标签： #时间序列

经典均值回复(布林带 z-score)隐式假设价格是随机游走(H=0.5),用普通收益率白化偏离。但真实价格有 Hurst 记忆: H<0.5 黏均值、H>0.5 顺趋势。本文用分数布朗运动 fBm 从零复现「先估 H、再按 D=H+0.5 做分数差分」的自适应均值回复框架: R/S 在增量上干净分离三类 regime(0.44/0.59/0.73)、D=0.8 分数差分把残留记忆从 -0.245 压到 -0.088、蒙特卡洛 400 路径证明分数差分把趋势 regime 的 lag-1 自相关从 0.96 降到 0.04——即正确白化后,你不再把趋势误当成均值回复。附完整 Python 与六类真实陷阱(中阶)。

标准 ARIMA 用整数差分 d=1 把序列强行去趋势, 可金融序列(平方收益、已实现波动)的 ACF 不是指数衰减, 而是按幂律 c·k^(2d-1) 慢慢衰减——这种『长记忆』被整数差分一差就过差分、把慢衰减也差没了。ARFIMA 用分数差分 (1-L)^d (0<d<0.5 长记忆, d<0 反持续) 把这段长尾记忆窗口保留进模型。本文用 2 万点合成长记忆序列演示: 分数积分滤波器权重呈长尾、双对数 ACF 斜率反推出 d̂≈0.243(真值 0.30)、长期累积方差按 H^{2d} 幂律增长, 而短记忆 AR(1) 误判为线性, 在 H=250 时把长期风险低估到真实值的约 5%。附完整 Python 与五类真实陷阱(高阶)。

波动率不是一团模糊的『风险』——上行与下行、连续扩散与跳变，对未来波动的预测力完全不同。本文用已实现半方差(RSV)拆开涨跌，再用 HARQ 修正测量误差，样本外把 RV 预测的 RMSE 从 1.34 压到 1.27、QLIKE 同步下降，并逐一拆解跳变、杠杆效应与测量噪声这三道真实落地关。

协整不是『一旦成立就永远成立』。真实配对常在某天结构性断裂——对冲比漂移、价差从平稳变成随机游走。用滚动窗口 Engle-Granger 重估对冲比、用 DCC-GARCH 监测动态条件相关，把『关系断了』变成可检测、可自适应修复的信号；附完整 Python 与六类真实陷阱（高阶）。

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数阶差分 fracdiff 用 0<d<1 的阶数，在『平稳』与『记忆』之间取折中。本文从权重公式讲到 ADF 权衡曲线，配 4 张真实图表与完整 Python。

配对交易、统计套利、波动率聚类的本质问题都是「它多久回归一次均值？」OU 过程把均值回归写成 dx=κ(θ−x)dt+σdW，并给出一个干净的量：半衰期 HL=ln2/κ。本文用 AR(1) 斜率反推 κ 与 HL，并点明单位根、跳变、时变 κ 三大真实陷阱。