方差比检验：随机游走、期限与交易

令 \(P_t\) 为观测价格，\(x_t=\ln(P_t)\) 为对数价格。单期对数收益为 \(r_t=x_t-x_{t-1}\)。\(q\) 期对数收益由相邻的 \(q\) 个单期收益相加而成。如果这些增量彼此不相关且方差稳定，总和的方差就随 \(q\) 成比例增长。

总体方差比为：

\[ \operatorname{VR}(q)=\frac{\operatorname{Var}(r_t+r_{t-1}+\cdots+r_{t-q+1})}{q\operatorname{Var}(r_t)}. \]

满足上述方差缩放条件时，\(\operatorname{VR}(q)=1\)。Lo–MacKinlay 方法将这一关系转化为样本统计量，用于检验随机游走限制。“1”是无相关增量所隐含的矩基准，并不表示价格平滑或可预测。他们最初在历史美国股票数据中拒绝了随机游走规格，同时明确提醒，仅凭拒绝并不能证明价格服从均值回归模型。

若单期收益平稳，且滞后 \(j\) 的自相关为 \(\rho_j\)，同一个总体方差比也可写成：

\[ \operatorname{VR}(q)=1+2\sum_{j=1}^{q-1}\left(1-\frac{j}{q}\right)\rho_j. \]

每个自相关都乘以一个随滞后增加而递减的权重。因此，该比值概括了直到 \(q-1\) 期的加权序列相关；它不等于某一个特定滞后的自相关。

设 \(q=4\)，假设某收益过程有 \(\rho_1=0.10\)、\(\rho_2=0.04\)、\(\rho_3=0\)，则：

\[ \operatorname{VR}(4)=1+2\left(\frac{3}{4}\times0.10+\frac{2}{4}\times0.04\right)=1.17. \]

大于 1 表示这些期限上存在正的加权依赖。若前两个自相关改为 \(-0.10\) 和 \(-0.04\)，第三个仍为 0，则方差比为 \(0.83\)。这些只是总体层面的假设计算。由于抽样波动、波动率变化以及估计量的有限样本修正，样本估计值可能有所不同。

不同的自相关模式可能在某个期限产生相同的方差比。正负贡献可以相互抵消，所以比值恰好为 1 并不要求每个相关项都为零。查看多个预先指定的期限可能揭示不同模式，但若同时检验这些结果，就需要联合推断。

该检验通常用于等间隔的对数价格或其一阶差分。如果使用每日收盘价，\(q=5\) 表示五个交易时段的收益，而不是交易时段数量不同的日历周。缺失交易日、隔夜跳空和不规则时间戳都会改变“一个期间”的含义。说明市场日历，以及价格是否计入分配收益或其他公司行动。

使用简单收益而非对数收益是模型选择，并非在所有期限上都可忽略的命名差异。对数收益可按时间精确相加；简单收益则复合累积。小幅变动时两者数值可能接近，但所选定义应匹配研究问题，并在示例、估计和回测中保持一致。不要把价格水平当作收益序列代入公式。

多数实现使用重叠的 \(q\) 期收益，让每个可用观测都参与估计。这样会增加聚合收益的数量，但相邻窗口共享多个单期收益，因此并不独立。在维持的假设下，检验标准误会考虑这种构造；若把重叠收益视为独立，会低估不确定性。

假设某资产的单时段收益方差为 \(0.0001\)，对应的单时段标准差为 1%。若增量不相关，四时段收益方差为 \(4\times0.0001=0.0004\)，标准差为 2%，方差比为 \(0.0004/(4\times0.0001)=1\)。

现在假设估计的四时段方差为 \(0.000468\)，而单时段方差估计仍为 \(0.0001\)。样本比值为 \(0.000468/(4\times0.0001)=1.17\)。这只描述所选期限之间的离散程度。它不表示预期收益高 17%、明天收益上涨的概率高 17%，也不表示持仓四个时段的预期收益是 17%。

若要作推断，应将估计比值与相应的检验分布和不确定性估计比较。比值接近 1 时，价格过程的其他方面仍可能违反完整随机游走模型。反过来，在噪声大或样本短时，偏离 1 的比值也可能无法与 1 作统计区分。应把估计值、检验统计量、p 值和经济解释分开报告。

经典的同方差 Lo–MacKinlay 统计量使用在增量方差恒定条件下推导的渐近方差，对 \(\widehat{\operatorname{VR}}(q)-1\) 进行标准化。如果收益的条件波动率会变化，使用该标准误可能导致检验尺寸不正确。Lo 和 MacKinlay 也提出了适用于异方差的方差比统计量方差估计。

“异方差稳健”有明确范围：它在检验假设下调整对更广泛变动方差模式的推断，但不能修正错误的价格序列、所有期限上的依赖、结构断点、过时报价或样本过短等问题。有些软件用 \(Z\) 和 \(Z^*\) 等符号区分两种选择。请查阅文档，确认实现的原假设和标准误公式。

1989 年的有限样本研究发现，检验表现取决于所考察的原假设和备择假设；在研究的模拟中，相比某些竞争检验，该方法在异方差随机游走原假设下更可靠。这并不构成适用于每个样本或实现的普遍保证。小样本时，bootstrap 或其他有限样本方法可能有用，但重抽样设计也要保留与问题相关的依赖和波动特征。

单一 \(q\) 检验询问某个指定期限上的方差缩放限制是否成立。如果在检查多个期限后才选出 \(q\)，报告的 p 值没有考虑这次搜索。尝试 \(q=2,4,8,16\)，然后只强调最显著的结果，会提高假阳性的机会。

联合方差比方法同时检验一组预先指定的期限，并在决策中调整多重比较。Chow 和 Denning 开发了这类多重检验，因为将许多单独比值作为未经调整的决策会大幅提高整体第一类错误率。联合结果只针对所检验的期限集合；它不能说明是哪一个滞后、机制或市场参与者造成偏离。

应根据采样频率和研究问题选择期限。比较一天、一周和一个月可能都有意义，但各自的信息集和重叠收益结构不同。报告完整的检验期限集合，而不是只报告最有利的期限，并区分探索性扫描和确认性检验。

估计值高于 1，与所选滞后上存在正的加权序列依赖相符；低于 1 则与负的加权依赖相符。无论符号如何，都不能唯一识别动量、均值回归、价格调整延迟、库存效应、买卖价反弹、不同步交易或波动率过程。

尤其是，\(\operatorname{VR}(q)<1\) 不能证明价格水平平稳。某个期限的比值低于 1，序列仍可能包含随机趋势。反过来，拒绝随机游走限制本身也不能证明平稳的均值回归模型成立；Lo 和 MacKinlay 明确指出，他们在研究的股票数据中拒绝随机游走，并不足以支持这一结论。

推断还取决于检验对象是收益、对数价格、超额收益还是其他变换序列。日收盘至收盘收益的结果不能自动推广到日内报价或另一组资产。请明确说明研究对象，并限制结论范围。

即使较慢的经济价值过程没有反转，成交价收益中的买卖价反弹也可能在短期制造负依赖。流动性较差的证券可能异步更新，不同交易场所的收盘价也可能覆盖不同的信息时段。这些特征对最短期限的影响通常最强。把现象称为市场异常前，应检查报价质量、交易活跃度、时间戳对齐，以及较慢采样间隔下的敏感性。

即使收益符号或水平没有稳定的方向模式，波动率聚集仍会影响标准误。均值、波动率、交易时段或市场构成发生结构变化时，全样本方差比可能混合不同市场阶段。应检查子期间稳定性，不要只挑选支持偏好解释的窗口。

搜索不同资产、频率、期限、筛选条件和样本终点，会产生基于噪声的选择。广泛搜索后发现的异常方差比，并非未经筛选的假设检验。预先设定主要期限，或使用合适的联合检验或重抽样方法，再用后续时间序列数据验证发现的模式。

方差比检验概括不同期限的收益波动。它不指定方向、入场、出场、止损、持仓规模、持有时间，也不说明信号能否在执行前获得。即使依赖模式稳定，也可能不足以抵消手续费、价差、市场冲击、资金费、借券成本和换手成本。

交易研究应在查看未来收益前定义信号和决策时点。在形成窗口估计参数并固定下来，再用后续观测评估。如果结果是在尝试了很多证券或期限后发现的，应留出真正未触碰的检验期，或采用能够计入搜索过程的方法。将扣除成本后的结果与基准比较，并纳入真实成交条件，而非仅依赖理论收益预测。

应将方差比作为诊断之一，与图形、自相关检查、单位根检验和稳定性分析配合使用。偏离方差缩放关系可以促使研究者考虑更具体的模型，但该模型需要独立的假设和样本外证据。这个检验是对某个矩条件的简洁描述，并非交易优势的证明。

说明价格定义、收益变换、观测频率、样本日期、可用观测数量，以及收益是否重叠。报告检验的每个期限 \(q\)、样本方差比、标准误版本、检验统计量、p 值、显著性水平，以及是否针对多个期限作联合调整。

解释如何处理缺失观测、公司行动、市场休市和时间戳。说明异方差稳健推断、bootstrap、子期间或替代采样间隔是否改变结果。用于交易时，将统计样本与评估期间分开，并披露成本、执行时间、筛选规则，以及尝试过的所有资产和期限。

Lo 和 MacKinlay 提出方差比规格检验，并研究其有限样本尺寸与检验力。Chow 和 Denning 解释了为什么多重方差比检验需要控制联合尺寸90051-6)。相关概念可参阅[平稳性与单位根](/zh-CN/learn/stationarity-unit-root-mean-reversion-finance-explained)、[Engle–Granger 协整](/zh-CN/learn/engle-granger-cointegration-test-error-correction-explained)和[Johansen 协整秩检验](/zh-CN/learn/johansen-cointegration-rank-trace-max-eigenvalue-explained)。