用途：面向经济与金融时间序列数据，提供平稳性检验、ARIMA 建模、VAR 系统、协整分析和诊断检验的方法指导。
平稳性与单位根检验：使用 statsmodels 的 adfuller（ADF，原假设为存在单位根）与 kpss（原假设为平稳）判断平稳性。非平稳序列可能导致伪回归。使序列平稳的方法包括差分、对数变换加差分（对数收益）、去趋势。
ARIMA 建模：ARIMA(p,d,q) 中 p 为自回归阶数、d 为差分阶数、q 为移动平均阶数；SARIMA 增加季节项 (P,D,Q,s)。可用网格搜索按 AIC 选阶，并用 Ljung-Box 检验残差自相关，报告 AIC、BIC 与系数。
VAR 与因果：用 statsmodels 的 VAR 拟合多变量序列，按信息准则（如 AIC）选择滞后阶，可用 test_causality() 做成对格兰杰因果检验（衡量预测先导性，不等于真实因果），用 irf(periods=20) 看脉冲响应。
协整：Engle-Granger 两步检验（coint）与 Johansen 检验（coint_johansen）。若协整，说明序列存在长期均衡关系，宜用向量误差修正模型（VECM）而非差分 VAR。
诊断清单：残差自相关（Ljung-Box，应不显著）、残差正态性（Jarque-Bera 或 Q-Q 图）、异方差（ARCH-LM）、稳定性（AR 根在单位圆内）、样本外预测精度（RMSE、MAE、MAPE）、信息准则比较，并报告所选模型依据。
限制：依赖 statsmodels 等库；模型选择与结论需结合领域知识；本资料未提供具体价格、平台支持或性能保证。