Çok değişkenli zaman serisi analizi, aynı anda birden fazla zaman serisini dikkate alır. Çok değişkenli istatistiksel analizin bir dalıdır, ancak özellikle bağımlı verilerle ilgilenir. Genel olarak, özellikle dikkate alınan seri sayısı büyük olduğunda, tek değişkenli zaman serisi analizinden çok daha karmaşıktır. Bu kitapta bu daha karmaşık istatistiksel analizi inceliyoruz çünkü gerçek hayatta kararlar genellikle birbiriyle ilişkili birden çok faktör veya değişkeni içerir. Bu faktörler arasındaki ilişkileri anlamak ve bu değişkenlerin doğru tahminlerini sağlamak karar vermede değerlidir.
Çok değişkenli doğrusal regresyon modelleri: istatistiki çoklu-faktör modelleri, transfer fonksiyon modelleri, çoklu-faktör finansal varlık fiyatlama modelleri: Fama-French, Carhart vb.
Vektör Otoregresif (VAR) ve Vektör Otoregresif Hareketli Ortalama (VARMA) süreçleri: temel varsayımlar ve özellikleri, model seçim kriterleri, tahmin metodları, kestirim, VAR ve VARMA modelleri ile yapısal analizler: Granger nedensellik analizi, dürtü yanıtı analizi, kestirim hata varyans ayrışımı.
Eşbütünleşik süreçler, ortak stokastik yönsemeler, Vektör Hata Düzeltme Modelleri (VECM): eşbütünleşim sınamaları (Johansen, Granger vb.), VECM için tanımlama ve model seçimi, VECM ile kestirim, VECM ile yapısal analizler.
Çoklu oynaklık ve çok-değişkenli koşullu varyans (MGARCH) süreçleri: MGARCH model çeşitleri (CCC, DCC, BEKK), tanım ve özellikleri, tahmin ve kestirim metodları, oynaklık yayılma etkisi.