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
展开
