第1章 S-Plus的基本使用方法

1．1 S-Plus软件简介

l．2 s语言的基本对象

1．2．1 向量

1．2．2 矩阵

1．2．3 因子

1．2．4 列表

1．2．5 数据框

l．3 S语言的基本语法

1．3．1 分支语句

1．3．2 循环语句

1．4 S语言的自编函数

1．4．1 工作空间管理

1．4．2 参数(自变量)

1．4．3 作用域

1．5 S-P1us的绘图

1．5．1 散点图

1．5．2 密度函数的绘制

1．5．3 多组数据的图形绘制

1．5．4 多图控制

l．6 用SPlus读写数据文件

1．6．1 文本格式文件的读写方式

l．6．2 特定数据源数据的读写方式

1．6．3 利用菜单读写数据

1．7 数据的基本处理方法S-

1．7．1 特定数据的选择

l．7．2 数据的合并

1．7．3 数据的排序

1．7．4 数据的筛选

第2章 金融时间序列数据的处理方法

2．1 时间序列数据

2．1．1 “timeSeries”对象

2．1．2 “timeSeries'’的基本操作

2．1．3 “timeDate”对象

2．1．4 “timeDate”对象的基本操作．

2．1．5 递增时间序列的生成方法

2．1．6 生成“timeSeries”对象

2．1．7 时间序列数据的分组统计

2．1．8 时间序列数据的合并

2．1．9缺失值的处理方法j

2．2 在S-Plus中对时间序列的处理

2．2．1 生成滞后和差分．

2．2．2 收益率的定义

2．2．3 收益率的计算

2．2．4 收益率的特征

第3章 时间序列数据的回归分析．

3．1 最小二乘估计量

3．1．1 线性回归模型的矩阵方法：0LS的数值性质

3．1．2 回归模型的经典假设：0IS的统计性质

3．2 OLS估计量的有限样本性质

3．2．1 估计量口的有限样本性质

3．2．2 随机扰动项的方差估计量孑的有限样本性质

3．2．3 时间序列的有限样本性质

3．3 假设检验

3．3．1 个别回归系数的假设检验

3．3．2 线性约束检验

3．3．3 不包括常数项的所有系数的统计显著性：F统计量

3．4 违背经典假设数据的问题与处理

3．4．1 异方差

3．4．2 自相关

3．5 使用S+Finmetrics函数“0LS”进行时间序列回归

第4章 平稳时间序列模型

4．1 平稳时间序列的几个重要概念

4．1．1 平稳性

4．1．2 自相关

4．1．3 偏自相关

4．2 自回归模型

4．2．1 AR(1)模型

4．2．2 AR(1)模型的识别特征

4．2．3 AR(1)模型的生成程序

4．2．4 AR(1)模型的估计

4．2．5 AR(2)模型

4．2．6 AR(D)模型

4．2．7 自回归模型的建模法则

4．2．8 自回归模型的预测

4．3 移动平均模型

4．3．1 MA(1)模型

4．3．2 MA(1)模型的识别特征

4．3．3 MA(1)模型的生成程序

4．3．4 MA(1)模型的估计

4．3．5 MA(2)模型

4．3．6 MA(q)模型

4．3．7 移动平均模型的建模法则

4．3．8 移动平均模型的预测

4．4 自回归移动平均模型

4．4．1 ARMA(1，1)模型

4．4．2 ARMA(1，1)的识别特征

4．4．3 ARMA(1，1)的生成程序

4．4．4 ARMA模型的建模法则

4．4．5 自回归移动平均模型的预测

第5章 波动率建模

5．1 ARCH模型

5．1．1 ARCH模型的结构

5．1．2 ARCH模型的性质

5．1．3 ARCH模型的诊断

5．1．4 ARCH模型的估计

5．1．5 ARCH模型的预测

5．2 GARCt{模型

5．2．1 GARCH模型的结构

5．2．2 GARCH模型的性质

5．2．3 GARCH模型的估计方法

5．2．4 GARCH模型的优选

5．2．5 CARCH模型的预测

5．3 风险效应模型

5．3．1 风险效应

5．3．2 GARCH—M模型

5．3．3 GARCH—M模型的估计

5．3．4 GARCH—M模型的预测

5．4 杠杆效应模型

5．4．1 波动的非对称性

5．4．2 杠杆效应的检验

5．4．3 EGARCH模型

5．4．4 EGARCH模型的估计

5．4．5 EGARCH模型的预测

5．4．6 TGARCH模型

5．4．7 TGARCH模型的估计

5．5 含有外生变量的GARcH模型

5．5．1 外生变量与GARCH模型

5．5．2 含有外生变量的GARCI-{模型估计

第6章 非平稳序列与单位根

6．1 非平稳序列

6．1．1 随机游走

6．1．2 带漂移的随机游走

6．2 伪回归

6．3 DF检验

6．3．1 DF检验的基本思想

6．3．2 DF统计量的构造

6．3．3 蒙特卡洛模拟与DF分布的获取

6．3．4 S-Plus中DF检验方法

6．4 ADF检验

6．4．1 ADF检验的基本概念

6．4．2 ADF检验的经验法则

6．5 单位根检验的一个实际例子

第7章 向量自回归

7．1 向量自回归(VAR)模型的构造

7．2 VAR模型的残差滞后项表达式

7．2．1 VAR模型的估计方法

7．2．2 VAR模型滞后阶数的选择

7．2．3 VAR模型的稳定性条件

7．3 格兰杰因果检验

7．3．1 格兰杰因果检验的定义

7．3．2 F检验

7．3．3 Wald检验

7．4 VAR模型的脉冲响应分析

7．5 VAR模型预测误差的方差分解

7．6 结构向量自回归

7．6．1 结构模型还原的识别条件

7．6．2 S,VAR模型的一般形式

7．6．3 SVAR模型的似然估计

7．6．4 长期累积效应约束与BQ分解

7．6．5 SVAR模型的脉冲响应函数

7．7 结构向量自回归的实例

7．7．1 基于VAR(2)的模型

7．7．2 基于SVAR(2)的模型

第8章 协整与误差修正模型

8．1 协整的概念

8．1．1 单整

8．1．2 协整的定义

8．2 两个变量的协整分析

8．2．1 协整检验的基本思想

8．2．2 误差修正模型

8．2．3 E-G两部法

8．3 多个变量的协整分析

8．3．1 向量的协整

8．3．2 Johanson检验

参考文献