什么是序列相关性？
当观察到变量和其自身的滞后版本（例如时间 T 和 T-1 的变量）在一段时间内彼此相关时，时间序列中就会出现序列相关性。当变量的水平影响其未来水平时，重复模式通常会表现出序列相关性。在金融领域，技术分析师利用这种相关性来确定证券的过去价格对未来价格的预测效果。
序列相关类似于自相关或滞后相关的统计概念。
要点
- 序列相关性是给定变量与其自身在不同时间间隔内的滞后版本之间的关系。
- 它衡量变量的当前值与其过去值之间的关系。
- 序列相关的变量表明它可能不是随机的。
- 技术分析师验证一种证券或一组证券的盈利模式，并确定与投资机会相关的风险。
序列相关性解释
序列相关在统计学中用于描述特定时期内同一变量的观测值之间的关系。如果变量的序列相关性测量为零，则不存在相关性，并且每个观测值都是相互独立的。相反，如果变量的序列相关性偏向 1，则观测值是序列相关的，并且未来的观测值会受到过去值的影响。本质上，序列相关的变量具有模式并且不是随机的。
当模型不完全准确并在实际应用中产生不同结果时，就会出现误差项。当来自不同（通常是相邻）时期（或横截面观察）的误差项相关时，误差项是序列相关的。当与给定时期相关的误差延续到未来时期时，时间序列研究中就会出现序列相关性。例如，在预测股票股息增长时，一年内的高估将导致随后几年的高估。
序列相关性可以使模拟交易模型更加准确，从而帮助投资者制定风险较小的投资策略。
技术分析在分析证券模式时使用序列相关性度量。该分析完全基于股票的价格变动和相关交易量，而不是公司的基本面。技术分析的从业者，如果他们正确地使用序列相关性，就可以识别并验证一种证券或一组证券的盈利模式以及现货投资机会。
序列相关的概念
串行相关最初在工程中用于确定信号（例如计算机信号或无线电波）与自身相比如何随时间变化。随着经济学家和计量经济学从业者使用该指标来分析一段时间内的经济数据，该概念在经济学界越来越受欢迎。
现在，几乎所有大型金融机构都配备了定量分析师，即宽客。这些金融交易分析师使用技术分析和其他统计推论来分析和预测股市。这些建模者试图确定相关性的结构，以改进预测和策略的潜在盈利能力。此外，识别相关结构可以提高基于模型的任何模拟时间序列的真实性。准确的模拟降低了投资策略的风险。
定量分析对于许多此类金融机构的成功至关重要，因为它们提供了市场模型，然后机构将其用作其投资策略的基础。
串行相关最初用于信号处理和系统工程，以确定信号如何随时间变化。 20 世纪 80 年代，经济学家和数学家纷纷涌入华尔街，应用这一概念来预测股票价格。
这些量化之间的序列相关性是使用Durbin-Watson (DW) 检验确定的。相关性可以是正相关，也可以是负相关。显示正序列相关的股票价格具有正模式。具有负序列相关性的证券随着时间的推移会对自身产生负面影响。