随着数量金融专业的不断兴起，金融计量经济学在金融领域的应用变得十分重要，它可以提供分析模型用以确定复杂的金融产品结构，也可以用来估值和进行风险评估。本书涵盖金融计量经济学的常用技术，避免使用不必要的数学和统计模型分析，且强调基础理论和应用。本书主要讨论了回归分析模型、因子分析、风险分析和时间序列分析。另外，本书也配套了教学资源，读者可以在上面查到大量的真实案例和最新的研究内容，比如信贷得分、对冲固定收益证券、平衡资产组合等等。
无
计量经济学是经济学的一个分支，但是它更侧重从统计角度检验和分析经济学关系。在计量经济学的研究范畴内，有的理论计量经济学家致力于对模型估计量统计性质的研究。其中的佼佼者为该领域的发展做出了重要贡献，因此获得了诺贝尔经济学奖。为了彰显计量经济学对经济学学科的重要性，两位计量经济学家简·丁伯根（Jan Tinbergen）和拉格纳·弗里希（Ragnar Frisch）（后者首次使用了如今所使用的计量经济学这个术语）同时获得了第一届诺贝尔经济学奖。拉尔斯·彼得·汉森（Lars Peter Hansen）为计量经济学领域的发展做出了重要贡献，并成为2013年诺贝尔经济学奖的获得者之一。
本书主要介绍的是金融计量经济学，这是计量经济学进一步细分的研究领域。正如范剑青（Jianqing Fan）所述，金融计量经济学是“使用统计学技术和经济学理论研究金融学所面临的问题的学科。所研究的问题涵盖了金融模型的构建、金融模型的估计和推断、波动率估计、风险管理、检验金融经济学理论、资本资产定价、金融衍生品定价、投资组合配置、风险调整后的收益、金融系统的仿真、对冲策略及其他”。
“An Introduction to Financial Econometrics，”Unpublished paper，Department of Operations Research and Financial Engineering，Princeton University，2004.
罗伯特·恩格尔（Robert Engle）和克莱夫·格兰杰（Clive Granger）两位计量经济学家为金融计量经济学的发展做出了重大的贡献，并于2003年共同获得了诺贝尔经济学奖。
为什么要写这本书？因为学习和教授金融计量经济学如何应用于金融领域的需求日益增加。本书的独特之处在于，重点介绍了如何将金融计量经济学应用在资产管理领域相关理论的验证和投资策略的开发中。本书所要传达的核心观点来自作者多年来致力于将金融计量经济学应用于资产管理领域的设计、开发、测试和实施的实际经验。
在本书中，我们对实施金融计量模型所需的基本工具进行了讲解和举例说明。与其他书强调资产管理的抽象数学模型不同，本书另辟蹊径，着重讲解了如何使用金融计量工具构建资产管理策略。本书讨论了资产管理策略构建过程的各个方面，涉及模型风险、模型局限性以及模型背后的经济学直觉，并且使用现实中的例子来描述关键问题。
首先，本书讨论了将金融计量经济学应用于资产管理的流程，详细地讨论了建模涉及的三个基本步骤：模型的选择、估计和检验。本书强调了经济学直觉发挥的作用。在设计模型之前，我们必须决定在资产管理过程中利用哪些要件。
其次，本书讨论了金融计量经济学的基本技术：回归分析。回归模型尽管看起来简单，但是只有在经过细心思考后所构建的回归模型才能成为强有力的工具。本书介绍了多种回归分析模型，包括分位数回归和含有分类变量的回归，也介绍了模型的适用性和失效条件。本书还介绍了稳健回归的相关概念和技术细节。本书所涉及的概念也都附上了实践中的例子。
再次，本书分析了时间序列的动态特性，介绍了单变量自回归模型和向量自回归模型。本书通过引入协整的概念将均值回归形式化，并描述了金融时间序列的异方差行为，还讨论了每个模型背后的经济学直觉，以及参数估计和检验的方法。本书还分析了自回归技术的局限性，在条件可行时使用均值回归的优势，以及使用自回归分析模型的风险，并且再次用真实的例子来加以说明。
随后，本书开始考虑标的数量较多的投资组合，并讨论用于对大规模联立时间序列建模的技术，特别是因子模型和主成分分析。本书探讨了参数数量较多模型的估计和测试问题，以及在大型的、互相相关的时间序列中分离信息和噪声的技术。
最后，本书讨论了将金融计量模型应用于资产管理的具体过程，并讲解了该过程的各个步骤，以及构建模型时所涉及的技术。
当前计量模型发展的一个重要特点是可以利用先进的计量经济学软件。金融计量模型应用过程中的很多环节已经集成到了现成的软件中。大多数技术性工作，从数据优化到回归模型的估计及自回归模型的构建，都是通过计量经济学软件完成的。使用这些软件工具已经成为金融应用程序开发人员的常见做法。由于这个原因，我们确实花了很多时间来讨论计算问题，这些是由专家处理的高级技术问题。计量经济学应用程序的一般用户和（或）开发人员不会花时间重写通过商业途径可以得到的应用程序。因此，我们将重点放在设计金融计量模型的过程上，而不是基本技术背后的计算问题。
推荐阅读
自从1952年马科维茨提出现代投资组合理论开始，金融学的研究就已经和定量分析技术密不可分了。尽管偶尔还有学者抱怨经济学或者金融学的研究过于数学化，但这仅仅是在讨论合理使用程度的问题。用量化技术对金融学问题进行精确分析已经是不可逆转的趋势。任何新的金融学的进展，要么是纯粹的金融逻辑推理，像马科维茨一样以数学模型来讲述金融学道理和解决相关问题；要么是利用现实的数据来展示金融世界潜在的规律和模式。金融计量经济学也因此成为大学里所有金融学相关专业学生的必修课程。
金融计量经济学的优秀教科书现在已经可以称得上汗牛充栋了，无数杰出的教授在这方面做出了贡献。这些教科书往往分为两类：一类是试图从数学意义上严格地介绍金融研究中常用的计量经济学方法，并且讨论这些方法的统计学性质，在此基础上以经典的金融学案例来探讨这些方法的适用性；而另一类教科书则首先追求的是寻找计量经济学方法和金融学问题的平衡，这类教科书首先考虑的不是数学的严格，而是方法和问题的结合。弗兰克·法博齐（Frank J.Fabozzi）教授和他的合作者们写作的这本书正是第二类教科书的典范。从标题就可以看出，这本书的作者们尝试将计量经济学方法与资产管理相关的金融学问题结合起来。例如作者在介绍分位数回归时，不仅仅介绍了分位数回归在度量在险价值（VaR）时的经典应用，还介绍了用分位数回归构建量化投资策略、探测投资组合经理的风格、确定影响公司资本结构的影响因素等，这些例子都是分位数回归在金融学领域非常精巧的应用，新颖而且有启发性，在以往的教科书中很少能够找到。
另外，大学教授通常喜欢按照学术的脉络来讲解相关理论和方法，而中小学老师则强调如何让学生更加容易地掌握新知识。实际上，如果大学教授适度考虑学生的接受能力，会达到事半功倍的效果。法博齐教授和他的合作者们写作的这本书在这方面也下了不少功夫，很多时候作者把金融学问题讲得很清楚，但是如何用经济计量学方法来解决的细节却有点儿简略。在翻译的过程中，我和我的合作者们有时候希望是不是多加几个长长的“译者注”来帮助读者真正理解每一个步骤，但我们最后还是抑制住这种冲动来保持译者的本分，同时维护全书的风格。书中一些复杂的方法往往有多个知识点，作者将这些知识点分散在不同的章节中，使得读者不至于一开始就陷入过于烦琐的数学推导中而失去对所研究问题的兴趣。
在翻译过程中，对外经济贸易大学的多位博士生和硕士生直接参与了具体的翻译工作，他们分别是博士生蔡显军、付志强、李燕红、李羽翔、刘细宪、孙晓婷、田歌然、王沈南、魏丽、张旭阳、赵文耀，硕士生葛诗蕙、李捷、潘韬略、王笑梅、王雅婧、尹晓芸、张义斌、张雨萌、周一曼、朱江泰（排名不分先后）。翻译的过程中我们互相帮助，更多的时候是互相挑刺，然而最后依然不太敢交稿，最后在编辑的一再催促下才依依不舍地交上了这一份依然需要提高的译稿，如有疏漏敬请读者指正。特别要感谢的是机械工业出版社的编辑们，他们对本书的翻译工作提供了帮助，并提出了很多宝贵的意见和建议。
吴卫星等
2019年9月
译者序
前言
致谢
关于作者
第1章 导论1
学习目标1
1.1 金融计量经济学的步骤2
1.1.1 模型选择2
1.1.2 模型估计3
1.1.3 模型检验4
1.2 数据生成过程5
1.3 金融计量经济学在投资管理领域的应用6
1.3.1 资产配置6
1.3.2 投资组合的构建7
1.3.3 投资组合的风险管理8
要点回顾10
第2章 简单线性回归12
学习目标12
2.1 相关性的作用12
2.2 回归模型：两个变量之间的线性函数关系14
2.3 回归模型的分布假设15
2.4 回归模型的估计17
2.5 模型的拟合优度20
2.6 简单线性回归在金融领域的两个应用22
2.6.1 估计共同基金的特征线22
2.6.2 控制股票投资组合的风险26
2.7 非线性关系的线性回归33
要点回顾34
第3章 多元线性回归模型36
学习目标36
3.1 多元线性回归模型概述36
3.2 多元线性回归模型的假设37
3.3 模型参数的估计38
3.4 模型设计40
3.5 诊断检验及模型显著性40
3.5.1 模型的显著性检验41
3.5.2 自变量显著性的检验43
3.5.3 新增变量的F检验43
3.6 多元线性回归在金融领域的应用44
3.6.1 久期的估计44
3.6.2 预测10年期国债收益率52
3.6.3 基准的选择：夏普基准59
3.6.4 基于收益率的对冲基金投资风格分析61
3.6.5 抵押市场的溢价／折价分析63
3.6.6 强式定价效率检验65
3.6.7 资本资产定价模型的检验67
3.6.8 多因子模型的证明69
要点回顾70
第4章 建立和检验多重线性回归模型72
学习目标72
4.1 多重线性问题72
4.2 建模技术75
4.2.1 逐步包含回归方法76
4.2.2 逐步排除回归方法77
4.2.3 标准的逐步回归方法77
4.2.4 逐步回归方法的应用77
4.3 多元线性回归模型的假设检验78
4.3.1 线性检验80
4.3.2 关于误差项的假定统计特性81
4.3.3 残差的正态分布检验82
4.3.4 验证误差项的常方差（同方差性）83
4.3.5 残差的非自相关85
要点回顾88
第5章 时间序列分析简介91
学习目标91
5.1 时间序列91
5.2 时间序列的分解93
5.3 用差分方程表示时间序列96
5.4 应用：价格波动过程97
5.4.1 随机游走模型97
5.4.2 误差修正模型99
要点回顾100
第6章 回归模型中的分类变量102 学习目标102
6.1 自变量为分类变量103
6.2 因变量为分类变量123
6.2.1 线性概率模型123
6.2.2 probit回归模型124
6.2.3 logit回归模型125
要点回顾125
第7章 分位数回归127
学习目标127
7.1 经典回归分析的局限性128
7.2 参数估计128
7.3 分位数回归过程129
7.4 分位数回归在金融领域的应用131
7.4.1 投资组合管理者风格的决定因素132
7.4.2 影响资本结构的决定因素134
要点回顾137
第8章 稳健回归138
学习目标138
8.1 稳健回归估计139
8.2 协方差和相关矩阵的稳健估计145
8.3 应用147
要点回顾148
第9章 自回归移动平均模型149
学习目标149
9.1 自回归模型150
9.2 移动平均模型153
9.3 自回归移动平均模型概述155
9.4 使用ARMA模型预测标准普尔500指数的周收益158
9.5 向量自回归模型162
要点回顾163
第10章 协整164
学习目标164
10.1 平稳、非平稳时间序列和协整165
10.2 协整关系检验169
10.2.1 Engle-Granger协整检验169
10.2.2 Johansen-Juselius协整检验176
要点回顾181
第11章 自回归异方差模型及其扩展182
学习目标182
11.1 估计和预测时间序列的波动性183
11.2 ARCH模型184
11.2.1 ARCH行为184
11.2.2 ARCH模型表现187
11.2.3 ARCH均值模型191
11.3 GARCH模型191
11.3.1 ARCH/GARCH模型应用193
11.3.2 GARCH模型的单变量扩展194
11.3.3 ARCH/GARCH模型的参数估计196
11.3.4 GARCH模型在期权定价上的应用196
11.3.5 ARCH/GARCH模型的多元扩展197
要点回顾200
第12章 因子分析和主成分分析201
学习目标201
12.1 线性回归的假设202
12.2 因子模型的基本概念203
12.3 因子模型的假设和分类206
12.4 因子模型与线性回归的异同206
12.5 因子模型的性质207
12.6 因子模型的估计209
12.6.1 因子的不确定性问题209
12.6.2 因子的数量估量210
12.6.3 模型参数估计210
12.6.4 因子的估计214
12.6.5 其他类型的因子模型216
12.7 主成分分析216
12.7.1 主成分分析步骤216
12.7.2 主成分分析的过程224
12.8 因子分析与主成分分析之间的差异224
12.9 近似（大）因子模型225
12.10 近似因子模型和主成分分析226
要点回顾227
第13章 模型估计229
学习目标229
13.1 统计估计与检验229
13.2 估计方法231
13.3 最小二乘估计法232
13.3.1 普通最小二乘估计法237
13.3.2 加权最小二乘估计法238
13.3.3 广义最小二乘估计法240
13.4 极大似然估计法240
13.4.1 极大似然估计在回归模型中的应用之一241
13.4.2 极大似然估计在回归模型中的应用之二242
13.4.3 极大似然估计在因子模型中的应用244
13.5 工具变量估计法244
13.6 矩估计法245
13.7 M估计方法和M估计量250
要点回顾250
第14章 模型选择251
学习目标251
14.1 物理和经济学：科学的两种途径251
14.2 对复杂性建模和样本容量253
14.3 数据透视255
14.4 幸存者偏差和其他样本缺陷256
14.5 模型风险259
14.6 模型选择小结260
要点回顾262
第15章 使用金融计量经济模型构建和实施投资策略264
学习目标264
15.1 量化研究过程265
15.1.1 基于金融经济理论形成一个事前的合理推断266
15.1.2 避免样本中的幸存者偏差267
15.1.3 选择模型的估计方法268
15.1.4 拟合和预测的权衡268
15.1.5 情绪的影响270
15.1.6 统计显著并不能保证alpha271
15.2 投资策略的构建过程272
15.2.1 建立估计预期收益的模型272
15.2.2 独立的风险控制274
要点回顾276
附录A 描述性统计277
附录B 金融计量经济学常用的连续概率分布297
附录C 推断统计311
附录D 矩阵代数基础332
附录E 模型选择准则：AIC和BIC343
附录F 稳健统计347
