6.4 平滑：移动平均、指数平滑、Holt-Winters

6.4 平滑：移动平均、指数平滑、Holt-Winters

本节摘要：指数平滑族是 ARIMA 之外另一类主流时序模型。本节介绍 SES（简单指数平滑）、Holt（带趋势）、Holt-Winters（带趋势 + 季节）三套方法，并用一段带趋势和周季节性的合成数据演示完整拟合。

先看目标

阅读完本节，你应当能够：

1. 写出 SES、Holt、Holt-Winters 三种方法的递推公式与适用场景。
2. 用 statsmodels 的 ExponentialSmoothing 拟合数据，并解释 trend / seasonal / seasonal_periods 参数。
3. 在 ARIMA 与指数平滑之间做工程选择。

本节介绍 ARIMA 之外的另一类主流——指数平滑族。读完后你掌握三参数 (α、β、γ) 的工程含义，以及"加法 vs 乘法季节"的选型决策。

一、SES：简单指数平滑

SES（Simple Exponential Smoothing）只建模水平项，假设序列没有趋势也没有季节性。递推公式：

ℓ(t) = α y(t) + (1 - α) ℓ(t-1)
ŷ(t+h) = ℓ(t)
​

α ∈ (0, 1) 是平滑系数，控制"对最新观测的权重"。

• α 接近 1：对新数据敏感，预测紧跟。
• α 接近 0：预测平滑、滞后。

from statsmodels.tsa.holtwinters import SimpleExpSmoothing, ExponentialSmoothing

ses = SimpleExpSmoothing(s, initialization_method="estimated").fit(smoothing_level=0.3)
forecast = ses.forecast(12)
​

SES 适用：没有趋势、没有季节性、只有随机波动的序列（如某些金融资产价格、传感器噪声）。

二、Holt：带趋势的双参数指数平滑

Holt 在 SES 基础上加了一个趋势项 b(t)：

ℓ(t) = α y(t) + (1 - α) (ℓ(t-1) + b(t-1))
b(t) = β (ℓ(t) - ℓ(t-1)) + (1 - β) b(t-1)
ŷ(t+h) = ℓ(t) + h b(t)
​

β 是趋势平滑系数。trend="add" 表示加法趋势；trend="mul" 表示乘法趋势（趋势随水平放大）。

holt = ExponentialSmoothing(s, trend="add").fit()
​

Holt 适用：有趋势但无季节性的序列（如持续增长的销售额、用户数）。

⚠️ 常见坑：Holt 默认会"无限外推趋势"——预测 10 年后销量会按当前斜率一直涨。实战中要给趋势一个上限，或者用 damped_trend=True 让趋势逐渐衰减到 0。

holt_damped = ExponentialSmoothing(s, trend="add", damped_trend=True).fit()
# φ 控制趋势衰减速度，φ=0.98 是常用经验值
​

三、Holt-Winters：趋势 + 季节

Holt-Winters 在 Holt 基础上再加季节项 s(t)，有三组参数 (α, β, γ) 分别控制水平、趋势、季节的平滑。

# 加法季节
ℓ(t) = α (y(t) - s(t-m)) + (1 - α) (ℓ(t-1) + b(t-1))
b(t) = β (ℓ(t) - ℓ(t-1)) + (1 - β) b(t-1)
s(t) = γ (y(t) - ℓ(t-1) - b(t-1)) + (1 - γ) s(t-m)
ŷ(t+h) = ℓ(t) + h b(t) + s(t+h-m)
​

m 是季节周期（7 = 周、12 = 月、24 = 小时数据中的日季节）。

hw = ExponentialSmoothing(
    s,
    trend="add",
    seasonal="add",
    seasonal_periods=12
).fit()
​

Holt-Winters 适用：同时有趋势和季节性的序列（如零售月度销量——上升 + 12 月高峰）。

四、加法 vs 乘法季节

参考 2.5 节，季节性幅度随水平变化时用乘法：

hw_mul = ExponentialSmoothing(
    s, trend="add", seasonal="mul", seasonal_periods=12
).fit()
​

实战经验：销售类数据用乘法季节；物理量类数据用加法季节。

五、一个完整案例：航空乘客数据

from statsmodels.datasets import airline
data = airline.load_pandas().data
data["Month"] = pd.to_datetime(data["Month"])
data = data.set_index("Month")
y = data["AirPassengers"]

# Holt-Winters 加法趋势 + 乘法季节（航空数据经典配置）
hw = ExponentialSmoothing(
    y,
    trend="add",
    seasonal="mul",
    seasonal_periods=12,
    initialization_method="estimated"
).fit()

# 预测未来 24 个月
forecast = hw.forecast(24)
print(hw.summary().tables[1])  # 拟合参数 α、β、γ
​

输出参数表里会有 smoothing_level (α)、smoothing_trend (β)、smoothing_seasonal (γ) 三个值。每个都在 0–1 之间，接近 0 表示对应成分稳定，接近 1 表示新数据贡献大。

六、ARIMA vs 指数平滑

工程选择：

• 数据有明确季节性 + 解释性优先 → 指数平滑（Holt-Winters 参数可解释）。
• 数据需要外生变量（促销活动、宏观经济）→ ARIMAX。
• 数据有多重季节性 → Prophet 或 NeuralForecast。
• 数据稀缺（< 30 个观测）→ 朴素季节性 / SES。

七、一个工程陷阱：季节周期选错

如果数据是工作日数据，"季节周期"是 5 而不是 7。如果错选 7，模型会试图学"7 天后的同一天"，但工作日没有 7 天周期——预测会显著偏差。

# 错误：业务上只有工作日，但选了 m=7
hw_wrong = ExponentialSmoothing(workday_sales, seasonal="add", seasonal_periods=7).fit()

# 正确：m=5 匹配业务周期
hw_right = ExponentialSmoothing(workday_sales, seasonal="add", seasonal_periods=5).fit()
​

本节要点回顾

• SES：无趋势无季节的简单平滑。
• Holt：加趋势（可阻尼）。damped_trend=True 让趋势不无限外推。
• Holt-Winters：加趋势 + 季节。三参数 (α, β, γ) 控制平滑强度。
• 加法 vs 乘法季节：销售类用乘法、物理量用加法。
• ARIMA vs 指数平滑：解释性优先选指数平滑；外生变量选 ARIMAX；数据稀缺选朴素基线。
• 常见坑：季节周期选错（工作日 m=5 而非 7）、趋势不阻尼、α/β/γ 随意调。
• 下一节线索：6.5 介绍 ARIMA / SARIMA 模型族，及完整选型决策表。