欢迎来到时间序列分析（Time-Series Analysis）！
你好！欢迎来到 CFA Level II 定量方法课程中最实用的章节之一。如果你曾看过股票走势图或 GDP 的时间趋势图，那你其实已经看过时间序列（Time series）了。在本章中，我们将跨越简单回归（Simple Regression）的范畴，去理解数据点如何与其过去的数值产生关联。
如果起初觉得这些“数学味”很重，别担心。我们会将这些复杂的模型转化为简单的故事。当你读完本章，你将能够精准观察趋势、辨识模型何时“失效”，并理解分析师如何预测未来的数值。让我们开始吧！
1. 线性与对数线性趋势模型 (Linear vs. Log-Linear Trend Models)
对时间序列进行建模最简单的方法，是观察数据是否随时间稳定增长。这里主要有两种“口味”：
线性趋势模型 (Linear Trend Models)
在线性趋势模型中，我们假设变量在每个周期内均发生固定金额（constant amount）的变化。
公式：\(y_t = b_0 + b_1(t) + \epsilon_t\)
例子：一家小型咖啡店每个月稳定增加 10 位新顾客。无论他们原本有 100 还是 1,000 位顾客，下个月永远只会再多出 10 位。
对数线性趋势模型 (Log-Linear Trend Models)
在对数线性趋势模型中，我们假设变量在每个周期内均发生固定百分比（constant percentage）的变化。这在金融领域非常常见（例如复利计算）。
公式：\(ln(y_t) = b_0 + b_1(t) + \epsilon_t\)
例子：一家科技初创公司每个月增长 10%。随着公司规模变大，同样的 10% 增长所代表的实际人数会越来越多。
如何选择？
观察你的数据！如果数据绘制出来呈一直线，请使用线性（Linear）模型。如果数据看起来呈现向上弯曲（指数增长），请使用对数线性（Log-Linear）模型。如果你在线性模型中发现“异方差性（Heteroskedasticity）”（即点随时间推移离直线越来越远），使用对数线性模型通常能解决此问题。
小贴士：如果增长是基于百分比，那么“对数（Log）”就是你的好朋友！
重点总结：若变动量为固定金额，请用线性模型；若变动量为固定百分比，请用对数线性模型。
2. 自回归模型 (Autoregressive (AR) Models)
有时候，预测明天最好的方式就是参考今天。自回归模型（AR Model）利用变量的过去值来预测其未来值。
一阶自回归模型，即 AR(1)，形式如下：
\(x_t = b_0 + b_1 x_{t-1} + \epsilon_t\)
这表示：“今日的数值（\(x_t\)）取决于一个常数（\(b_0\)）、加上昨日数值的一定比例（\(b_1 x_{t-1}\)），以及一些随机误差（\(\epsilon_t\)）。”
黄金法则：协方差平稳性 (Covariance Stationarity)
要让 AR 模型有效，时间序列必须具备协方差平稳性（Covariance Stationary）。你可以将其视为数据的“稳定性”。要达到平稳，以下三点必须随时间保持不变：
1. 期望值（Mean）：数据围绕在特定水平附近波动。
2. 变异数（Variance）：数据的“振幅”或波动性保持一致。
3. 协方差（Covariance）：不同时期之间的相关关系保持稳定。
你知道吗？如果序列不平稳，我们的统计检验（如 t-检验）将变得不可靠。这就像是试图测量一个跳个不停的小孩，根本无法抓到基准点！
重点总结：AR 模型利用过去值来预测未来，但前提是数据必须是“平稳（stationary）”的。
3. 检测 AR 模型中的问题
在简单回归中，我们使用 Durbin-Watson 检验来检查序列相关（Serial Correlation）（即误差项之间存在关联）。
严重警告：你不能在 AR 模型中使用 Durbin-Watson 检验。这是 CFA 考试中的经典陷阱！相反，我们应该观察残差的自相关性（Autocorrelations of the Residuals）。
分步检查：
1. 估计 AR 模型。
2. 计算残差（误差项）。
3. 检查这些残差的相关系数。如果它们显著异于零，代表你的模型“设定错误（misspecified）”（漏掉了某些重要因素）。
重点总结：别在 AR 模型中使用 Durbin-Watson；请改用残差自相关性的 t-检验。
4. 均值回归 (Mean Reversion)
大多数平稳的 AR 模型都有一个均值回归水平（Mean Reverting Level）。这是数据最终会回归的“老家”。
均值回归水平的公式：\(\frac{b_0}{1 - b_1}\)
比喻：想象一条橡皮筋。你可以将股票价格拉离其“公允价值”，但模型预测它最终会弹回这个水平。
重点总结：若当前数值高于均值回归水平，模型预测它会下跌；若低于该水平，则预测它会上涨。
5. 随机漫步与单位根 (Random Walks and Unit Roots)
如果我们处于 AR(1) 模型中 \(b_1 = 1\) 会发生什么事？我们会得到随机漫步（Random Walk）。
\(x_t = x_{t-1} + \epsilon_t\)
在随机漫步中，对明天最好的猜测就是今天的价格。这不具备平稳性，因为变异数会随时间增大（这个“漫步”可以随机走到任何地方）。
单位根 (Unit Root)
如果 \(b_1 = 1\)，我们称该模型具有单位根（Unit Root）。这对建模来说是坏消息！要检测这个问题，我们使用 Dickey-Fuller 检验。不用纠结于复杂的数学，只要记住：如果存在单位根，该序列就是非平稳的。
如何修复单位根？
我们使用一种称为一阶差分（First-Differencing）的方法。与其对价格建模，不如对价格的变动量建模。
\(y_t = x_t - x_{t-1}\)
通过对变动量建模，我们通常能将非平稳序列转化为平稳序列。
重点总结：单位根（\(b_1 = 1\)）意味着数据呈随机漫步。通过“一阶差分”来修复它。
6. 季节性 (Seasonality)
你的数据是否有每年重复的规律？想想看零售业的销售额总是在每年的 12 月达到高峰。这就是季节性（Seasonality）。
如果你在 AR 模型中忽略了季节性，你的残差将会在季节性滞后期出现明显的“突波”（例如季度数据的 Lag 4，或月度数据的 Lag 12）。
解决方法：在你的模型中加入一个季节性滞后项（Seasonal Lag）。如果你处理的是季度数据，你应该使用 \(x_{t-4}\) 作为额外的变量来协助预测 \(x_t\)。
重点总结：通过检查特定滞后项（如 4 或 12）是否有显著的自相关性来捕捉季节性，然后将该滞后项加入模型中。
7. ARCH 模型（波动性专家）
ARCH 代表自回归条件异方差性（Autoregressive Conditional Heteroskedasticity）。（试着快速念五遍！）
简单来说，当一期的误差项变异数取决于上一期的误差项变异数时，ARCH 效应就存在了。
例子：如果股市今天狂野且波动剧烈，那么明天它很可能也会保持狂野与高波动。
如果存在 ARCH 效应，你就可以预测未来误差项的波动性（Volatility）。这对于期权定价和风险管理（VaR）极其有用。
重点总结：ARCH 模型能协助我们预测何时会发生高波动的“群聚效应”。
8. 协整：同步移动 (Co-integration: Moving Together)
有时，两个不同的时间序列（例如两家相似石油公司的股价）虽然都是非平稳的（像随机漫步一样乱走），但它们却始终保持接近。这称为协整（Co-integration）。
比喻：想象一个人牵着一只狗在公园散步。人跟狗虽然都在公园里四处乱晃（非平稳），但因为有牵绳，它们永远不会距离太远。它们就是协整的。
如果两个序列协整，我们就可以对它们进行回归分析，而不会得到“虚假（spurious）”的结果。
重点总结：协整代表两个非平稳序列之间存在长期的经济关联。
学生备考检查清单
在参加考试前，请确保你能回答以下问题：
- 数据是以金额（线性）还是百分比（对数线性）变动？
- 序列是否具备协方差平稳性？（AR 模型的必要条件！）
- 模型是否有单位根？（使用 Dickey-Fuller 检查；使用一阶差分修正）。
- 残差是否“干净”？（检查自相关性；绝对不要用 Durbin-Watson！）。
- 是否存在季节性？（观察 Lag 4 或 12 是否有突波）。
- 两个乱走的序列是否协整？（记住“牵绳”的比喻）。
别放弃！时间序列就像学习一门新语言。起初你看到的只是符号，但很快你就会看出市场运作的规律。祝你备考顺利！