The Foundations of Probability, Econometrics, and Economic Games pdf epub mobi txt 电子书 下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:Edward Elgar Pub

作者:Hamouda, O. F. (EDT)/ Rowley, J. C. R. (EDT)

出品人:

页数:0

译者:

出版时间:

价格:1975

装帧:HRD

isbn号码:9781858983707

丛书系列:

图书标签:

• Probability
• Econometrics
• Game Theory
• Economics
• Mathematics
• Statistics
• Foundations
• Decision Theory
• Modeling
• Quantitative Analysis

计量经济学前沿与金融市场结构：理论、模型与实证检验 本书聚焦于计量经济学在现代金融市场分析中的应用前沿，深入探讨了从微观资产定价到宏观经济波动建模的复杂问题。它旨在为高级本科生、研究生以及金融机构和监管部门的专业人士提供一个全面而严谨的理论框架和实证工具箱，用以理解和预测金融现象。 --- 第一部分：时间序列计量经济学的高级主题 本部分奠定了理解金融数据动态特性的数学和统计基础，超越了传统的平稳性假设，直面金融市场中的非线性和异方差性挑战。 第一章：高频数据与微观市场结构建模 金融市场中，数据的频率日益增高，要求我们使用能够捕捉交易层面信息的计量工具。本章首先回顾了高频数据（如秒级或毫秒级数据）的特殊性质，包括跳跃、厚尾分布和时间改变（time-varying nature）。 1.1 波动率建模的演进：从 ARCH 到高频估计 我们详细分析了 Engle 的 ARCH 模型及其扩展，如 GARCH、GJR-GARCH 和 EGARCH 模型，重点讨论了它们在捕捉波动率聚集效应（volatility clustering）方面的优势与局限。核心内容转向基于信息到达率的波动率估计。我们将介绍二次变分法（Quadratic Variation），阐述如何利用高频数据下的最优方差估计量来估计真实的、连续时间的资产收益率波动率，并与传统的日末（close-to-close）GARCH 估计进行比较。 1.2 市场微观结构对定价的影响 本节深入探讨了订单簿（Order Book）的动态机制如何影响资产价格的短期行为。引入了订单流（Order Flow Imbalance, OFI）作为预测因子，并构建了基于订单簿深度的联合时间序列模型，以区分由信息驱动的交易和流动性驱动的交易。讨论了有效市场假说（EMH）在微观结构下的修正，特别是流动性供给方的行为如何影响价格发现过程。 第二章：非线性与非平稳时间序列分析 金融时间序列的非线性特征是其复杂性的主要来源。本章重点介绍处理这些非线性依赖和长期记忆（long memory）的统计工具。 2.1 非线性时间序列模型：状态空间与转换 我们详细考察了门控状态空间模型（Threshold Autoregressive, TAR）及其扩展，如 Markov Switching ARMA (MS-ARMA) 模型。这些模型允许模型的参数在不同的经济状态（如衰退期与扩张期）之间切换，从而更好地拟合经济周期下的波动。此外，本章也涵盖了非线性 GARCH 模型，例如随机波动（Stochastic Volatility, SV）模型，通过马尔可夫链蒙特卡洛（MCMC）方法进行估计，以克服传统模型的识别问题。 2.2 长记忆与分形市场假说 本节聚焦于金融时间序列中普遍存在的长期记忆现象。我们介绍了分形布朗运动（Fractional Brownian Motion, fBm）和 FARIMA（Fractional Autoregressive Integrated Moving Average）模型，这些模型能够有效地捕捉到收益率的长期相关性和持久性。深入讨论了Hurst 指数的估计方法，并将其与有效市场假说的随机游走特性进行对比，为“过度反应”或“迟滞反应”的实证检验提供工具。 --- 第二部分：计量经济学前沿在宏观金融中的应用 本部分将时间序列分析的成果应用于宏观经济变量，特别是利率、通货膨胀和产出缺口建模，以评估货币政策的有效性和金融部门的系统性风险。 第三章：动态随机一般均衡（DSGE）模型的计量估计与检验 DSGE 模型是现代宏观经济政策分析的核心。本书强调了如何将先进的计量技术应用于这些复杂的、高度参数化的模型。 3.1 模型识别与贝叶斯方法 我们不再仅仅依赖传统的矩估计，而是全面介绍贝叶斯推断方法（如 MCMC 和渐进蒙特卡洛，Particle Filter）在估计和校准 DSGE 模型中的应用。重点讲解了平滑与滤波技术，特别是如何利用卡尔曼滤波处理不可观测的状态变量（如潜在通胀预期、自然利率）。探讨了模型识别问题，即如何确保模型参数的估计具有唯一性。 3.2 结构冲击识别与政策脉冲响应分析 识别经济冲击是 DSGE 模型应用的关键。本章详细阐述了结构向量自回归（SVAR）模型识别方法（如 Cholesky 分解、符号限制识别）在 DSGE 模型中的整合。通过模拟和实证检验，分析了货币政策冲击、技术冲击和偏好冲击对产出、投资和通货膨胀的动态影响路径。特别关注“不可靠性”（unidentified）模型中冲击解释的稳健性检验。 第四章：金融风险的计量建模：尾部风险与跨市场溢出 金融危机揭示了传统风险度量（如 VaR）在捕捉极端尾部事件和系统性风险方面的不足。本部分侧重于更具稳健性的风险计量方法。 4.1 极值理论（Extreme Value Theory, EVT）与尾部风险度量 本书系统介绍了广义帕雷托分布（Generalized Pareto Distribution, GPD）在估计资产组合的极端损失分布中的应用。通过Peaks Over Threshold (POT) 方法，我们能够更准确地估计远尾部的风险，而非仅仅依赖于高斯分布的假设。讨论了如何将 EVT 与 GARCH 模型相结合，构建动态 EVT 模型来估计随时间变化的尾部风险。 4.2 系统性风险的度量与传染建模 引入了边际期望损失（Marginal Expected Shortfall, MES）和条件风险价值（CoVaR）等衡量系统性风险的先进指标。在传染建模方面，我们使用网络计量模型（Network Econometrics），将金融机构间的相互关联性纳入时间序列分析框架，构建时变连接矩阵，以量化某一机构的困境如何通过金融网络向其他部门扩散。 --- 第三部分：计量经济学工具箱的扩展与高级主题 本部分涵盖了处理高维数据、面板数据以及因果推断等在现代金融经济学研究中日益重要的主题。 第五章：高维时间序列与因子模型 随着金融市场中可观测变量（如宏观数据、市场情绪指标、大量个股收益率）的数量急剧增加，传统的 VAR 模型面临“维度灾难”。 5.1 因子模型的维度缩减与主成分分析（PCA） 重点介绍如何利用主成分分析（PCA）和动态因子模型（DFM）来从高维数据中提取少数几个核心的、潜在的共同因子。讨论了最大似然法（ML）和迭代 PCA 在估计这些共同因子上的适用性。这些因子被广泛应用于资产定价的扩展模型（如 APT 的扩展）。 5.2 大规模 VAR（SVAR）与正则化技术 介绍如何使用正则化技术（Regularization），如 LASSO 和 Ridge 回归，来估计高维 VAR 模型，以实现参数的稀疏化和降噪。讲解了贝叶斯 VAR（BVAR）模型中，如何通过引入先验信息（如明尼苏达先验）来稳定高维系统的估计，并评估不同先验设置对脉冲响应分析的敏感性。 第六章：面板数据计量与因果推断 金融研究中大量存在跨机构、跨国家或跨时间的面板数据。本章强调从相关性中分离因果效应的计量方法。 6.1 异质性与空间相关性 深入分析了面板数据模型中处理个体异质性（固定效应与随机效应）的优劣。重点探讨了金融时间序列面板中常见的横截面依赖（Cross-Sectional Dependence, CSD）问题。介绍共同相关效应（Common Correlated Effects, CCE）估计量，该方法在处理未知、非线性的横截面依赖时展现出优秀的渐近性质。 6.2 准实验设计与因果推断 在宏观金融和公司金融中，随机实验往往不可行。本章详细讲解了双重差分法（Difference-in-Differences, DiD）的现代扩展，包括合成控制法（Synthetic Control Method, SCM），用于评估特定政策或事件（如金融监管改革）对目标经济体的真实因果效应。此外，还将介绍断点回归（Regression Discontinuity Design, RDD）在处理政策阈值问题时的应用。 --- 本书的特点在于其对统计推断的严谨性和对金融现实问题的聚焦的平衡。每一章都穿插了大量的案例分析，这些案例取材于近期国际金融市场的真实数据，并使用主流的计量软件（如 R 或 Python 库）进行复现和扩展，确保读者不仅理解理论，还能掌握实操能力。本书提供了一个批判性的视角，审视标准模型的局限性，并引导读者走向更复杂的、能够解释当代金融市场复杂性的计量方法。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆