时间序列分析是量化投资中的基本技术。 时间序列是指利用统计手段分析过去的变量，从而对该变量的变化特性进行建模，预测未来。 金融时间序列分析要求用户具备一定的高等数学知识。
金融时间序列分析考虑了金融变量随时间变化的理论和实践。 由于金融时间序列中含有不确定因素，统计学理论和方法在金融时间序列分析中至关重要。 例如，股票的日收益率是离散的时间序列。 以下是一些基本的重要概念。
趋势：趋势是时间序列继续向某个方向移动。 趋势经常出现在金融时间序列上，特别是大宗商品价格上。
季节变化：许多时间序列都包含着季节的变化。 在金融领域，商品价格的季节性变化，特别是与增长季节和温度变化相关的商品，例如天然气很常见。
序列相关性：金融时间序列最重要的特征之一是序列相关性，也称为自相关性。 以投资品收益率序列为例，经常可以观察到一定时期的收益率之间存在正相关或负相关。
随机噪声是时间序列中去除趋势、季节变化、自相关后的剩馀随机扰动。 由于时间序列具有不确定性，随机噪声总是混杂在时间序列中，时间序列表现出某种振动式的不规则运动。
弱稳定假设：只有有了稳定性假设，才能利用一定时期的历史数据计算日息的均值和方差。
量化投资的交易者的目标是利用统计建模来识别金融时间序列中的潜在趋势、季节变化和序列相关性。 金融时间序列建模的核心是捕捉该序列在不同间隔下的自相关性。 相关图可以清楚地刻画出任意时间序列在不同间隔下的自相关性。
下面是一些基本的时间序列模型。
l自回归模型：这是典型的线性回归模型。 与传统线性回归的不同之处在于，自变量是序列本身(历史观测值)，而不是其他变量。 这就是自我回归中“自”的由来。 p次是指模型使用当前时刻t之前的p个观测值作为自变量对t进行模型化。 最简单的自回归模型是ar(1)模型) p=1)，自回归模型不一定满足平稳性。
l滑动平均模型：对漂移率以外的“随机噪声”进行建模，将这些噪声理解为影响不同时间出现的收益率的新信息或冲击(shocks )。 通过对“噪声”进行建模来预测当前时刻t的“噪声”，并与漂移率进行组合，作为t时刻的收益率预测。 滑动平均模型一定满足稳定性。
l自回归滑动平均模型：一个p阶自回归模型与一个q阶滑动平均模型相结合，得到一个阶(p，q )自回归滑动平均模型，它与AR和MA模型的优势互补。
本质上，时间序列模型是能够“解释”时间序列中自相关性的数学模型。 【首席ggdxl】、跟着ggdxl，投资不会迷路。 用ggdxl的视野带着你逆袭人生！ 想多了，发表你的意见，ggdxl会和你一起成长！