时间序列的自相关性
简单来说，自相关性（Autocorrelation） 就是一个序列的**“今天”和它的“昨天”有多像**。
在统计学上，它描述的是一个随机变量在不同时间点上的取值之间的相关程度。如果说普通的相关性（Correlation）是研究“身高和体重的关系”，那么自相关性就是研究“你今天的体重和昨天体重的关系”。
1. 直观理解：记忆力与惯性
我们可以把自相关性看作是系统的**“记忆力”或“惯性”**：
- 正自相关（Positive Autocorrelation）： 具有“惯性”。如果刚才在涨，现在大概率还在涨；如果刚才在跌，现在大概率还在跌。
- 例子： 气温。如果下午 2 点很热，下午 3 点通常也很热。
- 负自相关（Negative Autocorrelation）： 具有“反转性”。如果刚才在涨，现在大概率要跌。
- 例子： 均值回归的价差（Spread）。当它偏离中心太远时，会产生向相反方向运动的拉力。
- 无自相关（Zero Autocorrelation）： 具有“随机性”。过去发生什么对未来毫无影响。
- 例子： 完美的抛硬币结果，或者所谓的“白噪声”。
2. 数学上的定义
自相关性通常用 滞后阶数（Lag） 来衡量。
- Lag 1（一阶自相关）： $t$ 时刻与 $t-1$ 时刻的相关性。
- Lag $k$（$k$ 阶自相关）： $t$ 时刻与 $t-k$ 时刻的相关性。
其计算公式的核心是将时间序列与其自身平移 $k$ 个单位后的序列进行相关系数计算。
3. 在量化交易（尤其是加密货币）中的意义
为什么我们在分析 4H 报告或均值回归时如此在意它？
- 趋势探测： 如果一个币种的收益率在多个 Lag 上表现出显著的正自相关，说明它处于强趋势中，适合动量策略（Momentum）。
- 均值回归的底色： 均值回归策略（Mean Reversion）本质上是利用负自相关性。我们寻找那些在偏离均值后表现出强烈“反转记忆”的资产。
- 模型可靠性检测：
- 在做回归分析时，如果残差存在自相关性，说明你的模型“漏掉了信息”，没有把规律抓干净。
- ADF 检验（你之前关心的）之所以要选滞后阶数 $p$，就是为了消除自相关性的干扰，从而看清序列是否真的平稳。
4. 如何衡量？（ACF 图）
量化分析师通常会看 ACF（自相关函数）图。
- 横轴是滞后阶数（Lag）。
- 纵轴是相关系数（-1 到 1）。
- 如果柱条超出了蓝色阴影区域（置信区间），就说明该阶数上的自相关性是显著的，不是随机误差。
一句话总结：
自相关性告诉我们一个序列是否存在规律性的记忆。有记忆，我们才能建模；记忆的形状（结构），决定了我们用什么样的交易策略。