时序分析 16 协整序列 下

时序分析 16

协整序列下

… 接上

乘法收益和加法收益都是稳定的。

但是在实践中我们发现这种情况并不一定总是出现这种情况。而且，我们也不能因为一个时序过去是平稳的，就认为未来也是平稳的。时序的平稳检测需要经常进行检测，包括交叉验证和样本外评估等多种方法。

实践中，我们经常在分析收益而不是在分析价格，原因就是价格是$I(1)$ 而收益是价格差分的结果，属于$I(0)$

协整序列和实践

终于，我们开始探讨本文的最主要的话题：协整序列。
定义：
我们假设有一系列时序数据($X_1$, $X_2$, $\dots$, $X_k$),如果这些时序都是 $I(1)$,但是它们的线性组合 $$Y=b_1{X}_1+b_2{X}_2+\cdots +b_k{X}_k$$ 是 $I(0)$ ,我们就说这个时序集合是协整的。
让我们来试验一下，

X1为平稳正态过程，X2就是X1加上一个正态随机噪声。X2和X1都是$I(1)$

# Length of series
N = 100

# Generate a stationary random X1
X1 = np.random.normal(0, 1, N)
# Integrate it to make it I(1)
X1 = np.cumsum(X1)
X1 = pd.Series(X1)
X1.name = 'X1'

# Make an X2 that is X1 plus some noise
X2 = X1 + np.random.normal(0, 1, N)
X2.name = 'X2'

plt.plot(X1)
plt.plot(X2)
plt.xlabel('Time')
plt.ylabel('Series Value')
plt.legend([X1.name, X2.name]);

Z = X2.diff()[1:]
Z.name = 'Z'

check_for_stationarity(Z);

p-value = 3.493980198694881e-17 The series Z is likely stationary.

Z = X2 - X1
Z.name = 'Z'

plt.plot(Z)
plt.xlabel('Time')
plt.ylabel('Series Value')
plt.legend(['Z']);

check_for_stationarity(Z);

p-value = 2.435247740681034e-16 The series Z is likely stationary.

情况符合预期。

协整的检验

协整序列的检验有很多方法。原始的思路是尝试求解系数 $b_1,\dots b_k$ 使得集合的线性组合为 $I(0)$.
在实践中，经常遇到的问题是两个序列的协整测试问题，通用的方法是采用线性回归 $$X_2=\alpha +\beta X_1+ϵ$$ ，如果有具有显著性的 $\beta$ 使得该线性关系成立，也就意味着 $X_2-\beta X_1=\alpha +ϵ$ 是 $I(0)$.

实际数据

我们使用实际数据来尝试一下，

symbol_list = ['ABGB', 'FSLR']
prices = get_pricing(symbol_list, fields=['price']
                               , start_date='2014-01-01', end_date='2015-01-01')['price']
prices.columns = map(lambda x: x.symbol, prices.columns)
X1 = prices[symbol_list[0]]
X2 = prices[symbol_list[1]]

plt.plot(X1.index, X1.values)
plt.plot(X1.index, X2.values)
plt.xlabel('Time')
plt.ylabel('Series Value')
plt.legend([X1.name, X2.name]);

使用线性回归来计算 $\beta$

X1 = sm.add_constant(X1)
results = sm.OLS(X2, X1).fit()

# Get rid of the constant column
X1 = X1[symbol_list[0]]

results.params

const 26.609769
ABGB 1.536686
dtype: float64``

b = results.params[symbol_list[0]]
Z = X2 - b * X1
Z.name = 'Z'

plt.plot(Z.index, Z.values)
plt.xlabel('Time')
plt.ylabel('Series Value')
plt.legend([Z.name]);

check_for_stationarity(Z);

p-value = 0.000972948552814 The series Z is likely stationary.

我们可以看到结果 $Z$ 是平稳的，这使我们接受假设：这两个时序是协整的。
但请注意，两个时序在过去出现协整的关系并不代表将来这种关系依然存在。

最后，给出程序包里已经提供的协整检测方法：

from statsmodels.tsa.stattools import coint

coint(X1, X2)

(-4.0503429043747827,
0.0060792512281641932,
array([-3.4565689 , -2.87307862, -2.572919 ]))