時間序列分析

本書以時間序列模型為基礎，以經濟學和管理學中的案例為載體，採用理論講解與數據分析案例實踐相結合的方式編寫而成。全書共9章，包括時間序列分析基礎、線性時間序列模型、單位根時間序列模型、非線性時間序列模型、協整時間序列模型、波動率模型、時間序列的機器學習方法、時間序列的深度學習方法和課程綜合案例等內容。

本書配有PPT課件、教學大綱、數據集、R語言代碼、課後習題答案、模擬試卷及答案等教學資源，使用本書的老師可在人郵教育社區免費下載使用。

本書不僅可以作為統計學、數據科學等相關專業本科生學習數據建模相關課程的教材，也可以作為研究生、政府人員和企業管理人員學習預測和決策方法的培訓書或自學書。 ^[1] 

第 1章 時間序列分析基礎 1

本章導讀 1

1．1 時間序列數據概述 1

1．1．1 數據類型 1

1．1．2 數據可視化 2

1．1．3 數據來源 5

1．1．4 數據特徵 6

1．1．5 數據預處理 10

1．2 時間序列的基本概念 10

1．2．1 平穩性 10

1．2．2 遍歷性 10

1．2．3 白噪聲 11

1．2．4 鞅差過程 11

1．2．5 相依性度量 11

1．2．6 長期協方差 15

1．3 時間序列基本模型 17

1．3．1 白噪聲模型 17

1．3．2 滑動平均模型 17

1．3．3 自迴歸模型 18

1．3．4 自迴歸滑動平均模型 19

1．4 時間序列預測方法 19

1．4．1 均值預測法 19

1．4．2 樸素預測法 19

1．4．3 滑動平均法 20

1．4．4 指數平滑法 20

1．4．5 模型預測法 20

1．5 案例分析：投資組合 21

習題 21

第 2章 線性時間序列模型 23

本章導讀 23

2．1 線性時間序列模型基礎 23

2．1．1 線性時間序列過程 23

2．1．2 滯後算子 24

2．2 自迴歸模型 25

2．2．1 一階自迴歸模型 25

2．2．2 二階自迴歸模型 26

2．2．3 p階自迴歸模型 28

2．2．4 自迴歸模型定階 29

2．2．5 自迴歸模型預測 32

2．3 滑動平均模型 34

2．3．1 一階滑動平均模型 35

2．3．2 二階滑動平均模型 35

2．3．3 q階滑動平均模型 36

2．3．4 滑動平均模型定階 37

2．3．5 滑動平均模型預測 37

2．4 自迴歸滑動平均模型 39

2．4．1 簡單自迴歸滑動平均模型 39

2．4．2 自迴歸滑動平均模型定階 40

2．4．3 自迴歸滑動平均模型預測 42

2．5 線性時間序列建模指南 44

2．5．1 線性時間序列建模思想 44

2．5．2 線性時間序列建模步驟 45

2．6 案例分析 46

習題 48

第3章 單位根時間序列模型 50

本章導讀 50

3．1 單位根舉例 50

3．1．1 醉漢 50

3．1．2 股票價格 50

3．1．3 消費 51

3．2 自迴歸模型的統計推斷 51

3．2．1 平穩過程 52

3．2．2 單位根過程 52

3．2．3 爆炸過程 53

3．3 單位根檢驗 53

3．3．1 Dickey-Fuller檢驗 54

3．3．2 Phillips-Perron檢驗 61

3．3．3 ADF檢驗 64

3．3．4 其他檢驗 65

3．4 案例分析 68

習題 71

第4章 非線性時間序列模型 72

本章導讀 72

4．1 參數非線性時間序列模型 72

4．1．1 自激勵門限自迴歸模型 72

4．1．2 平滑轉換自迴歸模型 73

4．1．3 馬爾可夫區制轉換自迴歸模型 74

4．2 非參數時間序列模型 76

4．2．1 核估計 77

4．2．2 篩分估計 80

4．3 半參數時間序列模型 83

4．3．1 部分線性迴歸模型 83

4．3．2 單因子迴歸模型 83

4．3．3 可加模型 84

4．3．4 變係數模型 84

4．4 非線性檢驗 85

4．4．1 參數非線性檢驗 85

4．4．2 非參數模型設定檢驗 88

4．5 案例分析 91

習題 94

第5章 協整時間序列模型 95

本章導讀 95

5．1 虛假迴歸 95

5．1．1 虛假迴歸的發現 95

5．1．2 虛假迴歸的特徵 96

5．2 協整模型 98

5．2．1 協整的定義 98

5．2．2 協整的誤差修正表示 99

5．2．3 協整的檢驗 101

5．3 平衡迴歸 112

5．3．1 平衡迴歸的構造 113

5．3．2 平衡迴歸的性質 113

5．4 非線性協整模型 114

5．4．1 參數非線性協整模型 114

5．4．2 非參數協整模型 115

5．4．3 半參數協整模型 115

5．4．4 變係數協整模型 116

5．5 協整模型的模型設定檢驗 116

5．6 案例分析 117

習題 121

第6章 波動率模型 122

本章導讀 122

6．1 自迴歸條件異方差模型 122

6．1．1 ARCH模型及其性質 123

6．1．2 ARCH模型的估計 125

6．1．3 檢驗ARCH效應 125

6．1．4 ARCH模型建模步驟 126

6．2 廣義自迴歸條件異方差模型 128

6．3 其他條件異方差模型 132

6．3．1 IGARCH 132

6．3．2 ARCH－M模型 132

6．3．3 EGARCH 132

6．3．4 TGARCH 133

6．3．5 半/非參數GARCH 134

6．4 多元波動率模型 135

6．4．1 條件協方差模型 135

6．4．2 條件方差和條件相關係數模型 136

6．5 案例分析 137

習題 143

第7章 時間序列的機器學習方法 144

本章導讀 144

7．1 支持向量迴歸 144

7．2 迴歸樹 147

7．3 聚類 149

7．3．1 聚類的基本思想 149

7．3．2 k均值聚類 150

7．3．3 分層聚類 151

7．4 案例分析 153

7．4．1 案例分析1：SVR和迴歸樹的應用 153

7．4．2 案例分析2：時間序列聚類 155

習題 159

第8章 時間序列的深度學習方法 160

本章導讀 160

8．1 前饋神經網絡 160

8．1．1 神經元 160

8．1．2 多層感知機 163

8．2 卷積神經網絡 165

8．3 循環神經網絡 168

8．3．1 簡單循環單元網絡 168

8．3．2 長短期記憶網絡 169

8．3．3 門控循環單元網絡 170

8．4 案例分析 171

8．4．1 案例分析1：美國GNP數據神經網絡預測 171

8．4．2 案例分析2：股票漲跌的神經網絡預測 174

習題 175

第9章 課程綜合案例 176

本章導讀 176

9．1 案例分析：投資組合 176

9．2 股票的超額收益率的均值預測 178

9．3 股票超額收益率的波動率預測 178

9．4 投資組合 180

9．5 投資策略 182

參考文獻 184 ^[1]