第三章·趋势的识别与建模

第三章 · 趋势的识别与建模

本章要回答的三个问题：趋势有多少种数学形态？用什么工具把趋势从数据里"挖"出来？挖出来后怎么让序列变成"平稳"以便下游模型使用？

为什么会有这一章

趋势是最容易"看走眼"的一类成分。肉眼画一条线穿过散点叫趋势；用 7 日均线平滑叫趋势；用线性回归拟合也叫趋势——但这三种"趋势"在数学含义、稳健性、对下游建模的友好程度上完全不一样。本章把这一团模糊概念拆成三种形态、几种识别工具、一个去趋势的目标。

读完能解决什么

• 拿到任何带方向的序列，能选出最贴合业务直觉的趋势形态（线性/指数/S 形/分段）。
• 用移动平均、LOESS、回归三种工具各估计一次趋势，对比稳健性。
• 用差分操作把非平稳序列"平稳化"，给 ARIMA 等下游方法铺路。

知识地图

一句"金句"点题：选对趋势形态比挑一个花哨的模型更重要——错形态会让预测误差相差 5 个数量级。

各节怎么分工

3.1 趋势的表现形式

四类形态（线性/指数/S 形/分段）的工程含义、用 numpy 合成样本、业务场景反推形态的决策表。

3.2 识别方法

SMA、LOESS、参数回归三种工具的对比；用 Ljung-Box 检验残差帮选窗口；异常值多时优先 LOESS。

3.3 趋势的去除与平稳化

去趋势（detrend）vs 差分（differencing）的工程取舍；ADF 检验确认"已经平稳"；季节差分单独拎出来。

先决条件

• 已完成第二章，理解趋势 / 季节 / 周期 / 残差四类成分。
• 对 numpy 和 statsmodels 有基本接触。

趋势四形态对照

往下走到哪

本章是"剥趋势"专项。下一章 4 把焦点切到季节性——比趋势更精细、需要更长历史的周期信号。第五章再处理更难捉摸的周期性。

本章在四成分中的位置

趋势是时间序列 4 大成分（趋势、季节、周期、残差）里最稳定的、最容易识别的，也是建模时最先处理的。本章的逻辑是"识别 → 建模 → 移除 → 平稳化"四步。

与第 4、5 章的区别

第 4 章讲季节性（固定周期），第 5 章讲周期性（非固定长波）。趋势既不是季节也不是周期——它是"长期单调或单调趋势的变化方向"。在判别时，先看趋势再看季节和周期。

与第 6 章的衔接

第 6 章讲建模方法（ARIMA、Prophet）。所有这些建模方法的第一步都是"先剥离趋势"。本章的 3.4 节（差分去趋势）就是给第 6 章做铺垫。

本章的应用场景

• 电商销量：长期看是上升趋势，叠加季节
• 城市人口：长期看是上升趋势，无显著季节
• 产品销量：可能是 S 形趋势（产品生命周期）
• 股价：长期无趋势（弱随机游走）

本章学习路径建议

如果你是第一次接触趋势建模，建议按 3.1 → 3.2 → 3.4 → 3.3 顺序读。3.3 节的"建模方法"（线性回归/LOESS/多项式）依赖前两节的概念；3.4 节的"差分去趋势"是 ARIMA 的前置。读完 4 节后，尝试拿一段真实数据跑一遍 3.2 节的移动平均 + 3.4 节的差分——把方法用在数据上，比读 10 遍描述理解更深。

与第 4 章的关系

第 4 章讲季节性。趋势剥离和季节剥离的顺序在工程上很关键：先剥趋势还是先剥季节？经验法则是看数据——如果季节振幅稳定，先剥季节；如果振幅随趋势变化，先剥趋势再取对数（乘法分解）。第 3 章的差分只解决趋势，第 4 章的季节差分才解决季节，两者不能混用。