金融计量教学教学大纲.docx

金融计量学教学大纲

课程编号：111003A

课程类型：□通识教育必修课□通识教育选修课

■学科基础课□专业核心课

□专业提升课□专业拓展课

总学时：48讲课学时：32实验（上机）学时：16

学分：3

考试类型：■考试□考查

适用对象：金融工程，金融学，投资学

■是□否适合作为其他专业学生的个性化选修课

先修课程：微积分、线性代数、概率与数理统计、统计学、宏观经济学、微观经济学、金融学

一、教学目标

本课程是金融学、金融工程、投资学本科专业的学科基础课程，教学的主要目的在于向学生介绍现代金融计量学的基础理论、模型和方法，培养学生在经济金融理论的基础上，借助计量分析软件建立金融计量学模型的能力，拓宽学生分析、研究现实经济金融问题的思路，增强学生的数量分析和实际动手能力，从而为对我国金融市场进行实证研究打下坚实的基础。

学习目标：

目标1：了解经济数量分析课程在经济学、金融学课程体系中的地位，了解经济数量分析在经济学的发展和实际金融工作中的作用；

目标2：掌握基本的计量经济学理论与方法，并对计量经济学理论与方法的新发展有概念性的了解；

目标3：能够建立并应用简单的金融计量模型，包括使用常用的金融计量学软件；

目标4：具有进一步学习与应用金融计量学理论、模型的基础和能力。?

二、教学内容及其与毕业要求的对应关系

金融计量主要内容可以分为：第一部分是金融计量学基础，主要包括一元线性回归模型、多元线性回归模型、虚拟变量模型、自相关、异方差、多重共线性；第二部分是金融时间序列模型，主要包括单位根检验、自回归移动平均（ARMA）模型、协整检验、修正误差模型（ECM）、广义自回归条件异方差（GARCH）、向量自回归（VAR）模型等内容；以及金融计量学的应用实例，主要向学生介绍国内外学者相关的金融计量实证研究。

本课程的任务是了解和掌握广泛应用于金融领域的现代经济计量的技术和方法，运用这些技术和方法对中国金融市场进行实证研究。在保证理论介绍和阐述的完整性前提下，通过对Eviews和Stata两个计量软件操作的讲解，借助于相关的案例与数据，注重向学生介绍实证分析的具体做法，训练和培养学生对经济金融数据尤其是时间序列数据的处理能力和定量分析能力。

三、各教学环节学时分配（黑体，小四号字）

教学课时分配

序号

章节内容

讲课

实验

其他

合计

1

一元线性回归模型

4

1

2

多元线性回归模型

4

1

3

经典线性回归模型的进一步讨论

4

1

4

时间序列模型

6

4

5

波动率模型

6

3

6

向量自回归和向量误差修正模型

4

3

7

多元波动率模型

4

3

合计

32

16

四、教学内容

第1章一元线性回归模型

（一）目的与要求

1．介绍回归分析、回归模型和最小二乘法的基本概念

2．重点讲解一元线性回归模型的基本参数估计方法与检验方法

3．使学生能够采用计量分析软件估计一元线性模型并进行相应的检验

（二）教学内容

第一节回归分析概述

1．回归分析基本概念：变量间的相互关系、相关分析与回归分析

2．总体回归函数：概念、总体回归线、回归系数

3．随机干扰项：引入随机干扰项的原因

4．样本回归函数：样本回归线、样本回归函数、残差、总体回归线与样本回归线的基本关系

第二节一元线性回归模型的参数估计

1．一元线性回归模型的基本假设：解释变量非随机、随机干扰项零均值、同方差及不序列自相关、随机干扰项与解释变量不相关、随机干扰项服从零均值、同方差、零协方差的正态分布、解释变量的样本方差趋于一个有限常数、回归模型正确设定

2．参数的普通最小二乘估计（OLS）：最小二乘原理

3．参数估计的最大似然法(ML)：最大似然原理

4．最小二乘估计量的性质：线性性、无偏性、有效性、渐近无偏性、一致性、渐近有效性

5．参数估计量的概率分布及随机干扰项方差的估计

第三节一元线性回归模型的统计检验

1．拟合优度检验：总体离差平方和的分解、可决系数的计算

2．变量的显著性检验：假设检验、t检验

3．参数的置信区间：参数置信区间的构造、缩小置信区间的方法

第四节一元线性回归分析的应用：预测问题

1．预测值条件均值或个别值的一个无偏估计

2．总体条件均值与个别值预测值的置信区间：总体条件均值预测值的置信区间、总体个别值预测值的置信区间

第五节实例：CAPM模型

1.CAPM模型

2.上机实验：CAPM模型回归分析

第2章多元线性回归模型

（一）目的与要求

1．介绍多元回归分析、多元回归模型的基本概念

2．重点讲解多元线性回归模型的基本参数估计方法与检验方法

3．使学生能够采用计量分析软件估计多元线性模型并进行相应的检验

（二）教学内容

第一节多元线性回归模型

1．多元线性回归模型