دو سریِ I(1) ممکن است هرکدام جداگانه گامِ تصادفی باشند ولی ترکیبِ خطیِ آنها مانا باشد. در این حالت میگوییم همجمع هستند. معنیاش این است که هرچند قیمتها آزادانه حرکت میکنند، فاصلهشان به یک رابطهٔ بلندمدت برمیگردد؛ مثل دو سهمِ همصنعت، نفتِ برنت و WTI یا طلا و نقره.
آزمونِ انگل–گرنجر (دومرحلهای)
| مرحله | کار |
|---|---|
| ۱ | هر دو سری را آزمون ریشهٔ واحد کنید؛ باید هر دو I(1) باشند |
| ۲ | رگرسیونِ yt = a + β xt + ut را برآورد کنید |
| ۳ | باقیمانده (اسپرد) ut را با ADF آزمون کنید؛ مانا بودن یعنی همجمعی |
برایِ باقیماندهٔ رگرسیون باید از مقدارهایِ بحرانیِ انگل–گرنجر/مکینان استفاده کرد که از مقدارهایِ ADF معمولی سختگیرانهترند. اگر بیش از دو سری دارید، آزمونِ یوهانسن تعدادِ رابطههایِ همجمعی (رتبه) را با آزمونِ اثر (trace) تعیین میکند.
مدلِ تصحیحِ خطا (ECM/VECM)
Δyt = α (yt-1 − β xt-1) + γ Δxt + et . ضریبِ α که باید منفی باشد، سرعتِ تصحیحِ انحراف از تعادلِ بلندمدت را نشان میدهد. اگر انحراف از تعادل ۲٫۰ باشد و α = −۰٫۱ ، سهمِ تصحیح در دورهٔ بعد −۰٫۱ × ۲٫۰ = −۰٫۲ است؛ یعنی هر دوره ۱۰٪ از شکاف بسته میشود.
کاربرد: معاملهٔ جفتی (Pairs Trading)
اسپرد را z = (u − میانگین) / انحراف معیار استانداردسازی میکنیم. قاعدهٔ رایج: ورود وقتی |z| ≥ 2 ، خروج نزدیکِ z = 0 و حدِ ضررِ جدی اگر شکاف از |z| ≈ 3 هم بیشتر شد (ممکن است رابطه شکسته باشد).
from statsmodels.tsa.stattools import coint
t_stat, p_val, crit = coint(y, x) # Engle-Granger test
print(p_val) # small p => cointegrated
from statsmodels.tsa.vector_ar.vecm import coint_johansen
jo = coint_johansen(df[["y", "x"]], det_order=0, k_ar_diff=1)
print(jo.lr1, jo.cvt) # trace statistics and critical valuesیادآوری: همجمعی ممکن است در شکستِ ساختاری (تغییرِ سیاست، تحریم، تغییرِ مقررات) ناپدید شود. رابطه را بهصورت دورهای دوباره بیازمایید و هزینهٔ معامله و اسپرد را در بکتست لحاظ کنید.
