es指數的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

趣味病理學

為了解決es指數的問題，作者志賀貢 這樣論述：

人為什麼會生病？身體到底發生了什麼事？ 發現疾病的原因與人體奧妙的連結。 　　我們已逐漸邁入百歲超高齡社會，活得愈久，愈難逃離疾病。與其從網路資訊獲得片段、不完全的知識，不如好好透過本書，全面理解疾病的機制，認識健康與疾病的不同！ 　　◎組成人體的細胞的超強能力！ 　　◎決定壽命及老化的端粒的祕密 　　◎血液是由骨骼製造出來的？ 　　◎為什麼會罹癌？ 　　◎與癌細胞戰鬥！歐狄沃的功能是？ 　　◎生活習慣病怎麼預防？ 本書特色 　　1、趣味圖解閱讀系列新作！最新加入健康系列！病理學是「人類疾病的機制」，專門探討疾病在個體發生的起因、發展及變化，以及對患者產生的各種影響。本書從細胞、血

液、新陳代謝、炎症、腫瘤、癌症、基因等與各種環境（例如人體的結構和器官、食物、生命與衰老）之間的關係，告訴你為什麼會生病。 　　2、醫學博士解釋關於「疾病」的所有問題！不同於難以閱讀的醫學專書，本書透過豐富的插圖，用一種易於理解的方式說明疾病及其病因。

es指數進入發燒排行的影片

應用多元模型於股價指數之預測-以台灣50股價指數為例

為了解決es指數的問題，作者許雯筆 這樣論述：

股票價格預測一直是一個典型的問題，過去，許多對股價預測的研究使用的技術可分為：統計模型和人工智慧模型；在本研究中，我們整合這兩種技術的交互使用，提出3個變數挑選(None：不挑選變數、PCA：主成分分析法以及SR：逐步迴歸分析)的方法和4個(BPNN：倒傳遞神經網路模型、MR：多元迴歸模型、ES：指數平滑法和ARIMA模型)預測模型，組成3種預測模組；並實際以台灣50股價指數來評估模型組合的預測表現以尋求最適的預測模型。研究結果發現：有經過變數挑選的模型組合其預測表現較佳，其中，以逐步迴歸(Stepwise)模組的預測表現最好；在預測模型的比較上，多元迴歸模型的預測表現整體優於神經網路模型，

但差異不大。而這樣的實證結果說明，在運用各種模型組合時，可以進行交互驗證並從中找出最適的預測模型。

金融統計與數據分析

為了解決es指數的問題，作者（美）戴維·羅伯特 這樣論述：

本書內容涉及金融學中的統計模型和資料分析的諸多內容，與一般偏重於單純介紹理論知識和模型的著作不同，它把統計模型和金融模型聯繫在一起，寓統計學知識于金融學之中，並且用R軟體做出了完美的應用程式。 主要內容包括收益、固定收益證券、探索性資料分析、建模一元分佈、再抽樣、多元統計模型、Copulas、時間序列模型、證券投資組合理論、回歸、協整分析、固定資產定價模型、因數模型和主成分分析、GARCH模型、風險管理、貝葉斯資料分析和MCMC、非參數回歸和樣條。 David Ruppert 康奈爾大學運籌學和資訊工程學院統計科學教授、Andrew Schultz, Jr.工程學教授，主

要講授統計學、金融工程等課程。他的研究領域包括漸近理論、半參數回歸、函數型資料分析、生物統計、模型校準、度量誤差和天文統計學。Ruppert教授擁有密歇根州立大學統計學博士學位，是美國統計協會和數理統計協會會員，並曾獲得 Wilcoxon獎。 Ruppert教授發表了100多篇科技論文，撰寫了4部著作: 《Transformation and Weighting in Regression》 《Measurement Error in Nonlinear Models》《Semiparametric Regression》和《 Statistics and Finance: An Introd

uction》。 前言 第1章 引言 1.1文獻注記 1.2參考文獻 第2章 收益 2.1引言 2.1.1淨收益率 2.1.2總收益率 2.1.3對數收益率 2.1.4股息調整 2.2隨機遊走模型 2.2.1隨機遊走 2.2.2幾何隨機遊走 2.2.3對數價格是對數正態的幾何隨機遊走嗎 2.3文獻注記 2.4參考文獻 2.5R實驗室 2.5.1資料分析 2.5.2模擬 2.6習題 第3章 固定收入證券 3.1引言 3.2零息債券 3.3有息票債券 3.4到期收益率 3.4.1計算到期收益率的一般方法 3.4.2即期匯率 3.5期限結構 3.5.1引言：利率取決於到期時

間 3.5.2期限結構的描述 3.6連續複利 3.7連續的遠期利率 3.8價格對收益率的敏感性 3.9文獻注記 3.10參考文獻 3.11R實驗室 3.11.1計算到期收益 3.11.2 繪製收益曲線 3.12習題 第4章 探索性資料分析 4.1引言 4.2長條圖和核密度估計 4.3順序統計量、樣本CDF與樣本分位元數 4.3.1樣本分位元數的中心極限定理 4.3.2正態概率圖 4.3.3半正態圖 4.3.4QQ圖 4.4正態性檢驗 4.5箱形圖 4.6數據變換 4.7變換幾何 4.8變換核密度估計 4.9文獻注記 4.10參考文獻 4.11R實驗室 4.12習題 第5章 單變數分佈建模

5.1引言 5.2參數模型與簡約性 5.3位置參數、尺度參數和形狀參數 5.4偏度、峰度和矩 5.4.1Jarque Bera檢驗 5.4.2矩 5.5重尾分佈 5.5.1指數和多項式尾部 5.5.2t分佈 5.5.3混合模型 5.6廣義誤差分佈 5.7從對稱分佈創建偏度 5.8基於分位數的位置、尺度和形狀參數 5.9最大似然估計 5.10MLE的Fisher資訊和中心極限定理 5.11似然比檢驗 5.12AIC與BIC 5.13驗證資料和交叉驗證 5.14由最大似然法擬合分佈 5.15剖面似然 5.16穩健估計 5.17帶有參數變換的變換核密度估計 5.18文獻注記 5.19參考文獻 5.2

0R實驗室 5.20.1收入數據 5.20.2DAX收益 5.21習題 第6章 再抽樣 6.1引言 6.2偏差、標準差和MSE的自助法估計 6.3自助法置信區間 6.3.1正態近似區間 6.3.2自助法t區間 6.3.3基本的自助法區間 6.3.4百分位數置信區間 6.4文獻注記 6.5參考文獻 6.6R實驗室 6.7習題 第7章 多元統計模型 7.1引言 7.2協方差和相關矩陣 7.3隨機變數的線性函數 7.3.1兩個或更多隨機變數的線性組合 7.3.2獨立與和的方差 7.4散點圖矩陣 7.5多元正態分佈 7.6多元t分佈 7.7用最大似然來擬合多元t分佈 7.8橢圓輪廓密度 7.9多元

有偏t分佈 7.10Fisher信息矩陣 7.11多中繼資料自助法 7.12文獻注記 7.13參考文獻 7.14R實驗室 7.14.1股票收益 7.14.2擬合多元t分佈 7.14.3擬合一個二元t分佈 7.15習題 第8章 copula 8.1引言 8.2特殊copula 8.3高斯copula和t copula 8.4阿基米德copula 8.4.1弗蘭克copula 8.4.2Clayton copula 8.4.3Gumbel copula 8.5秩相關 8.5.1肯德爾的tau相關係數 8.5.2斯皮爾曼相關係數 8.6尾部相關 8.7計算copula 8.7.1最大似然 8.7.

2擬最大似然估計 8.7.3計算元高斯分佈和元t分佈 8.8文獻注記 8.9參考文獻 8.10R實驗室 8.10.1模擬copula 8.10.2對收益數據擬合copula 8.11習題 第9章 時間序列模型:基礎知識 9.1時間序列資料 9.2平穩過程 9.2.1白色雜訊 9.2.2預測白色雜訊 9.3估計平穩過程的參數 9.4AR（1）過程 9.4.1弱平穩AR（1）過程的性質 9.4.2收斂到平穩分佈 9.4.3非平穩AR（1）過程 9.5AR（1）過程的估計 9.5.1殘差與模型檢驗 9.5.2最大似然和條件最小二乘 9.6AR（p）模型 9.7滑動平均過程 9.7.1MA（1）過程

9.7.2一般的MA過程 9.8ARMA過程 9.8.1後向運算元 9.8.2ARMA模型 9.8.3ARMA（1，1）過程 9.8.4ARMA參數估計 9.8.5差分運算元 9.9ARIMA過程 9.10單位根檢驗 9.11自動選擇一個ARIMA模型 9.12預測 9.12.1預測誤差和預測區間 9.12.2通過模擬計算預測限 9.13偏自相關係數 9.14文獻注記 9.15參考文獻 9.16R實驗室 9.16.1T bill比率 9.16.2預測 9.17習題 第10章 時間序列模型：更多主題 10.1季節性ARIMA模型 10.1.1季節性和非季節性差分 10.1.2乘法ARIMA模

型 10.2時間序列的Box Cox變換 10.3多變數時間序列 10.3.1互相關函數 10.3.2多變數白色雜訊 10.3.3多變數ARMA過程 10.3.4使用多變數AR模型預測 10.4長記憶過程 10.4.1長記憶平穩模型的需要 10.4.2分數階差分 10.4.3FARIMA過程 10.5自助法時間序列 10.6文獻注記 10.7參考文獻 10.8R實驗室 10.8.1季節性ARIMA模型 10.8.2VAR模型 10.8.3長記憶過程 10.8.4一個ARIMA過程的基於模型的自助法 10.9習題 第11章 投資組合理論 11.1權衡預期收益和風險 11.2一種風險資產和一種無

風險資產 11.3兩種風險資產 11.4結合兩種風險資產與一種無風險資產 11.4.1兩種風險資產的切線資產組合 11.4.2結合切線資產組合和無風險資產 11.4.3ρ12的效果 11.5賣空 11.6N個風險資產投資組合的風險有效 11.7再抽樣和有效投資組合 11.8文獻注記 11.9參考文獻 11.10R實驗室 11.11習題 第12章 回歸：基礎知識 12.1引言 12.2直線回歸 12.2.1最小二乘估計 12.2.2β∧1的方差 12.3多元線性回歸 12.4方差分析、平方和以及R2 12.4.1AOV表 12.4.2自由度 12.4.3均值平方和和F檢驗 12.4.4調整R2

12.5模型選擇 12.6共線性和方差膨脹 12.7偏殘差圖 12.8中心化預測變數 12.9正交多項式 12.10文獻注記 12.11參考文獻 12.12R實驗室 12.13習題 第13章 回歸診斷 13.1回歸診斷簡介 13.1.1杠杆值 13.1.2殘差 13.1.3庫克距離 13.2檢驗模型假設 13.2.1非正態分佈 13.2.2非常數方差 13.2.3非線性 13.2.4殘差相關性和偽回歸 13.3文獻注記 13.4參考文獻 13.5R實驗室 13.6習題 第14章 回歸：高級主題 14.1帶有ARMA誤差的線性回歸 14.2線性回歸的理論 14.2.1相關雜訊的影響和異方差

性 14.2.2回歸的最大似然估計 14.3非線性回歸 14.4從零息債券價格估計遠期利率 14.5雙邊變換回歸 14.6只變換因變數 14.7二元回歸 14.8線性化一個非線性模型 14.9穩健回歸 14.11回歸對沖 14.12文獻注記 14.13參考文獻 14.14R實驗室 14.14.1帶ARMA雜訊的回歸 14.14.2非線性回歸 14.14.3因變數變換 14.14.4二元回歸：誰得到了空調 14.15習題 第15章 協整 15.1引言 15.2向量誤差校正模型 15.3交易策略 15.4文獻注記 15.5參考文獻 15.6R實驗室 15.6.1中等規模公司股票價格協整分析 15

.6.2收益的協整分析 15.6.3模擬 15.7習題 第16章 資本資產定價模型 16.1CAPM簡介 16.2資本市場線 16.3β值和證券市場線 16.3.1有關β值的例子 16.3.2CML和SML的比較 16.4證券特徵線 16.4.1通過多元化降低特有風險 16.4.2假設合理嗎 16.5一些投資組合理論 16.5.1對市場投資組合風險的貢獻 16.5.2SML的推導 16.6β值的估計和CAPM的檢驗 16.6.1用回歸估計β值 16.6.2檢驗CAPM 16.6.3α值的解釋 16.7CAPM在投資組合分析中的應用 16.8文獻注記 16.9參考文獻 16.10R實驗室 16

.11習題 第17章 因數模型和主成分 17.1降維 17.2主成分分析 17.3因數模型 17.4用時間序列回歸擬合因數模型 17.4.1Fama和French三因數模型 17.4.2資產回報率的期望和協方差的估計 17.5截面因數模型 17.6統計因數模型 17.7文獻注記 17.8參考文獻 17.9R實驗室 17.9.1主成分分析 17.9.2時間序列回歸擬合因數模型 17.9.3統計因數模型 17.10習題 第18章 GARCH模型 18.1引言 18.2估計條件均值和方差 18.3ARCH（1）過程 18.4AR（1）/ARCH(1)模型 18.5ARCH（p）模型 18.6AR

IMA(pA,d,qA)/GARCH(pG,qG)模型 18.7具有厚尾的GARCH過程 18.8擬合ARMA/GARCH模型 18.9作為ARMA模型的GARCH模型 18.10GARCH(1,1)過程 18.11APARCH模型 18.12具有ARMA/GARCH誤差的回歸 18.13ARMA/GARCH過程的預測 18.14文獻注記 18.15參考文獻 18.16R實驗室 18.17習題 第19章 風險管理 19.1風險管理的必要性 19.2一個資產的VaR和ES的估計 19.2.1VaR與ES的非參數估計 19.2.2VaR與ES的參數估計 19.3用自助法計算VaR與ES的置信區間

19.4用ARMA/GARCH模型估計VaR與ES 19.5一個投資組合的VaR與ES的估計 19.6多項式尾部的VaR估計 19.7帕雷托分佈 19.8持有期與置信係數的選擇 19.9VaR與多樣化 19.10文獻注記 19.11參考文獻 19.12R實驗室 19.13習題 第20章 貝葉斯資料分析和MCMC 20.1引言 20.2貝葉斯定理 20.3先驗分佈和後驗分佈 20.4共軛先驗 20.5後驗中心極限定理 20.6後驗區間 20.7瑪律可夫鏈蒙特卡羅方法 20.7.1Gibbs抽樣 20.7.2其他蒙特卡羅抽樣方法 20.7.3MCMC輸出的分析 20.7.4WinBUGS 20

.7.5MCMC收斂性和混合的檢驗 20.7.6模型DIC和pD的比較 20.8多層先驗 20.9協方差矩陣的貝葉斯估計 20.9.1多元正態分佈的協方差陣估計 20.9.2多元t分佈的尺度矩陣的估計 20.9.3協方差矩陣的非共軛先驗 20.10一個平穩過程的採樣 20.11文獻注記 20.12參考文獻 20.13R實驗室 20.13.1MCMC擬合t分佈 20.13.2AR模型 20.13.3MA模型 20.13.4ARMA模型 20.14習題 第21章 非參數回歸和樣條函數 21.1引言 21.2局部多項式回歸 21.3線性光滑器 21.3.1平滑矩陣和有效自由度 21.3.2AIC和

GCV 21.4多項式樣條函數 21.4.1具有一個結的線性樣條函數 21.4.2具有多個結的線性樣條函數 21.4.3二次樣條函數 21.4.4p階樣條函數 21.4.5其他的樣條基 21.5懲罰樣條函數 21.6文獻注記 21.7參考文獻 21.8R實驗室 21.8.1工資、教育和經驗的加法模型 21.8.2短期利率的一個擴展CKLS模型 21.9習題 附錄A 來自於概率、統計和代數的事實