多元时间序列分析及金融应用：R语言 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 蔡瑞胸（RueyS.Tsay） 著，李洪成 译

图书标签:

• 时间序列分析
• 多元时间序列
• 金融应用
• R语言
• 计量经济学
• 数据分析
• 预测
• 建模
• 金融工程
• 量化投资

出版社： 机械工业出版社

ISBN：9787111542605

版次：1

商品编码：11957269

品牌：机工出版

包装：平装

丛书名： 华章数学译丛

开本：16开

出版时间：2016-08-01

用纸：胶版纸

页数：379

内容简介

　　本书介绍了多元时间序列数据的基本概念和思想，并用R软件来展示所有的方法和模型。本书共分为7章，其主要内容为多元时间序列的基本概念、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、因子模型和一些特定的多元时间序列主题、多元波动率模型。全书应用实际的例子，并用R软件来说明分析方法。本书可作为高等院校统计学、金融学等相关专业高年级本科生或研究生的时间序列分析教材，也可供相关专业研究人员参考。

目录

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

前言/序言

　　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（categoricaltimeseries）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。
　　RueyS Tsay（蔡瑞胸）伊利诺伊，芝加哥，2014年9月

评分☆☆☆☆☆

是送人的，还不知道怎样呢

评分☆☆☆☆☆

这方面的知识在现在大数据的背景下显得更加重要，推荐！

评分☆☆☆☆☆

书内知识太难了，建议想自学时间序列的同学，这本书不适合，里面含有大量矩阵运算，很难懂。另外，书内分析时间序列用R感觉不够系统，需要自行编程的较多。所以买前要慎重了。

评分☆☆☆☆☆

不错不错不错不错不错不错不错不错

评分☆☆☆☆☆

很经典的图书，得仔细认真阅读

评分☆☆☆☆☆

关注了很久，舍不得买，打折就买！

评分☆☆☆☆☆

收到了，正在拜读中……，学习

评分☆☆☆☆☆

有待观测结果，目前不知。

评分☆☆☆☆☆

?????????????????????????????????????