在statsmodels.tsa.stattools.adfuller中可进行adf校验，一般传入一个data就行，包括list， numpy array 和 pandas series都可以作为输入，其他参数可以保留默认.

statsmodels.tsa.stattools.adfuller

statsmodels.tsa.stattools.adfuller（x，maxlag = None，regression ='c'，autolag ='AIC'，store = False，regresults = False )

增强Dickey-Fuller单位根检验

Augmented Dickey-Fuller测试可用于在存在串行相关的情况下在单变量过程中测试单位根。

参数
x （array_like，1d）
数据系列
maxlag （int）
测试中包含的最大延迟，默认为12 *（nobs / 100）^ {1/4}
regression（{‘c’，’ct’，’ctt’，’nc’}）
包含在回归中的常量和趋势顺序

  • ‘c’：仅限常量（默认）
  • ‘ct’：恒定和趋势
  • ‘ctt’：常数，线性和二次趋势
  • ‘nc’：没有恒定，没有趋势
autolag {‘AIC’，’BIC’，’t-stat’，无}
  • 如果为None，则使用maxlag滞后
  • 如果是’AIC’（默认值）或’BIC’，则选择滞后数以最小化相应的信息标准
  • 基于’t-stat’的maxlag选择。从maxlag开始并使用5％大小的测试来降低滞后，直到最后一个滞后长度的t统计量显着为止
store（bool）
如果为True，则另外返回adf统计信息的结果实例。默认值为False
regolults （bool，可选）
如果为True，则返回完整的回归结果。默认值为False
返回
adf （float）
测试统计
pvalue （float）
MacKinnon基于MacKinnon的近似p值（1994年，2010年）
usedlag （int）
使用的滞后数量
nobs（ int）
用于ADF回归的观察数和临界值的计算
critical values（dict）
测试统计数据的临界值为1％，5％和10％。基于MacKinnon（2010）
icbest（float）
如果autolag不是None，则最大化信息标准。
resstore （ResultStore，可选）
一个虚拟类，其结果作为属性附加

adfuller(price_A)
#检验后输出的结果
(-2.0226025821924765, 0.27675142429522215, 54, 101983, {'1%': -3.430414123085256, '5%': -2.861568341405142, '10%': -2.566785085137168}, -915434.180263706)

 

如何确定该序列能否平稳呢？主要看：

  1. 1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较，ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设，本数据中，adf结果为-2.02， 大于三个level的统计值。所以是不平稳的，需要进行一阶差分后，再进行检验。
  2. P-value是否非常接近0，接近0，则是平稳的，否则，不平稳。

使用以下语句进行一阶差分。

price_A = np.diff(price_A)

使用一阶差分后的数据再次进行ADF检验：

adfuller(price_A)
(-91.9315631374553, 0.0, 5, 49492, {'1%': -3.430482135278395, '5%': -2.861598401066143, '10%': -2.566801084958309}, -427493.8830610331)

 

现在的数据就符合以上两个条件，所以判断为一阶单整。

下面来判断两者是否存在协整关系。使用statsmodels 模块中有 coint 函数