2.3 周期性 Cyclicity：非固定长波

2.3 周期性 Cyclicity：非固定长波

本节摘要：周期性是长度不固定、形状不规则的长期波动，常见于宏观经济、商业周期、气候系统。本节给出周期性 vs 季节性的关键区别，并用一段合成经济数据演示"周期长度在 5–9 年之间漂移"的现象。

读完你能做什么

阅读完本节，你应当能够：

1. 区分"周期性"与"季节性"——前者长度不固定，后者长度固定。
2. 解释为什么周期性比季节性更难预测。
3. 列出常见周期性来源（经济周期、商业周期、气候周期）。

本节正式把"周期性"和"季节性"分家：周期长度不固定、来源是经济机制、不可预知但可建模。读完后你能识别出业务中"周期性"的常见来源。

一、周期性的工程定义

周期性是这样一种信号：它在较长的时间跨度内呈现波动，但每一次循环的长度都不完全相同。教科书最常引用的例子是经济周期——繁荣、衰退、萧条、复苏四阶段反复出现，但每次循环的"繁荣持续多久""衰退多深"都不一样。

回到侦探视角：周期性像一个"老熟人"，但每次作案都用不同手法。你确定它会再来，但不知道下次什么时候、用什么方式。

二、周期性与季节性：四个关键区别

第三条最致命。季节性可以"预知"——你可以提前 7 天预测下周的同一天；周期性无法预知——你只能说"经济周期大概会再来"，但说不出"下个衰退何时开始"。这也是为什么分析师对周期性的建模始终比对季节性更保守。

三、用合成数据演示周期长度的漂移

import numpy as np
import matplotlib.pyplot as plt

# 合成一段 50 年的"经济序列"：长期增长 + 多个不同长度的周期 + 噪声
rng = np.random.default_rng(42)
n = 200  # 200 个季度
t = np.arange(n)
trend = 0.05 * t                                       # 长期增长
cycle1 = 8 * np.sin(2 * np.pi * t / 20 + 0.3)         # 20 季度长周期
cycle2 = 5 * np.sin(2 * np.pi * t / 35 + 1.2)         # 35 季度长周期
cycle3 = 3 * np.sin(2 * np.pi * t / 60 + 2.0)         # 60 季度超长周期
noise = rng.normal(0, 1.5, n)
y = trend + cycle1 + cycle2 + cycle3 + noise

plt.figure(figsize=(10, 3.5))
plt.plot(t, y, lw=0.8)
plt.title("合成经济序列：长趋势 + 多周期 + 噪声")
plt.xlabel("季度")
plt.tight_layout()
​

从图上可以直观看到：没有固定的"循环长度"。每个峰到下一个峰的距离都不完全相等。这正是周期性的视觉特征——一段"看似有规律但每次都不一样"的曲线。

四、周期性常见来源

• 经济周期（5–10 年）：由库存投资、信贷扩张收缩、产能周期驱动。GDP、工业产值、PMI 等宏观指标都带这种信号。
• 商业周期 / 行业周期（2–7 年）：由产品迭代周期、技术成熟度曲线、竞争格局变化驱动。半导体行业"硅周期"、房地产"库兹涅茨周期"都是经典案例。
• 气候周期（3–15 年）：厄尔尼诺-南方涛动（ENSO）大约 2–7 年循环；太平洋十年涛动（PDO）约 20–30 年。
• 更长的人类活动周期：康德拉季耶夫长波（50–60 年）——技术革命驱动的经济长波。

五、为什么周期性难预测

三个原因：

1. 数据稀缺：一个 5–10 年周期需要至少 30 年数据才能观测到几个完整循环；而很多业务数据根本没有那么长的历史。
2. 驱动力不可观测：驱动经济周期的"信贷扩张/收缩"本身就是我们要预测的变量，无法当外生变量用。
3. 与噪声难以区分：周期性的峰谷幅度和噪声级别常常可比，ACF 在固定 lag 处不一定有显著峰，识别主要靠谱分析或经验模态分解（5.3 节展开）。

六、什么时候该担心周期性

• 你的数据有 5 年以上历史、ACF 衰减很慢且没有明显 lag 峰——大概率有周期性。
• 你的业务跟宏观经济强相关（消费、制造、地产、能源）——周期性几乎一定存在。
• 季节性建模残差里仍然有"低频结构"——说明还有周期没剥干净。

本节要点回顾

• 周期性的关键词：长度不固定、形状不规则、来源是经济/气候/系统反馈。
• 与季节性的核心区别：固定 vs 不固定；可预测 vs 难预测；高频 vs 低频。
• 三大常见来源：经济周期（5–10 年）、商业周期（2–7 年）、气候周期（3–15 年）。
• 为什么难：数据稀缺 + 驱动力不可观测 + 与噪声难分。
• 下一节线索：2.4 把最后一个嫌疑犯——残差——单独拎出来。它是"剥掉信号后的噪声"，但未必是白噪声。

侦探笔记：周期与季节的 3 个区别

判别一段波动是季节性还是周期性，看 3 个维度：

1. 周期是否固定：季节性周期固定（每天 24 小时、每周 7 天、每年 365 天）；周期性周期不固定（经济周期 7-10 年不等）。固定周期可用固定索引或固定差分处理；不固定周期只能用谱分析或滤波。
2. 是否可解释：季节性通常有明确物理解释（地球自转/公转、人类作息）；周期性背后往往是多重因素叠加的经济或物理过程，机理不唯一。这让周期性建模更依赖数据本身。
3. ACF 衰减方式：季节性在 ACF 上呈现"等间距尖峰"；周期性往往衰减更快或被噪声淹没。这是识别的统计指纹。

工程上的取舍：季节性是必须剥掉的（影响预测和异常检测），周期性是可剥也可保留的（保留有助于中长期预测，但模型复杂度上升）。

常见误判

很多新手把"看起来有规律但找不到物理解释的波动"都当周期性。区分要点：先问"有没有物理解释"——没有就是噪声/事件驱动，不要硬归为周期性。