4、时间序列基础：时间序列概念、平稳性、自相关性、滞后算子介绍
在赔付率尖峰检测中，历史赔付率数据通常以固定时间间隔（如日、周、月）记录，构成典型的时间序列。理解时间序列的基本概念、平稳性、自相关性和滞后算子，是构建有效检测模型的前提。
4.1 时间序列的基本概念
时间序列是按时间顺序排列的一组观测值。在保险场景中，常见的赔付率时间序列具有以下特征：
- 趋势（Trend）：长期上升或下降的总体方向，如因费率调整导致的赔付率结构性变化。
- 季节性（Seasonality）：固定周期内的规律波动，如冬季理赔高峰。
- 周期性（Cyclical）：非固定周期的经济或业务循环，如承保周期。
- 随机波动（Irregular）：无法解释的偶然因素，包括尖峰事件本身。
💡 实务提示： 赔付率尖峰检测主要关注“随机波动”中的异常值。在建模前，通常需要先剥离趋势和季节性成分，使尖峰信号更加突出。
4.2 平稳性（Stationarity）
平稳性是时间序列建模的核心假设。一个严格平稳的时间序列，其统计性质（均值、方差、自协方差）不随时间变化。对于赔付率检测，我们通常要求序列满足弱平稳条件：
| 条件 | 数学表达 | 业务含义 |
|---|---|---|
| 均值恒定 | E(Yt) = μ | 赔付率长期平均水平稳定 |
| 方差恒定 | Var(Yt) = σ² | 赔付率波动幅度不随时间扩大或缩小 |
| 自协方差仅与滞后阶数有关 | Cov(Yt, Yt-k) = γk | 过去与现在的相关性模式稳定 |
如果原始赔付率序列非平稳（常见于有趋势或季节性的数据），需要通过差分或变换使其平稳：
- 一阶差分：ΔYt = Yt - Yt-1，消除线性趋势。
- 季节差分：ΔsYt = Yt - Yt-s，消除固定周期波动。
- 对数变换：log(Yt)，稳定方差。
⚠️ 常见误区： 直接对非平稳序列计算阈值（如均值±3σ）会导致大量误报。因为趋势会使均值漂移，季节性会使方差被高估。务必先检验并处理平稳性。
4.3 自相关性（Autocorrelation）
自相关性衡量当前观测值与历史观测值之间的线性依赖程度。在赔付率序列中，今天的赔付率往往与昨天的赔付率相关，这种“记忆性”是尖峰检测的重要线索。
自相关函数（ACF）：
ρ(k) = Cov(Y_t, Y_{t-k}) / Var(Y_t)
其中：
- ρ(k) 为滞后 k 阶的自相关系数，取值范围 [-1, 1]
- |ρ(k)| 越接近 1，表示相关性越强
- 白噪声序列的 ρ(k) ≈ 0（对所有 k ≠ 0）偏自相关函数（PACF）：在剔除中间滞后项的影响后，Yt 与 Yt-k 的净相关关系。用于识别自回归模型的阶数。
📊 检测应用： 如果赔付率序列存在显著的正自相关（如 ρ(1) > 0.5），说明尖峰往往持续多日。此时告警阈值应考虑“连续超限”规则，而非单点判断。
4.4 滞后算子（Lag Operator）
滞后算子 L 是时间序列建模的简洁符号工具，定义为：L Yt = Yt-1。通过滞后算子，可以简洁地表达差分、自回归和移动平均模型。
| 运算 | 滞后算子表示 | 说明 |
|---|---|---|
| 一阶滞后 | L Yt = Yt-1 | 将序列向后移动一期 |
| k 阶滞后 | Lk Yt = Yt-k | 将序列向后移动 k 期 |
| 一阶差分 | (1 - L) Yt = Yt - Yt-1 | ΔYt 的算子形式 |
| 季节差分 | (1 - Ls) Yt | 消除周期为 s 的季节性 |
| 自回归 AR(p) | (1 - φ1L - ... - φpLp) Yt = εt | 当前值由 p 个历史值预测 |
| 移动平均 MA(q) | Yt = (1 + θ1L + ... + θqLq) εt | 当前值由 q 个历史误差预测 |
🔧 在尖峰检测中的使用： 滞后算子可以方便地构建“残差监控模型”。例如，先拟合 ARIMA 模型得到预测值 Ŷt，然后计算残差 et = Yt - Ŷt。当残差超过阈值时触发告警。滞后算子使得模型表达和编程实现（如 Python 的 statsmodels）都更加简洁。
4.5 平稳性检验与自相关分析在尖峰检测中的综合应用
将上述概念串联起来，在赔付率尖峰检测中的典型工作流如下：
- 数据准备：获取日/周赔付率序列，处理缺失值和异常值。
- 平稳性检验：使用 ADF 检验判断序列是否平稳。若 p-value > 0.05，则进行差分。
- 自相关分析：绘制 ACF 和 PACF 图，识别自回归阶数 p 和移动平均阶数 q。
- 模型拟合：使用滞后算子构建 ARIMA(p,d,q) 模型，得到预测值。
- 残差分析：计算残差序列，若残差为白噪声（ACF 无显著滞后），则模型有效。
- 阈值设定：基于残差的标准差或分位数设定告警阈值。
📌 关键检查点： 在设定告警阈值前，务必确认残差序列已无自相关结构。若残差仍存在显著自相关，说明模型未充分捕捉时间依赖关系，此时直接设定阈值会导致大量误报。应返回步骤 3 调整模型阶数。