协整理论：非平稳序列的长期均衡关系

大家好，我是你们的老朋友。今天咱们聊聊协整理论。

说实话，刚接触时间序列分析那会儿，我总觉得非平稳数据就是个麻烦。做回归吧，怕伪回归；做差分吧，又丢了长期信息。直到我真正理解了协整——嗯，这玩意儿就像一把钥匙，打开了非平稳序列之间那扇隐藏的门。

为什么需要协整？

先问大家一个问题：两个非平稳序列，能不能放在一起做回归？

教科书会告诉你：不行，会伪回归。但我个人习惯是，先别急着下结论。你想想看，如果两个序列虽然各自随机游走，但它们之间却存在某种稳定的线性关系呢？

举个例子。我记得在做一个宏观经济项目时，研究消费和收入的关系。两个序列都是非平稳的，但直觉告诉我，长期来看，消费和收入应该同涨同跌。这就是协整思想的雏形——非平稳序列之间，可能存在一条看不见的“绳子”牵着它们。

协整的直观理解

说白了，协整就是“虽然你俩各自疯跑，但步调一致”。

我习惯用一个比喻：一个醉汉牵着一只狗。醉汉走路东倒西歪（非平稳），狗也到处乱窜（非平稳），但狗绳的长度是固定的。所以，醉汉和狗之间的距离（线性组合）是平稳的。这就是协整。

为什么会这样？因为经济系统中存在均衡机制。当价格偏离均衡太远时，市场力量会把它拉回来。这种“拉力”就是误差修正机制，我们后面会详细讲。

协整的数学表达

假设有两个时间序列 y_t 和 x_t，都是 I(1) 序列（一阶单整）。如果存在一个系数 β，使得：

z_t = y_t - β * x_t ~ I(0)

那么 y_t 和 x_t 就是协整的。这里的 z_t 就是均衡误差，它应该是平稳的。

注意，这里有个关键点：协整要求所有序列的单整阶数相同。你不能拿一个 I(1) 和一个 I(2) 去凑协整，那就像让乌龟和兔子赛跑——步调根本对不上。

协整的检验方法

我在项目中用过两种主流方法，给大家分享一下：

1. Engle-Granger 两步法

这个方法很直观，我早期做项目时经常用。两步走：

1. 第一步：用 OLS 估计长期均衡方程 y_t = α + β * x_t + ε_t
2. 第二步：对残差 ε_t 做单位根检验（ADF 检验）

如果残差是平稳的，就说明存在协整关系。

2. Johansen 检验

这个方法更强大，可以同时检验多个协整关系。它基于VAR模型，通过特征根迹检验和最大特征值检验来判断协整秩。

我个人习惯用Johansen方法做多变量分析。比如研究利率、汇率和物价三者的关系时，EG两步法就捉襟见肘了，而Johansen可以一次性搞定。

协整与伪回归的区别

很多同学容易混淆这两个概念。我画个表格帮大家理清：

特征	伪回归	协整关系
R²	很高（通常 > 0.9）	可能高也可能低
DW统计量	很低（接近0）	接近2
残差平稳性	非平稳	平稳
经济含义	无意义	有长期均衡关系

你看，伪回归的残差是非平稳的，而协整的残差是平稳的。这就是判断真伪的关键。

协整分析的核心逻辑

为了让大家更直观地理解协整理论的知识体系，我画了一张流程图：

这张图把协整分析的核心逻辑讲清楚了。从非平稳序列出发，做线性组合，然后判断残差是否平稳——就这么简单。

误差修正模型（ECM）

找到协整关系之后，下一步就是建立误差修正模型。ECM 的核心思想是：短期波动围绕长期均衡展开。

标准形式如下：

Δy_t = α + γ * z_{t-1} + β₁ * Δx_t + ε_t

其中 z_{t-1} 是上一期的均衡误差，γ 是调整速度系数。如果 γ 为负且显著，说明系统有自我修复能力。

实际应用中的注意事项

• 样本量要求：协整检验对样本量敏感。我建议至少100个观测点，少于50个基本不可靠。
• 结构突变：如果数据存在结构突变（比如政策变化），协整关系可能断裂。这时候需要做结构突变检验。
• 多变量协整：超过两个变量时，可能存在多个协整向量。Johansen方法可以帮你找出所有可能的协整关系。

一个真实案例

我记得有一次帮一家基金公司做策略研究，分析沪深300指数和国债收益率的关系。两个序列都是非平稳的，但直觉告诉我它们之间应该有长期联系。

先用EG两步法试了试，残差ADF检验的p值是0.04——显著！说明存在协整关系。然后建立ECM模型，调整速度系数是-0.15，意味着每次偏离均衡，系统会以15%的速度回归。

这个模型后来被用在了配对交易策略中，效果还不错。当然，这是后话了。

小结

协整理论的核心就一句话：非平稳序列之间，可能存在长期均衡关系。检验方法有EG两步法和Johansen方法，建模工具是误差修正模型。

嗯，内容就到这里。记住，协整不是万能的，但没有协整，很多经济分析就是空中楼阁。