精华内容
下载资源
问答
  • 俗话说国以民为本,民以食为天,食品的生产、安全、质量均需要相应的食品资料知识累积与制定,相信这一份.....该文档为平稳性检验方法的应用分析探讨,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 时间序列平稳性检验方法分析及应用研究,陈海龙,王钧婷,判断时间序列的平稳性是时间序列分析的重要环节。由于平稳信号与非平稳信号的性质差别显著,所以判断时间序列的平稳性非常重要。
  • 时间序列的平稳性检验方法汇总。主要检验方法为:DF检验、ADF检验、PP检验、DF-GLS检验、KPSS检验等,含代码示例,并增加了预备知识:时间序列的确定趋势、随机趋势、d阶单整及单位根概念的解释。

    上文我们已经知道了什么是时间序列的平稳性,也见到了一些平稳时间序列和非平稳的时间序列,那么当我们有一个新的时间序列数据时,怎么判断它是否是平稳的呢?

    时间序列平稳性检验方法,大体可分为三类:

    1. 图形分析方法
    2. 简单统计方法
    3. 假设检验方法

    一、图形分析方法

    图形分析方法是一种最基本、最简单直接的方法,即绘制图形,肉眼判断。

    可直接可视化时间序列数据,也可以可视化时间序列的统计特征。

    可视化数据

    可视化数据即绘制时间序列的折线图,看曲线是否围绕某一数值上下波动(判断均值是否稳定),看曲线上下波动幅度变化大不大(判断方差是否稳定),看曲线不同时间段波动的频率[~紧凑程度]变化大不大(判断协方差是否稳定),以此来判断时间序列是否是平稳的。

    以下绘制几张图,大家来直观判断一下哪些是平稳的,哪些是非平稳的。

    import numpy as np
    import pandas as pd
    import akshare as ak
    from matplotlib import pyplot as plt
    
    np.random.seed(123)
    
    # -------------- 准备数据 --------------
    # 白噪声
    white_noise = np.random.standard_normal(size=1000)
    
    # 随机游走
    x = np.random.standard_normal(size=1000)
    random_walk = np.cumsum(x)
    
    # GDP
    df = ak.macro_china_gdp()
    df = df.set_index('季度')
    df.index = pd.to_datetime(df.index)
    gdp = df['国内生产总值-绝对值'][::-1].astype('float')
    
    # GDP DIFF
    gdp_diff = gdp.diff(4).dropna()
    
    
    # -------------- 绘制图形 --------------
    fig, ax = plt.subplots(2, 2)
    
    ax[0][0].plot(white_noise)
    ax[0][0].set_title('white_noise')
    ax[0][1].plot(random_walk)
    ax[0][1].set_title('random_walk')
    
    ax[1][0].plot(gdp)
    ax[1][0].set_title('gdp')
    ax[1][1].plot(gdp_diff)
    ax[1][1].set_title('gdp_diff')
    
    plt.show()
    


    a. 白噪声,曲线围绕0值上下波动,波动幅度前后、上下一致,为平稳序列。
    b. 随机游走,曲线无确定趋势,均值、方差波动较大,非平稳序列。
    c. GDP数据趋势上升,均值随时间增加,非平稳序列。
    d. GDP季节差分后数据,曲线大致在一条水平线上上下波动,波动幅度前后变化较小,可认为是平稳的。

    可视化统计特征

    可视化统计特征,是指绘制时间序列的自相关图和偏自相关图,根据自相关图的表现来判断序列是否平稳。

    自相关,也叫序列相关,是一个信号与自身不同时间点的相关度,或者说与自身的延迟拷贝–或滞后–的相关性,是延迟的函数。不同滞后期得到的自相关系数,叫自相关图。

    (这里有一个默认假设,即序列是平稳的,平稳序列的自相关性只和时间间隔k有关,不随时间t的变化而变化,因而可以称自相关函数是延迟(k)的函数)

    平稳序列通常具有短期相关性,对于平稳的时间序列,自相关系数往往会迅速退化到零(滞后期越短相关性越高,滞后期为0时,相关性为1);而对于非平稳的数据,退化会发生得更慢,或存在先减后增或者周期性的波动等变动。

    自相关的计算公式为根据滞后期k将序列拆成等长的两个序列,计算这两个序列的相关性得到滞后期为k时的自相关性。

    举例:

    X = [ 2 , 3 , 4 , 3 , 8 , 7 ] \small X = [2,3,4,3,8,7] X=[2,3,4,3,8,7]

    A = [ 2 , 3 , 4 , 3 , 8 ] \small A = [2,3,4,3,8] A=[2,3,4,3,8]

    B = [ 3 , 4 , 3 , 8 , 7 ] \small B = [3,4,3,8,7] B=[3,4,3,8,7]

    X ˉ = ∑ i = 1 6 X i = 4.5 \small \bar{X}=\sum_{i=1}^{6}X_i=4.5 Xˉ=i=16Xi=4.5

    s 2 ( X ) = 1 6 ∑ i = 1 6 ( X i − X ˉ ) ( X i − X ˉ ) = 4.916. \small s^2(X)=\frac{1}{6}\sum_{i=1}^{6}{(X_i-\bar{X})(X_i-\bar{X})}=4.916. s2(X)=61i=16(XiXˉ)(XiXˉ)=4.916.

    r ( 1 ) = 1 5 ∑ i = 1 5 ( A i − X ˉ ) ( B i − X ˉ ) = 1.75 \small r(1)=\frac{1}{5}\sum_{i=1}^{5}{(A_i-\bar{X})(B_i-\bar{X})}=1.75 r(1)=51i=15(AiXˉ)(BiXˉ)=1.75

    A C F ( 1 ) = r ( 1 ) s 2 ( X ) = 1.75 4.91666667 = 0.3559322 \small ACF(1)=\frac{r(1)}{s^2(X)}=\frac{1.75}{4.91666667}=0.3559322 ACF(1)=s2(X)r(1)=4.916666671.75=0.3559322

    import statsmodels.api as sm
    X = [2,3,4,3,8,7]
    print(sm.tsa.stattools.acf(X, nlags=1, adjusted=True))
    

    > [1, 0.3559322]
    其中第一个元素为滞后期为0时的自相关性,第二个元素为滞后期为1时的自相关性

    根据ACF求出滞后k自相关系数时,实际上得到并不是X(t)与X(t-k)之间单纯的相关关系。

    因为X(t)同时还会受到中间k-1个随机变量X(t-1)、X(t-2)、……、X(t-k+1)的影响,而这k-1个随机变量又都和X(t-k)具有相关关系,所以自相关系数里面实际掺杂了其他变量对X(t)与X(t-k)的影响。

    在剔除了中间k-1个随机变量X(t-1)、X(t-2)、……、X(t-k+1)的干扰之后,X(t-k)对X(t)影响的相关程度,叫偏自相关系数。不同滞后期得到的偏自相关系数,叫偏自相关图。(偏自相关系数计算较复杂,后期再来具体介绍)

    下面我们就来看看几个实战案例(上图中的数据再来看一下它们的自相关图和偏自相关图):

    # 数据生成过程在第一个代码块中
    from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
    
    fig, ax = plt.subplots(4, 2)
    fig.subplots_adjust(hspace=0.5)
    
    plot_acf(white_noise, ax=ax[0][0])
    ax[0][0].set_title('ACF(white_noise)')
    plot_pacf(white_noise, ax=ax[0][1])
    ax[0][1].set_title('PACF(white_noise)')
    
    plot_acf(random_walk, ax=ax[1][0])
    ax[1][0].set_title('ACF(random_walk)')
    plot_pacf(random_walk, ax=ax[1][1])
    ax[1][1].set_title('PACF(random_walk)')
    
    plot_acf(gdp, ax=ax[2][0])
    ax[2][0].set_title('ACF(gdp)')
    plot_pacf(gdp, ax=ax[2][1])
    ax[2][1].set_title('PACF(gdp)')
    
    plot_acf(gdp_diff, ax=ax[3][0])
    ax[3][0].set_title('ACF(gdp_diff)')
    plot_pacf(gdp_diff, ax=ax[3][1])
    ax[3][1].set_title('PACF(gdp_diff)')
    
    plt.show()
    


    (1) 白噪声的自相关系数很快就衰减到0附近,是明显的平稳序列。滞后期为0时自相关系数和偏自相关系数其实就是序列自己和自己的相关性,故为1;滞后期为1时,自相关系数为0,表示白噪声无自相关性。
    (2) 随机游走,自相关系数下降非常缓慢,故为非平稳序列;另从偏自相关系数中可以看到随机游走只和前一项有关。
    (3) GDP数据的自相关图中也可以看到存在一定的周期性,滞后4、8、12等自相关系数较大下降较慢,差分后下降多一些起到一定效果,认为差分后序列是平稳的。同可视化数据一样,直观判断带有较强主观性,但能让我们对数据有更直观的认识。

    二、简单统计方法

    计算统计量的方法只是作为一个补充,了解即可。宽平稳中有两个条件是均值不变和方差不变,可视化数据中我们可以直观看出来,其实还可以具体计算一下看看。

    很有意思的逻辑,直接将序列前后拆分成2个序列,分别计算这2个序列的均值、方差,对比看是否差异明显。(其实很多时序异常检验也是基于这种思想,前后分布一致则无异常,否则存在异常或突变)

    我们来算白噪声和随机游走序列不同时间段的均值、方差:

    import numpy as np
    
    np.random.seed(123)
    
    white_noise = np.random.standard_normal(size=1000)
    
    x = np.random.standard_normal(size=1000)
    random_walk = np.cumsum(x)
    
    def describe(X):
        split = int(len(X) / 2)
        X1, X2 = X[0:split], X[split:]
        mean1, mean2 = X1.mean(), X2.mean()
        var1, var2 = X1.var(), X2.var()
        print('mean1=%f, mean2=%f' % (mean1, mean2))
        print('variance1=%f, variance2=%f' % (var1, var2))
    
    print('white noise sample')
    describe(white_noise)
    
    print('random walk sample')
    describe(random_walk)
    

    white noise sample:
    mean1=-0.038644, mean2=-0.040484
    variance1=1.006416, variance2=0.996734

    random walk sample:
    mean1=5.506570, mean2=8.490356
    variance1=53.911003, variance2=126.866920

    白噪声序列均值和方差略有不同,但大致在同一水平线上;
    随机游走序列的均值和方差差异就比较大,因此为非平稳序列。


    三、假设检验方法

    平稳性的假设检验方法当前主流为单位根检验,检验序列中是否存在单位根,若存在,则为非平稳序列,不存在则为平稳序列。

    在介绍检验方法之前,有必要了解一些相关补充知识,这样对后面的检验方法理解上就会更清晰一些。



    预备知识


    确定趋势

    如果时间序列有“确定趋势”,比如
    y t = β 0 + β 1 t + ε t y_t=\beta_0+\beta_1t+\varepsilon_t yt=β0+β1t+εt
    其中, β 1 t \beta_1 t β1t 即为确定趋势。
    E ( y t ) = β 0 + β 1 t \small E(y_t)=\beta_0+\beta_1t E(yt)=β0+β1t
    期望 E ( y t ) \small E(y_t) E(yt)中有时间变量,随时间变化,所以不是平稳时间序列。

    含有确定趋势的序列的差分过程是过度差分:
    y t − y t − 1 = α + ε t − ε t − 1 y_t-y_{t-1}=\alpha+\varepsilon_t-\varepsilon_{t-1} ytyt1=α+εtεt1
    过度差分不但会使序列样本容量减少,还会使序列的方差变大。差分后的序列会存在自相关性,但这种自相关性是毫无意义的。

    所以应该使用“退势”的方法获得平稳序列,如下:
    y t ∗ = y t − β 1 t = β 0 + e t y_t^*=y_t-\beta_1t=\beta_0+e_t yt=ytβ1t=β0+et
    但是 β 1 \beta_1 β1 如何确定,趋势拟合。消除序列中的时间趋势后,即为平稳序列,所以称这样的序列为“趋势平稳”序列或“退势平稳”序列。

    随机趋势

    另一种导致时间序列非平稳的因素为“随机趋势”。比如随机游走模型:
    y t = y t − 1 + ε t y_t=y_{t-1}+\varepsilon_t yt=yt1+εt,其中 { ε t } \small \{ \varepsilon_t \} {εt} 为白噪声
    y t − y t − 1 = ε i y_t-y_{t-1}=\varepsilon_i ytyt1=εi
    来自 { ε t } \small \{ \varepsilon_t \} {εt} 的任何波动对 { y t } \small \{ y_t \} {yt} 都具有永久性的冲击,最主要的是其影响力不随时间而衰减,称 { ε t } \small \{ \varepsilon_t \} {εt} 为这个模型的“随机趋势”。

    带漂移项的随机游走模型:
    y t = β 0 + y t − 1 + ε t y_t=\beta_0+ y_{t-1}+\varepsilon_t yt=β0+yt1+εt, 其中 β 0 ≠ 0 \beta_0 \neq 0 β0=0 为常数
    y t − y t − 1 = β 0 + ε t y_t-y_{t-1}=\beta_0+\varepsilon_t ytyt1=β0+εt

    除持续受到来自随机趋势 { ε t } \small \{ \varepsilon_t \} {εt} 的影响外,还受一个常数项 β 0 \small \beta_0 β0 的影响。

    以上对随机游走或带漂移项的随机游走进行一阶差分,均可消除随机趋势的影响,得到一个平稳序列,故称“差分平稳”序列。

    d阶单整

    称平稳的时间序列为“零阶单整”(Integrated of order zero),记为 I ( 0 ) \small I(0) I(0)

    如果时间序列的一阶差分是平稳的,则称为“一阶单整”(Integrated of order one),记为 I ( 1 ) \small I(1) I(1),也称为“单位根过程”(unit root process)。

    更一般地,如果时间序列的 阶差分为平稳过程,则称为“d阶单整”(Integrated of order d),记为 I ( d ) \small I(d) I(d)

    什么是单位根

    考虑如下基础模型:
    y t = β 1 y t − 1 + ε t y_t=\beta_1 y_{t-1}+\varepsilon_t yt=β1yt1+εt,其中 { ε t } \small \{ \varepsilon_t \} {εt} 为白噪声
    和随机游走模型很像,只不过多了个系数 β 1 \beta_1 β1

    我们知道随机游走是非平稳的,但是当 ∣ β 1 ∣ < 1 \small |\beta_1|<1 β1<1 时,这个序列就变成平稳的了。

    y t = ( β 1 ) t [ y 0 ] + ∑ i = 1 t − 1 ( β 1 ) i ε i y_t=(\beta_1)^{t}[y_0]+\sum_{i=1}^{t-1}(\beta_1)^i \varepsilon_i yt=(β1)t[y0]+i=1t1(β1)iεi
    ∣ β 1 ∣ < 1 \small |\beta_1|<1 β1<1 时,随着 t t t 的增大, y t y_t yt 最终会收敛,长期来看 { y t } \{ y_t \} {yt} 是平稳的。
    β 1 = 1 \small \beta_1=1 β1=1 时, { y t } \{ y_t \} {yt} 为无规律非平稳的随机游走过程;
    β 1 > 1 \small \beta_1>1 β1>1 时, { y t } \{ y_t \} {yt} 为爆炸式增长的非平稳过程。

    β 1 \beta_1 β1 等于1时 β 1 \beta_1 β1 就是我们所说的单位根。

    画图对比以下可能会更清晰一些:

    import numpy as np
    from matplotlib import pyplot as plt
    
    np.random.seed(123)
    
    def simulate(beta):
        y = np.random.standard_normal(size=1000)
        for i in range(1, len(y)):
            y[i] = beta * y[i - 1] + y[i]
        return y
    
    plt.figure(figsize=(20, 4))
    for i, beta in enumerate([0.9, 1.0, 1.1]):
        plt.subplot(1, 3, i+1)
        plt.plot(simulate(beta))
        plt.title('beta: {}'.format(beta))
    plt.show()
    

    一阶差分方程

    $y_t=\beta_0+\beta_1y_{t-1}+\varepsilon_t $ ( a ) (a) (a)
    $y_t=\beta_0+\beta_1y_{t-1} $ ( b ) (b) (b)
    $y_t=\beta_1y_{t-1} $ ( c ) (c) (c)
    ( a ) (a) (a) 为一阶随机差分方程(因为含有随机项)
    ( b ) (b) (b) 无随机项为确定性差分方程(但非齐次,因为含常数项 β 0 \beta_0 β0
    ( c ) (c) (c) 为对应的齐次差分方程

    根据差分方程理论, ( a ) (a) (a) 的稳定性和 ( b ) (b) (b) 的稳定性是一样的,而 ( b ) (b) (b) 是否稳定取决于 ( c ) (c) (c) 是否稳定,所以判断一个差分方程是否稳定,只要看它对应的齐次差分方程是否有稳定的通解即可。

    以上齐次差分方程对应的特征方程为: λ − β 1 = 0 \lambda - \beta_1=0 λβ1=0 λ \lambda λ 称为差分方程的特征根。

    只有 ∣ λ ∣ < 1 |\lambda|<1 λ<1,即特征方程的根落在复平面的单位圆以内的时候,过程才会平稳。若果根正好落在圆上,称为单位根,为非平稳过程,比如随机游走的情形。如果落在圆外,则为爆炸式增长的非平稳过程。

    差分方程写成滞后算子的形式是这样的: ( 1 − β 1 L ) y t = 0 (1-\beta_1L)y_t=0 (1β1L)yt=0,[ L \small L L 为滞后算子]

    对应特征方程(逆特征方程)为: 1 − β 1 z = 0 1-\beta_1z=0 1β1z=0,[ z z z 称为自回归滞后算子多项式的特征根。]

    显然,差分方程的特征值λ与自回归滞后算子多项式的特征根z是互为倒数。
    ∣ λ ∣ |\lambda| λ 均小于1(特征方程的根都在单位圆内)时是平稳的,对应的 ∣ z ∣ |z| z 均大于1(逆特征方程的根都在圆外)时是平稳的。

    更一般的n阶差分方程
    y t = β 1 y 1 + β 2 y 2 + . . . + β n y n y_t=\beta_1y_1+\beta_2y_2+...+\beta_ny_n yt=β1y1+β2y2+...+βnyn

    对应的齐次差分方程为:
    y t − β 1 y 1 − β 2 y 2 − . . . − β n y n = 0 y_t-\beta_1y_1-\beta_2y_2-...-\beta_ny_n=0 ytβ1y1β2y2...βnyn=0

    该齐次差分方程的特征方程为:
    λ n − β 1 λ n − 1 − β 2 λ n − 2 − . . . − β n = 0 \lambda^n-\beta_1\lambda^{n-1}-\beta_2\lambda^{n-2}-...-\beta_n=0 λnβ1λn1β2λn2...βn=0
    根均在单位圆内是平稳的。

    滞后算子形式(逆特征方程)为:
    1 − β 1 z − β 2 λ 2 − . . . − β λ n = 0 1-\beta_1z-\beta_2\lambda^2-...-\beta\lambda^n=0 1β1zβ2λ2...βλn=0

    根均在单位圆外是平稳的。

    一般直接计算高阶差分方程的根比较复杂,有些简单规则可以用来检验高阶差分方程的稳定性。

    n阶差分方程中,所有特征根均位于单位圆内的充分条件为:

    ∑ i = 1 n β i < 1 \small \displaystyle \sum_{i=1}^{n}\beta_i<1 i=1nβi<1

    n阶差分方程中,所有特征根均位于单位圆内的必要条件为:

    ∑ i = 1 n ∣ β i ∣ < 1 \small \displaystyle \sum_{i=1}^{n}|\beta_i|<1 i=1nβi<1

    如果 ∑ β i = 1 \small \sum \beta_i=1 βi=1,至少有一个特征根等于1。

    一个或多个特征根等于1的时间序列,称为单位根过程

    单位根(unit root)检验就是检验该差分方程的特征方程(characteristic equation)的各个特征根(characteristic root)是均小于1,还是存在等于1的情况。没有检验均大于1的情况,是因为当根均大于1时为爆炸型发散序列,日常数据中基本不存在。




    检验方法


    DF检验

    ADF检验(Augmented Dickey-Fuller Testing)是最常用的单位根检验方法之一,通过检验序列是否存在单位根来判断序列是否是平稳的。ADF检验是DF检验的增强版,在介绍ADF之前,我们先来看一下DF检验。

    迪基(Dickey)和弗勒(Fuller)1979年基于非平稳序列的基本特征将其大致归为三类并提出DF检验:

    (1) 当序列基本走势呈现无规则上升或下降并反复时,将其归为无漂移项自回归过程;
    (2) 当序列基本走势呈现明显的随时间递增或递减且趋势并不太陡峭时,将其归为带漂移项自回归过程;
    (3) 当序列基本走势随时间快速递增时,则将其归为带趋势项回归过程。

    对应检验回归式为:
    (i) 无漂移项自回归过程:
    Y t = ρ Y t − 1 + ε t , ( t = 1 , 2 , . . . , n ) , Y 0 = 0 \small Y_t=\rho Y_{t-1}+\varepsilon_t,(t=1,2,...,n),Y_0=0 Yt=ρYt1+εt,(t=1,2,...,n),Y0=0
    (ii) 带漂移项自回归过程:
    Y t = μ + ρ Y t − 1 + ε t , ( t = 1 , 2 , . . . , n ) , Y 0 = 0 \small Y_t=\mu + \rho Y_{t-1}+\varepsilon_t,(t=1,2,...,n),Y_0=0 Yt=μ+ρYt1+εt,(t=1,2,...,n),Y0=0
    (iii) 带漂移项和趋势项自回归过程:
    Y t = μ + β t + ρ Y t − 1 + ε t , ( t = 1 , 2 , . . . , n ) , Y 0 = 0 \small Y_t=\mu + \beta t+\rho Y_{t-1}+\varepsilon_t,(t=1,2,...,n),Y_0=0 Yt=μ+βt+ρYt1+εt,(t=1,2,...,n),Y0=0
    其中 μ \mu μ 是常数项, β t \beta t βt 是时间趋势项, ε t \varepsilon_t εt 为白噪声无自相关性。

    • 原假设 H 0 : ρ = 1 \small H_0: \rho=1 H0:ρ=1(存在单位根,时间序列是非平稳的)
    • 备择假设 H 1 : ρ < 1 \small H_1: \rho<1 H1:ρ<1(不存在单位根,时间序列是平稳的–不含截距项和趋势项平稳/含截距项平稳/含截距项和趋势平稳)

    若检验统计量大于临界值(p值大于显著性水平 α \alpha α),不能拒绝原假设,序列是非平稳的;
    若检验统计量小于临界值(p值小于显著性水平 α \alpha α),拒绝原假设,认为序列是平稳的。

    下图是网络中看到的单位根检验流程图以供参考(根据该流程可以确定序列是何种类型下的平稳,即便非平稳也可知道是何种类型下的非平稳序列):

    单位根检验流程

    ADF检验

    DF的检验公式为一阶自回归过程,为了能适用于高阶自回归过程的平稳性检验,迪基等1984年对DF检验进行了一定的修正,引入了更高阶的滞后项,ADF的检验回归式修正为:

    假设条件不变:

    • 原假设 H 0 : ρ = 1 \small H_0: \rho=1 H0:ρ=1(存在单位根,时间序列是非平稳的)
    • 备择假设 H 1 : ρ < 1 \small H_1: \rho<1 H1:ρ<1(不存在单位根,时间序列是平稳的–不含截距项和趋势项平稳/含截距项平稳/含截距项和趋势平稳)

    检验流程同DF检验一致。若要严格判断序列是否是宽平稳的,可以直接检验是否不含截距项和趋势项平稳;若不能拒绝原假设(如p>0.05),序列非平稳,其实仍有必要检验序列是否是趋势平稳的。非平稳且非趋势平稳,可以使用一阶差分等平稳化方法处理后再做检验,若是趋势平稳,困于过度差分则不宜使用差分方式平稳化。

    生成一个趋势平稳序列:

    import numpy as np
    from matplotlib import pyplot as plt
    
    np.random.seed(123)
    
    y = np.random.standard_normal(size=100)
    for i in range(1, len(y)):
        y[i] = 1 + 0.1*i + y[i]
    
    plt.figure(figsize=(12, 6))
    plt.plot(y)
    plt.show()
    


    检验是否平稳:

    from arch.unitroot import ADF
    adf = ADF(y)
    # print(adf.pvalue)
    print(adf.summary().as_text())
    
    adf = ADF(y)
    adf.trend = 'ct'
    print(adf.summary().as_text())
    

    说明:
    arch包中ADF检验可指定trend为
    ‘n’(不含截距项和时间趋势项)
    ‘c’(含截距项)
    ‘ct’(含截距项和时间趋势项)
    ‘ctt’(含截距项和时间趋势项和二次型时间趋势项)
    分别对应不同平稳类型的检验。(滞后期lags默认为AIC最小)


    以上第一个文本输出中,不指定trend默认为检验是否含截距项平稳,显著性水平p=0.836>0.05,不拒绝原假设,非平稳;
    以上第二个文本输出中,指定trend为检验是否含截距项和时间趋势项平稳,显著性水平p=0.000<0.05,拒绝原假设,故为趋势项平稳。

    我们再来看看GDP季节差分前后数据是否为平稳的:

    # 数据在第一个代码块中
    from arch.unitroot import ADF
    adf = ADF(gdp)
    print(adf.summary().as_text())
    
    adf = ADF(gdp_diff)
    print(adf.summary().as_text())
    

    可以看到差分前p值为0.998>0.05,不能拒绝原假设,数据非平稳;差分后p值为0.003<0.05,故在5%的显著性水平下可拒绝原假设,差分后的数据是平稳的。

    # 数据在第一个代码块中
    from arch.unitroot import ADF
    adf = ADF(gdp)
    adf.trend = 'ct'
    print(adf.summary().as_text())
    

    指定检验平稳类型为含截距项和时间趋势项平稳,p值为0.693>0.05,同样不能拒绝原假设,故差分前亦非趋势平稳。

    PP检验

    Phillips和Perron(1988) 提出一种非参数检验方法,主要是为了解决残差项中潜在的序列相关和异方差问题,其检验统计量的渐进分布和临界值与 ADF检验相同。同样出现较早,假设条件一样,用法相似,可作为ADF检验的补充。

    • 原假设 H 0 : ρ = 1 \small H_0: \rho=1 H0:ρ=1(存在单位根,时间序列是非平稳的)
    • 备择假设 H 1 : ρ < 1 \small H_1: \rho<1 H1:ρ<1(不存在单位根,时间序列是平稳的–不含截距项和趋势项平稳/含截距项平稳/含截距项和趋势平稳)

    同样构造一个趋势平稳序列,看下PP检验结果:

    import numpy as np
    from arch.unitroot import PhillipsPerron
    
    np.random.seed(123)
    
    y = np.random.standard_normal(size=100)
    for i in range(1, len(y)):
        y[i] = 1 + 0.1*i + y[i]
    
    
    pp = PhillipsPerron(y)
    print(pp.summary().as_text())
    
    pp = PhillipsPerron(y)
    pp.trend = 'ct'
    print(pp.summary().as_text())
    

    不指定trend为默认检验是否为带截距项的平稳过程,检验结果p值为0.055>0.05,对应检验统计量为-2.825大于5%显著性水平下的临界值-2.89,所以5%显著性水平下不拒绝原假设,为非平稳序列;但是检验统计量小于10%显著性水平下的临界值-2.58,故在10%的显著性水平下可拒绝原假设,认为是平稳序列。

    指定trend=‘ct’为检验是否为带截距项和时间趋势项的平稳过程,检验结果p值为0.000<0.05,故为趋势平稳;其实检验统计量为-10.009小于1%显著性水平下的临界值-4.05,所以即便在1%显著性水平下也是平稳的。

    基于以上检验结果,可以判定序列是趋势平稳的。

    DF-GLS检验

    DF-GLS检验,是Elliott, Rothenberg, and Stock 1996年提出的一种单位根检验方法,全称Dickey-Fuller Test with GLS Detredding,即“使用广义最小二乘法去除趋势的检验”,是目前最有功效的单位根检验。

    DF-GLS检验利用广义最小二乘法,首先对要检验的数据进行一次“准差分”,然后利用准差分的数据对原序列进行去除趋势处理,再利用ADF检验的模型形式对去除趋势后的数据进行单位根检验,但此时ADF检验模型中不再包含常数项或者时间趋势变量。

    • 原假设:序列存在单位根(时间序列是非平稳的)
    • 备择假设:序列不存在单位根(时间序列是平稳的或趋势平稳的)

    同样构造一个趋势平稳序列看下检验效果:

    import numpy as np
    from arch.unitroot import DFGLS
    
    np.random.seed(123)
    
    y = np.random.standard_normal(size=100)
    for i in range(1, len(y)):
        y[i] = 1 + 0.1*i + y[i]
    
    dfgls = DFGLS(y)
    print(dfgls.summary().as_text())
    
    dfgls = DFGLS(y)
    dfgls.trend = 'ct'
    print(dfgls.summary().as_text())
    

    不指定trend情况下不能拒绝原假设,非平稳;指定trend='ct’时p值小于0.05,拒绝原假设,带截距项和时间趋势平稳。

    再来构造一个含单位根的非平稳序列看一下检验结果:

    import numpy as np
    from arch.unitroot import DFGLS
    
    np.random.seed(123)
    
    y = np.random.standard_normal(size=100)
    for i in range(1, len(y)):
        y[i] = 0.1 + y[i-1] + y[i]
    
    dfgls = DFGLS(y)
    print(dfgls.summary().as_text())
    
    dfgls = DFGLS(y)
    dfgls.trend = 'ct'
    print(dfgls.summary().as_text())
    

    p值一个为0.645,一个为0.347,均大于0.05/0.1。指不指定检验类型,均未能通过检验,故该序列为非平稳序列。(DF-GLS检验trend只能指定为’c’或者’ct’)

    KPSS检验

    另一个著名的单位根存在的检验是Kwiatkowski, Phillips, and Shin 1992年提出的KPSS检验。与以上三种检验方法相比,最大的不同点就是它的原假设是平稳序列或趋势平稳序列,而备择假设是存在单位根。

    • 原假设:序列不存在单位根(时间序列是平稳的或趋势平稳的)
    • 备择假设:序列存在单位根(时间序列是非平稳的)
    import numpy as np
    from arch.unitroot import KPSS
    
    np.random.seed(123)
    
    y = np.random.standard_normal(size=100)
    for i in range(1, len(y)):
        y[i] = 0.1 + y[i-1] + y[i]
    
    kpss = KPSS(y)
    print(kpss.summary().as_text())
    
    kpss = KPSS(y)
    kpss.trend = 'ct'
    print(kpss.summary().as_text())
    

    注意KPSS检验中原假设为不存在单位根。默认检验趋势类型下p值为0.000,拒绝原假设,存在单位根,序列非平稳。指定trend='ct’后,p值0.115>0.05,不拒绝原假设,认为序列趋势平稳,检验错误。以上几种检验中均不能100%保证检验正确,PP检验可认为是ADF检验的补充,KPSS检验同样也可和其他检验一同使用,当均认为是平稳或趋势平稳时方判定为平稳。

    除以上检验方法外,还有Zivot-Andrews检验、Variance Ratio检验等检验方法。

    以上代码实现中使用的是Python中的arch包,另外还有一个常用的包statsmodels中也实现了单位根检验方法,结果是一样的。

    Method/ModelPackage/Module (function/class)
    Augmented Dickey-Fuller teststatsmodels.tsa.stattools (adfuller)
    arch.unitroot (ADF)
    Phillip-Perron testarch.unitroot (PhillipsPerron)
    Dickey-Fuller GLS Testarch.unitroot (DFGLS)
    KPSS teststatsmodels.tsa.stattools (kpss)
    arch.unitroot (KPSS)
    Zivot-Andrew teststatsmodels.tsa.stattools (zivot_andrews)
    arch.unitroot (ZivotAndrews)
    Variance Ratio testarch.unitroot (VarianceRatio)

    参考链接

    [1]http://course.sdu.edu.cn/G2S/eWebEditor/uploadfile/20140525165255371.pdf [2]https://max.book118.com/html/2016/0518/43276093.shtm [3]https://doc.mbalib.com/view/ef1783f2fa1892f6ad016281ed743d78.html [4]https://www.stata.com/manuals13/tsdfgls.pdf [5]https://zhuanlan.zhihu.com/p/50553021 [6]https://arch.readthedocs.io/en/latest/index.html

    请添加图片描述

    展开全文
  • 论文研究-基于离散小波分解的水文随机过程平稳性检验方法.pdf, 检验环境变化影响下水文过程是否保持平稳性是开展水文分析与计算、水文模拟预报等的重要前提.本研究提出...
  • 本文参考了文献[6]中的平稳性检验方法,设计了一个信号平稳性检验系统,并在 Matlab的GUI开发环境下实现了图形用户界面的设计。实践表明,本系统不但提供了友好的用户界面,并且可以方便地完成信号的平稳性检验。
  • 平稳性检验(描述性)与纯随机性检验

    万次阅读 多人点赞 2019-04-19 11:46:41
    平稳性检验方法分为描述性方法与计量性方法。前者主要指时序图检验、ACF 图检验,后者主要指 DF 检验、ADF 检验与PP检验。由于计量性方法需要 ARMA 模型的相关知识,这篇博客仅仅介绍描述性方法。 时序图检验 ...

    这篇博客主要记录人大出版《应用时间序列分析》第二章的笔记。本章主要介绍进行时序分析前的预处理,即平稳性检验与纯随机性检验。

    平稳性检验(描述性)

    平稳性检验的方法分为描述性方法与计量性方法。前者主要指时序图检验、ACF 图检验,后者主要指 DF 检验、ADF 检验与PP检验。由于计量性方法需要 ARMA 模型的相关知识,这篇博客仅仅介绍描述性方法。

    时序图检验

    时序图检验即是通过观察时序图来判断时间序列是否平稳。Python 中画时序图的代码如下:

    import pandas as pd
    import matplotlib.pyplot as plt
    data = pd.DataFrame({'2010-01-01': 10.00, '2010-01-02': 13.00, '2010-01-04': 13.50, '2010-01-05': 13.50, '2010-01-06': 14.50, '2010-01-07': 16.00, '2010-01-08': 20.50, '2010-01-10': 24.50, '2010-01-11': 27.50, '2010-01-12': 30.50}, index=['price'])
    data = data.T
    data['price'].plot()
    plt.show()

    作图结果如下:

    其实就是使用 pandas 中内置的折线图。

    具体如何通过时序图来检验平稳性呢?平稳时序定义要求均值、方差为常数,协方差仅仅与时间间隔相关。从定义入手,时序图满足以下任一条件的不是平稳时序:

    • 时序存在明显的趋势,即均值不为常数
    • 时序存在集群效应,即某段时间的波动幅度较其它时段明显较大或者较小,即方差不为常数

    下图为集群效应的一个例子:

     

     

    时序中间时段的波动幅度明显大于两端,可以认为时序存在集群效应,为非平稳时序。集群效应在金融时间序列中往往十分常见。

    ACF图检验

    上篇博客中介绍了自协方差函数的定义与作图方法,链接:https://blog.csdn.net/weixin_44607126/article/details/89086035

    平稳时序往往仅具有短期自相关性,长期的 ACF 会振荡随机趋近于0。因此,当 ACF 图不满足这一条件时,可以认为时序非平稳。如何理解振荡与随机呢?下面给出几个 ACF 图检验的例子。

    上图在 k >= 2 时就已经趋于 0 了,但是并没有满足随机趋于 0 的条件,该图中的 ACF(k) 先连续4项正值,然后连续6项负值,整个图形呈现出倒三角的形状,这意味着时序中存在明显的趋势,为非平稳时序。事实上,这是一条单增时序的 ACF 图。

    上图是平稳时序的 ACF 图的一个例子,可以看到 ACF(k) 没有出现规律性,振荡随机趋近于0,可以认为时序平稳。

    总结来看,当 ACF 图满足下列任一条件时,可以认为时序为非平稳时序

    • ACF 图正项与负项连续交替出现,呈现倒三角形,意味着时序中存在趋势
    • ACF 图拖尾,即当 k 很大时仍有 ACF(k) 显著

    描述性检验方法的注意事项

    无论是时序图还是 ACF 图,使用它们作为检验方法时都具有较强的主观性,没有引入客观的统计量。因此,时序图与 ACF 图仅能用来排除非平稳时序,不能用来判断一个时序是否是平稳时序!即描述性检验方法仅仅是为计量性检验方法作一个初步筛选,如果时序没有通过描述性检验方法,就不需要进行计量性检验了;而即使时序通过了描述性检验方法,仍需要进行计量性检验来进一步确认时序为平稳时序。

    纯随机性检验

    在进行时序分析之前,我们需要确认这个时序不是一个单纯的噪音,而是蕴含着可以用模型描述的信息。因此需要对时序进行纯随机性检验。

    白噪声的定义

    我们称满足下列条件的时序为白噪声(纯随机时序):

    1. EX_{t}=\mu
    2. Var(X_{t})=\sigma ^2
    3. Cov(X_{t}, X_{t+k})=0, \forall t, k

    白噪声满足均值与方差均为常数,且不同时刻上的随机变量不相关。显然,白噪声是一种平稳时序。

    从白噪声的定义中可以看出,对于白噪声时序,历史数据不能提供关于未来的信息,此时建立时序模型将会是徒劳的。因此在蚝时序建模前需要进行白噪声检验。同时,白噪声还可以用来判断时序模型总体的显著性,当模型残差是白噪声序列时,就可以认为模型已经充分提取了时序信息。

    Barlett定理

    如果一个时序是纯随机的,得到一个观察期数为 n 的观察序列,那么该序列的延迟非零期样本自相关系数近似服从 N(0, \frac{1}{n})的正态分布。

    仅仅想在应用层面理解时序则不必深究上述定理。

    BP检验

    根据 Barlett 定理,可以构建 Q 统计量:Q=n\sum_{k=1}^{m}\widehat{\rho}_{k}^2

    则有 Q$\sim$\chi^2(m),其中 m 为指定最大延迟期数,\widehat{\rho}_{k}^2 为 k 期延迟样本自相关系数。原假设为时序是白噪声序列,当 Q 大于单侧检验临界值时认为时序不是白噪声序列。

    LB检验

    LB 检验是在 BP 检验的基础上进行了一些修正,使其更适用于小样本。LB 统计量表达式为:LB=n(n+2)\sum_{k=1}^{m}\widehat{\rho}_{k}^2/(n-k)

    在实际应用中通常使用 LB 检验。

    在python中进行 LB 检验的代码如下:

    from statsmodels.stats.diagnostic import acorr_ljungbox
    print(acorr_ljungbox(np.random.rand(100), lags=[6, 12]))

    lags 即上面公式中的m , 通常取 6 与 12。

    输出如下:

    (array([2.02502998, 8.28247283]), array([0.91738225, 0.76268484]))

    第一个 array 是 LB 统计量的数值,第二个 array 是 p 值。当 p 值小于显著性水平时认为时序不是白噪声。

    总结

    1. 在进行正式的时序建模前需要检验时序的平稳性与纯随机性
    2. 平稳性检验可以通过时序图、ACF 图等描述性方法,但依然要使用 ADF 检验、PP 检验来最终判断
    3. 纯随机性检验可以使用 BP 统计量与 LB 统计量,通常使用 LB 统计量

    误区

    1. 仅仅通过时序图与 ACF 图就断定一个时序是平稳时序:时序图与 ACF 图仅仅只能用于判断非平稳时序,不能用于判断平稳时序
    2. 不画时序图与 ACF 图,直接对时序进行 ADF 检验与 PP 检验:描述统计是必不可少的步骤,通过时序图与 ACF 图可以清楚看出时序的趋势性与周期性
    3. 在正式建模之前不检验时序的纯随机性,认为仅仅检验时序的平稳性就足够了:白噪声时序也是平稳序列,但是没有分析的价值
    4. 在正式建模之后不检验残差序列的纯随机性:残差序列的纯随机性检验有点类似于多元回归中的 F 检验,检验的是模型总体的显著性水平
    展开全文
  • 基于替代数据方法的信号平稳性检验,纪冠群,李明,在对信号进行处理时,确定信号是否平稳是处理信号的前提。因此,信号的平稳性检测在信号处理中有着十分重要的作用。本文通过对原
  • 平稳性检验方法分为描述性方法与计量性方法。前者主要指时序图检验、ACF 图检验,后者主要指 DF 检验、ADF 检验与PP检验。 如下两个模型: 原假设,备择假设 def ADF_p(start_date=None,end_date=None,...

    平稳性检验(描述性)

    平稳性检验的方法分为描述性方法与计量性方法。前者主要指时序图检验、ACF 图检验,后者主要指 DF 检验、ADF 检验与PP检验。

    如下两个模型:

                          p_{t}=\phi _{1}p_{t-1}+e_{t}

                         p_{t}=\phi _{0}+\phi _{1}p_{t-1}+e_{t}

    原假设H_{0}:\phi _{1}=1,备择假设H_{a}:\phi _{1}<1

    def ADF_p(start_date=None,end_date=None,stock=None,count=None,frequency=None):
        if not isinstance(stock,str):
            return 
        p = list()
        if frequency == '1m':
            trade_days = jd.get_trade_days(start_date=start_date,end_date=end_date)
            trade_days = list(map(lambda x:x.strftime('%Y-%m-%d'),trade_days))
            
            for days in trade_days:
                data = jd.get_price(security=stock, start_date=days+' 09:30:00', 
                            end_date=days+' 15:00:00', frequency='1m',
                            fields=['close'], skip_paused=False, fq='pre', count=None)['close']
                data = np.log(data.reset_index(drop=True))
                p.append((ADF(data)[1],days))   
        
        if frequency == '1d':
            trade_days = pd.date_range(start=start_date,end=end_date,freq='A')
            trade_days = list(map(lambda x:x.strftime('%Y-%m-%d'),trade_days))
            for days in trade_days:
                data = jd.get_price(security=stock,end_date=days, frequency='1d',
                            fields=['close'], skip_paused=False, fq='pre', count=250)['close']
                data = np.log(data.reset_index(drop=True))
                p.append((ADF(data)[1],days))
                
        return p

    p_min:上证指数,2020-01-01到2020-04-01,每日日内分钟收盘价的ADF检验的p值。大多数情况下p>0.05,日内每分钟收盘价是非平稳的即存在趋势性。

    p_d:上证指数,2015-2019,每年每日收盘价的ADF检验的p值,大多数情况下p>0.05,日收盘价是非平稳的即存在趋势性。

    随机性时间序列的定义与检验

    LB_p_min:上证指数,2020-01-01到2020-04-01,每日日内分钟收盘价的LB检验的p值。p<0.05,日内每分钟收盘价不是随机的。

    LB_p_d:上证指数,2015-2019,每年每日收盘价的LB检验的p值,p<0.05,日收盘价是非随机的。

    展开全文
  •  信号的平稳性检验在随机信号处理中起着十分基础的作用。由于平稳信号和非平稳信号的性质差别显着,因此在处理信号之前先行判断它的平稳性就显得尤为重要。虽然信号平稳性的定义十分明确,但是实际判断过程却是复杂...
  • ppt平稳性的定义;平稳性检验方法(ADF检验);伪回归的定义;协整的定义及检验方法(AEG方法);误差修正模型的含义及表示形式.
  • 掌握平稳性检验的相关概念 掌握统计套利方法 二、 实验内容 (1)平稳性分析:对2021 年1 月1 日-2021 年3 月1 日,中国石油,贵州茅台,兴蓉环境,招商银行,工商银行这5 只股票进行平稳性分析(均值和方差稳定)...

    一、 实验目的

    1. 掌握平稳性检验的相关概念
    2. 掌握统计套利方法

    二、 实验内容
    (1)平稳性分析:对2021 年1 月1 日-2021 年3 月1 日,中国石油,贵州茅台,兴蓉环境,招商银行,工商银行这5 只股票进行平稳性分析(均值和方差稳定)。
    (2)找出符合平稳性要求的股票;
    (3)放宽时间到1 年,分析这些股票是否还具有时间序列的平稳性?
    (4)思考并分析平稳性改变的原因?
    (5)思考为什么文艺复兴科技公司的统计套利主要针对日内交易?所有的股票都可以进行统计套利吗?
    (6)回答,并将程序运行结果贴图。
    (7)将代码粘贴附后。

    三、 实验步骤
    查看企业的股票代号
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    首先编写平稳性计算函数StableModel(code, name, stime, etime)用于计算每支股票的平稳性相关分析数据。其中参数code表示股票的号,name表示企业名称,stime表示获取股票数据的开始时间,etime表示获取股票数据的结束时间。
    获取股票数据,并计算相应时间段内收盘价的均值和方差,并进行单位根检验

    stock = ts.get_hist_data(code, start=stime,end=etime,ktype='d') # 获取数据
    pcaverage=np.mean(stock.close)
    pcq=np.var(stock.close)
    print('均值为',pcaverage)
    print('方差为',pcq)
    
    print(adfuller(stock.close))
    
    
    

    因为获取的股票数据是从当前时间往历史时间递减的,所以需要对数据数列进行重新排序,改成从历史时间向当前时间递增。

    # 处理时间顺序,将时间按照递增的次序排列
    date = []
    for i in stock.index:
        t = i.split("-")[1:]
        t[0] = int(t[0])
        t[-1] = int(t[-1])
        date.append(str(t[0])+"-"+str(t[-1]))
    
    date1 = []
    for i in range(len(date)):
        date1.append(date[len(date)-i-1])
    # 相应的改变收盘价的顺序
    close = []
    c = list(stock.close)
    for i in range(len(stock)):
        close.append(c[len(stock)-i-1])
    
    
    

    处理好数据以后就可以绘制股票收盘价的波动散点图

    # 绘制散点图
    plt.rcParams["font.sans-serif"] = "SimHei"  # 设置图片中字体为中文黑体
    plt.scatter(date1,close)
    plt.xticks(rotation=-90)  # 设置x轴标签旋转90角度,垂直与坐标轴x
    plt.title("{}".format(name))
    plt.xlabel("日期")
    plt.ylabel("股票收盘价(元)")
    plt.show()
    
    

    平稳性分析

    程序运行的计算结果如下图1所示
    在这里插入图片描述
    汇总成如下所示的表1
    在这里插入图片描述
    从股票收盘价的均值和方差上来看,2021年的第一季度,贵州茅台的收盘价均值远远超过其他四家企业,而且方差也是十分巨大,贵州茅台的波动性太强,明显不是稳定性的,其次招商银行的均值也相对较大,方差也不小,因此贵州茅台和招商银行是波动性较大,不平稳的。中国石油、兴蓉环境、工商银行三家的股票收盘价均值相差不超过1元,且方差都在0.01级别,可以说是十分平稳,波定性不大。
    在这里插入图片描述
    从图2可以看出过去两个月的时间内中国石油的每日收盘价波动幅度很小,纵坐标的极差在0.5以内。这在股市中是属于很稳定的价格波动,这样的波动相对于前面提到的贵州茅台几乎可以忽略不计。我将中国石油的ADF检验的结果汇总到表2
    在这里插入图片描述
    从表2中显示的结果来看ADF的检验结果为-3.4267小于5%和10%的统计值,因此5%程度拒绝原假设,p值为0.01001也小于0.05,能够接受。所以拒绝原假设,不存在单位根,中国石油指数在过去两个月数据平稳。
    在这里插入图片描述
    从图3可以看出过去两个月的时间内贵州茅台的每日收盘价波动幅度很大,纵坐标的极差在600左右。这在股市中是属于大范围的价格波动,这样的波动极容易让投资者产生恐慌,也是市场收割韭菜的一个良机,同时也是精明的投资者加仓抄底的时机。我将贵州茅台的ADF检验的结果汇总到表3
    在这里插入图片描述
    从表3中显示的结果来看贵州茅台ADF的检验结果为-1.0637大于三个level的统计值,因此不能显著的拒绝原假设,p值为0.7293大于0.05,不能够接受。所以接受原假设,存在单位根,贵州茅台指数在过去的两个月数据不平稳,波动性很大!
    在这里插入图片描述
    从图4可以看出过去两个月的时间内,兴蓉环境的每日收盘价波动幅度很小,纵坐标的极差在0.7以内。这在股市中是属于很稳定的价格波动,这样的波动相对于前面提到的贵州茅台几乎可以忽略不计。我将兴蓉环境的ADF检验的结果汇总到表4
    在这里插入图片描述
    从表4中显示的结果来看兴蓉环境ADF的检验结果为-3.1281小于5%和10%的统计值,因此5%程度拒绝原假设,p值为0.0245也小于0.05,能够接受。所以拒绝原假设,不存在单位根,兴蓉环境指数在过去两个月数据平稳。
    在这里插入图片描述
    从图5可以看出过去两个月的时间内招商银行的每日收盘价波动幅度很大,纵坐标的极差在15左右。我将招商银行的ADF检验的结果汇总到表5
    在这里插入图片描述
    从表5中显示的结果来看招商银行ADF的检验结果为0.4826大于三个level的统计值,因此1%程度接受原假设,p值为0.9843大于0.05,不能够接受。所以接受原假设,存在单位根,招商银行指数在过去两个月数据不平稳,股票收盘价波动明显!
    在这里插入图片描述
    从图6可以看出过去两个月的时间内,工商银行的每日收盘价波动幅度很小,纵坐标的极差在0.6以内。这在股市中是属于很稳定的价格波动,这样的波动相对于前面提到的贵州茅台几乎可以忽略不计。我将工商银行的ADF检验的结果汇总到表6
    在这里插入图片描述
    从表6中显示的结果来看工商银行ADF的检验结果为-1.6153大于三个level的统计值,因此接受原假设,但是p值为0.4751小于0.05,能够接受。所以接受原假设,存在单位根,工商银行指数在过去两个月数据不平稳。

    两个月的时间段结果

    根据上面对五支股票的平稳性检验得出的结果和最前面仅根据股票收盘价的均值和方差得到的结果有很大出入。ADF检验的结果显示,中国石油、兴蓉环境在过去两个月股价波动小,指数平稳。贵州茅台、招商银行、工商银行在过去两个月股价波动大,指数不平稳!

    把统计时间放宽到1年,即从2020年3月-2021年3月。

    程序运行的结果如下图
    在这里插入图片描述
    将每支股票的收盘价均值和方差统计成表如下所示。
    在这里插入图片描述
    从整体上来看,时间跨度虽然从两个月扩充到了1年,但是变化并不大,从方差来看,贵州茅台和招商银行依然属于波动大的股票,尤其是贵州茅台很不平稳,收盘价在过去的两个月均值为2181元,在过去一年的收盘价均值为1633元,变化很大。中国石油、兴蓉环境、工商银行这三家的方差依然很低,平稳很多。
    综上所述,当时间范围扩大到一年,五家企业的股价都变得不平稳,失去了时间序列的平稳性。我觉得这其中的主要原因在于较长的时间跨度中会出现很多人们无法预料的事情,这些突发事件的出现会对股市产生巨大的影响,虽然人们知道突发性时间会发生,但是却无法预判其发生的时间和地点已及造成的影响。黑天鹅事件是难以让人把握规律,也无法用模型来进行预测的,所以当时间跨度较长时,股票就会失去时间序列的平稳性,变得难以预料。这也是为什么说股市投资是一个风险很大的行为。
    有了以上的解释就很好理解为什么文艺复兴科技公司的统计套利主要针对日内交易了,因为一天之内人们可以准确把握是否会有突发性事件发生,并且任何突发性事件的发生都会有一个时间缓冲区,做日内交易就可以很好的对任何突发性事件做出及时的相应和应对。从而将股市未来的不确定性大大减小,风险相应的也就变小了,但是收益却依然客观。

    完整代码

    '''
    python3.7
    -*- coding: UTF-8 -*-
    @Project -> File   :Code -> stable
    @IDE    :PyCharm
    @Author :YangShouWei
    @USER: 296714435
    @Date   :2021/4/4 17:49:54
    @LastEditor:
    '''
    import tushare as ts
    import numpy as np
    from statsmodels.tsa.stattools import adfuller  # 进行单位根检验
    import matplotlib.pyplot as plt
    
    
    def StableModel(code,name,stime,etime):
        print("{}统计套利平稳性检验".format(name))
    
        stock = ts.get_hist_data(code, start=stime,end=etime,ktype='d') # 获取数据
        pcaverage=np.mean(stock.close)
        pcq=np.var(stock.close)
        print('均值为',pcaverage)
        print('方差为',pcq)
    
        print(adfuller(stock.close))
    
    
        # 处理时间顺序,将时间按照递增的次序排列
        date = []
        for i in stock.index:
            t = i.split("-")[1:]
            t[0] = int(t[0])
            t[-1] = int(t[-1])
            date.append(str(t[0])+"-"+str(t[-1]))
    
        date1 = []
        for i in range(len(date)):
            date1.append(date[len(date)-i-1])
        # 相应的改变收盘价的顺序
        close = []
        c = list(stock.close)
        for i in range(len(stock)):
            close.append(c[len(stock)-i-1])
        # 绘制散点图
        plt.rcParams["font.sans-serif"] = "SimHei"  # 设置图片中字体为中文黑体
        plt.scatter(date1,close)
        plt.xticks(rotation=-90)  # 设置x轴标签旋转90角度,垂直与坐标轴x
        plt.title("{}".format(name))
        plt.xlabel("日期")
        plt.ylabel("股票收盘价(元)")
        # plt.show()
    
    if __name__ == "__main__":
    
        # 时间2021年1月1日-2021年3月1日,对五家企业进行平稳性计算
        stime = '2021-01-01'
        etime = '2021-03-01'
        print("2021年1月到3月平稳性计算:")
        StableModel("601857","中国石油",stime,etime)
        StableModel("600519","贵州茅台",stime,etime)
        StableModel("000598","兴蓉环境",stime,etime)
        StableModel("600036","招商银行",stime,etime)
        StableModel("601398","工商银行",stime,etime)
    
        stime = '2020-03-01'
        print("\n========================================================================"*2+"\n")
        print("2020-3-01到2021-03-01一年平稳性计算:")
        StableModel("601857", "中国石油", stime, etime)
        StableModel("600519", "贵州茅台", stime, etime)
        StableModel("000598", "兴蓉环境", stime, etime)
        StableModel("600036", "招商银行", stime, etime)
        StableModel("601398", "工商银行", stime, etime)
    
    
    
    展开全文
  • 信号的平稳性检验在随机信号处理中起着十分基础的作用。由于平稳信号和非平稳信号的性质差别显著,因此在处理信号之前先行判断它的平稳性就显得尤为重要。虽然信号平稳性的定义十分明确,但是实际判断过程却是复杂的...
  • 时间序列平稳性检验—R语言KPSS检验

    千次阅读 2019-12-04 10:07:56
    对于一个时间序列,例如用R自带的google股价变化数据goog(可以通过导入fpp2包之后直接使用goog这个数组变量,这里仅为示例,代指要检验的时间序列或者数组)。 1.1 对goog进行KPSS检验 R代码为 library(urca) summary...
  • 分析了真实无线局域网业务流的基本统计特性,并应用单位根检验方法检验无线局域网中的聚集业务流的非平稳性。实验结果表明,不论是下行的还是上行的聚集流在不同显著水平上存在非平稳性;同时对这些聚集业务流的一阶...
  • 时间序列的平稳性检验与随机性检验

    万次阅读 多人点赞 2019-04-05 14:42:56
        对于一个时间序列,在进行建模之前,首先需要进行平稳性检验和纯随机性检验,然后根据检验的结果再选择适合的模型。在讲解平稳性和随机性的定义之前,我们先介绍一下时间序列中常用的几个特征统计量。 2.1...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,555
精华内容 2,222
关键字:

平稳性检验的方法