金融数据分析中常见的三中类型
Cross Section Data横截面数据
描述的是不同个体在同一时间的属性或特征变量，比如不同公司在同一时间发布的财务报表中，可以得到同一时间的Net Income
Time Series Data时间序列数据
记录的是同一个体的某个特征随着时间的推移不断发展的过程。
Panel Data面板数据
刻画的是不同个体的某个特征随着时间的推移各自变化的经过
时间序列的基本性质
自相关性
相关性一般指两个变量之间是否存在某种关联，自相关性指一个时间序列的两个不同时间点的变量是否存在关联。如果时间序列不具有自相关性，那么根据过去推测未来毫无意义。
自相关系数函数ACF
statsmodels中的acf()函数
acf(x, unbiased=False, nlags=40, qstat=False, fft=False, alpha=None)
x：时间序列对象
unbias：如果该参数为True，python在计算自相关系数时会对分母进行调整，使结果为无偏估计值
nlags：数值型参数，表示计算自相关系数的最大滞后期数
qstat：表示是否返回Ljung-Box检验的结果
fft：默认为False，表明要使用的算法
alpha：表示计算自相关系数的置信区间所用的置信水平，默认为None，即不计算置信区间
画自相关系数图plot_acf
from statsmodels.graphis.tsaplots import *
plot_act(x, use_vlines=True, lags=30)
x：时间序列对象
use_vlines：True画垂直线
lags：水平轴滞后值
偏自相关系数函数PACF
statsmodels中的pacf()函数
pacf(x, nlags=40, method='ywunbiased', alpha=None)
类似于acf()
画偏自相关系数图plot_pacf
from statsmodels.graphis.tsaplots import *
plot_pact(x, use_vlines=True, lags=30)
平稳性
如果时间序列基本特性维持不变，那么该时间序列就是平稳的，相反，如果时间序列的基本特性只存在于所发生的当期，并不会延续到未来，那么这样一个时间序列并不足以昭示未来，那么该时间序列是非平稳的。
平稳性检验
观察时间序列图
如果数据的时序图围绕一个水平线上下以大致相同的幅度波动，那么该时间序列可能具备弱平稳性。如果时序图有着明显递增、递减趋势或周期性波动的形态，那么时间序列很有可能是不平稳的。
观察序列的自相关图和偏自相关图
一般对于平稳时间序列来说，其自相关系数或者偏自相关系数大都快速减小至0附近或者在某一阶段后变为0。很多非平稳时间序列则没有这样的特征，其自相关系数多会呈现缓慢下降的趋势，而不是快速减小。
单位根检验
arch包中的ADF函数
ADF(y, lags, trend, max_lags, method)y：要进行单位根检验的序列
trend：用来控制检验模型类型
lag：滞后阶数
max_lags：使用method参数所指定的方法选择滞后阶数时所选择的阶数上限。
method：选择阶数时常用的方法，包括aic，bic和t_stat三种
from arch.unitroot import ADF
# 单位根检验
adfSHRet = ADF(SHRet)
print(adfSHRet.summary().as_text())统计量<临界值：拒绝序列非平稳的原假设，即序列平稳
统计量>临界值：接受序列非平稳的原假设，即序列非平稳
白噪声
白噪声序列一定是平稳的时间序列，白噪声的均值方差为常数；其间隔大于0的自协方差都等于0。
白噪声检验-Ljung-Box检验
调用statsmodels中的q_stat()函数
q_stat(x, nobs, type='ljungbox')x：所检验的自相关系数序列
nobs：表示自相关序列x所用的样本数
type：检验类型
