时间序列数据分析

时间序列数据的统计规律性研究是经济、金融、商业、市场、公共政策等领域中非常重要的问题。时间序列数据分析有助于探寻数据的变动特征，从中找出数据背后隐藏的信息，进而拟合数据变动规律的模型，预测数据的未来变化。
本书中各部分内容均先介绍时间序列数据分析的基本理论，然后以中国经济金融数据为例说明理论的具体应用，对于厌烦模型推导的读者可以忽略模型推导过程，直接阅读模型的基本结论和实例应用。
本书主要适用于高年级本科生时间序列分析课程的教材，也可作为硕士生使用R软件学习时间序列分析的入门用书。本书不仅可用于高校教学，还可作为经济、管理等实际工作部门数量分析人员研究时间序列数据的参考。

第1章导论
1.1时间序列的发展过程
1.2时间序列数据的类型与图形表示
1.2.1时间序列数据的类型
1.2.2时间序列数据的图形表示
1.3时间序列数据分析的目的
1.4时间序列数据的平稳性和自相关性
1.4.1平稳性
1.4.2自相关性
1.5平稳时间序列的Wold分解
（本章小结）
（思考与练习）
第2章数据的分解和平滑
2.1时间序列数据的分解
2.2移动平均方法
2.2.1中心化移动平均法
2.2.2简单移动平均法
2.2.3二次移动平均法
2.3指数平滑方法
2.3.1简单指数平滑法
2.3.2Holt线性指数平滑法
2.3.3Holt—Winters指数平滑法
（本章小结）
（思考与练习）
第3章平稳时间序列模型
3.1滞后算子
3.2自回归模型
3.2.1一阶自回归模型
3.2.2二阶自回归模型
3.2.3p阶自回归模型
3.2.4自回归模型的阶数识别
3.3移动平均模型
3.3.1一阶移动平均模型
3.3.2q阶移动平均模型
3.3.3移动平均模型的阶数识别
3.4自回归移动平均模型
3.4.1ARMA（1，1）模型
3.4.2ARMA（p，q）模型
3.4.3ARMA模型的阶数识别
3.4.4其他模型选择方法
3.5参数估计
3.5.1矩法
3.5.2条件最小二乘
3.5.3极大似然法
3.5.4模型诊断
3.6预测
3.6.1最小均方预测
3.6.2一阶自回归模型预测
3.6.3p阶自回归模型预测
3.6.4一阶移动平均模型预测
3.6.5ARMA（p，q）模型预测
（本章小结）
（思考与练习）
第4章非平稳时间序列模型
4.1非平稳的形式
4.1.1确定性趋势
4.1.2随机性趋势
4.2趋势的消除
4.3ARIMA模型
4.3.1一般ARIMA模型
4.3.2随机游走模型
4.3.3IMA（1，1）模型
4.4ARIMA模型的预测
4.4.1随机游走模型的预测
4.4.2ARIMA（1，1，1）模型的预测
4.5ARIMA模型的建模
（本章小结）
（思考与练习）
第5章季节时间序列模型
5.1简单季节ARMA模型
5.1.1简单季节MA（Q）s模型
5.1.2简单季节AR（P）s模型
5.2乘积季节ARMA模型
5.2.1乘积季节ARMA（p，q）×（P，Q）s模型
5.2.2乘积季节ARMA（O，1）×（1，0）12模型
5.3非平稳季节ARIMA模型
5.4SARIMA模型预测
5.4.1季节AR（1）12模型
5.4.2季节MA（1）12模型
5.4.3SARIMA（0，0，0）×（0，1，1）12模型
5.4.4SARIMA（0，1，1）×（0，1，1）12模型
（本章小结）
（思考与练习）
第6章协整和误差修正模型
6.1单位根检验
6.1.1检验非平稳性和平稳性
6.1.2单位根检验
6.1.3ADF单位根检验
6.1.4PP单位根检验
6.1.5KPSS检验
6.2协整
6.2.1长期趋势
6.2.2关于协整的一些定理
6.2.3协整检验
6.3误差修正模型
（本章小结）
（思考与练习）
第7章资产收益率与波动性模型
7.1资产收益率
7.1.1简单收益率
7.1.2对数收益率
7.1.3投资组合收益率
7.1.4红利支付和超额收益率的影响
7.2ARCH模型
7.2.1ARCH（1）模型
7.2.2ARCH（p）模型
7.2.3ARCH效应
7.3GARCH模型
7.3.1GARCH（1，1）模型
7.3.2GARCH（p，q）模型
7.4GARCH模型扩展
7.4.1非对称GARCH模型
7.4.2EGARCH模型
7.4.3GARCH—M模型
（本章小结）
（思考与练习）
参考文献