统计学视角下的金融高频数据挖掘理论与方法研究

第一章  绪论
  第一节  研究背景与意义
  第二节  国内外文献综述
    一  日内模式、随机交易间隔建模与市场微结构理论
    二  波动率、微结构噪声与最优取样间隔
    三  连续时间模型
    四  国内研究现状
  第三节  研究内容及创新
第二章  金融高频数据挖掘的概念与统计特征
  第一节  基本分析框架
    一  时间序列：理解高频数据的起点
    二  序贯面板数据变换
  第二节  相关概念辨析
    一  高频交易数据
    二  交易高频数据
  第三节  典型统计特征
    一  基本描述
    二  经验特征
    三  理论特征
  第四节  本章小结
第三章  数据准备及大规模数据集的分析逻辑
  第一节  数据挖掘的统计学内涵
    一  参数与非参数方法
    二  验证性与探索性分析
    三  渐进理论与统计学习理论
    四  数据规模：实录数据与系统收集数据
    五  再论数据挖掘与统计学
  第二节  统计分析的本质属性
  第三节  样本数据的来源与结构
  第四节  大规模数据集的分析逻辑
    一  定义及特征
    二  分析逻辑
  第五节  本章小结
第四章  函数数据分析的基本逻辑及实证分析
  第一节  信号与随机信号
    一  信号的定义及分类
    二  随机信号的定义及分类
  第二节  连续信号离散化
    一  数字信号处理
    二  Shannon采样定理
    三  采样的本质
  第三节  离散数据连续化
    一  函数数据、面板数据与符号数据
    二  函数数据分析的要点
    三  基本原理与步骤
  第四节  基展开（频域分析）的逻辑
    一  基展开的本质
    二  何为基
    三  两类重要的变换
    四  基函数的比较
    五  再论逼近问题
  第五节  基于FDA的日内结构分析
    一  序贯面板数据变换
    二  情形1（N=48，T=218）
    三  情形2（N=218，T=48）
  第六节  本章小结
第五章  非平稳非线性序列分析的EMD方法
  第一节  传统方法及其比较
  第二节  HHT的基本思想
  第三节  EMD分解与原序列重构
  第四节  正交性检验与成分分析
    一  正交性检验
    二  成分数据分析
  第五节  本章小结
第六章  一类模型自由的波动率估计方法
  第一节  典型特征对建模的启示
  第二节  历史波动率与隐含波动率
  第三节  波动率的基本估计方法
    一  ARCH族和SV族模型的基本逻辑（MEM模型）
    二  用RV估计IV
  第四节  协同波动率方法
    一  协同波动率的定义
    二  相关性与波动性的分解与关联
    三  数值模拟：取样频率与相关性对协同波动率的影响
    四  方差—协方差随取样频率增加而下降的事实（不含有微结构噪声）
  第五节  实证分析
  第六节  本章小结
第七章  对支持向量机混合核函数方法的再评估
  第一节  混合核函数的基本思路
  第二节  核函数在支持向量机中的作用
  第三节  算法复杂度对泛化能力的影响
    一  基于小样本的统计分析理念
    二  影响支持向量机泛化能力的关键因素
    三  模型选择的基本准则
  第四节  信息重叠弱化了混合核函数的有效性
    一  数据清洗
    二  结果分析
  第五节  本章小结
第八章  市场微观结构分析
  第一节  市场微观结构理论概述
    一  市场微观结构理论研究的主要内容
    二  价格发现建模与市场有效性检验
  第二节  日历效应的经济学解释
    一  经验分析
    二  博弈论视角
    三  对拥挤现象的剖析
    四  对相关性的剖析
  第三节  微观方法论及其比较分析
    一  奥地利学派与芝加哥学派
    二  奥地利学派与行为经济学
    三  个人与群体的行为逻辑
    四  预期理论
    五  市场过程
  第四节  证券及证券市场的意义
  第五节  本章小结
第九章  随机交易间隔分析
  第一节  数据以高频记录的成本
  第二节  随机交易间隔的基本特征
  第三节  数据清洗中可能遇到的错误
  第四节  信息与噪声在何处分界
    一  概率分布与反演
    二  更细致的分析
    三  经济含义解读
  第五节  随机交易间隔建模
  第六节  本章小结
第十章  结论与展望
  第一节  结论
  第二节  展望
参考文献
后记·致谢