三个变量存在一个协整方程_协整关系（cointegration）和配对交易

最近做的小项目是协整关系用于配对交易。顺便复习了协整和相关性之间的差异。应该来说，协整关系是时间序列的一个重点内容，多次碰到，值得注意。

一、相关性（correlation）VS协整关系（cointegration）

1、相关性（correlation）

• 定义：通常是两个序列X 和 Y之间的线性依存关系（linear dependence），

• XY相关系数corr(X,Y)=0，未必独立（独立定义P(XY)=P(X)P(Y)），因为XY可能服从非线性的相关关系；而独立一定不相关。
• corr(X,Y)=0，是指X的线性组合无法解释Y。
• 相关系数介于[-1,1]之间—— ±1是完全线性相关。
• 检测相关性，pearsonr检测的是具体值之间的相关性，spearsonr检测的是rank之间的相关性（券商多因子中提到的RankIC一般就是spearmanr）。

from scipy.stats import pearsonr, spearmanr
pearson_corr, pearson_pvalue = pearsonr(X, Y)
spearnman_corr, spearnman_pvalue = spearmanr(X, Y)

2、平稳性（Stationarity）

• 定义：如果数据产生过程的参数（例如均值和方差）不随着时间变化，那么数据平稳。
• 例如，时间序列
  的均值和方差是常数、和时间t无关，那么
  具有平稳性。
• 如果用平稳的分析刻画一个均值/方差随时间变化的时间序列，那么将会导致garbage in garbage out。
  • 例如，下图series B，是一个随着时间t而均值不断增大的曲线。

• 测试平稳性：使用augmented Dickey Fuller test，P值越小，说明越可能是平稳的时间序列。

from statsmodels.tsa.stattools import adfuller
pvalue = adfuller(some_series)[1]

3、单整（Integration）——不是很重要

• 单整阶数（order of integration）
  • ：如果一个时间序列Y的移动平均表达
    ，满足条件
    ，那么
    服从
    ；其中
    是随机过程的白噪声（残差项），
    是残差项的权重，
    是起决定作用的序列。
  • 注意：
• ：如果一个序列X的一阶差分服从
  ，那么X服从
  。
• 实际运用：资产收益率一般被认为是服从
  ，资产价格被认为服从
  。

4、协整（Cointegration）

• 问题：单整
  的时间序列未必平稳，但是如果通过一阶差分得到平稳的时间序列，那么刻画的是短期的动态。这里需要协整关系。
• 定义：如果
  和
  均为
  ，但是线性组合
  ，那么
  和
  之间存在协整关系。
• 通常表达，
  ，其中