2. 平稳性概念：严平稳与弱平稳、白噪声过程、随机游走模型

好，咱们进入第二章。这一章我打算聊聊平稳性——这个在时间序列里绕不开的核心概念。

说实话，我刚开始接触时间序列时，觉得平稳性就是个理论玩具。直到有一次，我用非平稳数据直接建模，结果预测结果惨不忍睹。嗯，从那以后，我再也不敢小看它了。

2.1 什么是平稳性？

平稳性，说白了就是：时间序列的统计性质不随时间变化。

你想想看，如果一组数据的均值、方差、自相关结构都在变，你怎么用历史去预测未来？那就像用去年的流行趋势预测今年的时尚——大概率翻车。

平稳性分为两种：严平稳和弱平稳。实际工作中，我们几乎只用弱平稳。为什么？因为严平稳太苛刻了。

2.2 严平稳

严平稳的定义很严格：

对于任意时间点 t₁, t₂, ..., tₙ，以及任意时间偏移 k，序列的联合分布保持不变。

换句话说，你把整段序列平移一段，它的所有统计性质——均值、方差、偏度、峰度、甚至整个分布形状——都得一模一样。

我个人习惯把严平稳看作「完美复制品」。但现实中，这种序列几乎不存在。你想想看，股票收益率、气温变化、用户访问量……哪个能保证分布完全不变？

2.3 弱平稳

弱平稳就友好多了。它只要求三个条件：

1. 均值恒定：E(Xₜ) = μ，对所有 t 成立
2. 方差恒定：Var(Xₜ) = σ²，对所有 t 成立
3. 自协方差只与时间间隔有关：Cov(Xₜ, Xₜ₊ₖ) = γₖ，与 t 无关

你看，弱平稳只关心一阶矩和二阶矩。均值不变、方差不变、自相关结构稳定——这就够了。

我在项目中遇到过很多次：数据看起来不平稳，但做一阶差分后，均值稳定了，方差也收敛了，就可以用 ARIMA 建模了。这就是弱平稳的实用之处。

2.4 白噪声过程

白噪声是平稳性里最纯粹的例子。它的定义很简单：

• 均值为 0
• 方差为常数 σ²
• 不同时间点的值之间不相关（自协方差为 0）

用数学表达就是：

E(εₜ) = 0
Var(εₜ) = σ²
Cov(εₜ, εₛ) = 0, 当 t ≠ s

白噪声就像「纯随机」。没有趋势、没有周期、没有记忆。你无法用它做任何预测——因为它的未来和过去毫无关系。

我曾经犯过一个错误：模型拟合后，残差看起来像白噪声，我就以为万事大吉了。后来发现残差里还有微弱的相关性，重新调整模型后，预测精度提升了 15%。所以，残差白噪声检验是模型诊断的关键一步。

2.5 随机游走模型

随机游走是非平稳序列的典型代表。它的形式很简单：

Xₜ = Xₜ₋₁ + εₜ

其中 εₜ 是白噪声。

你想想看，随机游走的每一步都依赖于上一步。今天的值 = 昨天的值 + 一个随机扰动。这意味着：

• 均值不恒定：序列会随机漂移，没有固定的均值
• 方差随时间增长：Var(Xₜ) = t · σ²，时间越长，波动越大
• 自相关衰减极慢：即使相隔很远，相关性依然很高

我记得有一次做股价预测，直接用原始价格建模，结果模型完全失效。后来才意识到，股价走势就是典型的随机游走——非平稳的。一阶差分后，收益率序列就平稳了。

随机游走还有一个重要性质：它是最简单的单位根过程。单位根检验（ADF、PP、KPSS）的核心，就是判断序列是否包含单位根——也就是是否属于随机游走或其变体。

2.6 知识体系总览

下面这张图，我把本章的核心逻辑梳理了一下：

2.7 三者之间的关系

我习惯用一个简单的对比来理解这三者：

特性	白噪声	弱平稳序列	随机游走
均值	恒为 0	恒定	不恒定（漂移）
方差	恒定	恒定	随时间增长
自相关	无（0）	衰减快	衰减极慢
可预测性	不可预测	可预测	不可预测（随机游走假设）
差分后	仍是白噪声	可能仍平稳	变为白噪声

你看，白噪声是最「干净」的平稳序列。随机游走是最「典型」的非平稳序列。而弱平稳，就是我们日常建模的「工作区间」。

2.8 一个小例子

假设你有一组数据：

import numpy as np
import matplotlib.pyplot as plt

# 生成白噪声
np.random.seed(42)
white_noise = np.random.normal(0, 1, 100)

# 生成随机游走
random_walk = np.cumsum(white_noise)

# 生成弱平稳序列（AR(1) 过程）
phi = 0.7
ar1 = [0]
for i in range(1, 100):
    ar1.append(phi * ar1[-1] + white_noise[i])

# 画图对比
plt.figure(figsize=(12, 4))
plt.subplot(1,3,1); plt.plot(white_noise); plt.title('白噪声')
plt.subplot(1,3,2); plt.plot(ar1); plt.title('弱平稳 AR(1)')
plt.subplot(1,3,3); plt.plot(random_walk); plt.title('随机游走')
plt.tight_layout()
plt.show()

运行这段代码，你会看到：白噪声上下波动但无规律；AR(1) 围绕均值波动；随机游走则越走越远，没有回头的意思。

这就是三种序列的「性格」差异。

2.9 避坑指南

最后，分享几个我踩过的坑：

• 不要混淆「平稳」和「无趋势」：有趋势的序列肯定不平稳，但无趋势的序列也不一定平稳（比如方差随时间变化）。
• 差分不是万能的：有些序列差分后仍然不平稳（比如存在季节性），需要季节性差分或更复杂的变换。
• 白噪声检验要谨慎：Ljung-Box 检验的 p 值大于 0.05 才能认为残差是白噪声。但样本量小的时候，检验效力会下降。

嗯，这一章就到这里。平稳性是个基础，但基础不牢，后面建模就容易翻车。希望你能把这三个概念刻在脑子里。

---

公众号:蓝海资料掘金营，微信deep3321