Эконометрика-2: продвинутый курс с приложениями в финансах. Айвазян С.А., Фантаццини Д.

М.: 2014 - 944 с.

Продвинутый курс эконометрики охватывает ряд важнейших разделов дисциплины. В частности представлены методы и модели анализа многомерных временных рядов, последние достижения в области финансовой эконометрики (копула-функции, методы управления финансовыми рисками). Для решения задач используется экономический инструментарий, включающий относительно недавно разработанные современные методы анализа многомерных временных рядов, байесовский подход в сочетании с приемами имитационного статистического моделирования, продвинутые численные методы оптимизации. Вычислительная реализация описываемых в учебнике примеров основана на использовании статистических и эконометрических пакетов R, Stata, Eviews, GAUSS. Для студентов и аспирантов экономической и математической специализации, интересующихся продвинутыми эконометрическими методами и их приложениями в финансах, а также сотрудников аналитических служб банков и инвестиционных компаний.

Формат: pdf

Размер: 12,2 Мб

Смотреть, скачать: yandex.disk

ОГЛАВЛЕНИЕ
Предисловие 7
Глава 1. Выбор общего вида модели и нелинейная регрессия 11
1.1.0 подходах к выбору общего вида модели 11
1.2. Нелинейные модели регрессии и линеаризация 16
1.3. Вычислительные вопросы нелинейного метода наименьших квадратов 31
Выводы 54
Глава 2. Построение интегральных измерителей для синтетических латентных категорий 57
2.1. Концептуальные основы подхода к измерению синтетических латентных категорий 58
2.2. Исходные данные 60
2.3. Методология построения интегральных индикаторов — измерителей синтетических латентных категорий и методы многокритериального рейтингования 68
2.4. Примеры построения интегральных индикаторов — измерителей качества анализируемых синтетических латентных категорий 89
Выводы 119
Глава 3. Байесовский подход в эконометрическом анализе 121
3.1. Философия и общая логическая схема байесовского подхода 121
3.2. Априорные распределения, сопряженные с наблюдаемой гене¬ральной совокупностью (определение и условие существования) 125
3.3. Генезис априорных сопряженных распределений 131
3.4. Пересчет значений параметров при переходе от априорного сопряженного распределения к апостериорному 143
3.5. Примеры задач на точечное и интервальное байесовское оценивание параметров модели 148
3.6. Байесовский прогноз зависимой переменной, основанный на нормальной классической линейной модели множественной регрессии 157
Выводы 161
Глава 4. Анализ многомерных временных рядов 163
4.1. Многомерные временные ряды: определения и основные понятия 163
4.2. Модели векторной авторегрессии (VAR-модели) 166
4.3. Структурные VAR-модели (SVAR-модели) 202
4.4. Системы одновременных уравнений (СОУ) 223
4.5. Коинтеграция 281
4.6. Регрессионные модели с распределенными лагами 360
Выводы 375
Глава 5. Анализ и моделирование волатильности 385
5.1. Одномерные модели авторегрессионной условной гетероскедастичности (ARCH- и GARCH-модели) 385
5.2. Многомерные GARCH-модели (MGARCH) 433
5.3. Реализованная волатильность 468
Выводы 502
Глава 6. Моделирование многомерных распределений с использованием копула-функций 507
6.1. Копула-функций 509
6.2. Эллиптические копула-функций 516
6.3. Архимедовы копула-функций 528
6.4. Парные копула-функций 545
6.5. Меры зависимости 557
6.6. Процедуры оценивания: параметрические методы 567
6.7. Процедуры оценивания: полупараметрические и непараметрические методы 572
6.8. Выбор копула-функций 583
6.9. Критерии согласия для копула-функций 590
Выводы 618
Глава 7. Анализ финансовых данных в задачах управления риском 625
7.1. Введение: имеющийся опыт и некоторые общие понятия 625
7.2. Управление рыночным риском 632
7.3. Управление операционным риском 678
7.4. Управление кредитным риском 718
Выводы 855
Приложение 1. Исходные данные и результаты межстранового и межрегионального анализа КЖН 865
Приложение 2. Некоторые сведения об одномерных и многомерных законах распределения вероятностей, используемые в байесовском подходе 885
Литература 891
Алфавитно-предметный указатель 935

Дорогой читатель
В предисловии к «Методам эконометрики» [Айвазян (2010)] я говорил о том, что они «охватывают весьма полный спектр методов математико-статистического инструментария эконометрики по ее традиционным разделам», включая: (1) классическую линейную модель регрессии и классический метод наименьших квадратов; (2) обобщенную линейную модель регрессии и обобщенный метод наименьших квадратов; (3) линейные модели регрессии с переменной структурой; (4) модели с дискретными и дискретно-непрерывными зависимыми переменными (модель бинарного и множественного выбора, тобит-модели); (5) статистический анализ одномерных временных рядов. Но уже в той книге я пытался преодолеть распространенный недостаток, заключающийся в том, что «важнейшие для эконометрического анализа прикладные методы многомерной статистики (дискриминантный и кластер-анализы, метод главных компонент и др.) по непонятным причинам отсутствуют в эконометрических курсах и классических университетских учебниках Северной Америки и Западной Европы» ([Айвазян (2010), с. 10]). Правда, в том же предисловии признавалось, что в «Методах эконометрики» 2010 г. «представлены далеко не все важнейшие разделы современной эконометрики... Нет, например, методов и моделей анализа многомерных временных рядов... не отражены последние достижения в области финансовой эконометрики (копула-функции, методы управления финансовыми рисками), не представлены байесовский подход к эконометрическому анализу и методы измерения и анализа синтетических латентных категорий, комплексно характеризующих качество или эффективность функционирования анализируемой системы» (с. 11). И я пообещал тогда, что «вся эта проблематика будет представлена в продвинутом курсе эконометрики (предназначенном для магистерского уровня образования)».