时间序列分析_最经典的
时间序列分析王燕习题答案
时间序列分析王燕习题答案时间序列分析王燕习题答案时间序列分析是一门研究时间序列数据的统计学方法，它可以帮助我们理解和预测时间序列数据的趋势和模式。
王燕是这一领域的专家，在她的教材中提供了一系列的习题供学习者练习。
本文将给出一些关于时间序列分析中王燕习题的答案，希望能帮助读者更好地理解和应用这一方法。
第一题：给出一个时间序列数据，如何确定其季节性？季节性是时间序列数据中重复出现的周期性变化。
我们可以通过观察数据的图表来确定其季节性。
如果数据呈现出明显的周期性变化，且每个周期的长度相似，那么可以认为该时间序列具有季节性。
第二题：如何进行时间序列数据的平滑处理？时间序列数据的平滑处理是为了去除数据中的随机波动，使其更易于观察和分析。
常用的平滑方法有移动平均法和指数平滑法。
移动平均法是将一段时间内的数据求平均值，以此来代表整个时间段的数据。
指数平滑法则是通过对历史数据进行加权平均，赋予较近期数据更高的权重，以反映出时间序列数据的趋势。
第三题：如何进行时间序列数据的分解？时间序列数据的分解是为了将其拆解成趋势、季节性和随机成分三个部分，以便更好地理解和预测数据。
常用的分解方法有经典分解法和X-11分解法。
经典分解法是将时间序列数据拆解成趋势、季节性和随机成分，其中趋势是数据的长期变化，季节性是周期性的变化，随机成分则是无法解释的随机波动。
X-11分解法则是在经典分解法的基础上加入了一些调整和修正，使得分解结果更准确。
第四题：如何进行时间序列数据的预测？时间序列数据的预测是利用历史数据来预测未来的趋势和模式。
常用的预测方法有移动平均法和指数平滑法。
移动平均法是将时间序列数据的平均值作为未来的预测值。
指数平滑法则是通过对历史数据进行加权平均，赋予较近期数据更高的权重，以反映出时间序列数据的趋势。
此外，还可以使用ARIMA模型进行时间序列数据的预测，ARIMA模型是一种常用的时间序列预测模型，它结合了自回归、滑动平均和差分运算。
时间序列加法模型
时间序列加法模型时间序列加法模型是一种经典的时间序列分析方法，用于对时间序列数据进行预测和分解。
它将时间序列数据分解为趋势、季节性和残差三个部分，并通过对这些部分的分析来揭示时间序列的特征和规律。
在时间序列分析中，时间序列加法模型是一种常用的预测模型。
它假设时间序列数据由趋势、季节性和残差三个部分组成，这三个部分分别代表了时间序列的长期趋势、周期性变动和随机波动。
通过对这三个部分的分析，可以更好地理解和预测时间序列的变化。
时间序列加法模型将时间序列数据分解为趋势、季节性和残差三个部分。
趋势表示时间序列的长期变化趋势，可以通过拟合线性回归模型或指数平滑法来估计。
季节性表示时间序列在周期内的重复模式，可以通过移动平均法或季节指数法来估计。
残差表示时间序列除趋势和季节性外的随机波动，可以通过计算观测值与趋势和季节性估计值之间的差异来得到。
时间序列加法模型通过对趋势、季节性和残差的分析来揭示时间序列的特征和规律。
趋势分析可以帮助我们了解时间序列的长期趋势和发展方向，从而做出合理的预测和决策。
季节性分析可以帮助我们了解时间序列在周期内的重复模式和周期性变动，从而更好地把握市场的节奏和规律。
残差分析可以帮助我们了解时间序列中的随机波动和异常值，从而提高预测的准确性和稳定性。
时间序列加法模型可以用于对时间序列数据进行预测和分解。
通过对趋势、季节性和残差的估计和预测，可以得到对未来时间序列的预测值和置信区间。
同时，通过对时间序列的分解，可以得到时间序列中的趋势、季节性和残差的具体数值和变化趋势，从而更好地理解和解释时间序列的特征和规律。
时间序列加法模型是一种重要的时间序列分析方法，可以帮助我们对时间序列数据进行预测和分解。
通过对趋势、季节性和残差的分析，可以揭示时间序列的特征和规律，从而提高预测的准确性和稳定性。
在实际应用中，时间序列加法模型被广泛应用于经济预测、市场调研、销售预测等领域，为决策者提供重要的参考和支持。
统计学中的时间序列
统计学中的时间序列时间序列（Time Series）是统计学中重要的研究对象之一，它描述了同一变量在不同时间点上的观测结果。
时间序列在许多领域都有广泛的应用，如经济学、金融学、气象学等。
通过对时间序列的分析，可以揭示出其中的规律和趋势，为决策和预测提供依据。
一、时间序列的基本概念时间序列是按照时间顺序排列的数据序列。
通常，时间序列中的观测值可以按照以下两个因素进行分类：1. 时间单位：观测点之间的时间间隔可以是固定的，如每日、每月、每年等，也可以是不规则的，如每小时、每分钟等。
2. 观测值类型：时间序列可以包含单变量（单个观测变量）或多变量（多个观测变量）。
二、时间序列的经典模型时间序列分析的目标是识别和建模数据中的模式和结构。
经典的时间序列模型包括以下几种：1. 自回归移动平均模型（ARMA）：ARMA模型是将自回归模型（AR）和移动平均模型（MA）结合起来，它假设时间序列的当前观测值与过去的观测值和随机误差有关。
2. 自回归整合移动平均模型（ARIMA）：ARIMA模型是在ARMA模型的基础上引入差分操作，用于消除时间序列的非平稳性。
3. 季节性模型：对于具有明显季节性变化的时间序列，可以采用季节性模型，如季节性ARIMA模型（SARIMA）。
4. 非线性模型：除了上述线性模型外，时间序列还可能具有非线性特征，因此可以采用非线性模型，如ARCH、GARCH模型等。
三、时间序列分析的方法时间序列分析主要包括以下几个步骤：1. 数据获取和预处理：从数据源获取时间序列数据，并对数据进行预处理，如处理缺失值、异常值等。
2. 数据可视化和描述性统计：通过绘制时间序列图、自相关图、偏自相关图等，对数据进行可视化和描述性统计，以了解数据的整体特征。
3. 模型识别和参数估计：根据观察到的时间序列图和自相关函数，选择适当的模型，并对模型的参数进行估计。
4. 模型检验和诊断：对所建立的模型进行检验，如检验模型的拟合优度、残差序列是否平稳等，并进行诊断，如检验残差是否具有自相关性等。
数学建模十大经典算法
数学建模十大经典算法数学建模是将现实问题抽象化成数学问题，并通过数学模型和算法进行解决的过程。
在数学建模中，常用的算法能够帮助我们分析和求解复杂的实际问题。
以下是数学建模中的十大经典算法：1.线性规划算法线性规划是一种用于求解线性约束下的最优解的方法。
经典的线性规划算法包括单纯形法、内点法和对偶理论等。
这些算法能够在线性约束下找到目标函数的最大（小）值。
2.整数规划算法整数规划是在线性规划的基础上引入了整数变量的问题。
经典的整数规划算法包括分枝定界法、割平面法和混合整数线性规划法。
这些算法能够在整数约束下找到目标函数的最优解。
3.动态规划算法动态规划是一种将一个问题分解为更小子问题进行求解的方法。
经典的动态规划算法包括背包问题、最短路径问题和最长公共子序列问题等。
这些算法通过定义递推关系，将问题的解构造出来。
4.图论算法图论是研究图和图相关问题的数学分支。
经典的图论算法包括最小生成树算法、最短路径算法和最大流算法等。
这些算法能够解决网络优化、路径规划和流量分配等问题。
5.聚类算法聚类是将相似的数据点划分为不相交的群体的过程。
经典的聚类算法包括K均值算法、层次聚类算法和密度聚类算法等。
这些算法能够发现数据的内在结构和模式。
6.时间序列分析算法时间序列分析是对时间序列数据进行建模和预测的方法。
经典的时间序列分析算法包括平稳性检验、自回归移动平均模型和指数平滑法等。
这些算法能够分析数据中的趋势、周期和季节性。
7.傅里叶变换算法傅里叶变换是将一个函数分解成一系列基础波形的过程。
经典的傅里叶变换算法包括快速傅里叶变换和离散傅里叶变换等。
这些算法能够在频域上对信号进行分析和处理。
8.最优化算法最优化是研究如何找到一个使目标函数取得最大（小）值的方法。
经典的最优化算法包括梯度下降法、共轭梯度法和遗传算法等。
这些算法能够找到问题的最优解。
9.插值和拟合算法插值和拟合是通过已知数据点来推断未知数据点的方法。
经典的插值算法包括拉格朗日插值和牛顿插值等。
时间序列模型经典案例
时间序列模型经典案例
时间序列模型是一种以时间为基础的统计模型，旨在对给定的时间序列数据进行建模
和分析。
它的基本策略是使用历史先前的行为来预测未来的行为。
它可以用于一些经济领域，如股市价格预测、可用机器预测成本、销售预测、金融账户预测和疾病蔓延预测等等。
在这种情况下，时间序列模型可以帮助人们找出未来的可能性和未来可能出现的潜在变异。
其中，一个经典的时间序列模型案例就是服务水平分析。
服务水平分析是一种应用时
间序列分析的方法，用来评估服务和/或产品的可用性、可靠性和性能。
它通过定时监测
服务或产品的可用性，反映回客户的使用情况以评估服务或产品的能力。
服务水平分析可
以对质量、可靠度和性能感兴趣的组织有所帮助，因为可以根据“服务水平政策”来识别
并跟踪服务或产品的可用性和服务质量的缺陷。
时间序列模型的另一个经典案例是客流量预测。
客流量预测是一种应用时间序列模型
的方法，它可以用来预测某一段时期内客流量的实际变化趋势。
它具有很强的精准性和灵
活性，可以精确推断客流量的预测水平，从而向组织有关以及如何优化客流资源分配方面
发出更多建议。
此外，时间序列模型的应用还包括气象分析、饮用水质量预测、能源需求识别和预测、环境污染预测以及各种其他社会问题预测等等。
例如，应用气象分析模型来识别和预测气
温变化可以帮助人们更好地处理气象灾害，而应用能源需求识别和预测则可以为能源市场
提供更多信息，进而实现环境友好型、可持续发展的社会。
时间序列分析
时间序列分析⼀、定义时间序列（或称动态数列）是指将同⼀统计指标的数值按其发⽣的时间先后顺序排列⽽成的数列。
时间序列分析的主要⽬的是根据已有的历史数据对未来进⾏预测。
经济数据中⼤多数以时间序列的形式给出。
根据观察时间的不同，时间序列中的时间可以是年份、季度、⽉份或其他任何时间形式。
时间序列简单的说就是各时间点上形成的数值序列。
时间序列分析并不是关于时间的回归，它主要是研究⾃⾝的变化规律的（这⾥不考虑含外⽣变量的时间序列）。
对时间序列进⾏观察,研究，寻找它变化发展的规律，预测它将来的⾛势，就是时间序列分析。
⼆、构成要素：长期趋势，季节变动，循环变动，不规则变动。
1）长期趋势（ T ）现象在较长时期内受某种根本性因素作⽤⽽形成的总的变动趋势。
2）季节变动（ S ）现象在⼀年内随着季节的变化⽽发⽣的有规律的周期性变动。
3）循环变动（ C ）现象以若⼲年为周期所呈现出的波浪起伏形态的有规律的变动。
4）不规则变动（I ）是⼀种⽆规律可循的变动，包括严格的随机变动和不规则的突发性影响很⼤的变动两种类型。
三、作⽤1. 反映社会经济现象的发展变化过程，描述现象的发展状态和结果。
2. 研究社会经济现象的发展趋势和发展速度。
3. 探索现象发展变化的规律，对某些社会经济现象进⾏预测。
4. 利⽤时间序列可以在不同地区或国家之间进⾏对⽐分析，这也是统计分析的重要⽅法之⼀。
四、变量特征⾮平稳性（nonstationarity，也译作不平稳性，⾮稳定性）：即时间序列变量⽆法呈现出⼀个长期趋势并最终趋于⼀个常数或是⼀个线性函数。
波动幅度随时间变化（Time－varying Volatility）：即⼀个时间序列变量的⽅差随时间的变化⽽变化。
这两个特征使得有效分析时间序列变量⼗分困难。
平稳型时间数列（Stationary Time Series）系指⼀个时间数列其统计特性将不随时间之变化⽽改变。
五、时域分析的经典步骤1.考察序列的特征，检验是否具有平稳性2.根据序列特征选择拟合的模型3.确定模型的⼝径4.检验、优化模型5.利⽤拟合的模型进⾏预测以下为转载————————————————版权声明：本⽂为CSDN博主「Python⾦融量化」的原创⽂章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原⽂出处链接及本声明。
时间序列的分析方法
时间序列的分析方法时间序列分析是指通过对时间序列数据进行统计学和数学模型的建立和分析，以预测和解释时间序列的未来走势和规律。
它是应用统计学和数学方法研究时间序列数据特点、规律、变化趋势，以及建立模型进行分析和预测的一种方法。
时间序列数据是按照时间顺序记录的数据，比如月度销售额、季度GDP增长率、年度股票收盘价等。
时间序列分析的目的是从历史数据中发现数据的模式，以便更好地理解现象、做出预测和制定决策。
时间序列分析主要有以下几种方法：1. 数据可视化方法数据可视化是分析时间序列数据的重要方法，可以通过绘制数据的折线图、柱状图、散点图等来观察数据的趋势、周期性、季节性等特点。
2. 描述性统计方法描述性统计是对时间序列数据的集中趋势、离散程度和分布形态进行描述的方法。
常用的描述性统计指标有均值、标准差、最大值、最小值等。
3. 平稳性检验方法平稳性是时间序列分析的重要假设，即时间序列在长期内的统计特性保持不变。
平稳性检验可以通过观察数据的图形、计算自相关函数、进行单位根检验等方法来判断时间序列是否平稳。
4. 时间序列分解方法时间序列分解是将时间序列数据分解为趋势成分、周期成分和随机成分的方法。
常用的时间序列分解方法有经典分解法和X-11分解法。
5. 自回归移动平均模型（ARMA）方法ARMA模型是时间序列的常用统计学模型，可以描述时间序列数据的自相关和滞后移动平均关系。
ARMA模型包括两个部分，AR(p)模型用来描述自回归关系，MA(q)模型用来描述移动平均关系。
6. 自回归积分滑动平均模型（ARIMA）方法ARIMA模型是ARMA模型的扩展，加入了差分操作，可以处理非平稳时间序列。
ARIMA模型通常用于对非平稳时间序列进行平稳化处理后的建模和预测。
7. 季节性模型方法对于具有明显季节性的时间序列数据，可以采用季节性模型进行分析和预测。
常用的季节性模型有季节性ARIMA模型、季节性指数平滑模型等。
8. 灰色模型方法灰色模型是一种适用于少量样本的时间序列建模和预测方法，它主要包括GM(1,1)模型和GM(2,1)模型。
时间序列的分解分析
时间序列的分解分析时间序列分解分析是一种对时间序列数据进行分析和预测的方法，能够揭示时间序列数据中的趋势、季节性和不规则成分。
本文将介绍时间序列分解分析的基本原理、方法和应用，并结合实例进行详细阐述。
一、时间序列分解分析的基本原理时间序列是指按照时间顺序排列的一系列观测数据。
时间序列分解分析是将时间序列数据分解为趋势、季节性和不规则成分，以便更好地了解和预测数据的变化规律。
时间序列分解分析的基本原理是将时间序列数据表示为多个相互独立的成分之和，即y(t) = T(t) + S(t) + I(t)其中，y(t)表示时间序列数据，在某一时间点t的取值；T(t)表示趋势成分，描述数据随时间的长期变化趋势；S(t)表示季节性成分，描述数据在一定周期内的周期性变化；I(t)表示不规则成分，描述数据中的随机波动。
二、时间序列分解分析的方法1. 加法模型和乘法模型时间序列分解分析可以采用加法模型或乘法模型。
加法模型适用于季节性变化相对稳定、幅度相对固定的数据；乘法模型适用于季节性变化幅度随时间变化的数据。
加法模型可以表示为y(t) = T(t) + S(t) + I(t)乘法模型可以表示为y(t) = T(t) × S(t) × I(t)2. 移动平均和中心移动平均时间序列分解分析中常用的方法是移动平均和中心移动平均。
移动平均是用一组连续的数据点的平均值来代表该数据点，以平滑数据的波动；中心移动平均是将每个数据点替换为该数据点前后一段时间内数据的平均值。
通过移动平均和中心移动平均可以得到趋势成分的估计值。
3. X-11分析X-11分析是一种常用的季节性调整方法，适用于季节性变化相对稳定的时间序列数据。
X-11分析逐步消除季节性、趋势和不规则成分，得到经过季节性调整后的时间序列数据。
三、时间序列分解分析的应用时间序列分解分析是一种重要的时间序列分析方法，被广泛应用于经济学、金融学、气象学、环境科学等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【时间简“识”】说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。
原版请到经管之家(原人大经济论坛) 查看。
1.带你看看时间序列的简史现在前面的话——时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。
本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。
在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。
所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！Long long ago，有多long？估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。
记录这个河流涨落有什么意义？当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。
结果，他们发现尼罗河的涨落非常有规律。
掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。
好~~从上面那个故事我们看到了1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。
2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。
既然有了序列，那怎么拿来分析呢？时间序列分析方法分为描述性时序分析和统计时序分析。
1、描述性时序分析——通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析•描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。
2、统计时序分析（1）频域分析方法•原理：假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动•发展过程：1）早期的频域分析方法借助富里埃分析从频率的角度揭示时间序列的规律2）后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数3）20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶段•特点：非常有用的动态数据分析方法，但是由于分析方法复杂，结果抽象，有一定的使用局限性（2）时域分析方法•原理：事件的发展通常都具有一定的惯性，这种惯性用统计的语言来描述就是序列值之间存在着一定的相关关系，这种相关关系通常具有某种统计规律。
•目的：寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势•特点：理论基础扎实，操作步骤规范，分析结果易于解释，是时间序列分析的主流方法楼主，说了半天，你终于到正题了，时域分析才是我们经常接触的，你赶紧说说怎么做吧？★时域分析方法的分析步骤：•考察观察值序列的特征•根据序列的特征选择适当的拟合模型•根据序列的观察数据确定模型的口径•检验模型，优化模型•利用拟合好的模型来推断序列其它的统计性质或预测序列将来的发展时域分析方法的发展过程•基础阶段——G.U.Yule：1927年，AR模型G.T.Walker：1931年，MA模型，ARMA模型•核心阶段——G.E.P.Box和G.M.Jenkins1970年，出版《Time Series Analysis Forecasting and Control》提出ARIMA模型（Box—Jenkins 模型）Box—Jenkins模型实际上是主要运用于单变量、同方差场合的线性模型•完善阶段——异方差场合：Robert F.Engle，1982年，ARCH模型Bollerslov，1985年GARCH模型多变量场合：C.Granger ，1987年，提出了协整（co- integration）理论非线性场合：汤家豪等，1980年，门限自回归模型用哪些软件可以做时间序列分析呢？S-plus，Matlab，Gauss，TSP，Eviews 和SAS上述软件楼主觉得Eviews是基础版，Gauss是小众版，Matlab&S-pluss是正常小青年~~SAS，万能的软件BOSS啊~~~下一辑——时间序列的预处理！敬请关注！【时间简“识”】2.那些必不可少的预处理- 计量经济学与统计软件- 经管之家(原人大经济论坛) 2012-7-27本帖最后由经管之家(原人大经济论坛)胖胖小龟宝于2014-12-12 09:12 编辑上一辑预告说啦~~本期的主题是时间序列的预处理~~序列在建模前到底要做哪些预处理呢？首先，大伙都知道的平稳性检验是必须的！说到平稳，其实有两种平稳——宽平稳、严平稳严平稳相较于宽平稳来说，条件更多更严格，而我们时常运用的时间序列，大多宽平稳就够了~~什么是严平稳：是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。
这样，数学期望和方差这些参数也不随时间和位置变化。
（比如白噪声）什么是宽平稳：宽平稳是使用序列的特征统计量来定义的一种平稳性。
它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。
两者关系：一般关系：严平稳条件比宽平稳条件苛刻，通常情况下，严平稳（低阶矩存在）能推出宽平稳成立，而宽平稳序列不能反推严平稳成立。
特例：不存在低阶矩的严平稳序列不满足宽平稳条件，例如服从柯西分布的严平稳序列就不是宽平稳序列。
当序列服从多元正态分布时，宽平稳可以推出严平稳。
如何判断序列是平稳的？咱们这次先从图形法上看（通常越是简单的方法，往往越能看到问题，图形给出的第一感觉也许就是真相哦~~~~）时序图，例如(eviews画滴)：分析：什么样的图不平稳，先说下什么是平稳，平稳就是围绕着一个常数上下波动。
看看上面这个图，很明显的增长趋势，不平稳。
我们还可以根据自相关和偏相关系数来查看：还以上面的序列为例：用eviews得到自相关和偏相关图，Q统计量和伴随概率。
分析：平稳的序列的自相关图和偏相关图不是拖尾就是截尾。
截尾就是在某阶之后，系数都为0 ，怎么理解呢，看上面偏相关的图，当阶数为1 的时候，系数值还是很大，0.914. 二阶长的时候突然就变成了0.050. 后面的值都很小，认为是趋于0 ，这种状况就是截尾。
再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为0 。
自相关图既不是拖尾也不是截尾。
以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。
下面是通过自相关的其他功能如果自相关是拖尾，偏相关截尾，则用AR 算法如果自相关截尾，偏相关拖尾，则用MA 算法如果自相关和偏相关都是拖尾，则用ARMA 算法，ARIMA 是ARMA 算法的扩展版，用法类似。
一定有同学要问了：楼主检测出来不是平稳的怎么办啊？（楼主：当然要把它整平稳啦~~）如果遇到数据检测出来不平稳，可以考虑使用差分这个最常用的办法（当然，还有好多种其他方法处理）还是上面那个序列，两种方法都证明他是不靠谱的，不平稳的。
确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳位置。
先来个一阶差分：从图上看，一阶差分的效果不错，看着是平稳的。
在图形检验法中，我们能够较为直观的看到数据的一个大致变动趋势，如果它有周期或者上升等趋势，一般就不太平稳，需要做些处理，但图形始终是个主管判断为主的方法，这次，就来说说平稳检验的另一个方法：单位根检验（ADF检验）。
ADF检验简介：检查序列平稳性的标准方法是单位根检验。
有6种单位根检验方法：ADF检验、DFGLS检验、PP检验、KPSS检验、ERS检验和NP检验，本节将介绍DF检验、ADF检验。
ADF检验和PP检验方法出现的比较早，在实际应用中较为常见，但是，由于这2种方法均需要对被检验序列作可能包含常数项和趋势变量项的假设，因此，应用起来带有一定的不便；其它几种方法克服了前2种方法带来的不便，在剔除原序列趋势的基础上，构造统计量检验序列是否存在单位根，应用起来较为方便。
ADF检验是在Dickey-Fuller检验(DF检验)基础上发展而来的。
因为DF检验只有当序列为AR(1)时才有效。
如果序列存在高阶滞后相关，这就违背了扰动项是独立同分布的假设。
在这种情况下，可以使用增广的DF检验方法（augmented Dickey-Fuller test ）来检验含有高阶序列相关的序列的单位根。
检验步骤（一般进行ADF检验要分3步）：1 对原始时间序列进行检验，此时第二项选level，第三项选None.如果没通过检验，说明原始时间序列不平稳；2 对原始时间序列进行一阶差分后再检验，即第二项选1st difference，第三项选intercept,若仍然未通过检验，则需要进行二次差分变换；3 二次差分序列的检验，即第二项选择2nd difference ，第四项选择Trend and intercept.一般到此时间序列就平稳了！tips: 在进行ADF检验时，必须注意以下两个实际问题：（1）必须为回归定义合理的滞后阶数，通常采用AIC准则来确定给定时间序列模型的滞后阶数。
在实际应用中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。
（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显著性水平的t 统计量在原假设下的渐近分布依赖于关于这些项的定义。
①若原序列中不存在单位根，则检验回归形式选择含有常数，意味着所检验的序列的均值不为0；若原序列中存在单位根，则检验回归形式选择含有常数，意味着所检验的序列具有线性趋势，一个简单易行的办法是画出检验序列的曲线图，通过图形观察原序列是否在一个偏离0 的位置随机变动或具有一个线性趋势，进而决定是否在检验时添加常数项。
②若原序列中不存在单位根，则检验回归形式选择含有常数和趋势，意味着所检验的序列具有线性趋势；若原序列中存在单位根，则检验回归形式选择含有常数和趋势，意味着所检验的序列具有二次趋势。
同样，决定是否在检验中添加时间趋势项，也可以通过画出原序列的曲线图来观察。
如果图形中大致显示了被检验序列的波动趋势呈非线性变化，那么便可以添加时间趋势项。
本例所选择的基础数据是每日收盘价，上证指数日数据从1990-12-19至2011-8-9，样本容量为5058，周数据从1990-12-21至2011-8-9，样本容量为1043，深证成指日数据从1991-4-3至2011-8-9，样本容量为4998，周数据从1991-4-5至2011-8-9，样本容量为1070。
在证券市场的实证研究中，通常使用收益率即价格的变化而非价格本身，因为证券价格之间存在明显的序列相关性和趋势性，使得许多分析方法不能使用。
在本例中，所采用的数据为收盘价的对数收益序列。