18. 时间序列深度模型：ARIMA模型、GARCH模型、深度预测

说到市场深度和价格弹性，很多人第一反应是看盘口数据。但说实话，真正的微观结构分析，离不开时间序列建模。为什么？因为市场数据天生就是时间序列——每一笔报价、每一笔成交，都带着时间戳。你没法忽略这个维度。

我个人习惯，在分析订单簿动态时，一定会把时间序列模型作为基准线。ARIMA处理线性趋势，GARCH捕捉波动聚集，深度模型则用来挖掘非线性模式。这三者层层递进，构成了一个完整的预测框架。

18.1 ARIMA模型：线性趋势的捕捉

ARIMA，全称自回归积分滑动平均模型。名字听着唬人，说白了就是三件事的组合：

• AR（自回归）：用过去的值预测当前值。比如，过去5秒的买卖价差，会影响现在的价差。
• I（差分）：把非平稳数据变平稳。市场深度数据经常有趋势，差分一次就能去掉。
• MA（滑动平均）：用过去的预测误差来修正当前预测。

我在项目中遇到过一个问题：直接用原始深度数据建模，结果残差一直不收敛。后来发现，是因为没有做差分。嗯，这里要注意——ARIMA要求数据平稳，否则预测全是假的。

举个实际例子。假设我们要预测未来5秒的买卖价差（spread）。代码大概长这样：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA

# 假设 df 包含时间戳和 spread 列
# 先做平稳性检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(df['spread'].dropna())
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')

# 如果 p-value > 0.05，需要差分
if result[1] > 0.05:
    df['spread_diff'] = df['spread'].diff().dropna()
    # 用差分后的数据建模
    model = ARIMA(df['spread_diff'].dropna(), order=(2,0,1))
else:
    model = ARIMA(df['spread'], order=(2,1,1))

model_fit = model.fit()
print(model_fit.summary())

# 预测未来5步
forecast = model_fit.forecast(steps=5)
print(forecast)

18.2 GARCH模型：波动率的聚集效应

ARIMA能预测均值，但市场数据的方差可不是常数。你想想看，大新闻出来的时候，波动率会突然飙升，然后慢慢回落。这就是所谓的波动聚集效应。

GARCH模型就是干这个的。它假设当前的方差，取决于过去的方差和过去的残差平方。说白了，大波动后面往往跟着大波动，小波动后面跟着小波动。

我曾经在回测一个高频策略时，发现ARIMA预测的价差方向是对的，但止损总是被打掉。后来一查，原来是波动率突然放大，模型没捕捉到。加上GARCH之后，止损设置动态调整，回撤直接降了30%。

代码示例：

from arch import arch_model

# 假设 returns 是收益率序列
model_garch = arch_model(returns, vol='Garch', p=1, q=1)
model_garch_fit = model_garch.fit(update_freq=5)
print(model_garch_fit.summary())

# 预测未来5期的波动率
forecast_garch = model_garch_fit.forecast(horizon=5)
print(forecast_garch.variance.iloc[-1])

18.3 深度预测：LSTM与Transformer

ARIMA和GARCH都是线性模型。但市场微观结构里，很多关系是非线性的。比如，订单簿的深度变化和价格弹性之间，可能存在复杂的交互效应。这时候，深度学习就派上用场了。

我个人最常用的是LSTM（长短期记忆网络）。为什么？因为它能记住长期依赖。比如，过去10秒的订单簿状态，可能会影响未来5秒的流动性。LSTM的门控机制，恰好能处理这种时序依赖。

不过要注意，LSTM不是万能的。我见过有人把原始价格直接扔进LSTM，结果过拟合得一塌糊涂。正确的做法是：先做特征工程。把买卖价差、订单簿斜率、成交量加权价格等微观结构指标作为输入。

代码示例（简化版）：

import torch
import torch.nn as nn

class LSTMPredictor(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super(LSTMPredictor, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, 1)  # 预测未来1步的价差

    def forward(self, x):
        # x shape: (batch, seq_len, input_size)
        out, _ = self.lstm(x)
        # 取最后一个时间步的输出
        out = out[:, -1, :]
        out = self.fc(out)
        return out

# 假设 X_train 是形状为 (样本数, 时间步长, 特征数) 的张量
model_lstm = LSTMPredictor(input_size=10, hidden_size=64, num_layers=2)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model_lstm.parameters(), lr=0.001)

# 训练循环（略）
for epoch in range(100):
    optimizer.zero_grad()
    outputs = model_lstm(X_train)
    loss = criterion(outputs, y_train)
    loss.backward()
    optimizer.step()

18.4 三种模型的对比与选择

说了这么多，到底该用哪个？我整理了一个对比表，方便你快速决策：

模型	适用场景	优点	缺点
ARIMA	线性趋势明显的序列（如价差均值回归）	可解释性强，计算快	无法处理非线性、波动聚集
GARCH	波动率预测（如风险度量、止损设置）	专门处理异方差性	对异常值敏感，参数估计不稳定
LSTM	复杂非线性模式（如订单簿动态）	能捕捉长期依赖	需要大量数据，调参麻烦

实际项目中，我通常这样组合：先用ARIMA做基准预测，再用GARCH修正置信区间，最后用LSTM捕捉残差中的非线性信号。三层叠加，效果往往比单一模型好不少。

18.5 知识体系总览

为了让你更直观地理解这三者的关系，我画了一张图：

从这张图可以看得很清楚：数据从市场深度出发，经过三个不同角度的模型处理，最终汇聚成一个综合预测结果。每个模型解决一个特定问题，缺一不可。

---