在大數(shù)據(jù)與人工智能時(shí)代，數(shù)據(jù)成為人們商務(wù)決策最為重要的參考之一，計(jì)量經(jīng)濟(jì)分析已邁入了一個(gè)新的階段。Python是一款非常優(yōu)秀的計(jì)量經(jīng)濟(jì)分析、圖形展示和人工智能機(jī)器學(xué)習(xí)軟件，《計(jì)量經(jīng)濟(jì)分析及其Python應(yīng)用》側(cè)重于使用Python進(jìn)行計(jì)量經(jīng)濟(jì)與量化投資分析，同時(shí)結(jié)合大量精選的實(shí)例問(wèn)題對(duì)最新的Python版本進(jìn)行科學(xué)、準(zhǔn)確和全面的介紹，以便使讀者能深刻理解Python的精髓和靈活、高效的使用技巧。通過(guò)本書(shū)，讀者不僅能使用Python及相關(guān)的庫(kù)來(lái)解決實(shí)際計(jì)量經(jīng)濟(jì)分析問(wèn)題，而且能學(xué)會(huì)從實(shí)際經(jīng)濟(jì)問(wèn)題分析入手，利用Python進(jìn)行計(jì)量經(jīng)濟(jì)分析。
Python是計(jì)量經(jīng)濟(jì)與金融分析、經(jīng)濟(jì)預(yù)測(cè)、人工智能機(jī)器學(xué)習(xí)、網(wǎng)絡(luò)Web服務(wù)等領(lǐng)域應(yīng)用非常廣泛的語(yǔ)言之一，它具有簡(jiǎn)單易學(xué)、免費(fèi)開(kāi)源、可移植、可擴(kuò)展，統(tǒng)計(jì)與作圖功能強(qiáng)，財(cái)經(jīng)數(shù)據(jù)接口、機(jī)器學(xué)習(xí)庫(kù)、網(wǎng)絡(luò)服務(wù)等工具豐富，更新和發(fā)展速度快等特點(diǎn)，因而受到廣大用戶的歡迎和喜愛(ài)。本書(shū)通過(guò)豐富的經(jīng)濟(jì)金融實(shí)例，詳細(xì)介紹了Python3.7（2019年3月發(fā)布）在經(jīng)濟(jì)、金融領(lǐng)域中的應(yīng)用，書(shū)中所有運(yùn)算結(jié)果都在Python3.7版本上調(diào)試通過(guò)。
本書(shū)理論與應(yīng)用相結(jié)合，實(shí)例豐富且通俗易懂，重點(diǎn)討論了Python在計(jì)量經(jīng)濟(jì)與量化投資中的應(yīng)用，詳細(xì)介紹了各種方法在Python中的應(yīng)用。本書(shū)適合作為經(jīng)濟(jì)學(xué)、金融學(xué)、統(tǒng)計(jì)學(xué)、會(huì)計(jì)學(xué)、財(cái)政學(xué)、
投資學(xué)、國(guó)際經(jīng)濟(jì)及貿(mào)易
等相關(guān)專業(yè)的本科生或研究生學(xué)習(xí)統(tǒng)計(jì)學(xué)、計(jì)量經(jīng)濟(jì)學(xué)、量化投資等課程的教學(xué)或?qū)嶒?yàn)參考用書(shū)，同時(shí)對(duì)從事經(jīng)濟(jì)計(jì)量分析行業(yè)的實(shí)際工作者也大有裨益。通過(guò)本書(shū)，讀者不僅能掌握Python及其庫(kù)本身的應(yīng)用，而且能學(xué)會(huì)從實(shí)際問(wèn)題分析入手，利用Python進(jìn)行計(jì)量經(jīng)濟(jì)分析，并對(duì)結(jié)果進(jìn)行解釋。
本書(shū)實(shí)例與內(nèi)容豐富，有很強(qiáng)的針對(duì)性，書(shū)中各章詳細(xì)地介紹了實(shí)例的Python具體操作過(guò)程，讀者只需按照書(shū)中介紹的步驟一步一步地實(shí)際操作，就能掌握全書(shū)的內(nèi)容。為了幫助讀者更加直觀地學(xué)習(xí)本書(shū)，我們將書(shū)中實(shí)例的全部數(shù)據(jù)文件
配套提供給讀者。讀者下載后，在本地建立一個(gè)F:/2glkx/data1目錄（其他目錄名也可以），將所有數(shù)據(jù)文件復(fù)制到此目錄下，即可進(jìn)行操作。
本書(shū)的內(nèi)容是這樣安排的： 第1章介紹計(jì)量經(jīng)濟(jì)分析及其Python環(huán)境； 第2章介紹描述性統(tǒng)計(jì)及其Python應(yīng)用； 第3章介紹參數(shù)估計(jì)及其Python應(yīng)用； 第4章介紹假設(shè)檢驗(yàn)及其Python應(yīng)用； 第5章介紹相關(guān)分析與一元回歸分析及其Python應(yīng)用； 第6章介紹多元回歸分析及其Python應(yīng)用； 第7章介紹多重共線性及其Python應(yīng)用； 第8章介紹異方差及其Python應(yīng)用； 第9章介紹自相關(guān)及其Python應(yīng)用； 第10章介紹財(cái)經(jīng)大數(shù)據(jù)時(shí)間序列分析ARMA模型及其Python應(yīng)用； 第11章介紹財(cái)經(jīng)大數(shù)據(jù)廣義自回歸條件異方差模型(GARCH)及其Python應(yīng)用； 第12章介紹面板數(shù)據(jù)計(jì)量分析及其Python應(yīng)用； 第13章介紹廣義矩估計(jì)GMM與最大似然估計(jì)MLE及其Python應(yīng)用； 第14章介紹線性回歸的內(nèi)生性與Hausman檢驗(yàn)及其Python應(yīng)用； 第15章介紹財(cái)經(jīng)大數(shù)據(jù)量化投資統(tǒng)計(jì)套利及其Python應(yīng)用； 第16章介紹人工智能機(jī)器學(xué)習(xí)及其 Python應(yīng)用。
本書(shū)是2019廣東省高等教育教學(xué)研究和改革項(xiàng)目“大數(shù)據(jù)時(shí)代經(jīng)濟(jì)與金融計(jì)量分析課程教學(xué)改革”階段性成果之一。譚隆輝參與了本書(shū)第10章和第15章的數(shù)據(jù)處理分析與整理工作。
本書(shū)的出版，得到了清華大學(xué)出版社編輯的支持、幫助，應(yīng)該感謝他們?yōu)樽x者提供了一本好的工具書(shū)！由于時(shí)間和水平的限制，書(shū)中難免出現(xiàn)一些紕漏，懇請(qǐng)讀者諒解并提出寶貴意見(jiàn)。
作者2020年9月于廣州
第1章計(jì)量經(jīng)濟(jì)分析及其Python環(huán)境
1.1計(jì)量經(jīng)濟(jì)分析的含義
1.2計(jì)量經(jīng)濟(jì)分析建模的步驟
1.3經(jīng)濟(jì)數(shù)據(jù)類(lèi)型
1.4經(jīng)濟(jì)數(shù)據(jù)來(lái)源
1.5計(jì)量經(jīng)濟(jì)分析工具簡(jiǎn)介
1.6Python工具的下載與安裝
1.7國(guó)內(nèi)外財(cái)經(jīng)大數(shù)據(jù)的存取方法及其Python應(yīng)用
練習(xí)題
第2章描述性統(tǒng)計(jì)及其Python應(yīng)用
2.1描述性統(tǒng)計(jì)的Python工具
2.2數(shù)據(jù)集中趨勢(shì)度量及其Python應(yīng)用
2.3數(shù)據(jù)離散狀況度量及其Python應(yīng)用
2.4峰度、偏度與正態(tài)性檢驗(yàn)及其Python應(yīng)用
2.5異常數(shù)據(jù)處理
練習(xí)題
第3章參數(shù)估計(jì)及其Python應(yīng)用
3.1參數(shù)估計(jì)與置信區(qū)間的含義
3.2點(diǎn)估計(jì)矩分析法的Python應(yīng)用
3.3單正態(tài)總體均值區(qū)間估計(jì)的Python應(yīng)用
3.4單正態(tài)總體方差區(qū)間估計(jì)的Python應(yīng)用
3.5雙正態(tài)總體均值差區(qū)間估計(jì)的Python應(yīng)用
3.6雙正態(tài)總體方差比區(qū)間估計(jì)的Python應(yīng)用
練習(xí)題
第4章參數(shù)假設(shè)檢驗(yàn)及其Python應(yīng)用
4.1參數(shù)假設(shè)檢驗(yàn)的基本理論
4.2單個(gè)樣本t檢驗(yàn)的Python應(yīng)用
4.3兩個(gè)獨(dú)立樣本t檢驗(yàn)的Python應(yīng)用
4.4配對(duì)樣本t檢驗(yàn)的Python應(yīng)用
4.5單樣本方差假設(shè)檢驗(yàn)的Python應(yīng)用
4.6雙樣本方差假設(shè)檢驗(yàn)的Python應(yīng)用
練習(xí)題
第5章相關(guān)分析與一元回歸分析及其Python應(yīng)用
5.1相關(guān)分析基本理論
5.2相關(guān)分析的Python應(yīng)用
5.3一元線性回歸分析基本理論
5.4一元線性回歸分析的Python應(yīng)用
練習(xí)題
第6章多元回歸分析及其Python應(yīng)用
6.1多元線性回歸分析基本理論
6.2虛擬變量
6.3多元線性回歸分析的Python應(yīng)用
6.4多元線性回歸分析的Scikitlearn工具應(yīng)用
6.5邏輯Logistic回歸分析Python應(yīng)用
6.6廣義線性回歸分析Python應(yīng)用
6.7傾向評(píng)分匹配（PSM）及其Python應(yīng)用
練習(xí)題
第7章多重共線性及其Python應(yīng)用
7.1多重共線性的概念
7.2多重共線性的后果
7.3產(chǎn)生多重共線性的原因
7.4多重共線性的識(shí)別和檢驗(yàn)
7.5消除多重共線性的方法
7.6多重共線性診斷的Python應(yīng)用
7.7多重共線性消除的Python應(yīng)用
練習(xí)題
第8章異方差及其Python應(yīng)用
8.1異方差的概念
8.2異方差產(chǎn)生的原因
8.3異方差的后果
8.4異方差的識(shí)別檢驗(yàn)
8.5消除異方差的方法
8.6異方差診斷的Python應(yīng)用
8.7異方差消除的Python語(yǔ)言應(yīng)用
8.8異方差應(yīng)用實(shí)例的Python應(yīng)用
練習(xí)題
第9章自相關(guān)及其Python應(yīng)用
9.1自相關(guān)的概念
9.2產(chǎn)生自相關(guān)的原因
9.3自相關(guān)的后果
9.4自相關(guān)的識(shí)別和檢驗(yàn)
9.5自相關(guān)的處理方法
9.6自相關(guān)診斷的Python應(yīng)用
9.7自相關(guān)消除的Python應(yīng)用
9.8金融市場(chǎng)數(shù)據(jù)自相關(guān)性實(shí)例的Python應(yīng)用
練習(xí)題
第10章財(cái)經(jīng)大數(shù)據(jù)時(shí)間序列分析ARMA模型及其Python應(yīng)用
10.1時(shí)間序列分析的基礎(chǔ)知識(shí)
10.2自回歸(AR)模型
10.3移動(dòng)平均(MA)模型
10.4自回歸移動(dòng)平均（ARMA）模型
10.5差分自回歸移動(dòng)平均（ARIMA）模型
練習(xí)題
第11章財(cái)經(jīng)大數(shù)據(jù)廣義自回歸條件異方差模型(GARCH)及其Python應(yīng)用
11.1自回歸條件異方差模型(ARCH)及預(yù)測(cè)
11.2廣義自回歸條件異方差模型(GARCH)與波動(dòng)率預(yù)測(cè)
練習(xí)題
第12章面板數(shù)據(jù)計(jì)量分析及其Python應(yīng)用
12.1面板數(shù)據(jù)計(jì)量分析的基本理論
12.2面板數(shù)據(jù)計(jì)量分析的Python應(yīng)用
練習(xí)題
第13章廣義矩估計(jì)（GMM）與最大似然估計(jì)（MLE）及其Python應(yīng)用
13.1廣義矩估計(jì)（GMM）及其Python應(yīng)用
13.2最大似然估計(jì)（MLE）及其Python應(yīng)用
練習(xí)題
第14章線性回歸的內(nèi)生性與Hausman檢驗(yàn)及其Python應(yīng)用
14.1內(nèi)生性的相關(guān)理論
14.2基本的線性回歸及其Python應(yīng)用
14.3擴(kuò)展的線性回歸及其Python應(yīng)用
14.4線性回歸的內(nèi)生性問(wèn)題及其Python應(yīng)用
14.5Hausman檢驗(yàn)及其Python應(yīng)用
練習(xí)題
第15章財(cái)經(jīng)大數(shù)據(jù)量化投資統(tǒng)計(jì)套利及其Python應(yīng)用
15.1Python應(yīng)用于Markowitz投資組合優(yōu)化
15.2基于Bigquant量化投資平臺(tái)的統(tǒng)計(jì)套利協(xié)整配對(duì)交易策略
15.3基于Python環(huán)境統(tǒng)計(jì)套利協(xié)整配對(duì)交易策略
練習(xí)題
第16章人工智能機(jī)器學(xué)習(xí)及其Python應(yīng)用
16.1機(jī)器學(xué)習(xí)算法分類(lèi)
16.2常見(jiàn)的機(jī)器學(xué)習(xí)算法及其Python代碼
16.3K最近鄰算法銀行貸款分類(lèi)及其Python應(yīng)用
16.4各種機(jī)器學(xué)習(xí)算法及其Python應(yīng)用
16.5K最近鄰法分類(lèi)及其Python應(yīng)用
練習(xí)題
書(shū)單推薦
