時系列の世界へようこそ！

こんにちは！皆さんはこれまでに、株価のチャートを見たり、1時間ごとの心拍数を記録したり、過去数日の天気から明日の天気を予想したりしたことはありませんか？実はそれ、すでに時系列（Time Series）の世界に触れているんです。CS2では、データをバラバラな「スナップショット」として捉えるのではなく、順序が重要な意味を持つ「系列（sequence）」として扱っていきます。

最初は少し抽象的だと感じるかもしれませんが、大丈夫です。これから、過去を理解することで未来を予測するための、いわば時系列モデルの「DNA」とも言える核となる概念を一つずつ紐解いていきましょう。さあ、始めましょう！

1. 時系列とは正確には何か？

時系列とは、時間の経過とともに順次観測されたデータ \(X_t\) の集まりのことです。通常、これらの観測値は一定の間隔（毎日、毎月、毎年など）で取得されます。

CS2では、主に離散時間時系列を扱います。つまり、\(t = 1, 2, 3, ...\) という特定の時点におけるデータに注目します。私たちの主な目的は、以下の2点です。
1. 説明（Explanation）: なぜデータがそのように振る舞うのかを理解すること。
2. 予測（Forecasting）: データの履歴を使って、次に何が起こるかを推測すること。

覚えておくべきキーワード：

決定論的（Deterministic）: もし系列が完全なルール（例：\(X_t = 2t\)）に従っているなら、それは決定論的です。完全に予測可能ですが、現実の人生は複雑なので、アクチュアリーが扱うことは稀です！
確率論的（Stochastic）: こちらが私たちが重要視するものです。確率過程にはランダム性が含まれます。正確な値を予測することはできませんが、異なる結果が起こる確率をモデル化することは可能です。

2. 定常性（「安定」のルール）という概念

定常性（Stationarity）は、この章で最も重要な概念かもしれません。車を運転しようとしているのに、5分ごとにハンドルやペダルの操作方法が変わるとしたらどうでしょう？そんなの不可能ですよね！定常性とは、その系列を支配する「ルール」が時間の経過とともに変化しないことを意味します。

弱定常性（二次定常性）

時系列が弱定常であるためには、以下の3つの厳しい条件を満たす必要があります。
1. 平均が一定: 平均値 \(E[X_t]\) が定数 \(\mu\) であり、時間 \(t\) に依存しないこと。
2. 分散が一定: データの広がり \(\text{Var}(X_t)\) が有限かつ定数であること。
3. 共分散が一定: 2点間の関係性（\(X_t\) と \(X_{t+k}\)）が、実際の時間 \(t\) ではなく、その間のラグ（k）のみに依存していること。

例え話: 噴水を思い浮かべてください。水はあちこちに飛び散りますが（ランダム性）、噴水の全体的な高さや形は時間の経過とともにほぼ一定です。これが「定常」です。対して、ロケットの打ち上げを考えてみてください。位置は絶えず変化し、どんどん遠ざかっていきます。これは非定常です。

クイック復習：グラフを見て、データが右肩上がりに「トレンド」を描いていたり、振れ幅がどんどん大きくなっていたりする場合は、それは定常ではありません！

3. 関係性を測る：ACVFとACF

時系列データは順序立てられているため、今日の値は昨日の値と関連していることがよくあります。この「記憶」を測るために2つのツールを使います。

自己共分散関数（ACVF）

ACVF（\(\gamma_k\) と表記）は、\(X_t\) と \(X_{t+k}\) の間の共分散を測定します。
\(\gamma_k = \text{Cov}(X_t, X_{t+k}) = E[(X_t - \mu)(X_{t+k} - \mu)]\)
ここで、\(\gamma_0\)（ラグ0）は、その系列の分散そのものであることに注目してください！

自己相関関数（ACF）

ACF（\(\rho_k\) と表記）は、ACVFを「標準化」したバージョンです。系列がその後の時間でどれだけ自分自身と相関しているかを示します。値は常に-1から1の間に収まります。
公式：\(\rho_k = \frac{\gamma_k}{\gamma_0}\)

豆知識： ACFは強力な診断ツールです。もし \(\rho_1\) が高ければ、今日の値は昨日の値と非常に似ていることを意味します。もし全ての \(\rho_k\) がゼロに近ければ、そのデータには「記憶」がないことになります！

4. 基本構成要素：ホワイトノイズ

ホワイトノイズは最も単純な時系列モデルです。これは、他の要素をすべて説明しきった後に残る「純粋なランダム性」です。ある過程 \(\epsilon_t\) がホワイトノイズであるとは、以下を指します。
1. 平均がゼロである：\(E[\epsilon_t] = 0\)。
2. 分散が一定である：\(\text{Var}(\epsilon_t) = \sigma^2\)。
3. 異なる時点間に相関がゼロである：\(s \neq t\) に対して \(\text{Cov}(\epsilon_s, \epsilon_t) = 0\)。

暗記のコツ： 古いテレビの「砂嵐」を想像してみてください。何のパターンもなく、現在の「ピクセル」から次の値を予測する方法もない、ただランダムに変化している状態です。

5. アクチュアリーの道具箱：演算子

時系列の計算を楽に行うために、2つの「ショートカット」となる演算子を使います。これらをマスターしておくと、後に出てくるARモデルやMAモデルの学習がずっと簡単になります！

ラグ演算子（または後退シフト演算子 \(B\)）

\(B\) 演算子は、時計の針を1ステップ戻すだけです。
\(B X_t = X_{t-1}\)
2回適用すると、2ステップ戻ります：\(B^2 X_t = X_{t-2}\)。

階差演算子（\(\nabla\)）

これはトレンドを取り除き、系列を定常にするために使われます。ステップ間の変化量を測定します。
\(\nabla X_t = X_t - X_{t-1}\)
\(\nabla = 1 - B\) であることに注目してください。この関係は試験での代数計算において非常に重要です！

よくある間違い： 学生は \(B\) と \(\nabla\) を混同しがちです。覚えておいてください：\(B\) はタイムマシン（ラベルを付け替えるだけ）であり、\(\nabla\) は減算器（新しい値を計算する）です。

6. 重要なポイントのまとめ

確認リスト：
• 時系列は、時間をインデックスとする確率変数の系列である。
• 弱定常性には、平均が一定、分散が一定、共分散がラグ \(k\) のみに依存することが必要。
• ACF (\(\rho_k\)) は、過去が現在にどれほど強く影響しているかを示している。
• ホワイトノイズは、「記憶」がゼロの究極の定常過程である。
• 方程式を簡単にするために、ラグ演算子（\(B\)）を使う。

ACFの計算が今は重く感じられても大丈夫です。最も大切なのは「定常性」という概念を理解することです。なぜある系列が定常なのか、あるいはそうでないのかを見分けられるようになれば、この章の最も難しい山場を越えたことになります！