时间序列基础：平稳性、自相关、白噪声，金融时间序列的特殊性

各位同学，咱们今天聊时间序列。说实话，这玩意儿是金融因果分析的根基。你想想看，金融数据本质上就是一堆按时间排列的观测值——股价、收益率、成交量，全是时间序列。如果连这个基础都搞不清楚，后面谈因果推断就是空中楼阁。

我个人习惯，讲时间序列一定从三个核心概念入手：平稳性、自相关、白噪声。这三个概念就像三根柱子，撑起了整个时间序列分析的大厦。咱们一个一个来。

1. 平稳性：时间序列的"定海神针"

什么叫平稳？说白了，就是一个时间序列的统计性质不随时间变化。均值不变、方差不变、自协方差只跟时间间隔有关，跟具体时间点无关。

我举个例子。你去看一只股票的收益率序列，如果它平稳，那过去10年的平均收益率跟最近1年的平均收益率应该差不多。但如果你看股价本身，那肯定不平稳——茅台股价从200块涨到2000块，均值一直在变。

平稳性的两种类型：
  • 严平稳：整个概率分布不随时间变化。要求太强，实践中几乎用不到。
  • 弱平稳：均值、方差为常数，自协方差只与时间间隔有关。这是咱们实际用的。

我在项目中遇到过一件事。有次做配对交易策略，两个股票的历史相关性一直很稳定。结果某天突然崩了，亏了不少钱。后来一查，是因为其中一个股票发生了重大资产重组，均值结构变了，平稳性被打破了。嗯，从那以后，我每次建模前必做平稳性检验。

平稳性检验常用方法：
  • ADF检验（Augmented Dickey-Fuller）——最常用
  • KPSS检验——跟ADF互补，原假设是平稳
  • PP检验——对异方差更鲁棒

代码实现其实很简单。我习惯用Python的statsmodels库：

from statsmodels.tsa.stattools import adfuller

# 假设price是股价序列
result = adfuller(price)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')

# p值小于0.05，拒绝非平稳原假设，序列平稳
if result[1] < 0.05:
    print('序列平稳')
else:
    print('序列非平稳，建议差分')

你想想看，如果序列不平稳怎么办？最常见的处理方式是差分。一阶差分后，很多金融时间序列就变平稳了。这就是为什么我们分析收益率而不是价格——收益率本身就是价格的一阶差分。

2. 自相关：时间序列的"记忆"

自相关，说白了就是今天的我跟昨天的我有没有关系。金融时间序列最迷人的地方就在这里——它是有记忆的。

我记得刚入行时，有个老交易员跟我说："市场是有惯性的。" 这句话用统计语言翻译过来，就是自相关。如果今天的收益率跟昨天的收益率正相关，那趋势就存在；如果负相关，那就是均值回归。

自相关函数（ACF）和偏自相关函数（PACF）是咱们的常用工具。ACF衡量的是相隔k期的观测值之间的相关性，PACF则是在剔除中间变量影响后的"净"相关性。

自相关的实际意义：
  • 正自相关 → 趋势效应，涨了还会涨
  • 负自相关 → 均值回归，涨了会跌
  • 无自相关 → 随机游走，无法预测

画ACF和PACF图的代码：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt

# 假设returns是收益率序列
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))
plot_acf(returns, lags=20, ax=ax1)
plot_pacf(returns, lags=20, ax=ax2)
plt.show()

我曾经犯过一个错误。有次做高频交易策略，看到ACF在滞后1期有显著的正相关，就以为发现了"稳赚"的模式。结果实盘一跑，亏得我怀疑人生。后来才发现，那是微观结构噪声造成的伪相关——买卖价差、订单流不平衡这些因素会人为制造自相关。避坑指南：金融数据的自相关，一定要先搞清楚是"真记忆"还是"假噪声"。

3. 白噪声：随机性的"纯净版"

白噪声，就是完全随机的序列。均值0，方差恒定，不同时间点之间完全不相关。说白了，就是"纯随机"。

为什么白噪声重要？因为它是我们判断模型好坏的基准。如果你的模型把数据拟合得很好，但残差不是白噪声，那说明模型没把信息提取干净——还有模式没抓到。

白噪声的检验：
  • Ljung-Box检验：检验残差是否存在自相关
  • Durbin-Watson检验：专门检验一阶自相关

代码实现：

from statsmodels.stats.diagnostic import acorr_ljungbox

# 假设residuals是模型残差
result = acorr_ljungbox(residuals, lags=[10], return_df=True)
print(result)

# p值大于0.05，说明残差是白噪声
if result['lb_pvalue'].values[0] > 0.05:
    print('残差为白噪声，模型拟合良好')
else:
    print('残差存在自相关，模型需要改进')

你想想看，如果金融时间序列真的是白噪声，那所有技术分析都是扯淡。但现实是，市场确实存在一些可预测的模式，只是这些模式很微弱，而且会随着被利用而消失。这就是金融市场的"自适应"特性。

4. 金融时间序列的特殊性

好了，前面讲的是通用知识。现在咱们聊聊金融时间序列跟其他领域的时间序列有什么不同。这一点，我建议你认真听，因为很多做量化的人就是栽在这里。

金融时间序列的四大特殊性：
  1. 尖峰厚尾：极端值出现的概率比正态分布高得多。2008年金融危机、2020年疫情暴跌，都是"厚尾"事件。
  2. 波动率聚集：大波动后面跟着大波动，小波动后面跟着小波动。这就是GARCH模型要捕捉的东西。
  3. 杠杆效应：下跌时波动率上升的幅度比上涨时更大。因为下跌会增加公司的财务杠杆。
  4. 非同步交易：不同股票的交易频率不同，导致观测到的价格序列存在"伪滞后相关"。

我记得有次做多因子模型，用普通最小二乘法去拟合，结果残差方差一直在变。一开始我以为模型错了，后来才意识到——这不是模型的问题，是金融数据天生就有异方差性。波动率本身就是时变的。

还有一个坑，我必须要说。金融时间序列的信噪比极低。什么意思？就是信号很弱，噪声很大。你辛辛苦苦找到一个统计显著的模式，可能只是数据挖掘的假象。我曾经花了三个月优化一个策略，回测曲线漂亮得不得了，结果实盘一个月就亏了15%。后来复盘发现，那个"模式"纯粹是过拟合出来的。

避坑指南：
  • 永远不要只看回测结果，要做样本外测试
  • 警惕"数据窥探偏差"——你试了100个策略，总有一个看起来不错
  • 金融数据的"伪相关"比比皆是，因果推断才是王道

最后，我用一张图来总结本章的核心知识体系：

时间序列基础：知识体系 时间序列分析 平稳性 自相关 白噪声 严平稳 vs 弱平稳 ADF / KPSS检验 ACF / PACF 趋势 vs 均值回归 Ljung-Box检验 模型诊断基准 金融时间序列特殊性 尖峰厚尾 波动率聚集 杠杆效应 非同步交易

这张图把咱们今天讲的内容串起来了。平稳性、自相关、白噪声是三条主线，金融时间序列的特殊性则是贯穿始终的暗线。后面的课程，我们会基于这些基础，一步步构建因果分析的方法论。

好了，今天就到这儿。记住一句话：不懂时间序列，就别碰金融因果分析。这是基本功，绕不过去的。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →