本书是金融计量模型及其应用的入门教材，系统阐述了金融计量经济模型及其在金融时间序列数据和建模中的应用，所有模型和方法的运用均采用实际金融数据，并给出了所用计算机软件的命令。配有丰富的习题，可作为《数据分析》或《金融时间序列分析》的入门教材，适用于商学、经济学、数学和统计学专业对计量经济学感兴趣的高年级本科生和研究生，同时，也可作为商业、金融、保险等领域专业人士的参考书。
本书由统计学领域著名专家所著，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。作者通过实际操作的方法介绍金融数据分析，选择使用免费的R软件和实际案例来展示书中所讨论方法的实现。书中抽象理论和实际应用并重，读者既能从中轻松学习金融计量模型，也能了解它们在现实世界中的丰富应用。
贯通全书，各章节通过R图形以可视化的形式把讨论主题展现给读者，并以两个详细案例展示了金融中统计学的应用。本书有配套的网站（http://faculty.chicagobooth.edu/ruey.tsay/teaching/introTS），其中包含了书中涉及的R代码和额外的数据集供读者下载，通过这些读者可以创建自己的模拟分析，并检验对本书介绍的方法的理解程度。
本书是高年级本科生或研究生学习时间序列分析和商务统计学的优秀入门教材。对于希望进一步加强对金融数据和当今金融市场理解的研究人员以及商业、金融和经济领域的从业者，该书也是极佳的参考书。
Ruey S. Tsay（蔡瑞胸） 美国芝加哥大学布斯商学院计量经济学与统计学的H.G.B. Alexander讲席教授，美国统计协会、数理统计学会以及英国皇家统计学会的会士，中国台湾“中央研究院”院士。他是《Journal of Forecasting》的联合主编，也是《Asia-Pacific Financial Markets》、《Studies in Nonlinear Dynamics and Econometrics》和《Metron》等期刊的副主编。Tsay教授在商务和经济预测、数据分析、风险管理以及过程控制等领域发表学术论文100多篇，还拥有美国专利“System and method for building a time series model (2005)”。
我经常会被读者问到有关金融时间序列分析的问题：你能否让金融数据分析更简单些？我也经常被我的学生问道：如何简化实证研究工作，统计学和金融学究竟存在怎样的关系？这些都是很重要的问题，它们促使我编写这本入门教材.
为了简化实证数据分析，我决定使用R软件进行所有的分析.这样做是基于下面几个原因.第一，R软件在大多数平台上都能免费使用.第二，已有许多研究人员针对金融数据开发出很好的软件包，尤其是RMetrics提供了许多有用的软件包.第三，R软件添加包的功能正在飞速增加，并且这种趋势还会继续下去.第四，我写过一些简单的R代码，用以在某些场合展示某些具体分析方法.这些代码起两个作用.其一，它们能满足我展示概念和方法的特殊需要.其二，更重要的是，读者只要稍有一些R软件的使用经验就可以简单地修改这些代码和命令以适应他们的需要，从而简化他们的金融数据分析任务.
为了使计量经济学和统计学的理论更简单易懂，我尝试以一种简洁的方法来讲解，并应用大量实际案例来阐释这些内容.本书共有7章，其中两章为案例分析.这两章的案例揭示了统计学与金融学之间的联系.其余章节用来帮助读者理解概念，获取金融数据分析的经验.第1章介绍金融数据，并讨论了汇总统计量和数据可视化的知识.此外，还介绍了R软件，这样读者就可以应用它来探索金融数据.第2章介绍线性时间序列分析的基本内容，涵盖了商业、金融和经济学中常用的一些简单计量经济模型.在保持行文简洁的同时，我尝试使该章内容尽量全面.该章还介绍了指数平滑预测法和模型比较方法.第3章介绍了3个案例学习（case study）.其中使用的模型并不简单，但是它们可以帮助读者理解线性时间序列模型在实际应用中的价值和局限性.第4章介绍资产波动率的不同计算方法，以及多种波动率模型.其中讨论的方法包括应用日开盘价、收盘价、最高价和最低价的方法.同样，我尝试使该章的内容尽量全面，同时避免过多的理论细节.第5章介绍波动率模型在金融中的实际应用.该章旨在帮助读者更好地理解波动率的期限结构，以及波动率在金融实践中的应用.第6章介绍如何处理高频金融数据，包括价格变动、交易强度以及实际波动率的简单模型.最后，第7章介绍用量化方法进行风险管理，包括风险值和条件风险值.该章涵盖风险评估的重要计量经济学方法和统计学方法，包含基于极值理论和分位数回归的一些方法.
本书包含许多图表和示例，它们旨在简化金融数据分析的过程，使结果容易理解.限于篇幅，不可避免地省略了一些重要内容.本书涵盖的内容与《Analysis of Financial Time Series》一书有部分重叠，但是本书所用到的案例都是全新的.
借此机会，我感谢我的妻子.如果没有她的关心和帮助，本书就无法完成.同时我也想感谢我的孩子，他们给予我很多灵感，帮助我编辑部分章节.另外还有许多读者和学生不断给予我反馈和建议，他们的意见是弥足珍贵的.最后，我想感谢Steve Quigley、Jacqueline Palmieri和他们的Wiley团队给予我的支持和鼓励.
本书网站：http://faculty.chicagobooth.edu/ruey.tsay/teaching/introTS.
R.S.T
伊利诺伊州芝加哥市
2012年10月
经管/统计
本书由统计学领域著名专家所著，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。作者通过实际操作的方法介绍金融数据分析，选择使用免费的R软件和实际案例来展示书中所讨论方法的实现。书中抽象理论和实际应用并重，读者既能从中轻松学习金融计量模型，也能了解它们在现实世界中的丰富应用。
贯通全书，各章节通过R图形以可视化的形式把讨论主题展现给读者，并以两个详细案例展示了金融中统计学的应用。本书有配套的网站，其中包含了书中涉及的R代码和额外的数据集供读者下载，通过这些读者可以创建他们自己的模拟分析，并检验他们对本书介绍的方法的理解程度。
本书是高年级本科生或研究生学习时间序列分析和商务统计学的优秀入门教材。对于希望进一步加强对金融数据和当今金融市场理解的研究人员以及商业、金融和经济领域的从业者，该书也是极佳的参考书。
（美）Ruey S.Tsay 著：Ruey S. Tsay（蔡瑞胸） 美国芝加哥大学布斯商学院计量经济学与统计学的H.G.B Alexande讲席教授，美国统计协会、数理统计学会以及英国皇家统计学会的会士，中国台湾“中央研究院”院士。他是《Journal of Forecasting》的联合主编，也是《Asia-Pacific Financial Markets》、《Studies in Nonlinear Dynamics and Econometrics》和《Metron》等期刊的副主编。Tsay教授在商务和经济预测、数据分析、风险管理以及过程控制等领域发表学术论文100多篇，还拥有美国专利“System and method for building a time series model (2005)”。
李洪成 尚秀芬 郝瑞丽 译：暂无简介
本书是原作者继《Analysis of Financial Time Series》之后的又一本力作.由于金融计量学和金融统计变得越来越重要，所以读者很迫切地需要这方面的资料.而国内相关的教材目前还比较少，机械工业出版社及时引进了《金融数据分析导论》的中文版权，使得国内读者能够几乎和国外同步地学习该书的内容.
本书应用开源的R软件，结合具体的金融数据来讲解金融数据的分析方法和模型.第1章首先向读者展示了可视化金融数据的基本概念、金融计量模型和它们在现实世界中的丰富应用.第2章从线性时间序列模型开始，介绍常见的金融数据分析模型.第3章介绍了3个金融数据分析的实际案例，读者可以从中学习线性时间序列模型在实际中的应用.第4章介绍了波动率模型.第5章介绍波动率模型在金融中的实际应用.第6章介绍如何处理高频金融数据.第7章介绍用量化方法进行风险管理，包括风险值和条件风险值.
对于实际的金融数据案例，本书应用免费的R软件给出了具体的分析过程和R代码.读者可以按照书中的讲授，一步一步地进行实践，加深对本书内容的理解.
在本书的翻译过程中，我们得到了蔡瑞胸教授的帮助，他帮助译者澄清了一些问题.中文版对原书中发现的错误进行了相应的更正.本书第1章、第3章和第5章由尚秀芬翻译，第2章、第4章、第6章、第7章由李洪成完成，其中郝瑞丽协助翻译了第2章的部分内容.全书由李洪成进行统一定稿.本书的责任编辑盛思源为本书的出版付出了大量的劳动，由于她的认真校对和修订，本书才能及时得以出版.另外，特别感谢明永玲编辑对本书翻译工作的大力支持和帮助.本书的翻译还得到了上海金融学院的领导和同事的帮助和支持，在此一并表示衷心的感谢.由于时间仓促，加之本人的精力和水平有限，翻译不当之处在所难免，请读者和同行指正.
李洪成
2013年6月
伟大的统计学家George Box有一句名言：“所有的模型都是错误的，但其中有一些是有用的.”这句话给出了现实中统计模型的现状.现实中不确定性无处不在，确定性“正确”模型是不存在的.如果Box在现在这个时代，他可能会增加一句“并且其中一些模型是危险的”，尤其对于金融领域的一些模型.2008年的金融危机，在某种程度上是由错误的金融模型造成的，既有模型过于简单的原因又有模型过于复杂的原因.房地产经纪人和买家依赖于一个隐式模型，它表明价格已经在高位，并且还会继续上涨.贷款人使用统计模型来对打包的按揭产品进行分析设计，这似乎可以奇迹般地降低风险.然而最后的结果是灾难性的，在5年之后仍然可以感受到房地产泡沫的影响.
因此，如何进行有用的并且没有危险的金融分析呢？首先应该对金融数据有一个基本的理解，尤其是时间序列数据.因为不确定性是主要的影响因素，例如，可以应用概率模型来描述资产收益率的频率分布.本书给出了大量的时间序列模型，它们可以对数据进行描述、平滑和季节调整.
要成为一个统计分析专家，没有对实际数据的分析经验是绝不可能的.蔡瑞胸教授在本书中给出了进行实际数据分析所需的数据和统计工具.这里的统计分析工具是R软件，它是一款开源的统计软件包，可以和现在的商业软件包媲美.R软件功能强大，免费并且有数千个用于完成特定任务的添加包.蔡教授在书中给出了金融数据分析的几个关键添加包.通过本书提供的数据集，你就可以应用R软件来学习金融时间序列的实际应用.
2013年6月17日
美国统计教育学院,Statistics.com在线课程网站总裁Peter Bruce
推荐序
译者序
前言
第1章 金融数据及其特征1
1.1 资产收益率1
1.2 债券收益和价格5
1.3 隐含波动率7
1.4 R软件包及其演示8
1.4.1 R软件包的安装9
1.4.2 Quantmod软件包9
1.4.3 R的基本命令11
1.5 金融数据的例子12
1.6 收益率的分布性质14
1.7 金融数据的可视化19
1.8 一些统计分布23
1.8.1 正态分布23
1.8.2 对数正态分布23
1.8.3 稳态分布24
1.8.4 正态分布的尺度混合24
1.8.5 多元收益率25
习题27
参考文献27
第2章 金融时间序列的线性模型28
2.1 平稳性30
2.2 相关系数和自相关函数31
2.3 白噪声和线性时间序列36
2.4 简单自回归模型37
2.4.1 AR模型的性质38
2.4.2 实践中AR模型的识别44
2.4.3 拟合优度49
2.4.4 预测50
2.5 简单移动平均模型52
2.5.1 MA模型的性质53
2.5.2 MA模型定阶54
2.5.3 模型估计55
2.5.4 用MA模型预测55
2.6 简单ARMA模型58
2.6.1 ARMA（1,1）模型的性质59
2.6.2 一般ARMA模型60
2.6.3 ARMA模型的识别60
2.6.4 用ARMA模型进行预测63
2.6.5 ARMA模型的三种表示方式63
2.7 单位根非平稳性65
2.7.1 随机游动65
2.7.2 带漂移的随机游动66
2.7.3 趋势平稳时间序列68
2.7.4 一般单位根非平稳模型68
2.7.5 单位根检验69
2.8 指数平滑72
2.9 季节模型74
2.9.1 季节差分75
2.9.2 多重季节模型77
2.9.3 季节哑变量82
2.10 带时间序列误差的回归模型84
2.11 长记忆模型89
2.12 模型比较和平均92
2.12.1 样本内比较92
2.12.2 样本外比较92
2.12.3 模型平均96
习题96
参考文献97
第3章 线性时间序列分析案例学习99
3.1 每周普通汽油价格99
3.1.1 纯时间序列模型100
3.1.2 原油价格的使用102
3.1.3 应用滞后期的原油价格数据103
3.1.4 样本外预测104
3.2 全球温度异常值108
3.2.1 单位根平稳109
3.2.2 趋势非平稳112
3.2.3 模型比较114
3.2.4 长期预测116
3.2.5 讨论117
3.3 美国月失业率121
3.3.1 单变量时间序列模型121
3.3.2 一个替代模型125
3.3.3 模型比较128
3.3.4 使用首次申请失业救济金人数128
3.3.5 模型比较135
习题135
参考文献136
第4章 资产波动率及其模型137
4.1 波动率的特征137
4.2 模型的结构138
4.3 模型的建立140
4.4 ARCH效应的检验141
4.5 ARCH模型143
4.5.1 ARCH模型的性质144
4.5.2 ARCH模型的优点与缺点145
4.5.3 ARCH模型的建立145
4.5.4 例子149
4.6 GARCH模型154
4.6.1 实例说明156
4.6.2 预测的评估163
4.6.3 两步估计方法164
4.7 求和GARCH模型164
4.8 GARCH-M模型166
4.9 指数GARCH模型168
4.9.1 第一个示例169
4.9.2 模型的另一种形式170
4.9.3 第二个示例170
4.9.4 用EGARCH模型进行预测172
4.10 门限GARCH模型173
4.11 APARCH模型175
4.12 非对称GARCH模型177
4.13 随机波动率模型179
4.14 长记忆随机波动率模型180
4.15 另一种方法181
4.15.1 高频数据的应用181
4.15.2 应用日开盘价、最高价、最低价和收盘价183
习题187
参考文献188
第5章 波动率模型的应用190
5.1 GARCH波动率期限结构190
5.2 期权定价和对冲194
5.3 随时间变化的协方差和β值196
5.4 最小方差投资组合203
5.5 预测207
习题214
参考文献214
第6章 高频金融数据215
6.1 非同步交易215
6.2 交易价格的买卖报价差218
6.3 交易数据的经验特征220
6.4 价格变化模型224
6.4.1 顺序概率值模型224
6.4.2 分解模型228
6.5 持续期模型232
6.5.1 日模式的成分233
6.5.2 ACD模型235
6.5.3 估计237
6.6 实际波动率241
6.6.1 处理市场微结构噪声247
6.6.2 讨论249
附录A 概率分布概览251
附录B 危险率函数253
习题254
参考文献255
第7章 极值理论、分位数估计与VaR257
7.1 风险测度和一致性257
7.1.1 风险值258
7.1.2 期望损失262
7.2 计算风险度量的注记263
7.3 风险度量制264
7.3.1 讨论267
7.3.2 多个头寸268
7.4 VaR计算的计量经济学方法270
7.5 分位数估计275
7.5.1 分位数与次序统计量276
7.5.2 分位数回归277
7.6 极值理论280
7.6.1 极值理论概览280
7.6.2 经验估计282
7.6.3 股票收益率的应用284
7.7 极值在VaR中的应用288
7.7.1 讨论289
7.7.2 多期VaR290
7.7.3 收益率水平290
7.8 超出门限的峰值291
7.8.1 统计理论292
7.8.2 超额均值函数293
7.8.3 估计294
7.8.4 另外一种参数化方法296
7.9 平稳损失过程298
习题299
参考文献300
索引302
