察。第二章：统计学基础回顾与金融应用 2.1 概率论基础：回顾随机变量、概率分布（离散和连续）、期望、方差、协方差、矩等基本概念。重点讲解在金融领域常用的概率分布，如正态分布、对数正态分布、t分布、泊松分布等，以及它们在风险度量和资产定价中的应用。 2.2 统计推断：介绍点估计、区间估计、假设检验的基本原理。学习如何计算样本均值、方差，以及如何构建置信区间来估计总体参数。 2.3 假设检验的应用：详细讲解t检验、F检验、卡方检验等常用假设检验方法，并结合金融实例说明其应用场景，例如检验不同资产收益率之间是否存在显著差异，或检验某个交易策略是否有效。 2.4 相关性与回归分析初步：介绍Pearson相关系数、Spearman秩相关系数等度量变量之间线性及单调关系的统计量。初步引入简单线性回归模型，解释回归系数的含义，并学习如何进行模型拟合和解释。第二部分：时间序列分析在金融中的应用时间序列分析是金融量化研究的核心技术，本书将系统介绍一系列经典和现代的时间序列模型。第三章：平稳时间序列模型 3.1 自回归（AR）模型：深入讲解AR(p)模型的定义、参数估计（最小二乘法、极大似然估计）、模型检验（模型阶数的选择）和预测。阐述AR模型如何捕捉时间序列自身的历史依赖性。 3.2 移动平均（MA）模型：详细介绍MA(q)模型的结构、参数估计和性质。理解MA模型如何通过历史误差项来刻画序列的动态。 3.3 混合自回归移动平均（ARMA）模型：结合AR和MA模型，介绍ARMA(p,q)模型的构建、识别（AIC, BIC准则）、估计与诊断。 3.4 模型诊断与评估：学习如何通过残差分析（残差序列的白噪声检验）、Ljung-Box检验等方法来评估模型的拟合优度。讨论模型选择的原则和准则（如AIC, BIC）。 3.5 ARMA模型在金融中的应用：举例说明ARMA模型如何用于预测股票价格、通货膨胀率等金融时间序列。第四章：非平稳时间序列模型——ARIMA及其扩展 4.1 差分运算与ARIMA模型：详细介绍ARIMA(p,d,q)模型的结构，其中d表示差分的阶数。解释差分在处理非平稳序列中的作用，以及如何识别ARIMA模型的阶数。 4.2 ARIMA模型的参数估计与检验：学习使用最大似然估计法等方法估计ARIMA模型的参数，并进行参数的统计显著性检验。 4.3 季节性ARIMA（SARIMA）模型：针对具有季节性模式的金融时间序列（如月末效应、季度效应），介绍SARIMA(P,D,Q)(p,d,q)_s模型的构建与应用。 4.4 单位根检验：详细介绍判断时间序列是否平稳的常用方法，如Dickey-Fuller (DF)检验、增广Dickey-Fuller (ADF)检验、Phillips-Perron (PP)检验。强调单位根检验在选择ARIMA模型d阶数时的关键作用。 4.5 ARIMA模型在金融风险管理中的应用：探讨ARIMA模型在预测波动性、估计VaR（Value-at-Risk）等风险度量指标中的潜力。第五章：波动率建模——GARCH系列模型 5.1 异方差性的概念与识别：解释金融资产收益率序列中普遍存在的条件异方差现象，即收益率的方差随时间变化。介绍ARCH(q)模型，理解其如何通过历史的预测误差来刻画当前条件方差。 5.2 GARCH(p,q)模型：深入讲解GARCH(p,q)模型的结构，包括对过去残差项和过去条件方差的依赖。解释GARCH模型在捕捉金融市场波动性聚集（volatility clustering）现象方面的优势。 5.3 GARCH模型的扩展：介绍EGARCH（指数GARCH）、GJR-GARCH（Glosten-Jagannathan-Runkle GARCH）、FGARCH（族GARCH）等模型，以及它们如何处理不对称性、杠杆效应等更复杂的波动率特征。 5.4 GARCH模型参数估计与检验：学习使用最大似然估计法来估计GARCH模型的参数，并进行模型拟合优度检验。 5.5 GARCH模型在金融风险管理中的应用：重点阐述GARCH模型在风险度量（如VaR, ES - Expected Shortfall）、期权定价、投资组合风险管理中的核心作用。第六章：协整与向量自回归（VAR）模型 6.1 协整性：介绍当多个非平稳时间序列之间存在长期均衡关系时，它们可能呈现协整性。学习Granger协整检验、Johansen协整检验。 6.2 误差修正模型（ECM）：在协整关系的基础上，介绍ECM模型如何刻画变量短期内的动态调整过程，以及如何将长期均衡关系与短期波动结合起来。 6.3 向量自回归（VAR）模型：介绍VAR模型如何同时建模多个相互关联的时间序列，捕捉它们之间的动态反馈关系。 6.4 VAR模型的估计与分析：学习VAR模型的估计、滞后阶数选择、模型检验。 6.5 脉冲响应函数（IRF）与方差分解：介绍脉冲响应函数如何分析一个变量的冲击如何影响其他变量的未来走势，以及方差分解如何度量每个变量对其他变量波动的贡献度。 6.6 VAR/VECM在宏观经济与金融市场分析中的应用：举例说明VAR/VECM模型如何分析货币政策传导机制、国际贸易对国内市场的影响、资产价格联动性等问题。第三部分：计量经济学在金融中的进阶应用除了时间序列分析，计量经济学提供了更多分析金融市场数据和建立模型的方法。第七章：面板数据模型 7.1 面板数据的结构与优势：介绍面板数据（panel data）的构成，即同时观测多个实体（如公司、国家）在多个时间点上的数据。阐述面板数据相对于横截面数据和时间序列数据在控制不可观测异质性、提高估计效率方面的优势。 7.2 固定效应模型（Fixed Effects Model）：深入讲解固定效应模型的原理，如何通过个体固定效应或时间固定效应来控制未被观测到的、不随时间变化的（个体效应）或不随个体变化的（时间效应）因素。 7.3 随机效应模型（Random Effects Model）：介绍随机效应模型的假设，以及在什么条件下随机效应模型比固定效应模型更优。讲解Hausman检验以选择合适的模型。 7.4 面板数据模型的估计与检验：学习普通最小二乘法（OLS）、最大似然估计（MLE）等估计方法，以及相关的模型诊断和系数显著性检验。 7.5 面板数据模型在金融实证研究中的应用：举例说明面板数据模型如何应用于公司财务分析（如分析公司治理对绩效的影响）、跨国金融研究（如分析不同国家的金融监管对经济增长的影响）。第八章：工具变量法与内生性问题 8.1 内生性的来源：详细讲解在金融研究中内生性问题的常见来源，包括遗漏变量偏误、测量误差偏误、同时性偏误（ Simultaneity Bias）。 8.2 工具变量（Instrumental Variables, IV）法的原理：介绍IV法的核心思想，即寻找一个与解释变量相关但与误差项不相关的变量作为工具。 8.3 两阶段最小二乘法（Two-Stage Least Squares, 2SLS）：详细讲解2SLS的估计过程，包括第一阶段回归和第二阶段回归。 8.4 工具变量法的有效性检验：学习如何检验工具变量的相关性（弱工具变量检验）和外生性（过度识别约束检验）。 8.5 IV法在金融资产定价和公司金融中的应用：举例说明IV法如何用于解决资产定价模型中可能出现的内生性问题，例如研究高管薪酬与公司绩效的关系。第九章：离散选择模型 9.1 离散选择问题的背景：介绍当因变量是二元（如是否违约）、三元或多元分类变量时，不能使用线性回归模型。 9.2 Logit模型与Probit模型：详细讲解Logit模型和Probit模型的原理，解释其概率函数（Logistic函数和标准正态累积分布函数）以及如何解释模型系数（如边际效应）。 9.3 多项Logit模型与有序Logit/Probit模型：介绍用于处理多分类因变量的模型。 9.4 离散选择模型在金融信贷风险评估和客户行为分析中的应用：举例说明Logit/Probit模型如何用于预测客户的贷款违约概率，分析客户对金融产品的购买意愿等。第十章：生存分析与事件史分析 10.1 生存分析的基本概念：介绍生存时间（time-to-event）、生存函数、风险函数（hazard function）等基本概念。 10.2 Kapla-Meier曲线：学习如何绘制Kapla-Meier曲线来估计生存函数。 10.3 Cox比例风险模型（Cox Proportional Hazards Model）：详细讲解Cox模型，它允许我们估计协变量对风险函数的影响，而无需事先假设风险函数的具体形式。 10.4 生存分析在金融中的应用：举例说明生存分析如何用于分析公司破产时间、贷款逾期时间、客户流失时间等金融领域的重要事件。第四部分：金融计量模型的实践与前沿本书的最后部分将聚焦于模型在实际金融应用中的挑战，以及一些前沿的研究方向。第十一章：模型诊断、选择与稳健性检验 11.1 模型诊断的重要性：强调所有模型都需要进行严格的诊断，以确保其假设条件得到满足。 11.2 常见模型诊断技术：介绍残差分析、异方差检验（如Breusch-Pagan检验、White检验）、自相关检验（如Durbin-Watson检验）、模型设定检验（如RESET检验）等。 11.3 模型选择标准：深入讨论信息准则（AIC, BIC, HQIC）、调整R-squared等模型选择方法。 11.4 稳健性检验：解释稳健性检验的意义，即通过改变模型设定、样本范围或估计方法来检验研究结论的可靠性。第十二章：贝叶斯计量经济学在金融中的初步应用 12.1 贝叶斯统计的基本框架：介绍贝叶斯定理、先验分布、后验分布、似然函数等基本概念。 12.2 马尔可夫链蒙特卡罗（MCMC）方法：简述MCMC方法在计算贝叶斯后验分布中的作用。 12.3 贝叶斯方法在金融建模中的优势：探讨贝叶斯方法在处理不确定性、 Incorporating prior information方面的潜力，以及其在风险管理和资产配置中的应用前景。第十三章：非参数与半参数计量方法 13.1 非参数方法的引入：介绍在参数模型假设过于严格时，非参数方法的重要性，它们对数据分布不做过多的假设。 13.2 核密度估计（Kernel Density Estimation）：学习如何使用核密度估计来估计概率密度函数。 13.3 非参数回归（如局部多项式回归）：介绍非参数回归方法，用于估计变量之间可能存在的非线性关系。 13.4 半参数模型的结合：介绍如何结合参数和非参数方法，例如部分线性模型。 13.5 非参数方法在金融数据探索和模式识别中的应用。结论本书通过系统地介绍和阐述各种金融计量经济学模型及其在实际问题中的应用，旨在提升读者对金融市场的量化分析能力。掌握这些工具，将使您能够在复杂多变的金融环境中，做出更具洞察力、更科学的决策。附录常用统计软件（如R, Python, Stata）在金融计量分析中的基本操作指南。金融计量学常用术语表。参考书目与进一步阅读建议。