Investor's wiki

串行相关

串行相关

什么是串行相关?

当观察到变量和其自身的滞后版本(例如在时间 T 和 T-1 的变量)在一段时间内彼此相关时,序列相关发生在时间序列中。当变量的水平影响其未来水平时,重复模式通常显示出序列相关性。在金融领域,技术分析师使用这种相关性来确定证券的过去价格对未来价格的预测程度。

序列相关类似于自相关或滞后相关的统计概念。

串行相关性解释

统计中使用序列相关来描述特定时期内同一变量的观测值之间的关系。如果一个变量的序列相关性被测量为零,则不存在相关性,并且每个观测值彼此独立。相反,如果变量的序列相关性偏向于 1,则观察结果是序列相关的,并且未来的观察结果会受到过去值的影响。本质上,序列相关的变量具有模式并且不是随机的。

当模型不完全准确并在实际应用中导致不同的结果时,就会出现错误项。当来自不同(通常是相邻的)时期(或横截面观察)的误差项相关时,误差项是序列相关的。当与给定时期相关的错误延续到未来时期时,序列相关性出现在时间序列研究中。例如,在预测股票分红的增长时,高估一年会导致高估后续年份。

序列相关可以使模拟交易模型更加准确,有助于投资者制定风险较小的投资策略。

技术分析在分析证券模式时使用序列相关性度量。该分析完全基于股票的价格变动和相关交易量,而不是公司的基本面。技术分析的从业者,如果他们正确使用序列相关性,识别和验证盈利模式或证券或一组证券,并发现投资机会。

序列相关的概念

串行相关最初用于工程中以确定信号(例如计算机信号或无线电波)与自身相比如何随时间变化。随着经济学家和计量经济学从业者使用该指标来分析经济数据,这一概念在经济界越来越受欢迎。

几乎所有大型金融机构现在都有量化分析师,也就是所谓的 quants。这些金融交易分析师使用技术分析和其他统计推断来分析和预测股市。这些建模者试图识别相关性的结构,以改进预测和战略的潜在盈利能力。此外,识别相关结构可以提高基于模型的任何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。

量化是许多金融机构成功不可或缺的一部分,因为它们提供了市场模型,然后该机构将其用作其投资策略的基础。

串行相关最初用于信号处理和系统工程,以确定信号如何随时间变化。 1980 年代,经济学家和数学家涌向华尔街,将这一概念应用于预测股票价格。

Durbin-Watson (DW) 检验确定这些量化之间的序列相关性。相关性可以是正的也可以是负的。显示正序列相关性的股票价格具有正模式。随着时间的推移,具有负序列相关性的证券会对自身产生负面影响。

## 强调

  • 序列相关的变量表明它可能不是随机的。

  • 序列相关性是给定变量与其自身滞后版本在不同时间间隔内的关系。

  • 技术分析师验证证券或证券组的盈利模式,并确定与投资机会相关的风险。

  • 它衡量一个变量在给定过去值的情况下的当前值之间的关系。