Libro

Analysis of Financial Time Series ฉบับที่ 3: ตำรา time series การเงินของ Ruey S. Tsay

ตำรา financial econometrics ของ Ruey S. Tsay ครอบคลุม ARMA, GARCH, high-frequency data, VaR, cointegration และ MCMC บทความนี้สรุปจากสารบัญและบทที่ 1 ที่ Wiley เปิดให้อ่านตัวอย่าง เพื่อช่วยตัดสินว่าเล่มนี้เหมาะกับระดับของคุณหรือไม่

ทีมบรรณาธิการ Libro · 25 ตุลาคม 2569 · แก้ไขล่าสุด 27 ตุลาคม 2569 · อ่านประมาณ 4 นาที

ภาพประกอบบทความ: ปกหนังสือ Analysis of Financial Time Series โดย Ruey S. Tsay

ขอบเขตของบทความ: สรุปจากสารบัญฉบับเต็มและบทที่ 1 ที่สำนักพิมพ์ Wiley เผยแพร่ให้อ่านตัวอย่าง รวมกับหน้าหนังสือของ Wiley หน้าหนังสือบนเว็บไซต์ผู้เขียน และ Open Library ยังไม่ได้อ่านบทอื่นนอกจากบทที่ 1 ข้อสังเกตเรื่องบทอื่นมาจากสารบัญและภาพรวมที่ผู้เขียนเขียนไว้ในบทที่ 1

คนที่เริ่มวิเคราะห์ข้อมูลตลาดด้วย statistics มักเจอคำถามต่อจาก moving average และ regression ทั่วไป เช่น จะสร้าง volatility model ที่เปลี่ยนตามเวลาอย่างไร จะจัดการข้อมูลรายธุรกรรมอย่างไร หรือจะทดสอบว่าสองสินทรัพย์มีความสัมพันธ์ระยะยาวหรือไม่ ตำราเล่มนี้รวบรวมเครื่องมือกลุ่มนี้ไว้ในเล่มเดียว บทความนี้ช่วยดูว่าเนื้อหาครอบคลุมอะไร ต้องมีพื้นฐานแค่ไหน และเหมาะกับใคร

หนังสือเล่มนี้ว่าด้วยอะไร

Analysis of Financial Time Series, 3rd Edition เขียนโดย Ruey S. Tsay ตีพิมพ์โดย Wiley ในชุด Wiley Series in Probability and Statistics ฉบับปกแข็งออกเมื่อสิงหาคม 2010 ความยาว 720 หน้า ISBN 978-0-470-41435-4 (หน้าหนังสือของ Wiley) ผู้เขียนเป็น H. G. B. Alexander Professor of Econometrics and Statistics ที่ University of Chicago Booth School of Business

หน้าสำนักพิมพ์ระบุสิ่งที่เพิ่มในฉบับที่ 3 ได้แก่ realized volatility, bi-power variation, credit risk management และ probability of default, pair trading และ dynamic factor model รวมถึงเปลี่ยนจาก S-Plus มาใช้ R เป็นหลัก และปรับปรุงชุดข้อมูลกับแบบฝึกหัด

เนื้อหาครอบคลุมหัวข้ออะไร

สารบัญ แบ่งเป็น 12 บท:

บท

หัวข้อตามสารบัญ

1

Financial Time Series and Their Characteristics

2

Linear Time Series Analysis and Its Applications

3

Conditional Heteroscedastic Models

4

Nonlinear Models and Their Applications

5

High-Frequency Data Analysis and Market Microstructure

6

Continuous-Time Models and Their Applications

7

Extreme Values, Quantiles, and Value at Risk

8

Multivariate Time Series Analysis and Its Applications

9

Principal Component Analysis and Factor Models

10

Multivariate Volatility Models and Their Applications

11

State-Space Models and Kalman Filter

12

Markov Chain Monte Carlo Methods with Applications

ในบทที่ 1 ผู้เขียนสรุปบทที่เหลือไว้ให้ ตัวอย่างเช่น บทที่ 3 ว่าด้วย conditional variance model ซึ่งสารบัญแสดงว่าไล่ตั้งแต่ ARCH, GARCH, EGARCH ถึง stochastic volatility บทที่ 5 แสดงว่า nonsynchronous trading และ bid–ask bounce ทำให้เกิด serial correlation ในผลตอบแทนหุ้นได้ บทที่ 6 พิสูจน์สูตร Black–Scholes บทที่ 7 ว่าด้วย extreme value theory, value at risk และ expected shortfall และบทที่ 8 ใช้ cointegration กับโอกาส arbitrage รวมถึง pairs trading (บทที่ 1, หน้า 1–2)

แนวคิดที่น่าสนใจจากบทที่ 1

บทที่ 1 เปิดให้อ่านเป็นตัวอย่าง และให้ภาพว่าทั้งเล่มเขียนแบบไหน

  • ความไม่แน่นอนสองชั้น ผู้เขียนอธิบายว่าสิ่งที่ทำให้ time series การเงินต่างจาก time series สาขาอื่นคือ ทั้งทฤษฎีการเงินและข้อมูลเชิงประจักษ์มีความไม่แน่นอน เช่น volatility ของผลตอบแทนหุ้นสังเกตตรง ๆ ไม่ได้ statistics จึงมีบทบาทมาก

  • ทำงานกับผลตอบแทนแทนตัวเลขระดับของสินทรัพย์ หัวข้อ 1.1 อธิบายนิยามผลตอบแทนหลายแบบ ตั้งแต่ simple return, compound return จนถึง log return และวิธีคำนวณผลตอบแทนเฉลี่ยต่อปีแบบ geometric mean

  • ข้อสังเกตเชิงประจักษ์จากข้อมูล CRSP หัวข้อ 1.2.5 สรุปจากตารางสถิติของดัชนีและหุ้นสหรัฐฯ ว่าผลตอบแทนรายวันมี excess kurtosis สูง ค่าเฉลี่ยรายวันใกล้ศูนย์ ผลตอบแทนรายเดือนมี standard deviation สูงกว่ารายวัน และความต่างระหว่าง simple กับ log return ไม่มาก

  • volatility clustering หัวข้อ 1.3 ชี้ว่า variance ของผลตอบแทนเปลี่ยนตามเวลาและเกิดเป็นกลุ่ม ซึ่งเป็นเหตุผลของการศึกษา volatility process ในบทต่อไป

  • ลงมือกับข้อมูลจริงด้วย R ตัวอย่าง 1.2 คำนวณ skewness และ kurtosis ของผลตอบแทนรายวันหุ้น IBM ด้วย R และภาคผนวกท้ายบทแนะนำแพ็กเกจของ Rmetrics เช่น fBasics, timeSeries และ fGarch

พื้นฐานที่ควรมีก่อนอ่าน

บทที่ 1 มีหัวข้อทบทวน statistical distribution และ moment (หัวข้อ 1.2.1) และใช้ likelihood function ตั้งแต่บทแรก ผู้อ่านจึงควรมีพื้นฐาน statistics และ probability ระดับปริญญาตรี การเขียนคำสั่ง R ระดับพื้นฐานช่วยให้ทำตามตัวอย่างได้ หน้าสำนักพิมพ์ระบุว่าผู้เขียนลดการพิสูจน์ทางพีชคณิตให้น้อยที่สุดและพยายามถ่วงดุลทฤษฎีกับการประยุกต์ ส่วนบทที่ 6 และ 12 ใช้ stochastic calculus และ MCMC ตามชื่อหัวข้อในสารบัญ ซึ่งน่าจะต้องการพื้นฐานเพิ่ม

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

  • เหมาะ กับนักศึกษาหรือนักวิเคราะห์ที่มีพื้นฐาน statistics แล้ว และต้องการตำราอ้างอิงด้าน financial econometrics ที่ทำตัวอย่างบนข้อมูลจริง

  • เหมาะ กับคนที่อยากทำตามด้วยตัวเอง เพราะหน้าหนังสือบนเว็บไซต์ของ Tsay มีชุดข้อมูลแยกตามบท และไฟล์ errata

  • ควรเริ่มจากเล่มอื่นก่อน ถ้ายังไม่คุ้นกับ statistics เบื้องต้น, hypothesis testing หรือ regression เพราะบทแรกเริ่มที่ moment การทดสอบ skewness และ likelihood ทันที

  • เล่มนี้เป็นตำรา statistics ไม่ใช่หนังสือกลยุทธ์การเทรด แม้จะมีหัวข้อ pairs trading แต่จุดหลักคือเครื่องมือวิเคราะห์ข้อมูล

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • อ่านเฉพาะบทที่ 1 และสารบัญที่ Wiley เผยแพร่ บทที่ 2–12 สรุปจากสารบัญและย่อหน้าภาพรวมที่ผู้เขียนเขียนไว้ในบทที่ 1

  • ข้อมูลในแคตตาล็อกของ Libro ใช้ ISBN 9780470414354 ซึ่ง Open Library ระบุว่าเป็นฉบับที่ 3 ของ Wiley ปี 2010 ความยาว 720 หน้า ตรงกับหน้าสำนักพิมพ์ ส่วนข้อมูลบางส่วนในโฟลเดอร์หนังสือมาจากฉบับที่ 2 ปี 2005 บทความนี้ยึดฉบับที่ 3

  • บทความนี้ไม่ได้รันโค้ดหรือทดลอง model ในเล่ม

แหล่งอ้างอิง

  • ปกหนังสือ Analysis of Financial Time Series

    Analysis of Financial Time Series

    Ruey S. Tsay

    สารบัญ 12 บทครอบคลุมตั้งแต่ ARMA และ GARCH ไปจนถึง VaR, cointegration, factor model, Kalman filter และ MCMC พร้อมตัวอย่างคำสั่ง R บนข้อมูลจริง

    ดูรายละเอียด

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น