視覺化是理解時間序列資料的關鍵第一步。

1. 基本圖表

• 線圖 (Line Plot): 最直觀的圖，觀察數據隨時間的變化、趨勢和季節性。
• 直方圖 (Histogram) 與核密度估計圖 (KDE): 觀察數據值的分佈。許多線性預測模型假設數據呈常態分佈。

2. 延遲散佈圖 (Lag Scatter Plots)

此圖將時間點 t 的觀測值 (x 軸) 與前一個時間點 t-1 的觀測值 (y 軸) 繪製成散佈圖。

• 解讀:
  • 點群集呈左下到右上的對角線: 表示存在正相關關係。
  • 點群集呈左上到右下的對角線: 表示存在負相關關係。
  • 點群越集中，關係越強；點群越分散，關係越弱。

3. 自我相關圖 (ACF) 與偏自我相關圖 (PACF)

這是時間序列分析中最重要的兩種圖，用於辨識模型的合適階數 (order)。

• 自我相關函數 (Autocorrelation Function, ACF): 衡量一個序列與其自身延遲版本之間的相關性。

  • 趨勢: 若價格序列有強烈趨勢，前幾個延遲的 ACF 值會顯著為正且緩慢衰減。
  • 定態性: 若 ACF 在幾個延遲後迅速下降至零附近，表示序列可能是定態的。非定態序列的 ACF 會緩慢衰減。
  • MA(q) 模型識別: 如果序列是移動平均 (MA) 模型，ACF 會在延遲 q 階後突然截斷 (cut off)。

• 偏自我相關函數 (Partial Autocorrelation Function, PACF): 衡量在排除了中間延遲項的影響後，序列與其延遲版本之間的相關性。

  • AR(p) 模型識別: 如果序列是自我迴歸 (AR) 模型，PACF 會在延遲 p 階後突然截斷 (cut off)。