《金融信息分析》介绍了金融信息分析中统计分析方法的基本知识，内容包括金融时间序列的基本概念和基本统计特征、平稳金融时间序列模型、条件异方差模型、风险值及分位数估计、神经网络和支持向量机分类方法及其在股市涨跌研判中的应用、生存数据与变量类型、生存分析的基本函数和参数模型、估计基本特征函数的非参数方法、比较生存函数的非参数方法和比例危险率模型。
　　《金融信息分析》可作为普通高等院校数学与应用数学专业本科生、应用统计专业硕士学位研究生教材，也可作为统计学和计量经济学等专业方向的研究生的教学参考书以及金融界高级从业人员的参考用书。

1 金融时间序列及其特征
1.1 资产收益率
1.2 收益率的分布性质
1.2.1 统计分布及其矩的回顾
1.2.2 收益率的分布
1.2.3 收益率的经验性质
1.3 Eviews软件相关操作
1.3.1 简介
1.3.2 启动软件包
1.3.3 创建工作文件
1.3.4 输入和编辑数据
1.3.5 查看序列的数据特征
1.4 习题

2 线性时间序列分析及其应用
2.1 平稳性
2.2 自相关函数
2.3 自回归模型
2.3.1 AR模型及性质
2.3.2 实际中怎样识别AR模型
2.3.3 拟合优度
2.3.4 预测
2.4 移动平均模型
2.4.1 MA模型的性质
2.4.2 识别MA的阶
2.4.3 估计
2.4.4 用MA模型预测
2.5 ARMA模型
2.5.1 ARMA（1，1）模型的性质
2.5.2 一般的ARMA模型
2.5.3 识别ARMA模型
2.5.4 用ARMA模型预测
2.5.5 ARMA模型的三种表示
2.6 单位根非平稳时间序列
2.6.1 随机游动
2.6.2 带漂移的随机游动
2.6.3 带趋势项的时间序列
2.6.4 单整与单位根非平稳模型
2.6.5 非平稳序列的单位根检验
2.6.6 DGP识别
2.6.7 Eviews相关操作
2.7 带时间序列误差的回归模型
2.8 异方差性和自相关一致协方差估计
2.9 习题

3 条件异方差模型
3.1 波动率的特征与模型的结构
3.2 ARCH模型
3.2.1 ARCH模型的结构
3.2.2 ARCH模型的性质
3.2.3 ARCH效应的检验
3.2.4 ARCH模型的建立
3.2.5 例子
……

4 非线性模型及其应用
5 风险值与分位数估计
6 神经网络
7 支持向量机
8 生存数据与变量类型
9 基本函数和参数模型
10 估计基本特征函数的非参数方法
11 比较生存函数的非参数方法
12 比例危险率模型

参考文献