书籍详情
基于大数据的经济形势监测预测理论与方法
作者：田茂再
出版社：清华大学出版社
出版时间：2023-07-01
ISBN：9787302594031
定价：¥169.00
购买这本书可以去
内容简介
该专著的研究内容涉及到两方面：一是“大数据经济形势监测理论与方法研究”；二是“经济大数据统计分析理论、方法重构研究”。 前者主要研究内容包括：经济大数据数据源与指标采集；大数据经济形势监测；大数据经济形势预测；大数据经济形势预警和大数据政策模拟这五个部分；后者主要研究内容包括：致力于解决大数据时代下经济统计学基本理论框架的重新构建以及这些理论与其他学科交叉应用研究等一系列的重大理论与应用问题，这些国际前沿研究主要内容包括：经济大数据统计学基本理论的发展研究；以及经济大数据统计学基本理论的应用。
作者简介
田茂再，南开大学概率统计博士，统计学教授，博士生导师，人文社会科学重点研究基地中国人民大学应用统计科学研究中心副主任。是德国HUMBOLADT大学SFB 649 FELLOW重大科研项目中方首席科学家，是美国耶鲁大学、哥伦比亚大学、英国曼彻斯特大学等大学的高级访问教授，曾经入选新世纪优秀人才、甘肃省“飞天学者”和兰州财经大学“兴隆学者”特聘教授、新疆维吾尔自治区“天山学者”特聘教授以及中国人民大学首批杰出学者。他先后主持省部级、国家级项目30余项，在国内外发表300余篇文章，著书10余部，获省部级及以上奖励10余项
目录
第 1 章 绪论 1
1.1 经济形势监测预测的意义及研究现状 1
1.2 大数据研究现状 5
1.3 大数据下经济监测预测的革新 9
1.4 大数据下经济监测预测面临的机遇与挑战 10
1.5 研究技术路线 11
第 2 章 大数据分析方法 12
2.1 传统统计方法 12
2.1.1 岭回归 12
2.1.2 LASSO 回归 13
2.1.3 加罚方法的推广 13
2.1.4 小角回归 14
2.1.5 主成分分析 15
2.2 机器学算法 16
2.2.1 决策树 16
2.2.2 提升方法 18
2.2.3 随机森林 19
2.2.4 支持向量机 20
2.2.5 逻辑回归 21
2.2.6 Apriori 算法 21
2.3 深度学 22
2.3.1 投影追踪 23
2.3.2 经网络 23
2.4 本章小结 25
第 3 章 大数据背景下的经济总量运行监测研究 28
3.1 引言 28
3.1.1 现有 GDP 核算方法 28
3.1.2 GDP 的扩展:GDI 和 GNI 29
3.1.3 大数据背景下的 GDP 30
3.2 高维数据集下 GDP 的监测及预测 31
3.2.1 动态因子模型 31
3.2.2 关于选择预测变量的降维方法 32
3.3 利用非结构化数据监测预测 GDP 33
3.3.1 结合图片信息监测预测 GDP 34
3.3.2 互联网搜索行为监测预测 GDP 35
3.4 GDP 偏差的估计及预测 37
3.4.1 GDP 偏差的定义 37
3.4.2 模型及实证结果 38
3.5 本章小结 42
第 4 章 大数据背景下金融风险管理 44
4.1 引言 44
4.2 金融风险的研究现状 45
4.2.1 风险值的研究现状 45
4.2.2 收益波动率的研究现状 46
4.2.3 期望亏空的研究现状 47
4.3 金融风险度量 47
4.3.1 风险值及估计方法 47
4.3.2 收益波动率及其估计 54
4.3.3 期望亏空模型及其估计 62
4.4 大数据下金融风险管理研究 70
4.4.1 大数据诊断 71
4.4.2 大数据处理技术 81
4.4.3 大数据预测方法 82
4.4.4 大数据下金融风险的研究现状 84
4.5 案例分析 86
4.5.1 稀疏 VAR 在股票收益率研究中的应用 86
4.5.2 基于经验分布的混合连接函数及其在金融风险管理中的应用 93
4.6 本章小结 101
第 5 章 大数据背景下的财政税收监测研究 102
5.1 引言 102
5.2 我国税收监测总体状况 103
5.2.1 税收的主要组成及监测指标 103
5.2.2 税收监测面临的机遇与挑战 105
5.2.3 大数据下监测税收指标的意义 106
5.3 税收分析相关概念 107
5.3.1 税收大数据 107
5.3.2 税收风险管理 108
5.3.3 风险预警理论 109
5.4 案例分析 110
5.4.1 基于关联规则的税收监测案例选择研究 110
5.4.2 基于属性约简的支持向量机模型在税收监测中的应用 115
5.5 本章小结 119
第 6 章 基于对外贸易大数据的经济监测分析 121
6.1 引言 121
6.2 大数据时代的对外贸易 121
6.2.1 大数据时代对外贸易的机遇和挑战 121
6.2.2 大数据时代对外贸易发展措施建议 122
6.2.3 大数据时代对外贸易统计的新挑战 123
6.2.4 大数据时代对外贸易统计工作的建议 124
6.3 对外贸易可持续发展的评指标 124
6.3.1 经济效益指标 E 124
6.3.2 生态效益指标 B 126
6.3.3 社会效益指标 S 127
6.4 大数据背景下对外贸易监测的研究 127
6.4.1 指标的计算与合成 127
6.4.2 模型构建和预测 128
6.5 对外贸易监测的实例研究 132
6.5.1 基于大数据的云南省外贸依存度分析 132
6.5.2 基于 ARIMA 与 BP 经网络复合模型的对外出口贸易预测 137
6.6 本章小结 140
第 7 章 大数据背景下的商业贸易监测研究 141
7.1 引言 141
7.2 大数据对贸易统计的影响 141
7.3 主要统计指标 143
7.3.1 交易指标 143
7.3.2 流数据 144
7.4 大数据背景下的贸易统计方法 144
7.4.1 贸易数据的获取和整理 145
7.4.2 数据分析和诠释 146
7.5 案例分析 147
7.5.1 基于时间序列和经网络建模的杂志销售量预测 147
7.5.2 网络搜索与汽车之间的关系分析 151
7.6 本章小结 154
第 8 章 大数据背景下的物水平监测研究 156
8.1 引言 156
8.2 大数据的发展与应用 156
8.3 物水平及相关格指数 160
8.4 大数据与居民消费格指数 164
8.4.1 CPI 在经济形势监测中的意义 165
8.4.2 大数据对 CPI 产生的影响 166
8.5 案例分析 167
8.5.1 扫描数据编制 CPI 167
8.5.2 支持向量回归 171
8.6 本章小结 174
第 9 章 大数据背景下的居民消费监测研究 176
9.1 引言 176
9.1.1 大数据背景下的网络消费 176
9.1.2 消费者信心指数 177
9.1.3 消费结构及居民收支 178
9.2 通过对大数据的监测分析预测消费者产品需求 178
9.2.1 大数据背景下影响消费的关键因素 178
9.2.2 数据挖掘及模型建立 180
9.2.3 案例分析 183
9.3 网络大数据在消费者信心指数预测中的应用 184
9.3.1 网络搜索行为与消费者信心的关联分析 184
9.3.2 变量选择及模型建立 185
9.4 基于高维大数据探究收入与消费之间的关系 187
9.4.1 模型及方法 189
9.4.2 案例分析 191
9.5 本章小结 194
第 10 章 大数据背景下的失业监测研究 196
10.1 引言 196
10.2 失业大数据研究现状 196
10.2.1 失业大数据：宏观角度 196
10.2.2 失业大数据：微观角度 198
10.3 监测失业率的模型与方法 201
10.3.1 监测预测模型 203
10.3.2 人工经网络 207
10.3.3 支持向量回归 211
10.3.4 网络搜索数据分位回归的失业率监测 213
10.4 案例分析 214
10.4.1 人口老龄化与就业结构研究 214
10.4.2 OECD 失业率研究 221
10.5 本章小结 229
第 11 章 交通运输大数据背景下的经济监测 230
11.1 引言 230
11.2 交通运输与经济发展的关系 230
11.2.1 交通固定资产投资与经济发展的关系 231
11.2.2 交通运输量与经济发展的关系 233
11.3 交通运输大数据 237
11.3.1 交通大数据的产生方式与内容 238
11.3.2 交通运输大数据的应用 241
11.4 交通运输大数据与经济监测 241
11.4.1 基于传统交通运输数据的经济监测方法 241
11.4.2 经济监测方式在交通运输大数据背景下的转变 246
11.5 案例分析 247
11.5.1 动机与背景 248
11.5.2 数据与模型 248
11.5.3 实证结果展示 249
11.5.4 结论 251
11.6 本章小结 252
第 12 章 大数据背景下房地产经济监测的理论研究 253
12.1 引言 253
12.2 房地产经济运行监测指标内容 253
12.2.1 国房景气指数 254
12.2.2 按功能分类的监测指标 255
12.3 大数据与房地产经济监测 257
12.3.1 房地产行业互联网大数据点 257
12.3.2 大数据在房地产经济监测方面的应用现状 258
12.3.3 基于大数据的房地产经济监测的意义 260
12.4 案例分析 260
12.4.1 基于面板分位回归的房预测 261
12.4.2 基于多期双重差分模型的房与限购令的实证研究 266
12.5 本章小结 275
第 13 章 基于移动支付大数据的经济形势监测分析方法 277
13.1 引言 277
13.2 研究背景与现状 278
13.2.1 国外移动支付发展历程 278
13.2.2 国内移动支付发展历程 279
13.3 移动支付与经济形势监测的关系 280
13.3.1 移动支付对经济社会运行的影响 281
13.3.2 移动支付行为对经济金融的意义 282
13.4 当前移动大数据的点 283
13.4.1 移动数据固有的大数据征 283
13.4.2 移动数据的有大数据征 284
13.4.3 移动大数据搜集与计算问题 286
13.5 针对移动支付大数据的前沿统计理论与方法 286
13.5.1 描述类方法 286
13.5.2 预测类方法 287
13.6 案例分析 292
13.6.1 利用大数据分析殊事件对区域经济状况的影响 292
13.6.2 通过移动支付行为监测城市区域经济发展状况 294
13.7 本章小结 295
第 14 章 函数型大数据统计建模理论方法及其应用研究 296
14.1 引言 296
14.1.1 挑战性前沿问题 296
14.1.2 几类金融时间序列 296
14.1.3 条件自回归风险值（CAViaR）模型 297
14.1.4 ARFIMA 过程 298
14.2 几类函数型大数据建模 298
14.2.1 复杂多元函数型大数据分层分位回归建模 298
14.2.2 非平稳函数型时间序列分析 302
14.2.3 时变征的非参数检验 304
14.2.4 高维非平稳序列的跳点估计和降维 305
14.3 时间序列模型 307
14.3.1 概念 307
14.3.2 ARMA 过程 309
14.3.3 时域分析 313
14.3.4 时间序列统计分析 315
14.3.5 预测 316
14.4 ARCH 模型和 GARCH 模型 318
14.4.1 ARCH 模型 318
14.4.2 GARCH 模型 324
14.4.3 GARCH 模型的简单扩展 327
14.4.4 GARCH 模型的几类推广形式 328
14.4.5 GARCH 模型拟合 329
14.4.6 波动率预测和风险度量估计 334
14.5 条件自回归风险值的分位数回归 338
14.5.1 风险值模型 338
14.5.2 CAViaR 339
14.5.3 分位数回归 340
14.5.4 分位数模型检验 343
14.5.5 实证结果 344
14.5.6 结论 349
14.5.7 附录：假设 349
14.6 ARFIMA 过程 351
14.6.1 介绍 351
14.6.2 独立误差的情况 353
14.6.3 条件异方差误差的情况 355
14.6.4 模拟研究 358
14.7 本章小结 359
第 15 章 总结与展望 360
参考文献 365
1.1 经济形势监测预测的意义及研究现状 1
1.2 大数据研究现状 5
1.3 大数据下经济监测预测的革新 9
1.4 大数据下经济监测预测面临的机遇与挑战 10
1.5 研究技术路线 11
第 2 章 大数据分析方法 12
2.1 传统统计方法 12
2.1.1 岭回归 12
2.1.2 LASSO 回归 13
2.1.3 加罚方法的推广 13
2.1.4 小角回归 14
2.1.5 主成分分析 15
2.2 机器学算法 16
2.2.1 决策树 16
2.2.2 提升方法 18
2.2.3 随机森林 19
2.2.4 支持向量机 20
2.2.5 逻辑回归 21
2.2.6 Apriori 算法 21
2.3 深度学 22
2.3.1 投影追踪 23
2.3.2 经网络 23
2.4 本章小结 25
第 3 章 大数据背景下的经济总量运行监测研究 28
3.1 引言 28
3.1.1 现有 GDP 核算方法 28
3.1.2 GDP 的扩展:GDI 和 GNI 29
3.1.3 大数据背景下的 GDP 30
3.2 高维数据集下 GDP 的监测及预测 31
3.2.1 动态因子模型 31
3.2.2 关于选择预测变量的降维方法 32
3.3 利用非结构化数据监测预测 GDP 33
3.3.1 结合图片信息监测预测 GDP 34
3.3.2 互联网搜索行为监测预测 GDP 35
3.4 GDP 偏差的估计及预测 37
3.4.1 GDP 偏差的定义 37
3.4.2 模型及实证结果 38
3.5 本章小结 42
第 4 章 大数据背景下金融风险管理 44
4.1 引言 44
4.2 金融风险的研究现状 45
4.2.1 风险值的研究现状 45
4.2.2 收益波动率的研究现状 46
4.2.3 期望亏空的研究现状 47
4.3 金融风险度量 47
4.3.1 风险值及估计方法 47
4.3.2 收益波动率及其估计 54
4.3.3 期望亏空模型及其估计 62
4.4 大数据下金融风险管理研究 70
4.4.1 大数据诊断 71
4.4.2 大数据处理技术 81
4.4.3 大数据预测方法 82
4.4.4 大数据下金融风险的研究现状 84
4.5 案例分析 86
4.5.1 稀疏 VAR 在股票收益率研究中的应用 86
4.5.2 基于经验分布的混合连接函数及其在金融风险管理中的应用 93
4.6 本章小结 101
第 5 章 大数据背景下的财政税收监测研究 102
5.1 引言 102
5.2 我国税收监测总体状况 103
5.2.1 税收的主要组成及监测指标 103
5.2.2 税收监测面临的机遇与挑战 105
5.2.3 大数据下监测税收指标的意义 106
5.3 税收分析相关概念 107
5.3.1 税收大数据 107
5.3.2 税收风险管理 108
5.3.3 风险预警理论 109
5.4 案例分析 110
5.4.1 基于关联规则的税收监测案例选择研究 110
5.4.2 基于属性约简的支持向量机模型在税收监测中的应用 115
5.5 本章小结 119
第 6 章 基于对外贸易大数据的经济监测分析 121
6.1 引言 121
6.2 大数据时代的对外贸易 121
6.2.1 大数据时代对外贸易的机遇和挑战 121
6.2.2 大数据时代对外贸易发展措施建议 122
6.2.3 大数据时代对外贸易统计的新挑战 123
6.2.4 大数据时代对外贸易统计工作的建议 124
6.3 对外贸易可持续发展的评指标 124
6.3.1 经济效益指标 E 124
6.3.2 生态效益指标 B 126
6.3.3 社会效益指标 S 127
6.4 大数据背景下对外贸易监测的研究 127
6.4.1 指标的计算与合成 127
6.4.2 模型构建和预测 128
6.5 对外贸易监测的实例研究 132
6.5.1 基于大数据的云南省外贸依存度分析 132
6.5.2 基于 ARIMA 与 BP 经网络复合模型的对外出口贸易预测 137
6.6 本章小结 140
第 7 章 大数据背景下的商业贸易监测研究 141
7.1 引言 141
7.2 大数据对贸易统计的影响 141
7.3 主要统计指标 143
7.3.1 交易指标 143
7.3.2 流数据 144
7.4 大数据背景下的贸易统计方法 144
7.4.1 贸易数据的获取和整理 145
7.4.2 数据分析和诠释 146
7.5 案例分析 147
7.5.1 基于时间序列和经网络建模的杂志销售量预测 147
7.5.2 网络搜索与汽车之间的关系分析 151
7.6 本章小结 154
第 8 章 大数据背景下的物水平监测研究 156
8.1 引言 156
8.2 大数据的发展与应用 156
8.3 物水平及相关格指数 160
8.4 大数据与居民消费格指数 164
8.4.1 CPI 在经济形势监测中的意义 165
8.4.2 大数据对 CPI 产生的影响 166
8.5 案例分析 167
8.5.1 扫描数据编制 CPI 167
8.5.2 支持向量回归 171
8.6 本章小结 174
第 9 章 大数据背景下的居民消费监测研究 176
9.1 引言 176
9.1.1 大数据背景下的网络消费 176
9.1.2 消费者信心指数 177
9.1.3 消费结构及居民收支 178
9.2 通过对大数据的监测分析预测消费者产品需求 178
9.2.1 大数据背景下影响消费的关键因素 178
9.2.2 数据挖掘及模型建立 180
9.2.3 案例分析 183
9.3 网络大数据在消费者信心指数预测中的应用 184
9.3.1 网络搜索行为与消费者信心的关联分析 184
9.3.2 变量选择及模型建立 185
9.4 基于高维大数据探究收入与消费之间的关系 187
9.4.1 模型及方法 189
9.4.2 案例分析 191
9.5 本章小结 194
第 10 章 大数据背景下的失业监测研究 196
10.1 引言 196
10.2 失业大数据研究现状 196
10.2.1 失业大数据：宏观角度 196
10.2.2 失业大数据：微观角度 198
10.3 监测失业率的模型与方法 201
10.3.1 监测预测模型 203
10.3.2 人工经网络 207
10.3.3 支持向量回归 211
10.3.4 网络搜索数据分位回归的失业率监测 213
10.4 案例分析 214
10.4.1 人口老龄化与就业结构研究 214
10.4.2 OECD 失业率研究 221
10.5 本章小结 229
第 11 章 交通运输大数据背景下的经济监测 230
11.1 引言 230
11.2 交通运输与经济发展的关系 230
11.2.1 交通固定资产投资与经济发展的关系 231
11.2.2 交通运输量与经济发展的关系 233
11.3 交通运输大数据 237
11.3.1 交通大数据的产生方式与内容 238
11.3.2 交通运输大数据的应用 241
11.4 交通运输大数据与经济监测 241
11.4.1 基于传统交通运输数据的经济监测方法 241
11.4.2 经济监测方式在交通运输大数据背景下的转变 246
11.5 案例分析 247
11.5.1 动机与背景 248
11.5.2 数据与模型 248
11.5.3 实证结果展示 249
11.5.4 结论 251
11.6 本章小结 252
第 12 章 大数据背景下房地产经济监测的理论研究 253
12.1 引言 253
12.2 房地产经济运行监测指标内容 253
12.2.1 国房景气指数 254
12.2.2 按功能分类的监测指标 255
12.3 大数据与房地产经济监测 257
12.3.1 房地产行业互联网大数据点 257
12.3.2 大数据在房地产经济监测方面的应用现状 258
12.3.3 基于大数据的房地产经济监测的意义 260
12.4 案例分析 260
12.4.1 基于面板分位回归的房预测 261
12.4.2 基于多期双重差分模型的房与限购令的实证研究 266
12.5 本章小结 275
第 13 章 基于移动支付大数据的经济形势监测分析方法 277
13.1 引言 277
13.2 研究背景与现状 278
13.2.1 国外移动支付发展历程 278
13.2.2 国内移动支付发展历程 279
13.3 移动支付与经济形势监测的关系 280
13.3.1 移动支付对经济社会运行的影响 281
13.3.2 移动支付行为对经济金融的意义 282
13.4 当前移动大数据的点 283
13.4.1 移动数据固有的大数据征 283
13.4.2 移动数据的有大数据征 284
13.4.3 移动大数据搜集与计算问题 286
13.5 针对移动支付大数据的前沿统计理论与方法 286
13.5.1 描述类方法 286
13.5.2 预测类方法 287
13.6 案例分析 292
13.6.1 利用大数据分析殊事件对区域经济状况的影响 292
13.6.2 通过移动支付行为监测城市区域经济发展状况 294
13.7 本章小结 295
第 14 章 函数型大数据统计建模理论方法及其应用研究 296
14.1 引言 296
14.1.1 挑战性前沿问题 296
14.1.2 几类金融时间序列 296
14.1.3 条件自回归风险值（CAViaR）模型 297
14.1.4 ARFIMA 过程 298
14.2 几类函数型大数据建模 298
14.2.1 复杂多元函数型大数据分层分位回归建模 298
14.2.2 非平稳函数型时间序列分析 302
14.2.3 时变征的非参数检验 304
14.2.4 高维非平稳序列的跳点估计和降维 305
14.3 时间序列模型 307
14.3.1 概念 307
14.3.2 ARMA 过程 309
14.3.3 时域分析 313
14.3.4 时间序列统计分析 315
14.3.5 预测 316
14.4 ARCH 模型和 GARCH 模型 318
14.4.1 ARCH 模型 318
14.4.2 GARCH 模型 324
14.4.3 GARCH 模型的简单扩展 327
14.4.4 GARCH 模型的几类推广形式 328
14.4.5 GARCH 模型拟合 329
14.4.6 波动率预测和风险度量估计 334
14.5 条件自回归风险值的分位数回归 338
14.5.1 风险值模型 338
14.5.2 CAViaR 339
14.5.3 分位数回归 340
14.5.4 分位数模型检验 343
14.5.5 实证结果 344
14.5.6 结论 349
14.5.7 附录：假设 349
14.6 ARFIMA 过程 351
14.6.1 介绍 351
14.6.2 独立误差的情况 353
14.6.3 条件异方差误差的情况 355
14.6.4 模拟研究 358
14.7 本章小结 359
第 15 章 总结与展望 360
参考文献 365
猜您喜欢
