MA 滑动平均模型

一、直观理解：用过去的“冲击”解释现在

MA（Moving Average）模型不直接回归过去的 $y$，而是认为当前值由近期随机冲击（新息）加权而成：

$$y_t=\mu+\varepsilon_t+\theta_1\varepsilon_{t-1}+\cdots+\theta_q\varepsilon_{t-q}$$

直观上：系统受到冲击后，影响只会持续 $q$ 期，之后完全消失。这与 AR 的“无限记忆（指数衰减）”不同——MA($q$) 的理论 ACF 在 $q$ 阶后截尾。

注意：这里的 “Moving Average” 不是对观测做简单滑动平均滤波，而是对新息的滑动平均。名字容易误导，建模时要分清。

二、适用场景与优缺点

类型	说明
适用场景	平稳序列；ACF 在 $q$ 后截尾、PACF 拖尾；冲击具有短时效；作为 ARMA 的组成部分。
核心优点	对短记忆噪声结构刻画直接；可逆 MA 可写成 AR($\infty$)；与 AR 对偶，便于识别。
局限与缺点	纯 MA 对强持续性序列吃力；估计需迭代（新息不可直接观测）；多步预测在 $h>q$ 后变为均值；同样怕非平稳与季节。

三、核心原理

1. ACF 截尾

MA(1)：$y_t=\mu+\varepsilon_t+\theta\varepsilon_{t-1}$ 的自相关满足

$$\rho_1=\frac{\theta}{1+\theta^2},\quad \rho_k=0\ (k\ge 2)$$

故经验识别：ACF 截尾于 $q$，PACF 拖尾 → 试 MA($q$)。

2. 可逆性

要求 $\theta(z)=1+\theta_1 z+\cdots+\theta_q z^q$ 的根在单位圆外，以保证存在收敛的 AR($\infty$) 表示，新息可由过去 $y$ 恢复，预测公式良定义。

3. 预测性质

对 MA($q$)，一步到 $q$ 步预测会用到最近估计的新息；当 $h>q$ 时，

$$\hat y_{t+h|t}=\mu$$

即记忆耗尽。这与 AR 的逐渐回均值不同，是有限步后直接回均值。

四、定阶与估计要点

1. 看 ACF 截尾位置初选 $q$；
2. 用 AIC/BIC 在小范围网格上精修；
3. MATLAB 中 arima(0,0,q) + estimate 内部用极大似然；
4. 检查可逆根、残差白噪声、测试误差；
5. 若 ACF 截尾不明显而 PACF 截尾，转向 AR；两者都拖尾则 ARMA。

五、MATLAB 示例

rng(2);
md0 = arima("Constant",0,"MA",{0.8,-0.4},"Variance",1);
y = simulate(md0, 350);
T0 = 280; yTrain = y(1:T0); yTest = y(T0+1:end);

figure;
subplot(2,1,1); autocorr(yTrain); title("ACF");
subplot(2,1,2); parcorr(yTrain); title("PACF");

% 选 q
qMax = 5; aic = nan(qMax,1); ests = cell(qMax,1);
for q = 1:qMax
    md = arima(0,0,q);
    est = estimate(md, yTrain, "Display","off");
    [~,~,logL] = infer(est, yTrain);
    k = q + 2;
    aic(q) = -2*logL + 2*k;
    ests{q} = est;
end
[~,qBest] = min(aic);
est = ests{qBest};
fprintf("AIC 选择 q=%d\n", qBest);
summarize(est);

res = infer(est, yTrain);
[hLB,pLB] = lbqtest(res,"Lags",12);
fprintf("残差 Ljung-Box p=%.4f\n", pLB);

h = numel(yTest);
[yf,yMSE] = forecast(est, h, "Y0", yTrain);
rmse = sqrt(mean((yTest-yf).^2));
fprintf("测试 RMSE=%.4f\n", rmse);

% 与均值基线比较
rmse0 = sqrt(mean((yTest-mean(yTrain)).^2));
fprintf("均值基线 RMSE=%.4f\n", rmse0);

六、如何解释结果

报告内容：

1. 平稳性结论；
2. $q$ 的识别（ACF 图 + 信息准则 + 测试误差）；
3. $\hat\theta_j$ 与可逆性；
4. 残差检验；
5. 训练期外误差及与基线对比；
6. 明确写出：当预测步长 $>q$ 时预测值等于均值估计。

$\theta$ 的含义：$\theta_1>0$ 表示上一期正向冲击会使本期观测仍偏高，但到下一期（若 $q=1$）影响结束。

七、常见误区

1. 把 MA 当成对 $y$ 做滑动平均

平滑滤波与 MA 新息模型是两回事。

2. 在非平稳数据上强行 MA

先差分；差分后的 MA 对应 ARIMA(0,$d$,$q$)。

3. 期望 MA 给出长久的趋势外推

$h>q$ 后只有均值，若存在趋势应改模型。

4. 忽视可逆性

不可逆参数化会导致估计与预测不稳，需检查根的位置。

5. 只看 $R^2$ 不看残差 ACF

MA 定阶的关键图形证据在 ACF，不是拟合优度。

八、小结

MA 模型的核心是：

当前观测由有限阶历史冲击线性组合而成，ACF 截尾是其指纹，预测记忆在 $q$ 步后耗尽。

它与 AR 对偶，是通向 ARMA/ARIMA 的必要一步。实战中纯 MA 不如 ARMA 常见，但当 ACF 明确截尾时，MA 往往是更简约、更稳的选择。

补充记忆点：

• 识别看 ACF，估计查可逆，预测认清 $h>q$ 后回到均值；
• 若差分后出现近似 MA(1) 且 $\theta\approx -1$，可能是过度差分的信号；
• 与朴素/均值基线比较时，MA 的优势通常集中在前几步。

验收标准依然是：平稳、可逆、残差白噪声、训练期外误差优于基线，而不是训练集 $R^2$。