时间序列入门：从数据走势看规律

打开任何一份带日期的时间序列数据，比如某城市过去五年的月度气温、某电商平台每天的订单量，第一眼看到的往往不是数字本身，而是波动。这种按时间顺序排列的观测值，就是时间序列。它和普通横截面数据的区别在于：相邻的观测点之间存在顺序，昨天的价格会影响今天的报价，上个月的销量会改变这个月的库存决策。忽略了顺序，很多分析会走偏。

先看一个具体例子。某连锁便利店记录了2022年1月到2023年12月每月的销售额。把24个点画在图上，能直接看到一条缓慢向上的斜线——这是趋势成分，说明整体业务在扩张。再细看，每年7月和8月的点明显高于相邻月份，12月也常有一个小高峰，这种以12个月为周期的重复模式叫季节成分。趋势和季节叠加之后，剩下的上下跳动才是随机波动，也叫噪声。任何一条时间序列，基本都可以拆成这四块：趋势、季节、周期、噪声。区别只在于哪一块占主导。

趋势不等于直线。有的数据走势先升后降，比如某款手机应用日活用户在推广期三个月内从10万涨到50万，推广结束后回落到20万并稳定下来。这条曲线用一条直线去拟合，误差会非常大。更合理的做法是用移动平均：取最近7天的均值作为平滑值，逐日向前滚动。这样得到的曲线能过滤掉短期噪声，让中长期的方向更清楚。移动平均的窗口选7天还是30天，取决于你想观察多长周期的问题。窗口越短，对变化的反应越快，但抖动也越多。

季节成分常常被误当成趋势。某生鲜平台连续三个季度订单量上升，运营团队以为用户增长强劲。把数据按季度拆开才发现，每年第四季度本来就是旺季，同比来看第三季度的增速其实只有2%。这里的关键动作是同比——拿今年某月跟去年同月比，而不是跟相邻的上个月比。环比看短期变化，同比看剔除季节后的真实走势。两个指标一起用，判断才不容易出错。

周期成分比季节更难识别。季节有固定周期，比如12个月、7天，周期没有固定长度，可能两年一轮，也可能五年一轮。宏观经济中的库存周期、房地产的开工周期都属于此类。对入门者来说，不必急于建模，先做一件事：把数据画出来，拉长时间轴。很多所谓的预测难题，在图上多看几眼就能发现，原来只是没把周期和趋势分开。

做预测之前，还有一条底线要守住：相关不等于因果。两个时间序列同步上升，可能只是因为它们都受第三个因素影响。比如冰淇淋销量和游泳人数在夏天同步走高，但冰淇淋不会导致游泳。用一条序列去预测另一条，只有在逻辑上能找到传导机制时，才有实际意义。否则模型拟合得再好，也只是数字上的巧合。

对刚接触时间序列的人来说，最实用的路径不是先学复杂模型，而是养成三个观察习惯：第一，画图，把原始数据完整地看一遍；第二，拆解，试着把趋势和季节分开；第三，对比，同比和环比同时看。做到这三点，大部分日常数据里的走势规律已经能看懂七成。剩下的三成，交给更专门的工具去处理。