预测股价？先搞懂AR模型平稳性的3个统计‘体检’指标：从ACF/PACF图到单位根检验

金融时间序列分析中，股价预测一直是量化分析师和投资者关注的焦点。许多人在拿到一段股价或收益率数据后，迫不及待地开始拟合AR模型进行预测，却忽略了建模前最关键的一步——对序列平稳性的"统计体检"。这就像医生在开药方前不做任何检查，结果可想而知。

在实际操作中，我们经常会遇到这样的问题：为什么同样的AR模型参数，昨天预测效果很好，今天却完全失效？为什么模型给出的置信区间与实际波动相差甚远？这些问题的根源往往在于对序列平稳性的误判。本文将深入解析平稳AR模型的三个核心统计性质如何转化为实战中的诊断工具，帮助你在建模前做好充分的"体检"工作。

1. 平稳性的第一道体检：观察序列图判断均值稳定性

当我们谈论时间序列的平稳性时，首先关注的是均值是否恒定。对于股价序列，直观的方法就是绘制其走势图。但要注意，我们通常分析的不是原始价格序列，而是对数收益率序列。

为什么选择收益率而非原始价格？

• 价格序列通常呈现明显的趋势性，不符合平稳性要求
• 收益率序列更可能满足均值稳定的假设
• 对数转换可以稳定方差，使波动幅度更加一致

提示：在实际操作中，可以先用Python简单绘制序列图进行初步判断：

python复制import pandas as pd
import matplotlib.pyplot as plt

# 假设df包含股价数据，'Close'为收盘价列
df['Log_Return'] = np.log(df['Close']/df['Close'].shift(1))
plt.figure(figsize=(12,6))
plt.plot(df['Log_Return'])
plt.title('Daily Log Returns')
plt.show()

如果序列图显示均值有明显变化（如整体上升或下降趋势），就需要考虑进行差分处理。但仅凭肉眼判断往往不够准确，我们需要更量化的指标。

均值稳定性的量化检验方法：

2. 方差的有限性：预测置信区间的关键保障

平稳AR模型的第二个重要性质是方差的有限性。这一性质直接关系到我们能否构建可靠的预测区间。如果方差无限或随时间变化，模型给出的置信区间将失去参考价值。

如何诊断方差稳定性？

1. 观察滚动标准差：与滚动均值类似，计算滚动窗口内的标准差，观察其变化

python复制df['Rolling_Std'] = df['Log_Return'].rolling(window=30).std()
plt.plot(df['Rolling_Std'])

2. ARCH效应检验：使用Ljung-Box检验残差平方的自相关性

python复制from statsmodels.stats.diagnostic import acorr_ljungbox
res = acorr_ljungbox(model.resid**2, lags=10)
print(res.lb_pvalue)  # p值小于0.05则存在ARCH效应

3. 方差稳定化变换：如果发现方差不稳定，可以考虑：
   • 对数变换
   • Box-Cox变换
   • 分段建模（对不同波动率时期分别建模）

实际案例： 某科技股日收益率序列分析显示，在财报发布期间滚动标准差显著上升，这时就需要考虑引入GARCH模型来捕捉这种波动聚集效应，而非简单的AR模型。

3. ACF/PACF图解读：定阶的艺术与科学

自相关函数(ACF)和偏自相关函数(PACF)图是AR模型定阶的核心工具。正确解读这些图形特征，可以避免过度拟合或欠拟合的问题。

ACF和PACF的典型模式对比：

实际操作步骤：

1. 绘制ACF和PACF图：

python复制from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(series, lags=20)
plot_pacf(series, lags=20)

2. 识别截尾点：

   • 寻找PACF图中最后一个显著超出置信区间的滞后阶
   • 注意：偶尔的超出可能是随机波动，需要结合统计检验

3. 统计检验辅助判断：

python复制from statsmodels.tsa.stattools import arma_order_select_ic
res = arma_order_select_ic(series, ic=['aic', 'bic'])
print(res.aic_min_order)  # AIC准则推荐阶数
print(res.bic_min_order)  # BIC准则推荐阶数

常见误区：

• 过度依赖5%显著性水平：金融数据噪声大，有时需要放宽标准
• 忽略季节性模式：日数据可能有周效应，月数据可能有年效应
• 未考虑结构性变化：如政策调整前后的模式可能完全不同

4. 单位根检验：平稳性诊断的终极防线

虽然ACF/PACF图能提供很多信息，但最权威的平稳性检验还是单位根检验。最常用的是Augmented Dickey-Fuller (ADF)检验。

ADF检验的三种形式：

1. 无截距无趋势：
   $$Δy_t = γy_{t-1} + Σφ_iΔy_{t-i} + ε_t$$
2. 有截距无趋势：
   $$Δy_t = a + γy_{t-1} + Σφ_iΔy_{t-i} + ε_t$$
3. 有截距有趋势：
   $$Δy_t = a + bt + γy_{t-1} + Σφ_iΔy_{t-i} + ε_t$$

Python实现：

python复制from statsmodels.tsa.stattools import adfuller
result = adfuller(series, regression='ct')  # 包含截距和趋势
print('ADF Statistic:', result[0])
print('p-value:', result[1])
print('Critical Values:', result[4])

解读结果时的注意事项：

• 如果p值接近临界值，建议结合KPSS检验做交叉验证
• 对于边界情况，可以考虑使用更稳健的Phillips-Perron检验
• 注意检验方程的选择（是否包含趋势项）对结果影响很大

实际应用技巧：

• 对原始序列和一阶差分序列都进行检验
• 比较不同滞后阶数的结果（可以使用信息准则自动选择）
• 对长周期数据（如月数据）可能需要特别处理

在量化交易实践中，我经常遇到ADF检验结果与ACF图形特征不一致的情况。这时更稳妥的做法是假设序列非平稳，进行差分处理，或者考虑使用ARIMA模型而非AR模型。记住：对平稳性的误判比过度差分代价更大。