量化金融R语言高级教程 - (EPUB全文下载)

文件大小：0.35 mb。
文件格式：epub 格式。
书籍内容：

量化金融R语言高级教程
第1章 时间序列分析
第2章 因素模型
第3章 成交量预测
第4章 大数据—高级分析
第5章 FX衍生品
第6章 利率衍生品和模型
第7章 奇异期权
第8章 最优对冲
第9章 基本面分析
第10章 技术分析、神经网络和对数优化组合
第11章 资产和负债管理
第12章 资本充足率
第13章 系统风险
欢迎来到异步社区！
第1章　时间序列分析
在本章中，我们探讨一些时间序列分析的高级方法以及如何通过R来实现。作为一门学科，时间序列分析已有数百部著作，内容非常广泛（我们会在本章末的阅读列表中，列出在理论与R编程两方面最重要的参考目录）。我们责无旁贷地精心界定了本章的范围，专注于实证金融与量化交易中必不可少的重要主题。但是，在起始阶段我们必须强调，本章仅仅为时间序列分析的进一步研究奠定了基础。
我们之前曾经出版过一本图书——《量化金融R语言初级教程》（Introduction to R for Quantitative Finance）。那本书探讨了时间序列分析的一些基本主题，如线性单变量时间序列建模、自回归单整移动平均（Autoregressive Integrated Moving Average，ARIMA）建模、广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedasticity，GARCH）波动建模。如果你未曾用R做过时间序列分析，可以考虑同时阅读那本书的第1章“时间序列分析”。
本书对所有这些主题探讨得都更加深入。你将会熟悉一些重要概念，如协整、向量自回归模型、脉冲响应函数、非对称GARCH波动率建模（包括指数GARCH模型和门限GARCH模型）、信息冲击曲线。我们首先介绍相关理论，然后讲解多变量时间序列模型实际建模的知识，同时介绍几个有用的R包及其功能。此外，我们通过简单明了的例子，一步一步地指导读者使用R编程语言进行实证分析。
1.1　多元时间序列分析
金融资产价格的运动、技术分析和量化交易的基本问题常常被纳入单变量框架下进行建模。我们能否预测证券价格未来是上升还是下降？这只特定的证券处于向上还是向下的趋势中？我们该买还是该卖？这些问题都需要慎重考虑。此外，投资者常常面对着更复杂的局面，不能仅仅把市场看成不相关的工具与决策问题组成的集合。
如果单独观察这些工具，可以发现正如市场有效假说所示，它们既非自相关又非均值可预测。但是，工具之间的相关性又显而易见。这个特性很可能为交易行为所利用，或者出于投机目的，或者出于对冲目的。以上探讨证实了多变量时间序列技术在数量金融中的应用。在本章中，我们会讨论两个在金融中应用广泛的著名计量经济学概念——协整和向量自回归模型。
1.1.1　协整
现在，我们考虑一个时间序列向量，它由元素构成，每个元素独立地表示一个时间序列，如不同金融产品价格的变动。我们从协整数据序列的正式定义开始。
如果的时间序列中的每个序列都是d阶单整（特别在大多数的应用中，这些序列是1阶单整，这意味着序列是非平稳的单位根过程或者随机游走过程）。同时，存在一个线性组合是阶单整（特别是当阶数为0时，序列是一个平稳过程）。那么，我们称时间序列向量为协整的。
直观地来看，这个定义意味着经济中存在某些潜藏力量。这种力量使n个时间序列看似是相互独立的随机游走过程，但在长期中趋于一致。协整时间序列的一个简单例子是下文这个取自Hamilton（1994）的配对向量。我们通过这个例子研究协整，同时熟悉R中一些基本模拟技术：
标准统计检验可以严格地展示中的单位根。R的tseries包或者urca包都可以实施单位根检验，本文使用后者。下文的R代码模拟了两个长度为1000的序列：
#生成两个长度为1000的时间序列

set.seed(20140623) 　　　#固定随机数种子
N <- 1000 　　　　　 #定义模拟的长度 x <- cumsum(rnorm(N)) 　　#模拟一个正态随机游走 gamma <- 0.7 　　　　 #设置初始的参数值 y <- gamma * x + rnorm(N) 　#模拟协整序列 plot(x, type='l') 　　 　#画出两个序列 lines(y,col="red") 　 小提示 下载示例代码 如果你购买了Packt出版社的任何图书，都可以用自己的账号在网站http://www.packtpub.comhttp://www.packtpub.com下载示例的代码文件。如果你通过其他途径购买本书，那么可以访问网站http://www.packtpub.com/support，注册之后文件会直接通过邮件发送给你。 上列代码的输出结果如图1-1所示。 图1-1　模拟的协整序列 从图形上看，这两个序列看似都是随机游走过程，可以通过urca包实施ADF检验来检验平稳性。此外，R中还有很多其他检验方法。原假设的内容是过程中存在一个单位根（输出已经省略）。如果检验统计量小于临界值，我们就拒绝原假设： #统计检验 install.packages('urca');library('urca') #对模拟的单个时间序列做ADF test summary(ur.df(x,type="none")) summary(ur.df(y,type="none")) 对于这两个模拟序列，检验统计量大于一般显著性水平（1%、5%和10%）的临界值。因此，我们不能拒绝原假设，并且我们认为这两个序列各自都是单位根过程。 现在，对这两个序列取下文中的线性组合并绘出残差序列： z = y - gamma*x 　　#取序列的线性组合 plot(z,type='l') 上文代码的输出结果如图1-2所示。 图1-2　协整序列的线性组合 显而易见是个白噪声过程。但是拒绝单位根还是需要ADF检验的结果判定: summary(ur.df(z,type="none")) 在实际应用中，显然我 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。