如前所述，在分析金融和经济领域的两类数据时，二者的侧重点和可能面临的问题或许

有所不同，但常用的工具基本都是相同的。不过，金融数据在频率、精确度、季节性和其他性质等方面还是会在很多时候都不同于宏观经济数据。

在经济学中，检验某一理论或假设时经常遇到的一个严重问题是缺乏足够的数据，这通

常被称为“小样本问题”。例如，开展某一研究可能需要政府预算赤字数据或人口数据，而这些数据只有年度数据。如果度量上述数据的方法在２５年前就已经发生变化，那么最多只有25个年度观测值是可用的。

此外，运用计量方法研究经济学问题时，还可能会面临另外两个困难：测量误差（measurement error）和数据修正（data revisions），而这仅仅是由数据的估计、测量错误和后来对数据的修正引起的。比如，一个研究人员可能正考虑利用一系列公开数据估计计算机技术投资对国民产出影响的经济模型，却发现最后两年的大量数据已经被修正过了。

然而，金融学领域很少出现上述问题。金融数据的来源有许多形式和类型，但总的来说，

价格及其他数据是在交易实际发生时记录下的，或者是从信息提供商的电子报价系统中得到

的。当然，即使这样，仍然存在印刷错误和数据测量方法改变的可能性（例如股票指数的重新权衡或基准的调整）。但总的来说，金融学中的测量误差和数据修正问题远没有经济学中那么严重。

类似地，某些金融数据比宏观经济数据的观测频率高很多。例如，资产价格或收益率的

观测频率通常是每天、每小时或每分钟。因此，可用于分析的观测值数量庞大，或许有数千

个，甚至高达数百万个，如此海量的数据足以让宏观计量经济学家羡慕不已！同时，这也意味着与经济数据相比，研究人员不仅可以对金融数据使用更强有力的技术手段，而且也可以对研究结果的可靠性更具信心。

不过，金融数据分析同样存在着许多新问题。虽然随着计算机技术的持续更新，大规模

的数据处理和加工已难度不大，但金融数据通常存在许多额外的特性。例如，金融数据通常

被认为包含太多“噪音”，这意味着很难从随机和乏味的数字特征中剥离出内在的趋势或模

式。另外，金融数据几乎从不服从正态分布，而这一分布形式是计量经济学中绝大多数技术

的前提假定。在高频金融数据中，通常还包含其他“模式”，而这往往是由市场运行或价格记录的方式造成的。上述这些特性都需要在建模的过程中予以考虑，即使这并非研究人员的直接兴趣所在。

在将统计工具应用于金融研究的所有工作中，一个快速发展的领域是为金融市场微观结

构问题建模。“市场微观结构”（market microstructure）可以被粗略地定义为投资者的偏好和

意愿转换为金融市场交易的过程。很明显，市场微观结构效应非常重要，同时也是金融数据

区别于其他数据的关键特征。这些效应能够对金融领域的许多其他方面造成潜在的影响。

例如，市场刚性或市场摩擦意味着当前的资产价格并没有完全反映未来的期望现金流（详见

本书第10章的详细讨论）。此外，对于缺乏流动性的证券来说，投资者如果要持有这些证券通常会要求一定的补偿，这体现了此类证券将来难以卖出的风险，即在他们想要卖出时，很可能缺少愿意购买该证券的买家。一些测度指标可以用来度量市场的流动性大小，比如成交量或者达成交易的时间长短。

Madhavan（2000）曾对市场微观结构方面的文献做过一个全面的综述。该论文将有关市场微观结构的文献归为以下几类：价格信息与价格发现、与市场结构和设计有关的问题、信息与披露等。当然，这一领域还有若干著作，如O’Hara（1995）、Harris（2002）和Hasbrouck（2007）。另外，在如何将复杂的计量经济学模型应用于市场微观结构研究上，目前也已经取得了很大的进展。例如，这方面一个重要的创新是Engle和Russell（1998）提出的自回归条件持续期（autoregressive conditional duration，ACD）模型。Dufour和Engle（2000）检验了时间因素在交易对价格的冲击与价格调整的速度之间的作用，这一工作也是对ACD模型一个有趣的应用。

1 导论 

1.1 什么是计量经济学？ 

1.2 “金融计量经济学”和“经济计量经济学”的区别 

1.3 数据类型 

1.4 金融模型中的收益率 

1.5 构建计量经济模型的步骤 

1.6 在阅读实证金融文献时需要考虑的几个要点 

1.7 关于贝叶斯统计 

1.8 EViews简介 

1.9 延伸阅读 

1.10 本书其余部分概要 

自测题 

2 数学和统计基础 

2.1 函数 

2.2 微分学 

2.3 矩阵 

2.4 概率和概率分布 

2.5 描述性统计 

自测题 

3 经典线性回归模型概要 

3.1 什么是回归模型 

3.2 回归与相关 

3.3 简单回归 

3.4 一些专门术语 

3.5 EViews中的简单线性回归——估计最优套期保值比率 

3.6 经典线性回归模型下的假定 

3.7 OLS估计量的性质 

3.8 精确性和标准误差 

3.9 统计推断导论 

3.10 特殊类型的假设检验：t比率 

3.11 对金融理论进行简单的t检验——美国共同基金能跑赢市场吗？ 

3.12 英国的单位信托经理们能打败市场吗？ 

3.13 过度反应假设和英国股票市场 

3.14 确切的显著性水平 

3.15 EViews中的假设检验——例1：重估套期保值比率 

3.16 EViews中的假设检验——例2：CAPM 

附录：CLRM结果的数学推导 

自测题 

4 对经典线性回归模型的进一步探讨 

4.1 从简单模型推广到多元线性回归模型 

4.2 常数项 

4.3 在多元回归中如何计算参数（β向量中的元素）？ 

4.4 检验多重假设：F检验 

4.5 对样本进行多重假设检验的EViews输出结果 

4.6 运用APT类模型在EViews中进行多元回归 

4.7 数据挖掘和真实的检验规模 

4.8 拟合优度统计量 

4.9 特征价格模型 

4.10 对于非嵌套假设的检验 

4.11 分位数回归 

附录4.1  CLRM结果的数学推导 

附录4.2  对因子模型和主成分分析法的简单介绍 

自测题 

5 经典线性回归模型的假设和诊断检验 

5.1 引言 

5.2 诊断检验的统计分布

5.3 假定1：E(ut)=0 

5.4 假定2：var(ut)=σ2<∞ 

5.5 假定3：对于i≠j，cov(ui,uj)=0 

5.6 假定4：xt非随机 

5.7 假定5：扰动项服从正态分布 

5.8 多重共线性 

5.9 函数形式错误 

5.10 忽略重要变量所带来的问题 

5.11 包含无关变量的情况 

5.12 参数稳定性检验 

5.13 测量误差 

5.14 构建计量经济学模型的策略以及对建模理念的探讨 

5.15 确定主权信用评级 

自测题 

6 单变量时间序列建模与预测

6.1 引言 

6.2 一些术语和概念

6.3 移动平均过程

6.4 自回归过程

6.5 偏自相关函数 

6.6 ARMA过程 

6.7 建立ARMA模型：Box-Jenkins方法

6.8 在EViews中建立ARMA模型

6.9 金融时间序列建模

6.10 指数平滑

6.11 计量经济学中的预测

6.12 在EViews中运用ARMA模型进行预测 

6.13 用EViews估计指数平滑模型

自测题

7 多元模型 

7.1 动机

7.2 联立方程偏差

7.3 如何有效估计联立方程模型？

7.4 可以从π中获得初始系数值吗？

7.5 金融学中的联立方程

7.6 外生性的定义

7.7 三元系统

7.8 联立方程系统的估计步骤

7.9 联立方程模型在买卖价差和交易活动建模中的应用 

7.10 EViews中的联立方程建模

7.11 向量自回归模型

7.12 VAR模型中应该包含同期项吗？

7.13 分块显著性检验和因果关系检验

7.14 包含外生变量的VAR模型

7.15 脉冲响应和方差分解 

7.16 VAR模型应用实例：资产收益率和宏观经济的相互影响

7.17 EViews中的VAR模型估计

自测题

8 金融领域中的长期关系建模

8.1 平稳性和单位根检验

8.2 存在结构突变时的单位根检验

8.3 用EViews进行单位根检验

8.4 协整

8.5 误差校正模型

8.6 检验回归中的协整：一种基于残差的方法

8.7 协整系统中的参数估计方法

8.8 期货市场和现货市场的领先—滞后及长期关系

8.9 运用基于VAR的Johansen技术来检验和估计协整系统

8.10 购买力平价

8.11 国际债券市场间的协整

8.12 检验利率期限结构的预期假说

8.13 用EViews检验协整并为协整系统建模

自测题

9 波动率和相关性建模

9.1 动机：进入非线性领域

9.2 波动率模型

9.3 历史波动率

9.4 隐含波动率模型

9.5 指数加权移动平均模型

9.6 自回归波动率模型

9.7 自回归条件异方差模型

9.8 广义ARCH（GARCH）模型

9.9 估计ARCH/GARCH模型

9.10 基本GARCH模型的扩展

9.11 非对称GARCH模型

9.12 GJR模型

9.13 EGARCH模型

9.14 在EViews中估计GJR和EGARCH

9.15 检验波动非对称性

9.16 GARCH-M模型

9.17 运用GARCH类模型预测波动率

9.18 检验非线性约束或非线性模型假设

9.19 波动率预测：文献中的一些例子及结果

9.20 回顾随机波动模型

9.21 预测协方差和相关性

9.22 金融中的协方差建模与预测：几个例子

9.23 简单协方差模型 

9.24 多元GARCH模型

9.25 直接相关模型

9.26 对基本多元GARCH模型的拓展

9.27 带有时变协方差的CAPM多元GARCH模型

9.28 估计FTSE指数收益率的时变套期保值比率

9.29 多元随机波动模型

9.30 用EViews估计多元GARCH模型

附录：基于极大似然方法的参数估计

自测题

10 转换模型

10.1 动因

10.2 金融市场中的季节性：简介与文献综述

10.3 对金融数据中的季节效应建模

10.4 估计简单分段线性函数 

10.5 马尔科夫转换模型

10.6 实际汇率的一个马尔科夫转换模型

10.7 马尔科夫转换模型的应用：金边债券与股票的收益率之比

10.8 用EViews估计马尔科夫转换模型

10.9 门槛自回归模型

10.10 估计门槛自回归模型

10.11 马尔科夫转换模型和门槛自回归模型中的设定检验：一个忠告

10.12 法国法郎——德国马克汇率的SETAR模型

10.13 FTSE100指数及其股指期货市场的门槛模型

10.14 关于机制转换模型和预测精度

自测题 

11 面板数据 

11.1 什么是面板技术及如何使用这一技术？

11.2 面板技术

11.3 固定效应模型

11.4 时间固定效应模型

11.5 用固定效应模型来考察银行业竞争问题

11.6 随机效应模型

11.7 运用面板数据研究中欧和东欧银行业信用的稳定性 

11.8 在EViews中估计面板模型

11.9 面板单位根检验和面板协整检验

11.10 延伸阅读

自测题

12 受限因变量模型

12.1 简介与动机 

12.2 线性概率模型 

12.3 Logit模型

12.4 用Logit模型检验啄食顺序假说

12.5 Probit模型

12.6 如何在Logit模型和Probit模型中做出选择？ 

12.7 估计受限因变量模型

12.8 衡量线性因变量模型的拟合优度

12.9 多项线性因变量

12.10 重温啄食顺序假说——在不同融资方式间做出选择

12.11 排序响应线性因变量模型

12.12 被动评级是向下有偏的吗？一个排序Probit分析 

12.13 审查因变量和截断因变量 

12.14 用EViews估计受限因变量模型

自测题

附录：Logit模型和Probit模型的极大似然估计量

13 模拟方法 

13.1 动机

13.2 蒙特卡洛模拟

13.3 方差缩减技术

13.4 自举法

13.5 随机数生成器

13.6 模拟方法在解决计量经济或金融问题时的缺陷 

13.7 计量经济学中的蒙特卡洛模拟：导出DF检验的临界值 

13.8 实例：模拟期权定价

13.9 实例：运用自举法计算风险资本要求

自测题

14 金融学实证分析、课题研究和论文撰写

14.1 实证研究的概念和目的

14.2 选题

14.3 是在资助下进行研究还是开展独立研究？ 

14.4 研究提纲

14.5 网络上的工作论文和文献

14.6 关于获取数据

14.7 关于选择计算机软件

14.8 关于方法

14.9 事件研究法 

14.10 检验CAPM和Fama-French方法

14.11 关于论文结构

14.12 论文的表达方式问题

附录1  本书中用到的数据来源

附录2  统计分布表

术语表

参考文献

译后记