第 1 章 R 语言概述
金融计量的学习不仅要理解模型,也要能处理数据、复现结果。本章从 R 与 RStudio 入手,介绍向量、数据框、函数、循环等基础工具,接着练习数据导入、缺失值处理和可视化。课程还通过金融收益率、随机数模拟以及世界银行开放数据的例子,说明如何编写代码,完成可复现的数据分析。
首页 / 章节
全书共十二章,从 R 语言和金融市场基础入手,逐步讲解回归分析、时间序列、波动率建模与资产定价,再扩展到连续时间模型、收益率曲线、风险管理及人工智能应用。可按以下四个阶段系统学习,也可选择感兴趣的章节阅读。
学习 R 语言,了解金融市场,掌握回归分析的基本方法。
金融计量的学习不仅要理解模型,也要能处理数据、复现结果。本章从 R 与 RStudio 入手,介绍向量、数据框、函数、循环等基础工具,接着练习数据导入、缺失值处理和可视化。课程还通过金融收益率、随机数模拟以及世界银行开放数据的例子,说明如何编写代码,完成可复现的数据分析。
金融计量研究的对象来自真实市场。本章首先介绍金融市场的基本构成:货币、债券、股票及衍生品分别交易什么,中国市场与海外市场有哪些常见工具和交易安排。随后从价格转到收益率,区分简单收益率、对数收益率、组合收益率与跨期累计收益率,解释年化交易日数只是计算约定,不能误当成每年实际交易天数。
回归是连接金融理论与数据的基础工具。本章从一元回归的设定和最小二乘估计讲起,解释系数、残差、决定系数及显著性检验各回答什么问题;再推广到多元回归,讨论高斯—马尔可夫定理、整体检验、异方差与多重共线性。估计值、统计显著性和经济含义不能混为一谈,这是贯穿本章的重点。
学习时间序列、波动率与非参数方法,研究收益可预测性和资产定价。
金融数据按时间排列,今天的观测值可能与过去有关。本章先说明平稳性、遍历性、自相关和白噪声,再介绍 AR、MA 与 ARMA 模型,利用自相关函数和偏自相关函数辨别动态结构。模型估计与选择部分讨论极大似然、AIC、BIC、单位根及长期方差。
金融收益率常表现出波动聚集:剧烈波动之后仍可能持续剧烈波动。本章把条件均值与条件方差分开,依次介绍 ARCH、GARCH、非对称波动率模型和 IGARCH,说明过去的冲击与过去的条件方差如何影响今天的风险水平。模型并非只要拟合出一条波动率曲线就算完成,还要检查参数条件、估计方法和残差诊断。
如果历史收益能够预测未来收益,是否就说明市场无效?本章从有效市场假说的不同形式出发,解释信息集、异常收益、随机游走及“联合假设问题”。检验时必须分清统计可预测性、风险补偿和可实现的交易收益,不能把显著的自相关直接解释成可获利机会。
线性模型便于解释,但真实金融关系未必是一条直线。本章先介绍核密度估计:核函数负责局部加权,带宽决定平滑程度;随后讨论偏差、方差、均方误差、边界问题和高维数据中的“维数诅咒”。DAX 收益率及 FTSE–DAX 联合分布的例子帮助我们观察收益分布的形状。
资产定价模型试图解释:承担哪类风险,会得到怎样的预期收益。本章先把 CAPM 写成可估计的计量模型,讨论截距检验、极大似然及 Wald、似然比等检验。接着从单因子走向多因子模型,介绍 APT、Fama–French 与 Carhart 模型,并强调可交易因子与宏观因子不能不加区分地套用同一检验结论。
学习连续时间模型与高频波动率估计,进一步研究收益率曲线与债券定价。
当价格在交易中持续变化时,离散时间模型需要与连续时间的描述衔接。本章从布朗运动、随机积分与伊藤引理出发,介绍扩散过程和随机微分方程,再讨论扩散模型的极大似然估计、转移密度近似及设定检验。重点是理解模型如何描述价格动态,以及统计推断在什么条件下成立。
同一天、不同期限的利率为什么不一样?本章先建立零息利率、贴现因子和远期利率之间的关系,再说明如何利用债券现金流估计一条平滑的收益率曲线。课件比较样条、Nelson–Siegel/Svensson 参数模型与 Fama–Bliss 引导法,强调数据口径、定价误差和曲线形状约束。
学习尾部风险估计,了解人工智能在金融建模与预测中的应用。
极端损失很少出现,却常决定风险管理是否可靠。本章从在险价值 VaR 出发,解释分位数、持有期缩放及正态假设失效的原因;随后介绍极值理论、广义极值分布、尾指数和半参数尾部外推。动态风险部分比较 GARCH 条件 VaR 与 CaViaR,并讨论回测中覆盖率与独立性的检验。
机器学习可以提高预测灵活性,但金融数据的时间顺序、制度变化和信息泄露会使“漂亮的回测”失去意义。本章把预测任务与结构或因果问题分开,依次介绍决策树、随机森林、XGBoost、神经网络与注意力方法,并结合金融任务讨论特征重要性、概率校准和模型解释。