搞通信、搞信号处理、搞量化的人，十有八九会撞上“平稳随机过程”这个词。我当年第一次接触它的时候，被一堆“严平稳、宽平稳、各态历经”的概念砸得头晕，后来在项目里真正用它处理信号和噪声数据，才慢慢明白这东西到底在说什么。这篇是“随机过程”系列的第三篇，前两篇把随机过程的基本概念和概率描述讲清楚了，这一篇集中攻平稳随机过程——它为什么重要、怎么判断、怎么用，以及在实操里容易踩的坑。如果你是学生、刚入行的工程师，或者想在时间序列分析里少走弯路的人，这篇适合你。

1. 先搞清楚：平稳随机过程解决了什么问题

1.1 从一个“反复测量电压”的实例说起

想象一个场景：你在实验室里测一个电阻两端的噪声电压，每秒采样一次，连续采了一个小时。你把数据画出来，曲线起起伏伏，完全看不出规律。但如果把这一小时的样本放到一边，第二天再测一次，你发现两次数据的整体形态差不多：均值都在某个值附近，上下波动的幅度也接近，波形图案虽然不一样，但“统计上的感觉”几乎一致。这个“统计上的感觉一致”，恰恰就是平稳随机过程的核心直觉。

我见过不少人把“平稳”理解成“不变化”，这是最大的误会。平稳不是指过程本身不变化，而是指它的“统计规律”不随时间推移而变化。也就是说，你取一段时间的观测和另外一段时间的观测，虽然具体的数值不同，但它们的均值、方差、相关程度这些统计特征应当是一样的。如果一个随机过程的统计特性会随时间变化，判断它就是非平稳的。

这种区分在实际工程里非常重要。比如做噪声测量时，如果放大器热漂移导致均值缓慢上升，那么测出来的数据统计特性就会随时间变化，你再拿这些数据去估计噪声功率谱，结果必然失真。平稳性就是把“能不能用一段数据代表整个过程”这个问题的理论基础。

1.2 平稳性的深意：统计特性不随时间平移而改变

严格一点说，如果一个随机过程，它的任意有限维概率分布在时间平移下保持不变，那么它就是严平稳的。所谓“时间平移不变”，就是把整条时间轴往前或往后挪一段，统计规律完全相同。这个条件非常强，它要求所有高阶矩都保持不变，包括三阶矩、四阶矩乃至更高阶的矩。

举个例子，若过程是严平稳的，那么不仅均值、方差是常数，连“偏度和峰度”这类描述分布形状的参数也必须是常数。这在理论上看着漂亮，但在实际应用中很难验证，因为你不可能拿到过程的所有概率分布信息。日常数据里我能看到的往往只有一条或几条样本路径，要从这些有限样本里去验证“任意有限维分布平移不变”，几乎不可能。

所以工程上通常会退一步，只要求一阶矩和二阶矩不随时间变化。具体来说，要求均值是一个常数，方差是一个常数，而且任意两个不同时刻的协方差只依赖于这两个时刻的时间差，而不是依赖于绝对时刻。满足这种条件的随机过程被称作宽平稳过程，也叫广义平稳过程。现实项目中大多数谈论平稳随机过程，默认都是在说这种宽平稳。

1.3 严平稳与宽平稳：大部分时候用宽平稳就够了

为了讲清楚这两者的差别，我列个表：

这里有个容易混淆的点，就是“高斯过程”这个特例。如果一个宽平稳过程是高斯过程，那它同时也是严平稳的，因为高斯分布完全由均值和协方差决定，一二阶矩不变意味着整个分布不变。除此之外，宽平稳和严平稳就不能互相推导了。

我个人的经验是：在绝大多数工程问题里，盯住宽平稳就够了。你计算功率谱、设计滤波器、做时间序列预测，基本都在一阶二阶矩的框架之内。真正需要严平稳的场景，通常出现在理论研究和对模型性质做严格证明时。所以先吃透宽平稳，是性价比最高的路线。

2. 核心概念与识别：怎么看懂一个平稳过程的“身份证”

2.1 自相关函数：平稳过程的内禀指纹

平稳随机过程的均值是个常数，通常可以处理为零均值，这个“去均值”操作几乎成了标准动作。去掉均值之后，最能反映过程内部结构的就是自相关函数。它衡量的是同一个过程在两个不同时刻的取值之间的线性相关程度，记作R(τ)，其中τ是两个时刻的时间差。

自相关函数有几个特别重要的性质。首先，R(0)等于过程的方差，也就是平均功率。其次，自相关函数是偶函数，即R(τ)=R(-τ)，这是因为相关性与τ的正负无关。再次，自相关函数的绝对值不会超过R(0)，数学上对应一个简单的不等式,这个性质可以直观理解为“两个时刻相隔越远，相关性通常越弱”。不过要注意，这个“通常”并不是必然的，周期信号的自相关函数就会出现周期性，即使τ很大也可能维持较高的相关值。

拿一个实际例子来看。一个独立同分布的白噪声序列，任意两个不同时刻的取值都不相关，所以它的自相关函数在τ=0处是一个尖锐的冲激，在其他τ处都等于零。而一个平滑的随机游走或者带有惯性系统的信号，相邻时刻的取值高度相关，自相关函数会衰减得比较慢。看自相关函数衰减快慢，是判断随机过程内在特性的快捷方式。

2.2 功率谱密度：从频域看平稳过程

平稳随机过程的自相关函数描述的是时域上的统计特性，而它的傅里叶变换则描述了频域上的统计特性，这个变换结果就是功率谱密度。功率谱密度告诉你在不同频率上，过程的平均功率是怎么分布的。比如一个窄带噪声系统，功率集中在某个中心频率附近，它的功率谱就会出现一个明显的尖峰。

这里要强调一个工程上常见的误区：很多人把随机过程的一段样本直接做傅里叶变换，得到的结果叫“周期图”，却误以为这就是功率谱密度。严格来说，随机过程的样本路径通常不满足绝对可积条件，直接做傅里叶变换在数学上并不成立。正确的做法是，先计算自相关函数的估计，再对自相关函数做傅里叶变换，或者采用其他谱估计方法。这一点在后面的实操部分我会详细说。

功率谱密度还有个非常实用的物理意义：它在所有频率上的积分等于过程的总平均功率，这个结果正好和自相关函数在零点的值对应上。这给了我们一个桥梁，既能从时域理解过程，也能从频域理解过程，具体哪个域更方便取决于你手头的问题。

2.3 自相关与功率谱的对应关系：维纳-辛钦定理

维纳-辛钦定理是连接时域和频域的关键桥梁。它指出，对于一个宽平稳随机过程，功率谱密度和自相关函数互为傅里叶变换对。用公式表达就是，功率谱密度等于自相关函数对τ做傅里叶变换，自相关函数则是功率谱密度的逆傅里叶变换。这个定理的伟大之处在于，它让平稳随机过程真正拥有了频谱分析的基础。

我在做滤波算法设计时，这一定理几乎是“万能钥匙”。比如我想判断一个低通滤波器的输出噪声功率，就可以先在频域把输入信号的功率谱密度和滤波器的幅频特性相乘，再积分得到输出总功率。这种方法比在时域里做卷积再去算统计特征要简洁得多。

不少参考资料把维纳-辛钦定理表述为功率谱密度是“自相关函数的傅里叶变换”，但实操中要注意连续时间、离散时间、单边谱、双边谱这些版本之间存在系数差异。离散情形下，功率谱密度常常以周期形式出现，周期是采样率。这些细节如果处理错，计算结果会差一个系数，定位问题时会非常痛苦。

2.4 各态历经性：用一条样本路径推断整体

平稳随机过程的理论总让我觉得有点“悬”：它定义的是整个随机过程的统计特性，但现实中我手里往往只有一条有限长的样本路径。凭什么能用一条路径去估计整个过程的均值、方差、自相关函数？这个问题的答案就是各态历经性。

通俗地讲，各态历经性就是指“时间平均等于统计平均”。如果一个平稳随机过程是各态历经的，那么我只要把一条样本路径在时间上求平均，就可以代替对整个过程做统计平均。也就是说，用长时间的单个样本，能等价于用大量样本在同一时刻做平均。这条性质是信号处理和数据分析里的隐形基础。

举个例子，你要估一个噪声电压的直流分量，实际上就是把一段采样数据求算术平均。如果这个过程是各态历经的，那么随着采样时间不断延长，这个时间平均会收敛到真实的统计均值。不少人在做数据采集时可能没想过这个问题，但如果过程本身不满足各态历经性，你用有限样本估计出来的“均值”就没有稳定的收敛意义。判断各态历经性有若干充分条件，核心要求是自相关函数在时间差很大时趋于零，物理意义就是“过去很久的样本对未来已经没有任何影响”。

3. 实操演练：从“看起来平稳”到“定量判断平稳”

3.1 先用眼睛看：趋势、周期和分段平稳

量化判断之前，先得学会用眼睛看数据。拿一段时序数据画出来，如果它呈现出明显的上升或下降趋势，那大概率不是平稳的。如果它表现出季节性波动，比如说夏天高、冬天低，那也不是平稳的，因为不同季节的均值不同，统计特性随时间变化了。还有一种情况是分段平稳，比如某时段系统运行正常，数据平稳，某时段设备故障，幅度剧烈波动，整段拼在一起看就是不平稳的。

看数据这个环节不能省。统计检验是有滞后性的，形状异常一眼就能发现，但检验可能要攒够一定样本量才能给出可靠结论。而且检验方法各有适用前提，你如果上来就套ADF检验，可能因为模型设定不对得到错误结论。我的习惯是先画出时间序列图，再做自相关图，最后才上检验。

这里还要注意“平稳性”和“周期性”并不矛盾。一个纯正弦信号是周期性的，但同时也是宽平稳的，因为它的均值为零，自相关函数只取决于时间差。真正破坏平稳性的是“非周期的趋势变化”，而不是周期性本身。这一点很多初学者会搞混，看到数据有周期就认为不平稳，这其实是一种误判。

3.2 统计检验：ADF检验与KPSS检验的配合使用

视觉判断之后，常用的统计检验有两个，一个是ADF检验，一个是KPSS检验。两者方向正好相反。ADF检验的原假设是序列存在单位根，也就是不平稳，如果检验统计量足够小，拒绝了原假设，就认为序列平稳。KPSS检验的原假设则是序列平稳，如果统计量太大，拒绝了原假设，就认为序列不平稳。

我把两个检验的配合使用整理成了下面的对照思路：

两个检验结果一致时结论很清晰。不一致时就头疼了，最常见的情况是ADF说平稳，KPSS说不平稳。这往往说明序列介于平稳和非平稳之间，比如有缓慢变化的趋势，或者存在长记忆效应。遇到这种情况我不会急着下结论，而是多从业务和物理背景上去分析：这个信号由什么机制产生的？理论模型是平稳的吗？样本量够不够？有时多取一段数据就能改变结论。

这些检验方法在主流统计软件里都能直接用。但一定要留意两个细节：第一，检验的滞后阶数选择会影响结果，通常要根据信息准则选择，不要随手用默认值；第二，检验之前要不要去除均值、要不要加趋势项，都对应不同的模型设定。初学者最容易犯的错误就是在没有趋势的数据上强行加了趋势项，导致检验功效下降。

3.3 数据不平稳怎么办：差分与变换稳化

如果判断出数据不平稳，最常见的处理手段是差分。一阶差分就是把相邻两个时刻的差值当作新序列，公式极其简单。很多带有线性趋势的数据，差分一次后趋势就被去掉了。如果一阶差分之后还有趋势，可能要做二阶差分。但千万不要过度差分，差分的次数越多，数据的信噪比往往越低，本来要保留的信号特征可能被消磨掉。

除了差分，对数变换也可以帮助平稳化。对具有指数增长趋势的数据，比如某些经济指标或生物信号，取对数能把增长趋势转成近似线性趋势，之后再差分往往就一次成功。另外，如果数据存在条件异方差性，也就是波动幅度随时间在变，那么即便均值平稳，方差也不平稳，这种情况需要考虑更复杂的ARCH/GARCH类模型来处理。

纯度更高的做法则是从模型层面入手。比如卡尔曼滤波这种状态空间方法，建模时可以直接把趋势项放进状态向量里，而不是先去差分。差分是一个简单有效的预处理手段，但也会改变噪声结构，让原本不相关的噪声变成相关的，这一点后面分析时会带来麻烦。所以预处理策略要和你后续用的模型匹配，才能真正提高分析质量。

4. 平稳性在工程里的典型应用

4.1 通信接收机中的噪声建模

通信系统里的热噪声通常被建模为零均值、功率谱平坦的高斯白噪声，这是最典型的平稳随机过程。接收机前端收到的信号，就是发射的有用信号叠加了平稳噪声。在设计接收机时，计算误码率往往需要知道噪声功率，而噪声功率正是功率谱密度在接收带宽内的积分。如果噪声不具备平稳性，比如有突发干扰造成方差随时间变化，这种简单计算立刻失效，必须引入更复杂的干扰模型。

我在调试射频接收链路时遇到过一个问题：系统底噪的均值基本稳定，但方差会随着温度变化缓慢漂移。说它完全平稳，它不是；说它剧烈不平稳，又没有那么夸张。后来处理方式是先测一条温度校准曲线，把温度变化对应的噪声方差修正掉，再按平稳过程去建模，实际效果提升了一个多数量级。这个经验告诉我，判断平稳与否不能只看统计指标，还要结合物理机理综合判断。

还有一点值得提醒：通信系统里常假设噪声是“各态历经的”，所以可以用一次采集的长数据来估计噪声统计特性。这个假设在绝大多数硬件场景下成立，但遇到频谱很窄的干扰时就要小心。窄带干扰的自相关函数衰减很慢，各态历经性条件可能被破坏，此时一次采集的数据就未必能代表整体统计特征了。

4.2 信号滤波与维纳滤波器

维纳滤波器是平稳随机过程理论最优雅的应用之一。它的目标是从含噪观测中恢复有用信号，前提是有用信号和噪声都是平稳随机过程，并且功率谱密度已知。维纳滤波的关键推导，简单来说，就是在频域中按照信号和噪声功率谱密度的比值，对观测信号进行加权。信号强的地方权重高，噪声强的地方权重低，最终得到最小均方误差的估计。

实际实现时不会真的去求信号的完整功率谱，而是假设已知信号和噪声的谱模型，然后设计滤波器系数。设计完成后，用无穷长或有限长的观测数据来做滤波，前者可以直接用频域传递函数，后者则需要分解成有限脉冲响应滤波器，用维纳-霍夫方程求解。这个求解过程本质上是求解一组线性方程，相关矩阵的结构正好由信号和噪声的自相关函数决定。

有一点在实践中特别容易踩坑：维纳滤波器处理的是平稳信号，如果输入信号是非平稳的，比如语音信号，直接使用维纳滤波效果会很差。工程上常用的做法是分帧处理，把长信号切成一个个短帧，在每个短帧内部近似看成平稳的，逐帧设计滤波器参数。这就是语音增强算法里常见的“短时平稳假设”的来源。由此可见，理解平稳性不仅是为了理论推导，更是为了知道什么时候能用这个理论、什么时候不能用。

4.3 金融时间序列：收益率与波动率

金融数据是检验平稳性概念的绝佳战场。股票价格本身几乎都是非平稳的，因为它有随机游走特性，均值会随时间漂移，方差也会不断变化。但如果把价格转换成熟收益率，很多资产的对数日收益率会表现出近似平稳的性质，均值和方差在较长一段时间内相对稳定。这就是为什么量化分析从来不对价格建模，而是对收益率建模。

可“收益率近似平稳”不代表万事大吉。金融时间序列的最大问题在于波动率聚类现象：大涨之后往往伴随剧烈波动，大跌之后同样如此。这意味着收益率序列的二阶矩，也就是方差，并不是常数，严格的宽平稳条件并不满足。普通的线性时间序列模型很难刻画这种特征，所以才催生了ARCH和GARCH模型，它们把“方差”本身建模成一个随时间变化的随机过程。

我做过一段时间的量化回测，对“平稳”这个词感受很深。如果你直接用非平稳的价格序列去估计相关系数或者做回归，很容易得到虚假的高相关性，这在量化里叫“伪回归”。正确做法是先检验平稳性，非平稳序列先差分或取对数处理，确保你分析的是真正的相关关系，而不是共同趋势带来的幻觉。这一条对冲策略研究新手尤其要重视。

5. 常用工具箱：估计相关函数的算法与参数

5.1 样本自相关函数怎么算

工程实现中，我们面对的是有限长的离散样本序列，假设长度为N。要估计时间差为k的自相关函数，常见估计式是对样本序列中相隔k的两个点做乘积，再求和取平均。这个公式实现了对真实自相关函数R(k)的估计。看似简单，但这里有两个明显不同的版本，区别在于分母除以N还是除以N-k。除以N-k的版本是无偏估计，但它当k接近N时，参与平均的样本对就很少，估计方差很大。除以N的版本是有偏的，但在k较小时方差特性更稳定，且能保证估计出的相关矩阵是正定的。

实际做谱估计时，我常常更倾向于使用有偏估计式，因为它的统计特性整体更稳定，尤其在样本量不算大的时候。而且“正定性”对后续求解维纳-霍夫方程等操作来说非常重要，用无偏估计式在k偏大时很容易得到不合理的非正定矩阵。这是理论公式和工程实现之间一个典型的差异，书上没明说，处理数据时才会发现。

5.2 估计偏差和泄漏问题

对有限长数据估计自相关函数，相当于把真实无限长自相关函数乘上了一个矩形窗，这在频域上对应的是卷积一个sinc形状的频谱窗。结果是功率谱被抹平，频率分辨能力下降，还会产生频谱泄漏，也就是能量从真实的频率位置“漏”到附近的频率上去。这个现象在谱分析里非常经典，处理不好会让窄带信号看起来像个“山包”。

减轻泄漏的标准做法是加窗，比如汉宁窗、汉明窗、布莱克曼窗等。加窗的本质是在估计自相关函数时，对不同的时间差施加不同的权重，让截断处的突变变得平滑。代价是主瓣变宽，频率分辨率下降。所以这里有个经典的权衡：想要分辨率就选矩形窗，想要减小泄漏就选旁瓣更低的窗。不同窗函数适合不同的场景，没有“永远最优”的窗函数。

我自己的习惯是：如果目标是检测两个频率很近的谱峰，必须用矩形窗或主瓣窄的窗；如果目标是估计宽带噪声的功率谱形状，优先用汉宁窗来平滑结果。这个选择要在动手写代码前就想清楚，不要等谱图出来之后才调。

5.3 我用过的三种实现方式对比

在具体实现谱估计时，我实践过三种主要方式，各有适应场景。第一种是直接法，先估计样本自相关函数，再做傅里叶变换。这种方法最贴近维纳-辛钦定理，代码逻辑简单，但受窗函数和估计方差的影响较大。第二种是周期图法，直接把样本数据的模平方作为功率谱的粗略估计。这种方法的实现最简单，单个周期图的方差却很大，也就是说谱的起伏剧烈，看起来不光滑。第三种是Welch方法，把样本数据分成多段，分别计算各段周期图再取平均。这种平均操作能显著降低估计方差，是实测中我用得最多的一种。

Welch方法里有两个参数很关键，一是分段长度，二是段与段之间的重叠比例。分段长度越长，频率分辨率越高，但段数变少，平均次数变少，方差变大。重叠比例增加可以增加段数，但段与段之间不再独立，降方差的效率会打折扣。实践中的折中方案是段之间重叠50%，这个参数在工程界被广泛采用。谱的平滑程度不够时我会尝试调整分段长度，而不是一门心思加窗。

这三种方法的选择逻辑可以用一个简单场景概括：如果只是要大概确认噪声底是什么样的，周期图就够了；如果要定量估计某个频带内的功率，Welch方法更稳；如果手头的数据非常短，直接法反而更好控制偏差。理解它们各自的方差和偏差特性，才能灵活应对不同数据条件。

6. 我踩过的一些坑（常见问题速查）

6.1 误把“不相关”当“独立”

白噪声序列的自相关函数在所有非零时间差上都是零，所以白噪声在各时刻的取值两两不相关。但“不相关”不等于“独立”，只有高斯分布下的不相关才等价于独立。如果白噪声的分布不是高斯的，比如是一个具有厚尾分布的序列，虽然它不相关，却可能存在高阶非线性相关结构。你在做概率模型时如果把这两者混为一谈，后续对风险或尾部的估计会产生偏差。

这个问题在金融数据分析中尤其致命。有些策略回测时假设收益率为高斯白噪声，但实际收益率分布有明显的厚尾，估值模型给出的风险数字会系统性偏低。所以每当我看到有人把“不相关”三个字当作“没问题”的证据时，都会问一句：你的高阶矩呢？

6.2 把非平稳信号直接做傅里叶变换

这是信号处理新手最容易犯的错误。把一段语音信号直接整体做傅里叶变换，得到的频谱图毫无意义，因为语音是典型的非平稳信号，它的频谱特性随时间剧烈变化。正确的做法是分帧加窗，在短时间范围内用平稳假设做谱分析，也就是“短时傅里叶变换”的思路。语音识别里的频谱特征、音频处理里的时频谱图，背后都是这个思想。

放到更一般的场景中，非平稳信号的傅里叶变换结果可以认为是“平均谱”，它隐藏了频谱随时间演化的信息。若要保留时变特征，就必须引入时频分析方法，或者用分段平稳近似。每当我看到一个没有做任何预处理就直接画全序列频谱图时，就能猜到后面的分析会有问题，时间分辨率完全丢失了。

6.3 零均值假设带来的坑

很多平稳过程的公式推导默认均值是零，要不就是先减掉均值再做后续分析。可如果数据的真实均值本身随时间缓慢变化，而你强行减掉一个固定的样本均值，就会把低频分量以扭曲的方式保留下来，造成伪相关的现象。另一方面，即使均值真的是常数，用有限样本估计出的均值也有误差，这个误差会传导到自相关的估计上去。

一个相对稳妥的操作是：在估计自相关之前，先用分段均值来观察均值稳定的程度。如果分段均值的抖动明显超出统计误差范围，那可能要先处理非平稳趋势，而不是简单减一个全局均值了事。这个检查和估计本身同样重要，但很多人会忽略。

6.4 “短样本”下相关函数估计失真

如果你只有不到几百个样本点，而你要估计的自相关时间差又接近样本长度的一半，那么估计结果几乎不可信。原因很简单，时间差越大，有效的乘积样本对越少，估计方差急剧变大。更糟的是，个别极端的样本值在短样本下很容易主导估计结果，导致自相关看起来很强，实际上完全由少数离群点造成。

碰到这种情况我会想方设法增加数据量，或者在物理条件允许时重新做实验采集更长时长的数据。如果数据确实无法增加，那就把分析目标收窄，只估计短时间差范围内的自相关，或者采用带正则化的谱估计方法，才能有效控制方差。数据量的限制是很多理论公式不会告诉你的“潜台词”，实际操作才能感知到。

把一个概念用得熟练，不是记住定义就够了，而是要知道它在什么条件下成立、什么条件下失效。平稳随机过程这个框架的强大之处在于，一旦你确认过程满足平稳性和各态历经性，时域和频域的工具就能全部派上用场。反过来说，数据不平稳却硬套平稳框架，再精细的算法也会给出荒谬的结果。判断数据状态、选对处理策略、理解工具假设，这三步走扎实了，平稳随机过程就能成为你分析工具箱里一把真正趁手的工具。