時系列分析へようこそ：予測不能なものを予測する！

未来の保険数理士の皆さん、ようこそ！今日は時系列モデルの核心に迫ります。株価チャートを見たり、毎日の気温を追ったり、なぜ保険金の請求額が月によって変動するのか不思議に思ったことがあるなら、皆さんはすでに時系列データに触れていることになります。この章では、時間の経過に伴う「動き」を数学的に記述する方法を探ります。まだ数学の達人ではないとしても心配はいりません。シンプルなロジックと身近な例えを使って、ステップバイステップで解説していきます。

1. 基盤：ホワイトノイズ（白色雑音）

複雑な動きを理解する前に、最も単純な動きであるホワイトノイズを理解する必要があります。ホワイトノイズは、古いテレビの「砂嵐」のようなものだと考えてください。完全にランダムで規則性はなく、過去のデータを使って未来を予測することはできません。

時系列 \( \epsilon_t \) がホワイトノイズである条件は以下の通りです：
1. 平均がゼロ： \( E[\epsilon_t] = 0 \)
2. 変動（分散）が一定： \( Var(\epsilon_t) = \sigma^2 \)
3. 異なる時点間に相関がない： \( t \neq s \) において \( Cor(\epsilon_t, \epsilon_s) = 0 \)

クイック復習： グラフを見て、点が規則性や「塊」もなく、ゼロの周りにただランダムに散らばっているなら、それはホワイトノイズの可能性が高いです！

2. ランダムウォーク：「酔っ払いの歩み」

ある人が位置0の線上に立っていると想像してください。コインを投げて、表なら右に一歩、裏なら左に一歩進みます。明日の彼らの位置は、今日どこにいるか＋ランダムな一歩で決まります。これがランダムウォークです。

式で表すとこうなります：
\( x_t = x_{t-1} + w_t \)
ここで \( w_t \) はホワイトノイズです。

ランダムウォークの主要な性質：

1. 定常性がない： 酔っ払いは出発点からどんどん遠ざかっていく可能性があるため、時間が経つほど分散が大きくなります（ \( Var(x_t) = t\sigma^2 \)）。
2. 記憶： ランダムウォークは「完璧な記憶力」を持っています。過去のあらゆるショックが、現在の値に永続的に埋め込まれているのです。
3. ドリフト付きランダムウォーク： 時に、一方向に一定の「押し」が加わることがあります。
\( x_t = c + x_{t-1} + w_t \)
これは空港の動く歩道の上を歩く酔っ払いに例えられます。本人はランダムに歩いていますが、動く歩道がゆっくりと彼らを前方へ押し進めています（ \( c \) ）。

豆知識： 多くの効率的市場仮説の支持者は、株価はランダムウォークに従うと主張しています。もしそうなら、今日の価格から明日の価格を予測することはできないことになります。変化は単なるランダムなノイズに過ぎないからです！

3. 定常性（Stationarity）：ゲームのルール

統計学では、「ルール」が変わらないときを好みます。定常性とは、基本的には「系列の統計的な性質が、観測するタイミングに依存しない」ことを意味します。

Exam SRMでは、弱定常性（共分散定常性とも呼ばれます）に焦点を当てます。ある系列が弱定常であるためには、以下の3つの厳格な基準を満たす必要があります：
1. 一定の平均： 平均値 \( E[x_t] \) がすべての \( t \) で同じであること。
2. 一定の分散： データの広がり \( Var(x_t) \) が有限かつすべての \( t \) で同じであること。
3. 一定の自己共分散： \( x_t \) と \( x_{t-h} \) の相関が、実際の時間（ \( t \) ）ではなく、それらの間の距離（ラグ \( h \) ）のみに依存すること。

例え話：

バスケットボールの試合を想像してください。
- 定常： ゴールの高さは常に3メートル（10フィート）、コートの広さやボールの弾み方が試合中ずっと一定。
- 非定常： 毎分ゴールが高くなったり、試合が進むにつれてコートが長くなったりする。ルールが変わり続ける中で得点を予測するのは困難ですよね！

重要なポイント： ランダムウォークは、分散が時間とともに大きくなるため、非定常系列の代表的な例です。

4. 自己相関：自分自身との相関

自己相関は、変数が自身の過去の値とどのように関連しているかを測定します。もし今日の気温が昨日の気温と高い相関があるなら、その系列はラグ1で高い自己相関を持つと言います。

ラグ \( k \) における自己相関関数（ACF）は次のように定義されます：
\( \rho_k = \frac{\gamma_k}{\gamma_0} \)
ここで \( \gamma_k \) はラグ \( k \) の共分散、 \( \gamma_0 \) は分散です。

ACFは何を教えてくれるのか？

1. ホワイトノイズ： 全てのラグ \( k > 0 \) において、ACFはほぼ0になります（過去との関係性なし）。
2. ランダムウォーク： ACFは非常に高い値を維持し、非常にゆっくりとしか減少しません。これはデータが非定常であるという大きな警告信号です！
3. 定常系列： ラグが増加するにつれて、ACFは通常、比較的早く0に近づいていきます。

覚え方： 「Auto-」は「自己」を意味します。自己相関とは単なる「自分自身との相関」のことです。

5. 定常化：階差（Differencing）

非定常なランダムウォークがある場合、どうすればよいでしょうか？階差をとることで解決できます！系列の水準（その人がどこにいるか）を見る代わりに、変化（彼らがとった一歩）を見るのです。

もし \( x_t = x_{t-1} + w_t \) ならば：
\( x_t - x_{t-1} = w_t \)
ランダムウォークの「1階差」は、単なるホワイトノイズとなり、定常的になります！

よくある間違い： 「分散が一定でない」ときには対数変換が役立ち、「平均/トレンドが一定でない」ときには階差が役立ちます。データが「指数関数的」に増加している場合は、まず対数をとってから階差をとるようにしましょう！

まとめクイックチェック

1. ホワイトノイズ： 純粋なランダム。平均0、一定の分散、相関なし。
2. ランダムウォーク： 今日＝昨日＋ノイズ。非定常（分散が時間とともに増大）。
3. 定常性： 平均、分散、ACFが時間経過に対して一定であること。多くのモデリングに不可欠。
4. ACF： 「記憶」を測定する指標。高い値が長く続くなら、系列は非定常である可能性が高い。
5. 階差： 前の値を引き算することで、非定常な系列を定常な系列に変える手法。

最初は難しく感じるかもしれませんが、大丈夫です！時系列分析は新しい言語を学ぶようなものです。ACFのパターンを認識し、なぜ定常性が重要なのかを理解できれば、残りのピースは自然と組み合わさっていきます。公式を使って練習を続けていきましょう！