2.1 趋势 Trend：长期方向

2.1 趋势 Trend：长期方向

本节摘要：趋势是时间序列在较长时间窗口内的总体走向，可以是线性、指数、S 形甚至分段式。本节给出趋势的工程定义、三种典型形态的可视化对照，并演示移动平均如何从"噪声"中提取"方向"。

读完你能做什么

阅读完本节，你应当能够：

1. 写出趋势的工程定义，并解释它和"短期波动"的边界。
2. 区分线性趋势、指数趋势、S 形趋势三种形态，能用 numpy 合成各自样本。
3. 用简单移动平均（MA）和中心移动平均估计趋势，并解释窗口选择的工程取舍。

本节从"长方向"切入：先给趋势下个工程定义（尺度相对），再用代码合成三种典型形态并对照，最后用一段含噪数据演示 MA(7/30/90) 三种窗口的"平滑-滞后"权衡。

一、什么是趋势：工程视角下的"长方向"

教科书里对趋势的定义是"长期内单调或准单调的方向变化"。但实战中更精确的描述是：趋势 = 时间序列中周期长于业务关注周期的成分。如果你关心的是"明年销量"（关注周期 ~1 年），那"三年滚动平均"就是趋势；如果你关心的是"下季度销量"（关注周期 ~3 个月），"三个月滚动平均"就够看。

换句话说，趋势的尺度是相对的。没有绝对的趋势，只有"对你这个目标来说够长的趋势"。这条认知对窗口选择至关重要：MA(7) 看的是周内的趋势，MA(30) 看的是月度趋势，MA(365) 看的是年度趋势。

二、三种典型形态

下面用一段 numpy 代码合成三种典型形态，并画出对照图：

import numpy as np
import matplotlib.pyplot as plt

n = 200
t = np.arange(n)
linear   = 0.5 * t + 10                                    # 线性：每期 +0.5
exp_grow = 10 * np.exp(0.02 * t)                          # 指数：每期约 +2%
sigmoid  = 100 / (1 + np.exp(-0.05 * (t - 100)))           # S 形：早期慢、中期快、后期饱和

fig, axes = plt.subplots(1, 3, figsize=(15, 3.5))
for ax, y, title in zip(axes, [linear, exp_grow, sigmoid],
                        ["线性趋势", "指数趋势", "S 形趋势"]):
    ax.plot(t, y)
    ax.set_title(title)
plt.tight_layout()
​

从图上可以直观看到：

• 线性趋势：斜率恒定。如果业务量每年增长 5%，并且这个 5% 是固定的，落到月度数据上就是每个月多 0.4% 左右。
• 指数趋势：增长率恒定（不是增长量恒定）。SaaS 用户增长、生态扩张的早期阶段经常是这种形态。
• S 形趋势：早期慢、中期快、后期饱和。对应"新产品渗透曲线"——从尝鲜到主流到成熟。

💡 关键直觉：选错趋势形态是预测误差的常见来源。早期 SaaS 公司用线性外推会低估 10 倍，用指数外推会在饱和阶段爆雷；选 S 形或 Gompertz 曲线更稳。

三、用移动平均提取趋势

工程上最朴素的趋势提取是简单移动平均（Simple Moving Average, SMA）：

import pandas as pd
import numpy as np

rng = np.random.default_rng(0)
n = 365
trend = 0.05 * np.arange(n)                              # 真实趋势
noise = rng.normal(0, 1, n)                                # 噪声
seasonal = 3 * np.sin(2 * np.pi * np.arange(n) / 7)      # 周季节性
y = trend + seasonal + noise
s = pd.Series(y, index=pd.date_range("2024-01-01", periods=n))

# 窗口 = 7：抹平周季节性，看日趋势
s_ma7 = s.rolling(window=7, center=True).mean()
# 窗口 = 30：抹平日波动，看月趋势
s_ma30 = s.rolling(window=30, center=True).mean()
# 窗口 = 90：抹平短期波动，看季度趋势
s_ma90 = s.rolling(window=90, center=True).mean()
​

center=True 让窗口对称（中心移动平均），这样趋势线不会整体往右偏 1/2 窗口长度。窗口越大，曲线越平滑，但对趋势的"响应"也越迟钝——这是趋势估计的"平滑-滞后"权衡，没有银弹。

工程上更推荐两种改进：

• 加权移动平均（WMA）：靠近中心的点权重更高，能在保留平滑的同时减少滞后。
• 指数加权移动平均（EWMA）：s.ewm(span=14).mean()，权重按指数衰减，既平滑又对最新数据敏感。statsmodels 里的 Holt-Winters 就是 EWMA 的多变量升级版。

四、什么时候趋势不是简单的线或曲线

最后列出三个会让"单一趋势"假设失效的工程场景：

1. 结构性突变：政策变更（如 2020 年疫情管控）、产品发布（如 iPhone 改用 Lightning 接口后销量断崖）会让趋势在某个时间点发生跳变。
2. 多段趋势：分段常数 + 段内线性，可以用 Prophet 的 changepoint_prior_scale 自动检测变点。
3. 趋势依赖外部变量：促销支出越多，销量增长越快——这种"内生趋势"需要把外部变量作为协变量引入模型（ARIMAX / Prophet regressor）。

本节要点回顾

• 趋势的工程定义：周期长于业务关注周期的成分；尺度相对。
• 三种典型形态：线性、指数、S 形；选错形态是预测误差的常见来源。
• 移动平均提取趋势：rolling(window=W, center=True).mean()；窗口越大越平滑、但响应越迟钝。
• 趋势的复杂场景：突变、分段、依赖外部变量。
• 下一节线索：2.2 跳出趋势的"长方向"视角，看季节性——那些固定周期重复的"指纹"模式。

侦探笔记：判别趋势的 3 个"看图技巧"

拿到一条曲线，先做 3 件事判别"有没有趋势、是什么趋势"：

1. 斜率扫描：目测曲线在不同区段的平均斜率。如果全段斜率都接近 0，是平稳；如果斜率明显非零，有线性或近线性趋势；如果斜率在变化，可能是多项式或非线性。
2. 极值定位：标注曲线所有局部极大、局部极小。如果它们单调上升或下降，是 S 形或单调趋势；如果它们围绕一个值上下晃，是带噪声的趋势；如果极值本身没规律，可能是周期或纯噪声。
3. 平稳性初判：用肉眼+ADF 检验。如果 ADF 检验 p 值 > 0.05，拒绝"无趋势"假设。

这 3 步走完，"是什么趋势"基本就能确定了。具体的"用什么模型"留到第三章。