歡迎來到時間序列：預測不可預測之事！

歡迎各位未來的精算師！今天我們要深入探討時間序列模型 (Time Series Models) 的核心。如果你曾經觀察過股票走勢圖、追蹤每日氣溫，或是好奇為什麼保險索賠額每月都在波動，你其實已經接觸過時間序列了。在本章中，我們將探討如何用數學方式描述隨時間產生的「變動」。別擔心如果你還不是數學天才——我們將透過簡單的邏輯和真實世界的類比，一步步為你拆解。

1. 基礎：白雜訊 (White Noise)

在理解複雜的變動前，我們必須先掌握最簡單的一種：白雜訊 (White Noise)。可以把白雜訊想像成舊電視上的「雪花雜訊」。它是完全隨機的，沒有任何規律，你無法利用過去來預測未來。

若一個序列 \( \epsilon_t \) 滿足以下條件，則稱為白雜訊：
1. 平均值 (mean) 為零： \( E[\epsilon_t] = 0 \)。
2. 波動性 (variance) 為常數： \( Var(\epsilon_t) = \sigma^2 \)。
3. 不同時間點之間沒有相關性： \( Cor(\epsilon_t, \epsilon_s) = 0 \)，其中 \( t \neq s \)。

快速複習：如果你看到一張圖表，點位只是隨機散落在零點附近，沒有明顯的趨勢或「聚集」現象，那你看到的很可能就是白雜訊！

2. 隨機漫步：醉漢的步履 (Random Walk)

想像一個人站在數線上的 0 位置。他擲一枚硬幣：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決於他今天的位置，再加上隨機的一步。這就是隨機漫步 (Random Walk)。

公式如下：
\( x_t = x_{t-1} + w_t \)
其中 \( w_t \) 為白雜訊。

隨機漫步的關鍵特性：

1. 它不是平穩的 (Not stationary)： 因為此人可能會離起點越來越遠，變異數會隨時間增加 (\( Var(x_t) = t\sigma^2 \))。
2. 記憶性 (Memory)： 隨機漫步具有「完美的記憶」。過去的每一個衝擊都會永久地嵌入到當前的值中。
3. 帶漂移的隨機漫步 (Random Walk with Drift)： 有時候，會有一個持續向某個方向的「推力」。
\( x_t = c + x_{t-1} + w_t \)
想像一下這個醉漢在機場的電動步道上行走。他雖然在隨機邁步，但步道正在緩慢地將他向前推進 (\( c \))。

你知道嗎？ 許多有效市場理論家認為股票價格的表現就像隨機漫步。如果真是如此，這意味著你無法根據今天的價格預測明天的價格——任何變化都只是隨機的雜訊！

3. 平穩性：遊戲規則 (Stationarity)

在統計學中，我們喜歡「規則」不變的情況。平穩性 (Stationarity) 基本意指該序列的統計特性不取決於你觀察的時間點。

針對 Exam SRM，我們專注於弱平穩性 (Weak Stationarity)（也稱為協方差平穩性）。一個序列要達到弱平穩，必須滿足三個嚴格的準則：
1. 常數平均值： 平均值 \( E[x_t] \) 對所有 \( t \) 而言皆相同。
2. 常數變異數： 數據的離散程度 \( Var(x_t) \) 是有限的，且對所有 \( t \) 而言皆相同。
3. 常數自協方差： \( x_t \) 與 \( x_{t-h} \) 之間的相關性僅取決於它們之間的距離 (\( h \))，而不取決於實際時間 (\( t \))。

類比：

想像一場籃球賽。
- 平穩： 籃框永遠保持在 10 英尺高，球場大小不變，球的彈性在整場比賽中保持恆定。
- 非平穩： 籃框每分鐘都在升高，或者球場隨著比賽進行而不斷變長。如果規則一直在變，就很難預測比分了！

關鍵結論： 隨機漫步是非平穩序列的經典例子，因為它的變異數會隨時間增長。

4. 自相關：與自己的相關性 (Autocorrelation)

自相關 (Autocorrelation) 衡量的是一個變數與其自身過去值的相關程度。如果今天的氣溫與昨天的氣溫高度相關，我們就說該序列在滯後 1 期 (Lag 1) 具有高自相關性。

滯後 \( k \) 期的自相關函數 (ACF) 定義為：
\( \rho_k = \frac{\gamma_k}{\gamma_0} \)
其中 \( \gamma_k \) 是滯後 \( k \) 期的協方差，而 \( \gamma_0 \) 是變異數。

ACF 告訴我們什麼？

1. 對於白雜訊： 對於所有 \( k > 0 \)，ACF 的值幾乎為 0。（與過去無關聯）。
2. 對於隨機漫步： ACF 會保持非常高，並以極其緩慢的速度下降。這是一個非常明顯的訊號，代表該數據是非平穩的！
3. 對於平穩序列： 隨著滯後期數增加，ACF 通常會相對快速地降至零附近。

記憶小撇步： 把 "Auto-" 想成 "Self" (自我)。自相關就是「自我相關」。

5. 達成平穩：差分 (Differencing)

如果我們遇到非平穩的隨機漫步，該怎麼辦？我們用差分 (Differencing) 來解決它！我們不再觀察序列的絕對水準（那個人所在的位置），而是觀察變化量（他邁出的步子）。

如果 \( x_t = x_{t-1} + w_t \)，那麼：
\( x_t - x_{t-1} = w_t \)
隨機漫步的「一階差分」簡單來說就是白雜訊，而它是平穩的！

避免常見錯誤： 學生常會忘記，對數轉換 (log-transforming) 有助於處理變異數不穩定的情況，而差分則有助於處理平均值或趨勢不穩定的情況。如果數據呈現「指數型」增長，請先取對數，然後再進行差分！

總結檢查表

1. 白雜訊： 純粹的隨機。平均值為 0，變異數為常數，無相關性。
2. 隨機漫步： 今天 = 昨天 + 雜訊。非平穩（變異數隨時間增加）。
3. 平穩性： 平均值、變異數和 ACF 隨時間保持恆定。這是大多數建模的基礎。
4. ACF： 衡量「記憶力」。如果它長期保持在高位，該序列很可能是非平穩的。
5. 差分： 減去前一期數值，將非平穩序列轉化為平穩序列。

如果起初覺得這些概念有點棘手，別擔心！時間序列就像學習一門新語言。一旦你能識別 ACF 中的規律並理解為什麼平穩性如此重要，剩下的部分自然會融會貫通。繼續練習那些公式吧！