时间序列之自相关函数

相关系数

两个随机变量$X$和$Y$的相关系数定义如下：
$$\begin{array}{rl}{\rho }_{x,y}& =\frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}\\ & =\frac{E[(X-{\mu }_x)(Y-{\mu }_y)]}{\sqrt{E(X-{\mu }_x{)}^{2}E(Y-{\mu }_y{)}^2}}\end{array}$$
其中，${\mu }_x,{\mu }_y$分别表示$X,Y$的均值，并假定方差是存在的。相关系数度量的是$X$和$Y$线性相关的程度。相关系数具有以下几个性质：

• $-1\le {\rho }_{x,y}\le 1$，说明相关系数处于$-1$到$1$之间；
• ${\rho }_{x,y}=\pm 1$的充分必要条件是，$X$和$Y$几乎处处有线性关系，即，存在$a(\ne 0)$与$b$，使得$P(Y=aX+b)=1$。

当我们有样本 { ( x t , y t ) } t = 1 T \{(x_t,y_t)\}_{t=1}^T {(xt​,yt​)}t=1T​，相关系数可以由样本相关系数估计出来，如下所示：
$${\hat{\rho }}_{x,y}=\frac{{\sum }_{t=1}^T(x_t-\overline{x})(y_t-\overline{y})}{\sqrt{{\sum }_{t=1}^T(x_t-\overline{x}{)}^2{\sum }_{t=1}^T(y_t-\overline{y}{)}^2}}$$
其中，$\overline{x},\overline{y}$分别是$X$和$Y$的样本均值。

自相关函数(Autocorrelation Function,ACF)¹

对于时间序列$r_t$，当我们考虑$r_t$与它的过去值$r_{t-i}$的线性相依关系时，可以把相关系数的概念推广到自相关系数。$r_t$与$r_{t-l}$的相关系数称为$r_t$的间隔为$l$的自相关系数，通常记为${\rho }_l$，在弱平稳性的假定条件下，它只是关于$l$的函数：
$$\begin{array}{rl}{\rho }_l& =\frac{Cov(r_t,r_{t-l})}{\sqrt{Var(r_t)Var(r_{t-l})}}\\ & =\frac{Cov(r_t,r_{t-l})}{Var(r_t)}\\ & =\frac{{\gamma }_l}{{\gamma }_0}\end{array}$$
这里用到了弱平稳性的性质$Var(r_t)=Var(r_{t-l})$。由定义²，我们有:

• ${\rho }_0=1$
• ${\rho }_l={\rho }_{-l}$
• $-1\le {\rho }_l\le 1$

当且仅当对所有的$l>0$，都有${\rho }_l=0$，则称一个弱平稳序列是序列不相关的。

样本自相关系数

对一个给定的样本序列 { r t } t = 1 T \{r_t\}_{t=1}^T {rt​}t=1T​，设 $\overline{r}$ 是样本均值，则$r_t$的间隔为1的样本自相关系数：
$${\hat{\rho }}_1=\frac{{\sum }_{t=2}^T(r_t-\overline{r})(r_{t-1}-\overline{r})}{{\sum }_{t=1}^T(r_t-\overline{r}{)}^2}$$
在某些一般性条件下，${\hat{\rho }}_1$是${\rho }_1$的相合估计。$r_t$的间隔为$l$的样本自相关系数可定义为：
$${\hat{\rho }}_l=\frac{{\sum }_{t=l+1}^T(r_t-\overline{r})(r_{t-l}-\overline{r})}{{\sum }_{t=1}^T(r_t-\overline{r}{)}^2},0\le l<T-1$$
若 { r t } \{r_t\} {rt​}是一个独立同分布序列，满足$E(r_t^2)<\infty$，则对任意固定的正整数$l$，${\hat{\rho }}_l$渐进的服从均值为0，方差为$\frac{1}{T}$的正态分布。

参考

---

1. Ruey S. Tsay.金融时间序列分析[D].王远林,王辉,潘家柱 译. ↩︎

2. 时间序列之相关概念 ↩︎