如果你也做过时间序列建模大概率听过这句话建模之前先做平稳性检验。我在刚入门的时候对“平稳”的理解很肤浅以为就是“数据不能有明显的涨跌趋势画出来得贴着一条水平线”。后来用ARIMA拟合一个业务指标训练集拟合优度很高回测却一塌糊涂才发现自己对“严平稳”和“宽平稳”这两个概念根本没过关——大多数时候它们被混为一谈了。这篇文章我想把严平稳和宽平稳掰开揉碎讲清楚它们各自到底在说什么为什么教科书要分两种实践中到底该用哪个以及我在真实项目里反复踩过的那些“平稳性陷阱”。如果你是做数据分析、量化策略、信号处理、工业过程监测的这篇内容应该能帮你少走不少弯路。1. 平稳性为什么是时间序列建模的第一道门槛1.1 “规律不随时间漂移”是预测的前提先说一个基本问题我们凭什么预测未来本质上我们是在假设“过去观察到的规律在未来依然成立”。如果数据的统计性质——均值、方差、相关性——随着时间不停改变那你拟合出来的模型只会是对过去一段历史的高度定制化描述换个时间段就彻底失效。平稳性就是把“规律不随时间漂移”这件事变成数学语言。一个随机过程 {X_t, t \in T} 如果满足平稳性那么它的概率分布、数字特征就不受绝对时间位置的限制。只有在这个前提下你才能从一条历史样本路径里估计出总体性质并把模型外推到未来。这也解释了为什么几乎所有经典时间序列模型AR、MA、ARIMA、VAR都先要求平稳或通过变换后平稳。模型参数估计的统计推断、置信区间、显著性检验背后都依赖“样本矩估计总体矩”这条路而平滑性的保证正是这一做法正当性的基础。1.2 非平稳数据会让模型做出哪些怪事非平稳数据在模型里会产生很多看似“合理”的假象。最典型的就是把带漂移的随机游走误当成均值回归序列回归结果出现高R方但实际毫无意义经济学里叫伪回归。两个完全不相关的非平稳序列回归系数很显著、R方很高这种情况放在业务场景里极容易误导决策。另一种假象出现在ARIMA训练集上。非平稳序列的均值、方差在变化但ARIMA参数一旦定下来就是用固定的系数去预测动态变化的系统。你拟合得越好往往代表你把过去的随机噪声也刻进了模型回测自然崩盘。所以平稳性检验不是走流程是在拒绝“把随机性当规律”的建模错误。2. 严平稳最教科书、也最“难用”的定义2.1 所有有限维分布都不随平移变化严平稳严格平稳的定义听起来很完美对任意正整数 n、任意时刻 t_1, t_2, \dots, t_n、任意滞后 h随机向量 \left(X_{t_1}, X_{t_2}, \dots, X_{t_n}\right) 的联合分布与 \left(X_{t_1h}, X_{t_2h}, \dots, X_{t_nh}\right) 的联合分布完全相同。换成大白话就是无论你从哪个时间点切一个窗口出来窗口里整段序列的“行为模式”的分布都是一样的。注意这里说的不是“均值一样”“方差一样”而是完整的概率分布——一阶分布、二阶联合分布、三阶联合分布……全部要一样。这是一个极其苛刻的要求。从定义可以推出严平稳过程的一阶矩和二阶矩如果存在与时间无关也就是说严平稳听起来很“全面”但现实里你几乎无法真正验证它因为它要求你在每个时间窗口都重复采样整个分布。2.2 为什么现实数据几乎无法直接验证严平稳这是个很实际的问题我们手里通常只有一条样本路径——某个业务指标从2020年1月到2024年12月的日度记录。你想检验“所有有限维分布是否平移不变”但你并没有在同一时间点上观察到几千次不同的现实理论上你需要做大量平行实验。所以真实操作中我们是在“赌”一个叫各态历经性ergodicity的性质假设时间平均可以替代集合平均。用一条足够长的时间序列的统计量去近似那个理论上只有无穷多条样本路径才能算出的总体分布。在这个假设下我们才敢继续做统计分析。这也是严平稳“理论上完美、实操上笨重”的原因。它不是不重要而是很难被直接检验。工程上大家心照不宣的做法是默认数据满足各态历经性然后只验证一阶和二阶性质。于是宽平稳登场了。2.3 白噪声严平稳最容易理解的例子如果让我举一个严平稳的落地例子我第一个选白噪声。一组独立同分布的随机变量序列比如 \varepsilon_t \sim N(0, \sigma^2)不管你把窗口切在哪个时间段里面的联合分布都完全一样因为它们本来就是独立的、同分布的。这直接满足严平稳条件。白噪声在时间序列分析里是“宇宙基石”一样的存在。我们做残差分析时总希望模型剩下的部分像白噪声——这说明信息已经提取干净了。如果残差里还能看出自相关、异方差性那就说明模型没有充分刻画数据结构。理解白噪声能帮你直观感受“严平稳”到底在要求什么整个序列的高阶相关性结构也得稳定不只是均值和方差。3. 宽平稳统计软件和业务分析里真正的默认条款3.1 只需要均值、方差、自协方差稳定宽平稳弱平稳weak stationarity的定义明显“怂”很多只用前两阶矩说话均值恒定E[X_t] \mu 与 t 无关。方差有限E[X_t^2] \infty保证二阶矩存在。自协方差只依赖滞后Cov(X_t, X_{th}) \gamma(h)与 t 无关。最后一条是最核心的。它意味着两个观测值相隔一定的时间间隔 h它们的相关性只跟“间隔了多远”有关跟“现在到底是哪一天”无关。你可以理解成序列的波动幅度不一定只在一个范围内但它内部的相关结构必须有重复模式。大量经典模型AR(p)、MA(q)、ARMA(p,q)都建立在宽平稳之上。原因很简单模型预测需要估计的正是均值、方差和自协方差函数。只要这些量不随时间漂移模型就算放到未来也不会出现系统性偏差。3.2 样本里怎么“看”宽平稳滚动统计量与ACF工程上判断一个序列是否具备宽平稳特征最快的方法是看图、看统计量、看自相关图。先把序列画出来观察有没有整体向下的趋势方差是否随时间扩张或收缩。然后计算滚动均值、滚动标准差窗口长度根据数据周期来定。如果滚动均值在水平线附近波动滚动标准差没有明显放大或收敛那至少说明一阶矩和二阶矩“看起来”稳定。再看ACF自相关函数图。宽平稳要求自相关系数只依赖于滞后阶数所以ACF图会呈现“衰减”的模式。如果ACF衰减到噪声带里之后又在某个固定间隔上反复出现峰值比如12个月、24小时、7天那周期性成分还在宽平稳条件不成立。ACF图还有一个作用它直接告诉你该选多少阶的MA项这对后续建模非常有用。3.3 为什么平稳性检验工具检验的是宽平稳你打开Python的statsmodels库跑adfuller或kpss你会发现这些检验没有一个在检查“所有有限维分布”。它们检验的核心就是单位根是否存在、均值趋势是否稳定、方差结构是否恒定——这正是宽平稳的范畴。不是工具做得不够高级而是宽平稳已经覆盖了实际建模的绝大多数需求。做预测时你最怕的是均值漂移、趋势突变、相关性结构变化这些恰好都能体现在一阶矩和二阶矩上。至于三阶、四阶以上的分布形态在大多数业务指标里对预测结果的影响有限而且很难在小样本中稳定估计。所以几十年下来大部分时间序列教科书讲的“平稳”默认是宽平稳。4. 两类平稳的关系包含方向不同还有两个常被忽略的反例4.1 严平稳 二阶矩存在 宽平稳如果严平稳成立并且过程的二阶矩存在也就是 E[X_t^2] \infty那么宽平稳一定成立。因为所有有限维分布平移不变自然包含了一维分布、二维分布平移不变于是均值、方差不随时间变自协方差也只依赖于滞后阶数。这里“二阶矩存在”这个前提很关键。很多教材在讲两者关系时直接说“严平稳推出宽平稳”省略了二阶矩这个条件。数学上如果二阶矩不存在严平稳推不出宽平稳这个细节我们在4.3展开。实践中绝大多数业务数据、传感器数据、金融收益率的二阶矩是有限的所以“严平稳大概率宽平稳”这话大体没错但口头上不能把前提丢掉。4.2 反例一ARCH/GARCH 过程是宽平稳但不严平稳先说一个金融时间序列里极其重要的例子。GARCH(1,1)模型常被用来刻画收益率的波动率聚集现象X_t \sigma_t \varepsilon_t,\quad \sigma_t^2 \omega \alpha X_{t-1}^2 \beta \sigma_{t-1}^2在系数满足一定约束时比如 \alpha \beta 1序列 X_t 无条件均值为0无条件方差为常数自协方差为0也就是宽平稳。但如果你看条件分布X_t 的条件方差\sigma_t^2 是随时间变化的一波大波动后面通常跟着另一波大波动这说明序列的联合分布并不是平移不变的——它不满足严平稳。这个例子在量化交易里非常常用。你不会因为收益率序列通过了平稳性检验就认为市场行为恒定不变因为波动率结构本身会变。4.3 反例二严平稳但非宽平稳的过程反过来考虑一个独立同分布的柯西分布序列。因为每一时刻都服从同一个柯西分布序列显然严平稳。但柯西分布的期望和方差都不存在二阶矩无限大直接违反宽平稳中 E[X_t^2] \infty 的条件所以它不是宽平稳。这类反例在真实业务里很少遇到因为像柯西分布那种重尾分布数据里若有极端值那基本是灾难级的数据质量问题了。从测度论角度看严平稳注重“分布族不变”宽平稳注重“前两阶矩不变”。两者各自有各自的边界谁也不能完全替代谁。4.4 高斯假设下两者等价还有一个非常实用的结论如果宽平稳过程是高斯过程那它同时也满足严平稳。原因在于正态分布完全由均值和协方差决定一阶矩和二阶矩确定了整个有限维联合分布就确定了。高斯过程的任意有限维分布都是多元正态分布只要均值向量和协方差矩阵不变联合分布就不变。所以很多线性时间序列模型的创新项假设要么白噪声、要么正态分布在手头没有明确反证的情况下宽平稳≈严平稳是被默认接受的。这给了工程实践一个相对宽松的理论底气检验通过宽平稳就可以当它平稳来建模。5. ADF与KPSS搭配使用判断流程和踩过的坑5.1 两种检验的原假设正好相反组合起来看我现在的习惯是ADF和KPSS一起跑两个结果交叉验证。ADF检验的原假设是“序列有单位根非平稳”KPSS检验的原假设是“序列是平稳的”。两者组合会出现四种状态ADF结果KPSS结果大概率结论拒绝非平稳不能拒绝平稳序列平稳可以直接建模不能拒绝非平稳拒绝平稳序列非平稳需要差分或去趋势拒绝非平稳拒绝平稳可能结构突变、长记忆或样本问题不能拒绝非平稳不能拒绝平稳数据量不足或序列信息弱需谨慎两种检验单独用都会误判合并后用能显著减少错误。特别是当ADF说“平稳”但KPSS也说“不平稳”的时候不要盲目相信ADF先检查序列是否在中间段发生了结构突变或者样本里有没有大型异常值。Python里可以直接用statsmodels实现from statsmodels.tsa.stattools import adfuller, kpss def check_stationarity(x, alpha0.05): adf_stat, adf_p, _, _, _, _ adfuller(x, autolagAIC) kpss_stat, kpss_p, _, _ kpss(x, regressionct, nlagsauto) print(fADF p-value: {adf_p:.4f}) print(fKPSS p-value: {kpss_p:.4f}) adf_stationary adf_p alpha kpss_stationary kpss_p alpha if adf_stationary and kpss_stationary: return 平稳 elif (not adf_stationary) and (not kpss_stationary): return 非平稳 else: return 需要进一步检查注意KPSS的regression参数我通常用ct因为很多业务序列即使没有明显趋势也会有一点点漂移用带趋势项的设定更稳健。如果你遇到那种均值强烈线性上升的序列regressionct是合理的否则会频繁把趋势误判为平稳。5.2 ADF的滞后阶数选择和季节性陷阱ADF检验结果对滞后期数非常敏感。滞后期选太少残差自相关残留检验偏差大选太多自由度损失检验功效下降。我一般依赖autolagAIC自动选择同时自己扫一圈1到最大滞后的结果确认结论没有漂得很厉害。更隐蔽的坑是季节性。ADF检验本质上检验的是长程趋势和单位根它对固定周期的季节性识别能力很弱。我处理过一个日度降雨数据ADF的p值小于0.05看上去挺平稳但ACF图上12阶滞后出现明显的峰值说明年度季节成分还在。这种序列直接进入ARIMA会导致预测结果在季节切换点大幅失效。正确做法是先做季节差分或STL分解把周期成分拆掉再跑平稳性检验。5.3 样本量、异常值和结构突变对检验结果的影响平稳性检验在小样本下极其不可靠。我的经验是少于50个观测点无论ADF还是KPSS都只能当参考少于30个基本别指望得出稳健结论。样本量不足时检验功效很低一个明显的随机游走也可能报“不平稳”报不出去。碰到这种情况我会把低频数据聚合成更高的时间粒度或者拉长观察窗口而不是硬建模。异常值的影响也不容忽视。一个极端尖峰会把自协方差估计拉上去让ACF看起来像有长期相关性或者让ADF计算出错误的单位根结论。遇到明显的毛刺我会先记录原因再决定是剔除、替换还是保留。如果是传感器偶尔跳数直接剔掉如果是真实业务大促带来的爆发那得用哑变量或干预分析而不是简单剔掉。还有一个我反复遇到的场景结构突变。序列前段平稳中间突然系统切换后段又平稳。整体上ADF可能拒绝非平稳KPSS也可能拒绝平稳两边打架。这时候全局检验已经没意义应该做分段检验或者用Chow检验、Bai-Perron这类突变点检测方法。6. 实战中如何把非平稳序列改造成宽平稳6.1 先排除趋势和均值漂移差分与去趋势确认序列非平稳之后优先区分它是“确定性趋势”还是“随机趋势”。确定性趋势比如业务稳步增长均值随时间是线性函数用去趋势或引入时间变量解决。随机趋势比如随机游走均值没有确定路径过去冲击的影响永远不会消退用差分解决。务实做法先做一阶差分再看序列是否平稳。如果一阶差分后出现负的自相关说明可能过度差分如果仍有趋势再考虑二阶差分。我不建议单纯追求让p值小于0.05而盲目差分差分每多一次信息就损失一部分模型解释力就下降。6.2 方差不稳定对数变换和方差平稳化当序列的波动幅度随时间变化比如金额持续增长绝对波动也放大残差方差不再恒定。宽平稳要求方差稳定所以第一步往往是对数变换对原始序列取log把乘法波动变成加法波动。对数值会自然出现0或负数的场景可以用log1p或者加一个小的平移量。但加平移量直接影响水平要谨慎。另一种常用的方差稳定变换是Box-Cox变换它把对数、平方根、倒数统一到一个参数框架里。实操经验是先用对数变换解决大部分问题只有当对数还不够时才上Box-Cox。6.3 周期性怎么办季节差分与分解周期性场景里光做一阶差分往往不够因为序列在不同周期的同一相位上仍然有强相关。比如销量数据里每周五都有一个小高峰。这时候需要在差分之外做季节差分X_t - X_{t-m}m是周期长度。如果季节性和趋势同时存在我习惯先用STL分解把序列拆成趋势项、季节项、残差项然后对残差做平稳性检验和建模。STL的优势是灵活周期项不一定是正弦波也可以适应业务里不平滑的周期性模式。拆完再做ARIMA或别的模型预测完再把季节项加回去比直接对原序列建模要稳得多。6.4 处理完再回头验证把宽平稳当工程约束来用最后一步永远是重新验证。你在处理完序列后再跑一次ADF和KPSS再看一遍ACF图确认残差近似白噪声。同时看平方序列的ACF如果平方ACF显示显著自相关说明波动率还没有被捕捉可能要给残差加GARCH类模型。我在实际项目里的体会是不要追求“数学上绝对严平稳”而是把宽平稳当成一个工程约束——只要均值、方差、自相关结构在样本和合理预测区间内满足稳定性假设模型就可以用。那些理论上完美的平稳性条件是为了让我们清楚边界在哪里。越是在真实数据里摸爬滚打越能体会到这个原则的实用价值。