标签： #平稳性

所有教科书都教你「价格不平稳，差分一次变收益」——可这一刀下去，序列的记忆被砍得干干净净：本文合成序列里一阶差分与原对数价格的相关系数只剩 0.005，「现在贵还是便宜」这个信息彻底蒸发。López de Prado 的分数阶差分主张只差 d=0.37 这么多：刚好通过 ADF（p=0.039），同时保住 91.1% 的记忆，捕捉真实均值回归成分的相关系数 0.416（一阶差分只有 0.073）。但本文最硬的发现是反面：FFD 的固定窗口截断本身会伪造平稳性——在真实 I(1) 的纯随机游走上做同样的 d=0.37 分数阶差分，窗宽 311 时 ADF 错误拒绝率高达 73%，窗宽 1669 时飙到 93%，而名义水平只有 5%。同一个数据生成过程换 20 个种子，d* 从 0.00 摆到 0.55（标准差 0.138）；τ 从 1e-2 调到 1e-5，同一个 d 的记忆保留从 99.8% 掉到 29.2%；FFD 与扩张窗口两种实现在同一 d 下相关系数仅 -0.10。四项对抗式检验全过：置换 300 次真实 Sharpe 0.68 超 95 分位 0.53（p=0.020）、随机游走上因果 z 的 Sharpe -0.02 干净归零、全样本 z 的 look-ahead 在随机游走上凭空刷出 0.40（高阶）。

单位根检验不是猜出来的：ADF 原假设=有单位根(非平稳)，KPSS 原假设=平稳，两个方向互补。用 statsmodels 在随机游走/AR(1)/分数差分三类已知序列上验证联合判定矩阵，附完整 Python 与四类真实陷阱（中阶）。

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数差分 fracdiff 用 0<d<1 的阶数，在「平稳」与「记忆」之间取折中。本文换一个应用视角——不是做特征，而是用 fracdiff 选 d 来服务「样本外预测」：在差分序列上拟合 AR(1) 外推，发现预测误差随 d 呈 U 形，最优 d≈0.65，并在多预测期上证明平稳化的优势随外推越远越明显。配 3 张真实图表与完整 Python（中阶）。

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数阶差分 fracdiff 用 0<d<1 的阶数，在『平稳』与『记忆』之间取折中。本文从权重公式讲到 ADF 权衡曲线，配 4 张真实图表与完整 Python。