3. 时间序列基础：平稳性、自相关、偏自相关、白噪声检验
各位同学，咱们今天聊时间序列分析的基础。说实话，这部分内容看着简单，但我在做宏观因子协整策略时，踩过的坑有一半都跟这些基础概念有关。你想想看，如果连数据是不是平稳的都没搞清楚，后面做协整、做回归，那结果基本就是废的。
好，咱们一个一个来。
3.1 平稳性：时间序列的“定海神针”
什么叫平稳？说白了，就是一个时间序列的统计性质不随时间变化。均值稳定、方差稳定、自协方差也只跟时间间隔有关，跟具体时间点无关。
我个人习惯把平稳性分成两种：
- 严平稳：所有统计性质都不随时间变化。这个条件太强，现实中几乎不存在。
- 弱平稳：均值恒定、方差有限且恒定、自协方差只依赖于时间间隔。我们平时说的“平稳”，基本都指这个。
为什么平稳性这么重要？
因为非平稳序列会导致“伪回归”。我在2019年做过一个宏观因子组合，当时用GDP和CPI直接做回归，R²高达0.95，结果一检查，两个序列都是非平稳的，纯粹是“假相关”。嗯，从那以后，我每做一个模型，第一步就是检查平稳性。
3.2 平稳性检验：ADF与KPSS
检验平稳性，最常用的就是ADF检验和KPSS检验。我建议两个都做，互相验证。
ADF检验（Augmented Dickey-Fuller）
原假设H₀：序列存在单位根（非平稳）。
备择假设H₁：序列平稳。
如果p值小于0.05，拒绝原假设，认为序列平稳。
# Python实现ADF检验
from statsmodels.tsa.stattools import adfuller
# 假设data是pandas Series
result = adfuller(data, autolag='AIC')
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
print(f'临界值: {result[4]}')
if result[1] < 0.05:
print('序列平稳')
else:
print('序列非平稳，需要差分')KPSS检验
这个跟ADF正好反过来。原假设H₀：序列平稳。如果p值小于0.05，拒绝原假设，认为非平稳。
from statsmodels.tsa.stattools import kpss
result = kpss(data, regression='c')
print(f'KPSS统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')我的经验：两个检验结果一致时最理想。如果不一致，我会更倾向于ADF的结果，但会多做一些差分尝试。曾经有个客户的数据，ADF说平稳，KPSS说非平稳，最后发现是结构性断点导致的——这种情况需要用Zivot-Andrews检验。
3.3 自相关与偏自相关：序列的“记忆”有多长？
自相关（ACF）衡量的是序列与其滞后值之间的相关性。偏自相关（PACF）则是在剔除了中间滞后项的影响后，衡量两个时间点之间的直接相关性。
你想想看，如果今天的收益率跟昨天的收益率有关系，那这个关系到底能持续多久？ACF和PACF就是回答这个问题的。
ACF图怎么看？
- 如果ACF缓慢衰减（拖尾），说明序列可能有趋势或单位根。
- 如果ACF在某个滞后阶数后突然截尾，说明序列可能是MA(q)过程。
PACF图怎么看？
- 如果PACF在p阶后截尾，说明序列可能是AR(p)过程。
- 如果PACF缓慢衰减，说明可能是MA过程。
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(data, lags=20, ax=ax1)
plot_pacf(data, lags=20, ax=ax2)
plt.show()注意：ACF和PACF的置信区间是±1.96/√n。如果某个滞后阶数的值超出了这个范围，才认为显著。我曾经见过有人把刚好在边界上的点也当作显著，结果模型过拟合得一塌糊涂。
3.4 白噪声检验：你的模型“吃饱”了吗？
白噪声，说白了就是纯随机序列。均值0、方差恒定、没有自相关。如果模型拟合后的残差是白噪声，说明模型已经把信息提取干净了。
常用的检验方法是Ljung-Box检验：
- 原假设H₀：数据是独立分布的（白噪声）。
- 如果p值大于0.05，不能拒绝原假设，认为残差是白噪声。
from statsmodels.stats.diagnostic import acorr_ljungbox
# 对残差进行白噪声检验
result = acorr_ljungbox(residuals, lags=[10, 20, 30], return_df=True)
print(result)实战经验：我在做宏观因子协整策略时，每次拟合完模型，第一件事就是检查残差是不是白噪声。如果不是，说明还有信息没被提取，要么是滞后阶数不够，要么是遗漏了重要变量。有一次，残差在滞后5阶时显著自相关，我加了一个滞后项，模型效果立马提升了一个档次。
3.5 知识体系总览
下面这张图，是我自己整理的时间序列基础分析流程。每次做策略前，我都会按这个流程走一遍。
3.6 实战中的常见陷阱
最后，我分享几个我在项目中踩过的坑：
- 季节性误判为趋势：有些序列有明显的季节性，比如季度GDP。如果不做季节调整，ADF检验可能会误判为非平稳。我建议先用X-13ARIMA-SEATS做季节调整。
- 差分过度：有些序列差分一次就平稳了，但有人为了“保险”差分两次。结果呢？引入了不必要的移动平均项，模型反而变差了。
- 忽略结构性断点：2008年金融危机、2020年疫情，这些事件会导致序列发生结构性变化。普通的ADF检验检测不出来，需要用Chow检验或Zivot-Andrews检验。
我的建议：在做协整策略之前，先把每个宏观因子的时间序列性质摸清楚。平稳的、一阶单整的、二阶单整的，分门别类整理好。这样后面做协整检验时，心里才有底。
好，时间序列基础就聊到这儿。这些内容看着简单，但真到了实战中，每一步都值得反复推敲。记住一句话：基础不牢，地动山摇。
公众号:蓝海资料掘金营，微信deep3321