3. 金融时间序列特征

在把深度学习模型用于金融波动率预测之前，必须先理解金融时间序列本身的统计特征。很多初学者直接套用图像或语音领域的网络结构，结果在验证集上表现尚可，一到实盘就迅速失效。根本原因往往不是网络不够深，而是忽略了金融数据与常规序列在分布、相关结构和方差行为上的本质差异。本节围绕五个核心特征展开：非平稳性、自相关性、异方差性、厚尾分布与长记忆性，并说明它们分别对建模策略产生什么约束。

一、核心原理：五个特征分别意味着什么

非平稳性指序列的均值、方差或自协方差结构随时间改变。价格序列通常是非平稳的，而收益率序列更接近弱平稳。若直接把原始价格喂给模型，网络很容易学到“时间趋势”而非“波动规律”，导致样本外泛化能力差。

自相关性指当前值与过去值存在统计依赖。收益率本身的自相关通常很弱，但收益率的绝对值或平方序列却表现出显著自相关——这正是波动率聚集的统计表现，也是GARCH族模型和深度学习波动率模型能够工作的基础。

异方差性指方差随时间变化，且往往成簇出现：大波动后面跟着大波动，小波动后面跟着小波动。这一特征直接决定了损失函数的设计——若假设噪声方差恒定，模型会低估极端风险。

厚尾分布指极端值出现的概率远高于正态分布。金融收益率峰度通常显著大于3，意味着尾部风险不可忽略。用均方误差训练时，少数极端样本会主导梯度，模型可能被“拉偏”。

长记忆性指自相关函数衰减缓慢，过去很久的冲击仍对当前有影响。波动率序列常表现出这种特性，普通RNN难以捕捉长程依赖，需要LSTM、GRU或带注意力机制的模型。

二、方法流程：从特征诊断到建模决策

面对一段金融时间序列，建议按以下流程推进，而不是直接开始搭网络。

1. 平稳性检验：用ADF或KPSS检验判断序列是否平稳。若价格非平稳，转为对数收益率或差分序列。
2. 自相关分析：绘制ACF/PACF，分别观察收益率、绝对值收益率、平方收益率。若平方序列自相关显著，说明存在波动聚集。
3. 异方差检验：用Ljung-Box检验平方序列，或观察滚动标准差。若显著，考虑GARCH类标签或波动率目标。
4. 厚尾诊断：计算偏度、峰度，绘制QQ图。若峰度远大于3，避免使用纯MSE，改用Huber损失或分位数损失。
5. 长记忆评估：观察ACF衰减速度，或用Hurst指数粗略判断。若衰减缓慢，优先选择LSTM、GRU或Transformer。

三、案例/场景：用代码快速诊断五个特征

下面以一段模拟的金融收益率序列为例，展示如何用Python快速完成特征诊断。实际项目中可将数据替换为真实标的的日频收益率。

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller, acf
from scipy import stats

np.random.seed(42)
n = 2000
# 模拟带波动聚集和厚尾的收益率
vol = np.zeros(n)
vol[0] = 0.01
for t in range(1, n):
    vol[t] = 0.0001 + 0.1 * (vol[t-1]**2) + 0.85 * vol[t-1]
eps = stats.t.rvs(df=4, size=n)
ret = vol * eps

# 1. 平稳性
adf_p = adfuller(ret)[1]
print("ADF p-value:", round(adf_p, 4))

# 2. 自相关（平方序列）
acf_sq = acf(ret**2, nlags=20)
print("ACF of squared returns (lag1-5):", np.round(acf_sq[1:6], 3))

# 3. 厚尾
print("Skewness:", round(stats.skew(ret), 3))
print("Kurtosis:", round(stats.kurtosis(ret), 3))

# 4. 异方差：滚动标准差
roll_std = pd.Series(ret).rolling(60).std()
print("Rolling std range:", round(roll_std.min(), 5), "-", round(roll_std.max(), 5))

运行后若看到ADF p值很小、平方序列ACF显著为正、峰度远大于3、滚动标准差波动明显，就说明五个特征同时存在。此时若直接用普通MLP预测收益率，模型很难学到有效规律。

四、误区与复盘：常见建模陷阱