1樓：長沙王太傅
自相關是任何時間序列資料都存在的問題。在金融資料中這個問題更為嚴峻，因為不光是yt-1會影響yt，過去的volatility也會顯著的影響yt。這就是所謂的ARCH或者GARCH effect。
2樓：伊格諾
有overlaping當然不能假設iid，所以金融時間序列很多時候都是考慮non-overlaping。令y1=price2/price1,y2=price3/price2就可以了，沒有重疊部分了。
當然沒有重疊部分也不等於說就是iid了，還要具體情況具體分析。金融時間序列裡比較常見的假設有兩種，一種是假定取對數（在題主的問題裡對應的就是log（price））之後是布朗運動，另一種是假定取對數之後是OU過程。這時候再看non-overlaping的difference，非重疊差分，即log(price2) - log(price1)，那麼前者的認為是iid的，而後者則不能認為是iid的（不過依然可以認為他們是同分布的）。
注意這裡的log(price2) - log(price1)與題主定義的y還有一點小小的差距，不過考慮到log(price2) - log(price1)=log(price2/price1)且當price2/price1接近1的時候我們可以用泰勒展開式做一階近似，得到log(price2) - log(price1)約等於price2/price1
這時候我們就可以說前者的y是iid的，後者的y不是了。
當然即便y不是iid，時間序列裡也有相應的辦法去處理分析它。比較通用的辦法是利用y的協方差矩陣，把y分解成一些iid的標準正態分佈的線性組合。y的協方差矩陣可以通過理論假設+calibration來獲得，也可以不做假設直接calibrate（不過起碼要假設y是乙個穩定的時間序列吧，這是最基本的假設了，不然真的什麼也做不了啊）。
時間序列資料如何插補缺失值？
Luciano 時間序列資料的插補，有很多不同的方法。1 就近插補 前推法LOCF，替換為缺失之前的最後一次觀測值，與後推法NOCB，使用缺失值後面的觀測值進行填補。這個是時序當中最基本的方法，當然還有用Baseline Observaton,或者啥Worst observation,目前生科實驗好...
如何將卷積神經網路應用在一維時間序列資料上？
哈哈哈 振動訊號就是天然的一維時間序列資料。卷積神經網路可以用在不同故障狀態下的振動訊號分類，據此進行機械裝置故障診斷。更進一步地，如果訊號中雜訊較多的話，可以考慮使用特殊形式的卷積神經網路，例如深度殘差收縮網路 1 在軟閾值化層的幫助下，深度殘差收縮網路更適合含噪振動訊號 2 深度殘差收縮網路 C...
有沒有大神知道如何在python進行資料預處理
波羅學 介紹如何用python做資料預處理前，可以先了解下預處理有哪些步驟？簡單列舉了幾個，如下 檢查，資料是存在髒資料 缺失等情況，如何找出它們 清洗，如何丟棄異常的資料，或者進行補齊等操作 篩選，選出自己對自己有價值的資料 排序，指定字段排序，然後進行top n獲取等 轉換，資料join 合併 ...