🔍
移动窗口：时间序列分析的核心工具
移动窗口（Rolling Window）就像一个在时间序列上滑动的放大镜，每次只观察一段局部数据，并计算统计量。通过窗口的不断移动，我们得到统计量随时间变化的新序列，从而捕捉数据的动态特征。
本章将介绍简单移动平均（MA）、指数加权移动平均（EWMA）、移动波动率、移动相关性等核心概念，并深入理解EWMA如何解决MA"尾大不掉的陈旧数据"问题。
🎯本章学习目标
1
理解移动窗口机制
直观看到窗口如何滑动、统计量如何计算
2
掌握窗口长度影响
理解平滑度与响应速度的权衡
3
对比MA与EWMA
理解EWMA的指数衰减权重优势
4
应用波动率带
用±2σ带进行异常值检测
✦
7.1
移动窗口模拟器
看见窗口如何滑动
移动窗口的回望窗口长度（Lookback Window Length）决定了每次计算时使用多少个历史数据点。窗口越长，得到的统计量越平滑，但对数据变化的反应越慢。这就是平滑度与响应速度的权衡。
📊统计量类型
• 均值：最常用，平滑趋势
• 标准差：衡量波动率
• 最大值/最小值：监控极值变化
• 百分位：分布位置跟踪
⚖️窗口长度选择
• 5天：一周（响应快）
• 20天：一个月
• 60天：一个季度
• 250天：一年（平滑）
✦
7.5
EWMA：指数加权移动平均
解决"尾大不掉的陈旧数据"问题
简单移动平均（MA）给窗口内所有数据相同权重，导致陈旧数据"尾大不掉"。指数加权移动平均（EWMA）对越近期的数据给予更高权重，越陈旧的数据权重指数衰减，从而更快跟踪数据变化。
💡
EWMA的优势：
• 权重合理：新数据权重高，旧数据自然淡出
• 响应快：即使回望窗口长，也能快速跟踪变化
• 无边界效应：权重连续变化，不会突然进出
• 参数灵活：通过λ（衰减因子）调节响应速度
✦
7.2/7.6
移动波动率与±2σ带
异常值检测与风险监控
移动波动率（标准差）衡量时间序列的波动程度。±2σ波动率带是常用的异常检测方法：如果数据服从正态分布，约95.4%的数据应落在±2σ内，超出的点可能是异常值。在金融领域，波动率带用于VaR（Value at Risk）风险度量和GARCH模型。
📉MA波动率
• 简单标准差计算
• 窗口长→平滑
• 响应较慢
• 适合稳定市场
📈EWMA波动率
• σₙ² = λσₙ₋₁² + (1-λ)rₙ₋₁²
• 快速响应
• 捕捉波动变化
• GARCH模型基础
⚠️应用场景
• 异常值检测
• 风险管理（VaR）
• 布林带交易信号
• 质量控制
✦
7.3
移动相关性
追踪变量间动态关系
✦
7.4
移动回归系数
动态Beta与自适应模型
✦
🎯本章核心要点
🔍移动窗口机制
- •窗口滑动：从左向右逐步移动
- •局部计算：每个位置计算窗口内统计量
- •输出序列：统计量连成新时间序列
- •窗口长度：影响平滑度与响应速度
📊MA vs EWMA
- •MA：等权重，简单但尾大不掉
- •EWMA：指数衰减权重，响应快
- •半衰期：权重衰减一半的时间
- •应用：GARCH模型、风险管理
🎓 核心公式总结
EWMA迭代公式（波动率）：
σₙ² = λ · σₙ₋₁² + (1-λ) · rₙ₋₁²
可看作"贝叶斯推断"：σₙ₋₁²为先验（权重λ），rₙ₋₁²为新数据（权重1-λ）
半衰期（Half Life）：
HL = ln(0.5) / ln(λ) = -ln(2) / ln(λ)
权重衰减一半所需时间，λ=0.94时HL≈11天
λ与α的关系：
α = 1 - λ
α为平滑系数（smoothing factor），pandas使用alpha参数
🚀 进阶学习建议
• GARCH模型：条件异方差模型，波动率预测（GARCH(1,1)与EWMA关系）
• DCC-GARCH：动态条件相关模型，时变协方差矩阵
• 技术分析：布林带（Bollinger Bands）、MACD、KDJ等指标
• 风险管理：RiskMetrics方法（J.P.Morgan开发，基于EWMA）
• 参考书籍：《编程不难》Pandas时间序列、《统计至简》第18章