第一章：时间序列基础与量化视角

重新定义金融时间序列的独特性

大家好，我是老张。在量化这行摸爬滚打了十几年，今天咱们聊聊金融时间序列。

很多人一上来就套用传统时间序列模型，结果亏得底裤都不剩。为什么？因为金融时间序列压根儿就不是「正经」的时间序列。

传统时间序列，比如气温、用电量，它们有规律可循。但金融数据？说白了，它就是个「刺头」。

1. 非平稳性：均值不靠谱

传统时间序列假设均值是稳定的。比如某地年平均气温，上下波动但长期不变。但金融数据呢？

我举个例子。2015年A股牛市，上证指数从3000点冲到5178点。这均值怎么算？3000点？4000点？还是5000点？

你想想看，均值本身都在变，你拿什么去预测？

传统模型遇到非平稳数据，会犯一个致命错误——伪回归。两个完全不相关的随机游走序列，相关系数可能高达0.8以上。我见过不少新手拿着两个股票价格做回归，发现「完美」的套利关系，结果一实盘就崩。

那怎么办？差分。把价格变成收益率，通常就平稳了。但注意，差分后你预测的是收益率，不是价格。这个转换很多人会忘。

2. 异方差性：波动率在变

传统时间序列假设方差是常数。但金融数据呢？

你看2008年金融危机，波动率突然放大。2020年疫情，又是剧烈波动。平时呢？风平浪静。

这就是异方差性——方差随时间变化。

我习惯把波动率比作「市场的情绪」。情绪好的时候，波动小；恐慌的时候，波动大。你没法用常数方差去描述一个情绪化的人，对吧？

传统模型假设方差不变，会导致置信区间严重失真。你算出来95%的置信区间，实际可能只有60%的覆盖率。这很危险。

解决方案？GARCH模型家族。它们专门处理波动率聚集效应。我建议每个做量化的朋友，至少掌握GARCH(1,1)。

3. 尖峰厚尾：极端事件比想象中多

传统时间序列假设数据服从正态分布。但金融数据呢？

正态分布下，3个标准差之外的事件，概率只有0.3%。但金融市场上，这种「黑天鹅」事件出现的频率，远高于正态分布的预测。

这就是尖峰厚尾——中间更尖，尾巴更厚。

我举个例子。2015年8月24日，A股一天暴跌8.5%。按照正态分布，这种事件几百年才发生一次。但现实中呢？每几年就来一次。

为什么会这样？因为金融市场不是随机游走，而是由人类行为驱动的。恐慌、贪婪、羊群效应，这些都会导致极端事件。

特征	传统时间序列	金融时间序列
均值	稳定	随时间变化（非平稳）
方差	常数	随时间变化（异方差）
分布	正态分布	尖峰厚尾
自相关	短期显著	短期弱，长期可能显著
可预测性	较高	较低，信噪比极低

对比：传统 vs 金融时间序列

咱们来做个直观对比。

传统时间序列，比如某工厂的日产量。它有明显的周期性，周一低、周五高。方差稳定，极端值很少。用ARIMA模型，预测准确率能到90%以上。

金融时间序列呢？比如某股票的日收益率。它没有明显的周期性，方差时大时小，极端值频繁出现。用同样的ARIMA模型，预测准确率可能只有50%出头，跟抛硬币差不多。

我刚开始做量化时，总想用传统方法「征服」金融数据。结果被市场狠狠教育了一顿。后来才明白，金融时间序列有自己的「脾气」，你得顺着它来。

知识体系框架

下面这张图，是我自己梳理的金融时间序列知识体系。它把本章的核心逻辑串起来了。

我的个人经验

做了这么多年量化，我最大的感悟是：别跟数据较劲。

金融时间序列就是不平稳、就是异方差、就是尖峰厚尾。你没法改变它，只能适应它。

我建议每个做量化的朋友，先花时间理解数据的「脾气」。别一上来就套模型。先做平稳性检验（ADF检验），再做异方差检验（ARCH-LM检验），最后看看分布形态。

这些步骤，能帮你省下很多冤枉钱。

好了，这一章就到这里。金融时间序列的独特性，咱们算是讲清楚了。下一章，我会聊聊具体的建模方法，包括怎么处理非平稳性、怎么用GARCH模型捕捉波动率聚集效应。

记住一句话：在金融市场面前，保持谦卑。数据会告诉你一切。

---

公众号:蓝海资料掘金营，微信deep3321