3. 金融时间序列分析：时间序列基础、移动平均线、指数平滑、自相关与偏自相关、平稳性检验（ADF）

做量化交易这些年，我最大的感触就是：时间序列分析是量化交易的基石。你想想看，股票价格、交易量、收益率，哪个不是时间序列？说白了，我们量化交易员干的事，就是跟时间序列打交道。

我个人习惯把时间序列分析比作「听诊器」。医生用它听心跳，我们用它听市场脉搏。今天我就带你把这套「听诊器」用熟。

3.1 时间序列基础：你每天都在跟它打交道

时间序列，说白了就是按时间顺序排列的数据点。股票收盘价、每日成交量、分钟级收益率，这些都是时间序列。

我刚开始做量化时犯过一个低级错误：直接把原始价格序列扔进模型。结果模型跑出来效果奇差。后来才明白，价格序列往往是非平稳的，直接建模会出大问题。

一个标准的时间序列包含三个成分：

• 趋势：长期上升或下降的方向
• 季节性：固定周期内的规律波动
• 残差：剔除趋势和季节性后的随机波动

嗯，这里要注意：金融数据通常没有明显的季节性，但会有「波动率聚集」现象——大波动后面跟着大波动，小波动后面跟着小波动。

3.2 移动平均线：最朴素但最有效的工具

移动平均线（MA）是我用得最多的工具之一。它简单到令人发指，但效果出奇的好。

简单移动平均（SMA）的公式：

SMA_t = (P_t + P_{t-1} + ... + P_{t-n+1}) / n

其中 n 是窗口大小。窗口越大，曲线越平滑，但滞后也越严重。

我在项目中遇到过一个问题：用20日均线做趋势跟踪，结果在震荡行情中被反复打脸。后来我改用双均线策略——快线上穿慢线做多，下穿做空，效果好了不少。

还有一种叫指数移动平均（EMA），它给近期的数据更高的权重：

EMA_t = α * P_t + (1-α) * EMA_{t-1}

α 是平滑系数，通常取 2/(n+1)。我个人习惯用 EMA 而不是 SMA，因为它对价格变化反应更快。

3.3 指数平滑：给历史数据「打折」

指数平滑是移动平均的升级版。它的核心思想很简单：越近的数据越重要，越远的数据越不重要。

一次指数平滑：

S_t = α * X_t + (1-α) * S_{t-1}

这其实就是 EMA 的另一种写法。但指数平滑家族还有更强大的成员：

• Holt 线性趋势模型：能捕捉趋势
• Holt-Winters 季节性模型：能同时捕捉趋势和季节性

我曾经用 Holt-Winters 模型预测过某只股票的短期走势。效果嘛，比随机猜好一点，但远没到能赚钱的程度。为什么？因为金融数据的「规律」太脆弱了，一旦市场环境变化，模型就失效。

3.4 自相关与偏自相关：找到数据内部的「记忆」

自相关（ACF）衡量的是时间序列与其滞后版本的相关性。偏自相关（PACF）则是在剔除中间滞后影响后的相关性。

这两个工具有什么用？

• ACF 图：看数据是否存在周期性或趋势
• PACF 图：帮助确定 ARIMA 模型中 AR 项的阶数

我记得有一次分析某只股票的日收益率序列，ACF 图显示滞后1期有显著的自相关。这意味着今天的收益率能部分预测明天的收益率。嗯，这是个套利机会！

但别高兴太早。这种「记忆」通常很微弱，交易成本一扣，利润就没了。

3.5 平稳性检验（ADF）：别拿非平稳数据直接建模

这是我最想强调的一点。很多量化模型都要求数据是平稳的。什么是平稳？简单说就是统计性质不随时间变化——均值恒定、方差恒定、自相关结构恒定。

ADF（Augmented Dickey-Fuller）检验是最常用的平稳性检验方法。它的原假设是「序列存在单位根（非平稳）」。

看结果很简单：

• p值 < 0.05：拒绝原假设，序列平稳
• p值 >= 0.05：不能拒绝原假设，序列非平稳

我曾经犯过一个经典错误：直接用股票价格序列做回归分析，结果 R² 高达 0.95，看起来完美极了。但后来发现这是「伪回归」——两个非平稳序列之间根本没有真实关系，只是巧合地同向运动。

怎么处理非平稳数据？

1. 差分：一阶差分通常能让价格序列变平稳
2. 取对数：对数收益率比原始价格更接近平稳
3. 去趋势：减去拟合的趋势线

3.6 知识体系总览

下面这张图是我自己梳理的时间序列分析知识体系，你可以把它当作学习地图：

这张图把今天讲的内容串起来了。你从底部往上看：先做平稳性检验，然后根据数据特征选择移动平均或指数平滑，再用自相关分析辅助建模。每一步都有它的道理。

好了，时间序列分析的基础就讲到这里。这些工具看起来简单，但用好它们需要大量实践。我建议你拿真实数据跑一遍，感受一下每个步骤的效果。只有亲手做过，才能真正理解。