序列相关性_Serial Correlations

什么是序列相关性？

序列相关性是指在时间序列中，当一个变量与其滞后版本（例如，在时间T和T-1时的变量）在一段时间内被观察到彼此相关时所出现的现象。当一个变量的水平影响其未来水平时，通常会显示出重复的模式与序列相关性。在金融领域，这种相关性被技术分析师用来评估某一证券的过去价格在多大程度上预测未来价格。

序列相关性类似于自相关或滞后相关等统计概念。

关键要点

• 序列相关性是指在不同时间间隔内，给定变量与其滞后版本之间的关系。
• 它衡量了在给定过去值的情况下，一个变量的当前值之间的关系。
• 具有序列相关性的变量表明，它可能并非随机。
• 技术分析师通过验证证券或一组证券的盈利模式，进而确定投资机会的风险。

序列相关性解析

序列相关性在统计学中用于描述同一变量在特定时间段内的观察之间的关系。如果一个变量的序列相关性被测量为零，说明没有相关性，观察值相互独立。相反，如果一个变量的序列相关性偏向于1，则这些观察是序列相关的，未来的观察受过去值的影响。简而言之，一个具有序列相关性的变量存在一定模式，而非随机。

当一个模型不完全准确时，会出现误差项，导致现实应用中结果不同。当来自不同（通常是相邻）时间段（或横截面观察）的误差项相关时，误差项就是序列相关的。在时间序列研究中，序列相关性发生在特定时期的误差影响到未来时期。例如，在预测股票分红增长时，一年的高估将导致后续年份的高估。

重要提示： 序列相关性可以提高模拟交易模型的准确性，这帮助投资者制定更低风险的投资策略。

技术分析在分析证券的模式时使用序列相关性的测量。这种分析完全基于股票的价格走势和相关交易量，而非公司的基本面。如果技术分析的从业者正确使用序列相关性，可以识别并验证证券或一组证券的盈利模式，从而发现投资机会。

序列相关性的概念

序列相关性最初用于工程学，以确定信号（例如计算机信号或无线电波）随时间的变化情况。随着经济学家和计量经济学从业者开始利用这一指标分析经济数据，这一概念在经济圈内逐渐受到了广泛关注。

几乎所有大型金融机构现在都拥有被称为量化分析师（quants）的专业团队。这些金融交易分析师运用技术分析和其他统计推断手段来分析和预测股票市场。这些模型师试图识别相关性的结构，以改善预测并潜在提高策略的盈利能力。此外，识别相关结构增加了任何基于该模型的模拟时间序列的真实性。准确的模拟降低了投资策略的风险。

量化分析师对许多金融机构的成功至关重要，因为他们提供的市场模型是这些机构制定投资策略的基础。

注意： 序列相关性最初用于信号处理和系统工程，以确定信号随时间的变化。在1980年代，经济学家和数学家蜂拥至华尔街，应用这一概念预测股票价格。

在这些量化分析师中，序列相关性通过杜宾-沃森（Durbin-Watson）检验来确定。其相关性可以是正向或负向。显示正向序列相关性的股票价格呈现出正向模式。而具有负向序列相关性的证券在时间上对自身产生负面影响。