12、库存数据的平滑处理：移动平均、HP滤波与指数平滑

做基差交易的朋友都知道，库存数据这玩意儿，看着挺规整，实际上坑不少。我刚开始做量化那会儿，拿到的库存数据经常是「一惊一乍」的——今天突然跳升，明天又暴跌，搞得策略信号乱跳。后来才明白，不是市场疯了，是数据本身需要「洗一洗」。

说白了，原始库存数据里混杂着三种东西：趋势、周期和噪声。我们做平滑处理，就是要尽量把噪声滤掉，把真正的趋势和周期信号留下来。今天我就把三种最常用的方法——移动平均、HP滤波和指数平滑——掰开揉碎讲清楚。

12.1 移动平均：最朴素但最实用

移动平均，说白了就是「取最近N期的平均值」。我最早接触库存分析时，用的就是这招。简单，但有效。

举个例子。你手里有每周的铜库存数据，原始数据波动很大。你取一个4周移动平均，相当于把最近一个月的库存水平「抹平」了。这样做的好处是：季节性波动被削弱了，趋势更清晰了。

但这里有个坑——移动平均会引入滞后。你想想看，如果库存突然开始累库，移动平均线要过好几期才能跟上。我曾在一次锌的交易中吃过这个亏：移动平均显示库存还在去化，实际上已经连续三周累库了。等我反应过来，价差已经走了一大段。

代码实现很简单，但要注意边界处理：

# Python 实现简单移动平均
import pandas as pd
import numpy as np

def sma(series, window=4):
    """
    简单移动平均
    series: 库存时间序列
    window: 窗口期数
    """
    return series.rolling(window=window, min_periods=1).mean()

# 示例：对铜库存做4周平滑
copper_inventory = pd.Series([120, 125, 118, 130, 128, 135, 132, 140])
smoothed = sma(copper_inventory, window=4)
print(smoothed)

输出结果你会看到，前3期因为窗口不够，用的是部分数据。嗯，这里要注意——前几期的平滑值参考价值不大，我一般会直接丢弃。

12.2 HP滤波：把趋势和周期拆开

移动平均虽然好用，但它有个硬伤：你没法区分「长期趋势」和「周期性波动」。HP滤波就是来解决这个问题的。

HP滤波的原理，我尽量说得简单点：它把时间序列拆成两部分——趋势项和周期项。趋势项是缓慢变化的，周期项是围绕趋势上下波动的。中间有个参数λ（拉姆达），控制着趋势的平滑程度。

我在项目中遇到过这样的情况：用移动平均看铜库存，总觉得趋势在变，但说不清是季节性还是真正的方向性变化。用HP滤波一拆，趋势项和周期项分得清清楚楚。当时我就觉得，这工具真香。

但HP滤波也有坑。λ参数怎么选？ 这是个经典问题。对于周度数据，我一般用λ=1600；月度数据用λ=14400；年度数据用λ=100。这些是Hodrick和Prescott当年做宏观经济研究时用的值，做商品库存分析也基本适用。

代码实现：

# HP滤波实现
from scipy import signal
import numpy as np

def hp_filter(series, lamb=1600):
    """
    HP滤波
    series: 输入序列
    lamb: 平滑参数
    返回: (趋势项, 周期项)
    """
    n = len(series)
    I = np.eye(n)
    D = np.diff(I, 2)  # 二阶差分矩阵
    trend = np.linalg.solve(I + lamb * D.T @ D, series)
    cycle = series - trend
    return trend, cycle

# 示例
inventory = np.array([120, 125, 118, 130, 128, 135, 132, 140])
trend, cycle = hp_filter(inventory, lamb=1600)
print("趋势项:", trend)
print("周期项:", cycle)

12.3 指数平滑：给近期数据更高权重

移动平均有个问题：它给窗口内的每个数据点相同的权重。但做交易的人都知道，最近的数据比三个月前的数据重要得多。指数平滑就是来解决这个问题的。

指数平滑的核心思想很简单：越近的数据权重越大，越远的数据权重呈指数衰减。你只需要一个参数α（alpha），控制衰减速度。α越大，近期数据权重越高，平滑效果越弱；α越小，历史数据影响越大，平滑效果越强。

我个人习惯用α=0.3做周度库存平滑。为什么是0.3？因为在这个参数下，最近4周的数据占了大约75%的权重，既保留了近期变化，又不会太敏感。当然，这个值不是固定的——如果你做日内交易，α可能要调到0.5甚至更高。

代码实现：

# 指数平滑实现
def exponential_smoothing(series, alpha=0.3):
    """
    指数平滑
    series: 输入序列
    alpha: 平滑系数 (0 < alpha < 1)
    """
    result = [series[0]]  # 初始值用第一个数据点
    for t in range(1, len(series)):
        smoothed = alpha * series[t] + (1 - alpha) * result[-1]
        result.append(smoothed)
    return np.array(result)

# 示例
inventory = [120, 125, 118, 130, 128, 135, 132, 140]
smoothed = exponential_smoothing(inventory, alpha=0.3)
print("平滑后:", smoothed)

12.4 三种方法的对比与选择

说了这么多，到底该用哪种？我整理了一个对比表，方便你快速决策：

方法	优点	缺点	适用场景
移动平均	简单直观，计算快	滞后明显，权重均等	快速查看趋势，周频交易
HP滤波	分离趋势和周期，参数可调	端点效应，参数敏感	研究库存周期，月频调仓
指数平滑	近期权重高，滞后小	参数选择依赖经验	日内交易，高频策略

你想想看，如果你做的是铜的跨期套利，价差对库存变化非常敏感。这时候用指数平滑可能更好，因为它能更快反映库存的边际变化。但如果你做的是铝的长期趋势交易，HP滤波可能更合适，因为它能帮你看到真正的周期拐点。

最后说一句：别迷信任何一种方法。我见过有人把HP滤波的参数调得天花乱坠，结果过拟合得一塌糊涂。也见过有人只用简单移动平均，照样赚钱。工具是死的，人是活的。关键是你得理解你的数据，理解你的交易逻辑。

好了，库存平滑处理就讲到这里。记住，平滑只是手段，不是目的。我们的最终目标是找到库存与价差之间的稳定关系，而不是把数据抹得越平越好。

---

公众号:蓝海资料掘金营，微信deep3321