自相关制造虚假统计显著性：金融时间序列分析常见陷阱

自相关会制造虚假的统计显著性，这是金融时间序列数据分析上常见的大坑之一。

比如在高频maker策略中，你对着大量历史数据，算spread capture、markout，胜率和夏普都不错，实际上这些成交都集中发生在 低波+流动性充足 的环境下，本质上是同一个市场状态的重复采样。

然后模型这就跟着这个数据一起干过拟合的活，碰到高波切换，来个毒订单大哥，直接让你库存满满，触发kill switch，止损下班。

再比如在做regime模式切换套利的时候，重要的是切换过程的数据量，在regimeA下的大量数据只能证明regimeA的稳态数值范围， regimeB同理；

本身切换过程的次数才是有效数据量，所以回测里的大量数据，其实都是自相关信息，被严重放大后后，会严重污染置信度。

所以又回到了一个问题，如何高效地识别状态切换，仍然是微观结构市场中，最重要的研究方向之一。