金融计量经济学基础——基于Python / 国家级一流本科专业建设·经济学教学用书
定价：￥68.00
作者： 沈根祥
出版时间：2025-09
最新印次日期：2025-9
出版社：上海财经大学出版社
- 上海财经大学出版社
- 9787564246853
- 1版
- 566040
- 2025-09
- 经济学
- 金融学类
- 财经商贸大类
- 金融学
- 本科 研究生及以上
作者简介
内容简介
全书首章系统梳理概率统计与计量经济学基础，对易混淆概念（如平稳性、协整关系）进行直观辨析，为后续研究奠定坚实理论基石。
在内容创新上，本书深度融入前沿方法论，涵盖成分GARCH模型、混频GARCH-MIDAS、Diebold-Yilmaz关联性、向量自回归分解模型、Go-GARCH模型、得分驱动时变GAS模型及贝叶斯分析中HMC/NUTS抽样等十余种新方法，每章均附Python代码实现路径，实现理论—算法—代码三重贯通。
本书特色亮点包括：
专设章节深度阐释贝叶斯时间序列分析框架，结合MCMC方法论展开应用；精选国内经济金融真实数据编制大量数值例题，强化方法理解与市场洞察；配套资源丰富，线上平台提供教学大纲、教案、PPT、授课视频、习题答案及原始数据，形成“教材—代码—数据—视频”四位一体学习生态。书中穿插的思考题与练习题紧扣章节核心，助力知识内化与技能提升。
本书既可作为量化金融、数量经济学专业核心教材，亦适合金融从业者、数据分析师作为方法论工具书参考，是连接经典理论与前沿实践的桥梁型著作。
在内容创新上，本书深度融入前沿方法论，涵盖成分GARCH模型、混频GARCH-MIDAS、Diebold-Yilmaz关联性、向量自回归分解模型、Go-GARCH模型、得分驱动时变GAS模型及贝叶斯分析中HMC/NUTS抽样等十余种新方法，每章均附Python代码实现路径，实现理论—算法—代码三重贯通。
本书特色亮点包括：
专设章节深度阐释贝叶斯时间序列分析框架，结合MCMC方法论展开应用；精选国内经济金融真实数据编制大量数值例题，强化方法理解与市场洞察；配套资源丰富，线上平台提供教学大纲、教案、PPT、授课视频、习题答案及原始数据，形成“教材—代码—数据—视频”四位一体学习生态。书中穿插的思考题与练习题紧扣章节核心，助力知识内化与技能提升。
本书既可作为量化金融、数量经济学专业核心教材，亦适合金融从业者、数据分析师作为方法论工具书参考，是连接经典理论与前沿实践的桥梁型著作。
目录
第一篇 Python基础
第一章 计算机基础及Python简介
第一节 计算机基础概述
第二节 Python的历史与发展
第三节 Python的特点与优势
第四节 搭建Python的开发环境
第五节 Python的集成开发环境
本章小结
课后习题
第二章 Python基础语法规范
第一节 缩进与注释
第二节 标识符及命名规则
第三节 变量与赋值语句
第四节 数值
第五节 字符串
第六节 布尔型
第七节 混合运算和类型转换
第八节 format()函数的格式化方法
第九节 input()和print()函数简介
本章小结
课后习题
第三章 Python程序流程控制
第一节 程序执行的流程
第二节 选择结构
第三节 循环结构
第四节 random库的应用
第五节 程序流程控制应用实例
本章小结
课后习题
第四章 Python列表与元组
第一节 列表创建与列表元素访问
第二节 列表元素的操作
第三节 操作列表
第四节 数值列表
第五节 元组
第六节 转换函数
第七节 可变对象和不可变对象
第八节 列表与元组的应用实例
本章小结
课后习题
第五章 Python字典与集合
第一节 字典与集合的基本介绍
第二节 字典创建与常见操作
第三节 集合创建与常见操作
第四节 字典与集合的应用实例
本章小结
课后习题
第六章 Python函数与模块
第一节 函数的基本概念
第二节 函数的声明与使用
第三节 lambda函数
第四节 变量的作用域
第五节 Python常用的内置函数和模块
本章小结
课后习题
第七章 Python文件与异常
第一节 文件的基础知识
第二节 文件操作通用方式
第三节 CSV文件操作
第四节 JSON数据的读取
第五节 异常与断言
第六节 标准输入、输出和错误流
本章小结
课后习题
第八章 面向对象编程
第一节 面向对象编程概述
第二节 Python中的面向对象
第三节 类成员的可见性
第四节 类的方法
第五节 类的继承和多态
本章小结
课后习题
第二篇 Python应用
第九章 科学计算基础:numpy
第一节 numpy库简介
第二节 数组对象的常见操作
第三节 numpy库的专业应用
第四节 数组的加载与输出
第五节 numpy库的扩展应用:SciPy
本章小结
课后习题
第十章 数据分析尖兵:pandas库
第一节 pandas库简介
第二节 Series对象的应用
第三节 DataFrame对象的应用
第四节 pandas库的应用实例
本章小结
课后习题
第十一章 可视化利器:Matplotlib和seaborn
第一节 Matplotlib库绘制可视化图表
第二节 seaborn绘制数据分析图表
第三节 金融数据的可视化
本章小结
课后习题
第十二章 Python与中文文本分析
第一节 中文文本分析概述
第二节 中文分词及基本处理:jieba库
第三节 中文文本分析可视化:wordcloud库
第四节 中文文本分析应用:微博评论情绪分析
本章小结
课后习题
第十三章 Python在金融领域的应用
第一节 金融量化分析数据的准备
第二节 量化交易的利器
第三节 金融资产组合优化的量化分析
本章小结
课后习题
第三篇 Python拓展
第十四章 Python与机器学习
第一节 机器学习概述
第二节 基于scikit-learn的机器学习流程
第三节 分类算法
第四节 回归算法
第五节 聚类算法
本章小结
课后习题
第十五章 Python与深度学习
第一节 感知机模型
第二节 人工神经网络
第三节 反向传播算法
第四节 神经网络的优势及局限性
第五节 常见神经网络类型
第六节 主流深度学习框架及应用实例
第七节 大语言模型发展简史:从 Transformer到 DeepSeek-R1的进化之路
本章小结
课后习题
主要参考文献
第一章 计算机基础及Python简介
第一节 计算机基础概述
第二节 Python的历史与发展
第三节 Python的特点与优势
第四节 搭建Python的开发环境
第五节 Python的集成开发环境
本章小结
课后习题
第二章 Python基础语法规范
第一节 缩进与注释
第二节 标识符及命名规则
第三节 变量与赋值语句
第四节 数值
第五节 字符串
第六节 布尔型
第七节 混合运算和类型转换
第八节 format()函数的格式化方法
第九节 input()和print()函数简介
本章小结
课后习题
第三章 Python程序流程控制
第一节 程序执行的流程
第二节 选择结构
第三节 循环结构
第四节 random库的应用
第五节 程序流程控制应用实例
本章小结
课后习题
第四章 Python列表与元组
第一节 列表创建与列表元素访问
第二节 列表元素的操作
第三节 操作列表
第四节 数值列表
第五节 元组
第六节 转换函数
第七节 可变对象和不可变对象
第八节 列表与元组的应用实例
本章小结
课后习题
第五章 Python字典与集合
第一节 字典与集合的基本介绍
第二节 字典创建与常见操作
第三节 集合创建与常见操作
第四节 字典与集合的应用实例
本章小结
课后习题
第六章 Python函数与模块
第一节 函数的基本概念
第二节 函数的声明与使用
第三节 lambda函数
第四节 变量的作用域
第五节 Python常用的内置函数和模块
本章小结
课后习题
第七章 Python文件与异常
第一节 文件的基础知识
第二节 文件操作通用方式
第三节 CSV文件操作
第四节 JSON数据的读取
第五节 异常与断言
第六节 标准输入、输出和错误流
本章小结
课后习题
第八章 面向对象编程
第一节 面向对象编程概述
第二节 Python中的面向对象
第三节 类成员的可见性
第四节 类的方法
第五节 类的继承和多态
本章小结
课后习题
第二篇 Python应用
第九章 科学计算基础:numpy
第一节 numpy库简介
第二节 数组对象的常见操作
第三节 numpy库的专业应用
第四节 数组的加载与输出
第五节 numpy库的扩展应用:SciPy
本章小结
课后习题
第十章 数据分析尖兵:pandas库
第一节 pandas库简介
第二节 Series对象的应用
第三节 DataFrame对象的应用
第四节 pandas库的应用实例
本章小结
课后习题
第十一章 可视化利器:Matplotlib和seaborn
第一节 Matplotlib库绘制可视化图表
第二节 seaborn绘制数据分析图表
第三节 金融数据的可视化
本章小结
课后习题
第十二章 Python与中文文本分析
第一节 中文文本分析概述
第二节 中文分词及基本处理:jieba库
第三节 中文文本分析可视化:wordcloud库
第四节 中文文本分析应用:微博评论情绪分析
本章小结
课后习题
第十三章 Python在金融领域的应用
第一节 金融量化分析数据的准备
第二节 量化交易的利器
第三节 金融资产组合优化的量化分析
本章小结
课后习题
第三篇 Python拓展
第十四章 Python与机器学习
第一节 机器学习概述
第二节 基于scikit-learn的机器学习流程
第三节 分类算法
第四节 回归算法
第五节 聚类算法
本章小结
课后习题
第十五章 Python与深度学习
第一节 感知机模型
第二节 人工神经网络
第三节 反向传播算法
第四节 神经网络的优势及局限性
第五节 常见神经网络类型
第六节 主流深度学习框架及应用实例
第七节 大语言模型发展简史:从 Transformer到 DeepSeek-R1的进化之路
本章小结
课后习题
主要参考文献
