本文详细介绍ADF检测（Augmented Dickey-Fuller Test），这是时间序列分析中判断数据是否平稳的金标准。
在做时间序列预测（比如用 ARIMA 模型）之前，我们必须先回答一个问题：“这组数据是平稳的吗？”如果不平稳，很多模型根本跑不通，或者跑出来的结果是错的。
1. 什么是“平稳性” (Stationarity)？
用最直白的话说：平稳的数据，就是“守规矩”的数据。
它的统计特性（均值、方差）不会随着时间流逝而改变。无论你什么时候去观察它，它看起来都差不多。
生动的例子
平稳序列（心电图）：
- 人的心跳虽然在跳动，但始终围绕着一个基准线（比如每分钟 75 次）上下波动。
- 它不会今天跳 70，明天跳 200，后天跳 1000。
- 特点：有固定的均值，波动范围（方差）也比较固定。
非平稳序列（股票走势）：
- 一支牛股，价格从 10 块涨到 100 块，又跌回 50 块。
- 它的均值一直在变（去年均价 20，今年均价 80）。
- 特点：有趋势（上涨或下跌），或者波动越来越剧烈。
(图示：上方是平稳序列，围绕 0 轴稳定波动；下方是非平稳序列，像醉汉走路一样没有定性)
2. 为什么要追求平稳？
你可能会问：“股票那种不平稳的数据才是常态啊，为什么要强求平稳？”
因为大多数经典的时间序列模型（如 ARIMA）都是基于“过去即未来”的假设。
- 如果数据是平稳的，我们可以自信地说：“过去它的均值是 0，未来它的均值大概率还是 0。”
- 如果数据不平稳（比如一直在涨），过去的均值是 10，未来的均值可能是 100。用过去的规律去套未来的数据，就会失效。
所以，在建模前，我们通常要把“不平稳”的数据转化成“平稳”的数据。
3. 什么是 ADF 检测？
肉眼看图虽然直观，但有时候不够严谨。我们需要一个数学上的裁判，这就是ADF 检测。
它的全称是Augmented Dickey-Fuller Test（增广迪基-福勒检验）。
核心逻辑：假设检验
ADF 检测就像法庭审判：
- 原假设 (H0)：“被告是有罪的”->“数据是不平稳的”（存在单位根）。
- 备择假设 (H1)：“被告是无罪的”->“数据是平稳的”。
我们需要找证据（计算统计量）来推翻原假设。
4. 如何看 ADF 检测结果？
我们在 Python 中使用statsmodels库来做 ADF 检测。结果中我们主要看两个指标：
4.1 p-value (P值) —— 最重要！
p-value < 0.05：
- 结论：证据确凿，拒绝原假设。
- 人话：数据是平稳的。
- 可以放心使用 ARIMA 等模型。
p-value > 0.05：
- 结论：证据不足，接受原假设。
- 人话：数据是不平稳的。
- 需要处理（比如做差分）后再来检测。
4.2 Test Statistic (统计量)
- 如果Test Statistic小于Critical Value (1%, 5%, 10%)，也可以说明平稳。
- 通常看 P 值就够了，P 值更直观。
5. 数据不平稳怎么办？
如果 ADF 检测告诉你数据不平稳（p > 0.05），别慌，我们有绝招：差分 (Differencing)。
- 一阶差分：今天减昨天。
- 股票价格一直在涨（不平稳）。
- 但“每天的涨跌幅”（今天价格 - 昨天价格）通常就是围绕 0 波动了（平稳）。
- 对数变换：取 Log。
- 如果数据的波动越来越大（喇叭口形状），取 Log 可以把波动压下来。
6. Python 代码示例
fromstatsmodels.tsa.stattoolsimportadfullerimportpandasaspd# 假设 data 是你的时间序列数据result=adfuller(data)print(f'ADF Statistic:{result[0]}')print(f'p-value:{result[1]}')ifresult[1]<0.05:print("恭喜！数据是平稳的。")else:print("遗憾，数据不平稳。建议做一阶差分：data.diff()")7. 总结
- 平稳性是时间序列建模的基石。
- ADF 检测是判断平稳性的裁判。
- 记住口诀：P 值小于 0.05，才是好数据（平稳）。
