3. 时间序列分解：趋势、季节性与残差
时间序列分解，说白了就是把一串乱糟糟的数据拆成几块有规律的东西。我刚开始做量化的时候，面对一堆价格数据，第一反应就是直接建模。结果呢？模型跑出来一塌糊涂。后来才明白，不先把数据拆开看看，就像医生不拍片子直接开药，太莽撞了。
今天咱们就聊聊怎么拆。核心就三个成分：趋势、季节性、残差。再加上两种拆法：加法模型和乘法模型。
3.1 三个成分，各是什么？
先给个直观理解：
- 趋势（Trend）：长期来看，数据是往上走还是往下走。比如A股过去十年，整体是震荡向上的。注意，是“长期”，不是短期波动。
- 季节性（Seasonality）：固定周期内的重复模式。比如电商销售额，每年双十一前后都会冲一波。周期可以是年、季度、月，甚至一周。
- 残差（Residual）：去掉趋势和季节性之后，剩下的随机波动。说白了就是“噪音”。如果残差里还有规律，说明你分解得不够干净。
我个人的习惯是，拿到数据先画个图。看一眼趋势，再找找有没有周期性波动。如果连图都不看就上模型，那跟闭着眼开车差不多。
3.2 加法模型 vs 乘法模型
这两种模型，区别在于成分之间怎么组合。
| 模型 | 公式 | 适用场景 |
|---|---|---|
| 加法模型 | Y = T + S + R | 季节性波动幅度不随趋势变化 |
| 乘法模型 | Y = T × S × R | 季节性波动幅度随趋势放大或缩小 |
举个例子。你想想看，一家小公司的月销售额，季节性波动可能是±10万。如果公司做大了，销售额翻倍，季节性波动可能变成±20万。这时候用乘法模型更合适。如果波动幅度一直不变，那就用加法模型。
核心判断标准：看季节性波动的幅度是否与趋势水平成正比。
我在项目中遇到过一件事。有一次分析某商品的日销量数据，趋势是缓慢上升的，但季节性波动看起来越来越大。我一开始用了加法模型，结果残差里还残留着明显的季节性模式。后来换成乘法模型，残差才变得干净。嗯，这里要注意：选错模型，残差会“说谎”。
3.3 怎么分解？经典方法
最常用的方法是移动平均分解。步骤很简单：
- 用移动平均估计趋势 T。
- 从原序列中减去趋势，得到“去趋势序列”。
- 对去趋势序列按周期平均，得到季节性成分 S。
- 从原序列中减去 T 和 S，得到残差 R。
如果是乘法模型，步骤类似，只是把减法换成除法。
下面给一段Python代码，用statsmodels库实现加法分解。我个人习惯用这个库，因为它稳定，坑少。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
# 生成模拟数据：趋势 + 季节性 + 噪音
np.random.seed(42)
dates = pd.date_range('2020-01-01', periods=365, freq='D')
trend = np.linspace(100, 200, 365)
seasonality = 10 * np.sin(2 * np.pi * np.arange(365) / 30)
noise = np.random.normal(0, 2, 365)
data = trend + seasonality + noise
# 分解
result = seasonal_decompose(data, model='additive', period=30)
# 画图
result.plot()
plt.show()这段代码跑完之后，你会看到四张图：原始数据、趋势、季节性、残差。一眼就能看出分解得干不干净。
小技巧：如果数据是日频，周期参数 period 要设对。比如周周期设7，月周期设30。设错了，分解出来的季节性就是错的。我曾经因为把月周期设成365，结果季节性完全看不出规律，折腾了半天才发现是参数问题。
3.4 避坑指南：残差里还有规律怎么办？
分解完之后，一定要看一眼残差图。如果残差里还有明显的周期性或趋势，说明分解不彻底。常见原因有两个：
- 周期选错了：比如数据有双周期（周周期和月周期），你只分解了一个。
- 模型选错了：加法模型和乘法模型搞反了。
我曾经遇到一个案例，某金融时间序列的残差里总是有“尖峰”。后来发现，是因为数据里有一个异常值，把移动平均拉偏了。处理办法是：先做异常值检测，再分解。顺序很重要。
警告：不要盲目相信分解结果。尤其是金融数据，经常有结构性突变（比如政策变化、黑天鹅事件）。这些突变会被分解到残差里，但其实是“信号”而不是“噪音”。
3.5 知识体系总览
下面这张图，是我自己总结的时间序列分解核心逻辑。你看一眼，基本就能把今天的内容串起来。
这张图的核心就一句话：先判断波动幅度是否随趋势变化，再选模型，最后拆出三个成分。别搞反了顺序。
3.6 实战中的一点感悟
时间序列分解这件事，看起来简单，但做起来容易翻车。我个人的经验是：
- 先画图，再分解。图能告诉你很多信息，比如有没有缺失值、有没有异常点。
- 分解之后，一定要检查残差。残差如果还有规律，说明你漏掉了什么。
- 不要迷信自动分解。有些库的默认参数不一定适合你的数据。
说白了，分解不是目的，目的是理解数据背后的生成机制。你拆得越干净，后续建模就越有底气。
公众号:蓝海资料掘金营，微信deep3321