5.1 周期性的来源：经济周期、商业周期、气候周期

5.1 周期性的来源：经济周期、商业周期、气候周期

本节摘要：周期性不像季节性那样由日历决定，它来自系统反馈机制。本节系统介绍三大类来源——经济周期、商业周期、气候周期——并讨论它们各自的时间尺度、对业务的影响，以及"为什么周期长度会漂移"。

本节目标

阅读完本节，你应当能够：

1. 列出周期性的三大主要来源：经济、商业、气候。
2. 解释每类来源的典型周期长度与驱动机制。
3. 描述为什么周期长度会在统计范围内"漂移"。

本节从"来源"切入周期性：经济周期（5–10 年）、商业周期（2–7 年）、气候周期（3–15 年）。读完后你能把业务上观察到的长波反推到具体的反馈机制上。

一、为什么需要专门讲"来源"

季节性的来源简单——日历。周期性的来源复杂——背后是经济机制、产业结构、气候系统的反馈回路。理解来源能帮分析师判断"看到的周期是真实的还是数据巧合"。比如半导体行业有个著名的"硅周期"——它不是日历效应，而是产能投资、需求、库存、产能去化四个变量互相反馈的结果。

把"周期性"理解为"系统反馈的副产品"，比把它当成"一段特殊曲线"有用得多。

二、三大来源

1. 经济周期（5–10 年）

最经典的周期性来源是经济周期，简称商业周期（business cycle）。它的四阶段：

• 繁荣：需求强劲、就业充分、信贷宽松。
• 衰退：需求放缓、库存堆积、信贷收缩。
• 萧条：需求底部、失业率高、信贷紧。
• 复苏：需求回稳、库存去化完成、信贷恢复。

驱动机制：库存投资 + 信贷扩张收缩 + 产能调整。为什么周期长度会漂移？ 因为每次复苏的起点不同、产能调整速度不同、信贷紧缩程度不同——这导致每个循环的时长在 5–10 年区间内变化。

经典观测指标：GDP、工业产值、PMI、失业率、信贷增速。

2. 行业 / 商业周期（2–7 年）

比经济周期更短、更聚焦。常见的有：

• 半导体"硅周期"（2–4 年）：产能投资与终端需求反馈产生。智能手机、汽车电子的扩产-收缩驱动芯片厂的资本支出节奏。
• 房地产"库兹涅茨周期"（15–25 年）：人口结构、信贷条件、城市化进程共同驱动。更长、更难预测。
• 消费品库存周期（1–3 年）：制造商对零售订单的反应有 6–12 个月滞后，造成库存堆积-去化的循环。

驱动机制：行业特定的供给-需求反馈 + 技术成熟度曲线 + 竞争格局变化。

3. 气候 / 自然周期（3–15 年）

气候系统本身有多个时间尺度的振荡：

• ENSO（厄尔尼诺-南方涛动）：2–7 年。赤道太平洋海表温度异常，影响全球天气模式。对农业、能源需求有显著影响。
• PDO（太平洋十年涛动）：20–30 年。北太平洋海表温度的长周期振荡。
• 大西洋多年代际振荡（AMO）：60–80 年。

驱动机制：海洋-大气耦合系统的反馈回路。气候周期会通过"影响消费需求"传导到零售、能源等行业。

三、为什么周期长度会漂移

一个常见的反直觉事实：同一类周期在不同时间段的"平均长度"会变。比如硅周期在 2010 年代平均 3.5 年，但在 1990 年代平均 2.5 年。原因有几个：

• 驱动因素的强度变化：金融危机后信贷机制变了，硅周期就被拉长。
• 数据稀缺：每个循环长度都需要很多年观测，少量数据里看到的"平均"是 noisy 的。
• 结构性突变：政策、技术、消费者偏好变化让旧周期的"惯例"失效。

💡 关键直觉：周期性预测必须给"长度区间"而不是"精确周期"。说"下一个硅周期大概在 2–4 年内出现"比说"明年就出现"更可靠。

四、一个判读案例

下面这段合成数据模拟"GDP 月度增速 + 5 年周期 + 季度噪声"：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(0)
n = 240  # 20 年月度
t = np.arange(n)
cycle = 4 * np.sin(2 * np.pi * t / 60 + 0.5)   # 5 年周期
quarterly = 1 * np.sin(2 * np.pi * t / 3)      # 季度噪声（误判为周期）
y = 5 + cycle + quarterly + rng.normal(0, 0.5, n)
s = pd.Series(y, index=pd.date_range("2005-01-01", periods=n, freq="MS"))

# 周期图：最强峰在 60 月附近（5 年）
from scipy.signal import periodogram
freqs, power = periodogram(s.values, fs=1.0)
periods = 1 / freqs[1:]
power_no_dc = power[1:]
top_idx = np.argsort(power_no_dc)[::-1][:5]
for i in top_idx:
    print(f"周期 {periods[i]:.2f} 月  功率 {power_no_dc[i]:.2f}")
# 预期：周期 ≈ 60 月功率最高，3 月次之
​

注意：60 月周期的"功率"可能不如 3 月"季度噪声"高——因为 5 年里 3 月周期重复了 20 次而 5 年周期只重复 4 次。这正是周期性的一个工程难题：长周期信号容易被短周期噪声掩盖。处理办法是用低通滤波器先剥短周期，或加长数据观测时间。

五、识别周期性的"业务信号"

除了统计信号外，业务上的"周期性事件"也能反推周期来源：

• 半导体销售额的 2–4 年波动 → 大概率是硅周期。
• 房地产销售 15–25 年波动 → 库兹涅茨周期。
• 厄尔尼诺年的冬天零售消费异常 → ENSO 气候周期传导。

业务分析师应当结合统计信号 + 业务认知共同判断——单纯看 ACF / 周期图容易把"业务节奏"误判为"统计巧合"。

本节要点回顾

• 三大来源：经济周期（5–10 年）、行业 / 商业周期（2–7 年）、气候 / 自然周期（3–15 年）。
• 驱动机制：系统反馈（库存 + 信贷 + 产能 / 海气耦合 / 行业供给需求）。
• 长度漂移：每次循环的时长在统计范围内变化，预测必须给区间。
• 长周期被掩盖：在 5 年观测中，5 年周期只重复 1 次，远不如 1 年周期显著。
• 业务信号辅助：统计 + 业务认知共同判读更稳。
• 下一节线索：5.2 把"周期性与季节性的本质区别"系统化列清楚。