展开全部

主编推荐语

一本基于R语言的金融统计与数据分析教程。

内容简介

本书内容涉及金融学中的统计模型和数据分析的诸多内容,与一般偏重于单纯介绍理论知识和模型的著作不同,它把统计模型和金融模型联系在一起,寓统计学知识于金融学之中,并且用R软件做出了完美的应用程序。

主要内容包括收益、固定收益证券、探索性数据分析、建模一元分布、再抽样、多元统计模型、Copulas、时间序列模型、证券投资组合理论、回归、协整分析、固定资产定价模型、因子模型和主成分分析、GARCH模型、风险管理、贝叶斯数据分析和MCMC、非参数回归和样条。

目录

  • 版权信息
  • 前言
  • 第1章 引言
  • 1.1 文献注记
  • 1.2 参考文献
  • 第2章 收益
  • 2.1 引言
  • 2.1.1 净收益率
  • 2.1.2 总收益率
  • 2.1.3 对数收益率
  • 2.1.4 股息调整
  • 2.2 随机游走模型
  • 2.2.1 随机游走
  • 2.2.2 几何随机游走
  • 2.2.3 对数价格是对数正态的几何随机游走吗
  • 2.3 文献注记
  • 2.4 参考文献
  • 2.5 R实验室
  • 2.5.1 数据分析
  • 2.5.2 模拟
  • 2.6 习题
  • 第3章 固定收入证券
  • 3.1 引言
  • 3.2 零息债券
  • 3.2.1 利率引起的价格和收益波动
  • 3.3 有息票债券
  • 3.4 到期收益率
  • 3.4.1 计算到期收益率的一般方法
  • 3.4.2 即期汇率
  • 3.5 期限结构
  • 3.5.1 引言:利率取决于到期时间
  • 3.5.2 期限结构的描述
  • 3.6 连续复利
  • 3.7 连续的远期利率
  • 3.8 价格对收益率的敏感性
  • 3.8.1 息票债券的期限
  • 3.9 文献注记
  • 3.10 参考文献
  • 3.11 R实验室
  • 3.11.1 计算到期收益
  • 3.11.2 绘制收益曲线
  • 3.12 习题
  • 第4章 探索性数据分析
  • 4.1 引言
  • 4.2 直方图和核密度估计
  • 4.3 顺序统计量、样本CDF与样本分位数
  • 4.3.1 样本分位数的中心极限定理
  • 4.3.2 正态概率图
  • 4.3.3 半正态图
  • 4.3.4 QQ图
  • 4.4 正态性检验
  • 4.5 箱形图
  • 4.6 数据变换
  • 4.7 变换几何
  • 4.8 变换核密度估计
  • 4.9 文献注记
  • 4.10 参考文献
  • 4.11 R实验室
  • 4.11.1 欧洲股票指数
  • 4.12 习题
  • 第5章 单变量分布建模
  • 5.1 引言
  • 5.2 参数模型与简约性
  • 5.3 位置参数、尺度参数和形状参数
  • 5.4 偏度、峰度和矩
  • 5.4.1 Jarque-Bera检验
  • 5.4.2 矩
  • 5.5 重尾分布
  • 5.5.1 指数和多项式尾部
  • 5.5.2 t分布
  • 5.5.3 混合模型
  • 5.6 广义误差分布
  • 5.7 从对称分布创建偏度
  • 5.8 基于分位数的位置、尺度和形状参数
  • 5.9 最大似然估计
  • 5.10 MLE的Fisher信息和中心极限定理
  • 5.11 似然比检验
  • 5.12 AIC与BIC
  • 5.13 验证数据和交叉验证
  • 5.14 由最大似然法拟合分布
  • 5.15 剖面似然
  • 5.16 稳健估计
  • 5.17 带有参数变换的变换核密度估计
  • 5.18 文献注记
  • 5.19 参考文献
  • 5.20 R实验室
  • 5.20.1 收入数据
  • 5.20.2 DAX收益
  • 5.21 习题
  • 第6章 再抽样
  • 6.1 引言
  • 6.2 偏差、标准差和MSE的自助法估计
  • 6.2.1 自助法t分布的MLE
  • 6.3 自助法置信区间
  • 6.3.1 正态近似区间
  • 6.3.2 自助法t区间
  • 6.3.3 基本的自助法区间
  • 6.3.4 百分位数置信区间
  • 6.4 文献注记
  • 6.5 参考文献
  • 6.6 R实验室
  • 6.7 习题
  • 第7章 多元统计模型
  • 7.1 引言
  • 7.2 协方差和相关矩阵
  • 7.3 随机变量的线性函数
  • 7.3.1 两个或更多随机变量的线性组合
  • 7.3.2 独立与和的方差
  • 7.4 散点图矩阵
  • 7.5 多元正态分布
  • 7.6 多元t分布
  • 7.6.1 在投资组合分析中使用t分布
  • 7.7 用最大似然来拟合多元t分布
  • 7.8 椭圆轮廓密度
  • 7.9 多元有偏t分布
  • 7.10 Fisher信息矩阵
  • 7.11 多元数据自助法
  • 7.12 文献注记
  • 7.13 参考文献
  • 7.14 R实验室
  • 7.14.1 股票收益
  • 7.14.2 拟合多元t分布
  • 7.14.3 拟合一个二元t分布
  • 7.15 习题
  • 第8章 copula
  • 8.1 引言
  • 8.2 特殊copula
  • 8.3 高斯copula和t-copula
  • 8.4 阿基米德copula
  • 8.4.1 弗兰克copula
  • 8.4.2 Clayton copula
  • 8.4.3 Gumbel copula
  • 8.5 秩相关
  • 8.5.1 肯德尔的tau相关系数
  • 8.5.2 斯皮尔曼相关系数
  • 8.6 尾部相关
  • 8.7 计算copula
  • 8.7.1 最大似然
  • 8.7.2 拟最大似然估计
  • 8.7.3 计算元高斯分布和元t分布
  • 8.8 文献注记
  • 8.9 参考文献
  • 8.10 R实验室
  • 8.10.1 模拟copula
  • 8.10.2 对收益数据拟合copula
  • 8.11 习题
  • 第9章 时间序列模型:基础知识
  • 9.1 时间序列数据
  • 9.2 平稳过程
  • 9.2.1 白噪声
  • 9.2.2 预测白噪声
  • 9.3 估计平稳过程的参数
  • 9.3.1 ACF图和Ljung-Box检验
  • 9.4 AR(1)过程
  • 9.4.1 弱平稳AR(1)过程的性质
  • 9.4.2 收敛到平稳分布
  • 9.4.3 非平稳AR(1)过程
  • 9.5 AR(1)过程的估计
  • 9.5.1 残差与模型检验
  • 9.5.2 最大似然和条件最小二乘
  • 9.6 AR(p)模型
  • 9.7 滑动平均过程
  • 9.7.1 MA(1)过程
  • 9.7.2 一般的MA过程
  • 9.8 ARMA过程
  • 9.8.1 后向算子
  • 9.8.2 ARMA模型
  • 9.8.3 ARMA(1,1)过程
  • 9.8.4 ARMA参数估计
  • 9.8.5 差分算子
  • 9.9 ARIMA过程
  • 9.9.1 ARIMA过程的漂移
  • 9.10 单位根检验
  • 9.10.1 单位根检验如何工作
  • 9.11 自动选择一个ARIMA模型
  • 9.12 预测
  • 9.12.1 预测误差和预测区间
  • 9.12.2 通过模拟计算预测限
  • 9.13 偏自相关系数
  • 9.14 文献注记
  • 9.15 参考文献
  • 9.16 R实验室
  • 9.16.1 T-bill比率
  • 9.16.2 预测
  • 9.17 习题
  • 第10章 时间序列模型:更多主题
  • 10.1 季节性ARIMA模型
  • 10.1.1 季节性和非季节性差分
  • 10.1.2 乘法ARIMA模型
  • 10.2 时间序列的Box-Cox变换
  • 10.3 多变量时间序列
  • 10.3.1 互相关函数
  • 10.3.2 多变量白噪声
  • 10.3.3 多变量ARMA过程
  • 10.3.4 使用多变量AR模型预测
  • 10.4 长记忆过程
  • 10.4.1 长记忆平稳模型的需要
  • 10.4.2 分数阶差分
  • 10.4.3 FARIMA过程
  • 10.5 自助法时间序列
  • 10.6 文献注记
  • 10.7 参考文献
  • 10.8 R实验室
  • 10.8.1 季节性ARIMA模型
  • 10.8.2 VAR模型
  • 10.8.3 长记忆过程
  • 10.8.4 一个ARIMA过程的基于模型的自助法
  • 10.9 习题
  • 第11章 投资组合理论
  • 11.1 权衡预期收益和风险
  • 11.2 一种风险资产和一种无风险资产
  • 11.2.1 估计E(R)和σR
  • 11.3 两种风险资产
  • 11.3.1 风险与预期收益
  • 11.4 结合两种风险资产与一种无风险资产
  • 11.4.1 两种风险资产的切线资产组合
  • 11.4.2 结合切线资产组合和无风险资产
  • 11.4.3 ρ12的效果
  • 11.5 卖空
  • 11.6 N个风险资产投资组合的风险有效
  • 11.7 再抽样和有效投资组合
  • 11.8 文献注记
  • 11.9 参考文献
  • 11.10 R实验室
  • 11.10.1 高效股票投资组合
  • 11.11 习题
  • 第12章 回归:基础知识
  • 12.1 引言
  • 12.2 直线回归
  • 12.2.1 最小二乘估计
  • 12.2.2 的方差
  • 12.3 多元线性回归
  • 12.3.1 标准误差、t值和p值
  • 12.4 方差分析、平方和以及R2
  • 12.4.1 AOV表
  • 12.4.2 自由度
  • 12.4.3 均值平方和和F检验
  • 12.4.4 调整R2
  • 12.5 模型选择
  • 12.6 共线性和方差膨胀
  • 12.7 偏残差图
  • 12.8 中心化预测变量
  • 12.9 正交多项式
  • 12.10 文献注记
  • 12.11 参考文献
  • 12.12 R实验室
  • 12.12.1 美国宏观经济变量
  • 12.13 习题
  • 第13章 回归诊断
  • 13.1 回归诊断简介
  • 13.1.1 杠杆值
  • 13.1.2 残差
  • 13.1.3 库克距离
  • 13.2 检验模型假设
  • 13.2.1 非正态分布
  • 13.2.2 非常数方差
  • 13.2.3 非线性
  • 13.2.4 残差相关性和伪回归
  • 13.3 文献注记
  • 13.4 参考文献
  • 13.5 R实验室
  • 13.5.1 当前人口调查数据
  • 13.6 习题
  • 第14章 回归:高级主题
  • 14.1 带有ARMA误差的线性回归
  • 14.2 线性回归的理论
  • 14.2.1 相关噪声的影响和异方差性
  • 14.2.2 回归的最大似然估计
  • 14.3 非线性回归
  • 14.4 从零息债券价格估计远期利率
  • 14.5 双边变换回归
  • 14.5.1 TBS的作用
  • 14.6 只变换因变量
  • 14.7 二元回归
  • 14.8 线性化一个非线性模型
  • 14.9 稳健回归
  • 14.10 回归和最佳线性预测
  • 14.10.1 最佳线性预测
  • 14.10.2 最佳线性预测的预测误差
  • 14.10.3 回归是经验最佳线性预测
  • 14.10.4 多元线性预测
  • 14.11 回归对冲
  • 14.12 文献注记
  • 14.13 参考文献
  • 14.14 R实验室
  • 14.14.1 带ARMA噪声的回归
  • 14.14.2 非线性回归
  • 14.14.3 因变量变换
  • 14.14.4 二元回归:谁得到了空调
  • 14.15 习题
  • 第15章 协整
  • 15.1 引言
  • 15.2 向量误差校正模型
  • 15.3 交易策略
  • 15.4 文献注记
  • 15.5 参考文献
  • 15.6 R实验室
  • 15.6.1 中等规模公司股票价格协整分析
  • 15.6.2 收益的协整分析
  • 15.6.3 模拟
  • 15.7 习题
  • 第16章 资本资产定价模型
  • 16.1 CAPM简介
  • 16.2 资本市场线
  • 16.3 β值和证券市场线
  • 16.3.1 有关β值的例子
  • 16.3.2 CML和SML的比较
  • 16.4 证券特征线
  • 16.4.1 通过多元化降低特有风险
  • 16.4.2 假设合理吗
  • 16.5 一些投资组合理论
  • 16.5.1 对市场投资组合风险的贡献
  • 16.5.2 SML的推导
  • 16.6 β值的估计和CAPM的检验
  • 16.6.1 用回归估计β值
  • 16.6.2 检验CAPM
  • 16.6.3 α值的解释
  • 16.7 CAPM在投资组合分析中的应用
  • 16.8 文献注记
  • 16.9 参考文献
  • 16.10 R实验室
  • 16.11 习题
  • 第17章 因子模型和主成分
  • 17.1 降维
  • 17.2 主成分分析
  • 17.3 因子模型
  • 17.4 用时间序列回归拟合因子模型
  • 17.4.1 Fama和French三因子模型
  • 17.4.2 资产回报率的期望和协方差的估计
  • 17.5 截面因子模型
  • 17.6 统计因子模型
  • 17.6.1 因子的方差最大旋转
  • 17.7 文献注记
  • 17.8 参考文献
  • 17.9 R实验室
  • 17.9.1 主成分分析
  • 17.9.2 时间序列回归拟合因子模型
  • 17.9.3 统计因子模型
  • 17.10 习题
  • 第18章 GARCH模型
  • 18.1 引言
  • 18.2 估计条件均值和方差
  • 18.3 ARCH(1)过程
  • 18.4 AR(1)/ARCH(1)模型
  • 18.5 ARCH(p)模型
  • 18.6 ARIMA(pA,d,qA)/GARCH(pG,qG)模型
  • 18.6.1 ARIMA(pA,d,qA)/GARCH(pG,qG)模型的残差
  • 18.7 具有厚尾的GARCH过程
  • 18.8 拟合ARMA/GARCH模型
  • 18.9 作为ARMA模型的GARCH模型
  • 18.10 GARCH(1,1)过程
  • 18.11 APARCH模型
  • 18.12 具有ARMA/GARCH误差的回归
  • 18.13 ARMA/GARCH过程的预测
  • 18.14 文献注记
  • 18.15 参考文献
  • 18.16 R实验室
  • 18.16.1 拟合GARCH模型
  • 18.17 习题
  • 第19章 风险管理
  • 19.1 风险管理的必要性
  • 19.2 一个资产的VaR和ES的估计
  • 19.2.1 VaR与ES的非参数估计
  • 19.2.2 VaR与ES的参数估计
  • 19.3 用自助法计算VaR与ES的置信区间
  • 19.4 用ARMA/GARCH模型估计VaR与ES
  • 19.5 一个投资组合的VaR与ES的估计
  • 19.6 多项式尾部的VaR估计
  • 19.6.1 估计尾部指数
  • 19.7 帕雷托分布
  • 19.8 持有期与置信系数的选择
  • 19.9 VaR与多样化
  • 19.10 文献注记
  • 19.11 参考文献
  • 19.12 R实验室
  • 19.12.1 多元t分布模型的VaR
  • 19.13 习题
  • 第20章 贝叶斯数据分析和MCMC
  • 20.1 引言
  • 20.2 贝叶斯定理
  • 20.3 先验分布和后验分布
  • 20.4 共轭先验
  • 20.5 后验中心极限定理
  • 20.6 后验区间
  • 20.7 马尔可夫链蒙特卡罗方法
  • 20.7.1 Gibbs抽样
  • 20.7.2 其他蒙特卡罗抽样方法
  • 20.7.3 MCMC输出的分析
  • 20.7.4 WinBUGS
  • 20.7.5 MCMC收敛性和混合的检验
  • 20.7.6 模型DIC和pD的比较
  • 20.8 多层先验
  • 20.9 协方差矩阵的贝叶斯估计
  • 20.9.1 多元正态分布的协方差阵估计
  • 20.9.2 多元t分布的尺度矩阵的估计
  • 20.9.3 协方差矩阵的非共轭先验
  • 20.10 一个平稳过程的采样
  • 20.11 文献注记
  • 20.12 参考文献
  • 20.13 R实验室
  • 20.13.1 MCMC拟合t分布
  • 20.13.2 AR模型
  • 20.13.3 MA模型
  • 20.13.4 ARMA模型
  • 20.14 习题
  • 第21章 非参数回归和样条函数
  • 21.1 引言
  • 21.2 局部多项式回归
  • 21.2.1 局部加权散点光滑和局部加权回归
  • 21.3 线性光滑器
  • 21.3.1 平滑矩阵和有效自由度
  • 21.3.2 AIC和GCV
  • 21.4 多项式样条函数
  • 21.4.1 具有一个结的线性样条函数
  • 21.4.2 具有多个结的线性样条函数
  • 21.4.3 二次样条函数
  • 21.4.4 p阶样条函数
  • 21.4.5 其他的样条基
  • 21.5 惩罚样条函数
  • 21.5.1 选择惩罚量
  • 21.6 文献注记
  • 21.7 参考文献
  • 21.8 R实验室
  • 21.8.1 工资、教育和经验的加法模型
  • 21.8.2 短期利率的一个扩展CKLS模型
  • 21.9 习题
  • 附录A 来自于概率、统计和代数的事实
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    4.0

    做决策时,宁可要模糊的正确(知道哪里有坑),也不要精确的错误(盯着计算器算到小数点后两位却满仓干进去)。承认无知:所有模型都是错的(现实更复杂),别把它们当圣经。防范脆弱:长期债券、正态分布这些看似温和的东西,在利率突变或黑天鹅面前杀伤力巨大。拒绝刻舟求剑:历史数据只有在环境稳定时才有用,一旦底层逻辑变了(不平稳),过去的一切参考都会失效。活在真实世界:要为那些理论上不该发生的极端行情留足余地,因为现实里它们经常发生。1. 所有模型都是错误的,但有些模型是有用处的。对数正态几何随机游走的假设在现实中不成立(尾部更厚、波动会聚集),但 Black-Scholes 公式照样靠它推出来了。关键不是模型是否正确,而是它是否够用。别纠结模型对不对,好用就行。现实世界比数学模型复杂得多(比如真正的暴跌更狠、波动会扎堆来),但大名鼎鼎的期权定价公式(Black-Scholes)就是靠那个错误的假设算出来的。模型就像地图,只要能带人找到路,不用非得跟真实地形一模一样。模型都会错,但错得能用就是赢。我们明知道真实市场不完全服从模型假设,但只要模型能把核心关系说清、能落地,它就有用。BlackScholes 建立在价格是对数正态随机游走、波动稳定之类假设上。现实里:暴跌的尾巴更肥、波动率会扎堆(平静几天、突然连续几天巨震)。但它仍然给了交易员一套可操作的期权该多少钱、对冲怎么动的语言和按钮。气象预报模型也说大气不是理想气体,但会因为它不完美就不看天气预报出门吗?它只要告诉有 80% 概率暴雨,带伞就够了,我们要的是可用的近似,不是哲学级的真理。2. 债券价格与利率成反比,利率哪怕只涨 1 个百分点,长期债券的亏损可能远超想象。利率从 6% 涨到 7%,半年就亏近 15%。期限越长,对利率越敏感,这就是长期债券看似安全实则凶险的本质。长期债基,看着稳其实暗藏杀机。债价和利息是反着走的。利息只要涨一丢丢,长债就能亏到怀疑人生。比如利息从 6% 涨到 7%,半年就能亏掉近 15%。持有时间越长,这玩意儿对利息变动越敏感,千万别被债券俩字骗了,觉得它安全。债券价格与利率反比:长债看着稳,利率一动就很凶。久期越长,对利率越敏感;利率只涨一点点,长期债券、长债基金就可能看起来很小的变化 = 看起来很大的亏损。假设持有一只久期≈12 年的长期债券、长债基金:若市场利率上行 + 1%,粗略影响≈-12% 左右(久期法则:-ΔPPD×Δy)。所以它才会出现那种利率从 6% 到 7%,半年账面亏接近两位数的体感。长债就像一根超长的跷跷板臂:短债是儿童版跷跷板,(利率)轻轻坐上去只是微微动;长债是游乐场那种巨型臂,稍微挪一点位置,另一头就哐当下去一大截。长债的安全往往是平时波动小,但一遇到利率转向,它就不再像存款了。3. 平稳性的价值在于:不需要为每个时间点估计一个不同的均值,所有数据都可以用来估计同一个参数。没有平稳性,n 个时间点就有 n 个均值,每个只能用 1 个观测去估,什么也估不准。数据要是没个准谱,啥也预测不出来。如果数据是稳定的,咱就能拿所有历史数据一起算平均值;要是数据一会儿一个样(不平稳),那等于 10 天的数据有 10 个不同的平均值,每天只能用当天那一个数去估。这就好比要猜全班身高,结果每个人都在长个子,那根本没法猜准。平稳性值钱,是因为能把数据合起来用,不然就散成渣。如果过程是平稳的,历史可以在同一套规律下复用;一旦不平稳(均值、波动随时漂移),就等于每个时点都要单独估,样本量 = 1,什么都估不准。平稳(好用的情形):估计一家成熟公用事业公司长期平均 ROE 区间,用多年月度数据还能聊区间。不平稳(灾难情形):把 2015、2020、2022、2024 的市场硬当同一个生成机制,算出一个历史平均年化收益 10%,然后用它去规划明年仓位,这就像把夏天 40℃、冬天 - 5℃、春秋 20℃混在一起算出一个全年平均 18℃,然后决定今天穿啥。要量这条河的平均流速,前提是河道别天天搬家。如果河床每周改道、上游突然修坝又拆坝,那手里的每一杯水都等于来自不同河流,把 10 杯不同河的水混一起说平均流速,不是科学,是幻觉。4. 金融数据的分布不是正态的,通常自由度 4~6 的 t 分布更合适,尾部比正态厚得多,极端事件比正态世界里可能发生的要频繁得多。黑色星期一单日亏损 23%,在正态模型下几乎不可能发生,但现实就是发生了。用正态分布低估尾部风险,是金融分析中最危险的错觉。股市暴跌比想的要常见,别被钟形曲线骗了。金融数据不是那种标准的中间多两头少的正态分布,而是那种胖尾巴的分布(像 t 分布)。这意味着,像黑色星期一这种一天跌 23% 的惨案,按教科书理论几乎不会发生,但在现实里它就是会发生。用教科书那种温和的曲线去算风险,是自欺欺人,非常危险。金融分布尾巴更肥:极端事件比正态允许的频率高得多。用正态分布(钟形曲线)去管金融风险,容易把几乎不可能当成不会发生,然后杠杆一加、缓冲一做薄,一遇上现实就被打穿。1987 年黑色星期一式单日大跌,在标准正态、简单扩散框架里会被判成几十亿年一遇;但现实里,市场会连环踩踏、止损簇拥触发、流动性抽干,于是肥尾世界把这种事变成虽然不多,但几十年内确实可能发生。正态思维:把风险想成大多数人中等身高,极高的人百万分之一。肥尾现实:把风险想成偶尔会冒出来篮球运动员里的姚明,而且他们还会成群结队出现。地震。按普通钟形想法,8 级以上不该出现;但板块结构就是会偶尔来一次。做工程要是只按常见小震设计,大楼就白盖,市场也一样:要为低概率但高破坏留冗余(仓位、现金、止损纪律),而不是只盯住平均情况。总之,别被看起来很美的理论骗了,现实世界比书本凶险得多,生存的关键是敬畏不确定性,而不是迷信精确的错误。

      转发
      评论

    出版方

    机械工业出版社有限公司

    机械工业出版社是全国优秀出版社,自1952年成立以来,坚持为科技、为教育服务,以向行业、向学校提供优质、权威的精神产品为宗旨,以“服务社会和人民群众需求,传播社会主义先进文化”为己任,产业结构不断完善,已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸,现已发展为多领域、多学科的大型综合性出版社,涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。