第一章：金融时间序列导论
大家好，欢迎来到这门课。我是你们的老朋友，一个在量化交易和数据科学领域摸爬滚打了十几年的工程师。今天咱们聊聊金融时间序列——说白了，就是那些按时间顺序排列的金融数据。
你想想看，股票价格、汇率波动、期货合约的每分钟成交价……这些都是时间序列。但金融数据跟普通数据不一样，它有自己的脾气。我刚开始做量化策略时，就吃过不少亏。嗯，今天咱们就把这些坑先指出来。
什么是金融时间序列？
简单说，就是按时间顺序记录的一组观测值。比如：
- 上证指数每日收盘价
- 比特币每小时的交易量
- 某只股票过去5分钟的逐笔成交
这些数据天然带有时间标签。你没法打乱顺序，否则就失去了意义。我个人习惯把时间序列想象成一条流动的河——每一秒的数据都受前一秒的影响。
金融数据的三大特殊性
为什么金融时间序列难搞？因为它有三个“刺头”特性。我一个个说。
1. 非平稳性
大部分金融数据都不是平稳的。什么意思？均值、方差会随时间变化。比如十年前上证指数在2000点附近晃悠，现在可能到了3000点。你没法用一个固定的均值去描述它。
核心要点：非平稳意味着传统的统计方法（比如线性回归）直接套用会出问题。我见过有人拿原始价格做回归，结果R²高得离谱，但一预测就崩——这就是典型的“伪回归”。
为什么会这样？因为金融数据受太多因素影响：宏观经济、政策变化、市场情绪……这些都会让数据的“脾气”变来变去。
2. 自相关性
今天的价格跟昨天的价格有关系。这听起来很自然，但建模时得小心。比如股票价格，今天涨了，明天可能继续涨（动量效应），也可能回调（反转效应）。
我在项目中遇到过一件事：用ARIMA模型预测某只股票的日收益率，一开始效果不错。但后来市场风格突变，自相关结构完全变了，模型直接失效。嗯，这就是自相关性的“双刃剑”——它既是信息，也是陷阱。
3. 异方差性
金融数据的波动率不是恒定的。牛市时波动大，熊市时波动也大，但震荡市可能就小。这种“方差随时间变化”的特性，就叫异方差性。
避坑指南：我曾经用普通最小二乘法（OLS）去拟合收益率序列，结果残差图一看，方差明显在放大。后来改用GARCH模型才搞定。记住：忽略异方差性，你的置信区间和假设检验全是错的。
课程概览与学习路径
这门课一共30章，咱们从零开始，一步步走到精通。我画了一张知识体系图，帮你快速了解全貌。
学习路径建议
我个人建议这样走：
- 先啃基础（第1-5章）：理解平稳性、自相关、白噪声这些概念。别急着上模型，地基不牢后面全塌。
- 再学经典模型（第6-12章）：ARIMA、GARCH是必会的。我当年面试量化岗，第一题就是手写ARIMA的预测公式。
- 进阶技术（第13-20章）：协整检验、状态空间模型、机器学习方法。这些能帮你处理更复杂的问题。
- 实战应用（第21-25章）：回测框架、风险管理、策略优化。纸上谈兵没用，得真刀真枪干。
- 前沿与总结（第26-30章）：深度学习、高频数据、职业建议。保持学习，市场在变，模型也得变。
我的小建议：每学完一章，找真实数据跑一遍。比如用雅虎财经的API拉点股票数据，自己动手做平稳性检验。光看书是学不会的，得动手。
本章小结
金融时间序列建模，说白了就是跟数据“对话”。你得听懂它的非平稳、自相关、异方差这些“方言”。这门课会带你一步步掌握这些技能。
记住：模型是工具，理解数据才是根本。我见过太多人沉迷于调参，却忽略了数据本身的质量。嗯，咱们后面会慢慢聊这些。
公众号:蓝海资料掘金营，微信deep3321