本书综合介绍金融计量模型及其在金融时间序列数据建模和预测中的应用，可帮助读者了解金融数据的基本特征，掌握金融计量模型的应用，并获得分析金融时间序列的经验。　
　　对计量经济学和统计学文献中金融计量方法方面的最新进展进行概述是本书的突出特点。这些进展包括当前的研究热点，如风险值、高频数据分析和马尔可夫链蒙特卡罗方法等。特别是一些在学术杂志上尚未发表的最新成果，如使用跳跃扩散方程进行衍生产品的定价，基于非齐次二维泊松过程的极值理论计算风险值，以及带时变相关系数的多元波动率模型。此外，本书还介绍了用MCMC方法进行金融中的贝叶斯推断。
　 　强调实例和数据分析是本书的另一个突出特点。全书采用实际金融数据说明所讨论模型和方法的应用。建立线性时间序列模型用SCA；估计波动率模型用RATS（时间序列的回归分析）；实现神经网络和绘制附图用S-Plus。用Fortran程序进行简单的期权定价、估计极值模型、计算风险值和进行贝叶斯分析。

无

本书由自1999年我在芝加哥大学商学院所教的MBA（工商管理硕士）金融时间序列分析课程发展而来．它也包含了过去几年我开设的时间序列分析博士生课程的内容．这是一本引论性质的书，旨在对金融计量模型及其在金融时间序列数据建模和预测中的应用，进行系统的、综合的阐述．目标是使读者了解金融数据的基本特征，懂得金融计量模型的应用，并获得分析金融时间序列的经验．
　　本书可作为金融专业MBA学生的时间序列分析教材，也适用于商学、经济学、数学和统计学专业对金融计量学感兴趣的研究生和高年级本科生．它也可以作为要进行风险值（Value at Risk）的计算、波动率（Volatility）建模和对具有先后相关性的数据进行分析等工作的研究人员和业内人士的参考书．
　　对计量经济学和统计学文献中的金融计量方法方面的最新进展进行概述是本书的突出特点．这些进展包括当前的研究热点，如风险值(VaR)、高频数据分析和马尔可夫链蒙特卡罗（MCMC）方法等．特别是，包含一些在学术杂志上尚未发表的最新成果，请参阅第6章中关于使用有显式公式的跳跃扩散方程来进行衍生产品的定价，第7章中基于非齐次二维泊松（Poisson）过程的极值理论计算风险值（VaR），以及第9章中带时变相关系数的多元波动率模型．之所以介绍MCMC方法，是因为这类方法在金融计量中很有威力，并有大量的应用，而且将来的应用范围会更加广泛．
　　强调实例和数据分析是本书的另一个突出特点．全书采用实际金融数据来说明所讨论模型和方法的应用．使用多种计算机软件进行分析；建立线性时间序列模型用SCA（Scientific Computing Associate，科学计算助手）；估计波动率模型用时间序列的回归分析（Regression Analysis for Time Series,RATS）；实现神经网络和绘制附图用SPlus．运行这些软件所需的某些命令在各章后的附录中给出．特别地，用来估计多元波动率模型的复杂的RATS程序在第9章附录A中给出．我采用了一些自己和其他人编的Fortran程序来对简单的期权定价、估计极值模型、计算风险值和贝叶斯（Bayesian）方法进行分析．一些数据集和程序可以在国际互联网上获得，网址为：http://wwwgsbuchicagoedu/fac/rueytsay/teaching/fts．
　　第1章描述金融时间序列数据的一些基本特征．其他章分为三个部分：第一部分由第2章至第7章组成，讨论一元金融时间序列的分析和应用；第二部分包括第8章和第9章，是关于多个资产收益率序列的；最后一部分是第10章，介绍用MCMC方法进行金融中的贝叶斯推断．
　　要完全读懂本书需要具备基本的统计学概念和知识．在每章中，当一个必要的统计学概念第一次出现时，我都要给一个简短的回顾．即使这样，还是竭力推荐统计学或商业统计学的必备知识，包括概率分布、线性回归分析．读懂全书中所讨论的应用还需要了解金融知识．然而，具备较好计量经济学和统计学背景的读者，也会在本书中发现多方面有趣的主题和带挑战性的问题．
　　作为MBA的课程，第2章和第3章可作为核心内容，再加上一些非线性方法（如第4章的神经网络及第5~7章和第10章中讨论的应用）．对贝叶斯推断感兴趣的读者可以从第10章前5节开始阅读．
　　金融时间序列分析的研究发展迅速，新成果不断出现．虽然我已经力图覆盖较广的范围，但仍有许多主题没有涉及或只是一带而过．
　　我真诚地感谢我的老师和亲密的朋友刁锦寰先生，是他在这些年中给了我指导、鼓励和钻研统计应用的坚定信念．感谢Steve Quigley、Heather Haselkorn、Leslie Galen、Danielle LaCourciere和Amy Hendrickson,没有他们的帮助这本书是不可能出版的．感谢Richard Smith， 他送给我极值理论的估计程序．感谢Bonnie KRay，他对本书的好几章都有非常有益的建议．感谢Steve Kou送给我他的关于跳跃扩散模型论文的预印本．感谢Robert EMcCulloch许多年来在MCMC方法上的合作．感谢选修我的金融时间序列分析课程的许多学生的反馈和投入．感谢Jeffrey Russell 和Michael Zhang关于高频金融数据的深入讨论．也感谢芝加哥大学商学院和美国国家科学基金会的支持．最后，对我的妻子Teresa的一贯支持、鼓励和理解，对Julie、Richard和Vicki给我带来的快乐和灵感，对我的父母亲给我的关爱，表示衷心的谢意．

RST.
芝加哥，伊利诺伊州

Ruey S.Tsay：Ruey S.Tsay:　　Ruey S. Tsay 于美国威斯康星大学麦迪逊分校获得统计学博士学位，美国芝加哥大学商学院研究生院经济计量及统计学的H.G.B.Alexander教授。曾任Journal of Financial Econometrics 杂志栏目编辑。

潘家柱：暂无简介

时间序列分析在理论和经验上已成为金融市场研究的不可缺少的部分．时间序列分析方法已是金融定量分析的主流方法之一．近代计量经济和金融市场的许多研究成果都建立在时间序列分析的基础之上．Engle和Grange因为他们的时间序列模型在经济金融中的广泛应用而获得2003年的诺贝尔经济学奖，就是时间序列分析方法的重要性在世界上被广泛认可的有力证明．
　　蔡瑞胸（Ruey STsay）教授是美国芝加哥大学的计量经济与统计学的HGB亚历山大（Alexander）教授．他在计量经济学、统计学和金融市场的研究方面成果卓著．他的这本《金融时间序列分析》涵盖了当前数理金融研究中最新的几个重要方面：风险值的计算、用显式表示的跳跃扩散过程进行期权定阶、高频金融数据的分析、带时变相关系数的多元波动率模型、马尔可夫链蒙特卡罗（MCMC）方法等．本书从金融时间序列的基本特征出发，讨论一元金融时间序列的分析和应用、多个资产的收益率以及金融模型的贝叶斯推断等问题．全书都在利用实例和实际的金融数据，来说明所述模型和方法的应用，并附有计算程序．这是一本比较全面系统地介绍金融计量模型，及其在金融时间序列数据的建模和预测中的应用的好书，在国外已被广泛引用．
　　译者几年来在北京大学金融数学系开设“金融时间序列分析”的课程，深知在课程中既做到理论和实际相结合又做到深入浅出的难度．蔡教授在本书中做到了理论与实际相结合，在叙述方式上深入浅出，而且结合了许多最新的金融计量学的研究成果和方法．本书对学习金融经济学、统计学的本科生和研究生来说，是一本很好的教科书；对管理、金融方面的业内人士和研究人员是一本很好的参考书．我相信本书中译本的出版对我国的金融计量学和统计学的教学、对现代金融计量方法在我国金融界的应用、对我国金融市场的量化研究工作都是有益的．
　　刘淑霞协助翻译了第5~10章，王辉、郭沁苗、肖业英和李宛朋也参与了部分翻译工作．没有他们的帮助本书的翻译工作是不可能完成的．对北京大学金融数学系的同事们的理解和支持，在此一并表示衷心的感谢．由于时间仓促，本人的精力和水平有限，翻译的谬误之处一定不少，望同行们和读者们多多指正．

潘家柱
2005年12月

第1章金融时间序列及其特征
11资产收益率
12收益率的分布性质
121统计分布及其矩的回顾
122收益率的分布
123多元收益率
124收益率的似然函数
125收益率的经验性质
13其他过程
练习题
参考文献
第2章线性时间序列分析及其应用
21平稳性
22相关系数和自相关函数
23白噪声和线性时间序列
24简单的自回归模型
241AR模型的性质
242实际中怎样识别AR模型
243预测
25简单滑动平均模型
251MA模型的性质
252识别MA的阶
253估计
254用MA模型预测
26简单的ARMA模型
261ARMA(1,1)模型的性质
262一般的ARMA模型
263识别ARMA模型
264用ARMA模型预测
265ARMA模型的三种表示
27单位根非平稳性
271随机游动
272带漂移的随机游动
273一般的单位根非平稳模型
274单位根检验
28季节模型
281季节性差分
282多重季节性模型
29带时间序列误差的回归模型
210长记忆模型
附录A一些SCA的命令
练习题
参考文献
第3章条件异方差模型
31波动率的特征
32模型的结构
33ARCH模型
331ARCH模型的性质
332ARCH模型的缺点
333ARCH模型的建立
334例子
34GARCH模型
341一个例子
342预测的评价
35求和GARCH模型
36GARCHM模型
37指数GARCH模型
371实例说明
372另一个例子
373用EGARCH模型预测
38CHARMA模型
39随机系数的自回归模型
310随机波动率模型
311长记忆随机波动率模型
312另一种方法
313应用
314GARCH模型的峰度
附录A估计波动率模型的一些RATS程序
练习题
参考文献
第4章非线性模型及其应用
41非线性模型
411双线性模型
412门限自回归模型
413平滑转移AR模型
414马尔可夫转换模型
415非参数方法
416函数系数AR模型
417非线性可加AR模型
418非线性状态空间模型
419神经网络
42非线性检验
421非参数检验
422参数检验
423应用
43建模
44预测
441参数自助法
442预测的评估
45应用
附录A一些关于非线性波动率模型的
RATS程序
附录B神经网络的SPlus命令
练习题
参考文献
第5章高频数据分析与市场微观结构
51非同步交易
52买卖报价差
53交易数据的经验特征
54价格变化模型
541顺序概率值模型
542分解模型
55持续期模型
551ACD模型
552模拟
553估计
56非线性持续期模型
57价格变化和持续期的二元模型
附录A一些概率分布的回顾
附录B危险率函数
附录C持续期模型的一些RATS程序
练习题
参考文献
第6章连续时间模型及其应用
61期权
62一些连续时间的随机过程
621维纳过程
622一般的维纳过程
623伊藤过程
63伊藤引理
631微分回顾
632随机微分
633一个应用
634μ和σ的估计
64股票价格与对数收益率的分布
65BlackScholes微分方程的推导
66BlackScholes定价公式
661风险中性世界
662公式
663讨论
67伊藤引理的扩展
68随机积分
69跳跃扩散模型
610连续时间模型的估计
附录ABS公式积分
附录B标准正态概率的近似
练习题
参考文献
第7章极值理论、分位数估计与VaR
71VaR
72风险度量制
721讨论
722多个头寸
73VaR计算的经济计量方法
74分位数估计
741分位数与次序统计量
742分位数回归
75极值理论
751极值理论的回顾
752经验估计
753股票收益率的应用
76VaR的极值方法
761讨论
762多期VaR
763空头头寸的VaR
77基于极值理论的一个新方法
771统计理论
772一个新方法
773基于新方法的VaR计算
774解释变量的使用
775模型检验
776解释
练习题
参考文献
第8章多元时间序列分析及其应用
81弱平稳与交叉相关矩阵
811交叉相关矩阵
812线性相依性
813样本交叉相关矩阵
814多元混成检验
82向量自回归模型
821VAR（1）模型的平稳性条件和矩
822向量AR（p）模型
823建立一个VAR(p)模型
83向量滑动平均模型
84向量ARMA模型
85单位根非平稳性与协整
86门限协整与套利
861多元门限模型
862数据
863估计
87主成分分析
871PCA理论
872经验的PCA
88因子分析
881估计
882因子旋转
883应用
附录A向量与矩阵的回顾
附录B多元正态分布
练习题
参考文献
第9章多元波动率模型及其应用
91重新参数化
911相关系数的应用
912楚列斯基分解
92二元收益率的GARCH模型
921常相关模型
922时变相关模型
93更高维的波动率模型
94因子波动率模型
95应用
96多元t分布
附录A对估计的一些注释
练习题
参考文献
第10章马尔可夫链蒙特卡罗方法的应用…
101马尔可夫链模拟
102吉布斯抽样
103贝叶斯推断
1031后验分布
1032共轭先验分布
104其他算法
1041Metropolis 算法
1042MetropolisHasting算法
1043格子吉布斯抽样
105带时间序列误差的线性回归
106缺失值和异常值
1061缺失值
1062异常值的识别
107随机波动率模型
1071一元模型的估计
1072 多元随机波动率模型
108马尔可夫转换模型
109预测
1010其他应用
练习题
参考文献
索引