一、金融时间序列概述
大家好，我是老蓝。今天咱们聊聊金融时间序列。
说实话，我入行那会儿，第一次拿到股票数据时，整个人是懵的。满屏的数字，上下跳动，跟心电图似的。后来才明白——这就是金融时间序列，说白了就是按时间顺序排列的金融数据点。
1.1 什么是金融时间序列
金融时间序列，就是把某个金融变量在不同时间点上的观测值，按时间先后排成一列。比如：
- 上证指数每天的收盘价
- 欧元兑美元每小时的汇率
- 比特币每笔交易的成交价
我习惯把它想象成「金融市场的录像带」。普通数据是快照，只告诉你某个时刻的样子。时间序列是录像，记录了整个过程——怎么涨、怎么跌、什么时候震荡。
核心特征：时间维度是灵魂。数据点的顺序不能乱，一旦打乱，信息就丢了。
1.2 金融数据的特殊性
金融时间序列跟普通时间序列不一样。它有三个「怪脾气」——非平稳性、自相关性、异方差性。我一个个说。
非平稳性
什么叫非平稳？简单说，就是数据的统计性质会随时间变化。
你想想看，20年前的A股和现在的A股，均值能一样吗？波动幅度能一样吗？显然不能。这就是非平稳。
我在做量化策略时踩过坑。有一次直接用原始价格数据建模，回测漂亮得很，一上实盘就崩。后来才发现——价格序列是非平稳的，模型根本学不到稳定规律。
避坑指南：千万别直接用价格数据建模。我建议先做差分或取对数收益率，把序列转成平稳的再说。
自相关性
今天的价格跟昨天的价格有没有关系？当然有。这就是自相关性——当前值跟过去的值之间存在依赖。
举个例子。如果今天大盘涨了2%，明天继续涨的概率是不是更大？嗯，这就是正自相关。反过来，有些序列是负自相关——涨多了就跌，跌多了就涨。
我记得有次分析某只庄股，自相关系数高得离谱。后来一查，果然是有人在控盘。自相关性有时候能帮你发现市场异动。
异方差性
这个词听着吓人，说白了就是「波动率会变」。有时候市场风平浪静，有时候惊涛骇浪。
你看比特币，平时波动2%-3%算正常。遇到政策消息，一天能波动20%。这种波动率不稳定的现象，就叫异方差性。
我处理外汇数据时深有体会。非农数据发布那几分钟，波动率瞬间放大，模型如果不考虑这个，预测结果基本是废的。
| 特性 | 通俗理解 | 常见处理方法 |
|---|---|---|
| 非平稳性 | 均值、方差随时间变化 | 差分、取对数、去趋势 |
| 自相关性 | 当前值依赖过去值 | ARIMA模型、差分 |
| 异方差性 | 波动率不稳定 | GARCH模型、对数变换 |
1.3 常见金融数据源
做金融时间序列，首先得知道数据从哪来。我按市场类型分四类说说。
股票数据
这是最基础的数据源。包括个股价格、指数、成交量等。
- 频率：日线、分钟线、Tick级
- 特点：交易时间固定，有涨跌停限制
- 常见问题：停牌、除权除息、涨跌停
我处理A股数据时，最头疼的是复权问题。前复权还是后复权？选错了，回测结果天差地别。我个人习惯用后复权做分析，前复权做回测。
外汇数据
外汇市场24小时交易，数据量巨大。
- 频率：从1分钟到月线都有
- 特点：连续交易，波动受经济数据影响大
- 常见问题：点差、隔夜利息、节假日流动性枯竭
记得有次做欧元兑美元的策略，忽略了周末跳空。周一开盘直接亏了2%。嗯，外汇的周末缺口是个大坑。
期货数据
期货有到期日，数据需要做「换月」处理。
- 频率：日线、分钟线
- 特点：有杠杆、有交割日
- 常见问题：主力合约切换、升贴水
我曾经犯过一个低级错误——把不同月份的合约价格直接连起来用。结果趋势分析完全走样。后来老老实实做了换月价差调整。
加密货币数据
这个比较新，但数据特点很鲜明。
- 频率：7×24小时，秒级数据
- 特点：波动极大，市场深度不稳定
- 常见问题：交易所数据不一致、插针、刷量
我建议新手别直接用交易所的API数据。有些小交易所的数据水分很大。我一般会交叉验证三个以上数据源。
我的经验：不管什么数据源，拿到手第一件事——画图。把数据可视化出来，异常值、缺失值、跳空，一眼就能看出来。别急着建模，先看看数据长什么样。
知识体系总览
下面这张图是我自己整理的，把本章的核心内容串起来了。你可以把它当作一个「地图」，后面每学一个知识点，都能在这张图上找到位置。
好了，第一章就聊到这儿。记住一句话：金融时间序列的数据清洗，80%的精力花在理解数据特性上。特性搞懂了，清洗方法自然就出来了。
公众号：蓝海资料掘金营，微信 deep3321