1. 为什么金融时间序列不是普通时间序列先说个我当年入行时的困惑学过经典时间序列分析之后第一次拿股票数据练手发现教科书里那套“先看趋势—分解—再建模”的流程根本跑不通。后来才明白金融时间序列和普通时间序列的底层逻辑差别太大这套课程笔记的核心就是帮你把这些差别焊死在脑子里。普通时间序列分析常见于气象、工业过程、传感器数据这些数据往往有比较强的周期性、趋势性甚至季节效应比如气温、月度销量、设备振动信号。你拿到手的第一件事是分解把趋势项、季节项、随机残差剥离开然后对残差建模。金融数据完全不同。拿日频收益率来说它最引人注目的特征不是趋势而是“没有趋势”——看起来像一个围绕零轴波动的白噪声。但这只是表面。如果你计算收益率的绝对值、平方或波动率估计值会发现它们有明显的自相关大波动后面往往跟着大波动小波动后面也聚成一团这就是常说的波动率聚集效应。另一个关键差异是金融数据的分布形态。日频收益率的直方图普遍表现为“尖峰厚尾”中间比正态分布更陡尾巴却更厚极端值出现的频率远高于正态假设。偏度通常不为零股票指数收益率常呈左偏即大跌的极端值比大涨更多、更急。这意味着用均值、方差来刻画风险天然会低估尾部风险。所以金融时间序列建模真正的主角不是均值而是波动率——也就是方差的条件演变。课程里反复强调的 GARCH 族模型建立在这一认知之上。理解了这一点你后面才能明白为什么有人会对收益做 ARIMA却对平方收益做 GARCH这两套工具各管各的东西前者管条件均值后者管条件波动率。我再补一个自己实测过的场景。某次应急调仓事件导致某标的单日收益率达到 −12%标准差大约 5 倍以上传统正态 VaR 模型对这种极端场景几乎完全失效但用 Student-t 分布的 GARCH 模型去推算尾部概率和实际发生频率就要贴得多。这就是从“数据本身长什么样”出发推导模型设计的典型案例。2. 模型家族谱系从平稳性到波动率聚集2.1 平稳性一切建模的前置门槛平稳性是金融时间序列建模里第一个要迈过去的坎。常见的表述是“宽平稳”或者说弱平稳要求均值为常数、方差恒定、自协方差只依赖于间隔期。你拿到一批价格序列比如某指数日线收盘价几乎不可能平稳因为它有随机游走的成分今天的价格等于昨天的价格加上一个随机扰动扰动项独立同分布。这里有个初学者容易忽略的地方价格序列本身几乎从不平稳但它的对数收益序列通常近似平稳因为取对数后再差分能消除尺度效应并把乘法关系转换为加法关系。你可以在复盘中检验一下原始价格序列的 ADF 统计量几乎不显著而取对数后的一阶差分序列ADF 统计量显著为负p 值远小于 0.05平稳性假设就站得住脚了。所以建模的第一步不是拿着价格直接做 ARIMA而是先把价格变换为对数收益率也就是对数价格的一阶差分。遇到某些低频数据或含单位根的宏观指标有时需要先做二阶差分甚至更复杂的变换但金融高频领域对数日收益率已经是一个非常稳固的建模对象。这里有一个极易踩的坑单位根检验的“原假设”方向。ADF 检验的原假设是序列存在单位根也就是不平稳备择假设是平稳。很多新手把逻辑弄反了看到 p 值小于 0.05 就以为“拒绝不平稳”结果模型输出全乱套。一定要记牢p 小拒绝的是单位根存在说明序列平稳。数据频率也会影响判断。极端高频的数据比如逐笔 tick带有明显的微观结构噪声比如买卖价差反弹ADF 检验可能误判日频以上相对干净一般不会出问题。2.2 从 MA 到 ARMAARIMA条件均值的基础工具箱平稳收益序列接下来要讨论的是条件均值结构。换句话说今天收益率的期望值是否受到昨天或更早收益率的影响。这里有个金融经验法则日频收益率的自相关通常很弱但并非完全为零尤其在短周期、流动性较差的市场、特定行业指数上滞后一阶或数阶的自相关偶尔显著。经典工具是 ARMA 模型AR 项用滞后自身解释当前值MA 项用滞后随机误差解释当前值两者结合成 ARMA(p, q)。如果数据非平稳再加入差分数就得到 ARIMA(p, d, q)。课程笔记里对 MA、AR、ARMA 的理论性质做了一堆推导但实际应用中最有价值的判断工具是 ACF 和 PACF 图。ACF自相关函数在 MA(q) 模型的第 q 阶后应截尾即 q 阶之后快速掉到置信区间内。PACF偏自相关函数在 AR(p) 模型的第 p 阶后应截尾。如果 ACF 和 PACF 都呈拖尾衰减说明需要 ARMA 混合模型。这个“截尾 vs 拖尾”的判断在纯理论课堂上看起来很清楚一到真数据上你就知道什么叫模糊地带了。样本长度、随机波动、异常值都会让 ACF/PACF 的尾巴拖得很不干净。我的习惯是先用信息准则 BIC/AIC 做候选模型扫描再结合 ACF/PACF 肉眼确认而不是反过来硬套截尾规则。还需要提一句MA 项在金融收益建模中有特殊的“经济含义”。一个显著的负 MA(1) 系数往往被解读为短期反转效应的痕迹前面说的买卖价差反弹或短时过度反应都會形成这种负自相关换句话说今天涨了明天常回调。你做的模型不是纯粹在拟合曲线它其实在捕捉市场中某种持续性或反转性的行为特征。2.3 GARCH 族模型条件波动率才是重头戏如果说 ARIMA 是金融时序建模的“前锋”GARCH 就是真正的“中场发动机”。金融收益率序列的残差即使过滤掉均值结构仍然表现出波动率聚集和厚尾这就逼迫你抛弃“残差方差恒定”的假设转而让方差本身成为一个随时间演变的随机过程。最基础的 ARCH(q) 模型把当前方差表达为过去 q 期残差平方的线性组合。这解决了波动率聚集的问题但往往需要较高的 q 阶才能拟合好数据。实务中更容易碰到的是 GARCH(1,1)它引入一个自身的滞后项整个模型用三个参数就能刻画方差缓慢衰减的特征。写一下最常用公式的直觉方差 长期平均方差 × 某个常数 过去残差平方的贡献 上一期方差的延续。这个结构非常优雅它表达了一个重要结论一次大的冲击会造成波动率升高但波动率不会立刻消失而是缓慢衰减。衰减速度由 GARCH 项系数决定系数越接近 1冲击的半衰期越长。课程笔记里还专门讲了几种 GARCH 变体EGARCH 能捕捉非对称性即利空和利好对波动的影响不同GJR-GARCH 也能处理杠杆效应IGARCH 处理方差接近单位根的情况M-GARCH 结合了条件均值与波动率适合做预期收益与风险的联合建模。实际做模型选择时我的经验是先用 GARCH(1,1) 搭底如果标准化残差的平方仍存在显著自相关再逐步提升阶数或换分布假设。换分布往往比加阶数更有效。金融收益率的标准化残差通常具有厚尾特征用 Student-t 分布或偏斜 Student-t 分布替代正态分布模型的拟合优度和 VaR 预测能力都会明显改善。2.4 协整与误差修正多资产建模的桥梁单个序列讲完课程笔记后半段把视角拉到了多个金融时间序列之间的关系上。两个或多个不平稳序列它们的某种线性组合却可能是平稳的这就是协整。协整的经济解释非常直观资产价格之间可能存在长期均衡关系短期可能会偏离但偏离会慢慢修正。协整检验的典型路径是 Engle-Granger 两步法先对两列价格序列做线性回归再对残差做单位根检验。如果残差平稳说明存在协整关系。另一种常用方法是 Johansen 检验适合多变量、多协整向量的情况但样本量需求大、滞后期敏感。一旦确认协整关系就可以构造误差修正模型VECM把短期动态和长期均衡同时纳入一个框架。误差修正项的系数代表偏离均衡后的回调速度。这里要提醒一个交易视角的应用协整是配对交易的基因。假设两只同类资产价格长期同涨同跌某日它们的价差突然拉大你可以在价差回归均值的方向下注。但协整关系在真实市场中是会发生结构性变化的比如企业基本面变化、监管规则调整、市场结构突变都可能让旧协整关系失效。所以回测里协整关系成立不意味着未来永远成立需要滚动窗口定期复查。3. 建模流程实操从数据到手把手搭出 GARCH 模型这里分享一条我多次验证过的完整操作路径你按这个顺序走少走很多弯路。3.1 数据准备与前期变换拿到原始价格序列的第一件事永远不是建模而是清洗和变换。具体步骤很固定处理缺失值金融数据偶尔有停牌、交易所故障、节假日不齐等问题先看缺失比例。计算收益率常规用对数收益率即log(P_t) - log(P_{t-1})。对数收益率可直接相加日收益率汇总成周收益率、月收益率都很方便。异常值诊断画出收益率时序图标注绝对值超过 4~5 倍标准差的位置再决定是保留、缩尾还是剔除。我这里说一句很多人不听但我必须强调的除非数据明显是错误记录比如价格变成负数、小数点错位否则不要随意剔除极端收益因为金融时序里极端值本身就是信息它们通常是后续波动率上升的导火索。把大波动剔掉了你的波动率模型就学不到聚集效应的本质。3.2 平稳性与均值结构建模对对数收益率序列做 ADF 检验。正常情况你会在 1% 显著性水平下拒绝单位根假设。如果股指收益率仍有微弱自相关特别是滞后一阶显著可尝试拟合 AR(1)、MA(1) 或 ARMA(1,1)。选择均值结构时我坚持两个原则第一越简约越好不要为了消除自相关堆一堆参数金融收益率均值自相关本身就很弱第二残留自相关要交给残差诊断去判断而不是靠肉眼。均值模型定好后提取残差序列后续的波动率建模都基于这份残差。3.3 ARCH 效应检验与 GARCH 建模在建立波动率模型之前先确认残差是否真的存在条件异方差。常用方法是 ARCH-LM 检验拉格朗日乘子检验把残差平方对自身滞后项做回归看回归是否显著。也可以直接画出残差平方的 ACF 图如果前几阶自相关显著超出置信带就可以上 GARCH。模型设定步骤先拟合 GARCH(1,1)正态分布。检查标准化残差是否还有 ARCH 效应方法是对标准化残差平方做 Ljung-Box 或 ARCH-LM 检验。如果标准化残差本身厚尾明显改用 Student-t 分布重新拟合。比较 BIC/AIC 和标准化残差的 QQ 图选出合适的模型。这里有一个细节GARCH(1,1) 的系数和通常接近 1比如 α≈0.08、β≈0.90加起来的和约 0.98说明波动率冲击衰减很慢。如果 αβ 超过 1说明模型的方差过程不稳定你选的模型可能有问题或者数据处理不干净导致伪异方差建议回溯检查。3.4 模型预测与风险指标计算模型拟合完毕后可以做两类预测条件波动率预测从最后一天的方差状态出发递归计算未来一周的逐日方差日频方差加总再开根号得到周度波动率预测。VaR 计算如果模型是正态分布VaR_95 均值预测 - 1.65 × 波动率预测如果使用 Student-t 分布需要查 t 分布的分位数。实际经验是Student-t 假设下的 VaR 在高置信水平下明显更贴近真实尾部风险。计算时注意GARCH 模型的预测是逐步衰减到长期平均方差的预测期越长波动率越接近长期均值。用这个特性可以做一个简单的均值回归波动率策略但永远不要忽略极端事件造成方差跳升的可能性——模型预测方差不会把“下一次危机”事先算进去。4. 常见问题与排查技巧实录4.1 案例一ACF 图上全阶显著某次我用某行业指数日收益率建模ACF 图显示前十阶全部显著但 PACF 只有前两阶有尖峰。一般人的第一反应是把这个当 ARMA 高点拖尾处理但我的做法是先检查数据本身。排查后发现是某个时段的指数没有按规定时间同步更新导致同一收益率被重复计算。清洗后 ACF 显著度大幅下降再拟合 ARMA(2,0)残差干净很多。这个案例的教训是ACF 上出现大面积显著先怀疑数据质量问题再怀疑模型结构。4.2 案例二GARCH 系数加总超过 1有一次拟合某只商品期货的收益率GARCH(1,1) 的 αβ 竟然达到了 1.04方差过程理论上是非平稳的。我查了一下数据发现那段时期有连续停牌叠加强制平仓的极端行情日收益率的方差本身存在结构性跳变。解决思路是换成分段建模把极端行情区间单独处理或者改用含外生虚拟变量的 GARCH 模型在极端时段增加一个方差跳跃项。最终拟合结果稳定下来αβ≈0.97。4.3 案例三样本内拟合很好预测一塌糊涂这是最常见的问题。原因大多是过拟合了噪声比如在均值模型中塞了很多不显著的滞后项或者在波动率模型中用了很高阶的 ARCH。金融时间序列信号弱参数一多样本内拟合必然漂亮但预测能力会崩溃。我的建议是采用滚动窗口回测固定窗口长度比如 500 个交易日或者逐步扩展窗口每滚动一次重新估计参数然后预测下一期最终统计预测区间是否准确覆盖真实值。这种回测方式比单一样本内 AIC 对比更有说服力因为它直接检验你模型的泛化能力。4.4 一张表记住常见坑症状可能原因解决方向价格序列 ADF 无法拒绝单位根正常现象价格一般不平稳对对数收益率建模收益率 ACF 多阶显著数据清洗不彻底/交易日不同步检查重复值、异常值处理标准化残差仍厚尾正态分布假设不足改用 Student-t 或偏斜 t 分布标准化残差平方仍自相关GARCH 阶数不足尝试 GARCH(2,1) 或 EGARCHαβ1数据结构突变/极端行情分段建模或加虚拟变量样本内好但样本外差过拟合减少参数、滚动验证两个价格序列各自不平稳但价差平稳存在协整试点 VECM 或配对交易5. 课程笔记之外的几条个人主观实操经验笔记里最后有一句话让我印象很深“模型只是帮助我们理解市场的放大镜不是市场的本身。”我想展开说一下这句话在我实际使用时是什么样的。第一个体会是模型参数稳定性比模型 AIC 排名重要得多。两个模型 AIC 只差 0.5选哪个其实无所谓但如果某个模型在最近 200 天滚动估计中参数忽高忽低剧烈震荡这样的模型你基本无法信任。好的模型在滚动窗口中参数应该相对平稳即使波动率上升系数也只在合理区间内小幅度变动。第二个体会是波动率的“半衰期”值得专门观察。GARCH 模型估计出的 αβ 越接近 1波动率衰减越慢这意味着一次冲击对远期风险的影响持续时间更长。如果你在做风险预算这个半衰期决定了你应该把较多风险额度留给当前阶段还是等比分配到远期。第三个体会来自某次做资产配置模拟。我把多个资产的 GARCH 预测方差放到协方差矩阵里做组合优化效果不如直接用指数加权移动平均EWMA的方差快照。原因是 GARCH 预测方差更平滑适合中长期风险测度而组合优化这种对短期波动率变化敏感的应用EWMA 的实时反应速度反而更贴合。工具选型永远取决于用途没有全能模型。第四点是我认为课程笔记里最有价值、但最容易被跳过的一句话诊断永远比拟合重要。模型参数再怎么漂亮标准化残差里要是还藏着可预测的结构说明某些信息没有被模型吸收要么是均值结构没捕捉到要么是分布假设有问题要么是改用非线性模型。偶尔看到“参数显著”就觉得大功告成急着去划线写策略市场会立刻给你上生动一课。我个人在做完每一次建模项目后都有一个收尾动作把标准化残差的 ACF/PACF、QQ 图、以及预测区间的覆盖率统计三张图存成固定模板。下一次建模直接用同一套诊断标准比对省时省力也能提前发现一些潜在问题。建议你也这么做。