Стационарность временного ряда

Стационарность временного ряда — это свойство временного ряда, заключающееся в том, что его вероятностные характеристики (математическое ожидание, дисперсия, автоковариация) не зависят от времени, то есть остаются постоянными на всём протяжении наблюдений. Стационарность является фундаментальным понятием в анализе временных рядов, эконометрике, обработке сигналов и других областях, где изучаются последовательности данных, упорядоченные во времени. Временные ряды, не обладающие свойством стационарности, называются нестационарными.

Определение и виды стационарности

Различают два основных типа стационарности: строгую (сильную) и слабую (стационарность в широком смысле, ковариационную стационарность).

Строгая стационарность

Временной ряд \( \{X_t\} \) называется строго стационарным, если для любого конечного набора моментов времени \( t_1, t_2, \dots, t_n \) и для любого сдвига \( \tau \) совместное распределение случайных величин \( X_{t_1}, X_{t_2}, \dots, X_{t_n} \) совпадает с совместным распределением \( X_{t_1+\tau}, X_{t_2+\tau}, \dots, X_{t_n+\tau} \). Иными словами, вероятностные свойства ряда инвариантны относительно сдвига во времени. На практике строгая стационарность редко проверяется и ещё реже выполняется, так как требует неизменности всех моментов распределения любого порядка.

Слабая стационарность (стационарность в широком смысле)

Наиболее часто используемое на практике определение. Временной ряд \( \{X_t\} \) является слабо стационарным, если выполняются три условия:

Математическое ожидание постоянно: \( E[X_t] = \mu \) для всех \( t \).
Дисперсия конечна и постоянна: \( Var(X_t) = \sigma^2 \) для всех \( t \).
Автоковариация зависит только от разности моментов времени \( \tau = t - s \), а не от самих моментов \( t \) и \( s \): \( Cov(X_t, X_{t+\tau}) = \gamma(\tau) \).

Слабая стационарность требует постоянства только первых двух моментов (среднего и дисперсии) и автоковариационной функции, зависящей от лага \( \tau \). Большинство методов анализа временных рядов (например, модели ARIMA, спектральный анализ) предполагают именно слабую стационарность.

Признаки нестационарности

Нестационарность временного ряда может проявляться в нескольких формах:

Тренд — долговременное изменение среднего уровня ряда (например, рост ВВП, увеличение температуры).
Сезонность — периодические колебания с фиксированной частотой (например, ежемесячные продажи, квартальные показатели).
Гетероскедастичность — изменение дисперсии во времени (например, волатильность финансовых активов).
Структурные сдвиги — резкие изменения параметров ряда в определённые моменты времени (например, экономический кризис, изменение законодательства).

Методы проверки стационарности

Для формальной проверки гипотезы о стационарности ряда используются статистические тесты. Наиболее распространённые из них:

Тест Дики — Фуллера (ADF-тест)

Расширенный тест Дики — Фуллера (Augmented Dickey-Fuller test) проверяет нулевую гипотезу о том, что ряд содержит единичный корень (то есть является нестационарным). Альтернативная гипотеза — ряд стационарен. Тест включает в себя регрессию разности ряда на его лаговое значение и лаги разностей для устранения автокорреляции. Критические значения зависят от наличия константы и тренда в модели.

Тест KPSS (Квятковского — Филлипса — Шмидта — Шина)

В отличие от ADF, тест KPSS проверяет нулевую гипотезу о стационарности ряда. Альтернативная гипотеза — наличие единичного корня. Использование обоих тестов (ADF и KPSS) позволяет получить более надёжные выводы: если ADF не отвергает нестационарность, а KPSS отвергает стационарность, ряд, скорее всего, нестационарен.

Другие тесты

Тест Филлипса — Перрона (Phillips-Perron test) — модификация теста Дики — Фуллера, устойчивая к гетероскедастичности и автокорреляции.
Тест Лейбурна (Leybourne test) — проверка на стационарность с возможностью структурных сдвигов.
Визуальный анализ — график ряда, автокорреляционная функция (ACF) и частичная автокорреляционная функция (PACF). Для стационарного ряда ACF быстро затухает (обычно экспоненциально), а для нестационарного — убывает медленно или не убывает.

Преобразование нестационарных рядов

Для приведения нестационарного ряда к стационарному виду применяются различные преобразования:

Взятие разностей

Наиболее распространённый метод — вычисление последовательных разностей:

Первая разность: \( \Delta X_t = X_t - X_{t-1} \). Устраняет линейный тренд.
Вторая разность: \( \Delta^2 X_t = \Delta(\Delta X_t) \). Устраняет квадратичный тренд.
Сезонная разность: \( \Delta_s X_t = X_t - X_{t-s} \), где \( s \) — период сезонности (например, 12 для месячных данных).

Логарифмирование

Применяется для стабилизации дисперсии, особенно если ряд имеет экспоненциальный рост (например, цены акций, ВВП). Логарифмирование превращает мультипликативные эффекты в аддитивные.

Удаление тренда и сезонности

Метод скользящего среднего — выделение трендовой компоненты и её вычитание.
Регрессия на время — оценка линейного или полиномиального тренда и удаление остатков.
Сезонная декомпозиция — разложение ряда на тренд, сезонную и остаточную компоненты (например, с помощью метода STL или X-13ARIMA-SEATS).

Значение стационарности в анализе данных

Стационарность является ключевым допущением для многих статистических моделей и методов:

Модели ARIMA (авторегрессия — интегрированное скользящее среднее) — требуют стационарности ряда после взятия разностей.
Спектральный анализ — основан на предположении о стационарности, так как использует преобразование Фурье для оценки спектральной плотности.
Методы машинного обучения — многие алгоритмы (например, рекуррентные нейронные сети) лучше работают со стационарными данными, так как нестационарность может приводить к переобучению и нестабильности прогнозов.
Эконометрическое моделирование — регрессионный анализ нестационарных рядов может приводить к ложной регрессии, когда статистически значимые связи на самом деле являются случайными.

Примеры стационарных и нестационарных рядов

Стационарные: белый шум (случайные колебания с нулевым средним и постоянной дисперсией), процесс авторегрессии первого порядка AR(1) с параметром \( |\phi| < 1 \), колебания температуры в течение года после удаления сезонности.
Нестационарные: курс акций (обычно имеет тренд и меняющуюся дисперсию), ВВП страны (растущий тренд), количество солнечных пятен (циклические колебания с переменной амплитудой), данные о численности населения.

Критика и ограничения

Понятие стационарности является идеализацией. Реальные временные ряды редко бывают строго стационарными. На практике исследователи часто довольствуются слабой стационарностью после преобразований. Кроме того, некоторые методы (например, модели с изменяющимися параметрами, коинтеграция) разработаны специально для работы с нестационарными данными. Проверка стационарности с помощью тестов имеет ограниченную мощность, особенно при малых выборках или наличии структурных сдвигов.

Источники

Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974.
Хендри Д. Ф., Нилсен Б. Эконометрика: введение в анализ временных рядов. — М.: Издательский дом ВШЭ, 2015.
Ширяев А. Н. Основы стохастической финансовой математики. — М.: ФАЗИС, 1998.
Hamilton J. D. Time Series Analysis. — Princeton University Press, 1994.
Enders W. Applied Econometric Time Series. — 4th ed. — Wiley, 2015.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →