Тренд, сезонность, цикл и шум

Раскладываем любой ряд на четыре кирпичика: устойчивое направление, повторяющийся паттерн, длинные волны и случайность.

Декомпозиция — представление ряда как суммы (или произведения) тренда, сезонности и шума: x_t = trend + season + noise.

Зачем разбирать ряд на части

Наблюдаемый ряд выглядит запутанным, но почти всегда он — смесь нескольких простых сигналов. Если мы поймём, какая часть отвечает за рост, какая за повторяющиеся всплески, а какая за случайные колебания, то и прогнозировать будет в разы проще: каждую компоненту можно моделировать отдельно.

Возьмём практический пример — прогноз спроса в продуктовом магазине. Менеджер видит, что выручка в декабре подскочила. Но это рост бизнеса или просто новогодний всплеск, который схлынет в январе? Без декомпозиции эти два объяснения неразличимы, и закупка товара на основе «декабрьского» уровня обернётся затаренными складами в феврале. Разложив ряд, мы отделяем устойчивый тренд (на него опираемся при стратегических решениях) от сезонного пика (его учитываем только в краткосрочном плане закупок).

Тот же подход выручает при анализе веб-трафика. Резкое падение посещаемости в выходные пугает новичка, но если это стабильный недельный паттерн, паниковать не о чем — а вот плавное снижение тренда из недели в неделю уже сигнал к действию. Декомпозиция превращает «ряд скачет, ничего не понятно» в набор отдельных, понятных историй: куда движется бизнес в целом, как дышит неделя или год, и сколько в данных просто случайного дребезга.

Четыре компоненты

Тренд — медленное устойчивое направление: рост выручки год за годом. Сезонность — паттерн с фиксированным периодом: пик продаж каждую субботу, спад каждый январь. Цикл — длинные волны без жёсткого периода: экономические подъёмы и спады. Шум — необъяснимая случайность, остаток после вычитания всего предсказуемого.

Полезная аналогия — звук. Тренд это как медленное нарастание громкости в зале, сезонность — ровный ритм басовой партии, цикл — длинные нарастания и затухания целых музыкальных фраз, а шум — фоновое шипение, в котором нет мелодии. Ухо умеет раскладывать всё это автоматически; в анализе рядов мы учим тому же компьютер. Важно, что границы между компонентами условны: то, что в коротком ряду выглядит трендом, на длинной истории может оказаться частью медленного цикла. Поэтому горизонт наблюдения всегда влияет на интерпретацию.

Складываем ряд из компонент

Лучший способ почувствовать декомпозицию — собрать ряд самому из тренда, сезонности и шума, а потом посмотреть на сумму.

import math

# фиксированный «шум», чтобы пример всегда давал один результат
noise = [2, -3, 1, 4, -2, 3, -1, 2, -4, 1, 3, -2]

series = []
for t in range(12):
    trend = 100 + 3 * t                    # линейный рост
    season = 20 * math.sin(2*math.pi*t/4)  # период 4
    series.append(round(trend + season + noise[t], 1))

print(series)
print("Первое:", series[0], " Последнее:", series[-1])

Вывод:

[102.0, 120.0, 107.0, 93.0, 110.0, 138.0, 117.0, 103.0, 120.0, 148.0, 133.0, 111.0]
Первое: 102.0  Последнее: 111.0

Видно и общий рост (тренд), и волну с периодом 4 (сезонность), и дрожание (шум). Реальные данные приходят к нам уже сложенными — наша работа разложить их обратно.

Обратите внимание на устройство кода: каждая строка цикла буквально повторяет формулу x_t = trend + season + noise. Тренд задан как 100 + 3·t — стартовый уровень 100 и прибавка 3 за каждый шаг. Сезонность — синусоида с периодом 4, то есть полный цикл укладывается ровно в четыре точки. Шум взят из заранее заданного списка, чтобы пример был воспроизводимым: на реальных данных эту роль играет настоящая случайность. Когда вы разбираете чужой ряд, вы делаете обратную операцию — по готовой сумме угадываете, какими были слагаемые. Именно поэтому полезно один раз собрать ряд вручную: вы запоминаете, как выглядит «чистый» вклад каждой компоненты, и потом узнаёте их в живых данных.

Аддитивная и мультипликативная модель

Если амплитуда сезонности постоянна, ряд аддитивный: компоненты складываются. Если же колебания растут вместе с уровнем (чем выше продажи, тем сильнее качает) — ряд мультипликативный: x_t = trend × season × noise. Мультипликативный часто превращают в аддитивный логарифмированием.

Как выбрать модель на практике? Посмотрите на «талию» сезонных волн вдоль ряда. Если предновогодние пики из года в год примерно одинаковой высоты в абсолютных рублях — модель аддитивная. Если же по мере роста бизнеса каждый пик становится всё выше, а провалы всё глубже, и волна как бы расширяется веером — модель мультипликативная. Розничные продажи почти всегда мультипликативны: магазин, торгующий на миллион в месяц, и магазин на десять миллионов дают сезонный всплеск в +15%, а не на одну и ту же фиксированную сумму. Логарифмирование тут — удобный трюк: после взятия логарифма произведение превращается в сумму, и к ряду снова применимы простые аддитивные методы.

Как работает под капотом

Алгоритмы декомпозиции сначала оценивают тренд сглаживанием (скользящим средним), вычитают его, затем усредняют остаток по позициям внутри периода — получают сезонную компоненту. То, что осталось после вычитания тренда и сезонности, объявляется шумом. Если в шуме всё ещё видна структура — модель компонент выбрана плохо.

Разберём подробнее шаг с сезонностью. Допустим, период равен 12 (месяцы). После вычитания тренда у нас остаётся ряд, в котором, если модель верна, январи похожи на январи, июли на июли и так далее. Алгоритм собирает все январские остатки в одну корзину и усредняет их, все февральские — в другую, и так двенадцать корзин. Усреднение гасит случайный шум (он в среднем около нуля) и оставляет чистый сезонный профиль. Этот профиль затем повторяют по всему ряду. Логика проста: то, что стабильно повторяется на одной и той же позиции периода, — сезонность; то, что не повторяется, — шум. Современные методы (например STL) делают то же, но аккуратнее: позволяют сезонному профилю медленно меняться со временем и устойчивы к выбросам, потому что используют робастное сглаживание вместо обычного среднего.

Частые ошибки

Путать сезонность (фиксированный период) и цикл (плавающие длинные волны).
Применять аддитивную модель к ряду с растущей амплитудой — остаток будет «дышать».
Считать любой остаток чистым шумом, не проверив его на остаточную структуру.
Подбирать период сезонности «на глаз» вместо проверки по календарю предметной области (неделя, месяц, год).
Забывать, что на коротком ряде тренд и медленный цикл неотличимы, и переносить выводы на длинный горизонт.

Итоги

Ряд = тренд + сезонность + цикл + шум (или их произведение).
Сезонность имеет фиксированный период; цикл — длинные волны без жёсткого периода.
Аддитивная модель — постоянная амплитуда, мультипликативная — растущая.
Декомпозиция нужна не ради красоты, а чтобы моделировать и прогнозировать каждую компоненту отдельно.
Хорошая декомпозиция оставляет в шуме структуру не больше, чем в чистой случайности — это и есть критерий качества.