欢迎来到时间序列：预测不可预测之事！

欢迎各位未来的精算师！今天我们要深入探讨时间序列模型 (Time Series Models) 的核心。如果你曾经观察过股票走势图、追踪每日气温，或是好奇为什么保险索赔额每月都在波动，你其实已经接触过时间序列了。在本章中，我们将探讨如何用数学方式描述随时间产生的“变动”。别担心如果你还不是数学天才——我们将透过简单的逻辑和真实世界的类比，一步步为你拆解。

1. 基础：白噪声 (White Noise)

在理解复杂的变动前，我们必须先掌握最简单的一种：白噪声 (White Noise)。可以把白噪声想象成旧电视上的“雪花噪声”。它是完全随机的，没有任何规律，你无法利用过去来预测未来。

若一个序列 \( \epsilon_t \) 满足以下条件，则称为白噪声：
1. 平均值 (mean) 为零： \( E[\epsilon_t] = 0 \)。
2. 波动性 (variance) 为常数： \( Var(\epsilon_t) = \sigma^2 \)。
3. 不同时间点之间没有相关性： \( Cor(\epsilon_t, \epsilon_s) = 0 \)，其中 \( t \neq s \)。

快速复习：如果你看到一张图表，点位只是随机散落在零点附近，没有明显的趋势或“聚集”现象，那你看到的很可能就是白噪声！

2. 随机漫步：醉汉的步履 (Random Walk)

想象一个人站在数轴上的 0 位置。他掷一枚硬币：正面就往右走一步，反面就往左走一步。他明天的位置完全取决于他今天的位置，再加上随机的一步。这就是随机漫步 (Random Walk)。

公式如下：
\( x_t = x_{t-1} + w_t \)
其中 \( w_t \) 为白噪声。

随机漫步的关键特性：

1. 它不是平稳的 (Not stationary)： 因为此人可能会离起点越来越远，变异数会随时间增加 (\( Var(x_t) = t\sigma^2 \))。
2. 记忆性 (Memory)： 随机漫步具有“完美的记忆”。过去的每一个冲击都会永久地嵌入到当前的值中。
3. 带漂移的随机漫步 (Random Walk with Drift)： 有时候，会有一个持续向某个方向的“推力”。
\( x_t = c + x_{t-1} + w_t \)
想象一下这个醉汉在机场的自动人行道上行走。他虽然在随机迈步，但人行道正在缓慢地将他向前推进 (\( c \))。

你知道吗？ 许多有效市场理论家认为股票价格的表现就像随机漫步。如果真是如此，这意味着你无法根据今天的价格预测明天的价格——任何变化都只是随机的噪声！

3. 平稳性：游戏规则 (Stationarity)

在统计学中，我们喜欢“规则”不变的情况。平稳性 (Stationarity) 基本意指该序列的统计特性不取决于你观察的时间点。

针对 Exam SRM，我们专注于弱平稳性 (Weak Stationarity)（也称为协方差平稳性）。一个序列要达到弱平稳，必须满足三个严格的准则：
1. 常数平均值： 平均值 \( E[x_t] \) 对所有 \( t \) 而言皆相同。
2. 常数变异数： 数据的离散程度 \( Var(x_t) \) 是有限的，且对所有 \( t \) 而言皆相同。
3. 常数自协方差： \( x_t \) 与 \( x_{t-h} \) 之间的相关性仅取决于它们之间的距离 (\( h \))，而不取决于实际时间 (\( t \))。

类比：

想象一场篮球赛。
- 平稳： 篮筐永远保持在 10 英尺高，球场大小不变，球的弹性在整场比赛中保持恒定。
- 非平稳： 篮筐每分钟都在升高，或者球场随着比赛进行而不断变长。如果规则一直在变，就很难预测比分了！

关键结论： 随机漫步是非平稳序列的经典例子，因为它的变异数会随时间增长。

4. 自相关：与自己的相关性 (Autocorrelation)

自相关 (Autocorrelation) 衡量的是一个变量与其自身过去值的相关程度。如果今天的气温与昨天的气温高度相关，我们就说该序列在滞后 1 期 (Lag 1) 具有高自相关性。

滞后 \( k \) 期的自相关函数 (ACF) 定义为：
\( \rho_k = \frac{\gamma_k}{\gamma_0} \)
其中 \( \gamma_k \) 是滞后 \( k \) 期的协方差，而 \( \gamma_0 \) 是变异数。

ACF 告诉我们什么？

1. 对于白噪声： 对于所有 \( k > 0 \)，ACF 的值几乎为 0。（与过去无关联）。
2. 对于随机漫步： ACF 会保持非常高，并以极其缓慢的速度下降。这是一个非常明显的信号，代表该数据是非平稳的！
3. 对于平稳序列： 随着滞后期的增加，ACF 通常会相对快速地降至零附近。

记忆小撇步： 把 "Auto-" 想成 "Self" (自我)。自相关就是“自我相关”。

5. 达成平稳：差分 (Differencing)

如果我们遇到非平稳的随机漫步，该怎么办？我们用差分 (Differencing) 来解决它！我们不再观察序列的绝对水平（那个人所在的位置），而是观察变化量（他迈出的步子）。

如果 \( x_t = x_{t-1} + w_t \)，那么：
\( x_t - x_{t-1} = w_t \)
随机漫步的“一阶差分”简单来说就是白噪声，而它是平稳的！

避免常见错误： 学生常会忘记，对数转换 (log-transforming) 有助于处理变异数不稳定的情况，而差分则有助于处理平均值或趋势不稳定的情况。如果数据呈现“指数型”增长，请先取对数，然后再进行差分！

总结检查表

1. 白噪声： 纯粹的随机。平均值为 0，变异数为常数，无相关性。
2. 随机漫步： 今天 = 昨天 + 噪声。非平稳（变异数随时间增加）。
3. 平稳性： 平均值、变异数和 ACF 随时间保持恒定。这是大多数建模的基础。
4. ACF： 衡量“记忆力”。如果它长期保持在高位，该序列很可能是非平稳的。
5. 差分： 减去前一期数值，将非平稳序列转化为平稳序列。

如果起初觉得这些概念有点棘手，别担心！时间序列就像学习一门新语言。一旦你能识别 ACF 中的规律并理解为什么平稳性如此重要，剩下的部分自然会融会贯通。继续练习那些公式吧！