گامِ تصادفی (random walk) سادهترین الگویِ قیمت است: Pt = Pt-1 + εt . هر شوک برایِ همیشه در قیمت میماند و واریانسِ سری با گذشتِ زمان بزرگ و بزرگتر میشود؛ این سری ریشهٔ واحد دارد و نامانا است. در مقابل، سریِ مانا پس از یک شوک به سطحِ بلندمدتش برمیگردد.
دو حالتِ مهم: «مانایِ حولِ روند» (trend-stationary) که با کمکردنِ روندِ قطعی مانا میشود، و «مانایِ تفاضلی» (difference-stationary) که با تفاضلگیری، یعنی ΔPt = Pt − Pt-1 ، مانا میشود. اگر سری با یک بار تفاضلگیری مانا شود، آن را مرتبهٔ یک انباشته میگویند: I(1) . قیمتها معمولاً I(1) و بازدههایِ آنها I(0) هستند.
آزمونِ دیکی–فولر تعمیمیافته (ADF)
در ADF مدلِ ΔYt = α + γ Yt-1 + Σ φi ΔYt-i + εt برآورد میشود. فرضِ صفر γ = 0 یعنی ریشهٔ واحد وجود دارد (نامانا). آماره باید از مقدارِ بحرانی «منفیتر» باشد تا فرضِ صفر رد شود. این آماره از توزیعِ t معمولی پیروی نمیکند و مقدارهایِ بحرانیِ مخصوصِ دیکی–فولر دارد.
| مدل | بحرانی ۱٪ | بحرانی ۵٪ | بحرانی ۱۰٪ |
|---|---|---|---|
| فقط عرض از مبدأ (constant) | −3.43 | −2.86 | −2.57 |
| عرض از مبدأ + روند | −3.96 | −3.41 | −3.13 |
آزمونِ KPSS: نگاهِ مخالف
KPSS برعکسِ ADF است: فرضِ صفرش مانایی است. مقدارِ بحرانیِ ۵٪ در حالتِ مانایِ حولِ سطح ≈ ۰٫۴۶۳ است و اگر آمارهٔ KPSS بزرگتر باشد، مانایی رد میشود. استفاده از هر دو آزمون کنارِ هم قابلاعتمادتر است.
| ADF | KPSS | نتیجه |
|---|---|---|
| رد فرضِ صفر | رد نمیشود | سری مانا است |
| رد نمیشود | رد فرضِ صفر | سری ریشهٔ واحد دارد؛ تفاضل بگیرید |
| هر دو رد نشوند یا هر دو رد شوند | — | نتیجه قطعی نیست؛ طولِ نمونه، شکستِ ساختاری یا مدلِ آزمون را بازبینی کنید |
from statsmodels.tsa.stattools import adfuller, kpss
adf_stat, adf_p, *_ = adfuller(price, regression="c", autolag="AIC")
kpss_stat, kpss_p, *_ = kpss(price, regression="c", nlags="auto")
print(adf_stat, adf_p) # large p => unit root
print(kpss_stat, kpss_p) # small p => non-stationaryیادآوری: تفاضلگیریِ اضافه سری مانا را هم خراب میکند (فراتفاضلگیری) و ساختارِ مفیدِ داده را از بین میبرد؛ فقط بهاندازهٔ لازم تفاضل بگیرید.
