欢迎来到非平稳时间序列的世界！

在我们之前学习的时间序列（如 AR 和 MA 模型）中，我们假设世界是「平稳的」——这意味着像平均值（均值）和波动幅度（方差）这样的统计特性随时间保持不变。但老实说：金融市场很少这么听话！股价往往会随年增长，而波动率则可能在危机期间飙升。这些就是非平稳（non-stationary）序列。

在本章中，我们将学习如何识别这些「不稳定」的序列，为什么它们会诱骗我们看到不存在的规律，以及如何修正它们以构建可靠的模型。如果刚开始看到数学公式觉得有点可怕，请别担心——我们会用简单的类比来为你拆解！

1. 什么是非平稳性？

如果一个时间序列的均值、方差和协方差随时间保持不变，它就是平稳的。试着把平稳序列想象成房间里摆动的钟摆：它可能会来回移动，但总是围绕着同一个中心点，不会突然飞到建筑物的另一端。

非平稳序列则恰恰相反。它的均值或方差会随时间改变。例子包括：
均值改变： 如亚马逊（Amazon）股票过去 10 年的价格（它总体上呈上升趋势）。
方差改变： 如一个市场可能在一个月内平静无波，随后在下个月变得极度波动。

为什么我们要在乎？

如果你尝试对非平稳数据进行标准回归，你可能会得到「虚假回归（Spurious Regression）」。这是一个高阶的说法，意指模型显示两个实际上毫无关系的变量之间存在强烈关联，仅仅是因为它们都同时呈现向上的趋势。必须避免的错误：在检查平稳性之前，永远不要相信两个趋势变量之间的高 R-squared 值！

快速总结：平稳 = 特性稳定/可预测。非平稳 = 特性随时间改变。

2. 随机漫步模型 (Random Walk Model)

金融领域中最著名的非平稳模型是随机漫步（Random Walk）。它在数学上等同于「醉汉的漫步」。想象一个人走一步，而他下一步走哪里完全取决于他现在所站的位置，且带有完全的随机性。

公式：\( Y_t = Y_{t-1} + \epsilon_t \)
其中 \( \epsilon_t \) 是白噪声（随机冲击）。

随机漫步的主要特征：

1. 没有长期均值：序列不会「回归」到某个平均值。它只是漫无目的地游走。
2. 方差随时间增加：你看向未来的时间越远，位置就越不确定。具体来说，在时间 \( t \) 的方差是 \( t \times \sigma^2 \)。
3. 冲击是永久的：如果一个「冲击」（例如新闻事件）今天影响了价格，该变动将永远留在价格中。它不会像在平稳的 AR(1) 模型中那样逐渐消失。

带漂移项的随机漫步 (Random Walk with Drift)

有时，「醉汉」会有一种轻微向前倾斜的趋势。这就是带漂移项的随机漫步：
\( Y_t = \delta + Y_{t-1} + \epsilon_t \)
这里的 \( \delta \)（delta）就是漂移项。随着时间推移，序列将会出现向上（如果 \( \delta > 0 \)）或向下（如果 \( \delta < 0 \)）的趋势。

你知道吗？ 许多经济学家认为股价大致遵循随机漫步，因为所有已知的信息都已经「反映」在当前的价格中了。

3. 趋势：确定性与随机性

了解序列为什么会出现趋势很重要，因为针对不同情况的「修正」方法各不相同。

确定性趋势 (Deterministic Trend)：趋势是时间的简单函数。就像铁轨上的火车，因为时间向前推进，它就向上走。
公式：\( Y_t = \alpha + \beta t + \epsilon_t \)
如何修正：减去趋势（去趋势化 / Detrending）。

随机趋势 (Stochastic Trend)：趋势是由随机冲击的累积造成的。这就是我们的随机漫步。
公式：\( Y_t = Y_{t-1} + \epsilon_t \)
如何修正：差分（用今天的数值减去昨天的数值）。

记忆小撇步：Deterministic = Destined（注定的，遵循设定好的路径）。Stochastic = Shocks（冲击，路径根据随机事件而改变）。

4. 单位根 (Unit Root) 与 Dickey-Fuller 检验

我们如何从数学上证明一个序列是非平稳的？我们要寻找是否存在单位根（Unit Root）。

在 AR(1) 模型中：\( Y_t = \phi Y_{t-1} + \epsilon_t \)
如果 \( |\phi| < 1 \)，则序列是平稳的。
如果 \( \phi = 1 \)，我们就有了一个单位根（这正是随机漫步的情况！）。

Dickey-Fuller (DF) 检验

我们不能直接对 \( \phi \) 使用标准 t 检验，因为当 \( \phi=1 \) 时分布会很奇怪。相反，我们将方程式重写为：
\( \Delta Y_t = (\phi - 1) Y_{t-1} + \epsilon_t \)
我们令 \( \gamma = \phi - 1 \)。现在我们检验 \( \gamma = 0 \) 是否成立。

假设条件：
零假设 (\( H_0 \))： \( \gamma = 0 \)（存在单位根 / 序列是非平稳的）。
对立假设 (\( H_a \))： \( \gamma < 0 \)（序列是平稳的）。

重要提示：如果检验统计量比临界值更负（更小），我们就拒绝零假设，并得出序列是平稳的结论。警告：我们使用特殊的「Dickey-Fuller 表」来查找临界值，而不是标准的 t 分布表！

关键收获：Dickey-Fuller 检验用于检查单位根。无法拒绝 \( H_0 \) = 坏消息（非平稳）。拒绝 \( H_0 \) = 好消息（平稳）。

5. 修正非平稳性：差分法 (Differencing)

如果你的数据具有单位根（随机趋势），你通常可以通过差分来「修正」它。这意味着与其观察价格本身，不如观察价格的变动量。
一阶差分： \( \Delta Y_t = Y_t - Y_{t-1} \)

如果你对一个随机漫步 (\( Y_t = Y_{t-1} + \epsilon_t \)) 进行差分，剩下的就是 \( \epsilon_t \)，也就是白噪声。白噪声是完全平稳的！这就是为什么我们通常建立股价收益率模型，而不是股价价格模型的原因。

小提示：如果一个序列在经过一次差分后变为平稳，我们称它为一阶整序 (Integrated of order 1)，或记作 I(1)。如果它本身已经是平稳的，则称为 I(0)。

6. 协整 (Cointegration)： 「牵绳」效应

通常情况下，当你对一个非平稳变量与另一个非平稳变量进行回归时，你会得到垃圾结果（虚假回归）。然而，有一种特殊的例外，称为协整。

类比：想象一个人牵着狗走，用一条牵绳系着。人是随机走的（非平稳），狗也是随机乱跑的（非平稳）。但因为有牵绳，它们永远不会分得太远。它们之间的距离是平稳的。

在金融中：同一行业的两只股票（如可口可乐与百事可乐）价格都可能随意波动，但它们的价差（股票 A 价格 - 股票 B 价格）可能会保持恒定。如果它们是协整的，我们就可以利用它们进行配对交易 (Pairs Trading)。

关键定义：如果两个 I(1) 序列的线性组合是 I(0)（平稳的），则称它们是协整的。

最终快速复习框

1. 平稳性：均值和方差恒定。对于可靠的模型至关重要。
2. 随机漫步：\( Y_t = Y_{t-1} + \epsilon_t \)。非平稳。方差随时间增加。
3. 虚假回归：在两个具趋势的变量之间看到虚假的关系。
4. Dickey-Fuller：零假设为序列具有单位根（非平稳）。
5. 差分：减去前一期的数值，使序列变平稳。
6. 协整：两个非平稳序列在长期内共同移动的情况。

做得好！你已经成功跨越了非平稳数据的险滩。只要记住：当有疑问时，先检查单位根，并在建模前对数据进行差分！