从GDP到股价：手把手教你用Matlab的adftest函数检验5类真实数据的平稳性
从GDP到股价：手把手教你用Matlab的adftest函数检验5类真实数据的平稳性
时间序列分析中，数据的平稳性检验是建模前的关键步骤。Matlab的adftest函数作为Augmented Dickey-Fuller检验的实现工具，能帮助我们快速判断各类数据的平稳性特征。本文将带你跨越单一GDP数据的局限，探索金融、商业、气象等多元场景下的实战应用。
1. ADF检验核心原理与Matlab实现
ADF检验通过判断时间序列是否存在单位根来检验平稳性。其原假设为"序列存在单位根（非平稳）"，备择假设为"序列不存在单位根（平稳）"。在Matlab中，adftest函数提供了四种判断方式：
% 基础调用方式 [h,pValue,stat,cValue] = adftest(data,'alpha',0.05);判断标准对照表：
| 判断依据 | 非平稳条件 | 平稳条件 |
|---|---|---|
| h值 | h=0 | h=1 |
| p值 | p>0.05 | p≤0.05 |
| 统计量 | stat>cValue | stat<cValue |
实际应用中，金融数据往往呈现以下非平稳特征：
- 趋势性：随时间持续上升或下降
- 季节性：周期性波动模式
- 随机游走：无确定方向的随机波动
2. 金融数据实战：股价与收益率分析
以标普500指数日收盘价为例，原始价格序列通常呈现明显趋势：
% 加载金融数据 sp500 = readtable('sp500_daily.csv'); prices = sp500.Close; % 原始序列检验 [h_price, p_price] = adftest(prices); disp(['原始价格序列h值：',num2str(h_price),' p值：',num2str(p_price)]); % 计算对数收益率 returns = price2ret(prices); [h_return, p_return] = adftest(returns); disp(['收益率序列h值：',num2str(h_return),' p值：',num2str(p_return)]);典型输出结果对比：
- 原始价格序列：h=0, p=0.98（非平稳）
- 对数收益率序列：h=1, p=0.001（平稳）
提示：金融建模通常直接使用收益率序列，因其天然满足平稳性要求
3. 商业数据分析：零售销售额的季节性处理
月度零售数据常同时包含趋势和季节成分：
sales = csvread('monthly_sales.csv'); figure; subplot(2,1,1); plot(sales); title('原始销售额'); % 季节性差分 sales_diff = diff(sales,12); % 12个月周期 subplot(2,1,2); plot(sales_diff); title('季节性差分后'); % 检验结果对比 [h_orig, p_orig] = adftest(sales); [h_diff, p_diff] = adftest(sales_diff);处理技巧：
- 先进行季节性差分消除周期影响
- 若仍不平稳，再进行一阶常规差分
- 最终应确保h=1且p<0.05
4. 气象数据应用：气温序列的平稳性检验
日均气温数据具有明显的季节波动特征：
temp_data = readtable('daily_temperature.csv'); temp = temp_data.Value; % 消除年周期效应 temp_detrend = temp - movmean(temp,365); % 检验结果 [h_temp, p_temp] = adftest(temp); [h_detrend, p_detrend] = adftest(temp_detrend); % 可视化对比 figure; plot(temp_detrend); xlabel('天数'); ylabel('调整后温度');关键发现：
- 原始气温序列：h=0（非平稳）
- 去除年周期后：h=1（平稳）
- 移动平均窗口应匹配数据周期特性
5. 互联网数据分析：用户活跃度检验
网站日活跃用户(DAU)数据常见模式：
dau = xlsread('dau_stats.xlsx'); log_dau = log(dau); % 对数变换 % 检验与差分 [h_log, p_log] = adftest(log_dau); dau_diff = diff(log_dau); [h_diff, p_diff] = adftest(dau_diff); % 建立特征矩阵 timestamps = 1:length(dau)'; X = [timestamps', sin(2*pi*timestamps'/7)]; % 加入周周期特征处理建议：
- 先进行对数变换稳定方差
- 检查并消除趋势成分
- 考虑加入周期性虚拟变量
- 最终确保残差序列通过ADF检验
6. 宏观经济数据：多指标联合分析
GDP、CPI、失业率等指标的协同检验：
macro_data = readtable('macro_indicators.csv'); gdp = macro_data.GDP; cpi = macro_data.CPI; % 多变量检验 [h_gdp, p_gdp] = adftest(gdp); [h_cpi, p_cpi] = adftest(cpi); % 协整检验 [~,~,~,~,reg] = egcitest([gdp,cpi]); disp(['协整检验p值：',num2str(reg.pValue)]);重要结论：
- 单个宏观经济指标多为非平稳序列
- 但指标间可能存在协整关系
- 需先进行ADF检验，再开展协整分析
实际项目中，我常创建自动化检验函数批量处理多个指标：
function results = batch_adftest(data, names) results = table(); for i = 1:size(data,2) [h,p,stat,cv] = adftest(data(:,i)); results.(names{i}) = [h,p,stat,cv]'; end end调用方式：
indicators = [gdp, cpi]; names = {'GDP','CPI'}; res = batch_adftest(indicators, names);