标签： #自相关

Informer 还在点积注意力里挑活跃查询，Autoformer（NeurIPS 2021）直接换了两个零件：一是把「分解」从预处理搬进模型内部——移动平均逐层剥趋势，季节项与趋势项分开建模；二是把点积注意力换成「自相关机制」——用 FFT 以 O(L·logL) 算出自相关谱 R(τ)，取 top-k 滞后当候选周期，按 softmax(R(τ)) 权重做时延聚合：预测 = Σ w(τ)·x(t−τ)，从「点对点找相似」升级为「整段周期对齐」。纯 numpy 从零实现因果分解 + FFT 自相关 + 时延聚合递推预测，在三重周期(24/96/168)+慢趋势+AR(1)噪声合成序列上做 50 窗口滚动 H=24 多步预测：分解+自相关 MSE=0.257 优于无分解消融 0.263 与季节 naive 0.367，自相关机制自动找到 τ∈{24,96} 真周期；但诚实披露 OLS-96滞后递推 MSE=0.193 仍是全场最优——机制的优雅不等于精度的碾压。附「分解泄漏未来」的一次真实翻车修复（居中移动平均让 AF 版 MSE 虚好 42%），拆穿分解万能/自相关=注意力上位/多步递推免费/top-k 自动对/金融强周期五类陷阱(中阶)。

你算出两根序列相关 0.35、策略收益自相关 0.18——这是真有结构，还是随机数据碰巧撞出来的？Ljung-Box Q 检验把「直到滞后 h 的全部自相关」打包成一个卡方统计量，用 p 值回答「这批自相关能不能被白噪声解释」。本文用合成白噪声、AR(1) 与拟合残差三类序列，从零复现 ACF、Q 统计量与蒙特卡洛功效，并点明滞后阶选择、短期记忆误判、小样本、多序列族错误四类真实陷阱（中阶）。

同一个策略,日频回测夏普 0.78,切到周频只剩 0.66——不是策略变了,是你的采样频率在偷偷改答案。根因是日收益的一阶自相关:正自相关(动量)让周频夏普系统性偏低、负自相关(均值回复)让它偏高。本文用 AR(1) 合成序列 + 200 次蒙特卡洛证明偏差可超 ±15%,附完整 Python 与五类真实陷阱(中阶)。