库存数据的季节性调整：如何剔除季节性因素？
做基差交易的人，最怕什么？
怕数据骗人。
明明库存看着在下降，你兴冲冲做多，结果价格反而跌了。为什么？因为那个下降是季节性规律，不是基本面驱动。我早年就吃过这个亏，后来才明白——库存数据必须做季节性调整。
什么是季节性因素？
说白了，就是每年固定时间出现的规律性波动。
比如：
- 春节前，下游停工，库存被动累积
- 3-4月，开工旺季，库存快速去化
- 7-8月，高温限电，生产受限
- 年底，贸易商回笼资金，主动去库
这些规律每年都来一遍。如果你不做调整，就会把季节性波动误判成趋势性变化。
核心观点：季节性调整的目的，是把「每年都有的那部分」剥离掉，留下真正反映供需变化的「异常部分」。
三种主流调整方法
我这些年用过的方法不少，真正靠谱的就三种。我一个个说。
1. 同比法（最简单，但粗糙）
直接拿今年第N周的数据，跟去年同周比。
优点：操作简单，Excel拉一下就行。
缺点：忽略了趋势变化。如果去年是去库年，今年是累库年，同比会失真。
# 伪代码示例
adjusted_inventory = current_week_inventory - last_year_same_week_inventory我的经验：同比法只适合快速看个大概。真要下单，别只用这个。
2. 移动平均比率法（Census X-12）
这是美国人口普查局搞出来的方法，后来被大宗商品领域广泛采用。
核心思路：
- 先算一个中心化移动平均，作为趋势-周期项
- 用原始数据除以这个移动平均，得到季节-不规则项
- 对季节-不规则项做平滑，提取出季节性因子
- 用原始数据除以季节性因子，得到调整后数据
# Python示例（使用statsmodels）
import statsmodels.api as sm
# 假设inventory是pandas Series，频率为周
decomposition = sm.tsa.seasonal_decompose(
inventory,
model='multiplicative', # 库存数据通常用乘法模型
period=52 # 年度周期
)
seasonal_factor = decomposition.seasonal
adjusted_inventory = inventory / seasonal_factor注意：这个方法要求数据至少3年以上。数据太短，季节性因子不稳定。
3. 回归法（我最常用的）
为什么我偏爱回归法？因为它灵活。
你可以把季节性因素拆成：
- 周度哑变量（52周，每周一个系数）
- 月度哑变量（12个月）
- 节假日效应（春节、国庆等）
# Python示例
import pandas as pd
import statsmodels.api as sm
# 构造周度哑变量
df['week'] = df.index.isocalendar().week
week_dummies = pd.get_dummies(df['week'], prefix='W')
# 构造节假日哑变量
df['is_spring_festival'] = (df.index.month == 2).astype(int)
# 回归模型
X = sm.add_constant(week_dummies)
X['is_spring_festival'] = df['is_spring_festival']
y = df['inventory']
model = sm.OLS(y, X).fit()
df['adjusted_inventory'] = model.resid # 残差就是调整后数据避坑指南：我曾经用回归法时，忘了加入趋势项。结果季节性因子把趋势也吃掉了。后来我习惯在回归里加一个时间趋势变量（1,2,3,...N），效果就好多了。
实战中的三个关键点
方法讲完了，但真正用起来，有几个坑你得注意。
第一，数据频率要匹配
如果你做的是周度基差交易，就别用月度库存数据做季节性调整。频率不匹配，调整后的数据反而引入噪音。
第二，注意结构性变化
2018年贸易战、2020年疫情，这些事件会永久改变库存的季节性模式。我建议每2-3年重新估算一次季节性因子，别一套参数用十年。
第三，调整后的数据要跟价差一起看
季节性调整只是第一步。调整后的库存数据，要跟基差、月间价差放在同一张图上。如果调整后库存下降，但基差也在下降，那说明有其他因素在主导。
我的习惯：每次做季节性调整，我都会画一张对比图——原始库存vs调整后库存。如果两条线走势高度一致，说明季节性因素不强；如果差异明显，那调整就很有价值。
一张图看懂整个流程
下面这张图，是我自己总结的库存季节性调整流程。每次做数据前，我都会过一遍。
最后说两句
季节性调整不是万能药。它解决的是「规律性噪音」的问题，但解决不了「数据质量」的问题。
我见过有人把垃圾数据做了一通季节性调整，然后信心满满地建仓，结果亏得一塌糊涂。嗯，数据源本身的质量，比调整方法重要十倍。
所以我的建议是：先花80%的精力搞清楚数据是怎么来的，再花20%的精力做调整。顺序别搞反了。