📚 课程目录第4章均值回归的统计检验

4、均值回归的统计检验：ADF检验、PP检验、KPSS检验、Hurst指数、方差比检验

均值回归策略的有效性，本质上取决于一个核心问题：当前价格序列是否具有均值回归特性？如果价格是随机游走（单位根过程），那么任何基于均值回归逻辑的交易系统都会产生大量虚假信号；反之，如果价格确实围绕某个均值波动，则回归策略具备统计基础。本章系统讲解五种主流统计检验工具——ADF检验、PP检验、KPSS检验、Hurst指数和方差比检验，帮助交易者从不同维度验证标的的均值回归属性。

4.1 ADF检验：单位根检验的基石

核心原理：ADF（Augmented Dickey-Fuller）检验是均值回归检验中最常用的工具。其基本思想是：如果价格序列存在单位根，则价格是随机游走过程，任何冲击都是永久性的，价格不会回归均值；反之，如果不存在单位根，则价格是平稳过程，冲击会随时间衰减，价格最终回归均值。ADF检验通过在回归方程中加入滞后差分项来控制序列相关，其检验回归式为：

Δy_t = α + βt + γy_{t-1} + Σδ_i·Δy_{t-i} + ε_t

其中γ是核心参数，原假设H₀: γ=0（存在单位根），备择假设H₁: γ<0（平稳）。ADF统计量与标准t统计量不同，需要使用Dickey-Fuller临界值表。

操作流程：

确定检验形式：是否包含常数项（α）和时间趋势项（βt）
选择滞后阶数：通常使用AIC或BIC准则自动选择
计算ADF统计量并与临界值比较
读取p值：p < 0.05拒绝原假设，认为序列平稳

检验形式	回归方程	适用场景
无常数无趋势	Δy_t = γy_{t-1} + Σδ_i·Δy_{t-i} + ε_t	均值为零的序列
含常数	Δy_t = α + γy_{t-1} + Σδ_i·Δy_{t-i} + ε_t	均值非零的序列
含常数和趋势	Δy_t = α + βt + γy_{t-1} + Σδ_i·Δy_{t-i} + ε_t	存在确定性趋势的序列

实战提示：对价格序列做ADF检验时，通常先对价格取对数（log price），这能稳定方差并让收益率的解释更自然。若log price的ADF检验p值大于0.05，再对一阶差分（即收益率）做检验，若收益率序列平稳，则价格是I(1)过程，不适合直接做均值回归。

4.2 PP检验与KPSS检验：互补的视角

PP检验（Phillips-Perron）：与ADF检验类似，但PP检验对序列中的异方差和自相关不敏感，使用非参数方法修正t统计量。PP检验的优势在于不需要指定滞后阶数，对弱相依过程的检验更稳健。当数据存在条件异方差（如金融收益率常见的波动聚集）时，PP检验比ADF更可靠。

KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin）：与ADF/PP的检验逻辑相反，KPSS的原假设是序列平稳（趋势平稳），备择假设是存在单位根。这种反向检验的价值在于：当ADF和KPSS同时拒绝各自原假设时，说明数据可能同时支持平稳和非平稳，需要进一步分析；当ADF拒绝单位根且KPSS不能拒绝平稳时，证据最为充分。

交叉验证策略：建议同时运行ADF和KPSS检验，形成四种组合判断：
ADF拒绝 + KPSS不拒绝 → 强平稳证据，适合均值回归
ADF不拒绝 + KPSS拒绝 → 强非平稳证据，不适合均值回归
两者都拒绝 → 数据量不足或存在结构突变，需谨慎
两者都不拒绝 → 证据不足，需要更多数据或换用其他检验

4.3 Hurst指数：长记忆性的度量

核心原理：Hurst指数（H）通过重标极差分析（R/S分析）衡量时间序列的长记忆性。H值的含义：

H = 0.5：标准随机游走，价格无记忆性，均值回归策略无效
0 < H < 0.5：反持久性序列，价格倾向于反转，均值回归特性显著
0.5 < H < 1：持久性序列，价格有趋势延续倾向，动量策略更合适

计算方法：R/S分析将序列划分为多个子区间，计算每个子区间的极差R与标准差S的比值，然后对不同的时间尺度n取log(R/S)对log(n)回归，斜率即为Hurst指数。Python中可使用hurst库或自行实现：

from hurst import compute_Hc
H, c, data = compute_Hc(price_series, kind='price', simplified=True)
# H < 0.5 → 均值回归；H ≈ 0.5 → 随机游走；H > 0.5 → 趋势

注意：Hurst指数对数据长度敏感，建议至少使用1000个数据点。同时，Hurst指数估计存在较大方差，单次计算结果可能不稳定，建议使用滚动窗口计算H值的时间序列，观察其稳定性。

4.4 方差比检验：随机游走的直接检验

核心原理：方差比检验（Variance Ratio Test）基于随机游走的一个关键性质：q期收益率的方差应等于单期收益率方差的q倍。即：

VR(q) = Var(r_t + r_{t-1} + ... + r_{t-q+1}) / (q × Var(r_t))

如果VR(q) = 1，序列服从随机游走；如果VR(q) < 1，说明收益存在负自相关（均值回归）；如果VR(q) > 1，说明收益存在正自相关（趋势延续）。

操作要点：通常选择多个q值（如2、4、8、16）进行检验，观察VR值的变化趋势。Lo-MacKinlay检验提供了标准正态统计量，可判断VR是否显著偏离1。当VR(q)显著小于1且随q增大而递减时，均值回归特征明显。

检验方法	原假设	均值回归信号	优势	局限
ADF	存在单位根	p < 0.05	最常用，理论基础扎实	对滞后阶数敏感
PP	存在单位根	p < 0.05	对异方差稳健	小样本下功效较低
KPSS	序列平稳	p > 0.05	与ADF互补	对趋势设定敏感
Hurst	H=0.5	H < 0.5	直观，可量化回归强度	估计方差大
方差比	VR=1	VR < 1	直接检验随机游走	需选择多个q值

4.5 实战案例：沪深300指数均值回归检验

背景与目标：某量化团队计划对沪深300指数（000300.SH）实施均值回归策略，但需要先验证该指数是否具备均值回归特性。团队获取了2015年1月至2023年12月共9年的日线收盘价数据（约2190个交易日），目标是判断该指数适合均值回归还是动量策略。

初始检验过程：

数据预处理：取对数价格序列，计算日收益率
ADF检验：对log价格做ADF检验（含常数项，AIC选滞后阶数），得到p=0.32，不能拒绝单位根原假设；对日收益率做ADF检验，p=0.0001，拒绝单位根，确认收益率平稳
KPSS检验：对log价格做KPSS检验，p=0.01，拒绝平稳原假设，与ADF结果一致
Hurst指数：对日收益率序列计算Hurst指数，H=0.43（95%置信区间0.38-0.48），略低于0.5，暗示弱均值回归
方差比检验：对日收益率计算VR(2)=0.92，VR(4)=0.85，VR(8)=0.78，均显著小于1，且随q增大递减

分析判断：虽然价格序列非平稳（ADF和KPSS一致），但收益率序列的Hurst指数和方差比检验均支持弱均值回归。团队进一步对指数进行带通滤波（如去除20日移动平均），对残差序列重新检验，发现残差的Hurst指数降至0.38，均值回归特征更明显。

策略落地与结果：团队最终采用"价格偏离20日均线超过2个标准差时反向开仓"的均值回归策略。回测显示：年化收益率12.6%，最大回撤8.3%，夏普比率1.42。对比同期动量策略（年化7.8%，夏普0.95），均值回归策略在震荡市表现更优。但团队也发现，在2019年和2021年的单边牛市中，均值回归策略出现连续止损，最大连续亏损达9次。

案例复盘：
单一检验不够，需多维度交叉验证：ADF/KPSS确认非平稳，但Hurst和方差比揭示收益率层面的回归特性
均值回归策略在震荡市有效，趋势市失效，需结合市场状态过滤器
对价格做去均值处理（如减去移动平均）后再检验，能更准确捕捉回归特性
Hurst指数0.43虽然支持均值回归，但强度偏弱，策略仓位不宜过重

4.6 常见误区与总结

误区一：只做ADF检验就下结论。ADF检验对滞后阶数、是否含趋势项非常敏感，不同设定可能得出相反结论。必须结合KPSS、Hurst等至少两种检验交叉验证。

误区二：混淆价格平稳与收益率平稳。价格平稳是均值回归的必要条件，但多数金融资产价格非平稳。正确的做法是检验价格偏离均衡值的残差是否平稳，或检验收益率序列的负自相关。

误区三：忽视结构突变。如果标的存在制度切换（如监管政策变化、市场微观结构改变），检验结果可能失真。建议使用滚动窗口检验，观察统计量随时间的变化。

误区四：Hurst指数计算参数不当。R/S分析对子区间长度选择敏感，建议使用多种尺度并检查log-log回归的R²，R²低于0.95时结果不可靠。

风险提示：统计检验只能提供历史数据的特征描述，不能保证未来持续有效。均值回归策略在极端行情（如黑天鹅事件）中可能面临巨大风险，因为价格可能长期偏离均值。建议设置最大持仓时间和止损线，避免"接飞刀"。

总结：均值回归的统计检验是一个多维度验证过程。ADF和PP检验从单位根角度判断平稳性，KPSS提供反向验证，Hurst指数量化长记忆性，方差比检验直接检验随机游走假设。实际应用中，建议至少使用三种方法交叉验证，并结合滚动窗口观察稳定性。只有统计证据充分且逻辑自洽时，均值回归策略才具备构建基础。检验不是一次性工作，而应作为策略监控的常规环节，定期重新检验以捕捉市场结构变化。