3. 平稳性概念

在时间序列建模中，平稳性不是一个可有可无的假设，而是决定模型能否成立、统计量是否可信、预测是否稳定的根基。无论是AR、MA、ARMA，还是协整与均值回归策略，第一步几乎都要回答同一个问题：这条序列平稳吗？本节从定义出发，逐步建立直观理解，再落到识别方法。

一、核心原理：严平稳与弱平稳的定义

严平稳（Strict Stationarity）要求序列的任意有限维联合分布随时间平移保持不变。也就是说，对任意时刻集合 \(t_1,\dots,t_k\) 和任意滞后 \(h\)，有：

F(x_{t1}, x_{t2}, ..., x_{tk}) = F(x_{t1+h}, x_{t2+h}, ..., x_{tk+h})

这意味着序列的整个概率结构不随时间改变，包括均值、方差、偏度、峰度以及所有高阶矩和相依结构。严平稳条件非常强，实际中很难验证，因此量化建模更常用的是弱平稳。

弱平稳（Weak Stationarity），也称协方差平稳，只要求三个条件：

1. 均值恒定：\(E[x_t]=\mu\)，不随 \(t\) 变化；
2. 方差有限且恒定：\(Var(x_t)=\sigma^2<\infty\)；
3. 自协方差只依赖滞后阶数：\(Cov(x_t,x_{t+h})=\gamma(h)\)，与 \(t\) 无关。

弱平稳不要求分布完全相同，只约束一阶矩和二阶矩。对于正态序列，弱平稳与严平稳等价；对于非正态序列，两者并不等价。量化实务中，我们通常说“平稳”默认指弱平稳。

二、平稳性的直观理解

把时间序列想象成一条不断延伸的曲线。平稳序列的直观特征是：它围绕一个固定水平上下波动，波动的幅度大致稳定，不会出现趋势性漂移，也不会出现波动率突然放大后长期不回落。换句话说，它的统计规律在今天、明天、明年看起来是同一套。

可以用三个问题快速自检：

• 均值是否稳定？如果序列长期向上或向下，均值随时间变化，不平稳。
• 方差是否稳定？如果波动幅度阶段性放大或缩小，方差不恒定，不平稳。
• 自相关结构是否稳定？如果今天的冲击对未来的影响模式随时间改变，不平稳。

例如，白噪声序列是典型的平稳序列；而股价、GDP、CPI 等通常是非平稳的。股价虽然围绕价值波动，但长期存在趋势和波动率聚集，均值和方差都不稳定。

三、非平稳序列的常见类型与识别方法

非平稳序列有多种表现形式，识别时需要结合图形、统计检验和业务逻辑。常见类型如下表所示：

类型	典型特征	常见例子	识别线索
趋势平稳	围绕确定性趋势波动，去掉趋势后平稳	带时间趋势的销售额	回归时间项显著，残差平稳
随机游走	方差随时间线性增长，冲击永久保留	股价、汇率	ACF衰减极慢，ADF不拒绝单位根
带漂移随机游走	随机游走叠加线性漂移	长期上涨的股价	均值持续偏移，差分后仍有常数项
结构突变	均值或方差在某时点发生跳变	政策前后的收益率	分段统计量差异显著
季节性非平稳	周期性波动幅度或形态变化	月度用电量	季节ACF峰值，季节差分后改善

识别非平稳性的标准流程可以概括为以下步骤：

1. 可视化：先画时序图，观察趋势、波动聚集、突变和季节性。
2. 统计检验：使用ADF、PP、KPSS等单位根检验。ADF原假设为存在单位根，KPSS原假设为平稳，两者结合判断更稳健。
3. 观察ACF：平稳序列ACF快速衰减；非平稳序列ACF衰减缓慢，甚至长期不归零。
4. 差分处理：若确认非平稳，尝试一阶或季节差分，再检验差分后序列是否平稳。
5. 业务复核：结合数据生成机制判断，避免过度差分导致信息损失。

四、案例与误区复盘

假设我们研究某股票收盘价。时序图显示价格长期上涨，ADF检验p值为0.85，无法拒绝单位根；ACF图衰减极慢。初步判断为非平稳。进行一阶差分后，得到收益率序列，ADF检验p值为0.01，拒绝单位根，ACF快速衰减，说明差分后平稳。此时可以建立ARMA模型，而不是直接对价格建模。

常见误区包括：

• 把趋势平稳误判为随机游走：趋势平稳序列去掉确定性趋势后平稳，直接差分可能引入过度差分，导致MA单位根。
• 只看ADF不看图：结构突变时ADF容易误判，图形能提供关键线索。
• 忽略方差非平稳：均值平稳但方差随时间变化，仍不满足弱平稳，需要GARCH类模型处理。
• 过度差分：差分次数过多会放大噪声，降低预测能力。

理解严平稳与弱平稳的差异，掌握非平稳序列的类型和识别流程，是后续协整检验与均值回归建模的前提。只有在平稳性判断正确的基础上，统计推断和策略回测才具有可信度。