歡迎來到時間序列分析（Time-Series Analysis）！
你好！歡迎來到 CFA Level II 定量方法課程中最實用的章節之一。如果你曾看過股票走勢圖或 GDP 的時間趨勢圖，那你其實已經看過時間序列（Time series）了。在本章中，我們將跨越簡單回歸（Simple Regression）的範疇，去理解數據點如何與其過去的數值產生關聯。
如果起初覺得這些「數學味」很重，別擔心。我們會將這些複雜的模型轉化為簡單的故事。當你讀完本章，你將能夠精準觀察趨勢、辨識模型何時「失效」，並理解分析師如何預測未來的數值。讓我們開始吧！
1. 線性與對數線性趨勢模型 (Linear vs. Log-Linear Trend Models)
對時間序列進行建模最簡單的方法，是觀察數據是否隨時間穩定成長。這裡主要有兩種「口味」：
線性趨勢模型 (Linear Trend Models)
在線性趨勢模型中，我們假設變量在每個週期內均發生固定金額（constant amount）的變化。
公式：\(y_t = b_0 + b_1(t) + \epsilon_t\)
例子：一家小型咖啡店每個月穩定增加 10 位新顧客。無論他們原本有 100 還是 1,000 位顧客，下個月永遠只會再多出 10 位。
對數線性趨勢模型 (Log-Linear Trend Models)
在對數線性趨勢模型中，我們假設變量在每個週期內均發生固定百分比（constant percentage）的變化。這在金融領域非常常見（例如複利計算）。
公式：\(ln(y_t) = b_0 + b_1(t) + \epsilon_t\)
例子：一家科技初創公司每個月成長 10%。隨著公司規模變大，同樣的 10% 成長所代表的實際人數會越來越多。
如何選擇？
觀察你的數據！如果數據繪製出來呈一直線，請使用線性（Linear）模型。如果數據看起來呈現向上彎曲（指數成長），請使用對數線性（Log-Linear）模型。如果你在線性模型中發現「異方差性（Heteroskedasticity）」（即點隨時間推移離直線越來越遠），使用對數線性模型通常能解決此問題。
小貼士：如果成長是基於百分比，那麼「對數（Log）」就是你的好朋友！
重點總結：若變動量為固定金額，請用線性模型；若變動量為固定百分比，請用對數線性模型。
2. 自回歸模型 (Autoregressive (AR) Models)
有時候，預測明天最好的方式就是參考今天。自回歸模型（AR Model）利用變量的過去值來預測其未來值。
一階自回歸模型，即 AR(1)，形式如下：
\(x_t = b_0 + b_1 x_{t-1} + \epsilon_t\)
這表示：「今日的數值（\(x_t\)）取決於一個常數（\(b_0\)）、加上昨日數值的一定比例（\(b_1 x_{t-1}\)），以及一些隨機誤差（\(\epsilon_t\)）。」
黃金法則：共變數平穩性 (Covariance Stationarity)
要讓 AR 模型有效，時間序列必須具備共變數平穩性（Covariance Stationary）。你可以將其視為數據的「穩定性」。要達到平穩，以下三點必須隨時間保持不變：
1. 期望值（Mean）：數據圍繞在特定水平附近波動。
2. 變異數（Variance）：數據的「震幅」或波動性保持一致。
3. 共變數（Covariance）：不同時期之間的相關關係保持穩定。
你知道嗎？如果序列不平穩，我們的統計檢定（如 t-檢定）將變得不可靠。這就像是試圖測量一個跳個不停的小孩，根本無法抓到基準點！
重點總結：AR 模型利用過去值來預測未來，但前提是數據必須是「平穩（stationary）」的。
3. 檢測 AR 模型中的問題
在簡單回歸中，我們使用 Durbin-Watson 檢定來檢查序列相關（Serial Correlation）（即誤差項之間存在關聯）。
嚴重警告：你不能在 AR 模型中使用 Durbin-Watson 檢定。這是 CFA 考試中的經典陷阱！相反，我們應該觀察殘差的自相關性（Autocorrelations of the Residuals）。
分步檢查：
1. 估計 AR 模型。
2. 計算殘差（誤差項）。
3. 檢查這些殘差的相關係數。如果它們顯著異於零，代表你的模型「設定錯誤（misspecified）」（漏掉了某些重要因素）。
重點總結：別在 AR 模型中使用 Durbin-Watson；請改用殘差自相關性的 t-檢定。
4. 均值回歸 (Mean Reversion)
大多數平穩的 AR 模型都有一個均值回歸水平（Mean Reverting Level）。這是數據最終會回歸的「老家」。
均值回歸水平的公式：\(\frac{b_0}{1 - b_1}\)
比喻：想像一條橡皮筋。你可以將股票價格拉離其「公允價值」，但模型預測它最終會彈回這個水平。
重點總結：若當前數值高於均值回歸水平，模型預測它會下跌；若低於該水平，則預測它會上漲。
5. 隨機漫步與單位根 (Random Walks and Unit Roots)
如果我們的 AR(1) 模型中 \(b_1 = 1\) 會發生什麼事？我們會得到隨機漫步（Random Walk）。
\(x_t = x_{t-1} + \epsilon_t\)
在隨機漫步中，對明天最好的猜測就是今天的價格。這不具備平穩性，因為變異數會隨時間增大（這個「漫步」可以隨機走到任何地方）。
單位根 (Unit Root)
如果 \(b_1 = 1\)，我們稱該模型具有單位根（Unit Root）。這對建模來說是壞消息！要檢測這個問題，我們使用 Dickey-Fuller 檢定。不用糾結於複雜的數學，只要記住：如果存在單位根，該序列就是非平穩的。
如何修復單位根？
我們使用一種稱為一階差分（First-Differencing）的方法。與其對價格建模，不如對價格的變動量建模。
\(y_t = x_t - x_{t-1}\)
透過對變動量建模，我們通常能將非平穩序列轉化為平穩序列。
重點總結：單位根（\(b_1 = 1\)）意味著數據呈隨機漫步。透過「一階差分」來修復它。
6. 季節性 (Seasonality)
你的數據是否有每年重複的規律？想想看零售業的銷售額總是在每年的 12 月達到高峰。這就是季節性（Seasonality）。
如果你在 AR 模型中忽略了季節性，你的殘差將會在季節性滯後期出現明顯的「突波」（例如季度數據的 Lag 4，或月度數據的 Lag 12）。
解決方法：在你的模型中加入一個季節性滯後項（Seasonal Lag）。如果你處理的是季度數據，你應該使用 \(x_{t-4}\) 作為額外的變量來協助預測 \(x_t\)。
重點總結：透過檢查特定滯後項（如 4 或 12）是否有顯著的自相關性來捕捉季節性，然後將該滯後項加入模型中。
7. ARCH 模型（波動性專家）
ARCH 代表自回歸條件異方差性（Autoregressive Conditional Heteroskedasticity）。（試著快速唸五遍！）
簡單來說，當一期的誤差項變異數取決於上一期的誤差項變異數時，ARCH 效應就存在了。
例子：如果股市今天狂野且波動劇烈，那麼明天它很可能也會保持狂野與高波動。
如果存在 ARCH 效應，你就可以預測未來誤差項的波動性（Volatility）。這對於選擇權定價和風險管理（VaR）極其有用。
重點總結：ARCH 模型能協助我們預測何時會發生高波動的「群聚效應」。
8. 共整合：同步移動 (Co-integration: Moving Together)
有時，兩個不同的時間序列（例如兩家相似石油公司的股價）雖然都是非平穩的（像隨機漫步一樣亂走），但它們卻始終保持接近。這稱為共整合（Co-integration）。
比喻：想像一個人牽著一隻狗在公園散步。人跟狗雖然都在公園裡四處亂晃（非平穩），但因為有牽繩，它們永遠不會距離太遠。它們就是共整合的。
如果兩個序列共整合，我們就可以對它們進行回歸分析，而不會得到「虛假（spurious）」的結果。
重點總結：共整合代表兩個非平穩序列之間存在長期的經濟關聯。
學生備考檢查清單
在參加考試前，請確保你能回答以下問題：
- 數據是以金額（線性）還是百分比（對數線性）變動？
- 序列是否具備共變數平穩性？（AR 模型的必要條件！）
- 模型是否有單位根？（使用 Dickey-Fuller 檢查；使用一階差分修正）。
- 殘差是否「乾淨」？（檢查自相關性；絕對不要用 Durbin-Watson！）。
- 是否存在季節性？（觀察 Lag 4 或 12 是否有突波）。
- 兩個亂走的序列是否共整合？（記住「牽繩」的比喻）。
別放棄！時間序列就像學習一門新語言。起初你看到的只是符號，但很快你就會看出市場運作的規律。祝你備考順利！