從事股票交易的投資者，一個常用的交易方式是根據過去的資訊(例如技術分析等)，猜測未來股價的走向。但這種方法可以適用的前提是股票報酬過去的統計性質，與未來的統計性質是一致或者是相似的，這樣才可以透過鑑往知來的方式擬定交易策略。但時間序列的資料中，其統計性質（例如平均、標準差等統計測量數）通常具有因時而異 (time-varying) 的特色。所謂的因時而異，指的是統計性質不是固定的。嚴謹的因時而異定義需用到時間序列的單根 (unit root)，單根的內容我會在計量經濟的課程中介紹到，但這裡使用更通俗的方式介紹因時而異的概念。舉例來說，假使某個股的報酬率在不同時點的平均與標準差（可利用樣本的統計量作為衡量）是類似的，那其統計性質是穩定的。但若其在不同時點的平均與標準差有明顯的不同，則可能存在因時而異的統計性質。

以下使用台灣 50 中權重佔比最高的 5 檔個股的近 5 年日報酬資料進行分析，首先分別計算在個年份的樣本平均數與標準差。可以看出，無論是在平均或者是標準差，在不同年份之間的值有顯著的差異。但考慮到平均與標準差可能受到大盤的影響，因此亦考慮到與大盤連動的 Beta 值作為分析。雖然 Beta 值之差異程度不如平均與標準差這樣的巨大，但也是有顯著的差異。最後提醒各位同學，進行時間序列資料的分析時，務必要考慮可能存在的因時而異的統計性質，方能提供有效的統計推論。

2017 - 2021 年的日報酬率平均（單位: %)

2017 - 2021 年的日報酬率標準差（單位: %)

2017 - 2021 年的 Beta 值