4、时间序列分析基础：平稳性检验（ADF、KPSS）、自相关函数（ACF）、偏自相关函数（PACF）、白噪声、随机游走

统计套利策略的核心逻辑，是捕捉两个或多个资产价格之间长期稳定的统计关系，并利用其短期偏离进行反向交易。然而，这一逻辑成立的前提，是所处理的时间序列具备可被建模的统计规律。如果序列本身是非平稳的，其均值、方差会随时间漂移，任何基于历史数据计算的相关系数、回归系数都可能失真，导致套利信号频繁失效。因此，在构建价差序列、设计交易规则之前，必须先对时间序列的“底层属性”进行严格诊断。本章将系统讲解平稳性的概念、两种主流检验方法（ADF与KPSS）、自相关函数（ACF）与偏自相关函数（PACF）的解读方法，以及白噪声和随机游走这两个极端但重要的基准模型。理解这些工具，是后续构建协整模型、GARCH波动率模型以及均值回归策略的基石。

时间序列分析基础：平稳性检验与相关性诊断框架 时间序列 {X_t} 平稳性检验 ADF (原假设: 非平稳) p-value < 0.05 拒绝H0 → 平稳 p-value ≥ 0.05 接受H0 → 非平稳 p-value < 0.05 拒绝H0 → 非平稳 相关性诊断 ACF / PACF 截尾与拖尾 ACF 截尾 → MA(q) PACF 拖尾 ACF 拖尾 → AR(p) PACF 截尾 基准模型判定 白噪声 vs 随机游走 白噪声 (WN) 均值=0, 方差恒定, 无自相关 ACF/PACF 全部为0 → 无套利机会 随机游走 (RW) X_t = X_{t-1} + ε_t 一阶差分后为白噪声 → 非平稳 核心结论：平稳性是统计套利建模的前提，ACF/PACF 决定模型阶数

上图勾勒了本章的核心诊断框架：左侧为平稳性检验的两种互补方法（ADF与KPSS），右侧为相关性结构分析（ACF与PACF），底部则对应两种极端基准模型。在实际操作中，我们通常先对原始价格序列进行平稳性检验，若非平稳则进行差分或提取价差；随后对处理后的序列分析其自相关结构，以判断是否存在可被利用的动量或均值回归特征。下面逐一展开。

4.1 核心原理：为什么平稳性如此重要

平稳性（Stationarity）的严格定义是：时间序列的统计性质（均值、方差、自协方差）不随时间的平移而改变。在金融实践中，我们主要关注弱平稳（Weak Stationarity），即满足以下三个条件：

  • 均值恒定：E[X_t] = μ，对所有 t 成立。
  • 方差恒定：Var(X_t) = σ²，对所有 t 成立。
  • 自协方差仅与滞后阶数有关：Cov(X_t, X_{t-k}) = γ_k，与 t 无关。

如果序列是非平稳的（例如带有趋势或随机游走），那么基于历史数据计算的均值、方差会随样本区间变化，回归分析可能出现“伪回归”（Spurious Regression）——即两个完全无关的非平稳序列，其回归系数的 t 统计量却高度显著。在统计套利中，如果我们错误地将两个非平稳的价格序列直接回归，得到的残差可能并不具备均值回归特性，据此构建的价差策略将面临巨大的尾部风险。

实战视角：在配对交易中，我们通常对两只股票的对数价格序列进行回归。如果这两只股票的价格都是非平稳的（几乎必然），但它们的某种线性组合（价差）是平稳的，那么我们就找到了协整关系。这正是平稳性检验在套利中的核心应用——不是检验价格本身，而是检验价差序列的平稳性。

4.2 判断方法：ADF与KPSS检验的互补使用

平稳性检验的主流方法有两种，它们互为补充，联合使用可以避免单一检验的盲区。

4.2.1 ADF检验（Augmented Dickey-Fuller）

ADF检验的原假设（H0）是序列存在单位根（即非平稳），备择假设（H1）是序列平稳。其回归方程如下：

ΔX_t = α + βt + γX_{t-1} + Σ_{i=1}^{p} δ_i ΔX_{t-i} + ε_t

其中，γ 是核心系数。如果 γ 显著为负（即 t 统计量小于临界值），则拒绝原假设，认为序列平稳。ADF检验的关键在于滞后阶数 p 的选择，通常根据AIC或BIC准则确定。

4.2.2 KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin）

KPSS检验的原假设与ADF相反：H0为序列平稳（趋势平稳），H1为存在单位根。它通过检验序列对确定性趋势的残差是否具有单位根来实现。两种检验的联合判断逻辑如下表：

ADF结果 KPSS结果 结论 操作建议
拒绝H0（平稳） 接受H0（平稳） 序列平稳 可直接建模
接受H0（非平稳） 拒绝H0（非平稳） 序列非平稳 差分或取对数后重检
拒绝H0（平稳） 拒绝H0（非平稳） 结果矛盾 检查是否含结构突变或长记忆性
接受H0（非平稳） 接受H0（平稳） 结果矛盾 样本量不足或存在非线性趋势

风险提示：ADF检验对结构突变（如金融危机、政策变化）非常敏感，可能将平稳序列误判为非平稳。KPSS检验则对短期自相关不敏感，但对长期趋势敏感。因此，当两者结论矛盾时，应首先检查数据是否包含明显的断点，并考虑使用Zivot-Andrews检验等更稳健的方法。

4.3 自相关函数（ACF）与偏自相关函数（PACF）

一旦确认序列平稳，下一步就是分析其自相关结构，以确定适合的ARMA模型阶数。

  • ACF（自相关函数）：度量序列与其自身滞后 k 期之间的线性相关性。公式为 ρ_k = Cov(X_t, X_{t-k}) / Var(X_t)。ACF图展示了不同滞后阶数的相关系数及95%置信区间带。
  • PACF（偏自相关函数）：度量在剔除中间滞后项影响后，序列与滞后 k 期的直接相关性。PACF图用于识别AR模型的阶数。

判断规则如下：

  • 若ACF在滞后 q 阶后截尾（迅速落入置信带内），而PACF拖尾（缓慢衰减），则适合MA(q)模型。
  • 若PACF在滞后 p 阶后截尾，而ACF拖尾，则适合AR(p)模型。
  • 若两者均拖尾，则可能需要ARMA(p,q)模型。

经验法则：在统计套利中，价差序列的ACF通常呈现“快速衰减”特征，这暗示均值回归强度较高。如果ACF在多个滞后阶数上仍显著为正，说明价差存在动量效应，此时应谨慎使用均值回归策略，或考虑引入动量因子。

4.4 白噪声与随机游走：两个极端基准

理解这两个概念有助于我们判断序列是否“可交易”。

  • 白噪声（White Noise）：序列完全随机，均值为0，方差恒定，且任意滞后阶数的自相关系数均为0。白噪声序列没有任何可预测性，ACF和PACF均在置信带内。若价差序列是白噪声，说明价差已充分反映所有信息，不存在套利空间。
  • 随机游走（Random Walk）：X_t = X_{t-1} + ε_t，其中ε_t为白噪声。随机游走是非平稳的，其方差随时间线性增长。对随机游走进行一阶差分后得到白噪声。若价格序列是随机游走，则其对数收益率为白噪声，意味着市场是弱式有效的。

在套利策略中，我们追求的是“介于两者之间”的状态：价差序列既不是白噪声（否则无利可图），也不是随机游走（否则风险不可控），而是具有显著负自相关的平稳序列——这正是均值回归的典型特征。

4.5 案例拆解：检验沪深300ETF与中证500ETF价差的平稳性

假设我们计划构建沪深300ETF（510300）与中证500ETF（510500）的配对交易策略。我们收集了2023年1月至2024年6月的日度收盘价数据，共约350个观测值。初始目标是验证两者价差是否具备均值回归特性。

第一步：数据预处理与价差计算

# Python伪代码示例
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller, kpss
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 加载数据
df = pd.read_csv('etf_prices.csv', index_col='date', parse_dates=True)
# 计算对数价格
df['log_300'] = np.log(df['510300'])
df['log_500'] = np.log(df['510500'])
# 计算价差（假设协整系数为1，实际需先估计）
df['spread'] = df['log_300'] - df['log_500']

第二步：平稳性检验

对价差序列进行ADF检验，结果如下：

  • ADF统计量：-3.82（1%临界值：-3.45）
  • p-value：0.002
  • KPSS统计量：0.12（5%临界值：0.46）

ADF拒绝非平稳原假设，KPSS接受平稳原假设，两者结论一致：价差序列平稳。

第三步：ACF/PACF分析

绘制价差序列的ACF和PACF图，观察到：

  • ACF在滞后1阶显著为负（-0.35），随后快速衰减至置信带内。
  • PACF在滞后1阶显著为负，之后截尾。

这提示价差序列适合AR(1)模型，且负的自相关系数表明存在均值回归动力。

第四步：策略含义与风险

基于上述检验，我们构建如下规则：当价差低于均值减1.5倍标准差时买入价差（做多300ETF、做空500ETF），当价差回归均值时平仓。回测结果显示年化收益率为8.2%，最大回撤为4.5%。但需注意，该策略在2024年2月小盘股流动性危机期间出现连续亏损，原因是价差在极端市场环境下暂时失去了均值回归特性。

复盘经验：平稳性检验通过并不代表策略永远有效。应定期（如每月）滚动检验价差的平稳性，并监控ACF结构是否发生改变。若ACF由负转正，说明价差从均值回归转为动量模式，必须暂停策略并重新评估。

4.6 常见误区与总结复盘

在实际应用中，以下误区需要特别警惕：

  1. 忽视单位根检验的滞后阶数选择：滞后阶数过少会导致自相关残留，过多则降低检验功效。建议使用AIC准则自动选择。
  2. 混淆价格序列与收益率序列的平稳性：价格通常非平稳，收益率（一阶差分）通常平稳。在套利中，我们关注的是价差（价格组合）的平稳性，而非单一价格。
  3. 过度依赖单一检验：ADF和KPSS各有盲区，必须联合使用并交叉验证。
  4. 忽略结构性突变：若样本区间包含重大政策变化或市场危机，平稳性检验结果可能失真。建议使用Chow检验或Bai-Perron检验识别断点。
  5. 将白噪声误认为无套利机会：白噪声确实无线性可预测性，但可能存在非线性结构（如ARCH效应），可通过检验残差的平方自相关来挖掘波动率套利机会。

总结而言，时间序列分析基础是统计套利的“体检工具”。通过ADF与KPSS确认平稳性，通过ACF/PACF识别动态结构，通过白噪声与随机游走判断序列的可交易性，我们才能为后续的协整建模、阈值设计以及风险管理打下坚实基础。务必牢记：先诊断，后建模；先平稳，再回归。

← 上一章 📖 返回目录 下一章 →