6.2　价格数据的特性

时间序列不仅仅是一系列数字的排列，其被要求对时间和价格进行有序的配对。因为在各时间间隔当中，根据其各自相关的价格运行模式，其间存在着一种特殊的相关性，比如用价格来反映定期报告是一种方式，价格应对一年当中不同的时间周期所产生的波动也是一种方式。大多数的交易策略每天只使用一个价格，且通常使用收盘价，而有些方法则使用平均的高点、低点或收盘价的均值。在经济分析中，其常常使用每周或每月的平均数据来进行相关的操作，但是为了方便，也可能只使用一个独立的价格（如一周的周五）。有两个原因会导致有些数据的波动性不大（也称为低频数据），即一个是由主要的统计数据所引起的，比如收益率、消费者信心指数或供给和需求因素，而另一个则是由内在的长期远景分析因素所导致的。另外，使用低频数据会引起平滑的效果，而最高和最低的价格通常不会在一个月的最后一天或月度平均数据之中出现。这样看起来数据的波动性似乎就比较小了。其实，即使应用每日的收盘价，由于取消了盘中高点和低点，因此，依据收盘价所形成的走势也很少显示不稳定的运行模式。

计算周期的选择

在一个特定的时间周期之内，回归分析可以判明价格的方向，而且此方法不会受到循环模式或短期趋势的影响。同时，用于分析的时间间隔长度都是相同的。现在，让我们举例说明。如果我们使用12个月的数据，那么这12个月的平均价格就包括了每个季节的价格变化，而如果此价格运行模式是一个既完整又完美的循环过程，且在高需求时会增长15%，在高供给期或收获期会下降15%，那么，将上下的波动值加以综合所得到的平均值就是中性的。因此，应用计算周期就等于用数倍的日历年份来消除季节性的数据。

在图6-1中，我们使用了30年期的玉米现货价格计算了一条回归线，虽然玉米价格深受2008年行情回调因素的影响，但是，在过去的30年中，玉米的中线价格仍从2.36美元/蒲式耳增加至2.88美元/蒲式耳，或者说每年增长0.73%。而我们所能想到的理由是：真实的通货膨胀率以及美元的价值发生变化，同时，技术上的改进使得玉米的播种面积得以提高，还有消费以及其他因素等。

图6-1　应用基本回归分析方法，基于价格中心点所得到的回归线

在图6-1中，我们也绘制了一条12个月的移动平均线，其价格同样也不受季节性价格变化的影响，但是，当价格上涨超过一年，我们就可以看到一个上升的趋势。如果你不想删除季节性或更长周期的影响因子，那么，回归分析的时间间隔应该是3个月或更少。通过前述这种方式，回归分析或任何趋势分析技术都可以用来判定季节性或周期性的影响因素。

在经典的时间序列分解过程中，我们首先要移除趋势，然后用这个无趋势系列去发现周期性或者季节性的元素，这可以通过以下方法实现：

（1）从回归线所对应的每天价值之中减去每日价格；

（2）相对于全体数据系列而言，我们取第一个差值，即P_t -P_t-1 。