时间序列分析

时间序列分析 (Time Series Analysis)

时间序列分析是统计学和计量经济学中的核心分支，专门研究按时间顺序排列的---时间序列数据。主要目标是理解数据生成机制、揭示动态结构和规律，并用于预测 (Forecasting)。与横截面数据不同，时间序列观测值的时间依赖性是分析核心。

时间序列的构成要素

一个时间序列 $Y_t$ 可分解为四个基本要素：

1. 趋势 (Trend, $T_t$)：长期总体移动方向（上升、下降或平稳）
2. 季节性 (Seasonality, $S_t$)：固定周期内的规律性波动
3. 周期性 (Cyclical, $C_t$)：周期长度不固定的中长期波动（如商业周期）
4. 不规则/随机项 ($\epsilon_t$)：不可预测的随机波动

时间序列分解模型

加法模型：$Y_t = T_t + S_t + C_t + \epsilon_t$（适用于季节性波动稳定的序列）

乘法模型：$Y_t = T_t \times S_t \times C_t \times \epsilon_t$（适用于季节性幅度与趋势比例变化的序列，经济数据更常见）。取对数可转化为加法模型。

核心概念

平稳性 (Stationarity)

平稳性的三个条件：均值恒定、方差恒定、自协方差仅与时间间隔有关。大多数经典模型要求数据平稳。非平稳序列需通过差分 ($Y_t - Y_{t-1}$) 平稳化。检验方法包括ADF检验和KPSS检验。

自相关与偏自相关

• 自相关 (ACF)：$Y_t$ 与 $Y_{t-k}$ 之间的相关性。ACF图用于模型识别。
• 偏自相关 (PACF)：剔除中间滞后项影响后 $Y_t$ 与 $Y_{t-k}$ 的纯粹相关性。PACF图也用于模型识别。
• 白噪声：均值零、方差常数、自相关为零的完全随机序列。好模型的残差应为白噪声。

主要时间序列模型

1. 自回归模型 AR(p)：当前值是过去 $p$ 个值的线性组合加误差项 \[ Y_t = c + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \dots + \phi_p Y_{t-p} + \epsilon_t \]
2. 移动平均模型 MA(q)：当前值是当前和过去 $q$ 个预测误差的线性组合 \[ Y_t = \mu + \epsilon_t + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \dots + \theta_q \epsilon_{t-q} \]
3. 自回归移动平均 ARMA(p,q)：结合AR和MA \[ Y_t = c + \phi_1 Y_{t-1} + \dots + \phi_p Y_{t-p} + \epsilon_t + \theta_1 \epsilon_{t-1} + \dots + \theta_q \epsilon_{t-q} \]
4. ARIMA模型 (p,d,q)：通过 $d$ 次差分使非平稳序列平稳化后应用ARMA。另有季节性SARIMA模型。
5. ARCH / GARCH模型：针对金融时间序列的波动聚集性（Volatility Clustering）。GARCH(p,q) 假设条件方差依赖于过去误差平方和过去条件方差，在资产波动性建模和风险管理（如计算风险价值 (VaR)）中广泛应用。

Box-Jenkins建模方法论

1. 模型识别：通过ACF/PACF图判断平稳性和模型阶数。AR(p)的PACF在滞后p后截尾，MA(q)的ACF在滞后q后截尾，ARMA(p,q)两者均拖尾。
2. 参数估计：使用最大似然估计或最小二乘法估计参数。
3. 模型诊断：检查残差是否为白噪声（Ljung-Box检验）。若残差有模式则返回第一步。
4. 预测：使用最终模型对未来值进行预测并给出置信区间。

应用领域

时间序列分析应用于经济预测（通胀、GDP增长率、失业率等宏观经济指标）、金融市场（股票收益率、波动性、算法交易）、商业决策（销售预测、库存优化）、信号处理等。