追蹤隨機漫步：非恆定時間序列與趨勢預測的危險邊界

在量化金融的實務世界中，我們經常面對一個殘酷的現實：市場從來都不是完美的靜態系統。資產價格、總體經濟指標與交易量，無一不隨著時間推移而演變。這些數據往往不具備協方差平穩性 (Covariance Stationary)，這意味著它們的均值、變異數或自協方差會隨著時間改變。若我們強行將傳統的自我迴歸 (Autoregressive) 或移動平均 (Moving Average) 模型套用於這類數據上，不僅會產生虛假關係 (Spurious Relationships)，更會導致預測徹底失效。因此，理解並處理非平穩時間序列 (Non-Stationary Time Series)，是每一位量化分析師的必備技能。

非平穩時間序列的來源可以歸納為三大類別：時間趨勢 (Time Trends)、季節性 (Seasonality) 以及單根 (Unit Roots) 或稱隨機漫步 (Random Walks)。其中，時間趨勢與季節性屬於決定性趨勢 (Deterministic Trends)，而單根則屬於隨機性趨勢 (Stochastic Trends)。我們的核心任務，是透過精確的數學建模與轉換技術，將這些非平穩序列去趨勢化 (Detrended) 或差分化 (Differenced)，從而萃取出可以進行有效預測的平穩殘差。

時間趨勢反映了數據隨時間持續增加或減少的現象。最直觀的線性時間趨勢 (Linear Time Trend) 模型假設變數每期變動的絕對量為常數：

然而，在金融與經濟學中，線性模型存在兩大缺陷：首先，若趨勢向下，最終將產生不合常理的負值（如價格或產量）；其次，恆定的絕對增長量隱含著隨時間遞減的成長率。因此，我們通常需要引入非線性時間趨勢 (Nonlinear Time Trend)，例如二次多項式模型：

更常見的是對數線性模型 (Log-Linear Model)，該模型假設變數以恆定速率成長，非常適合模擬資產的複利增長：

若成長率本身也在變動，我們可進一步擴展為對數二次模型 (Log-Quadratic Model)：

一旦估計出趨勢並將其移除，剩下的去趨勢序列若符合協方差平穩但非白噪音 (White Noise)，我們便可利用自迴歸滑動平均 (ARMA) 技術進行更精準的預測。對於 $h$ 期的預測值，其 95% 信賴區間可表示為預測值加上減去 1.96 乘以迴歸殘差的標準差。

季節性是指時間序列中每年重複出現的固定模式，例如零售業的年底銷售旺季，或農產品受天氣影響的週期性波動。廣義而言，日內或週內的週期性波動則稱為日曆效應 (Calendar Effects)。

處理季節性最有效的技術之一是在迴歸中引入季節性虛擬變數 (Seasonal Dummy Variables)。以純季節性虛擬變數模型 (Pure Seasonal Dummy Variable Model) 為例：

此處必須嚴格遵守一個統計學法則：為避免多重共線性 (Multicollinearity) 導致模型失效，虛擬變數的數量必須比季節頻率少一（例如季度數據使用三個虛擬變數，月份數據使用十一個）。被省略的季節（如第四季）其平均值即為截距項 $\beta_0$，而其他虛擬變數的斜率係數則代表該季與省略季之間的平均差異。我們也可以結合時間趨勢與季節性，構建包含趨勢與季節性的預測模型。此外，季節性差分 (Seasonal Differencing) 也是另一種強大的替代方案，透過模擬當期與去年同期之間的差異來消除季節性。

隨機漫步是金融資產價格最常見的行為模式，其本質上是單根過程 (Unit Root Processes) 的一個特例。在隨機漫步中，當期值等於前期值加上一個隨機衝擊：

透過遞迴代入，我們可以發現當期觀測值實際上是初始值與所有歷史隨機衝擊的總和：

這種特性導致隨機漫步的變異數會隨時間無限放大，且不具備均值回歸 (Mean Reversion) 特性，完全破壞了協方差平穩性。若我們對具備單根的序列直接配適 ARMA 模型，其估計參數將服從不對稱的迪基-富勒分配 (Dickey-Fuller Distribution)，嚴重影響模型選擇與預測的有效性。

為了檢定時間序列是否包含單根，業界標準的作法是擴充迪基-富勒檢定 (Augmented Dickey-Fuller Test)。其核心在於檢驗落後項 $y_{t-1}$ 的係數是否在統計上顯著小於零：

在此檢定中，虛無假說為 $\gamma = 0$（存在單根，序列為隨機漫步）。若我們能拒絕虛無假說（即 $\gamma < 0$），則代表序列是協方差平穩的。面對單根序列，標準的解決方案是取一階差分 (First Differences)，將模型轉化為預測變數的期對期變動。若一次差分不足，則可進行二次差分，但必須避免過度差分 (Overdifferencing)，以免徒增模型複雜度。

量化模型的優劣，往往取決於對數據底層特徵的深刻理解。面對非平穩時間序列，我們不能盲目套用平穩性模型。我們必須首先透過擴充迪基-富勒檢定來診斷單根的存在，並藉由視覺化與統計分析辨識時間趨勢與季節性。透過對數轉換消除指數成長、利用虛擬變數捕捉週期波動，以及運用一階差分馴服隨機漫步，我們才能在這充滿雜訊與非平穩性的市場中，建構出真正具備預測能力且強健的量化交易模型。