尧图网站建设 
简介本资源是一套面向经济学、金融学及时间序列分析学习者的MATLAB实操工具包聚焦ADFAugmented Dickey-Fuller单位根检验这一核心稳定性判别方法适用于本科高年级、研究生及量化分析初学者开展实证建模前的数据平稳性检验。压缩包共18个文件含15个.m函数脚本如tdis_inv.m、Test_BNG.m、ADF_Individual.m等覆盖检验主程序、临界值查表、长周期方差估计与多种扩展检验、2个.mat数据文件含ADF检验所需临界值表与Pesaran分布参数、1个readme.txt使用说明文档整体体积仅1.41MB轻量易部署。已有457人学习下载资源提供完整可运行的MATLAB代码体系、清晰的模块分工如个体检验、面板检验、逆变换支持及详细调用示例用户可直接加载数据、一键执行检验并解读结果显著降低ADF检验从理论到实践的门槛。1. ADF检验不是“跑个函数就完事”这套MATLAB工具包专治时间序列稳定性判断中的参数漂移、临界值失配与多因子干扰在金融高频数据建模中我见过太多人用adftest()直接套用默认滞后阶数和常数项结果在波动率突变段误判平稳性——模型上线后残差自相关爆表回测收益曲线断崖式塌方。这套名为ADF.rar的MATLAB资源包根本不是简单封装adftest的脚本合集而是一套覆盖Pesaran异质面板临界值查表、长-run方差稳健估计、多因子协整预处理、逆t分布临界值校准tdis_inv.m的完整单位根检验工作流。它解决的是真实场景里三大硬伤单一样本量下ADF统计量渐近分布失效、含结构突变的时间序列滞后阶数自动选择失灵、以及面板数据中个体异质性导致的临界值系统性偏移。适合需要部署量化策略回测引擎、宏观经济变量联动分析、或构建高频交易信号过滤器的工程师与研究员——尤其当你发现adftest(y,lags,4)给出的p值在滚动窗口中剧烈跳变时这套工具包里的Test_PS.m和Critical_DF.mat就是你该立刻打开的救急手册。2. 从原始数据到拒绝域判定ADF检验全流程的MATLAB实现逻辑与关键参数控制2.1 ADF检验的统计本质与MATLAB实现路径差异ADF检验的核心是检验时间序列是否存在单位根其原假设为$H_0: \rho 1$其中$\rho$是自回归系数。标准MATLABadftest函数基于Dicky-Fuller理论推导的渐近分布但该分布仅在样本量趋于无穷时成立。实际应用中当T100时临界值偏差可达15%以上。本包中所有测试脚本如Test_IV.m,Test_IPS.m,Test_LL.m均采用有限样本修正策略先通过LongRun_Variance.m计算Newey-West型长-run方差再调用tdis_inv.m将检验统计量映射至逆t分布分位点而非依赖标准正态或χ²近似。这种设计使小样本T30~60下的I(1)误判率下降42%基于包内Distribution.m提供的蒙特卡洛模拟验证。提示tdis_inv.m并非简单的t分布反函数而是针对ADF统计量的特定自由度调整版本。其输入为显著性水平α和有效自由度df输出为对应临界值。该df由NbFactors.m根据序列长度、滞后阶数及协变量维度动态计算避免了手动指定df导致的保守/激进误判。2.2 核心文件功能矩阵与调用链路解析文件名功能定位关键输入参数典型调用场景ADF_Individual.m单序列ADF检验主入口y: 时间序列向量maxlag: 最大滞后阶数model: AR/ARD/TS对单只股票日收益率序列执行基础检验Test_PS.mPesaran截面平均检验适用于面板数据Y: T×N矩阵T时间点N个体lags: 滞后阶数向量检验200只A股月度营收增速是否整体平稳Test_BNG.mBreitung非参数检验对结构突变鲁棒y: 序列breakpoint: 突变点位置可选处理CPI数据中2020年疫情冲击后的分段平稳性Critical_DF.mat预计算临界值表含5%/1%/0.1%三档无Test_IV.m内部自动加载替代adftest的渐近临界值Tables_Pesaran.matPesaran检验专用临界值表无Test_PS.m调用支持N10~100, T20~200组合所有测试脚本均遵循统一接口返回结构体result包含statistic检验统计量、critical临界值向量、pvalue精确p值、reject逻辑向量指示各显著性水平下是否拒绝H₀。这比adftest的布尔输出更利于后续自动化决策。2.3 手动复现ADF检验全过程以Test_IV.m为例的逐层拆解我们以最常用的Test_IV.mIm, Pesaran Shin 2003面板ADF检验为例展示如何脱离GUI直接调用% 步骤1加载并预处理面板数据示例10个国家季度GDP增长率 load(panel_data.mat); % 假设数据为T×N矩阵T40, N10 Y detrend(Y, constant); % 去除线性趋势避免伪回归 % 步骤2自动选择最优滞后阶数使用AIC准则 max_lag floor(12*(T/100)^(1/4)); % 经验公式T为时间点数 lags 0:max_lag; aic_vals zeros(size(lags)); for i 1:length(lags) % 对每个个体分别拟合ADF回归并计算AIC aic_vals(i) compute_aic_for_lag(Y, lags(i)); end opt_lag lags(find(aic_vals min(aic_vals), 1)); % 步骤3执行Test_IV检验核心调用 result Test_IV(Y, lags, opt_lag, model, ARD); % 步骤4解析结果 fprintf(检验统计量: %.4f\n, result.statistic); fprintf(5%%临界值: %.4f, 是否拒绝H0: %d\n, ... result.critical(1), result.reject(1));compute_aic_for_lag函数需自行实现包内未提供但逻辑明确对每个个体i拟合回归$\Delta y_{it} \alpha_i \beta_i y_{i,t-1} \sum_{j1}^p \gamma_{ij} \Delta y_{i,t-j} \varepsilon_{it}$计算AIC $2k - 2\ln(L)$其中k为参数个数L为最大似然值。此处ARD表示包含常数项与时间趋势项比默认AR更适用于有确定性趋势的经济序列。注意Test_IV.m内部会自动调用NbFactors.m估算有效自由度并通过tdis_inv.m查表获取临界值。若你发现result.critical(1)与adftest返回值差异显著说明你的数据量T已进入有限样本区间此时本包的临界值更可靠。3. 参数陷阱与调试指南滞后阶数选择、模型设定与临界值匹配的实操边界3.1 滞后阶数选择的三重冲突与折中方案滞后阶数p的选择直接影响ADF检验功效过小则残差自相关未清除统计量有偏过大则自由度损失严重检验力下降。本包提供三种策略经验法则Test_CH.m内置p floor(12*(T/100)^(1/4))适用于T≥30的宏观序列信息准则推荐在ADF_Individual_GS.m中实现BIC最小化代码片段如下% 在ADF_Individual_GS.m中关键段落 for p 0:p_max % 构造设计矩阵X含y_{t-1}, Δy_{t-1}, ..., Δy_{t-p} X [y(1:end-p-1), diff(y,1,1)(p1:end), ...]; beta X \ diff(y,1,1)(p2:end); % OLS估计 SSR sum((diff(y,1,1)(p2:end) - X*beta).^2); BIC(p1) log(SSR/(T-p-1)) (p2)*log(T)/T; % p2为参数总数 end opt_p find(BIC min(BIC), 1) - 1;自相关检验法Test_MW.m对残差进行Ljung-Box检验取最小p使Q(p)χ²_{0.05}(p)。提示当序列存在季节性如月度数据必须在maxlag中显式加入季节周期如12否则p可能低估。Test_LL.m支持seasonal选项会自动添加季节虚拟变量。3.2 模型设定model的物理意义与误用后果model参数决定ADF回归中是否包含常数项c、时间趋势项t或两者ct。错误设定会导致两类错误漏掉必要项若真实过程含趋势但设为c则β估计有偏H₀拒绝率虚高冗余添加若无趋势却设ct则检验统计量方差增大功效下降。本包通过Test_BNG.m提供诊断运行[trend_flag, const_flag] diagnose_trend(y)返回布尔值指示是否应包含趋势/常数。其原理是拟合带趋势模型检验趋势系数是否显著t检验再对残差做KPSS检验反向验证。3.3tdis_inv.m的逆分布校准机制与精度验证tdis_inv.m是本包区别于其他ADF工具的核心。其输入alpha显著性水平和df自由度输出临界值cval。df的计算逻辑在NbFactors.m中实现function df NbFactors(T, p, N) % T: 时间点数, p: 滞后阶数, N: 个体数面板或1单序列 if nargin 3 || isempty(N), N 1; end % Pesaran (2007)公式df T - p - 1 - (N1)*(1 (N1)*0.5) df T - p - 1; if N 1 df df - 1; % 面板需额外减去截距项自由度 end % 对小样本T50做Bartlett修正 if T 50 df df * (1 - 0.15*(50-T)/50); end end验证其精度用Distribution.m生成10⁵次模拟对比tdis_inv(0.05,20)与标准t分布tinv(0.05,20)。结果显示在T30,p3时前者临界值为-2.89后者为-1.72——差异达68%这解释了为何小样本下adftest易犯II类错误。4. 面板数据与多因子场景下的进阶应用Pesaran检验与协整预处理实战4.1Test_PS.m执行Pesaran CIPS检验的完整流程Pesaran的CIPSCross-sectionally Augmented IPS检验专为异质面板设计能处理个体间不同的滞后阶数与AR结构。其调用需严格遵循数据格式% 数据准备确保Y为T×N矩阵每列为一个个体序列 % 缺失值处理关键 Y_clean fillmissing(Y, linear); % 线性插值避免删除整行 Y_clean Y_clean(20:end, :); % 剔除前20期因滞后项需要 % 执行CIPS检验 opts struct(lags, [0 1 2], model, ARD, bootstrap, 1000); result_ps Test_PS(Y_clean, opts); % 输出解读 fprintf(CIPS统计量: %.4f\n, result_ps.statistic); fprintf(渐近p值: %.4f\n, result_ps.pvalue_asym); fprintf(自助法p值1000次: %.4f\n, result_ps.pvalue_boot);Test_PS.m内部会对每个个体i独立运行ADF检验获取t_i统计量计算截面平均$\bar{t} \frac{1}{N}\sum t_i$使用Tables_Pesaran.mat中预存的临界值按N,T查表判定若启用bootstrap则对残差进行块自助法重采样生成经验分布。注意Tables_Pesaran.mat包含N10/20/50/100与T20/30/50/100的组合临界值。若你的N15,T25需线性插值——Test_PS.m已内置双线性插值函数interp2_pesaran无需手动干预。4.2ADF_Individual_GS.m与协整关系预筛选在构建多因子套利模型时需先确认各因子序列是否同阶单整即均为I(1)。ADF_Individual_GS.m支持批量检验并输出协整候选集% 因子矩阵FT×KK5个技术指标 F [rsi, macd, bollinger_width, volume_ma_ratio, volatility]; % 批量ADF检验 results ADF_Individual_GS(F, lags, AIC, model, ARD); % 筛选I(1)序列5%水平拒绝H0 i1_indices find([results.reject(:,1)]); % 返回逻辑索引 i1_factors F(:, i1_indices); fprintf(检测出%d个I(1)因子, length(i1_indices)); disp(arrayfun((x) sprintf(Factor%d,x), i1_indices, UniformOutput, false));该函数返回results结构体数组每个元素含yname若输入为table、lag_opt最优滞后、rho_hatρ估计值等字段便于后续Engle-Granger两步法协整检验。4.3LongRun_Variance.m的Newey-West实现细节与带宽选择长-run方差估计是稳健ADF检验的基石。LongRun_Variance.m实现Newey-West核估计$$\hat{J} \hat{\Omega}0 \sum{k1}^{m} \left(1-\frac{k}{m1}\right)(\hat{\Omega}_k \hat{\Omega}_k)$$其中$\hat{\Omega}_k$为k阶自协方差矩阵m为截断带宽。本包默认m floor(4*(T/100)^(2/9))Newey-West推荐但允许用户指定% 自定义带宽例如对高频数据用更小m J LongRun_Variance(resid, bandwidth, 5); % resid为ADF回归残差向量带宽m过大会引入噪声过小则残留自相关。经验规则对日频数据T≈250m4~6对月频T≈120m2~3。Test_MP.mMaddala-Park检验会自动根据T调整m其临界值表Critical_DF.mat已按不同m预计算。5. 故障排查与性能优化当检验结果异常时的五步定位法5.1 检验统计量溢出或NaN的根因分析当result.statistic返回Inf或NaN时按以下顺序排查检查数据质量运行any(isnan(Y) | isinf(Y))存在缺失值则fillmissing验证序列长度length(y) 10时LongRun_Variance无法计算需补足或降频确认滞后阶数p length(y)-2会导致设计矩阵秩亏ADF_Individual.m会报错Lag order too large检查模型设定modelTS带趋势时若y为常数序列diff(y)全零OLS求逆失败内存限制Test_PS.m对N200的面板会触发内存警告此时改用fast选项牺牲部分精度result Test_PS(Y, fast, true, lags, 1);5.2 加速大规模检验的并行化配置对1000个序列的批量检验启用MATLAB并行池% 启动4核并行池 parpool(local, 4); % 将序列矩阵Y按列切分为cell数组 Y_cell num2cell(Y, 1); % 并行执行 results_par pararrayfun(ADF_Individual, Y_cell, ... UniformOutput, false, ... Options, struct(UseParallel, true)); delete(gcp(nocreate)); % 清理池注意pararrayfun要求ADF_Individual函数为顶层函数非嵌套且所有依赖文件如Critical_DF.mat需在worker路径中。推荐将整个ADF文件夹添加到startup.m。5.3 结果可视化与报告生成模板利用result结构体快速生成检验报告function gen_adf_report(results, filename) f figure(Visible, off); t uitable(Parent, f, Data, cell(length(results), 4)); colnames {序列名,统计量,5%临界值,结论}; set(t, ColumnName, colnames); for i 1:length(results) row {results(i).yname, ... sprintf(%.4f, results(i).statistic), ... sprintf(%.4f, results(i).critical(1)), ... char([拒绝H0; 接受H0](results(i).reject(1)1))}; t.Data(i,:) row; end print(f, [-dmeta, filename]); close(f); end此函数生成EMF矢量图可直接插入LaTeX文档。关键字段results(i).yname需在输入时赋值如y.name SP500_Returns;否则显示为空。提示readme.txt中明确要求所有.m文件必须位于MATLAB路径中。若遇到Undefined function tdis_inv执行addpath(ADF)并保存savepath。本文还有配套的精品资源点击获取 MATLAB ADF单位根检验工具包：小样本稳健临界值与面板数据适配
简介本资源是一套面向经济学、金融学及时间序列分析学习者的MATLAB实操工具包聚焦ADFAugmented Dickey-Fuller单位根检验这一核心稳定性判别方法适用于本科高年级、研究生及量化分析初学者开展实证建模前的数据平稳性检验。压缩包共18个文件含15个.m函数脚本如tdis_inv.m、Test_BNG.m、ADF_Individual.m等覆盖检验主程序、临界值查表、长周期方差估计与多种扩展检验、2个.mat数据文件含ADF检验所需临界值表与Pesaran分布参数、1个readme.txt使用说明文档整体体积仅1.41MB轻量易部署。已有457人学习下载资源提供完整可运行的MATLAB代码体系、清晰的模块分工如个体检验、面板检验、逆变换支持及详细调用示例用户可直接加载数据、一键执行检验并解读结果显著降低ADF检验从理论到实践的门槛。1. ADF检验不是“跑个函数就完事”这套MATLAB工具包专治时间序列稳定性判断中的参数漂移、临界值失配与多因子干扰在金融高频数据建模中我见过太多人用adftest()直接套用默认滞后阶数和常数项结果在波动率突变段误判平稳性——模型上线后残差自相关爆表回测收益曲线断崖式塌方。这套名为ADF.rar的MATLAB资源包根本不是简单封装adftest的脚本合集而是一套覆盖Pesaran异质面板临界值查表、长-run方差稳健估计、多因子协整预处理、逆t分布临界值校准tdis_inv.m的完整单位根检验工作流。它解决的是真实场景里三大硬伤单一样本量下ADF统计量渐近分布失效、含结构突变的时间序列滞后阶数自动选择失灵、以及面板数据中个体异质性导致的临界值系统性偏移。适合需要部署量化策略回测引擎、宏观经济变量联动分析、或构建高频交易信号过滤器的工程师与研究员——尤其当你发现adftest(y,lags,4)给出的p值在滚动窗口中剧烈跳变时这套工具包里的Test_PS.m和Critical_DF.mat就是你该立刻打开的救急手册。2. 从原始数据到拒绝域判定ADF检验全流程的MATLAB实现逻辑与关键参数控制2.1 ADF检验的统计本质与MATLAB实现路径差异ADF检验的核心是检验时间序列是否存在单位根其原假设为$H_0: \rho 1$其中$\rho$是自回归系数。标准MATLABadftest函数基于Dicky-Fuller理论推导的渐近分布但该分布仅在样本量趋于无穷时成立。实际应用中当T100时临界值偏差可达15%以上。本包中所有测试脚本如Test_IV.m,Test_IPS.m,Test_LL.m均采用有限样本修正策略先通过LongRun_Variance.m计算Newey-West型长-run方差再调用tdis_inv.m将检验统计量映射至逆t分布分位点而非依赖标准正态或χ²近似。这种设计使小样本T30~60下的I(1)误判率下降42%基于包内Distribution.m提供的蒙特卡洛模拟验证。提示tdis_inv.m并非简单的t分布反函数而是针对ADF统计量的特定自由度调整版本。其输入为显著性水平α和有效自由度df输出为对应临界值。该df由NbFactors.m根据序列长度、滞后阶数及协变量维度动态计算避免了手动指定df导致的保守/激进误判。2.2 核心文件功能矩阵与调用链路解析文件名功能定位关键输入参数典型调用场景ADF_Individual.m单序列ADF检验主入口y: 时间序列向量maxlag: 最大滞后阶数model: AR/ARD/TS对单只股票日收益率序列执行基础检验Test_PS.mPesaran截面平均检验适用于面板数据Y: T×N矩阵T时间点N个体lags: 滞后阶数向量检验200只A股月度营收增速是否整体平稳Test_BNG.mBreitung非参数检验对结构突变鲁棒y: 序列breakpoint: 突变点位置可选处理CPI数据中2020年疫情冲击后的分段平稳性Critical_DF.mat预计算临界值表含5%/1%/0.1%三档无Test_IV.m内部自动加载替代adftest的渐近临界值Tables_Pesaran.matPesaran检验专用临界值表无Test_PS.m调用支持N10~100, T20~200组合所有测试脚本均遵循统一接口返回结构体result包含statistic检验统计量、critical临界值向量、pvalue精确p值、reject逻辑向量指示各显著性水平下是否拒绝H₀。这比adftest的布尔输出更利于后续自动化决策。2.3 手动复现ADF检验全过程以Test_IV.m为例的逐层拆解我们以最常用的Test_IV.mIm, Pesaran Shin 2003面板ADF检验为例展示如何脱离GUI直接调用% 步骤1加载并预处理面板数据示例10个国家季度GDP增长率 load(panel_data.mat); % 假设数据为T×N矩阵T40, N10 Y detrend(Y, constant); % 去除线性趋势避免伪回归 % 步骤2自动选择最优滞后阶数使用AIC准则 max_lag floor(12*(T/100)^(1/4)); % 经验公式T为时间点数 lags 0:max_lag; aic_vals zeros(size(lags)); for i 1:length(lags) % 对每个个体分别拟合ADF回归并计算AIC aic_vals(i) compute_aic_for_lag(Y, lags(i)); end opt_lag lags(find(aic_vals min(aic_vals), 1)); % 步骤3执行Test_IV检验核心调用 result Test_IV(Y, lags, opt_lag, model, ARD); % 步骤4解析结果 fprintf(检验统计量: %.4f\n, result.statistic); fprintf(5%%临界值: %.4f, 是否拒绝H0: %d\n, ... result.critical(1), result.reject(1));compute_aic_for_lag函数需自行实现包内未提供但逻辑明确对每个个体i拟合回归$\Delta y_{it} \alpha_i \beta_i y_{i,t-1} \sum_{j1}^p \gamma_{ij} \Delta y_{i,t-j} \varepsilon_{it}$计算AIC $2k - 2\ln(L)$其中k为参数个数L为最大似然值。此处ARD表示包含常数项与时间趋势项比默认AR更适用于有确定性趋势的经济序列。注意Test_IV.m内部会自动调用NbFactors.m估算有效自由度并通过tdis_inv.m查表获取临界值。若你发现result.critical(1)与adftest返回值差异显著说明你的数据量T已进入有限样本区间此时本包的临界值更可靠。3. 参数陷阱与调试指南滞后阶数选择、模型设定与临界值匹配的实操边界3.1 滞后阶数选择的三重冲突与折中方案滞后阶数p的选择直接影响ADF检验功效过小则残差自相关未清除统计量有偏过大则自由度损失严重检验力下降。本包提供三种策略经验法则Test_CH.m内置p floor(12*(T/100)^(1/4))适用于T≥30的宏观序列信息准则推荐在ADF_Individual_GS.m中实现BIC最小化代码片段如下% 在ADF_Individual_GS.m中关键段落 for p 0:p_max % 构造设计矩阵X含y_{t-1}, Δy_{t-1}, ..., Δy_{t-p} X [y(1:end-p-1), diff(y,1,1)(p1:end), ...]; beta X \ diff(y,1,1)(p2:end); % OLS估计 SSR sum((diff(y,1,1)(p2:end) - X*beta).^2); BIC(p1) log(SSR/(T-p-1)) (p2)*log(T)/T; % p2为参数总数 end opt_p find(BIC min(BIC), 1) - 1;自相关检验法Test_MW.m对残差进行Ljung-Box检验取最小p使Q(p)χ²_{0.05}(p)。提示当序列存在季节性如月度数据必须在maxlag中显式加入季节周期如12否则p可能低估。Test_LL.m支持seasonal选项会自动添加季节虚拟变量。3.2 模型设定model的物理意义与误用后果model参数决定ADF回归中是否包含常数项c、时间趋势项t或两者ct。错误设定会导致两类错误漏掉必要项若真实过程含趋势但设为c则β估计有偏H₀拒绝率虚高冗余添加若无趋势却设ct则检验统计量方差增大功效下降。本包通过Test_BNG.m提供诊断运行[trend_flag, const_flag] diagnose_trend(y)返回布尔值指示是否应包含趋势/常数。其原理是拟合带趋势模型检验趋势系数是否显著t检验再对残差做KPSS检验反向验证。3.3tdis_inv.m的逆分布校准机制与精度验证tdis_inv.m是本包区别于其他ADF工具的核心。其输入alpha显著性水平和df自由度输出临界值cval。df的计算逻辑在NbFactors.m中实现function df NbFactors(T, p, N) % T: 时间点数, p: 滞后阶数, N: 个体数面板或1单序列 if nargin 3 || isempty(N), N 1; end % Pesaran (2007)公式df T - p - 1 - (N1)*(1 (N1)*0.5) df T - p - 1; if N 1 df df - 1; % 面板需额外减去截距项自由度 end % 对小样本T50做Bartlett修正 if T 50 df df * (1 - 0.15*(50-T)/50); end end验证其精度用Distribution.m生成10⁵次模拟对比tdis_inv(0.05,20)与标准t分布tinv(0.05,20)。结果显示在T30,p3时前者临界值为-2.89后者为-1.72——差异达68%这解释了为何小样本下adftest易犯II类错误。4. 面板数据与多因子场景下的进阶应用Pesaran检验与协整预处理实战4.1Test_PS.m执行Pesaran CIPS检验的完整流程Pesaran的CIPSCross-sectionally Augmented IPS检验专为异质面板设计能处理个体间不同的滞后阶数与AR结构。其调用需严格遵循数据格式% 数据准备确保Y为T×N矩阵每列为一个个体序列 % 缺失值处理关键 Y_clean fillmissing(Y, linear); % 线性插值避免删除整行 Y_clean Y_clean(20:end, :); % 剔除前20期因滞后项需要 % 执行CIPS检验 opts struct(lags, [0 1 2], model, ARD, bootstrap, 1000); result_ps Test_PS(Y_clean, opts); % 输出解读 fprintf(CIPS统计量: %.4f\n, result_ps.statistic); fprintf(渐近p值: %.4f\n, result_ps.pvalue_asym); fprintf(自助法p值1000次: %.4f\n, result_ps.pvalue_boot);Test_PS.m内部会对每个个体i独立运行ADF检验获取t_i统计量计算截面平均$\bar{t} \frac{1}{N}\sum t_i$使用Tables_Pesaran.mat中预存的临界值按N,T查表判定若启用bootstrap则对残差进行块自助法重采样生成经验分布。注意Tables_Pesaran.mat包含N10/20/50/100与T20/30/50/100的组合临界值。若你的N15,T25需线性插值——Test_PS.m已内置双线性插值函数interp2_pesaran无需手动干预。4.2ADF_Individual_GS.m与协整关系预筛选在构建多因子套利模型时需先确认各因子序列是否同阶单整即均为I(1)。ADF_Individual_GS.m支持批量检验并输出协整候选集% 因子矩阵FT×KK5个技术指标 F [rsi, macd, bollinger_width, volume_ma_ratio, volatility]; % 批量ADF检验 results ADF_Individual_GS(F, lags, AIC, model, ARD); % 筛选I(1)序列5%水平拒绝H0 i1_indices find([results.reject(:,1)]); % 返回逻辑索引 i1_factors F(:, i1_indices); fprintf(检测出%d个I(1)因子, length(i1_indices)); disp(arrayfun((x) sprintf(Factor%d,x), i1_indices, UniformOutput, false));该函数返回results结构体数组每个元素含yname若输入为table、lag_opt最优滞后、rho_hatρ估计值等字段便于后续Engle-Granger两步法协整检验。4.3LongRun_Variance.m的Newey-West实现细节与带宽选择长-run方差估计是稳健ADF检验的基石。LongRun_Variance.m实现Newey-West核估计$$\hat{J} \hat{\Omega}0 \sum{k1}^{m} \left(1-\frac{k}{m1}\right)(\hat{\Omega}_k \hat{\Omega}_k)$$其中$\hat{\Omega}_k$为k阶自协方差矩阵m为截断带宽。本包默认m floor(4*(T/100)^(2/9))Newey-West推荐但允许用户指定% 自定义带宽例如对高频数据用更小m J LongRun_Variance(resid, bandwidth, 5); % resid为ADF回归残差向量带宽m过大会引入噪声过小则残留自相关。经验规则对日频数据T≈250m4~6对月频T≈120m2~3。Test_MP.mMaddala-Park检验会自动根据T调整m其临界值表Critical_DF.mat已按不同m预计算。5. 故障排查与性能优化当检验结果异常时的五步定位法5.1 检验统计量溢出或NaN的根因分析当result.statistic返回Inf或NaN时按以下顺序排查检查数据质量运行any(isnan(Y) | isinf(Y))存在缺失值则fillmissing验证序列长度length(y) 10时LongRun_Variance无法计算需补足或降频确认滞后阶数p length(y)-2会导致设计矩阵秩亏ADF_Individual.m会报错Lag order too large检查模型设定modelTS带趋势时若y为常数序列diff(y)全零OLS求逆失败内存限制Test_PS.m对N200的面板会触发内存警告此时改用fast选项牺牲部分精度result Test_PS(Y, fast, true, lags, 1);5.2 加速大规模检验的并行化配置对1000个序列的批量检验启用MATLAB并行池% 启动4核并行池 parpool(local, 4); % 将序列矩阵Y按列切分为cell数组 Y_cell num2cell(Y, 1); % 并行执行 results_par pararrayfun(ADF_Individual, Y_cell, ... UniformOutput, false, ... Options, struct(UseParallel, true)); delete(gcp(nocreate)); % 清理池注意pararrayfun要求ADF_Individual函数为顶层函数非嵌套且所有依赖文件如Critical_DF.mat需在worker路径中。推荐将整个ADF文件夹添加到startup.m。5.3 结果可视化与报告生成模板利用result结构体快速生成检验报告function gen_adf_report(results, filename) f figure(Visible, off); t uitable(Parent, f, Data, cell(length(results), 4)); colnames {序列名,统计量,5%临界值,结论}; set(t, ColumnName, colnames); for i 1:length(results) row {results(i).yname, ... sprintf(%.4f, results(i).statistic), ... sprintf(%.4f, results(i).critical(1)), ... char([拒绝H0; 接受H0](results(i).reject(1)1))}; t.Data(i,:) row; end print(f, [-dmeta, filename]); close(f); end此函数生成EMF矢量图可直接插入LaTeX文档。关键字段results(i).yname需在输入时赋值如y.name SP500_Returns;否则显示为空。提示readme.txt中明确要求所有.m文件必须位于MATLAB路径中。若遇到Undefined function tdis_inv执行addpath(ADF)并保存savepath。本文还有配套的精品资源点击获取