1 非平稳的基本含义
非平稳（Non-stationary）指随机过程的统计规律随时间改变。时间序列分析中，若均值、方差或相关结构等关键统计量不再保持恒定，则该过程通常被归类为非平稳。与平稳过程相比，非平稳往往意味着“过去的统计特征不能直接代表未来”，因此常规的平稳建模假设可能失效。
1.1 平稳与非平稳的对比
平稳过程的核心特征是统计性质不随时间平移而改变，常用表述包括均值恒定、方差恒定以及相关性只与滞后期有关。非平稳则相反：时间平移后，序列的统计描述会发生系统性变化，从而导致基于平稳假设的估计与推断偏离真实数据生成机制。
1.2 统计量随时间变化的含义
统计量随时间变化并不等同于“序列看起来在涨或在跌”。更严格地说，它通常体现在以下方面：
- 均值随时间变动（存在趋势或长期漂移）。
- 方差随时间变动（波动幅度随时间改变）。
- 协方差或相关结构随时间变动（相同滞后在不同阶段呈现不同依赖强度）。
这些变化会破坏“用单一固定分布或固定相关结构描述全体样本”的便利性。
1.3 常见的非平稳类型概览
实践中，非平稳常见成因大致可归为：趋势、季节性与周期结构、随机游走与单位根、波动聚集（条件异方差）、结构突变（机制或参数在时间点改变）。有时多个因素会叠加，使得序列呈现“均值和波动同时变形”的复杂局面。
2 非平稳的形式化定义
形式化定义把“统计性质不变”落实到数学条件。常见的层次包括严格平稳（严格意义上分布不变）与弱平稳（只要求一阶、二阶矩的稳定）。
2.1 严格平稳与弱平稳
2.1.1 分布不变（严格平稳）的条件
严格平稳要求：对任意时刻集合，联合分布在时间平移后保持不变。直观理解是“整个分布结构不随时间移动”。该条件强度较高，很多真实数据很难满足严格平稳。
2.1.2 一阶与二阶矩不变（弱平稳）的条件
弱平稳通常要求：
- 均值为常数；
- 方差为常数；
- 协方差仅是滞后期的函数，而与具体时间点无关。
在很多建模场景中，弱平稳是更可操作的假设框架。
2.2 非平稳的检验目标与表述差异
2.2.1 单变量时间序列视角
单变量情形下，检验常围绕“均值是否随时间变化、是否存在单位根导致的非平稳、方差是否存在系统性变化”等目标展开。检验的输出通常是对特定非平稳成因的证据，而非对所有形式的非平稳做统一判定。
2.2.2 多变量情形的扩展要点
多变量时间序列中，非平稳可能同时体现在各分量的边际分布变化以及分量之间的联动结构变化。此时还会涉及协整与误差修正等概念：即便各自非平稳，联合关系可能呈现相对稳定的长期结构。
3 非平稳的主要来源与特征
非平稳往往不是“噪声本身”，而是数据生成机制发生随时间变化的迹象。理解来源有助于选择合适的变换或模型框架。
3.1 趋势（Trend）
趋势意味着序列的中心位置随时间单调或缓慢漂移。趋势可能是线性形式，也可能表现为更复杂的缓慢变化。若未处理趋势，序列往往表现出自相关结构“过强”，使得平稳模型的诊断结果看起来异常。
3.2 季节性与周期结构
季节性指在固定周期长度上重复的规律，周期结构则更广义，可能包含非严格周期的往复波动。季节性会导致不同时间点的均值不一致，从而制造表面上的“非平稳感”。若周期随时间强度也发生变化，则非平稳更显著。
3.3 随机游走与单位根
随机游走或单位根过程的典型特征是：冲击会累积，导致序列的波动范围随时间扩大。它常被视为“均值难以回归”的现象来源之一，因此在预测和方差估计中会产生特殊影响。
3.4 波动聚集与条件异方差
波动聚集指大幅波动往往集中在某些阶段，而相对平稳的小波动阶段与其交替出现。若方差并非恒定，而是依赖于历史信息（例如上一期冲击大小），则可用条件异方差类模型描述。该类非平稳强调的是“方差结构随时间变动”，即便均值可能相对稳定。
3.5 结构突变与制度/机制变化
结构突变是指某个时间点前后数据生成机制发生改变，例如传感器校准、流程调整、政策或定价规则变化所带来的统计特征切换。此时即便采用差分或去趋势，仍可能残留“前后行为不一致”的证据，需要在模型层面显式考虑突变或引入更灵活的参数形式。
4 诊断与可视化方法
诊断的目的不是“立刻给出结论”，而是识别非平稳的可能类型与位置，从而指导后续变换与建模。
4.1 时域图形诊断：趋势与方差变化
时域可视化是最直接的起点。观察重点包括：
- 序列均值是否随时间系统漂移；
- 波动幅度是否逐段扩大或缩小；
- 极端值是否集中在特定阶段。
若只看到趋势或方差变化的一部分，仍可通过分段图进一步验证。
4.2 自相关与偏自相关的线索
自相关函数（ACF）与偏自相关函数（PACF）可用于捕捉依赖结构变化的信号。非平稳常带来特征：相关衰减速度与滞后模式与平稳情形不同，或出现“长尾”相关。需要注意的是，自相关也会因季节性而呈现周期性痕迹，不能仅凭一个图就下结论。
4.3 频域视角：谱随时间的变化迹象
频域方法关注周期成分的强度。若存在随时间变化的周期特征，单一固定谱可能不足以概括数据，进而提示时变结构。
4.3.1 时变谱的直观理解
时变谱可以理解为“不同时间段里，哪些频率成分更强”。如果某些频率成分在特定阶段突然增强或减弱，就说明时间序列的振荡机制并非恒定，非平稳可能与时变周期相关。
4.4 残差诊断与“看不出也要查”的原则（偏梗）
很多时候，原始序列看起来“差不多平稳”，但建模后残差却暴露问题：例如残差仍显示明显自相关、方差仍呈随时间成段波动、或出现突变点附近残差异常。经验上，“不明显不代表不存在”，因此残差诊断应与原始数据观察并行，避免把非平稳问题误当成普通噪声。
5 统计检验与评估
检验通常针对特定非平稳来源设计，结论的可靠性依赖样本长度、季节性处理方式以及模型设定。
5.1 单位根检验的基本思路
单位根检验关注“序列是否存在不稳定的均值回归机制”。基本思想是比较：在给定模型下，序列是否可以视为差分后才平稳，或者是否需要拒绝存在单位根的假设。
5.1.1 ADF（Augmented Dickey-Fuller）检验
ADF 检验通过回归形式检验滞后差分项后，单位根假设是否应被拒绝。该方法常用于判断序列是否需要进一步差分才能达到平稳。
5.1.2 KPSS（Kwiatkowski–Phillips–Schmidt–Shin）检验
KPSS 检验的定位与 ADF 不同：它更偏向“序列是否平稳”这一方向，通过检验误差平稳性来推断。两类检验的假设方向不同，因此结果需要结合具体情境理解，而不是简单互相“打架”。
5.1.3 检验结果的常见误读
常见误读包括：
- 把“未拒绝单位根”直接等同于“必然非平稳”；
- 不处理季节性就做单位根检验，导致季节性成分被误认为随机游走；
- 忽略结构突变，令检验对“局部不稳定”反应迟钝。
因此，检验结果应与诊断图形和变换历史共同解读。
5.2 结构突变检验概览
结构突变检验试图定位参数变化的时间点，或评估序列是否存在分段稳定的特征。该类方法适合在怀疑“前后机制不同”的情形下使用，例如引入变点模型或基于残差的检测思路。
5.3 异方差/波动结构相关检验思路
方差不恒定的检验通常关注残差的平方或更高阶特征是否存在系统性变化。思路常见于：先拟合一个均值方程（或差分/去趋势后的均值），再检查残差的波动是否随时间呈集聚或呈现条件依赖。若证据明显，通常意味着需要进一步使用条件异方差类模型或方差稳定化变换。
6 处理非平稳的常用变换
处理策略依赖于非平稳来源：对趋势更适合去趋势，对波动聚集更适合方差稳定化或条件建模，对突变更适合分段或引入变点结构。
6.1 差分与去趋势（Detrending）
6.1.1 一阶差分的含义
一阶差分通过计算相邻观测之差来移除线性趋势或消除随机游走的累积效应。它常用于把“原序列的非平稳均值结构”转化为“差分序列的更稳定波动结构”。差分会改变相关结构，因此后续建模需重新评估。
6.1.2 多重差分与过度处理风险
多重差分可能把序列过度“平滑到失真”：方差结构与依赖关系会被扭曲，进而导致模型阶数、预测性能以及解释性下降。过度处理往往表现为：残差出现不符合预期的相关模式或引入不必要的噪声放大。
6.2 变换以稳定方差
6.2.1 对数变换与Box-Cox思路
当方差随水平增长而增强时，常用对数或更一般的 Box-Cox 变换来压缩高值区域，从而缓解方差随时间或随水平变化的非平稳特征。变换后仍需检查残差诊断，因为“均值结构稳定”并不自动意味着“方差结构稳定”。
6.2.2 标准化与滚动波动处理
标准化可以在一定程度上消除规模差异。对于波动聚集，滚动估计的波动指标可用于构造相对稳定的序列或作为后续条件建模的输入。但滚动窗口的选择会影响偏差与方差，因此需要谨慎验证稳健性。
6.3 去季节化与重建
去季节化旨在移除确定的周期均值结构。可通过季节差分或建模季节项实现。去季节化后应重新检查残差是否仍存在周期性痕迹，以及是否破坏了原有的长期依赖关系。
6.4 对时变特征的建模替代路线
当非平稳来自时变参数或条件变化时，与其强行用固定变换“硬平稳”，不如采用能表达时变性的模型框架，例如状态空间、时变参数或条件异方差类模型。此路线通常需要更多建模工作，但解释与预测更贴合数据生成机制。
7 建模思路：从“非平稳”到“可建模”
建模的关键是把非平稳问题转化为可估计、可诊断的结构。常见做法包括差分化、引入长期关系、使用状态表示或允许参数随时间变化。
7.1 ARIMA与差分平稳化
ARIMA 框架通过差分使序列达到平稳，再在平稳序列上拟合自回归与移动平均结构。该方法适用于以单位根或趋势驱动的非平稳类型，但对纯粹的条件异方差或突变，需要搭配扩展或替代模型。
7.2 协整与长期关系（与非平稳相关）
当多变量序列各自可能非平稳，但存在稳定的线性组合（长期均衡关系）时，可用协整方法刻画。随后通过误差修正思想把短期波动与长期约束连接起来，从而获得更有解释力的模型。
7.3 状态空间模型与局部趋势
状态空间模型把观测视作潜在状态的映射，状态可以随时间演化。它适合局部趋势、逐渐变化的水平与多种噪声来源。相比一次性去趋势，状态空间允许趋势在时间上柔性变化，从而减少“过度固定”的风险。
7.4 时变参数模型概览
时变参数模型允许某些回归系数、方差或动态系数随时间改变，用以适应机制逐步漂移或阶段切换。此类模型的挑战在于：参数时间变化的形式需要约束与验证，避免拟合噪声。
7.5 条件异方差模型：从波动到参数
条件异方差模型将“当前波动”建成“由历史冲击与参数决定”的量。通过这种方式，把波动聚集的非平稳特征转化为可估计的条件结构。均值方程与方差方程的配合，使得预测区间随风险状态动态调整。
8 实务案例与经验要点
本节以常见应用场景说明：识别非平稳来源—选择处理策略—做诊断与回测的工作流。
8.1 金融收益/价格序列的常见处理流程
在金融中，价格或收益序列可能呈现趋势、波动聚集甚至突发性。常见做法包括：先用图形与相关结构筛查，再根据目标选择差分（处理随机游走）、对数变换（稳定方差）、或使用条件异方差框架刻画波动阶段。需要强调：不同任务（定价、风险度量、预测波动）对应的非平稳处理重点不同。
8.2 经济指标：趋势、周期与突变
经济指标常同时存在长期趋势与周期性波动，也可能因政策或统计口径调整出现结构突变。实践中往往需要联合处理：先处理季节性与趋势，再检查是否存在变点信号，最后再选择合适的动态模型或分段建模。
8.3 工业过程与监测数据的非平稳特征
工业过程常受设备状态变化、校准周期、生产批次差异影响，表现为方差随阶段波动或均值发生偏移。监测数据的非平稳处理通常更强调实时性与鲁棒性，例如使用滚动估计、状态空间跟踪或引入变点机制，以便区分正常波动与真正的过程异常。
8.4 常见陷阱：泄漏、过拟合与错误差分
常见问题包括：
- 数据泄漏：使用了未来信息来估计变换参数或窗口统计，导致评估偏乐观。
- 过拟合：在非平稳被捕捉后仍加入过多自由度，造成泛化能力下降。
- 错误差分：将季节性或结构变化误判为单位根，从而导致模型结构不匹配。
经验上，应在验证集或滚动窗口上重复检查性能，并结合诊断图确认变换合理性。
9 相关概念与延伸阅读方向
理解非平稳通常会自然地延伸到“如何平稳化”“如何处理长期关系”“以及如何在机器学习框架中表述时变性”。
9.1 平稳化（Stationarization）概念
平稳化指把非平稳序列通过变换或建模改造成更接近平稳的对象。它是一个策略集合，不限定某一种变换，目标是让后续统计推断与预测更可靠。
9.2 协整（Cointegration）与误差修正
协整与误差修正把多序列的长期稳定性与短期偏离联系起来。它是处理“个体非平稳但组合稳定”的常用工具，尤其适合经济与金融中存在长期均衡约束的场景。
9.3 时变性（Time-varying）与非平稳并列关系
时变性强调参数或机制随时间改变；非平稳强调统计性质随时间改变。两者相互关联：许多时变结构会导致非平稳，但并非所有非平稳都必须用同样的时变机制解释，因此在阅读时需要区分“统计现象”和“建模机制”。
9.4 与机器学习时序建模的衔接（概览）
在机器学习时序建模中，常见衔接方式包括：使用差分或标准化等预处理，让模型更容易学习规律；或直接采用能够处理时间变形的架构（如带时间特征的回归、序列到序列预测、状态空间式或注意力机制的动态建模）。无论方法如何，仍需要回到诊断与评估，确认非平稳来源已被适当处理。