第四部分：金融时间序列 —— ARMA 与 GARCH
原书的时间序列部分（平稳性、ARMA、GARCH）是全书数学密度最高的一块。本页告诉你这些模型在想什么、什么场景有用——以及为什么选股研究里它们反而不是主角。
时间序列视角 vs 截面视角
先把定位搞清楚（这决定了你该花多少时间学它）：
- 时间序列：一只股票（或指数）自己和自己的历史比——“沪深300 明天涨还是跌？”
- 截面：同一天几千只股票互相比——“哪只比哪只强？“（因子研究、本平台的主战场）
两个视角互补。时间序列工具在波动率建模、择时、风险管理里是主角，在选股里是配角。
平稳性：所有时序建模的前提
平稳 = 统计性质（均值、方差）不随时间漂移。价格序列不平稳（今天 10 元和十年前 2 元不可比），收益率序列近似平稳——这就是为什么一切建模都先把价格转成收益率。
不平稳的数据直接建模会产生伪回归：两个毫无关系但都在”涨”的序列，回归出漂亮的相关性。把大盘指数和你的年龄做回归，R² 会高得惊人——显然毫无意义。
ARMA：用自己的过去预测自己
ARMA 模型假设”今天的收益 = 过去几天收益的线性组合 + 过去几天误差的线性组合”。它是计量经济学的基石，但用在股票收益预测上有个尴尬的实证事实：日收益率的自相关极弱——市场接近有效，线性可预测成分小到几乎不够付手续费。
那学它干什么？两个理由：(1) 它是理解”可预测性”的标准语言（AR 系数显著 ≈ 存在动量/反转结构）；(2) 它是 GARCH 的语法基础。
GARCH：收益难预测，波动可以
金融时间序列最重要的实证规律：波动率聚集——大波动跟着大波动（危机期连续暴涨暴跌），小波动跟着小波动（平静期持续风平浪静）。收益的方向难预测，但”明天波动大不大”相当可预测。
GARCH 模型就是把这个规律形式化：“今天的方差 = 长期方差 + 昨天冲击的平方 × 权重 + 昨天方差 × 权重”。用途全在风险端：风险预算（波动率高时降仓）、期权定价、VaR 计算。
和选股的接口：本平台的 volatility_20（低波动因子）本质是用”过去 20 天实现波动”作为未来波动的预测——这背后正是波动率聚集规律在撑腰。GARCH 是同一直觉的精细版。
学到什么程度够用
| 你的目标 | 建议 |
|---|---|
| 用本平台做因子选股 | 理解本页概念即可，不必手推 GARCH |
| 做择时/风险管理研究 | 值得认真学，原书该部分可精读 |
| 读懂”尖峰厚尾""波动聚集”这些黑话 | 本页已经够了 |
对应本平台
- 一切收益计算用收益率不用价格（平稳性）；
volatility_20/60因子有效的实证根基 = 波动率聚集 + 低波动异象；- 回测报告的”年化波动”假设了波动可从历史估计——同样靠聚集规律撑腰。
动手：打开K 线行情页看任意股票 2015 年（股灾）和 2017 年（慢牛）的对比——大波动扎堆、小波动扎堆，波动率聚集用肉眼就能看见。
本页带走的三句话
- 价格不平稳、收益近似平稳——所以一切建模从收益率开始，否则得到伪回归；
- 收益方向难预测（ARMA 的尴尬），波动大小可预测（GARCH 的饭碗）；
- 选股研究里时间序列是配角，但”波动率聚集”直接撑起了低波动因子。