什么是自相关（ACF）？
我的掌握程度：
先掌握这个答案
序列与自身滞后的相关。一阶自相关高=今天的信息对明天有用。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
相关性不能证明预测力
说明横截面还是时间序列、Pearson还是Spearman、样本窗口与滞后方向。非平稳序列可能产生伪回归；回归系数或高相关既不自动证明因果关系，也不保证可交易。
本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
核心答案（速览）
序列与自身滞后的相关。一阶自相关高=今天的信息对明天有用。
🛠 本阶段共用练习 · 每个统计量都要带单位和假设
复算两期收益，再把第二期改成-20%。对均值、累计收益、几何均值分别写一句解释；为一个统计检验列出原假设、检验统计量和多重检验处理。
💡 提示（先自己想5分钟再看）
写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
✅ 验收标准
第一组累计收益-1%、第二组-12%；明确p值的条件概率方向，不把显著性当收益保证。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（起点概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。