《Python量化投资》笔记四——金融时间序列分析

Python量化投资

平稳性是金融时间序列分析中一个非常重要的概念。平稳的时间序列有着更好的统计特性，更便于建模分析。平稳性，直观地理解，就是时间序列的统计特性不随着时间的变化而变化。

对于一个随机过程，如果随着时间的变化，其表现的各个统计特性都不变，则称这个随机过程具有强平稳性。

一般来说，我们会假设金融序列是弱平稳性的。
弱平稳性并不要求所有的统计特性一直保持不变，只要求均值、方差以及协方差随着时间变化不发生改变即可。

平稳性是很多时间序列模型的基础。也就是说，在使用这些模型之前，一定要检验数据是否平稳。否则，建模的结果就是不可信的，比如，可能会出现“伪回归问题”。

ARIMA模型

白噪声序列: 时间序列{rt}如果具有有限均值和有限方差，并且是独立同分布随机变量序列，那么就称{rt}为白噪声序列。直观地理解，每一个观测值rt都像是重新摇了一次骰子而生成的。

白噪声的一个特例是高斯白噪声，即{rt}服从均值为0，方差为 $σ^2$ 的正态分布。

自相关系数

相关系统是用来衡量两个随机变量的线性相关性和相关程度的。

image.png

ARMA模型是AR模型和MA模型的一种结合形式。
自回归滑动平均（ARMA）模型。该模型的基本思想是将AR和MA模型的想法结合在一个紧凑的形式中，使所用参数的个数保持很小。对于金融中的收益率序列，直接使用ARMA模型的机会较少。

数据源和数据库

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。