在量化交易中，掌握ARMA/GARCH 的重要性？
Table of Content
证券交易数据是非常典型的时间序列数据，而 ARMA 与 GARCH 又是两种常用的时间序列模型。如何评估这两种模型在量化交易中的作用？
先说结论：时间序列研究的本质是研究“数据随时间变化的规律"，并不是只要知道简单的 ARMA, GARCH 就够了。相反，ARMA, GARCH在量化交易中，只有部分场景（或者说构造出来的场景）下才能使用。
时间序列的特性可以有趋势性、季节性、周期性、平稳性、自相关性等。而 ARMA，GARCH应用的前提是平稳性和自相关性。如果一个时间序列只具有趋势性、季节性、周期性的特征，而不具有平稳性、自相关性的特征，那么就不适用这两种方法来进行研究。
01 行情数据不满足模型的前提¶
在交易性品种中，股票多具有趋势性（在国家存在的时间长度内，股票市值是GDP 的线性函数 -- 这是巴菲特指标（也称为资产证券化率）的数学含义-- 因而也就不具有平稳性。
当然，我们可以通过两支股票，构造出一定时间内满足平稳性要求的时间序列出来--这就是配对交易的来源。
此外，我们可以把资产收益率（如股票、期货）在高频（如分钟线）变化下的时间序列，近似地看成具有平稳性和自相关性，于是可以使用ARMA 来进行短时价格预测。这可能是你所说的 high frequency trading 中，是不是只要知道 ARMA/GARCH 就够了的原因。
所以，综上来看，个人以为，ARMA/GARCH 在量化交易中有用武之地，但绝非处处可用，一用就灵。
02 时间序列不仅仅是证券¶
再举一个例子。比如， Facebook有一个很有名的 time series 库，叫 Prophet, 如果你搜索 time series 工具库，很可能会搜索到它。
尽管它也是用来预测时间序列的，但不太适用于证券交易，为什么呢？
Prophet 是基于加法模型（趋势 + 季节性 + 节假日效应）设计，非常适合业务场景中的时间序列预测（如销售额、流量、用户增长等），尤其对含有强季节性、缺失值或异常值的数据具有较好的鲁棒性。
在股票交易中，存在一定的季节性因素。但股票交易中的季节性因素，不像商品价格、尤其是消费品价格、销量中的季节性因素那样显性。所以，如果你拿它来炒股，基本上是无效的。证券交易中的季节性效应与消费市场有很大的不同，并且效应要弱很多。
所以，并非所有的时间序列模型都适用于证券交易。用在 ARMA/GARCH 身上也是一样。
03 证券交易中的时间序列特点¶
总之，个人以为，quant trading中的 time series，与其它领域所说的 time series 既相似又相区别，不能简单地套用其它领域中的算法、规律和函数库。
根本原因在于，自然界中的时序规律一旦产生，会在很长一段时间内是固定的、无漂移地；但是证券市场中，价格的确定由交易者决定。交易者预测『规律』，又在运用『规律』的过程中，改变『规律』。所以，在证券交易中，规律总在不停地产生，又在持续被打破（但仍有一些基本规律不会改变）。
写完这一篇，刚好2025年诺贝尔物理学奖颁布。今年的诺奖授予加州大学等三位学者，以表彰他们『在电路中实现宏观量子力学隧穿效应和能量量子化』 的开创性工作。
简言之，之前我们总认为量子力学只在微观尺度上发挥作用。薛定谔的猫就是对量子力学适用范围的质疑。该思想实验以一个似是而非的悖论提出了这一质疑。但是，现在我们可以说：
量子力学没有明确的宏观 - 微观边界，因为超导电路的尺寸可达毫米级。现在，也许是时候重新设计薛定谔的猫的实验了。
但是，作者一直认为，量子力学的背后的哲学概念，也适用于经济和证券研究。
当我们讨论价格时，实际上在谈论的是对证券价格的观测。而对于证券价格的观测，本质上是通过成交来完成的；没有成交，就没有价格。
而成交也会干扰价格本身的波动。这里同样存在普朗克尺度的问题。
在物理世界中，绝大多数观测是通过光来完成的。具体地说，是通过光子与被观测物体的撞击、反弹来完成的。但是，一旦被观察物体的尺度接近于光子，观测行为就会改变被观测物体的运动。这时候，就被观测物体不再有确定的运行轨迹，这就是『测不准』原理的根本原因。
这个理论在证券交易中有一个小小的应用：如果是小的资金来做量化，你可以预测并实践规律，基本不会干扰价格的运行；如果成交量远小于公司市值，这就好比用一个光子去撞击一个宏观物体，它只会带回来物体的信息，而不会改变物体的运动。
因此，量化交易是小资金的天堂。送给所有正在路上、或者准备上路的独立量化交易者。