Скользящее среднее

Материал из MachineLearning.

Статья написана с использованием LLM DeepSeek и проверена участником Sanir Lukianov 12:49, 19 июля 2026 (MSD)

Содержание

1 Скользящее среднее

Скользящее среднее

Скользящее среднее (англ. moving average, MA) — один из фундаментальных статистических инструментов анализа временных рядов, представляющий собой сглаживание данных путём усреднения значений ряда на некотором локальном интервале. В контексте моделирования временных рядов под скользящим средним также понимают специфический класс моделей MA(q), в которых текущее значение ряда выражается как линейная комбинация ошибок предыдущих прогнозов^[1]^[1].

Метод скользящего среднего широко применяется в эконометрике, финансовом анализе, обработке сигналов, макроэкономическом мониторинге и техническом анализе для выявления трендов, сглаживания случайных колебаний и прогнозирования будущих значений^[1]^[1].

Терминология и базовые понятия

Определение

В широком смысле скользящее среднее (сглаживающий фильтр) — это преобразование временного ряда, при котором каждое значение заменяется средним арифметическим (или взвешенным средним) некоторого числа соседних точек, образующих «окно» фиксированной ширины^[1]^[1]. Эта процедура позволяет уменьшить влияние случайных флуктуаций и выделить основную тенденцию ряда.

В узком, статистическом смысле модель скользящего среднего порядка q (MA(q)) — это модель временного ряда, в которой текущее наблюдение $x_t$ является линейной функцией текущей случайной ошибки $\varepsilon_t$ и $q$ её предыдущих значений^[1]^[1]:

$x_t = \mu + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \theta_2 \varepsilon_{t-2} + \cdots + \theta_q \varepsilon_{t-q}$ ,

где:

$\mu$ — среднее значение ряда (константа);
$\theta_1, \theta_2, \ldots, \theta_q$ — параметры модели (коэффициенты скользящего среднего);
$\varepsilon_t$ — белый шум (некоррелированные случайные ошибки с нулевым средним и постоянной дисперсией $\sigma^2$ )^[1].

Ключевые понятия

Порядок модели (order) $q$ — число прошлых ошибок, учитываемых в модели. Например, MA(1) использует только $\varepsilon_{t-1}$ , MA(2) — $\varepsilon_{t-1}$ и $\varepsilon_{t-2}$ ^[1]^[1].
Сглаживающее окно — интервал времени $[t-w, t+w]$ , значения из которого усредняются для получения оценки в точке $t$ ^[1].
Ошибка прогноза (остаток) $\varepsilon_t$ — разность между фактическим и предсказанным значением ряда в момент времени $t$ ^[1].
Обратимость (invertibility) — свойство MA-модели, позволяющее представить её как сходящийся бесконечный процесс авторегрессии; для MA(1) условие обратимости имеет вид $|\theta_1| < 1$ ^[1].

Геометрическая и практическая интуиция

Простое скользящее среднее (сглаживающий фильтр) работает по принципу «локального усреднения»: каждое значение заменяется средним значением своих соседей. Это подобно тому, как если бы вы, глядя на зашумлённый график, провели по нему рукой, сглаживая острые пики и провалы. Чем шире окно, тем сильнее сглаживание, но тем медленнее реакция на резкие изменения^[1]^[1].

В модели MA(q) (статистической модели) текущее значение ряда — это «эхо» прошлых ошибок прогноза. Представьте, что вы каждый раз, ошибаясь в прогнозе, корректируете следующее предсказание с учётом величины ошибки. Параметры $\theta$ определяют, насколько сильно прошлые ошибки влияют на текущее значение^[1].

Исторический контекст

Идея сглаживания временных рядов с помощью усреднения соседних значений восходит к началу XX века и использовалась астрономами и метеорологами для обработки зашумлённых наблюдений. Однако систематическая теория моделей скользящего среднего как статистических процессов была разработана в фундаментальной монографии Джорджа Бокса и Гвилима Дженкинса (George Box, Gwilym Jenkins) «Time Series Analysis: Forecasting and Control», первое издание которой вышло в 1970 году^[1]^[1].

В работе Бокса и Дженкинса модель MA(q) была представлена как неотъемлемая часть общего семейства моделей ARIMA (авторегрессии проинтегрированного скользящего среднего), которое десятилетиями оставалось золотым стандартом прогнозирования временных рядов^[1]^[1].

В последние годы интерес к методам скользящего среднего возродился в связи с развитием машинного обучения. Появились адаптивные скользящие средние, использующие случайный лес для динамического выбора оптимальной ширины окна (AlbaMA), а также методы оптимизации нейросетей, применяющие экспоненциальное скользящее среднее для сглаживания градиентов (RMSprop, Adam)^[1]^[1].

Математическая постановка

Модель MA(q)

В общем виде модель скользящего среднего порядка $q$ записывается как^[1]^[1]:

$x_t = \mu + \sum_{i=0}^{q} \theta_i \varepsilon_{t-i}$ ,

где $\theta_0 = 1$ , $\varepsilon_t \sim \text{WN}(0, \sigma^2)$ (белый шум с нулевым средним и дисперсией $\sigma^2$ ).

Свойства MA(q)-процесса

Для MA(q)-процесса выполняются следующие свойства^[1]:

Математическое ожидание:

$\mathbb{E}[x_t] = \mu$ — константа, не зависящая от времени.

Дисперсия:

$\text{Var}(x_t) = \sigma^2 \sum_{i=0}^{q} \theta_i^2$ .

Автоковариация:

$\text{Cov}(x_t, x_{t-h}) = \sigma^2 \sum_{i=0}^{q-h} \theta_i \theta_{i+h}$ , при $1 \le h \le q$ ;

$\text{Cov}(x_t, x_{t-h}) = 0$ , при $h > q$ .

Автокорреляционная функция (ACF):

$\rho_h = \frac{\sum_{i=0}^{q-h} \theta_i \theta_{i+h}}{\sum_{i=0}^{q} \theta_i^2}$ , при $1 \le h \le q$ ;

$\rho_h = 0$ , при $h > q$ .

Ключевое свойство MA(q)-моделей: автокорреляции равны нулю для всех лагов, превышающих порядок модели $q$ ^[1]^[1]. Это свойство используется для идентификации порядка модели по выборочной ACF.

Условие обратимости

MA-модель называется обратимой, если её можно представить в виде сходящегося процесса авторегрессии бесконечного порядка. Для MA(1) условие обратимости имеет вид^[1]:

$|\theta_1| < 1$ .

При $|\theta_1| \ge 1$ модель становится необратимой, и её параметры не могут быть однозначно оценены. В программных реализациях (например, в Statsmodels или R) оценка параметров обычно производится с учётом ограничения обратимости.

Связь с простым скользящим средним (сглаживанием)

Важно различать статистическую модель MA(q) и операцию сглаживания «скользящее среднее» (moving average filter). Сглаживающее скользящее среднее порядка $n$ (с нечётным окном) определяется как^[1]^[1]:

$M_t^{(n)} = \frac{x_{t-(n-1)/2} + \cdots + x_t + \cdots + x_{t+(n-1)/2}}{n}$ .

Для чётного $n$ используется центрирование — например, для $n=4$ ^[1]:

$M_t^{(4)} = \frac{x_{t-2} + 2x_{t-1} + 2x_t + 2x_{t+1} + x_{t+2}}{8}$ .

Классификация и виды скользящих средних

По способу вычисления

Основные виды скользящих средних
Тип	Определение	Особенности
Простое скользящее среднее (SMA)	Среднее арифметическое значений в окне	Простота, равные веса; медленная реакция на изменения
Взвешенное скользящее среднее (WMA)	Среднее с весами, убывающими к прошлому	Более быстрая реакция; сложность выбора весов
Экспоненциальное скользящее среднее (EMA)	Веса экспоненциально убывают в прошлое, параметр сглаживания $\alpha$	Высокая чувствительность к последним данным; простота вычислений
Адаптивное скользящее среднее (AlbaMA)	Окно подбирается автоматически с помощью случайного леса	Адаптация к изменяющимся условиям^[1]

Статистические модели (MA(q))

MA(1): $x_t = \mu + \varepsilon_t + \theta_1 \varepsilon_{t-1}$ — автокорреляция только на лаге 1^[1].
MA(2): $x_t = \mu + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \theta_2 \varepsilon_{t-2}$ — автокорреляция на лагах 1 и 2^[1]^[1].
MA(q): общий случай — автокорреляция на лагах $1, 2, \ldots, q$ , нулевая для лагов > $q$ ^[1].

Модели, включающие MA-компоненту

ARMA — авторегрессионное скользящее среднее: объединяет AR( $p$ ) и MA( $q$ ) компоненты^[1]^[1].
ARIMA — модель Бокса-Дженкинса с интегрированием (дифференцированием) для нестационарных рядов^[1]^[1].
SARIMA — сезонная ARIMA с учётом периодических колебаний^[1]^[1].
SARIMAX — ARIMA с экзогенными переменными^[1].

Идентификация и выбор порядка модели

Автокорреляционная функция (ACF)

Для идентификации порядка $q$ MA-модели используется выборочная автокорреляционная функция (ACF)^[1]^[1]:

Если ACF имеет значимые корреляции только на лагах $1, 2, \ldots, q$ и незначимые на всех лагах > $q$ , это указывает на MA(q)-модель.
В отличие от AR-моделей, ACF MA-модели «обрывается» после лага $q$ , тогда как ACF AR-модели экспоненциально затухает^[1].

Частная автокорреляционная функция (PACF)

Для MA-моделей PACF экспоненциально затухает или имеет вид затухающей синусоиды (в отличие от AR-моделей, где PACF обрывается)^[1]^[1].

Информационные критерии

Для автоматического выбора порядка $q$ используются информационные критерии^[1]:

AIC (Akaike Information Criterion);
BIC (Bayesian Information Criterion);
AICc — скорректированный AIC для малых выборок.

Выбирается модель с наименьшим значением критерия.

Алгоритмы оценки параметров

Метод максимального правдоподобия (MLE)

Наиболее распространённый метод, реализованный в большинстве статистических пакетов. Для MA-моделей максимизируется функция правдоподобия, что требует численной оптимизации, так как аналитического решения нет^[1]^[1].

Метод наименьших квадратов

Для «чистых» AR-моделей можно использовать систему уравнений Юла-Уоклера, однако для MA-моделей МНК применяется реже из-за нелинейности параметров^[1].

Реализация в программных пакетах

Python (Statsmodels): функция ARIMA или SARIMAX с параметрами order=(0,0,q)^[1].
R: функция arima() или auto.arima() из пакета forecast^[1].

Сравнение с альтернативными подходами

MA vs AR (авторегрессионные модели)

MA использует прошлые ошибки прогноза как предикторы; ACF обрывается после лага $q$ ; PACF затухает^[1]^[1].
AR использует прошлые значения ряда; ACF экспоненциально затухает; PACF обрывается^[1]^[1].

MA vs машинное обучение

MA-модели остаются предпочтительными при малых выборках и низком соотношении сигнал/шум; высоко интерпретируемы и вычислительно эффективны^[1].
Современные адаптивные подходы (AlbaMA) сочетают MA с машинным обучением для динамического выбора окна^[1].

Применения

Экономика и финансы

Сглаживание макроэкономических показателей (инфляция, ВВП) для выявления трендов^[1].
Технический анализ финансовых рынков (SMA, EMA)^[1].
Прогнозирование экономических факторов^[1].

Обработка сигналов

Фильтрация шума и выделение тренда^[1]^[1].
Восстановление сигналов с помощью адаптивных фильтров.

Машинное обучение и глубокое обучение

Экспоненциальное скользящее среднее в оптимизаторах (RMSprop, Adam) для сглаживания градиентов^[1].
Обучение представлений и временные модели^[1].

Ограничения и открытые вопросы

Предположение о стационарности — MA-модели требуют, чтобы ряд был стационарным, что не всегда выполняется на практике^[1]^[1].
Выбор порядка — не существует универсального критерия для выбора $q$ ; AIC и BIC могут давать разные результаты^[1].
Чувствительность к выбросам — скользящие средние подвержены влиянию экстремальных значений^[1].
Обратимость — параметры MA-модели должны удовлетворять условию обратимости для корректной оценки^[1].
Дилемма смещения и дисперсии (bias-variance tradeoff) в выборе ширины окна: слишком широкое окно даёт смещённую оценку, слишком узкое — шумную^[1].

Современные направления исследований

Адаптивные скользящие средние — использование машинного обучения для динамического выбора окна (AlbaMA)^[1].
Интеграция с глубоким обучением — разработка нейросетевых блоков, использующих принципы скользящего среднего для сглаживания временных рядов.
Мультимодальные приложения — применение скользящих средних для согласования данных различных модальностей^[1].

Практические рекомендации

Анализ стационарности — перед построением MA-модели проверьте ряд на стационарность; при необходимости примените дифференцирование^[1].
Использование ACF — для выбора порядка $q$ ориентируйтесь на выборочную автокорреляционную функцию: значимые корреляции на первых $q$ лагах и незначимые для больших лагов^[1]^[1].
Использование информационных критериев — для сравнения моделей с разным $q$ применяйте AIC или BIC, выбирая модель с наименьшим значением^[1].
Проверка остатков — после оценки модели проверьте остатки на наличие автокорреляции (тест Льюнга-Бокса); остатки должны вести себя как белый шум^[1].
Учёт сезонности — при наличии выраженной сезонности используйте SARIMA или сезонную декомпозицию перед применением MA^[1]^[1].

См. также

Примечания

Литература

Box, G. E. P., & Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. (Русский перевод: Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. — М.: Мир, 1976.)
Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. [1]
Goulet Coulombe, P. (2025). An adaptive moving average for macroeconomic monitoring. Economics Letters, 259, 112773.
Penn State University. (2024). STAT 510: Applied Time Series Analysis. Lesson 2: MA Models.
Statsmodels Development Team. (2025). SARIMAX and ARIMA: Frequently Asked Questions. Statsmodels Documentation.
Kingma, D.P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. ICLR.
Колыхалова Е.В., Проскурин Д.К. (2023). Применение метода скользящего среднего в системах рейтингования. Вестник Воронежского государственного технического университета, 21(3).
Дмитренко А.В., Иващенко П.А. (2020). Обоснование применения метода скользящего фокуса для моделирования и прогнозирования формы временного ряда. КиберЛенинка.
Scuola Normale Superiore. (2024). Statistical and Machine Learning Models for Time Series Analysis. Course Syllabus.

Ссылки

Категории

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%A1%D0%BA%D0%BE%D0%BB%D1%8C%D0%B7%D1%8F%D1%89%D0%B5%D0%B5_%D1%81%D1%80%D0%B5%D0%B4%D0%BD%D0%B5%D0%B5»

Категории: Временные ряды | Машинное обучение | Статистика | Прогнозирование | Модели временных рядов

Скользящее среднее

Материал из MachineLearning.

Содержание

Скользящее среднее

Терминология и базовые понятия

Определение

Ключевые понятия

Геометрическая и практическая интуиция

Исторический контекст

Математическая постановка

Модель MA(q)

Свойства MA(q)-процесса

Условие обратимости

Связь с простым скользящим средним (сглаживанием)

Классификация и виды скользящих средних

По способу вычисления

Статистические модели (MA(q))

Модели, включающие MA-компоненту

Идентификация и выбор порядка модели

Автокорреляционная функция (ACF)

Частная автокорреляционная функция (PACF)

Информационные критерии

Алгоритмы оценки параметров

Метод максимального правдоподобия (MLE)

Метод наименьших квадратов

Реализация в программных пакетах

Сравнение с альтернативными подходами

MA vs AR (авторегрессионные модели)

MA vs машинное обучение

Применения

Экономика и финансы

Обработка сигналов

Машинное обучение и глубокое обучение

Ограничения и открытые вопросы

Современные направления исследований

Практические рекомендации

См. также

Примечания

Литература

Ссылки

Категории

Просмотры

Личные инструменты

Навигация

Поиск

Инструменты