因子与指数投资揭秘系列二十二：探究构建因子的时间序列数据平稳性

金融时间序列的平稳性对因子构建和投资模型优化有重要影响。平稳序列的均值、方差和协方差恒定，便于建模和预测；非平稳序列可能导致伪回归问题。

处理非平稳序列的常见方法包括差分、取对数、做同环比等。趋势性与均值复归性是时间序列的重要特征：非平稳序列短期趋势性强，反转概率低；平稳序列均值复归性强，反转概率高。基本面数据常有周期性，处理时需考虑是否保留季节性特征。

序列平稳性检验方法包括ADF检验和自相关图（ACF）。ADF检验通过检验自回归模型中单位根是否存在判断平稳性；ACF图通过观察序列自相关性判断“截尾”或“拖尾”现象。

实际案例分析：

• 黄金现货价格（2024年）非平稳，趋势性强，适合构建动量趋势因子。
• 液化石油气现货价格（2024年）平稳但自相关性较强，适合构建短周期量价因子。
• 纯碱基差（2024年）平稳性增强，提示基差和期限结构策略需关注标的品种平稳性。
• 商品期权隐含波动率（铁矿石、豆粕）平稳但自相关性较强，适合构建长周期（铁矿石）或中周期（豆粕）反转因子。
• 20号胶仓单数据非平稳，通过求同环比等方法可转化为平稳序列，拓宽量化策略应用范围。