趋势追踪 之 时间序列

时间序列分析

摘要

本文系统介绍了时间序列分析在金融趋势追踪中的应用。首先阐述了时间序列分析的两个核心概念：平稳性（通常使用对数收益率/收益率作为建模输入）和自相关性（通过ACF图和Ljung-Box检测）。然后详细讲解了均值模型（包括AR、MA、ARMA、ARFIMA等线性模型）和方差模型（包括GARCH、EGARCH等条件异方差模型）的理论基础、检验方法和建模流程。

实证部分通过对HC、CU、PTA三个期货品种主力连续合约的对数收益率数据进行分段建模分析，发现：

1. 除了慢牛阶段可用ARMA+GARCH建模外，大多数阶段表现为固定均值+异方差特征
2. 多数阶段存在明显的符号倾向（涨跌不对称性）
3. 条件异方差和符号倾向在金融时间序列中普遍存在

结论指出：从时序模型角度看，条件异方差和符号倾向对基于波动率的风险管理有重要启示；从趋势跟随角度看，均值模型仅在特定市场阶段有效；未来可进一步探索非线性模型的应用。

趋势追踪是一个基于时间序列的策略， 所以对时间序列分析有必要深入研究一下。

平稳性：

平稳性是时间序列分析理论的基础，但对大多数股票/期货价格而言，并不满足平稳性。所以一般用对数收益率/收益率作为建模的输入数据。

弱平稳性： 基本上没有强平稳序列，但把均值稳定，方差固定的序列称为弱平稳序列
检测： ADF检测常用于检测时序是否平稳，

自相关性：

t 时刻 数据 与 t 时刻之前的 数据存在统计上显著相关性，就存在均值的自相关性

自相关图 ACF图 用于观察自相关性

检测： Ljung-Box检测常用于检测相关性

均值模型：

前提假设： 方差稳定
线性模型： 常数均值， AR模型， MA模型 ， ARMA模型 ， ARFIMA模型

AR/MA/ARMA : 是一个家族
可以写成

简写：

ARFIMA模型： 支持长期记忆
检验： 常用 Ljung-Box检测，判断自相关性，GPH 检测长期记忆 。

• 无自相关，拟合常数均值，
• 自相关 + 长期记忆 用 ARFIMA
• 自相关 + 无长期记忆 用 ARMA 统一建模

定阶： ARMA 模型需要 确定阶数 p,q 。 一般遍历p, q 组合 同AIC/BIC 定阶
**AIC： **

方差模型：

均值模型的前提假设在金融数据中往往是不成立，方差是时变的，即是条件异方差/波动率聚集。 同时金融数据中方差方向也可能不一样的，比如跌比涨的波动大。所以对其建模。

GARCH模型： 条件异方差建模

GARCH(1,1): GARCH(1,1) 已经能解释绝大多数资产的波动率特征：

EGARCH 模型： 考虑方差倾向性， 比如跌的波动率比涨的多。
检验： 一般通过ARCH-LM 检验 判断是否存在波动聚集。存在需要
模型判断

• ARCH-LM 检验是否有波动聚集
• Engle-Ng 检测是否符号偏差
• 无波动 拟合固定方差
• 有波动 + 符号偏差 用 EGARCH 模型
• 有波动 + 无符号偏差 用GARCH模型

方差建模流程：

• 先用自相关性，建立均值模型，计算初始残差
• 初始残差，拟合方差模型
• 拟合后的方差模型 + 之前均值模型， 重新拟合阶数和参数
• 计算残差， 检验残差

实证

用三个期货品种做时序建模实证， 输入均是对数收益率数据。
历史数据分段做时间序列建模，分段原则趋势/波段

HC 主力连续合约 （后复权）

结果：
结论：

1. 除了第一段的慢牛过程，可以用ARMA + GARCH 建模， 后续快速上涨和震荡下跌都是固定均值 + 异方差
2. 下跌阶段有了明显的符号倾向

CU 主力连续合约（后复权）

结果：

总结：
1 还是除了第 5 段慢牛 可以用 ARAMA + GARCH 建模外，其余都是固定均值 + 方差模型
2 其余几段都显示了符号偏向，而且上涨阶段 > 下跌阶段

PTA 主力连续合约（后复权）

结果：

总结：
1 第二 第三阶段两个极端行 出现了 两个 均值模型 + 常数方差 ，
2 其余阶段都表现除了符号倾向 和 波动率聚集

结论

1. 从时序模型的角度，除了慢牛/急涨/急跌阶段，几乎所有阶段都表现除了条件异方差和符号倾向。 这对后续基于波动率的风险管理有着重要的启示。
2. 从趋势跟随的角度， 只有慢牛/急涨/急跌的情况，均值模型才登场。所以很难从时序模型均值角度对趋势有判断
3. 目前只是线性模型，非线性LTSM，马尔可夫状态机制等后续再分析。