系统梳理移动平均法核心逻辑，精选12+典型例题深度拆解，涵盖简单移动平均、加权移动平均、中心化移动平均三大类型，覆盖金融预测、库存管理、销售趋势、考试真题等高频应用场景，助您掌握时间序列分析实战能力。
立即学习核心原理移动平均法作为统计学与时间序列分析中最基础且应用最广的平滑技术，其本质是通过“以时间换稳定”的策略，用连续数据点的平均值替代原始观测值，从而消除随机波动、揭示潜在趋势。该方法广泛应用于经济师、统计师、管理咨询师等职业资格考试及企业经营决策中，是数据分析能力的底层基石。
移动平均法假设未来是过去的延续，近期历史数据蕴含预测信息。通过计算连续N期数据的平均值作为当前或下一期的预测值，可有效过滤短期噪声干扰，凸显长期趋势特征。该方法数学形式简洁、计算成本低、解释性强，是构建复杂预测模型（如指数平滑、ARIMA）的重要基础。
根据权重分配方式不同，移动平均法分为两类核心形式，各自适用于不同数据特征与业务场景：
在实际应用中，需结合数据周期性、趋势性及业务需求选择合适方法，避免机械套用公式。
掌握移动平均法需遵循“理解原理→计算训练→误差分析→场景迁移”四步法：
简单移动平均法（Simple Moving Average, SMA）是最基础的移动平均形式，其计算公式为：SMAₜ = (Aₜ₋₁ + Aₜ₋₂ + … + Aₜ₋ₙ) / N。以下通过典型例题展示其应用流程，并深入分析N值选择对预测效果的影响机制。
题干：某企业近12个月产品销售额（单位：万元）为：105, 110, 108, 115, 120, 125, 118, 122, 130, 128, 135, 140。使用3期简单移动平均法预测第13个月销售额。
易错提示：部分考生误将F₄作为第4月预测值，但实际应理解为“基于前3期数据预测第4期”，即预测值对应的是未来期。此细节在考试中常被设置为陷阱。
题干：复用例题1数据，分别计算N=3、N=4、N=6的简单移动平均序列，分析平滑程度与响应灵敏度的权衡关系。
关键发现（基于Excel或Python计算结果）：
业务启示：在库存管理中，若需求波动频繁（如日销商品），宜选较小N值（如3-5）；若数据周期性强（如季度财报），可选N=4以消除季节影响。考试中若未指定N值，需结合数据特征说明选择依据。
题干：对例题1中N=3的预测结果，计算平均绝对偏差（MAD）与平均绝对百分比误差（MAPE），评估模型精度。
计算过程：
误差解读：MAPE < 10% 属于高精度预测，但本例中因数据存在稳定上升趋势，SMA系统性低估（负偏差），MAPE低估了真实误差。需结合残差图分析偏差方向，判断是否需改用加权移动平均。
考试技巧：若题目要求“评估预测效果”，除计算误差外，应补充：“SMA适用于平稳序列；本例数据呈线性增长，建议改用Holt双参数指数平滑法以提升预测精度。”
加权移动平均法（Weighted Moving Average, WMA）通过赋予近期数据更高权重，有效缓解简单移动平均的滞后性问题，特别适用于趋势明显的数据场景。以下例题展示权重设计逻辑及多方法对比决策过程。
题干：延续例题1数据，管理层认为最近一个月数据最重要（权重40%），前一个月次之（30%），再前一个月占30%。计算第13月预测值。
解题要点：
对比分析：SMA预测值134.33万，WMA为134.9万，差异0.57万元。因近期销售额持续上升（128→135→140），WMA给出更高预测，更符合实际趋势。考试中若要求“说明权重依据”，应强调“基于业务经验判断近期数据信息量更高”。
题干：比较例题4中WMA与N=3的SMA在预测误差上的表现，选择更优方案。
误差对比表（仅计算第4-12月）：
| 月份 | 实际值 | SMA₃ | WMA₃ |
|---|---|---|---|
| 4 | 115 | 107.67 | 108.00 |
| 5 | 120 | 111.00 | 112.33 |
| 6 | 125 | 114.33 | 116.33 |
| 7 | 118 | 117.67 | 120.00 |
| 8 | 122 | 120.67 | 121.67 |
| 9 | 130 | 121.67 | 124.67 |
| 10 | 128 | 125.00 | 127.33 |
| 11 | 135 | 126.67 | 130.33 |
| 12 | 140 | 129.33 | 134.00 |
结论：WMA在两项误差指标上均优于SMA，因其更重视近期数据，能更好捕捉上升趋势。实际决策中，若业务允许动态调整权重（如用指数平滑），效果更佳。
题干：某商品近10周需求量：220, 240, 260, 230, 250, 280, 270, 290, 300, 310（件）。要求：
计算结果：
深度分析：
实务启示：考试中若遇决策题，需体现“计算→分析→建议→预警”四层逻辑，展现专业素养。
当时间序列存在季节性波动时（如季度销售、月度用电量），简单或加权移动平均需配合中心化处理，以分离趋势-循环分量。中心化移动平均是高级经济统计考试及商业分析实战中的关键技能。
中心化移动平均（Centered Moving Average, CMA）通过两步平滑消除季节影响：
数学表达：CMAₜ = [SMAₜ + SMAₜ₊₁] / 2，其中SMAₜ基于t-1至t-N期数据
核心价值：CMA可作为趋势线，用于计算季节指数、进行季节分解预测
数据：2019-2021年各季度销售额（万元）
| 年份 | Q1 | Q2 | Q3 | Q4 |
|---|---|---|---|---|
| 2019 | 42 | 158 | 245 | 68 |
| 2020 | 45 | 162 | 258 | 72 |
| 2021 | 48 | 170 | 272 | 76 |
实务应用：季节指数1.82表示Q3需求比趋势值高82%，Q3应提前备货；0.35表示Q1需求仅为趋势值的35%，需制定清仓策略。
基于易搜职考网5年教学数据，整理考生最常提问的12个核心问题，每个问题均附详细解析与考试应对策略。
本质差异：权重分配方式。SMA所有数据权重相等（1/N），WMA近期数据权重更高。
适用场景：SMA适用于平稳序列；WMA适用于存在趋势的数据。当数据呈现明显上升/下降趋势时，WMA预测误差更低。
考试陷阱：题目可能给出“权重和≠1”的权重（如2:3:4），需先归一化（除以总和9）再计算。
三步决策法：
案例：日销量数据若存在周周期，可选N=7；若无季节性但波动大，N=3更优。
滞后量：SMA预测值滞后约(N-1)/2期。N=3时滞后1期，N=5时滞后2期。
修正方法：
考试加分项：若数据趋势明显，应补充“建议改用Holt线性趋势指数平滑法”。
（公式：Lₜ = αYₜ + (1-α)(Lₜ₋₁ + Tₜ₋₁), Tₜ = β(Lₜ - Lₜ₋₁) + (1-β)Tₜ₋₁, Fₜ₊ₖ = Lₜ + kTₜ）
第一次平均（N期SMA）：将N期数据压缩为1个值，但时间点位于区间中点（如4期平均对应第2.5期）。
第二次平均（2期SMA）：将相邻两个中点平均，使结果对齐整数期（如第2.5与3.5期平均 → 第3期）。
数学本质：CMA = SMAₜ + SMAₜ₊₁ / 2，等价于对原始序列进行卷积运算，等效于一个对称权重的滤波器。
可以，但需重新定义“时间”。例如：
关键前提：数据需满足“邻近性假设”——相邻位置/时间的数据具有相似性。
| 指标 | 移动平均 | 移动中位数 |
|---|---|---|
| 抗干扰性 | 低（受极端值影响大） | 高（中位数稳健） |
| 计算复杂度 | 低（加法运算） | 中（需排序） |
| 适用场景 | 数据分布对称、无异常值 | 含异常值或偏态分布 |
实务建议：若数据存在录入错误或突发事件（如疫情导致销量归零），优先用移动中位数。
不能直接预测突变点，因其本质是“平滑器”，对突变反应滞后。
检测方法：
考试要点：若题目给出“某月销量突增200%”，应分析“是否为真实趋势变化”，而非直接纳入预测。
继承与扩展：
本质联系：移动平均法是ARIMA中MA部分的简化应用，ARIMA通过差分（I）处理非平稳性，通过AR部分捕捉自相关。
学习路径：掌握移动平均法是理解ARIMA的基础，切勿跳过基础直接学习高级模型。
Python（pandas）：
# 简单移动平均
df['SMA_3'] = df['sales'].rolling(window=3).mean()
# 加权移动平均（需自定义函数）
weights = [0.5, 0.3, 0.2]
df['WMA'] = df['sales'].rolling(3).apply(lambda x: np.dot(x, weights), raw=True)R语言（TTR包）：
# SMA
SMA(df$sales, n=3)
# WMA
WMA(df$sales, n=3, wts=c(0.5,0.3,0.2))关键参数：window（窗口大小）、min_periods（最小观测数）、center（是否居中）
国家统计局实践：在发布经济数据时，常同步提供“经季节调整的移动平均序列”，用于剔除日历效应。
应对策略：画时间轴标注各期数据对应关系；计算前明确预测目标；对权重进行归一化检查。
四步决策模型：
案例：某电商用N=7的SMA预测日销量，当预测值连续3天>均值+2σ时，触发促销库存预警，降低缺货率12%。
特征工程：在时间序列预测模型（如LSTM）中，将移动平均作为新特征输入，提升模型收敛速度。
异常检测：计算|实际值 - SMA| / SMA，当>20%时标记为异常点。
实战建议：在特征工程阶段，可构建多周期移动平均（如5日、20日、60日），形成特征矩阵。
掌握移动平均法后，延伸学习以下周边知识可构建完整预测能力体系。这些内容在职业考试及实际工作中高度相关，建议系统掌握。
移动平均法的进阶形式，通过指数衰减权重赋予近期数据更高重要性。包含：
优势：无需存储全部历史数据，仅需当前平滑值；预测公式简洁。
将时间序列拆解为趋势（T）、季节（S）、残差（E）三部分：
工具：STL分解（Seasonal and Trend decomposition using Loess）
除MAD、MAPE外，还需掌握：
自回归积分滑动平均模型，包含三部分：
建模流程：平稳性检验 → 差分 → ACF/PACF定阶 → 参数估计 → 残差诊断
移动平均法用于计算：
公式：ROP = d̄ × L + z × σ_d × √L，其中d̄为需求移动平均值
股票/期货市场常用5日、10日、20日、60日MA线：
局限性：在震荡行情中频繁发出假信号，需结合成交量验证。
年中级经济师真题：
“某企业近6个月产量为：100,105,102,110,115,112（件）。用3期移动平均预测第7月产量，并计算MAD。”
标准答案：
失分点：未说明“F₇基于第4-6期数据”；MAD计算时漏掉绝对值符号。
某快消品企业面临销量下滑，咨询顾问通过：
关键动作：将统计分析转化为可执行业务策略。
| 软件 | 函数 | 特点 |
|---|---|---|
| Excel | AVERAGE(OFFSET()) | 简单易用，适合小数据 |
| SPSS | Transform > Moving Averages | 图形界面友好，支持WMA |
| R | forecast::ma() | 功能强大，支持复杂模型 |
| Python | pandas.rolling() | 灵活高效，适合大数据 |
推荐学习路径：从Excel实操入手 → Python自动化 → 统计理论深化