ADF检验原理：数学原理、滞后阶数选择与临界值解读

各位同学，今天我们进入协整检验的核心环节——ADF检验。说实话，很多人在做量化策略时，一上来就搞回归、算残差，结果发现全是伪回归。我早期做CTA策略时就吃过这个亏，后来才老老实实把ADF检验补上。今天咱们就把这个原理彻底讲透。

一、ADF检验的数学原理

ADF检验，全称是Augmented Dickey-Fuller检验。它要解决的核心问题很简单：一个时间序列是不是平稳的？

我们先从最基础的DF检验说起。DF检验的回归方程是：

Δy_t = α + βt + γy_{t-1} + ε_t

其中，Δy_t = y_t - y_{t-1}。检验的原假设H0是γ=0，也就是序列存在单位根，非平稳。备择假设H1是γ<0，序列平稳。

但DF检验有个致命缺陷——它假设残差ε_t是白噪声。我实际项目中遇到的情况是，金融时间序列往往存在自相关，比如日收益率数据经常有滞后效应。这时候直接用DF检验，检验统计量会严重偏误。

ADF检验的改进就在于：在回归方程中加入滞后差分项，来消除残差的自相关。它的完整形式是：

Δy_t = α + βt + γy_{t-1} + δ₁Δy_{t-1} + δ₂Δy_{t-2} + ... + δ_pΔy_{t-p} + ε_t

这里p就是滞后阶数。γ仍然是我们要检验的核心系数。检验统计量是t统计量：

t_γ = γ̂ / SE(γ̂)

但这个t统计量不服从标准的t分布，而是服从Dickey-Fuller分布。所以我们需要查专门的临界值表。

二、滞后阶数选择——这个坑我踩过

滞后阶数p的选择，是ADF检验中最容易出问题的地方。我刚开始做策略时，随便选了个p=5，结果检验结果时稳时不稳，折腾了好久才发现是滞后阶数没选对。

选择滞后阶数，主要有两种方法：

方法1：信息准则法

常用的有AIC（赤池信息准则）和BIC（贝叶斯信息准则）。公式如下：

AIC = -2ln(L) + 2k
BIC = -2ln(L) + k·ln(n)

其中L是似然函数值，k是参数个数，n是样本量。我个人习惯用BIC，因为它对参数数量惩罚更重，不容易过拟合。在量化策略中，样本量通常有限，BIC往往更可靠。

方法2：序列相关检验法

从较大的滞后阶数开始，逐步减少，直到残差不再存在自相关。可以用Ljung-Box检验来判断残差是否白噪声。

我一般这样操作：

# Python代码示例
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller

# 假设data是价格序列
result = adfuller(data, autolag='AIC')
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
print(f'滞后阶数: {result[2]}')
print(f'样本量: {result[3]}')
print(f'临界值: {result[4]}')

这里autolag参数可以设为'AIC'或'BIC'，让函数自动选择最优滞后阶数。我建议新手先用自动选择，等熟悉了再手动调整。

三、临界值解读——别被p值骗了

ADF检验的临界值，和标准t分布不一样。它依赖于三个因素：

• 检验形式：是否包含常数项和趋势项
• 样本量：样本量越小，临界值越宽
• 显著性水平：1%、5%、10%

常见的临界值表如下（样本量较大时）：

检验形式	1%临界值	5%临界值	10%临界值
无常数、无趋势	-2.58	-1.95	-1.62
有常数、无趋势	-3.43	-2.86	-2.57
有常数、有趋势	-3.96	-3.41	-3.13

解读规则很简单：如果ADF统计量小于临界值（更负），则拒绝原假设，认为序列平稳。

举个例子，假设我们检验某只股票的对数价格序列，ADF统计量是-1.23，5%临界值是-2.86。因为-1.23 > -2.86，所以不能拒绝原假设，序列非平稳。

四、ADF检验的完整流程

在实际项目中，我通常按以下步骤操作：

1. 可视化检查：先画时间序列图，看是否有明显趋势或季节性
2. 确定检验形式：根据图形选择是否包含常数项和趋势项
3. 选择滞后阶数：用AIC或BIC自动选择，或者手动尝试
4. 执行ADF检验：获取统计量和p值
5. 对比临界值：根据样本量和检验形式，查对应的临界值
6. 得出结论：如果统计量小于临界值，则序列平稳；否则非平稳

下面我用一个实际案例来演示：

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

# 生成一个随机游走序列（非平稳）
np.random.seed(42)
n = 200
random_walk = np.cumsum(np.random.randn(n))

# 执行ADF检验
result = adfuller(random_walk, autolag='BIC')

print('ADF检验结果：')
print(f'统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
print(f'滞后阶数: {result[2]}')
print(f'样本量: {result[3]}')
print('临界值:')
for key, value in result[4].items():
    print(f'  {key}: {value:.4f}')

# 判断
if result[0] < result[4]['5%']:
    print('结论：在5%显著性水平下，序列平稳')
else:
    print('结论：在5%显著性水平下，序列非平稳')

运行这段代码，你会发现随机游走序列的ADF统计量通常在-1到0之间，远大于-2.86的临界值，所以判断为非平稳。这符合我们的预期。

五、ADF检验的局限性

没有完美的检验方法。ADF检验也有几个明显的短板：

• 检验功效较低：当序列接近单位根（比如γ=-0.95）时，ADF检验很难区分平稳和非平稳
• 对结构突变敏感：如果序列在某个时间点发生了结构性变化，ADF检验可能误判
• 滞后阶数选择主观：不同准则可能给出不同结果，需要结合业务判断

我个人的做法是：ADF检验作为主要参考，同时结合KPSS检验（原假设是平稳）做交叉验证。如果两个检验结论一致，那基本就稳了。如果矛盾，就需要进一步分析数据特征。

好了，ADF检验的原理就讲到这里。记住，检验只是工具，真正的功夫在于理解你的数据。下次遇到非平稳序列，别慌，先跑个ADF看看。

---