移动平均模型Moving Average ModelMA模型是时间序列分析里最容易被低估的模型。很多人第一眼看到“移动平均”四个字会直接把它和K线图里的均线指标搞混但两者完全不是一回事。MA模型不是把过去N天的收盘价做平均而是用过去若干期的预测误差——也就是模型没能预测准的那部分“意外”——来解释当前观测值。放在量化语境下这个概念可以理解为价格对突发信息的反应并不在一瞬间完成而是会以误差的形式影响后续几期MA模型做的就是把这部分“意外”单独拎出来建模。这篇笔记是量化笔记系列的第43篇。这次我们来看MA模型的建模思路、定阶方法、Python实现和批量验证流程。MA模型有三个特点最值得关注第一它适用于单变量平稳序列最典型的场景是金融日收益率的噪声成分分析第二它的参数含义非常直观模型里每一个解释变量都来自上一轮预测误差而不是直接使用历史价格第三它的计算非常轻量纯CPU环境就能跑不需要GPU也不需要专门的一键包一个Python环境加上statsmodels库就能完成从定阶到预测的完整闭环。这篇文章会带大家完成环境准备、收益率数据处理、ACF/PACF定阶、AIC/BIC辅助选阶、ARIMA(0,0,q)模型拟合、残差白噪声检验、多步预测验证以及批量处理多只标的的封装思路。适合正在学习量化时间序列建模、想把传统统计模型作为技术指标补充的读者。对于已经在用深度学习做行情预测的人来说MA模型也能作为一个可解释性很强的基线模型使用。1. 核心能力速览能力项说明模型全称Moving Average Model移动平均模型简写 MA(q)建模思想用过去 q 期的预测误差新息/随机冲击解释当前观测值适用数据类型单变量平稳时间序列金融场景常用日收益率、对数收益率与均线指标的关系无直接关系。MA模型是概率统计模型不是K线技术指标中的移动平均线定阶方式ACF截尾观察、PACF拖尾配合、AIC/BIC信息准则搜索实现方式Python statsmodelsARIMA(0,0,q)启动方式Jupyter Notebook 或 Python 脚本命令启动内置 API无。需要自行用 FastAPI/Flask 封装批量任务可通过循环封装对多只标的批量建模与预测硬件需求CPU即足够不依赖GPU显存典型局限对趋势、突变、长记忆效应不敏感不能直接处理非平稳原始价格序列从表格可以看出MA模型的核心价值不在于“算得复杂”而在于“解释清楚”。一旦理解了“用过去预测误差来解释当前值”这一句后面所有代码都是在围绕这句话落地。2. 适用场景与使用边界MA模型适合的第一类场景是噪声序列建模。金融收益率序列里真正能被线性模型捕捉到的稳定规律通常很少大部分成分是白噪声和弱自相关。MA模型可以描述一个冲击在未来几期内的衰减过程比如某天因为突发事件出现一个异常大的涨跌幅这个“意外”会不会影响到后面两天。这种冲击传导路径用MA模型去拟合是很自然的选择。第二类场景是作为AR模型的补充。AR模型用过去的观察值解释当前值MA模型用过去的误差解释当前值两者组合成ARMA或ARIMA模型后往往能用更少的参数获得更好的拟合效果。很多人在做收益率序列建模时只盯着AR部分却忽略了残差里的短期自相关这时补一个低阶MA项模型品质会有明显改善。第三类场景是残差建模。在已经用趋势或季节性模型处理过数据之后如果残差仍有短期自相关可以用低阶MA模型把剩余结构挑出来。比如先把价格序列做对数差分得到近似平稳的收益率如果收益率仍表现出对突发信息的惯性反应MA项就能起到吸收作用。使用边界也很明确。第一MA模型不适合直接用在原始价格序列上。价格通常是非平稳的直接建模大概率得到不可用结果必须先做差分或对数收益率变换。第二它不适合捕捉强趋势和结构性突变。趋势需要用差分、分解或协整关系来处理结构性突变需要专门的变点检测方法。第三它不承诺预测准确率。MA模型提供的是条件均值预测当市场进入剧烈波动期时预测误差会快速放大。使用边界还涉及合规和数据授权。这篇笔记只讨论建模方法不构成任何投资建议如果用于实盘决策需要配合止损、仓位管理和完整的回测流程。行情数据尽量使用有授权来源或本地数据不要使用未经许可爬取的数据。任何模型输出到交易信号之间还有很长一段路要走。3. 环境准备与前置条件MA模型对运行环境的要求非常低。一台普通PC、一个Python环境甚至没有独立GPU也可以完成。主要依赖是 pandas、numpy、matplotlib、statsmodels、scipy。statsmodels负责建模拟合scipy作为它的底层依赖会一并安装matplotlib用来画ACF和PACF图。如果习惯在Notebook里做探索性分析再装一个jupyterlab即可。3.1 创建虚拟环境并安装依赖建议用虚拟环境隔离依赖避免和系统Python环境冲突。python -m venv ma-env # Windows ma-env\Scripts\activate # macOS / Linux source ma-env/bin/activate pip install --upgrade pip pip install pandas numpy matplotlib scipy statsmodels jupyterlab在Windows PowerShell里激活命令是ma-env\Scripts\Activate.ps1在Git Bash里激活方式和Linux一致。如果安装速度不理想可以临时换成国内镜像源命令格式为pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名。3.2 检查环境安装完成后用一行命令确认核心库已经可用。python -c import statsmodels, pandas, numpy; print(statsmodels.__version__, pandas.__version__, numpy.__version__)statsmodels的版本号以本机安装为准。新版statsmodels中statsmodels.tsa.arima.model.ARIMA是统一的建模入口下面的示例代码都基于这套接口编写。3.3 数据准备需要准备一份单变量时间序列数据。常见做法是取某只指数或个股的日线收盘价计算对数收益率后建模。对数收益率的计算公式是r_t ln(P_t) - ln(P_{t-1})。相比简单收益率对数收益率在数学性质上更接近可加对称也更方便做后续统计分析。import pandas as pd import numpy as np # 读取本地行情数据列名按自己的数据调整 df pd.read_csv(close_price.csv, parse_dates[date]) df df.sort_values(date) # 计算对数收益率 df[log_ret] np.log(df[close]).diff() # 建模用收益率序列删除首行NaN ret df.dropna(subset[log_ret])[log_ret].reset_index(dropTrue) print(ret.head())这个示例假设本地CSV包含date和close两列。如果只有收盘价没有日期列也可以直接用range(len(df))作为时间索引但后续做时间轴可视化时会不方便。4. MA模型本地建模的代码框架在statsmodels里没有单独的MA类最稳妥的方式是用ARIMA类把阶数设为(0, 0, q)其中q就是MA的阶数。这样写的好处是接口统一后面要扩展成ARMA或ARIMA只需要改order参数。4.1 拟合基础MA模型from statsmodels.tsa.arima.model import ARIMA # 以 q2 为例 q 2 model ARIMA(ret, order(0, 0, q)) result model.fit() print(result.summary())result.summary()会输出参数估计表、标准误、t值、p值以及AIC、BIC等信息准则。参数估计表里能看到常数项和非零的MA系数。只要模型能正常收敛就说明数据量足够支撑当前阶数的拟合。4.2 模型参数解读以MA(2)为例模型形式可以写成X_t μ ε_t θ1 * ε_{t-1} θ2 * ε_{t-2}这里的ε是白噪声也就是模型在每一期中没能预测准确的部分也就是标题里说的“意外”。如果θ1显著不为0说明上一期出现的意外仍然会影响本期如果θ2显著不为0说明两期前的冲击还在影响当前值。参数的正负号则决定了冲击的方向和衰减方式。量化分析中最常见的观察结果是θ1显著、θ2不显著说明冲击只会延续一期再往后基本消失。5. MA模型功能测试与效果验证模型不是拟合完就结束必须经过完整测试。下面按六个步骤走一遍每步都有输入、操作和判断标准。5.1 第一步数据准备与平稳性检验建模前必须确认序列平稳。用ADF检验判断是否存在单位根。from statsmodels.tsa.stattools import adfuller adf_stat, p_value, used_lag, nobs, crit_values, icbest adfuller(ret.dropna()) print(fADF统计量: {adf_stat:.4f}) print(fp值: {p_value:.4f}) for key, value in crit_values.items(): print(f临界值 {key}: {value:.4f})判断逻辑是p值小于0.05则拒绝单位根原假设认为序列平稳。如果p值很大说明序列非平稳。对价格数据来说最直接的处理是差分或取对数收益率对周频、月频数据可以继续做一阶差分。MA模型建立的前提是平稳性这一步不过关后续所有结果都不可信。5.2 第二步用ACF和PACF识别MA截尾特征MA(q)有一个非常经典的识别特征ACF在q阶后截尾PACF呈现拖尾特征。AR(p)则相反PACF在p阶后截尾ACF拖尾。这个差异是区分AR和MA的关键。import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, axes plt.subplots(2, 1, figsize(10, 8)) plot_acf(ret.dropna(), axaxes[0], lags30) plot_pacf(ret.dropna(), axaxes[1], lags30) plt.tight_layout() plt.show()实际看图时重点观察ACF图里有多少根竖线明显超出了蓝色置信带。如果ACF在前两阶有突出的竖线后面迅速掉进置信带内那就是截尾的迹象截尾位置就是q的候选值。PACF拖尾则表现为数值衰减但不会在某个阶数后突然全部消失。5.3 第三步确定q阶肉眼观察只能给出候选范围更稳妥的做法是用信息准则做一个搜索。遍历q从0到6比较AIC和BIC。import warnings best_aic float(inf) best_q 0 results [] for q in range(0, 7): try: with warnings.catch_warnings(): warnings.simplefilter(ignore) model ARIMA(ret, order(0, 0, q)).fit() results.append((q, model.aic, model.bic)) if model.aic best_aic: best_aic model.aic best_q q except Exception as e: print(fq{q} 拟合失败: {e}) print(pd.DataFrame(results, columns[q, AIC, BIC])) print(fAIC最优q: {best_q})AIC和BIC都希望在说明力与复杂度之间取得平衡。如果两者给出的最优阶数不一致优先选择更小的阶数避免过拟合。对金融日收益率数据来说q通常不会超过5搜索区间到6已经够用。5.4 第四步模型拟合与参数解读选定最优q之后重新拟合一次并输出参数表。final_model ARIMA(ret, order(0, 0, best_q)) final_result final_model.fit() params_df pd.DataFrame({ 系数: final_result.params, 标准误: final_result.bse, t值: final_result.tvalues, p值: final_result.pvalues }) print(params_df)判断标准看p值p值小于0.05认为参数显著。如果某些MA系数不显著可以适当降低q值再拟合而不是强行保留高阶参数。系数显著但符号为负说明上一期的意外会对本期产生反向影响符号为正则说明冲击在继续延伸。5.5 第五步模型诊断模型拟合后必须检查残差是否还是白噪声。如果残差中仍有自相关说明信息没有被提取干净。from statsmodels.stats.diagnostic import acorr_ljungbox resid final_result.resid.dropna() lb_test acorr_ljungbox(resid, lags10, return_dfTrue) print(lb_test)判断标准看lb_pvalue列p值大于0.05残差视为白噪声模型可用。如果p值小于0.05说明残差里还有自相关残留需要提高q值或者把模型扩展成ARMA。不要忽视这一步很多失效的量化模型都是跳过了诊断直接上线。5.6 第六步预测与效果验证样本内拟合不能说明问题必须做样本外验证。这里把数据切成训练集和测试集用前80%数据训练后20%数据预测。train ret.iloc[:-20] test ret.iloc[-20:] model ARIMA(train, order(0, 0, best_q)).fit() pred model.get_forecast(stepslen(test)) pred_mean pred.predicted_mean conf_int pred.conf_int() compare pd.DataFrame({ 实际值: test.values, 预测值: pred_mean.values }) compare[误差] compare[实际值] - compare[预测值] rmse np.sqrt(np.mean((compare[误差]) ** 2)) print(compare.head()) print(fRMSE: {rmse:.6f})这里需要特别注意一点MA模型预测的是条件均值不是涨跌方向。如果预测曲线近似一条平线这正是MA模型对弱平稳序列的正常反应说明历史冲击的影响已经衰减完毕。评价指标不要只看RMSE要结合收益率本身的量级。如果收益率标准差是0.02RMSE在0.02附近并不算好RMSE如果能压到0.01以下说明模型对波动结构有一定解释力。更严谨的做法是把MA模型与随机游走基线做对比看看是否真正带来了增益。6. 接口API与批量任务statsmodels本身不自带Web API需要自己封装。但如果只是做批量建模直接在Python脚本里循环即可不需要启动Web服务。6.1 封装批量建模接口批量建模前先封装一个通用函数输入序列和q输出模型指标和预测结果。def fit_and_predict(series, q2, steps5): 拟合并预测MA(q)模型 series: pd.Series必须为平稳序列 q: MA阶数 steps: 预测步数 from statsmodels.tsa.arima.model import ARIMA model ARIMA(series, order(0, 0, q)).fit() pred model.get_forecast(stepssteps) return { q: q, aic: model.aic, bic: model.bic, params: model.params.to_dict(), pred_mean: pred.predicted_mean.tolist() }6.2 批量处理多只标的输入目录下放多个CSV文件每个标的一个文件循环建模并把结果统一保存。from pathlib import Path import json input_dir Path(./data) output_file Path(./results.json) results_all {} for csv_file in input_dir.glob(*.csv): name csv_file.stem try: df pd.read_csv(csv_file, parse_dates[date]) df df.sort_values(date) df[log_ret] np.log(df[close]).diff() ret df.dropna(subset[log_ret])[log_ret].reset_index(dropTrue) result fit_and_predict(ret, qbest_q, steps5) results_all[name] result except Exception as e: results_all[name] {error: str(e)} with open(output_file, w, encodingutf-8) as f: json.dump(results_all, f, ensure_asciiFalse, indent2) print(批量建模完成)批量任务里最关键的是异常捕获。一个文件读取失败、一个标的收益率序列过短都不应该导致整个任务中断。记录错误信息后继续下一个标的最后统一查看失败名单。6.3 用FastAPI做预测服务如果希望把模型封装成可调用的HTTP服务可以用FastAPI写一个最小示例。这属于自行封装方案不是模型自带能力。接口路径和请求参数需要按自己的实际项目调整。from fastapi import FastAPI from pydantic import BaseModel from statsmodels.tsa.arima.model import ARIMA app FastAPI() class PredictRequest(BaseModel): series: list q: int 2 steps: int 5 app.post(/predict) def predict(req: PredictRequest): model ARIMA(req.series, order(0, 0, req.q)).fit() pred model.get_forecast(stepsreq.steps) return { pred_mean: pred.predicted_mean.tolist(), aic: model.aic, bic: model.bic }启动服务pip install fastapi uvicorn uvicorn ma_api:app --host 127.0.0.1 --port 8000调用测试curl -X POST http://127.0.0.1:8000/predict \ -H Content-Type: application/json \ -d {series: [0.01, -0.02, 0.03, -0.01, 0.005], q: 2, steps: 3}生产环境部署时还需要加鉴权、限流和异步任务队列。直接在公网暴露这类预测接口风险非常高建议只在本地内网使用或者放在后端服务后面再加一层访问控制。7. 资源占用与性能观察MA模型的计算成本远低于深度学习模型。建模本身只用CPU一次ARIMA(0,0,q)拟合通常只需要几秒到几十秒耗时主要来自数据长度、阶数和滚动窗口数量。即使同时对几十只股票的三年日线数据做分析也完全可以在普通笔记本上完成。如果换成GPU收益也不明显因为这类线性模型的计算瓶颈在矩阵运算规模而不在神经网络层数。内存方面影响最大的不是单次拟合而是批量任务中把每只标的的完整历史都加载进来。如果标的有几千只建议分批处理每批处理完就把结果写入磁盘避免全部堆积在内存中。可以观察任务管理器里的Python进程占用正常情况下几千行数据的单次建模内存占用可以忽略不计只有当循环中保存了大量中间结果时内存才会持续上涨。降本增效有几个小技巧。第一定阶搜索不要一次试到20阶金融收益率数据通常q在0到5之间就够。第二做滚动验证时用固定窗口而不是扩展窗口能显著减少重复计算。第三批量标的太多时把每个标的的拟合结果直接存成JSON或CSV及时释放内存。如果发现程序运行速度越来越慢先检查是不是结果字典越积越大。8. 常见问题与排查方法问题现象可能原因排查方式解决方案ADF检验p值很大序列非平稳打印原始价格走势与ADF结果改为对数收益率或一阶差分后再建模ACF没有明显截尾数据生成过程可能不是纯MA同时观察PACF和偏自相关尝试AR模型或ARMA模型不要强行用MA拟合时出现收敛警告数据量太少或阶数过高查看警告信息缩小q范围增加样本量限制q在0到5之间残差Ljung-Box检验p值小于0.05残差仍有自相关查看残差ACF图提高q阶数或改用ARIMA(p,d,q)预测结果几乎不变MA均值项主导短期冲击影响过小对比收益率标准差与预测标准差降低q阶数检查是否存在过拟合批量任务卡住或内存上涨每个标的加载了全量数据且未释放检查循环中是否有异常数据或文件捕获异常记录错误并继续分批处理结果落盘API返回500或超时序列长度过短、阶数不合法或并发过多查看服务端日志增加输入校验限制并发使用队列异步处理上面表格是高频问题的汇总下面挑几个重点展开。第一个重点是非平稳问题。很多新手直接把收盘价传入ARIMA结果ADF检验p值很大但还是强行建模。这样拟合出来的模型参数可能很“好看”但样本外预测几乎必然失效。正确的做法是先画出价格曲线确认是否存在明显趋势只要趋势存在就必须换成对数收益率或差分序列。第二个重点是ACF和PACF无法区分纯MA和ARMA。如果ACF和PACF都呈现缓慢衰减数据生成过程更可能是ARMA而不是纯MA。遇到这种情况不要限制在MA模型里直接尝试ARIMA(p,d,q)用信息准则做完整搜索。对金融数据来说低阶ARMA往往比纯MA更稳。第三个重点是预测结果看起来“没用”。因为MA模型预测的是条件均值对弱平稳序列来说预测值会快速收敛到均值附近。这不是模型写错了而是模型结构决定的。判断模型有没有信息增益一是看残差是否为白噪声二是比较样本外RMSE和随机游走基线。如果增益很小就说明MA模型对这个序列的贡献有限可以考虑换模型或增加外生变量。9. 最佳实践与使用建议第一优先级的实践是稳定复现。虽然线性模型随机性不大但滚动窗口、数据切分需要固定代码逻辑。每次运行都保留输入数据版本、参数版本和输出结果方便复盘和排查。建议在项目目录下按data/、models/、results/三个目录管理文件模型参数和预测结果分开放不要全部堆在一个脚本里。第二个习惯是把样本内拟合和样本外验证区分开。样本内拟合结果容易给人乐观错觉。先用前80%数据训练后20%数据做样本外测试。得到样本外RMSE后再对比随机游走基线和历史波动率。如果MA模型带来的预测增益很小就要谨慎对待它作为交易信号的有效性。第三个习惯是做好数据版本管理。行情数据更新后模型参数会发生变化。每次建模都要记录数据区间、来源、最终收益率的计算方式。批量任务尤其重要几十个标的里只要有一个文件列名不一样整个流程就可能中断。建议在批量循环里检查必要列是否存在不存在就直接跳过并记录原因。第四个建议是模型组合与阶数控制。不要盲目追求高阶MA金融日收益率的冲击传导通常很短暂q取2到3已经能覆盖绝大多数场景。如果高阶模型没有带来AIC或BIC的明显改善就优先选择低阶。低阶模型在滚动预测和参数稳定性上的表现通常优于高阶模型。合规方面再提醒一次公开行情数据使用要遵循数据源授权条款模型结果用于实盘前必须有完整的回测和风控方案。任何技术指标和统计模型都不是稳赚信号。如果后续要接实盘一定要把数据源校验、信号生成、订单执行和风控模块分离避免模型故障直接影响交易。10. 总结与下一步这篇笔记最值得记住的一点是MA模型用“上一期没预测准的部分”解释本期的波动。它不是均线指标也不是趋势预测器而是一个轻量级、可解释性强的平稳序列模型适合做收益率噪声建模、AR/ARMA组合和批量基线测试。如果你要上手第一步建议找一只交易活跃的股票或指数取最近三年的日线收盘价转成对数收益率然后从ADF检验开始逐条执行这篇文章里的代码流程。把ACF、PACF定阶和Ljung-Box诊断跑通比调参重要得多。最容易踩的坑有三个一是拿非平稳价格直接建模二是把MA模型当成趋势预测工具误以为它能预测涨跌方向三是在批量任务里不做异常捕获一只标的数据有问题就导致整个任务中断。这三条只要记住基本能避开绝大多数翻车现场。下一步可以继续扩展的方向把MA模型和AR模型组合成ARMA加入差分后升级为ARIMA如果发现残差有波动聚集现象就考虑GARCH族模型还可以把多种模型的滚动预测结果做对比找出真正有信息增益的那个。模型本身不复杂复杂的永远是数据质量、验证流程和风险控制这三件事做好了MA模型在量化分析里就能成为一块可靠的基石。