第三讲：ADF检验实战——从原理到代码，手把手教你判断平稳性
各位同学好，欢迎来到《金融数据平稳化处理实战攻略》的第三讲。
上一讲我们聊了平稳性的直观概念，说白了就是“数据不能太飘”。但光靠眼睛看K线图，你很难判断一个序列到底稳不稳。这时候，就需要一个“裁判”来给出量化结论——ADF检验就是这个裁判。
我个人习惯把ADF检验叫做“单位根检验的黄金标准”。为什么这么说？因为它在金融时间序列分析里，几乎是必过的一关。你想想看，如果你连数据是不是平稳的都没搞清楚，后面做回归、做预测，结果很可能全是“伪回归”，那可就白忙活了。
一、ADF检验的原理：到底在测什么？
ADF检验的全称是Augmented Dickey-Fuller test，中文叫“增广迪基-福勒检验”。名字挺长，但核心思想很简单——它是在检验你的时间序列里有没有“单位根”。
什么是单位根？
我举个例子你就明白了。假设一个序列的当前值等于上一期的值加上一个随机误差：
Y_t = Y_{t-1} + ε_t这个方程里，Y_t前面的系数是1，这就是“单位根”。有单位根的序列，就是随机游走，是非平稳的。ADF检验要做的，就是看看这个系数是不是真的等于1。
更正式一点说，ADF检验的回归方程是：
ΔY_t = α + βt + γY_{t-1} + δ₁ΔY_{t-1} + ... + δₚΔY_{t-p} + ε_t其中：
- ΔY_t 是Y的一阶差分
- α 是截距项（漂移项）
- βt 是时间趋势项
- γ 是我们最关心的系数——如果γ=0，说明有单位根
- δ₁到δₚ是滞后项的系数，用来消除自相关
原假设H₀：γ=0（序列有单位根，非平稳）
备择假设H₁：γ<0（序列没有单位根，平稳）
说白了，ADF检验就是在问：“这个序列是不是随机游走？”如果答案是“是”，那就不平稳；如果答案是“否”，那就平稳。
核心要点：ADF检验的p-value如果小于显著性水平（通常0.05），就拒绝原假设，认为序列是平稳的。反之，p-value大，就不能拒绝原假设，序列非平稳。
二、Python实现：一行代码搞定ADF检验
理论讲完了，咱们直接上代码。Python里做ADF检验，最常用的库是statsmodels。我个人习惯用adfuller这个函数，因为它返回的信息很全。
先安装库（如果还没装的话）：
pip install statsmodels pandas numpy然后看代码：
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller
import yfinance as yf
# 获取股票数据
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2023-12-31')
price = data['Close']
# 执行ADF检验
result = adfuller(price, autolag='AIC')
# 提取结果
adf_statistic = result[0]
p_value = result[1]
used_lag = result[2]
nobs = result[3]
critical_values = result[4]
print(f'ADF统计量: {adf_statistic:.4f}')
print(f'p-value: {p_value:.6f}')
print(f'使用的滞后阶数: {used_lag}')
print(f'观测样本数: {nobs}')
print('临界值:')
for key, value in critical_values.items():
print(f' {key}: {value:.4f}')运行这段代码，你会看到类似这样的输出：
ADF统计量: -1.2345
p-value: 0.6543
使用的滞后阶数: 10
观测样本数: 1000
临界值:
1%: -3.4369
5%: -2.8643
10%: -2.5683嗯，这里要注意：p-value是0.65，远大于0.05。说明什么？说明我们不能拒绝原假设，这个序列有单位根，是非平稳的。这其实符合直觉——股票价格通常是非平稳的。
小技巧：参数autolag='AIC'表示自动选择最优滞后阶数，基于AIC准则。我个人建议一直用这个设置，省心又准确。如果你非要手动设，可以用maxlag参数限制最大滞后阶数。
三、p-value解读与判断标准
p-value是ADF检验里最关键的输出。但很多新手会搞混——p-value小到底代表什么？
记住这个口诀：
- p-value小（<0.05）→ 拒绝原假设 → 序列平稳
- p-value大（>0.05）→ 不能拒绝原假设 → 序列非平稳
为什么会这样？因为原假设是“有单位根（非平稳）”。p-value小，说明在原假设下出现当前结果的概率极低，所以原假设不成立，序列就是平稳的。
我在项目中遇到过不少同学，看到p-value=0.03就慌了，觉得“这么小是不是有问题？”其实恰恰相反，越小越好！
判断标准总结：
| p-value范围 | 结论 | 操作建议 |
|---|---|---|
| p < 0.01 | 在1%水平上显著平稳 | 非常可靠，直接使用 |
| 0.01 ≤ p < 0.05 | 在5%水平上显著平稳 | 可以接受，建议做差分验证 |
| 0.05 ≤ p < 0.10 | 在10%水平上边缘显著 | 谨慎使用，可能需要差分 |
| p ≥ 0.10 | 不显著，非平稳 | 必须做差分或变换 |
避坑指南：我曾经在做一个国债收益率分析时，发现p-value刚好是0.049，差一点就过了0.05的线。但我没多想就直接用了，结果模型回测一塌糊涂。后来仔细检查，发现数据里有一个异常值把检验结果“拉偏”了。所以我的建议是：p-value在0.05附近时，一定要结合图形和业务逻辑来判断，别只看数字。
四、实战案例：对股票收益率做ADF检验
刚才我们检验了股票价格，结果是非平稳的。那股票收益率呢？理论上收益率应该是平稳的。咱们来验证一下。
# 计算日收益率
returns = price.pct_change().dropna()
# 对收益率做ADF检验
result_ret = adfuller(returns, autolag='AIC')
print(f'收益率ADF统计量: {result_ret[0]:.4f}')
print(f'收益率p-value: {result_ret[1]:.6f}')
print('临界值:')
for key, value in result_ret[4].items():
print(f' {key}: {value:.4f}')输出结果：
收益率ADF统计量: -15.2345
收益率p-value: 0.000000
临界值:
1%: -3.4369
5%: -2.8643
10%: -2.5683看到没？p-value几乎为0，ADF统计量-15.23远小于1%临界值-3.44。这说明收益率序列是高度平稳的。这也符合金融理论——收益率通常围绕均值波动，没有长期趋势。
你想想看，如果收益率都不平稳，那股票市场就乱套了——意味着你可以用历史收益率预测未来收益率，这显然不现实。
五、知识体系总览
为了帮你理清ADF检验的完整逻辑，我画了一张流程图：
这张图把ADF检验的完整流程串起来了：从输入数据，到建立回归方程，再到假设检验，最后根据p-value做出判断。你可以在做分析时把它当作一个检查清单。
六、常见问题与避坑指南
问题1：为什么我的p-value总是很大？
最常见的原因是数据本身确实是非平稳的，比如股票价格、GDP等。另一个可能是你选的滞后阶数不对。试试autolag='AIC'，让程序自动选。
问题2：p-value刚好等于0.05怎么办？
我曾经在做一个汇率分析时遇到过这种情况。我的建议是：
- 换一个显著性水平试试（比如0.01或0.10）
- 结合图形判断（看ACF/PACF图）
- 做一阶差分后再检验，看差分后是否显著平稳
问题3：ADF检验和KPSS检验有什么区别？
简单说：ADF的原假设是非平稳，KPSS的原假设是平稳。我个人的习惯是两个都做，交叉验证。如果ADF说平稳、KPSS也说平稳，那基本稳了；如果两个都说非平稳，那肯定不稳；如果结果矛盾，就要小心了。
实用建议：在实际项目中，我通常会用adfuller做初步判断，然后用kpss做二次验证。两个检验都通过，我才放心地说“这个序列是平稳的”。
好了，这一讲的内容就到这里。ADF检验是时间序列分析的基础工具，掌握了它，你就能对数据的平稳性做出量化判断。下一讲我们会聊差分操作——当数据不平稳时，怎么把它变平稳。
公众号:蓝海资料掘金营，微信deep3321