第五章·周期性与长波

第五章 · 周期性与长波

本章要回答的三个问题：周期性的来源到底是什么？它和季节性长得像但本质差在哪？面对一段不规则长波，怎么用谱分析或经验模态分解（EMD）把周期"挖"出来？

为什么会有这一章

季节性是"日历决定的固定周期"——可以预知。周期性是"系统反馈决定的不定长波"——不可预知。分析师遇到一段长周期数据时容易误把它当季节性建模，结果 SARIMA 的 m 参数乱设、预测区间偏窄、模型自欺欺人。本章教读者用谱分析和小波 / EMD 等工具识别不定长波。

读完能解决什么

• 解释为什么周期性比季节性难识别、难预测。
• 区分"经济周期 / 商业周期 / 气候周期"三类典型来源。
• 用谱分析（periodogram / Welch）和经验模态分解（EMD）从数据中提取不定长波。

知识地图

一句"金句"点题：周期性是"系统反馈的副产品"——可以确认会再来，但说不出下次什么时候。

各节怎么分工

5.1 周期性的来源

经济周期（5–10 年）、商业周期（2–7 年）、气候周期（3–15 年）三类来源；为什么周期长度会漂移。

5.2 周期性 vs 季节性

四维对照表（周期长度 / 来源 / 可预测性 / 业务可见度）；GDP / 冰淇淋 / 半导体三个真实案例；SARIMA 周期性建模常失败、Prophet 等新一代方法更合适。

5.3 谱分析与 EMD

Welch 用分段平均提高稳健性；EMD 自适应分解为多个 IMF；EEMD / CEEMDAN 改进模态混叠。

先决条件

• 已完成第四章，理解 ACF / 周期图。
• 对 numpy 数组操作熟练。

周期性 vs 季节性四维对照

往下走到哪

本章结束，第三章到第五章分别处理了趋势、季节、周期三类成分。第六章进入"建模与评估"——把分解工具和预测模型串起来，引入 STL、Prophet、ARIMA 等综合方法。

本章在四成分中的位置

周期性是四成分中最难处理的——它不像季节性有固定周期，识别和建模都依赖数据驱动方法。本章的逻辑是"先和季节性区分开 → 再识别周期 → 再建模"。

与第 4 章的关系

第 4 章讲固定周期的季节性，本章讲非固定周期的周期性。两者的数学处理方法不同：季节性用固定索引/差分，周期性用谱分析/滤波。两者的业务含义也不同：季节性能解释（地球自转），周期性往往难解释（多重因素叠加）。

与第 6 章的衔接

第 6 章的 STL、Prophet 都能处理弱周期性。但强周期性的剥离往往要靠手工谱分析（先用周期图找显著频率，再用滤波剥离）。本章给的 EMD 是另一种可选方案。

本章的应用局限

数据 < 5 年：周期识别不可靠
数据 5-20 年：可识别 1 个长周期
数据 > 20 年：可识别 2-3 个嵌套周期

这个局限是工程现实，不是数学限制。如果你的应用场景数据不够长，本章结论需要打折扣。

本章学习路径建议

5.1 → 5.2 → 5.3 是自然顺序。先理解周期性的概念（5.1），再和季节性对比（5.2），最后讲怎么识别（5.3）。5.3 节是本章的技术核心——谱分析（傅里叶变换）和 EMD 经验模态分解。

与第 4 章的对照

工程现实

如果你的数据 < 5 年，周期识别不可靠，本章的应用价值有限。大多数业务数据（电商销量、IoT 传感）虽然物理上有周期性，但因数据长度不足而难以识别。这种情况下，建议只做季节性处理（第 4 章），不做周期性处理。