[下载](S-plus系列教程)Statistical Analysis of Financial Data in S-Plus [Springer, 2004

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

pdf

目录：

Part I DATA EXPLORATION, ESTIMATION AND SIMULATION
1 UNIVARIATE EXPLORATORY DATA ANALYSIS . . . . . . . . . . . . . . . 3
1.1 Data, Random Variables and Their Distributions . . . . . . . . . . . . . . . . . 3
1.1.1 The PCS Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 The S&P 500 Index and Financial Returns . . . . . . . . . . . . . . . 5
1.1.3 Random Variables and Their Distributions . . . . . . . . . . . . . . . 7
1.1.4 Examples of Probability Distribution Families . . . . . . . . . . . . 8
1.2 First Exploratory Data Analysis Tools . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Random Samples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Histograms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 More Nonparametric Density Estimation . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Kernel Density Estimation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.2 Comparison with the Histogram . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 S&P Daily Returns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.4 Importance of the Choice of the Bandwidth . . . . . . . . . . . . . . 22
1.4 Quantiles and Q-Q Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.1 Understanding the Meaning of Q-Q Plots . . . . . . . . . . . . . . . . 24
1.4.2 Value at Risk and Expected Shortfall . . . . . . . . . . . . . . . . . . . . 25
1.5 Estimation from Empirical Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1 The Empirical Distribution Function . . . . . . . . . . . . . . . . . . . . 28
1.5.2 Order Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5.3 Empirical Q-Q Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6 Random Generators and Monte Carlo Samples . . . . . . . . . . . . . . . . . . 31
1.7 Extremes and Heavy Tail Distributions . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.7.1 S&P Daily Returns, Once More . . . . . . . . . . . . . . . . . . . . . . . . 35
1.7.2 The Example of the PCS Index . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.7.3 The Example of the Weekly S&P Returns . . . . . . . . . . . . . . . . 41
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2 MULTIVARIATE DATA EXPLORATION . . . . . . . . . . . . . . . . . . . . . . . 49
2.1 Multivariate Data and First Measure of Dependence . . . . . . . . . . . . . 49
2.1.1 Density Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1.2 The Correlation Coefficient . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.2 The Multivariate Normal Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.2.1 Simulation of Random Samples . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.2 The Bivariate Case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.2.3 A Simulation Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2.4 Let’s Have Some Coffee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.2.5 Is the Joint Distribution Normal? . . . . . . . . . . . . . . . . . . . . . . . 62
2.3 Marginals and More Measures of Dependence . . . . . . . . . . . . . . . . . . 63
2.3.1 Estimation of the Coffee Log-Return Distributions . . . . . . . . 64
2.3.2 More Measures of Dependence. . . . . . . . . . . . . . . . . . . . . . . . . 68
2.4 Copulas and Random Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.4.1 Copulas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.4.2 First Examples of Copula Families . . . . . . . . . . . . . . . . . . . . . . 72
2.4.3 Copulas and General Bivariate Distributions . . . . . . . . . . . . . . 74
2.4.4 Fitting Copulas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.4.5 Monte Carlo Simulations with Copulas . . . . . . . . . . . . . . . . . . 77
2.4.6 A Risk Management Example . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.5 Principal Component Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.5.1 Identification of the Principal Components of a Data Set . . . 84
2.5.2 PCA with S-Plus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.5.3 Effective Dimension of the Space of Yield Curves . . . . . . . . . 87
2.5.4 Swap Rate Curves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Appendix 1: Calculus with Random Vectors and Matrices . . . . . . . . . . . . . 92
Appendix 2: Families of Copulas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Part II REGRESSION
3 PARAMETRIC REGRESSION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.1 Simple Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.1.1 Getting the Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.1.2 First Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.1.3 Regression Set-up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.1.4 Simple Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.1.5 Cost Minimizations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.1.6 Regression as a Minimization Problem . . . . . . . . . . . . . . . . . . 114
3.2 Regression for Prediction & Sensitivities . . . . . . . . . . . . . . . . . . . . . . . 116
3.2.1 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.2.2 Introductory Discussion of Sensitivity and Robustness . . . . . 118

3.2.3 Comparing L2 and L1 Regressions . . . . . . . . . . . . . . . . . . . . . 119
3.2.4 Taking Another Look at the Coffee Data . . . . . . . . . . . . . . . . . 121
3.3 Smoothing versus Distribution Theory . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.3.1 Regression and Conditional Expectation . . . . . . . . . . . . . . . . . 123
3.3.2 Maximum Likelihood Approach . . . . . . . . . . . . . . . . . . . . . . . . 124
3.4 Multiple Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.4.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.4.2 The S-Plus Function lm . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.4.3 R2 as a Regression Diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.5 Matrix Formulation and Linear Models . . . . . . . . . . . . . . . . . . . . . . . . 133
3.5.1 Linear Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.5.2 Least Squares (Linear) Regression Revisited . . . . . . . . . . . . . 134
3.5.3 First Extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.5.4 Testing the CAPM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3.6 Polynomial Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.6.1 Polynomial Regression as a Linear Model . . . . . . . . . . . . . . . 146
3.6.2 Example of S-Plus Commands . . . . . . . . . . . . . . . . . . . . . . . 146
3.6.3 Important Remark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
3.6.4 Prediction with Polynomial Regression . . . . . . . . . . . . . . . . . . 148
3.6.5 Choice of the Degree p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
3.7 Nonlinear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
3.8 Term Structure of Interest Rates: A Crash Course . . . . . . . . . . . . . . . . 154
3.9 Parametric Yield Curve Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
3.9.1 Estimation Procedures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
3.9.2 Practical Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
3.9.3 S-Plus Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
3.9.4 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Appendix: Cautionary Notes on Some S-Plus Idiosyncracies . . . . . . . . . 166
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
4 LOCAL & NONPARAMETRIC REGRESSION . . . . . . . . . . . . . . . . . . 175
4.1 Review of the Regression Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
4.2 Natural Splines as Local Smoothers . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.3 Nonparametric Scatterplot Smoothers. . . . . . . . . . . . . . . . . . . . . . . . . . 178
4.3.1 Smoothing Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
4.3.2 Locally Weighted Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.3.3 A Robust Smoother . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
4.3.4 The Super Smoother. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
4.3.5 The Kernel Smoother . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
4.4 More Yield Curve Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
4.4.1 A First Estimation Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
4.4.2 A Direct Application of Smoothing Splines . . . . . . . . . . . . . . 188
4.4.3 US and Japanese Instantaneous Forward Rates . . . . . . . . . . . . 188

4.5 Multivariate Kernel Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
4.5.1 Running the Kernel in S-Plus . . . . . . . . . . . . . . . . . . . . . . . . 192
4.5.2 An Example Involving the June 1998 S&P Futures Contract 193
4.6 Projection Pursuit Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
4.6.1 The S-Plus Function ppreg . . . . . . . . . . . . . . . . . . . . . . . . . 198
4.6.2 ppreg Prediction of the S&P Indicators . . . . . . . . . . . . . . . . . 200
4.7 Nonparametric Option Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
4.7.1 Generalities on Option Pricing . . . . . . . . . . . . . . . . . . . . . . . . . 205
4.7.2 Nonparametric Pricing Alternatives . . . . . . . . . . . . . . . . . . . . . 212
4.7.3 Description of the Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.7.4 The Actual Experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
4.7.5 Numerical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Appendix: Kernel Density Estimation & Kernel Regression . . . . . . . . . . . . 222
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Part III TIME SERIES & STATE SPACE MODELS
5 TIME SERIES MODELS: AR, MA, ARMA, & ALL THAT. . . . . . . . . 239
5.1 Notation and First Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
5.1.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
5.1.2 Regular Time Series and Signals . . . . . . . . . . . . . . . . . . . . . . . 240
5.1.3 Calendar and Irregular Time Series . . . . . . . . . . . . . . . . . . . . . 241
5.1.4 Example of Daily S&P 500 Futures Contracts . . . . . . . . . . . . 243
5.2 High Frequency Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.2.1 TimeDate Manipulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
5.3 Time Dependent Statistics and Stationarity . . . . . . . . . . . . . . . . . . . . . 253
5.3.1 Statistical Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
5.3.2 The Notion of Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
5.3.3 The Search for Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
5.3.4 The Example of the CO2 Concentrations . . . . . . . . . . . . . . . . 261
5.4 First Examples of Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
5.4.1 White Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
5.4.2 Random Walk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
5.4.3 Auto Regressive Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . 268
5.4.4 Moving Average Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.4.5 Using the Backward Shift Operator B . . . . . . . . . . . . . . . . . . . 275
5.4.6 Linear Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
5.4.7 Causality, Stationarity and Invertibility . . . . . . . . . . . . . . . . . . 277
5.4.8 ARMA Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
5.4.9 ARIMA Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
5.5 Fitting Models to Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
5.5.1 Practical Steps. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282

5.5.2 S-Plus Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
5.6 Putting a Price on Temperature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
5.6.1 Generalities on Degree Days . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
5.6.2 Temperature Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
5.6.3 Statistical Analysis of Temperature Historical Data . . . . . . . . 294
Appendix: More S-Plus Idiosyncracies . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
6 MULTIVARIATE TIME SERIES, LINEAR SYSTEMS &
KALMAN FILTERING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
6.1 Multivariate Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
6.1.1 Stationarity and Auto-Covariance Functions . . . . . . . . . . . . . . 312
6.1.2 Multivariate White Noise. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
6.1.3 Multivariate AR Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
6.1.4 Back to Temperature Options . . . . . . . . . . . . . . . . . . . . . . . . . . 316
6.1.5 Multivariate MA & ARIMA Models . . . . . . . . . . . . . . . . . . . . 318
6.1.6 Cointegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
6.2 State Space Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
6.3 Factor Models as Hidden Markov Processes . . . . . . . . . . . . . . . . . . . . 323
6.4 Kalman Filtering of Linear Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
6.4.1 One-Step-Ahead Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
6.4.2 Derivation of the Recursive Filtering Equations . . . . . . . . . . . 327
6.4.3 Writing an S Function for Kalman Prediction . . . . . . . . . . . . . 329
6.4.4 Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
6.4.5 More Predictions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
6.4.6 Estimation of the Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
6.5 Applications to Linear Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
6.5.1 State Space Representation of Linear Models . . . . . . . . . . . . . 335
6.5.2 Linear Models with Time Varying Coefficients . . . . . . . . . . . 336
6.5.3 CAPM with Time Varying β’s . . . . . . . . . . . . . . . . . . . . . . . . . 337
6.6 State Space Representation of Time Series . . . . . . . . . . . . . . . . . . . . . . 338
6.6.1 The Case of AR Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
6.6.2 The General Case of ARMA Series . . . . . . . . . . . . . . . . . . . . . 341
6.6.3 Fitting ARMA Models by Maximum Likelihood . . . . . . . . . . 342
6.7 Example: Prediction of Quarterly Earnings . . . . . . . . . . . . . . . . . . . . . 343
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
7 NONLINEAR TIME SERIES: MODELS AND SIMULATION . . . . . . 353
7.1 First Nonlinear Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
7.1.1 Fractional Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
7.1.2 Nonlinear Auto-Regressive Series . . . . . . . . . . . . . . . . . . . . . . 355
7.1.3 Statistical Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
7.2 More Nonlinear Models: ARCH, GARCH & All That . . . . . . . . . . . . 358

7.2.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358
7.2.2 ARCH Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359
7.2.3 GARCH Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
7.2.4 S-Plus Commands . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
7.2.5 Fitting a GARCH Model to Real Data . . . . . . . . . . . . . . . . . . . 363
7.2.6 Generalizations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
7.3 Stochastic Volatility Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
7.4 Discretization of Stochastic Differential Equations . . . . . . . . . . . . . . . 378
7.4.1 Discretization Schemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
7.4.2 Monte Carlo Simulations: A First Example. . . . . . . . . . . . . . . 381
7.5 Random Simulation and Scenario Generation . . . . . . . . . . . . . . . . . . . 383
7.5.1 A Simple Model for the S&P 500 Index . . . . . . . . . . . . . . . . . 383
7.5.2 Modeling the Short Interest Rate . . . . . . . . . . . . . . . . . . . . . . . 386
7.5.3 Modeling the Spread . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388
7.5.4 Putting Everything Together . . . . . . . . . . . . . . . . . . . . . . . . . . . 389
7.6 Filtering of Nonlinear Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391
7.6.1 Hidden Markov Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391
7.6.2 General Filtering Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392
7.6.3 Particle Filter Approximations . . . . . . . . . . . . . . . . . . . . . . . . . 393
7.6.4 Filtering in Finance? Statistical Issues . . . . . . . . . . . . . . . . . . . 396
7.6.5 Application: Tracking Volatility . . . . . . . . . . . . . . . . . . . . . . . . 397
Appendix: Preparing Index Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404
Notes & Complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
APPENDIX: AN INTRODUCTION TO S AND S-Plus . . . . . . . . . . . . . . . 411
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429
Notation Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
Data Set Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435
S-Plus Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
Subject Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445

74618.pdf (8.41 MB)

2006-11-28 10:32:00 上传

[下载](S-plus系列教程)Statistical Analysis of Financial Data in S-Plus [Springer, 2004]

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏4 回帖

关键词：Statistical statistica financial statistic Financia Analysis Statistical financial Data Springer

Thanks a lot!!!

Thanks

So many thanks!

great，支持楼主的大无私行为。

thanks. I will take a course of time series based on S-plus next semester. So the book is useful for me.

以下是引用weekendsunny在2006-12-24 2:45:00的发言：

thanks. I will take a course of time series based on S-plus next semester. So the book is useful for me.

splus有一本关于time series的书，不过也是英语版本的。不知道你学校图书馆是否有。Modeling Financial Time Series with S-Plus

以下是引用bingobingo在2006-12-24 3:24:00的发言：

splus有一本关于time series的书，不过也是英语版本的。不知道你学校图书馆是否有。Modeling Financial Time Series with S-Plus

论坛上有该书第二版电子版pdf，

many thx:)

谢谢楼主