所谓时间序列(time series)是一系列随着时间而变化的观察值。很多金融数据都是时间序列数据，例如图1中所示的贵州茅台股票价格。但不论是贵州茅台的价格，或者别的股票价格，都很难以预测。这是因为它是一个随机过程(stochastic process)。
图1. 贵州茅台股价
数据来源：聚宽
既然是随机过程，就没有什么规律而言，不太好预测。但是，人们对未知的世界总是充满好奇，总是渴望知道未来会发生些什么。因此，我们可以先从简单的稳定过程(stationary process)说起。
在稳定过程中，对于所有的m和n，时间序列Y1，...Yn和Y1+m,...Yn+m的分布相同。这个要求很高，难以实现。因此，一般来说要把条件放宽一些，这就是所谓弱稳定过程(weak stationary process)。
在弱稳定过程中，平均值和方差和协方差不随时间而改变。也就是说对于所有i和j：
弱稳定过程只要求平均值、方差和协方差不变，但是并不要求别的统计量如峰度和偏度保持不变。函数rho被称为自相关函数（Autocorrelation Function）。Yt和Yt+h的协方差记作gamma,这被称为自协方差函数(Autocovariance Function)。
对于金融时间序列模型，股票价格一般不是稳定过程。事实上，大部分人也不希望它是一个稳定过程。证券市场吸引人的地方就在于价格的不稳定。那么，我们能不在不确定中找到确定呢？
其实还是有的。比方说，股票涨跌幅倒是显示出稳定过程，如图2贵州茅台股价的涨跌幅所示。
图2. 贵州茅台日涨跌幅
数据来源：聚宽
因此，稳定过程对于金融时间序列还是很有用的。从统计模型的角度来看，到底价格的时间序列是稳定过程，还是价格的变化是稳定过程，这并不重要。只要我们能得到一个简约模型(parsimonious model)，我们就可以展开相关的研究。