时间序列分析1

从统计学的角度去看，时间序列就是个随机过程，因此讨论时间序列之前，先要把随机过程的基本概念讨论清楚。

随机变量与随机过程
简单地理解随机变量与随机过程是不难的，但这里要从更严谨的角度去理解。当然，这里的严谨也没到测度论那种地步。

*定义1.1（随机变量）：一个随机变量$X$是以样本空间$\Omega$为定义域，以实数$R$为值域的函数，即$X: \Omega \rightarrow R$，并且满足：
(a) $(\Omega, \mathcal{F}, P)$是一个概率空间。这里的意思是，$\Omega$是样本空间，包含所有可能出现的实验结果，$\mathcal{F}$是一个$\sigma$-field，即满足
(a.1) $\emptyset \in \mathcal{F}$，
(a.2) 若$A_1,A_2, ... \in \mathcal{F}$，则$\bigcup\limits_{i=1}^{\infty} A_i \in \mathcal{F}$，
(a.3) 若$A \in \mathcal{F}$，则$A^c \in \mathcal{F}$，
，接着概率$P$是基于$\mathcal{F}$的测度，即函数$P: \mathcal{F} \rightarrow [0, 1]$，满足
(a.4) $P(\Omega) = 1$，
(a.5) $P(A) = 1 - P(A^c)$，
(a.6) 若$A_1, A_2, ... \in \mathcal{F}$，并且它们彼此互斥，则$P\Big( \bigcup\limits_{i=1}^{\infty}A_i \Big) = \sum\limits_{i=1}^{\infty} P(A_i)$；

(b) $\{ \omega \in \Omega: X(\omega) \leq x \} \in \mathcal{F}$，对于所有的$x \in R$。

---

注意，这些涉及到“无穷”的定义，如果非要刨根问底，就用集合论那套语言写出来即可，这里不妨写得“非严谨”点，方便直观理解。

定义1.1中的a部分是“标准”的概率定义，b部分说白了就是，要想$X$是一个“合法”的随机变量，那这个$X$函数必须满足对任意$x$，所有比$x$小的实数的原像（即某个$\omega$）组成的集合要是$\mathcal{F}$的子集。换句话说，你不能”随便”找一个$\Omega \rightarrow R$的函数，然后就说这个函数是随机变量。

有了随机变量的定义，接着就可以定义随机过程。
定义1.2（随机过程）：首先，$T$是一个index集合，比如非负整数集合$\{ 0, 1, 2, ...\}$。然后，一个随机过程$\{ X_t, t \in T \}$是一个随机变量的集合，这个集合与index集合$T$可建立一一对应关系，每个随机变量$X_t$都定义在同一个概率空间下。

随机过程就是一个随即变量的集合，我们只需找个索引集$T$与之对应。每个子集，即有限个随机变量序列$\{X_1, X_2, ..., X_n\}$，都对应了一个新的概率空间，它的样本空间可粗略理解成$\Omega^n$。

定义1.3（样本路径）：序列$\{ X_t(\omega), \omega \in \Omega, t\in T \}$称为定义在$(\Omega, \mathcal{F}, P)$上的随机过程$\{ X_t, t \in T \}$的样本路径（sample-path），或者称为一次实现（realization）。

对于一个随机变量$X$，它的分布函数（Distribution Function）表示为$F_X(x) = P(X \leq x), \ x \in R$。对于一个$n$维随机变量的序列（或向量），即$\textbf{X} = (X_1, ..., X_n)^T$，它的分布函数表示为$F_{\textbf{X}}(\textbf{x}) = P(X_1 \leq x_1, ..., X_n \leq x_n), \ \textbf{x} \in R^n$。

*定义1.3（随机过程的分布函数）：设，$\mathcal{T} = \{ \textbf{t} \in T^n: t_1< t_2< \cdots < t_n, n=1,2,... \}$。那么，称集合$\{ F_{\textbf{t}}( \cdot ), \textbf{t} \in \mathcal{T} \}$为随机过程$\{ X_t, t \in T\}$的分布函数，并且满足

Ft(⋅)=P(Xt1≤