statsmodels中coint函数是否考虑平稳性？附实操疑问

1. statsmodels coint函数是否对残差做平稳性检验？ #

是的，statsmodels.tsa.stattools.coint实现的是Engle-Granger两步协整检验法，核心逻辑完全符合文档描述：

• 第一步：用OLS拟合两只股票调整收盘价的线性关系（例如 $Y_t = \alpha + \beta X_t + \epsilon_t$）
• 第二步：对回归得到的残差$\epsilon_t$执行ADF平稳性检验，通过残差的平稳性来验证两只序列是否存在协整关系。

2. 5%临界值下如何判断协整？ #

coint函数返回三个值：检验统计量、p值、临界值数组（对应1%、5%、10%显著性水平）。判断规则直接清晰：

• 若检验统计量 < 5%对应的临界值（即返回结果的result[2][1]），或者p值 < 0.05，则在5%显著性水平下拒绝“不存在协整关系”的原假设，说明两只股票存在长期协整关系。

举个实际代码输出的判断例子：

# 假设coint函数返回结果
t_stat = -4.12
p_value = 0.023
critical_values = [-3.96, -3.37, -3.07]

这里检验统计量-4.12 < 5%临界值-3.37，且p值0.023 < 0.05，因此可以确定在5%水平下两只股票存在协整关系。

3. 用收益率数据如何操作？ #

首先明确：协整检验的前提是序列为非平稳但一阶单整（I(1)）——原始序列不平稳，但差分一次后转为平稳。而股票收益率（调整收盘价的一阶差分）本身几乎都是平稳序列（I(0)），直接对收益率做协整检验没有统计意义，因为协整是描述非平稳序列之间的长期均衡关系。

如果你的需求是分析两只股票的联动性：

• 若关注长期均衡：继续用调整收盘价做协整检验（这是协整分析的正确场景）
• 若关注短期波动：直接分析收益率的相关性、协方差，或者用向量自回归（VAR）模型对收益率建模。

若误将收益率当作原始序列输入coint函数，检验结果会毫无参考价值，因为平稳序列之间不存在协整的概念。

内容的提问来源于stack exchange，提问作者AAM