一、随机游走假说：股票价格真的无法预测吗？

各位同学好，今天我们来聊一个金融时间序列里最基础、也最容易被误解的概念——随机游走假说。

说实话，我第一次接触这个理论时，心里是有点抵触的。你想啊，如果股价真的是随机游走，那我们这些做分析的人岂不是在瞎忙活？但后来我在实际项目中吃了不少亏，才慢慢理解了这个假说的真正含义。

1.1 什么是随机游走？

随机游走，英文叫 Random Walk，说白了就是：明天的价格 = 今天的价格 + 一个随机扰动。

用数学公式表达就是：

P_t = P_{t-1} + ε_t

其中 ε_t 是白噪声，均值为0，方差恒定。

嗯，这里要注意：随机游走并不意味着价格完全无序。它说的是价格变动不可预测，而不是价格水平不可预测。

1.2 随机游走的三种形式

我在做量化回测时，发现很多人把随机游走想得太简单了。其实它有三种常见形式：

类型	公式	特点
RW1（纯随机游走）	P_t = P_{t-1} + ε_t	独立同分布增量
RW2（带漂移项）	P_t = μ + P_{t-1} + ε_t	有长期趋势
RW3（带趋势和波动）	P_t = μ + P_{t-1} + σ_t·ε_t	波动率可变

我个人习惯用RW2来建模股票价格，因为大多数股票确实有长期上涨的趋势。但要注意，这个趋势可能非常微弱，短期根本看不出来。

1.3 为什么说股价是随机游走？

这个假说的理论基础是有效市场假说。简单说就是：

• 所有已知信息都已经反映在股价里
• 新信息是随机出现的
• 所以股价变动也是随机的

你想想看，如果明天股价上涨是可以预测的，那大家今天就会买入，结果今天股价就涨上去了。这样一来，预测本身就会破坏预测的准确性。

1.4 随机游走的数学性质

这里有几个关键性质，我建议你记牢：

1. 方差随时间线性增长：Var(P_t) = t·σ²
2. 自相关函数衰减缓慢：价格水平有很强的自相关性
3. 差分后是白噪声：ΔP_t = ε_t

我曾经在分析某只科技股时，发现它的日收益率自相关系数只有0.03，几乎为0。这就是典型的随机游走特征。但很多人看到价格走势图上有趋势，就以为可以预测，结果亏得很惨。

1.5 随机游走与永久冲击的关系

这一点特别重要，也是我们这门课的核心：

随机游走意味着冲击是永久性的。

如果今天股价因为某个利空消息下跌了5%，这个下跌不会自动恢复。它会在价格里永远留下痕迹。这就是永久冲击。

相比之下，如果是均值回归过程（比如债券收益率），冲击会逐渐消失，价格会回到原来的水平。那就是临时冲击。

1.6 如何用Python检验随机游走？

这里给一段简单的代码，你可以自己跑跑看：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller

# 生成随机游走数据
np.random.seed(42)
n = 1000
returns = np.random.normal(0, 1, n)
price = 100 + np.cumsum(returns)

# ADF检验
result = adfuller(price)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')

# 如果p值 > 0.05，不能拒绝随机游走假设
if result[1] > 0.05:
    print('数据服从随机游走')
else:
    print('数据不服从随机游走')

跑完你会发现，p值通常很大，说明随机游走的假设很难被拒绝。

1.7 随机游走假说的现实意义

说了这么多，你可能想问：这玩意儿到底有什么用？

我个人觉得，理解随机游走假说最大的价值在于：让你对预测保持敬畏。

• 如果你相信随机游走，就不要试图做短期择时
• 如果你不相信，那就要找到足够强的证据来反驳
• 大多数散户亏钱，就是因为低估了随机性，高估了自己的预测能力

当然，随机游走假说也不是完美的。很多实证研究发现，股票收益率存在一些微弱的可预测性，比如动量效应、反转效应等。但这些效应非常微弱，交易成本一扣就没了。

1.8 本章小结

随机游走假说告诉我们：

• 股价变动不可预测，但价格水平可以建模
• 冲击是永久性的，不会自动恢复
• 不要轻易相信你看到的"趋势"

下一章我们会深入讨论永久冲击和临时冲击的区别，以及如何用统计方法把它们分离开。嗯，到时候我会分享一个我在实际项目中用过的分解方法，挺实用的。