歡迎來到時間序列（Time Series）的世界！

你好！如果你曾經觀察過股票價格圖表、追蹤過自己一小時內的心率，或者根據過去幾天的天氣推測明天是否會下雨，那麼你已經接觸過時間序列了。在 CS2 中，我們不再將數據視為獨立的「快照」，而是將其視為一個序列，當中順序至關重要。

如果起初覺得這些概念有點抽象，別擔心。我們將逐步拆解時間序列模型的「DNA」——這些核心概念能讓我們通過理解過去來預測未來。讓我們開始吧！

1. 到底什麼是時間序列？

時間序列簡而言之就是一系列隨時間順序收集的觀測值 \(X_t\)。通常，這些觀測值是在相等的時間間隔下取得的（例如每天、每月或每年）。

在 CS2 中，我們主要處理離散時間（discrete-time）序列。這意味著我們觀察時間點上的特定數值，即 \(t = 1, 2, 3, ...\)。我們的目標通常有兩個：
1. 解釋（Explanation）： 理解數據呈現該行為的原因。
2. 預測（Prediction / Forecasting）： 利用數據的歷史記錄來推測接下來會發生什麼。

需要掌握的關鍵術語：

確定性（Deterministic）： 如果序列遵循完美的規則（例如 \(X_t = 2t\)），它就是確定性的。我們能完美地預測它。精算師很少處理這類模型，因為現實生活往往沒那麼規律！
隨機性（Stochastic）： 這才是我們關注的重點。隨機過程涉及隨機性。我們無法預測確切數值，但可以為不同的結果建立概率模型。

2. 平穩性（Stationarity）的概念（「穩定」法則）

平穩性可能是本章最重要的概念。試想一下，你在學開車時，方向盤和踏板的功能每五分鐘就變換一次，這簡直是不可能的！平穩性意味著支配序列的「規則」不會隨時間而改變。

弱平穩性（二階平穩性）

要成為弱平穩（weakly stationary）時間序列，必須滿足三個嚴格條件：
1. 常數均值（Constant Mean）： 平均值 \(E[X_t]\) 必須是一個常數 \(\mu\)，且不隨時間 \(t\) 而變。
2. 常數方差（Constant Variance）： 數據的離散程度 \(\text{Var}(X_t)\) 必須是有限且恆定的。
3. 一致協方差（Consistent Covariance）： 兩個觀測點（\(X_t\) 與 \(X_{t+k}\)）之間的關係只取決於它們之間的滯後項（lag，即 \(k\)），而不取決於實際的時間點 \(t\)。

類比： 想像一個噴水池。水花四濺（隨機性），但噴泉整體的噴射高度和形狀大致保持不變，這就是平穩。現在再想像火箭發射，其位置不斷改變且越來越遠，這就是非平穩（non-stationary）。

快速檢查：如果你看到的圖表中數據有「趨勢」向上或波動幅度越來越大，它就不是平穩的！

3. 衡量關係：ACVF 與 ACF

由於時間序列數據是有順序的，今日的數值往往與昨日的數值相關。我們使用以下兩種工具來衡量這種「記憶」：

自協方差函數（Autocovariance Function, ACVF）

ACVF（以 \(\gamma_k\) 表示）衡量 \(X_t\) 與 \(X_{t+k}\) 之間的協方差。
\(\gamma_k = \text{Cov}(X_t, X_{t+k}) = E[(X_t - \mu)(X_{t+k} - \mu)]\)
請注意，\(\gamma_0\)（滯後 0）其實就是序列的方差！

自相關函數（Autocorrelation Function, ACF）

ACF（以 \(\rho_k\) 表示）是 ACVF 的「標準化」版本。它告訴我們序列與其自身滯後一段時間後的相關性，數值始終在 -1 到 1 之間。
公式：\(\rho_k = \frac{\gamma_k}{\gamma_0}\)

你知道嗎？ ACF 是一種強大的診斷工具。如果 \(\rho_1\) 很高，代表今日數值與昨日數值非常相似。如果所有的 \(\rho_k\) 都接近零，則代表數據沒有記憶性！

4. 建構基石：白噪音（White Noise）

白噪音是最簡單的時間序列模型，是我們解釋完其他規律後剩下的「純粹隨機性」。如果一個過程 \(\epsilon_t\) 滿足以下條件，它就是白噪音：
1. 均值為零：\(E[\epsilon_t] = 0\)。
2. 方差恆定：\(\text{Var}(\epsilon_t) = \sigma^2\)。
3. 不同時間點之間無相關性：對於 \(s \neq t\)，\(\text{Cov}(\epsilon_s, \epsilon_t) = 0\)。

記憶小撇步： 想像舊電視的「雪花雜訊」。那只是隨機跳動，沒有模式，也無法從當前「像素」推測下一個會是什麼。

5. 精算師的工具箱：運算子（Operators）

為了簡化時間序列的運算，我們使用兩個「捷徑」或運算子。熟練掌握它們，當我們稍後進入 AR 和 MA 模型時，會輕鬆得多！

後移運算子（Backward Shift Operator, \(B\)）

\(B\) 運算子只是將時間往回推一步。
\(B X_t = X_{t-1}\)
如果你應用兩次，就會往回推兩步：\(B^2 X_t = X_{t-2}\)。

差分運算子（Difference Operator, \(\nabla\)）

這用於消除趨勢並使序列平穩，它衡量的是相鄰步驟之間的變化量。
\(\nabla X_t = X_t - X_{t-1}\)
請注意 \(\nabla = 1 - B\)。這個關係對於考試中的代數運算非常重要！

常見錯誤： 學生經常混淆 \(B\) 和 \(\nabla\)。請記住：\(B\) 是一台時光機（它只是改變標籤），而 \(\nabla\) 是一個減法器（它計算出一個新數值）。

6. 重點總結

總結檢查清單：
• 時間序列是隨時間索引的隨機變數序列。
• 弱平穩性要求恆定的均值、恆定的方差，以及僅取決於滯後項 \(k\) 的協方差。
• ACF (\(\rho_k\)) 告訴我們過去對現在的影響有多強。
• 白噪音是沒有任何「記憶」的終極平穩過程。
• 使用後移運算子 (\(B\)) 來簡化方程式。

如果現在覺得 ACF 的數學有點繁重，不必擔心。最重要的是理解平穩性的概念。如果你能識別一個序列為什麼平穩或不平穩，你就已經克服了這一章最困難的部分！