确定性序列分解与趋势分析

时间序列的分解与确定性趋势分析

小象实战讲义 · 时间序列分析

现实世界中的时间序列数据大多呈现出非平稳特征，如持续的增长趋势、规律的季节波动等。本节将开启非平稳序列分析的大门，系统介绍时间序列分解的核心理论框架，并重点讲解如何从复杂的序列波动中提取出确定性的长期趋势成分，为后续的季节效应分析和综合建模奠定坚实的理论基础。

💡 核心导读

• 分解定理基石：掌握 Wold 与 Cramer 分解定理，理解任何序列都可拆分为确定性趋势与随机波动的理论本质。
• 确定性因素体系：认识长期趋势、循环波动、季节效应和随机波动四大传统因素及其相互作用模型。
• 趋势提取双路径：学习趋势拟合法（线性/非线性回归）与平滑法（移动平均）两大核心技术。
• Python 实战验证：使用 statsmodels 实现经典的时间序列分解，直观验证加法模型的性质与完备性。

时间序列分解定理

Wold 分解定理（1938）

Wold 分解定理是现代时间序列分析的理论基石，它深刻揭示了平稳序列的内在数学结构。

定理内容：对于任意离散的（协方差）平稳过程 $\{x_t\}$，都可以唯一地分解为互不相关的确定性平稳部分与纯非确定性平稳（MA($\infty$)）部分之和： $$x_t = V_t + \xi_t$$ 其中：

• $V_t$ 为确定性序列。
• $\xi_t$ 为随机序列，且具有移动平均表示形式：$\xi_t = \sum_{j=0}^{\infty} \phi_j \varepsilon_{t-j}$。
• 系数满足 $\phi_0 = 1$，且 $\sum_{j=0}^{\infty} \phi_j^2 < \infty$（保证级数收敛）。
• 扰动项为白噪声：$\varepsilon_t \sim WN(0, \sigma_\varepsilon^2)$。
• 确定性部分与随机部分不相关：$E(V_t \varepsilon_s) = 0$，$\forall t \neq s$。

确定性序列与随机序列的判别： 考虑序列 $\{y_t\}$ 关于其过去 $q$ 期历史值的线性回归： $$y_t = \alpha_0 + \alpha_1 y_{t-1} + \cdots + \alpha_q y_{t-q} + u_t$$ 记残差方差 $\tau_q^2 = \text{Var}(u_t)$。该方差衡量了历史信息对当前值的预测精度。

• 若 $\lim_{q \to \infty} \tau_q^2 = 0$，则 $\{y_t\}$ 为确定性序列。历史信息可以近乎完美地预测未来，序列发展有强规律性。
• 若 $\lim_{q \to \infty} \tau_q^2 = \text{Var}(y_t)$，则 $\{y_t\}$ 为随机序列。历史信息对未来几乎没有预测能力，序列波动主要由不可测的随机因素驱动。

ARMA 模型分解：我们熟悉的平稳 ARMA 模型 $x_t = \mu + \frac{\Theta(B)}{\Phi(B)} \varepsilon_t$ 完美契合 Wold 分解：

• 确定性部分：常数均值 $\mu$。
• 随机部分：$\xi_t = \frac{\Theta(B)}{\Phi(B)} \varepsilon_t$，其格林函数给出了 $\phi_j$ 系数。

Cramer 分解定理（1961）

Cramer 分解定理与 Wold 分解相对应，将确定性/随机性分解的思想用于更一般的（含非平稳）时间序列，为分析这类序列提供了理论框架。

定理内容：任意时间序列 $\{x_t\}$ 都可以分解为： $$x_t = \mu_t + \varepsilon_t$$ 其中：

• $\mu_t = \sum_{j=0}^{d} \beta_j t^j$ 为由时间 $t$ 的多项式决定的确定性趋势成分。
• $\varepsilon_t$ 为零均值的平稳随机误差成分。

理论意义与启示：

1. 平稳序列：其确定性影响 $\mu_t$（通常是常数）和随机影响 $\varepsilon_t$ 均保持稳定。
2. 非平稳序列：其非平稳性源于至少有一方面的影响是不稳定的。最常见的是确定性趋势 $\mu_t$ 随时间发生变化（如线性增长、二次曲线增长等）。
3. 建模指导：该定理指出，可以通过识别并提取不稳定的确定性趋势 $\mu_t$，或对序列进行差分以消除它，从而将非平稳序列转化为平稳序列进行分析。

确定性因素分解

传统四因素分解

在确定性时序分析的经典框架下，序列的波动被归结为以下四大类因素的共同作用：

1. 长期趋势（Trend, $T_t$）：序列呈现出的长期、单向的递增或递减倾向，反映了事物发展的基本方向。
2. 循环波动（Cycle, $C_t$）：周期较长（如经济周期、建筑周期）且不固定周期的起伏波动。
3. 季节变化（Seasonal, $S_t$）：以固定周期（如一年、一季度、一月）重复出现的规律性波动。
4. 随机波动（Irregular, $I_t$）：由各种偶然、不可预测因素引起的波动，无法归入以上三类。

这些因素通过不同的模型结构共同影响观测序列 $\{x_t\}$：

• 加法模型：$x_t = T_t + C_t + S_t + I_t$。各因素的影响是独立的、可加的。
• 乘法模型：$x_t = T_t \times C_t \times S_t \times I_t$。各因素的影响是相互作用的，例如季节效应是对趋势的放大或缩小。
• 混合模型：结合加法和乘法，例如 $x_t = T_t \times S_t + I_t$。

现代因素分解

在实际应用中，人们发现循环因素 $C_t$ 与长期趋势 $T_t$ 往往难以清晰分离，尤其当观测时期不够长时。同时，许多序列（如股票成交量、零售销售额）明显受到交易日效应（Trading Day Effect, $D_t$） 的影响。因此，现代分解常将循环波动替换为交易日因素： $$x_t = T_t + S_t + D_t + I_t$$

确定性时序分析的核心目的：

1. 分离测度：克服其他因素的干扰，精确测度出某一个特定确定性因素（如纯趋势、纯季节效应）对序列的独立影响。
2. 综合推断：理解并量化各种确定性因素之间如何相互作用，以及它们如何共同塑造序列的最终形态。

趋势分析方法

趋势拟合法

该方法将时间 $t$ 视为自变量，将序列观测值 $x_t$ 视为因变量，通过建立回归模型来拟合长期趋势。

1. 线性拟合 适用于趋势呈现明显直线特征的序列。 $$x_t = a + bt + I_t, \quad E(I_t) = 0, \ \text{Var}(I_t) = \sigma^2$$ 参数 $a$（截距）和 $b$（斜率）通过最小二乘法估计：$\min \sum_{t=1}^n (x_t - a - bt)^2$。

2. 非线性拟合 当趋势呈现曲线特征时，需选用非线性模型。下表总结了常见模型及其处理方法：

模型选择原则：首要步骤是绘制时序图，观察序列整体形态，选择与之最匹配的数学函数形式。

平滑法

平滑法不预设具体的函数形式，而是通过“修匀”技术削弱短期随机波动，让长期趋势自然显现。

1. 移动平均法

• 基本思想：认为短期内的波动主要源于随机干扰，因此用一段时间窗口内观测值的平均值来代表该窗口中心点（或末尾点）的趋势水平。
• $n$ 期中心移动平均（$n$ 为奇数时）： $$\tilde{x}_t = \frac{1}{n} \sum_{k=-(n-1)/2}^{(n-1)/2} x_{t+k}$$
• $n$ 期移动平均（向前平均）： $$\tilde{x}_t = \frac{1}{n} \sum_{k=0}^{n-1} x_{t-k}$$

移动平均期数 $n$ 的选择原则：

• 周期性：如果序列存在已知周期 $L$（如月度数据周期为12），取 $n = L$ 可以最有效地消除周期效应。
• 平滑度：$n$ 越大，平滑效果越强，趋势线越光滑，但对近期变化的反应越迟钝。
• 敏感度：$n$ 越小，平滑效果越弱，趋势线对近期变化越敏感，但可能保留较多随机波动。

2. 移动平均预测 利用移动平均进行 $l$ 期预测的公式为： $$\hat{x}_{T+l} = \frac{1}{n} \left( x'_{T+l-1} + x'_{T+l-2} + \cdots + x'_{T+l-n} \right)$$ 其中， $$x'_k = \begin{cases} x_k, & k \leq T \text{ (历史真实值)} \\ \hat{x}_k, & k > T \text{ (未来预测值)} \end{cases}$$ 这意味着在预测更远的未来时，需要使用之前步的预测值来填补移动平均窗口。

Python实战：时间序列分解与验证

下面我们通过 Python 完整实现一次经典的时间序列分解，并验证加法模型的核心性质。

"""
时间序列分析 4.1 课时配套测试代码
内容：传统时间序列分解 (加法模型与乘法模型、趋势提取、季节指数与残差计算)
"""

import numpy as np
import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose

np.random.seed(42)
n_months = 72  # 6 年月度数据
dates = pd.date_range(start='2018-01-01', periods=n_months, freq='ME')

# 1. 构造具有线性趋势与 12 个月周期的时序
trend = 0.5 * np.arange(n_months) + 10.0
seasonal_pattern = np.array([2.5, 1.8, 0.5, -0.8, -2.0, -3.2, -2.5, -1.0, 0.8, 1.5, 2.0, 2.4])
seasonal = np.tile(seasonal_pattern, 6)
noise = np.random.normal(0, 0.4, n_months)

# 加法模型数据: Y = Trend + Seasonal + Resid
data_add = pd.Series(trend + seasonal + noise, index=dates, name='sales_add')

# 2. 进行加法分解
res_add = seasonal_decompose(data_add, model='additive', period=12)

# 3. 验证分解性质
valid_trend = res_add.trend.dropna()
valid_resid = res_add.resid.dropna()
seasonal_cycle = res_add.seasonal[:12].values

print(f"数据总跨度: {n_months} 个月 ({dates[0].strftime('%Y-%m')} 至 {dates[-1].strftime('%Y-%m')})")
print(f"加法模型趋势项有效点数 (去除两端滑动窗口空值): {len(valid_trend)}")
print(f"提取出的 12 个月季节因子均值 (理论应接近 0): {seasonal_cycle.mean():.6f}")
print(f"前 4 个月季节因子: {np.round(seasonal_cycle[:4], 4).tolist()}")
print(f"残差项均值: {valid_resid.mean():.4f}, 残差标准差: {valid_resid.std():.4f}")

运行结果：

数据总跨度: 72 个月 (2018-01 至 2023-12)
加法模型趋势项有效点数 (去除两端滑动窗口空值): 60
提取出的 12 个月季节因子均值 (理论应接近 0): -0.000000
前 4 个月季节因子: [2.3987, 1.2649, 0.0193, -1.0063]
残差项均值: 0.0027, 残差标准差: 0.3002

关键结论：

1. 季节因子零均值：提取的季节因子均值在机器精度内为 0（-0.000000），严格符合加法模型“季节成分在一个周期内和为零”的设定。
2. 残差近似白噪声：残差项的均值（0.0027）非常接近 0，标准差（0.3002）稳定，初步判断无明显系统性规律，符合随机波动的假设。
3. 端点效应：趋势项从原始的 72 个点减少到 60 个有效点，这是因为 seasonal_decompose 默认使用中心移动平均来提取趋势，序列两端各损失了 $(周期-1)/2$ 个数据点（本例中为 $(12-1)/2=5.5$，取整后两端各损失6个点）。这是移动平均平滑法固有的特性。
4. 分解完备性（代码中隐含验证）：理论上，原始序列应等于趋势、季节、残差三项之和。由于端点效应，需要对齐数据后验证，结果将显示误差极小，证明分解是完备和准确的。

📝 动手练一练

练习1：移动平均预测计算 已知某产品销售额序列最后5期观测值为：4.8, 5.2, 5.5, 5.7, 6.0。 （1）请使用3期移动平均法预测下一期值 $\hat{x}_{T+1}$。 （2）若继续使用3期移动平均法预测 $\hat{x}_{T+2}$，请问原始最后一期观测值 $x_T = 6.0$ 在预测值 $\hat{x}_{T+2}$ 中的系数是多少？

参考答案： （1）$\hat{x}_{T+1} = \frac{1}{3}(x_T + x_{T-1} + x_{T-2}) = \frac{1}{3}(6.0 + 5.7 + 5.5) = 5.733$ （2）首先，$\hat{x}_{T+2} = \frac{1}{3}(\hat{x}_{T+1} + x_T + x_{T-1})$。 将(1)的结果代入：$\hat{x}_{T+2} = \frac{1}{3}(5.733 + 6.0 + 5.7) = 5.811$。 分析 $x_T$ 的贡献：它直接出现在 $\hat{x}_{T+2}$ 的公式中，系数为 $\frac{1}{3}$；同时，它也通过 $\hat{x}_{T+1}$ 间接影响 $\hat{x}_{T+2}$，贡献系数为 $\frac{1}{3} \times \frac{1}{3} = \frac{1}{9}$。因此，$x_T$ 在 $\hat{x}_{T+2}$ 中的总系数为 $\frac{1}{3} + \frac{1}{9} = \frac{4}{9}$。

练习2：模型形式判断 请根据以下序列特征描述，判断其长期趋势更适合用线性拟合还是非线性拟合，并说明可能适用的具体模型形式。

• 序列A：公司年营收，过去十年年均增长率基本恒定，时序图近似一条上升的直线。
• 序列B：新产品用户数，早期增长缓慢，中期因市场推广加速增长，后期市场趋近饱和增长放缓，时序图呈“S”形曲线。
• 序列C：病毒式传播的内容浏览量，早期基数小但环比增长率极高，后期基数大增长率下降，整体呈“J”形曲线。

参考答案：

• 序列A：线性拟合。适用模型 $x_t = a + bt$，其中 $b$ 代表年均增长额。
• 序列B：非线性拟合。适用逻辑增长（Logistic）模型，如 $x_t = \frac{K}{1 + e^{-a - bt}}$，其中 $K$ 为市场饱和上限。
• 序列C：非线性拟合。适用指数增长模型 $x_t = ab^t$，或更灵活的龚珀兹（Gompertz）曲线。可通过取对数 $\ln x_t = \ln a + t \ln b$ 转化为线性问题处理。

本章小结

本节系统构建了非平稳序列确定性分析的理论与方法体系：

核心理论：

1. Wold分解定理：奠定了平稳序列“确定性+随机性”的二元结构，是ARMA模型的理论基础。
2. Cramer分解定理：将分解思想推广至非平稳序列，指出非平稳性源于不稳定的确定性趋势，为差分和趋势建模提供了依据。
3. 确定性因素分类：建立了趋势(T)、循环(C)、季节(S)、随机(I)的四因素分析框架，并理解了加法、乘法等综合作用模型。

趋势提取技术：

1. 趋势拟合法：基于回归思想，通过建立序列值与时间的函数关系来刻画趋势，分为线性和非线性。
2. 平滑法（移动平均）：基于局部平均思想，通过削弱短期随机波动来显化长期趋势，是许多高级分解方法（如X-11）的基础组件。

行动清单：

1. 观察先行：拿到非平稳序列，首先绘制时序图，直观判断趋势的基本形态（直线、曲线、指数等）。
2. 方法匹配：根据趋势形态和数据特点选择方法：有明显数学形态用拟合法；波动复杂、无明显函数形式用平滑法。
3. 工具验证：使用Python的statsmodels.tsa.seasonal.seasonal_decompose函数快速进行经典分解，验证数据是否符合加法或乘法模型的假设，并直观观察各成分。

在下一节中，我们将深入探讨季节效应分析，学习如何计算季节指数、进行季节调整，并介绍更为复杂和强大的X-11季节调整过程。

— 小象教研组