金融數據分析是一門對金融數據進行統計分析和建模的課程，是高等學校金融學專業本科生的核心課。本書是筆者在多年來從事金融數據分析方面的教學和科研的基礎上編寫而成的，在內容上以金融時間序列分析、金融空間數據分析、大數據金融為主線展開，具體包括金融時間序列線性模型、協整與向量自回歸模型、GARCH族模型等。本書可作為金融學、經濟學、統計學等專業高年級本科生和相關專業的研究生教材，亦可作為相關領域研究人員的參考書。對于希望進一步加強對金融數據和當今金融市場理解的研究人員以及金融、商業和經濟領域的從業者，該書也是極佳的選擇。
歐陽資生，湖南師范大學“瀟湘學者”特聘教授、二級教授、博士生導師，享受國務院政府特殊津貼專家，教育部高等學校金融學類教學指導委員會委員，湖南省學科帶頭人，湖南省高�？萍紕撔聢F隊“開放經濟條件下金融風險度量、控制與政策”負責人，湖南省區域戰略與規劃研究基地首席專家，《統計研究》編委。主要研究方向為金融風險管理、金融科技與金融統計。
陽旸，湖南師范大學商學院副教授、博士。研究方向：金融管理與金融數據分析。
馬倚虹，湖南師范大學商學院金融系講師、博士。研究方向：金融風險與機器學習。
第1章 導論 001
1.1 金融數據分析概述 001
1.2 常見的統計分布 004
1.3 收益率及其分布特征 007
1.4 R軟件和Python軟件介紹 012
1.5 專題1: 金融數據的可視化 ——基于新冠疫情期間中美股市波動的對比分析 018
第2章 金融時間序列線性模型 024
2.1 相關性和平穩性 024
2.2 簡單自回歸模型 031
2.3 簡單移動平均模型 042
2.4 簡單ARMA模型 048
2.5 單位根非平穩時間序列 053
2.6 季節模型 057
2.7 長記憶時間序列模型 060
2.8 專題2: 基于ARIMA模型的中國居民消費價格指數預測 062
第3章 協整與向量自回歸模型 067
3.1 協整分析 067
3.2 向量自回歸模型 074
3.3 格蘭杰因果關系檢驗 078
3.4 VAR模型與脈沖響應函數 079
3.5 VAR模型與方差分解 082
3.6 結構向量自回歸模型 084
3.7 TVP VAR模型 087
3.8 專題3: 中國資本市場與貨幣政策的協同關系研究 088
第4章 GARCH族模型 095
4.1 波動率模型的特征及結構 095
4.2 ARCH模型 098
4.3 GARCH模型 103
4.4 IGARCH模型 108
4.5 GARCH M模型 109
4.6 指數GARCH模型 111
4.7 TGARCH模型 114
4.8 APARCH模型 115
4.9 專題4: 基于GARCH模型的人民幣匯率建模與應用 116
第5章 極值事件、分位數回歸與金融風險計量 122
5.1 極值事件概述 122
5.2 金融風險計量指標VaR和ES 125
5.3 風險度量制 127
5.4 基于GARCH模型的VaR計算 130
5.5 基于極值理論的VaR計算 133
5.6 分位數回歸模型與金融風險計量 142
5.7 系統性金融風險計量模型 150
5.8 專題5: 中國系統性金融風險評估報告 157
第6章 市場有效性與事件分析法 163
6.1 有效市場假說 163
6.2 有效市場假說的實證檢驗 167
6.3 事件分析法 177
6.4 專題6: 康美藥業財務造假事件分析 182
第7章 Copula函數及其應用 188
7.1 Copula函數的定義及性質 188
7.2 Copula函數與相關性 190
7.3 常用的Copula函數 191
7.4 Copula函數的估計方法 203
7.5 Copula函數與金融風險計量 206
7.6 專題7: 基于GARCH Copula模型的綠色債券投資組合風險測度 210
第8章 面板數據模型與檢驗 214
8.1 面板數據的基本界定 214
8.2 面板數據的設定和加載 217
8.3 面板數據回歸模型 220
8.4 面板數據模型的檢驗 226
8.5 動態面板數據與廣義矩GMM估計 236
8.6 專題8:數字金融對地區經濟發展的影響研究 241
第9章 空間計量模型與檢驗 248
9.1 空間權重矩陣 248
9.2 空間自回歸模型 252
9.3 空間杜賓模型 261
9.4 空間誤差模型 266
9.5 專題9: 中國金融風險的空間集聚與溢出效應 269
第10章 機器學習與數據分析 278
10.1 機器學習概述 278
10.2 分類分析 280
10.3 回歸分析 285
10.4 聚類分析 292
10.5 關聯規則挖掘方法 296
10.6 模型評估與選擇 299
10.7 專題10: 基于機器學習的上證指數走勢預測研究 302
第11章 深度學習與數據分析 309
11.1 神經元 309
11.2 BP神經網絡 311
11.3 卷積神經網絡 315
11.4 循環神經網絡 319
11.5 深度學習模型優化策略 322
11.6 專題11: 基于深度學習的上市公司財務風險預警研究 324
第12章 文本數據分析 331
12.1 文本獲取 332
12.2 文本預處理 335
12.3 文本表示 336
12.4 文本特征選擇 344
12.5 模式挖掘 346
12.6 專題12: 金融網絡輿情指數構建與應用 350
參考文獻 355
新書資訊