欢迎来到时间序列（Time Series）的世界！

你好！如果你曾经观察过股票价格图表、追踪过自己一小时内的心率，或者根据过去几天的天气推测明天是否会下雨，那么你已经接触过时间序列了。在 CS2 中，我们不再将数据视为独立的“快照”，而是将其视为一个序列，当中顺序至关重要。

如果起初觉得这些概念有点抽象，别担心。我们将逐步拆解时间序列模型的“DNA”——这些核心概念能让我们通过理解过去来预测未来。让我们开始吧！

1. 到底什么是时间序列？

时间序列简而言之就是一系列随时间顺序收集的观测值 \(X_t\)。通常，这些观测值是在相等的时间间隔下取得的（例如每天、每月或每年）。

在 CS2 中，我们主要处理离散时间（discrete-time）序列。这意味着我们观察时间点上的特定数值，即 \(t = 1, 2, 3, ...\)。我们的目标通常有两个：
1. 解释（Explanation）： 理解数据呈现该行为的原因。
2. 预测（Prediction / Forecasting）： 利用数据的历史记录来推测接下来会发生什么。

需要掌握的关键术语：

确定性（Deterministic）： 如果序列遵循完美的规则（例如 \(X_t = 2t\)），它就是确定性的。我们能完美地预测它。精算师很少处理这类模型，因为现实生活往往没那么规律！
随机性（Stochastic）： 这才是我们关注的重点。随机过程涉及随机性。我们无法预测确切数值，但可以为不同的结果建立概率模型。

2. 平稳性（Stationarity）的概念（“稳定”法则）

平稳性可能是本章最重要的概念。试想一下，你在学开车时，方向盘和踏板的功能每五分钟就变换一次，这简直是不可能的！平稳性意味着支配序列的“规则”不会随时间而改变。

弱平稳性（二阶平稳性）

要成为弱平稳（weakly stationary）时间序列，必须满足三个严格条件：
1. 常数均值（Constant Mean）： 平均值 \(E[X_t]\) 必须是一个常数 \(\mu\)，且不随时间 \(t\) 而变。
2. 常数方差（Constant Variance）： 数据的离散程度 \(\text{Var}(X_t)\) 必须是有限且恒定的。
3. 一致协方差（Consistent Covariance）： 两个观测点（\(X_t\) 与 \(X_{t+k}\)）之间的关系只取决于它们之间的滞后项（lag，即 \(k\)），而不取决于实际的时间点 \(t\)。

类比： 想象一个喷水池。水花四溅（随机性），但喷泉整体的喷射高度和形状大致保持不变，这就是平稳。现在再想象火箭发射，其位置不断改变且越来越远，这就是非平稳（non-stationary）。

快速检查：如果你看到的图表中数据有“趋势”向上或波动幅度越来越大，它就不是平稳的！

3. 衡量关系：ACVF 与 ACF

由于时间序列数据是有顺序的，今日的数值往往与昨日的数值相关。我们使用以下两种工具来衡量这种“记忆”：

自协方差函数（Autocovariance Function, ACVF）

ACVF（以 \(\gamma_k\) 表示）衡量 \(X_t\) 与 \(X_{t+k}\) 之间的协方差。
\(\gamma_k = \text{Cov}(X_t, X_{t+k}) = E[(X_t - \mu)(X_{t+k} - \mu)]\)
请注意，\(\gamma_0\)（滞后 0）其实就是序列的方差！

自相关函数（Autocorrelation Function, ACF）

ACF（以 \(\rho_k\) 表示）是 ACVF 的“标准化”版本。它告诉我们序列与其自身滞后一段时间后的相关性，数值始终在 -1 到 1 之间。
公式：\(\rho_k = \frac{\gamma_k}{\gamma_0}\)

你知道吗？ ACF 是一种强大的诊断工具。如果 \(\rho_1\) 很高，代表今日数值与昨日数值非常相似。如果所有的 \(\rho_k\) 都接近零，则代表数据没有记忆性！

4. 构建基石：白噪音（White Noise）

白噪音是最简单的时间序列模型，是我们解释完其他规律后剩下的“纯粹随机性”。如果一个过程 \(\epsilon_t\) 满足以下条件，它就是白噪音：
1. 均值为零：\(E[\epsilon_t] = 0\)。
2. 方差恒定：\(\text{Var}(\epsilon_t) = \sigma^2\)。
3. 不同时间点之间无相关性：对于 \(s \neq t\)，\(\text{Cov}(\epsilon_s, \epsilon_t) = 0\)。

记忆小撇步： 想象旧电视的“雪花杂讯”。那只是随机跳动，没有模式，也无法从当前“像素”推测下一个会是什么。

5. 精算师的工具箱：运算符（Operators）

为了简化时间序列的运算，我们使用两个“捷径”或运算符。熟练掌握它们，当我们稍后进入 AR 和 MA 模型时，会轻松得多！

后移运算符（Backward Shift Operator, \(B\)）

\(B\) 运算符只是将时间往回推一步。
\(B X_t = X_{t-1}\)
如果你应用两次，就会往回推两步：\(B^2 X_t = X_{t-2}\)。

差分运算符（Difference Operator, \(\nabla\)）

这用于消除趋势并使序列平稳，它衡量的是相邻步骤之间的变化量。
\(\nabla X_t = X_t - X_{t-1}\)
请注意 \(\nabla = 1 - B\)。这个关系对于考试中的代数运算非常重要！

常见错误： 学生经常混淆 \(B\) 和 \(\nabla\)。请记住：\(B\) 是一台时光机（它只是改变标签），而 \(\nabla\) 是一个减法器（它计算出一个新数值）。

6. 重点总结

总结检查清单：
• 时间序列是随时间索引的随机变量序列。
• 弱平稳性要求恒定的均值、恒定的方差，以及仅取决于滞后项 \(k\) 的协方差。
• ACF (\(\rho_k\)) 告诉我们过去对现在的影响有多强。
• 白噪音是没有任何“记忆”的终极平稳过程。
• 使用后移运算符 (\(B\)) 来简化方程式。

如果现在觉得 ACF 的数学有点繁重，不必担心。最重要的是理解平稳性的概念。如果你能识别一个序列为什么平稳或不平稳，你就已经克服了这一章最困难的部分！