AR／MA／ARIMA 族——對報酬幾乎無效，對其他量很有效

圖上那格「MA／AR／…」指的是 Box-Jenkins 傳統的整個線性時間序列族：AR、MA、ARMA、ARIMA、SARIMA，以及多變量版的 VAR。把它放在 B 級是相當公道的評價，但理由需要說清楚：這族模型用在股票報酬上幾乎必然失敗，而這不是模型的缺陷，是它誠實地回報了資料裡沒有東西。

---

📖 三個組件

AR(p)——自我迴歸。 當期值由前 p 期的值線性組合而成：

$$y_t=c+\sum _{i=1}^p{\varphi }_i{y}_{t-i}+{\epsilon }_t$$

MA(q)——移動平均。 當期值由前 q 期的衝擊線性組合而成（注意這裡的 MA 不是技術分析的移動平均線，是完全不同的東西）：

$$y_t=c+{\epsilon }_t+\sum _{j=1}^q{\theta }_j{\epsilon }_{t-j}$$

I(d)——差分階數。 若序列非定態，先差分 d 次再套 ARMA。價格序列通常需要 $d=1$，而一階差分後就是報酬——所以 ARIMA 套在價格上，本質就是 ARMA 套在報酬上。

合起來寫成落後運算子形式：

$$\varphi (L)(1-L{)}^d{y}_t=\theta (L){\epsilon }_t$$

定態性與可逆性條件：$\varphi (L)$ 與 $\theta (L)$ 的根都必須落在單位圓外。違反前者表示序列會發散，違反後者表示 MA 表示式不唯一。

---

📖 為什麼對日報酬幾乎無效

弱式效率市場的直接推論是：報酬的自相關應該接近零。 如果昨天漲今天就有系統性機率漲，這個規律會被交易掉。實證上日報酬的自相關確實極小（個股略有微弱負自相關，來自買賣價差跳動的微結構效應，而非可交易的訊號）。

後果很具體： 當自相關接近零，Box-Jenkins 的 ACF／PACF 定階程序會傾向選出 ARIMA(0,0,0)——也就是白噪音加常數。這個模型的預測是「明天的報酬等於歷史平均報酬」，對任何時點都給同一個數字。它不是預測錯，是沒有在預測。

這解釋了為什麼文獻結果看起來混亂。許多應用論文報告 ARIMA 在股價上的誤差很小（例如某篇 2025 年滬深 300 研究報告一日前 MAE 為 0.45%，殘差檢定通過），但殘差診斷通過不等於打敗隨機漫步基準。對價格而言，「明天價格等於今天價格」這個最笨的基準就已經非常難超越；不與它對照的誤差數字沒有資訊量。

讀 ARIMA 論文的檢查點

只要一篇論文用價格而非報酬報告 MAE／RMSE，而且沒有列出隨機漫步基準，它的結論就無法解讀。價格的自相關接近 1，任何模型都會看起來很準。

---

📖 那它在量化金融用在哪裡

ARIMA 族對報酬無效，但對有真實持續性的量非常有用，而金融市場裡這種量不少：

用途	為何有效
已實現波動率預測	波動率有強自相關與長記憶，HAR-RV 本質就是一個設計過的 AR 模型
成交量與流動性	日內成交量有強烈的季節性與持續性，SARIMA 處理得宜
價差與配對交易殘差	若兩資產共整合，價差是定態的，AR(1) 直接給出均值回歸速度
總經變數	GDP、通膨、失業率有真實動態，VAR 是總經預測的工作馬
當成基準線	任何複雜模型都該先打敗 ARIMA，打不敗就不必上線
作為 GARCH 的平均式	標準做法是 ARMA 建模條件平均、GARCH 建模條件變異數

第二個重要角色是作為 Kalman 濾波器的狀態方程式。 任何 ARMA 模型都能寫成狀態空間形式，這是 Kalman 濾波器能用在時間序列上的橋樑。

---

📖 共整合：ARIMA 族裡最有交易價值的部分

兩個各自是 I(1) 的價格序列，若存在線性組合是 I(0)，就稱為共整合。這是配對交易與統計套利的理論基礎：各自不可預測的兩個序列，它們的價差可以是可預測的。

Engle-Granger 兩步法與 Johansen 檢定是標準工具。共整合關係一旦成立，誤差修正模型（VECM）給出偏離如何被修正的速度：

$$\Delta y_t=\alpha (y_{t-1}-\beta x_{t-1})+\text{短期項}+{\epsilon }_t$$

其中 $\alpha$ 就是均值回歸速度，$\beta$ 是避險比率。這個 $\beta$ 要不要讓它隨時間變動，正是 Kalman 濾波器進場的地方。

---

📖 B 級合不合理

合理，而且理由比圖面上看起來更紮實。 它在 B 級不是因為它弱，是因為它用途被嚴重誤解——大量使用者把它套在報酬上，得到一個不預測任何東西的模型，然後歸咎於模型。實際上：

• 它在波動率、成交量、總經變數上是第一線工具；
• 它是所有複雜時間序列模型必須超越的基準線；
• 它是狀態空間方法與 GARCH 的結構前身。

真要挑剔，它的缺點是定階仰賴人工判讀 ACF／PACF（雖然 AIC／BIC 自動搜尋與 auto.arima 已經緩解這點），以及它的線性與定態假設在金融資料上經常不成立。

---

🔍 待解問題

• 「日報酬自相關接近零」有大量教科書陳述支持，但不同市場、不同期間、不同頻率的具體數值差異很大，本篇沒有引用特定實證表格。
• ARIMA 在金融應用上的正反文獻品質落差極大，多數正面結果來自未設基準線的研究，但我沒有做系統性的文獻品質評估。

🔗 參考連結

• Hans Lauge, 弱式效率與 ARIMA 之關係（AAU 論文）
• QuantInsti, Forecasting Stock Returns Using ARIMA Model（含 ACF／PACF 人工定階的說明）

🕒 更新紀錄

• 2026-11-09：建立。