简介：你的过往至关重要！
欢迎来到自回归（Autoregressive, AR）模型的世界！如果你曾想过：“我今天很累，因为我昨晚熬夜了”，那么你已经理解了 AR 模型的核心逻辑。在时间序列中，昨天发生的事通常会直接影响今天发生的事。
在本章中，我们将学习如何将这种直觉转化为数学公式。如果这些数学看起来有点吓人，别担心——我们会把它拆解成小块来学习。读完这些笔记后，你会发现 AR 模型其实只是你早已熟悉的线性回归的一个特殊版本！
1. 什么是自回归模型？
“自回归”这个术语听起来很高级，但让我们看看它的词根：Auto（自我）和 Regressive（回归）。本质上，它就是一个变量对其自身过去时间点数值的回归。
AR(1) 模型：基础知识
最简单的版本是 AR(1) 模型，其中当前值（\(x_t\)）仅取决于紧接在它之前的那一个值（\(x_{t-1}\)）。
AR(1) 模型的公式为：
\(x_t = c + \phi x_{t-1} + \epsilon_t\)
公式组件拆解：
- \(x_t\)：时间 \(t\) 的序列值（例如：今天的股价）。
- \(c\)：常数（截距项）。
- \(\phi\) (phi)：自回归系数。这告诉我们今天与昨天之间的“关联”有多强。
- \(x_{t-1}\)：前一个时间点的序列值（昨天的股价）。
- \(\epsilon_t\)：白噪音（White noise）或误差项。这代表了无法预测的随机冲击。
类比：想象一台恒温器。如果昨天室温是 70 度（\(x_{t-1}\)），那么今天也很可能接近 70 度，再加上或减去一些基于天气的随机变化（\(\epsilon_t\)）。
快速回顾：误差项（\(\epsilon_t\)）
我们假设误差项遵循平均值为 0 且方差固定（\(\sigma^2\)）的常态分布。这就是我们模型中“不可预测”的部分。
2. 平稳性（Stationarity）：橡皮筋法则
为了使 AR(1) 模型能够用于长期预测，它通常需要具备平稳性。这意味着其统计特性（如平均值和方差）不会随时间而改变。
AR(1) 平稳性的黄金法则：
当且仅当 \(|\phi| < 1\) 时，模型是平稳的。
为什么这很重要？
- 若 \(|\phi| < 1\)：序列就像一条橡皮筋。如果随机冲击（\(\epsilon_t\)）将数值推开，序列最终会回弹至其长期平均值（均值）。
- 若 \(\phi = 1\)：这被称为随机漫步（Random Walk）。没有任何力量将它“拉”回中心，每一个冲击都会永远留在系统中。
- 若 \(|\phi| > 1\)：序列会“爆炸”并趋向无穷大。我们在风险建模中可不希望看到这种情况！
你知道吗？ 随机漫步（\(\phi = 1\)）经常用来描述股价，因为今天的价格是预测明天价格的最佳依据，而期间的变化则是完全随机的。
3. AR(1) 模型的关键统计量
当你处理平稳的 AR(1) 模型（\(|\phi| < 1\)）时，考试中有三个公式你必须熟记：
1. 平均值（长期平均）：
\(\mu = \frac{c}{1 - \phi}\)
常见错误：误以为平均值就是 \(c\)。并不是！你必须除以 \((1 - \phi)\)。
2. 方差：
\(Var(x_t) = \frac{\sigma^2}{1 - \phi^2}\)
注：\(\sigma^2\) 是误差项的方差。
3. 自相关系数（ACF）：
\(x_t\) 与 \(x_{t-k}\)（\(k\) 为滞后步数）之间的相关性为：
\(\rho_k = \phi^k\)
这意味着随着时间间隔（\(k\)）增加，相关性会呈指数级衰减。
重点总结： 在 AR(1) 模型中，过去的影响会随时间消退，但（从数学上讲）它永远不会真正归零。
4. 进阶：AR(p) 模型
有时候，只有昨天的信息是不够的。也许过去 3 天的信息都很重要！这就是 AR(p) 模型，其中 \(p\) 是我们纳入的“滞后（lags）”期数。
AR(p) 方程式：
\(x_t = c + \phi_1 x_{t-1} + \phi_2 x_{t-2} + ... + \phi_p x_{t-p} + \epsilon_t\)
AR(p) 的平稳性：
这比 AR(1) 复杂得多。虽然“\(\phi\) 系数之和大不大于 1”是一个有用的经验法则，但正式的要求涉及“特征方程式的根”必须位于单位圆之外。对于 SRM 考试，请记住，所有 \(\phi\) 系数都必须足够小，以确保该过程不会爆炸。
5. 识别 AR 模型：PACF 技巧
我们如何判断数据集是 AR 模型还是其他模型（例如 MA 模型）？我们查看两个图表：
- ACF（自相关函数）： 对于 AR 模型，ACF 呈现拖尾（tails off）现象（逐渐减少）。
- PACF（偏自相关函数）： 这是 AR 模型的“魔法”工具。PACF 在第 \(p\) 阶滞后后会截尾（cuts off）。
记忆小撇步：
AR 模型 = PACF 截尾。（联想 "AP" 就如同进阶先修课程一样好记）。
如果 PACF 有 2 条显著的条形图，然后降至零，这很可能是一个 AR(2) 模型。
6. 使用 AR 模型进行预测
使用 AR 模型预测未来是一个循序渐进的过程。要找出下一个数值，我们只需代入最近已知的数值即可。
分步范例 (AR(1))：
假设 \(x_t = 5 + 0.5 x_{t-1} + \epsilon_t\)，今天的值 (\(x_t\)) 为 10。
1. 预测 \(t+1\)： 由于我们不知道未来的误差（\(\epsilon_{t+1}\)），我们假设它为 0。
\(\hat{x}_{t+1} = 5 + 0.5(10) = 10\)
2. 预测 \(t+2\)： 使用你对 \(t+1\) 的预测值作为新的输入。
\(\hat{x}_{t+2} = 5 + 0.5(10) = 10\)
注：在这个特定范例中，预测值保持在 10，因为 10 正是长期平均值（\(5 / (1 - 0.5) = 10\)）。如果初始值不同，预测值会缓慢地向 10 漂移。
7. 总结与关键重点
别让符号吓到你！以下是考试中绝对要记住的内容：
- AR(1) 公式： \(x_t = c + \phi x_{t-1} + \epsilon_t\)。
- 平稳性： 必须满足 \(|\phi| < 1\)。如果 \(\phi = 1\)，则是非平稳的随机漫步。
- 平均值： \(\mu = c / (1 - \phi)\)。
- 识别： AR 模型的 ACF 呈拖尾，而 PACF 在滞后 \(p\) 处截尾。
- 预测： 只需将之前的值代入公式，并将误差项设为零。
最后的鼓励： AR 模型几乎是时间序列中所有内容的“基石”。先把 AR(1) 的公式搞定，这一章剩下的内容就会迎刃而解。你可以做到的！