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:
| 检验方法 | 适用场景 | 判断标准 | 注意事项 |
|---|---|---|---|
| 滚动均值法 | 初步判断 | 计算滚动窗口内的均值,观察波动 |
