3、季节性指数计算：季节性指数的定义、计算公式、Python实现方法

各位同学，咱们今天聊一个硬核话题——季节性指数。

很多做农产品交易的朋友，一提到“季节性”就两眼放光。但说实话，光看历史价格涨跌图，那叫“凭感觉”。真正要量化分析，你得有个标准尺子。这把尺子，就是季节性指数。

我刚开始做量化研究那会儿，也犯过傻。看着玉米价格每年8月都涨，就以为稳了。结果有一年8月暴跌，亏得我差点怀疑人生。后来才明白——季节性指数不是简单的“涨跌统计”，它背后有一套严谨的计算逻辑。

今天，我就把这套逻辑掰开揉碎了讲给你听。

3.1 什么是季节性指数？

季节性指数，说白了就是衡量某个时间段（比如某个月份）的价格，相对于全年平均水平的偏离程度。

举个例子：

• 如果某个月份的季节性指数是1.2，意味着这个月的价格比全年平均水平高出20%。
• 如果是0.8，那就是低了20%。

你想想看，这不就是一把“标尺”吗？有了它，你就能一眼看出：哪个月份是“旺季”，哪个月份是“淡季”。

3.2 计算公式详解

公式其实不复杂，但细节决定成败。我习惯用三步法来计算：

第一步：计算各年各月的价格平均值

假设你有N年的数据，每年12个月。先算出每个月的多年平均值。

公式：

月平均值(Month_i) = (第1年Month_i价格 + 第2年Month_i价格 + ... + 第N年Month_i价格) / N

第二步：计算全年总平均值

把所有月份的平均值再平均一次：

全年总平均值 = (月平均值(1月) + 月平均值(2月) + ... + 月平均值(12月)) / 12

第三步：计算季节性指数

季节性指数(Month_i) = 月平均值(Month_i) / 全年总平均值

3.3 一个完整的计算示例

光讲公式太枯燥。咱们拿大豆来举个真实例子。

假设我有3年的大豆月度价格数据（单位：元/吨）：

月份	2021年	2022年	2023年	月平均值	季节性指数
1月	3800	4100	3950	3950	0.98
2月	3850	4150	4000	4000	0.99
3月	3900	4200	4050	4050	1.00
4月	3950	4250	4100	4100	1.01
5月	4000	4300	4150	4150	1.03
6月	4050	4350	4200	4200	1.04
7月	4100	4400	4250	4250	1.05
8月	4150	4450	4300	4300	1.06
9月	4000	4300	4100	4133	1.02
10月	3850	4150	3950	3983	0.98
11月	3750	4050	3850	3883	0.96
12月	3700	4000	3800	3833	0.95

计算过程：

1. 先算全年总平均值 = (3950+4000+4050+4100+4150+4200+4250+4300+4133+3983+3883+3833) / 12 ≈ 4036
2. 然后每个月的平均值除以4036，就得到季节性指数

你看，8月份的季节性指数是1.06，说明8月是大豆的传统旺季。12月只有0.95，是淡季。这个规律，在农产品交易中非常实用。

3.4 Python实现方法

理论讲完了，咱们上代码。我个人习惯用Pandas来处理，因为它对时间序列数据支持得特别好。

下面是一个完整的实现：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 示例数据：假设df是包含日期和价格的DataFrame
# 日期格式：'2021-01-01', 价格：float

def calculate_seasonal_index(df, price_col='price', date_col='date'):
    """
    计算季节性指数
    
    参数：
        df: DataFrame，包含日期和价格
        price_col: 价格列名
        date_col: 日期列名
    
    返回：
        seasonal_index: Series，索引为月份，值为季节性指数
    """
    # 1. 提取月份
    df['month'] = pd.to_datetime(df[date_col]).dt.month
    
    # 2. 计算各年各月的平均值
    monthly_avg = df.groupby('month')[price_col].mean()
    
    # 3. 计算全年总平均值
    overall_avg = monthly_avg.mean()
    
    # 4. 计算季节性指数
    seasonal_index = monthly_avg / overall_avg
    
    return seasonal_index

# 使用示例
# df = pd.read_csv('soybean_prices.csv')
# si = calculate_seasonal_index(df)
# print(si)

# 可视化
def plot_seasonal_index(seasonal_index):
    plt.figure(figsize=(10, 6))
    plt.plot(seasonal_index.index, seasonal_index.values, 
             marker='o', linewidth=2, markersize=8)
    plt.axhline(y=1.0, color='red', linestyle='--', alpha=0.7)
    plt.title('大豆季节性指数', fontsize=14)
    plt.xlabel('月份', fontsize=12)
    plt.ylabel('季节性指数', fontsize=12)
    plt.grid(True, alpha=0.3)
    plt.xticks(range(1, 13))
    plt.show()

# 调用
# plot_seasonal_index(si)

3.5 核心逻辑流程图

为了让你更直观地理解整个计算流程，我画了一张图：

3.6 实际应用中的注意事项

嗯，这里我要多说几句。季节性指数看着简单，但用不好容易翻车。

• 数据长度要够：我建议至少用5年以上的数据。3年太短，偶然性太大。10年最佳。
• 注意结构性变化：如果某一年国家出台了新的农业政策，或者发生了重大疫情，那这一年的数据可能就不具备参考价值了。
• 季节性指数不是预测工具：它只是告诉你“历史上这个月份通常是什么样子”。但市场是活的，供需关系、天气、政策都会改变规律。
• 结合其他指标使用：我个人的做法是，把季节性指数作为辅助判断，再结合库存数据、天气模型、资金流向等，综合决策。

好了，这一节的内容就到这里。代码我已经贴出来了，你回去跑一跑，看看自己关注的品种是什么规律。有什么问题，咱们随时交流。