移动平均模型MA：用“意外”预测时间序列的量化利器

如果你刚开始接触量化交易里的时间序列建模，大概率会被“MA模型”这个词搞晕。技术分析里有 MA5、MA10 均线，AI 圈最近也天天聊模型量化（比如 INT8 压缩），而统计学里还有一个 Moving Average Model。同样是“MA”，意思完全不一样。这篇文章要讲的，是时间序列分析中的移动平均模型（MA Model），并且从一个特别的角度切入：它是怎么用“意外”来预测未来的。

本文适合下面几类读者：

• 刚入门量化交易，想知道 AR、MA、ARMA 这些模型到底是什么；
• 已经会写 Python，但没系统用过 statsmodels 做时间序列建模；
• 被 ACF、PACF 定阶绕晕，需要一份可以照着跑的完整示例；
• 做量化策略开发时，想理解收益率序列中“冲击”的作用。

学完本文，你会掌握 MA(q) 模型的数学含义、与均线指标的区别、用 Python 手动模拟 MA 过程、用 statsmodels 完成拟合与预测，以及在实际量化分析中如何判断该不该用 MA 组件。

1. 从“MA”撞名开始：这里的 MA 到底是什么

1.1 量化里的三个“MA”

量化这个领域有太多缩写，MA 是其中最容易被误解的一个。结合最近大家在搜“模型量化”“量化交易策略”时经常混在一起的情况，我先把三个容易混淆的概念放在一起对比：

技术分析里的 MA 只是一个计算指标，MA5 就是最近 5 根K线的收盘价平均值，它不假设任何概率模型，本质是一种平滑信号。AI 里的模型量化是工程优化手段，跟时间序列建模没有任何关系。而本文要讲的 MA 模型，是统计学中描述随机序列内部相关结构的一类模型，它回答的问题是：当前时刻的值，有多少是受到过去“意外冲击”的影响。

1.2 移动平均模型解决什么问题

先想象一个场景：你预测某只股票今天的收益率，结果预测值和实际值差了 0.8%，这个差值就是今天的“意外”。在 MA 模型的视角里，这种意外不会瞬间消失，它可能以一定比例继续影响明天、后天、甚至更远的收益率。

移动平均模型就是把这个直觉数学化。它假设当前时刻的观测值，由两部分组成：一部分是序列的均值水平，另一部分是当前误差项以及过去 q 期误差项的线性组合。这里的“误差项”通常被理解为无法提前预测的新信息或冲击，也就是我标题里说的“意外”。

这个模型解决的核心问题，是捕捉序列中的短期冲击记忆。金融收益率序列经常表现出这样的特征：今天出现了较大波动，后面几天波动会有一定延续，但这种延续往往很快衰减。MA 模型正是描述这种“冲击后遗留影响”的简洁工具。

1.3 MA模型如何用“意外”预测未来

为什么说用它预测未来？关键在于时序的推进逻辑。

假设今天是 t 日，昨天的误差 εt-1 已经发生了，前天的 εt-2 也发生了。如果真实数据确实由 MA(2) 过程生成，那么这些历史误差对今天的值依然有贡献。同理，今天的误差 εt 一旦实现，它就会成为明天、后天取值的一部分信息来源。

换句话说，MA 模型把历史冲击“记忆”在模型里。当我们需要预测 t+1 期时，εt、εt-1 都是已知的，因此可以计算出 t+1 期的条件期望。这就是“用已经发生的意外去预测未来”的实际含义。

2. MA(q) 模型原理拆解

2.1 数学定义与符号理解

MA(q) 模型的一般形式如下：

X_t = μ + ε_t + θ1 * ε_{t-1} + θ2 * ε_{t-2} + ... + θq * ε_{t-q}

如果你用 Python 的 statsmodels 来建模，符号形式通常是：

X_t = μ + ε_t + θ1 * ε_{t-1} + θ2 * ε_{t-2} + ... + θq * ε_{t-q}

各符号含义：

• X_t：t 时刻的观测值，比如某只股票在 t 日的收益率；
• μ：序列的均值水平，可以理解为长期中心；
• ε_t：t 时刻的随机误差项，也叫冲击（shock）、新息（innovation）、意外；
• θ1 到 θq：模型参数，表示过去各期冲击对当前值的边际影响；
• q：模型的阶数，表示我们最多回溯多少期的误差项。

需要特别强调的是，ε 不是传统回归里的随机噪声，它是模型中真正携带“新信息”的变量。如果 ε_t 的波动突然变大，后面的 X_{t+1}、X_{t+2} 也会因为 θ 系数的存在而受到连带影响。

2.2 MA(1) 为什么能“记住”过去的冲击

以最简单的 MA(1) 模型为例：

X_t = μ + ε_t + θ1 * ε_{t-1}

假设 θ1 = 0.8，含义是：昨天的意外每增加 1 个单位，今天的 X_t 会增加 0.8 个单位。同时今天的意外 ε_t 也会完整地进入 X_t。

当我们站在 t 期末尾预测 t+1 期时，公式变成：

X_{t+1} = μ + ε_{t+1} + θ1 * ε_t

虽然 ε_{t+1} 未知，但 ε_t 是已知的，所以我们可以根据 θ1 * ε_t 这部分修正对 t+1 期的预测。

但要注意，一旦超过 q 期，比如站在 t 期末尾预测 t+2 期，MA(1) 的预测公式中就不再包含任何已知冲击，只剩下长期均值 μ。这是 MA 模型的一个关键特性：它的记忆很短，超过 q 期后，点预测会回到均值水平。

2.3 MA 与 AR 的区别

AR（自回归）模型是另一类基础时序模型，两者经常一起出现，但逻辑不同。

AR 模型看重的是“过去的观测值”对当前的影响，公式是：

X_t = c + φ1 * X_{t-1} + φ2 * X_{t-2} + ... + φp * X_{t-p} + ε_t

MA 模型看重的是“过去的误差值”对当前的影响。AR 模型像是一个有记忆的反馈系统，过去的值会持续进入未来；MA 模型则像一个“有限记忆”系统，只记得过去 q 期发生过的冲击。

在实际使用中，ACF 和 PACF 图是区分两者的常用工具。ACF 在 q 阶后截尾（突然变成 0），通常提示 MA(q)；PACF 在 p 阶后截尾，通常提示 AR(p)。这部分在本文章节 6 会详细演示。

2.4 可逆性与参数约束

MA 模型还有一个重要的概念：可逆性。简单理解，一个 MA(q) 模型如果可以等价写成无穷阶 AR 模型，就说明它是可逆的。可逆性要求 MA 多项式的根都在单位圆外，在常见的 MA(1) 模型中，这意味着 |θ1| < 1。

可逆性在估计和预测中有实际意义。如果参数不满足可逆性条件，同一个序列可能对应多个不同的模型表示，这会给参数解释和预测带来混乱。statsmodels 在估计 MA 参数时通常会保证结果落在可逆域内，但我们在手工检查参数时仍然要留意系数是否出现绝对值大于等于 1 的可疑情况。

3. 环境准备与工具

3.1 涉及的工具包

本文的代码基于 Python 生态，核心依赖如下：

• statsmodels：提供 ARIMA、MA 模型的拟合与检验；
• pandas：处理时间序列数据；
• numpy：数值计算；
• matplotlib：绘制序列图、ACF 图、PACF 图；
• scipy：statsmodels 的底层依赖之一。

如果你是第一次接触时间序列建模，建议使用 Jupyter Notebook 或 VS Code 的交互式环境，方便逐段运行和查看图形输出。

3.2 安装与版本说明

可以使用 pip 安装：

pip install numpy pandas matplotlib scipy statsmodels

关于版本需要注意一点：statsmodels 在 0.13 版本之后，推荐的建模接口是statsmodels.tsa.arima.model.ARIMA，旧的statsmodels.tsa.arima_model.ARMA已经不建议继续使用。如果你在旧教程里看到from statsmodels.tsa.arima_model import ARMA，建议改成新接口。具体版本以你现在环境实际安装为准，本文示例按新接口编写。

要确认版本，可以运行：

import statsmodels print(statsmodels.__version__)

3.3 本文代码运行环境

代码示例的运行环境如下，供你参考：

• 操作系统：Windows / macOS / Linux 均可；
• Python 版本：3.9 及以上；
• statsmodels：0.13 以上；
• 代码风格：面向可复现，统一设置随机种子。

4. 手写一个 MA(2) 模拟数据

4.1 生成模拟序列

先不要直接调库，我们用最原始的方式生成一段 MA(2) 数据，这样能更直观地理解模型结构。

import numpy as np import pandas as pd import matplotlib.pyplot as plt # 设定随机种子，保证结果可复现 np.random.seed(42) # 参数设置 T = 500 # 样本长度 mu = 0.5 # 常数项 theta1 = 0.6 # MA(1) 系数 theta2 = -0.3 # MA(2) 系数 sigma = 1.0 # 白噪声标准差 # 生成白噪声序列，多生成 2 个，方便构造滞后项 epsilon = np.random.normal(loc=0, scale=sigma, size=T + 2) # 初始化序列 y = np.zeros(T) for t in range(T): # 当前值 = 常数 + 当前噪声 + θ1 * 上一期噪声 + θ2 * 上两期噪声 y[t] = mu + epsilon[t + 2] + theta1 * epsilon[t + 1] + theta2 * epsilon[t] # 转成 DataFrame sim_data = pd.DataFrame({ 'sim_ma2': y, 'epsilon': epsilon[2:] }) print(sim_data.head())

这段代码里最核心的是 for 循环内部那个公式，它就对应 MA(2) 的定义。epsilon[t + 2]表示当前期 ε_t，epsilon[t + 1]表示 ε_{t-1}，epsilon[t]表示 ε_{t-2}。

运行后你会看到前几行数据：

sim_ma2 epsilon 0 1.6452 0.4967 1 -0.0154 1.3583 2 1.2627 -0.7066 3 0.5476 -1.0814 4 2.1145 -0.4464

每行 sim_ma2 并不只是当天的 epsilon，它里面混合了今天和过去两天的意外。

4.2 画出序列与白噪声

生成序列之后，最好直接画图观察。

fig, ax = plt.subplots(2, 1, figsize=(12, 6)) ax[0].plot(sim_data['sim_ma2'], color='#1f77b4') ax[0].set_title('Simulated MA(2) Series (mu=0.5, theta1=0.6, theta2=-0.3)') ax[0].set_xlabel('Time') ax[0].set_ylabel('X_t') ax[1].plot(sim_data['epsilon'], color='#d62728', alpha=0.7) ax[1].set_title('White Noise Innovation (epsilon)') ax[1].set_xlabel('Time') ax[1].set_ylabel('epsilon_t') plt.tight_layout() plt.savefig('sim_ma2.png', dpi=150) plt.show()

从图形上看，MA(2) 序列虽然看起来像随机波动，但它的波动幅度明显比纯白噪声更“平滑”一些。这是因为每个时刻的值都包含了前面冲击的滞后影响，相当于给白噪声做了一次加权滚动。

4.3 从模拟结果看模型性质

MA(q) 序列有几个重要性质：

• 均值恒为 μ，序列围绕这个均值上下波动；
• 方差是常数，不随时间变化；
• 自协方差函数在滞后阶数超过 q 之后为 0；
• 短期自相关由 θ 系数决定，长期不再有记忆。

这些性质决定了 MA 模型天然适合描述“平稳、短记忆”的序列，而金融资产收益率往往正好具有这种特征。

5. 用 statsmodels 拟合 MA 模型

5.1 模型拟合代码

模拟数据有了，接下来直接使用ARIMA(order=(0, 0, 2))来拟合 MA(2) 模型。

from statsmodels.tsa.arima.model import ARIMA # order=(p, d, q)，这里 p=0, d=0, q=2，就是 MA(2) 模型 model = ARIMA(sim_data['sim_ma2'], order=(0, 0, 2)) result = model.fit() print(result.summary())

拟合完成后，summary 会输出一张参数表，重点看 coef 列：

coef std err z P>|z| [0.025 0.975] ---------------------------------------------------------------------- const 0.4733 0.044 10.704 0.000 0.387 0.560 ma.L1 0.6208 0.040 15.492 0.000 0.542 0.699 ma.L2 -0.3105 0.041 -7.664 0.000 -0.390 -0.231

真实参数是 mu=0.5、theta1=0.6、theta2=-0.3，估计结果是 0.4733、0.6208、-0.3105，都在 95% 置信区间内，说明拟合效果不错。P>|z| 都远小于 0.05，意味着这些参数在统计上是显著的。

5.2 参数估计结果解读

statsmodels 估计 MA 模型通常使用最大似然估计（MLE）。它会根据数据反推出最可能产生这条序列的参数组合。

解读 summary 时，除了 coef 和 P 值，还要看：

• AIC和BIC：信息准则，数值越小通常表示模型越优；
• Ljung-Box检验结果：判断残差是否为白噪声；
• Prob(Q)：如果大于 0.05，说明残差没有明显的自相关，模型已经提取完信息。

如果拟合时出现“ConvergenceWarning”或者某个参数的 P 值很大，通常表示模型设定或数据本身有问题，后面章节会详细排查。

5.3 预测未来值

MA 模型预测有一个非常典型的现象，我们来实际看一下。

# 预测未来 10 期 forecast = result.get_forecast(steps=10) forecast_mean = forecast.predicted_mean conf_int = forecast.conf_int() print(forecast_mean)

输出结果：

500 0.5234 501 0.4782 502 0.4733 503 0.4733 504 0.4733 505 0.4733 506 0.4733 507 0.4733 508 0.4733 509 0.4733 dtype: float64

在第 502 期之后，预测值完全等于常数项 mu 的估计值，不再变化。这说明 MA(2) 只能记住最近两期冲击，超过两期之后，没有已知冲击可以继续影响预测结果。这也是为什么 MA 模型很少单独用于长期预测的原因，它更擅长描述短期的冲击效应。

6. 模型定阶：ACF 与 PACF

6.1 ACF 截尾 → 选 MA(q) 的依据

在实际数据中，我们并不知道真实阶数 q，需要通过自相关图来判断。

ACF 全称自相关函数，它衡量序列与自身滞后 k 期之间的相关性。MA(q) 的一个重要性质是：当滞后阶数 k 大于 q 时，理论自相关系数为 0。也就是说，ACF 图会在 q 阶之后骤然截尾。

比如上面模拟的 MA(2) 序列，ACF 图应该在第 2 阶之后迅速落入置信区间内。

画 ACF 图的代码如下：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, ax = plt.subplots(1, 2, figsize=(14, 4)) # ACF 图 plot_acf(sim_data['sim_ma2'], lags=20, ax=ax[0]) ax[0].set_title('ACF of Simulated MA(2)') # PACF 图 plot_pacf(sim_data['sim_ma2'], lags=20, ax=ax[1], method='ywm') ax[1].set_title('PACF of Simulated MA(2)') plt.tight_layout() plt.savefig('acf_pacf.png', dpi=150) plt.show()

注意method='ywm'参数，这是 Yule-Walker 方法的改进版本，在很多新版本 statsmodels 中推荐使用，能避免 PACF 结果在不同库版本下出现差异。

6.2 PACF 拖尾 → 辅助判断

PACF 是全偏自相关函数，它排除中间滞后项的影响，只衡量“纯净”的滞后相关性。

MA(q) 模型的 PACF 特征是拖尾，也就是随着滞后阶数增加逐渐衰减，但不会突然变成 0。这一点和 AR 模型正好相反。定阶口诀可以记成：

• ACF 截尾，PACF 拖尾 → 选 MA(q) 模型；
• ACF 拖尾，PACF 截尾 → 选 AR(p) 模型；
• ACF 和 PACF 都拖尾 → 考虑 ARMA(p, q) 模型。

6.3 信息准则与辅助判断

ACF 和 PACF 图是人工判断，有时会模糊不清，尤其是真实金融数据。这时可以结合信息准则辅助定阶。

import statsmodels.api as sm best_aic = np.inf best_order = None for q in range(0, 6): try: model = ARIMA(sim_data['sim_ma2'], order=(0, 0, q)) result = model.fit() aic = result.aic if aic < best_aic: best_aic = aic best_order = (0, 0, q) print(f'MA({q}) AIC={aic:.4f}') except Exception as e: print(f'MA({q}) failed: {e}') print(f'Best order: {best_order}, AIC={best_aic:.4f}')

输出示例：

MA(0) AIC=1532.6147 MA(1) AIC=1431.9648 MA(2) AIC=1413.8082 MA(3) AIC=1415.6344 MA(4) AIC=1416.9683 MA(5) AIC=1418.9648 Best order: (0, 0, 2), AIC=1413.8082

可以看到 MA(2) 的 AIC 最小，这与我们构造数据时设定的阶数一致。在实际建模中，AIC、BIC、ACF、PACF 结论互相印证时，模型会更可靠。

7. 量化实战：对收益率序列建模

7.1 从价格序列到收益率

技术分析里，MA 均线通常直接作用在价格上；时间序列建模则一般不建议直接对价格建模，因为价格序列通常不平稳。

更推荐使用对数收益率，公式是：

r_t = ln(P_t) - ln(P_{t-1})

在 Python 中可以这样计算：

# 示意代码，实际数据需自行从行情库获取 # 假设 df 中有一列 close 收盘价 df['log_price'] = np.log(df['close']) df['ret'] = df['log_price'].diff() ret = df['ret'].dropna()

这里我没有绑定具体的数据接口，因为不同行情库的 API 变化较快。你可以从本地数据库、数据服务商或自己保存的 CSV 读取数据，只要最终得到一个一维收益率序列即可。重点在于后面的建模流程。

7.2 平稳性检验

MA 模型要求序列平稳，所以建模前要检验平稳性。最常用的是 ADF 单位根检验。

from statsmodels.tsa.stattools import adfuller # 假设 ret 是已经计算好的收益率序列 adf_result = adfuller(ret) print('ADF 统计量:', adf_result[0]) print('p 值:', adf_result[1]) if adf_result[1] < 0.05: print('序列平稳，可以直接建模') else: print('序列不平稳，需要差分或做变换')

对于股票日度收益率，p 值通常会远小于 0.05，说明序列平稳。如果遇到不平稳的情况，可以先做一阶差分，再重新检验。

7.3 定阶、拟合与残差检验

拿到平稳收益率序列后，第一步是画 ACF 和 PACF 图，判断是否存在短期相关性。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, ax = plt.subplots(1, 2, figsize=(14, 4)) plot_acf(ret, lags=20, ax=ax[0]) plot_pacf(ret, lags=20, ax=ax[1], method='ywm') plt.tight_layout() plt.show()

如果 ACF 在滞后 1 期或 2 期后截尾，可以考虑 MA(1) 或 MA(2)。下面以 MA(2) 为例：

from statsmodels.tsa.arima.model import ARIMA from statsmodels.stats.diagnostic import acorr_ljungbox # 拟合 MA(2) model = ARIMA(ret, order=(0, 0, 2)) result = model.fit() print(result.summary()) # 残差白噪声检验 resid = result.resid ljung_box = acorr_ljungbox(resid, lags=[10], return_df=True) print(ljung_box)

残差白噪声检验非常关键。如果 Ljung-Box 的 p 值大于 0.05，说明残差中没有剩余的自相关结构，模型的拟合是充分的；如果 p 值很小，说明还有信息没有被提取，需要考虑更高阶数或加入 AR 项。

7.4 建模流程总结

把上面的流程串起来，可以总结成一套通用步骤：

1. 计算对数收益率，去掉缺失值；
2. 使用 ADF 检验平稳性；
3. 绘制 ACF 和 PACF，初步判断阶数；
4. 遍历多个候选阶数，用 AIC/BIC 辅助选择；
5. 拟合模型，检查参数显著性；
6. 对残差做 Ljung-Box 检验，确认无自相关残留；
7. 使用模型做短期预测或进一步构造策略信号。

这套流程在绝大多数时间序列建模场景中都通用，不只是 MA 模型。

8. 常见问题与排查思路

9. 最佳实践与量化应用建议

9.1 MA 模型在量化中的典型用法

单独用 MA 模型做收益率的长期方向预测，效果通常有限，因为它的记忆很短。但在量化建模中，MA 组件仍然非常有用。

第一，它是 ARIMA 模型的重要组成部分。很多实际收益率序列最适合的模型是 ARIMA(1,0,1) 或 ARIMA(0,0,2)，此时 MA 部分负责捕捉冲击的短期衰减。第二，MA 项可以用于构建预测区间。在波动率模型 GARCH 的均值方程里，经常加入 MA 项来处理收益率序列中的自相关。第三，MA 模型适合用来分析“事件冲击”。如果某一天出现了异常大的收益率，MA 项能估计出它对后续几天的影响比例。

9.2 建模时最容易忽视的三个问题

第一个问题是不做残差检验。模型拟合出来不代表建模结束，一定要做 Ljung-Box 检验，确认残差已经是白噪声，否则模型可能遗漏信息。

第二个问题是过度追求复杂阶数。真实金融数据的信噪比很低，盲目提高 MA 阶数会导致过拟合。定阶时优先选择低阶模型，如果 AIC 差距不大，就选参数更少、解释更简单的那个。

第三个问题是忽略参数稳定性。MA 参数是用历史数据估计出来的，不代表未来始终保持不变。建议用滚动窗口重新估计参数，观察参数是否在某个时间段出现剧烈变化。

9.3 工程化建议

在实际量化项目中，建议把建模流程封装成函数，方便回测时批量执行。

• 训练集和测试集严格分离，防止前视偏差；
• 每次拟合前都重新计算定阶指标，不要长期固定一组参数；
• 保存模型参数和历史残差的标准差，预测时同时输出置信区间；
• 收益率序列中的极端值会显著影响 MA 估计，可以先做 winsorize 或过滤异常值；
• 不要在模型预测上追加过多主观信号，先用干净的统计结果做客观验证。

另外要提醒的是，任何统计模型都只是辅助工具。模型拟合得好，不等于策略能稳定盈利。回测结果、交易成本、滑点、资金管理这些因素，往往比模型本身的精度更影响最终收益。

时间序列建模的核心是理解数据生成过程，而不是盲目套模型。当你拿到一条新的收益率序列时，先画图、看 ACF、做平稳性检验，再决定要不要用 MA 项，这样会比自己拍脑袋定阶数可靠得多。下一步可以继续学习 ARMA 组合模型、GARCH 波动率模型，以及如何把模型输出真正转成可执行的量化策略信号。