AR(1)（ 一阶自回归模型）与系数Phi
在时间序列分析和量化交易中，$AR(1)$ 是最基础也最核心的数学模型，而 $\phi$ (Phi) 则是这个模型的“灵魂系数”。它决定了整个系统的记忆力、稳定性以及回归速度。
1. 数学定义
$AR(1)$ 全称是 一阶自回归模型 (First-order Autoregressive Model)。其数学表达式为：
$$X_t = c + \phi X_{t-1} + \epsilon_t$$
- $X_t$：当前时刻的值（如价差 Spread）。
- $c$：常数项（截距）。
- $\phi$ (Phi)：自回归系数，即当前值对前一时刻值的依赖程度。
- $\epsilon_t$：白噪声（随机扰动）。
2. $\phi$ 的物理意义：系统的“性格”
$\phi$ 的取值直接决定了序列的统计特征。在均值回归策略中，我们对 $\phi$ 有着严格的期待：
A. 当 $|\phi| < 1$ 时：平稳系统（均值回归的基石）
这是均值回归策略唯一能运行的情况。
- 物理含义：系统具有“向心力”。无论价格偏离多远，最终都会被拉回到均值 $\frac{c}{1-\phi}$。
- 自相关性：表现为正或负的自相关，但随时间指数级衰减。
- $\phi$ 越接近 0：回归速度越快，系统几乎没有记忆（接近随机游走）。
- $\phi$ 越接近 1：回归速度极慢，系统有强烈的“持久记忆”。
B. 当 $\phi = 1$ 时：单位根（随机游走）
- 物理含义：系统没有固定的均值，今天的价格就是明天价格的最佳预测。
- 交易后果：均值回归策略失效。这就是为什么做 ADF 检验时，我们要拒绝“单位根假设”（即证明 $\phi$ 显著小于 1）。
C. 当 $\phi < 0$ 时：震荡系统
- 物理含义：系统表现出强烈的“负自相关性”。如果上一时刻是正的，这一时刻大概率是负的。
- 表现：价格曲线呈现剧烈的上下锯齿状，这是极短线套利者最喜欢的“高频震荡”特征。
3. $\phi$ 与“半衰期”的直接转换
在之前的讨论中，我们提到了半衰期 (Half-life)。在 $AR(1)$ 模型中，$\phi$ 直接决定了半衰期的长短：
$$Half\text{-}life = -\frac{\ln(2)}{\ln(|\phi|)}$$
- 如果 $\phi = 0.9$，半衰期约为 6.5 个单位时间。
- 如果 $\phi = 0.5$（回归极快），半衰期仅为 1 个单位时间。
4. 为什么 4H 报告中要在意这个？
回到你最初的问题，当样本量只有 100 条时，估计出的 $\phi$ 会存在偏差 (Bias)：
- 估计偏大：在小样本下，最小二乘法估计出的 $\phi$ 往往比真实值更接近 1。这会导致你误以为一个平稳的序列是不平稳的（Type II Error）。
- 稳定性差：100 条数据中如果出现一个极端值（Outlier），$\phi$ 的数值会剧烈跳动，导致你的均值回归信号从“强烈推荐”变成“不可交易”。
总结
$\phi$ 就是系统的“弹性系数”。
- 在均值回归中，我们寻找 $\phi$ 显著小于 1 且为正数（如 0.7~0.9）的资产，因为这代表了既有逻辑支撑、又有回归拉力的稳定系统。
- 如果 $\phi$ 变成了 0.99，即使统计上说它平稳，但在交易维度它已等同于随机游走。