1 基本概念
1.1 定义
移动平均是对按时间顺序排列的数据，按照某个固定长度的窗口进行连续平均计算的方法。每当窗口向前移动一步，就用新的数据替换最早的数据，从而得到一组平滑后的序列。它既可以用于观察原始数据的总体走向，也可以作为后续分析和建模的预处理手段。
1.2 统计学中的作用
在统计学中，移动平均常用于削弱随机波动对结果的干扰，使研究者更容易识别数据中的长期变化模式。对于周期性较弱、噪声较多的序列，它能够提供比原始观测更稳定的参考值，因此常见于描述性分析、时间序列探索和异常识别。
1.3 核心思想
其核心思想是让当前观测值与一段历史数据共同参与计算，而不是只依赖单个时点。这样做的目的并非精确还原每个瞬时状态，而是借助“局部平均”的方式获得更具代表性的平滑结果。不同类型的移动平均，本质上都围绕“如何看待历史数据”这一问题展开。
1.4 平滑与趋势提取
移动平均最典型的用途是平滑曲线。通过抵消短期上下波动，它可以把原本锯齿状的序列整理得更为连贯，从而凸显隐藏在噪声背后的趋势。在实际应用中，人们常借助这种方法判断上升、下降、拐点或阶段性变化。
2 主要类型
2.1 简单移动平均
简单移动平均是最基础的形式，对窗口内所有数据赋予相同权重，然后求算术平均。由于每个样本的影响力一致，它计算直观、使用广泛，常作为入门级平滑方法和其他方法的比较基准。
2.2 加权移动平均
加权移动平均会为窗口内不同位置的数据分配不同权重，通常更强调较近的观测值。这样一来，序列对最新信息的反应会更快，同时仍保留一定的平滑效果。权重的设计可以根据业务需求灵活调整。
2.3 指数移动平均
指数移动平均采用递推方式计算，越靠近当前时点的数据权重越大，而更久远的数据影响会按指数规律衰减。由于更新方便、响应较快，它在金融分析和实时监测中尤其常见。
2.4 中心移动平均
中心移动平均不是把结果对齐在窗口末端，而是将计算值放在窗口中间位置。它更适合用于对称平滑和周期分析，尤其在希望减少时间偏移感的场景中较为常用。
2.5 滑动窗口平均
滑动窗口平均强调“窗口”的概念，即只对最近一段数据做平均，并随着时间推进不断更新窗口内容。它是移动平均的通用实现思路之一，也常用于流式数据处理和在线分析。
3 计算方法
3.1 固定窗口计算
固定窗口计算通常先设定窗口长度，再从序列中取连续若干项求平均。窗口向前移动时，每次都加入一个新值并移除一个旧值，直到遍历完全部数据。该方法清晰易懂，适合手工演示和程序实现。
3.2 权重分配规则
在加权类方法中，不同观测值的权重可以按线性递减、指数衰减或自定义规则分配。权重总和通常会被标准化，以保证结果保持可比性。权重越偏向近期数据，平滑结果对新变化的敏感度通常越高。
3.3 递推公式
某些移动平均可通过递推公式快速更新，无需每次重新计算整个窗口。例如指数移动平均就可在前一时刻结果的基础上，结合当前观测值得到新值。这种做法显著降低了计算成本，适合连续输入的数据场景。
3.4 处理首尾数据
在序列开头和结尾，窗口可能无法完整覆盖所需范围，因此需要特殊处理。常见做法包括缩短窗口、使用补齐值、舍弃边界结果或进行中心对齐。不同处理方式会影响平滑曲线的完整性与比较的一致性。
4 性质与特征
4.1 平滑效果
移动平均的主要特征就是削弱随机起伏，使曲线更平稳。窗口越长、平滑程度通常越强，但细节也会被压缩得更明显。因此，平滑效果往往与信息保留程度呈现一定的权衡关系。
4.2 滞后性
由于移动平均依赖历史数据，它对最新变化的反应通常不会立即同步，表现为一定程度的滞后。窗口越大、历史权重越重，滞后现象越明显。这也是它在需要快速决策的场景中必须谨慎使用的原因之一。
4.3 对异常值的敏感性
移动平均会受到异常值影响，尤其是简单移动平均更容易被单个极端点拉动。若数据中存在突发异常，平滑后的结果可能出现短暂偏移。为降低这种影响，有时会先进行异常检测，或改用更稳健的平滑方式。
4.4 窗口长度的影响
窗口长度决定了平滑与响应之间的平衡。较短窗口更敏捷，但波动也更明显；较长窗口更稳定，但可能掩盖局部变化。实际使用时，窗口长度通常需要结合数据频率、噪声水平和分析目的共同确定。
5 数学表达
5.1 离散时间序列表示
对于离散时间序列，简单移动平均可表示为若干连续样本的平均值。设序列为 \(x_t\)，窗口长度为 \(n\)，则某时刻的移动平均可以写成窗口内元素之和除以窗口长度。该表达最直接地反映了“局部平均”的含义。
5.2 连续时间近似
在连续时间语境下，移动平均可视为对某一时间区间内信号进行积分平均的近似。虽然实际计算多基于离散采样数据，但连续形式有助于从理论上理解其平滑本质，并与滤波理论建立联系。
5.3 频域理解
从频域角度看，移动平均相当于一种低通特性较强的平滑操作，会削弱高频成分，保留较慢变化的部分。正因为如此，它能够压制快速抖动，却也可能让某些短周期信息变得不明显。
5.4 递推与卷积形式
移动平均既可以写成递推关系，也可以视为原始序列与一个窗口核进行卷积的结果。卷积视角便于统一理解不同平滑方法，也有助于将其纳入更一般的信号处理框架中。
6 应用领域
6.1 金融与证券分析
在金融与证券分析中，移动平均常用于观察价格、成交量或指标的中期走势。交易者和分析人员会借助它识别趋势方向、观察交叉信号，并减少短时波动对判断的干扰。
6.2 经济指标观察
对宏观经济或行业指标而言，移动平均有助于平滑季节性波动和临时扰动，使增长、回落或拐点更容易被识别。它常被用于月度、季度或年度数据的趋势展示。
6.3 质量控制
在质量控制中，移动平均可用于监测生产过程是否出现持续偏移。通过对连续样本进行平滑，可以更早发现设备状态变化、工艺漂移或批次异常，从而辅助过程管理。
6.4 气象与环境数据
气温、降水、空气质量等环境数据常带有明显波动，移动平均能够帮助呈现更稳定的变化轨迹。对于日常监测和长期观察，它有助于区分短暂天气扰动与更持久的气候趋势。
6.5 信号处理
在信号处理领域，移动平均常被当作基础滤波手段，用于抑制噪声、平滑采样序列或辅助特征提取。虽然它结构简单，但在低复杂度场景中非常实用。
7 参数选择
7.1 窗口大小
窗口大小是最关键的参数之一。较小窗口适合关注短期变化，较大窗口更适合观察稳定趋势。选择时通常要考虑数据采样频率、噪声强度以及希望保留的波动尺度。
7.2 权重设计
若采用加权或指数形式，权重设计会直接影响结果的敏捷度与稳定性。更偏向近期数据的设计能加快响应，但也可能增加波动；更平缓的权重结构则更稳妥，却容易迟缓。
7.3 平滑与响应速度的权衡
移动平均本质上是在“更平滑”与“更灵敏”之间取舍。若强调展示总体趋势，可适当加大平滑力度；若强调实时变化，则需要降低滞后。二者很少能同时达到最优，只能根据任务目标平衡。
7.4 不同场景下的选择原则
不同场景对移动平均的要求并不相同。趋势展示通常偏向较长窗口，实时监控更重视快速响应，噪声较强的数据则可能需要更强平滑。在实践中，常通过试算和对比来确定较合适的参数组合。
8 优缺点
8.1 优点
8.1.1 实现简单
移动平均计算逻辑清楚，手工处理和程序实现都较方便。即使在资源有限的环境中，也能较低成本地完成平滑与更新。
8.1.2 易于解释
它的含义直观，容易向非专业受众说明。由于结果来自邻近数据的平均，人们通常能够快速理解其代表的是“局部水平”而非单点值。
8.1.3 便于趋势识别
经过平滑后的序列更容易观察长期方向、阶段变化和转折位置，因此在探索性分析中十分常用。对大量杂乱数据来说，它尤其能提升可读性。
8.2 缺点
8.2.1 会产生滞后
由于依赖过去数据，移动平均无法完全同步反映最新变化，特别是在突发转折时尤为明显。这使它在需要立即识别变化的任务中存在局限。
8.2.2 可能掩盖短期变化
一些有价值的短期波动会被平滑过程削弱，甚至被完全抹去。若分析目标本身关注局部峰值、快速震荡或瞬时事件，移动平均可能不够合适。
8.2.3 对突变响应较慢
当数据出现结构性变化时，移动平均往往需要若干个窗口周期才能逐步反映出来。变化越剧烈、窗口越长，这种迟缓越明显。
9 相关概念
9.1 中位数滤波
中位数滤波是另一类常见平滑方法，它用窗口内数据的中位数代替平均值。相比移动平均，它对孤立异常点通常更稳健，因此常用于去除脉冲噪声。
9.2 低通滤波
低通滤波是一类保留低频成分、削弱高频成分的方法。移动平均可以视为低通滤波的简单实现之一，两者在平滑时序数据方面有明显关联。
9.3 趋势线
趋势线通常是根据数据整体走向拟合出的参考线，与移动平均一样都用于观察长期变化。不同的是，趋势线更强调拟合关系，而移动平均更偏向局部平滑。
9.4 平滑指数
平滑指数通常指用于控制平滑程度的参数或指标。它与指数移动平均关系密切，能够影响新旧数据在结果中的相对比重。
10 常见误区
10.1 将平滑结果等同于真实值
移动平均只是对数据进行处理后的近似表达，并不意味着它就是“真实状态”。它的作用是辅助观察和分析，而不是替代原始观测。
10.2 过度依赖单一窗口
只使用一种窗口长度，容易导致结论片面。不同窗口反映的时间尺度不同，若不进行对照，就可能忽略多层次结构或误判趋势强弱。
10.3 忽视异常点影响
若数据中存在明显异常而不加处理，平滑结果可能被扭曲，尤其在窗口较短时更为明显。因此，在应用前检查异常值通常是必要步骤。
10.4 在非平稳数据中的误用
对于均值、方差随时间明显变化的非平稳数据，移动平均虽然仍可用于粗略观察，但不宜直接据此作出过强推断。此类数据往往还需要结合分段分析、差分或其他方法综合判断。