从GDP预测到股价分析：Matlab时间序列建模第一步，用adftest搞定数据平稳性（附完整代码）-港品优选

从GDP预测到股价分析：Matlab时间序列建模第一步，用adftest搞定数据平稳性（附完整代码）

当你第一次拿到某只股票的历史价格数据，或是某地区过去20年的GDP记录时，脑海中可能已经浮现出各种预测模型——ARIMA、VAR、GARCH...但先别急，这些模型都有一个共同的前提假设：数据必须是平稳的。这就好比在建造摩天大楼前，必须先确保地基稳固一样。

时间序列分析中，平稳性检验就是那个"打地基"的关键步骤。而ADF检验（Augmented Dickey-Fuller test）则是这个领域最常用的工具之一。不同于简单的目测图表判断，ADF检验通过严格的统计假设检验，给出数据是否平稳的科学结论。本文将带你从实际应用场景出发，完整掌握如何用Matlab的adftest函数进行平稳性检验，并给出可直接复用的代码模板。

1. 为什么平稳性检验是建模的第一步？

想象你正在分析某科技公司过去5年的季度营收数据。原始序列显示出明显的增长趋势——这本身就是非平稳的典型特征。如果直接对这样的数据拟合ARIMA模型，结果很可能是完全错误的。因为大多数时间序列模型都基于一个核心假设：数据的统计特性（如均值、方差）不随时间变化。

平稳性的三个核心特征：

均值恒定（无趋势）
方差恒定（波动幅度稳定）
自协方差只与时间间隔有关，与具体时间点无关

在金融领域，直接对股价建模往往效果不佳，而对收益率（价格的变化率）建模则更合理，正是因为收益率序列通常更接近平稳状态。这就是为什么ADF检验会成为量化分析师工具箱中的标配。

提示：即使你最终使用的是深度学习等非线性方法，平稳化处理也能显著提升模型性能和训练稳定性。

2. ADF检验原理与Matlab实现详解

ADF检验的核心思想是检验时间序列是否存在单位根（unit root）——这是导致非平稳性的主要原因。Matlab的adftest函数封装了完整的检验流程，我们只需要关注如何正确使用和解读结果。

2.1 基础调用方式

最简单的调用只需要传入时间序列数据：

y = randn(100,1); % 生成随机序列（通常是平稳的） h = adftest(y);

这里h=1表示拒绝原假设（即序列平稳），h=0则表示不能拒绝原假设（序列非平稳）。

2.2 完整参数调用与结果解读

更专业的用法是获取全部输出参数：

[h, pValue, stat, cValue] = adftest(y, 'alpha', 0.05);

参数说明表：

参数	含义	判断准则
h	检验结果	1=平稳，0=非平稳
pValue	P值	p<α则拒绝原假设
stat	检验统计量	stat<cValue则拒绝原假设
cValue	临界值	与stat比较使用

三种判断方法本质上是等价的，实践中通常以h为主，其他参数作为辅助验证。

3. 实战案例：从原始数据到平稳序列

让我们用一个完整的案例演示如何处理非平稳数据。假设我们有某上市公司2010-2022年的月度收盘价数据。

3.1 数据导入与初步分析

首先加载并可视化原始数据：

data = readtable('stock_price.csv'); price = data.Close; dates = datetime(data.Date); figure plot(dates, price, 'LineWidth', 1.5) title('原始股价序列') xlabel('日期') ylabel('价格') grid on

如果看到明显的上升/下降趋势或波动幅度变化，这已经暗示了非平稳性。

3.2 执行ADF检验

对原始价格序列进行检验：

[h, p, stat, cv] = adftest(price); fprintf('h=%d, p=%.4f, stat=%.4f, cv=%.4f\n', h, p, stat, cv);

预期结果很可能是h=0（非平稳），因为股价通常具有趋势。

3.3 差分处理与再检验

对数据进行一阶差分（计算收益率）：

returns = diff(price) ./ price(1:end-1); % 简单收益率 figure plot(dates(2:end), returns) title('股价收益率序列') [h_ret, p_ret] = adftest(returns);

收益率序列通常会通过平稳性检验。如果仍未通过，可以尝试：

更高阶差分
对数变换
季节差分（针对季节性数据）

4. 完整工作流代码模板

以下是一个可直接复用的ADF检验模板：

%% 数据准备 data = readtable('your_data.csv'); y = data.Value; % 替换为你的数据列 %% 可视化原始序列 figure subplot(2,1,1) plot(y, 'b', 'LineWidth', 1.5) title('原始时间序列') %% ADF检验 [h, p, stat, cv] = adftest(y, 'alpha', 0.05); disp(['原始序列检验结果: h=', num2str(h), ', p=', num2str(p)]) %% 差分处理 d = 1; % 差分阶数 ydiff = diff(y, d); subplot(2,1,2) plot(ydiff, 'r', 'LineWidth', 1.5) title([num2str(d), '阶差分序列']) %% 检验差分后序列 [h_diff, p_diff] = adftest(ydiff); disp(['差分序列检验结果: h=', num2str(h_diff), ', p=', num2str(p_diff)]) %% 自动寻找合适差分阶数（可选） maxD = 3; % 最大尝试差分阶数 for d = 1:maxD yd = diff(y, d); [hd, pd] = adftest(yd); if hd == 1 fprintf('找到平稳序列：d=%d\n', d); break; end end

5. 进阶技巧与常见问题

5.1 检验模型形式选择

adftest支持三种回归形式，通过'model'参数指定：

'ARD'（默认）：包含截距项和趋势项
'TS'：只包含趋势项
'NC'：不含常数项和趋势项

选择原则：

如果序列明显有趋势，用'ARD'
如果序列围绕非零均值波动但无趋势，用'TS'
如果序列围绕零均值波动，用'NC'

5.2 滞后阶数选择

'lags'参数控制检验中的滞后阶数。实践中可以：

从0开始逐步增加，直到残差无自相关
使用信息准则（AIC/BIC）自动选择

% 自动选择滞后阶数 [h, p] = adftest(y, 'lags', 0:10); % 测试0-10阶

5.3 典型问题排查

问题1：为什么差分后序列仍不平稳？

可能是季节性未被处理，尝试季节差分
数据可能存在结构性变化（如突变点）

问题2：ADF检验结果与KPSS检验矛盾怎么办？

这种情况确实会发生，通常更信任ADF结果
可能需要结合其他平稳化方法

问题3：如何处理高频金融数据？

原始价格序列几乎肯定非平稳
收益率/对数收益率通常是平稳的
超高频数据可能需要考虑微观结构噪声

在实际项目中，我通常会创建一个check_stationarity函数，封装ADF检验、可视化和自动差分逻辑，这样在分析新数据时可以快速调用。对于特别长的时间序列，还会考虑滚动窗口检验，因为数据的平稳性可能会随时间变化。

企业官网建设流程全解析