💰 quantitative finance

BASTION: A Bayesian Framework for Trend and Seasonality Decomposition

本文介绍了 BASTION，这是一个灵活的贝叶斯框架，它能够唯一地识别并将时间序列稳健地分解为趋势和多个季节性成分，同时有效处理突发变化、离群值和随时间变化的波动性，并提供比现有方法更优越的不确定性量化能力。

原作者： Jason B. Cho, David S. Matteson

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Jason B. Cho, David S. Matteson

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在聆听一段复杂的音乐。它有一条稳定的低音线（趋势），一段每隔几小节就会回来的重复旋律（季节性），有时还会有不符合节奏的小提琴尖叫声或鼓点撞击声（离群值与噪声）。

长期以来，统计学家一直试图分离这些声音，以更好地理解这首乐曲。但现有的工具往往难以应对：它们可能会过度平滑掉突然的尖叫声，或者在旋律改变速度时感到困惑，亦或是无法告诉你它们对自己的猜测有多大的把握。

本文的作者 Jason B. Cho 和 David S. Matteson 推出了一种名为 BASTION（贝叶斯自适应季节性与趋势分解）的新工具。你可以将 BASTION 想象成一位极其聪明、灵活的音频工程师，能够以惊人的精度将音乐分离成最纯粹的部分。

以下是 BASTION 的工作原理，我们使用简单的类比来解释：

1. “智能过滤器”（全局-局部收缩）

想象你正在擦拭一块脏兮兮的窗户。

旧方法就像是使用一把巨大且僵硬的刷子。如果你用力过猛，会抹掉玻璃后美丽的画面（真实的信号）；如果你擦得太轻，污垢依然会残留（噪声）。
BASTION 使用的是一种“智能过滤器”。它有一个全局设置来保持整个窗户的清洁，同时它还拥有局部传感器。如果它检测到突然的剧烈污渍（趋势的突变），它知道要在那里加强擦拭，而不会破坏画面的其余部分。如果它看到微小的尘埃（噪声），它会轻轻地忽略它。这使得它既能保持歌曲平滑的曲线，又能捕捉到突然的、戏剧性的变化。

2. “数学侦探”（解决身份识别之谜）

当你试图将低音线与旋律分离时，有时它们看起来如此相似，以至于你无法分辨谁是谁。在数学中，这被称为“可识别性”问题。

作者们扮演了侦探的角色。他们制定了严格的规则（数学证明），以确保“低音线”（趋势）和“旋律”（季节性）是真正唯一的，并且不会以一种让计算机产生混淆的方式发生重叠。
他们发现，如果你有多个不同速度的旋律（多重季节性），你需要一套特殊的规则组合来保持它们的独立性。BASTION 是第一个正式证明如何设定这些规则，从而确保答案始终是唯一解的方法。

3. “安全网”（不确定性量化）

大多数旧工具只给你一个单一的数字并说：“这就是趋势。”它们不会告诉你自己是在猜测还是确信无疑。

BASTION 则不同。它会给你一个置信范围。这就像天气预报不仅说“会下雨”，还会说“会下雨，而且我们 95% 确定降水量会在 1 到 2 英寸之间”。这有助于用户准确了解应该对结果给予多少信任。

4. 处理“变数”（离群值与波动性）

现实世界的数据是混乱的。有时传感器会损坏，或者会出现罕见事件（比如疫情导致航空客运量骤降）。

离群值： BASTION 拥有一个特殊的“离群值检测器”。它不会试图强行让一个奇怪的数据点符合模式，而是识别出它是一个“变数”并将其搁置一旁，以免破坏其余的分析。
变化的噪声： 有时背景噪声会随着时间变得更响或更轻（就像收音机在暴风雨期间静电声变大一样）。BASTION 可以检测这些变化的“静电”水平（波动性）并相应地调整其听觉，而其他工具则假设静电水平始终保持不变。

他们是如何测试的

作者们不仅仅是在谈论理论；他们将 BASTION 投入了实战测试：

模拟实验室： 他们创建了带有已知“秘密成分”（如突然跳跃、怪异噪声和多个重复模式）的虚构时间序列数据。BASTION 始终比其他流行工具（如 TBATS、MSTL 和 STR）更准确地找到了这些隐藏成分。
现实世界测试：
- 航空交通： 他们研究了美国航空数据。当 2020 年疫情爆发时，交通量大幅下降。BASTION 正确地将其识别为趋势中的一次突然、剧烈的断裂，而其他工具则试图将其平滑处理为一个缓慢的下降过程。
- 电力需求： 他们分析了纽约的用电量。BASTION 不仅分离了每日和每年的模式，还发现数据的“噪声”在夏季和冬季变得更加剧烈（不可预测），从而为能源管理者提供了额外的洞察。

核心结论

BASTION 是一个全新的、灵活的框架，可以将时间序列数据分解为趋势和季节性部分。它在处理突然变化、忽略怪异离群值以及处理变化噪声水平方面，比以往的方法表现得更好。至关重要的是，它会告诉你其答案的置信程度。作者已将此工具作为免费软件包提供给他人使用。

技术摘要：BASTION —— 一种用于趋势与季节性分解的贝叶斯框架

问题陈述
时间序列分解是一种基础的分析工具，用于从单变量数据中分离出趋势、季节性和残差成分。尽管该方法广泛应用于经济学、气候科学和流行病学领域，但现有的分解方法通常将该问题视为预处理步骤，而非严谨的统计推断任务。目前的各种方法（如 STL、MSTL、STR 和 TBATS）面临着若干局限性：它们难以同时处理多个季节性模式，缺乏对单个成分进行原则性不确定性量化的机制，对趋势的突变较为敏感，并且通常无法显式地对异方差噪声或异常值进行建模。此外，现有文献往往缺乏关于在存在多重季节性时，趋势和季节性成分如何实现唯一可识别性的正式条件。

方法论
作者提出了 BASTION（Bayesian Adaptive Seasonality and Trend DecompositON，贝叶斯自适应季节性与趋势分解），这是一个灵活的贝叶斯框架，它将时间序列分解重新定义为一个惩罚非参数回归问题。

惩罚回归公式化： 分解被建模为一个加法方程 $y_t = T_t + \sum S_{i,t} + R_t$ 。作者指出，如果没有结构性约束，这个高维问题是不可识别的。他们通过施加线性算子（例如，用于趋势的二阶差分，以及用于季节性的季节性递归或差分）来形式化可识别性条件，并分析了所得分块矩阵的秩。他们证明，实现唯一可识别性需要这些算子的核（kernel）为线性无关的子空间。为了解决多季节性设置中的不可识别问题，他们建议使用多个正则化算子（例如，结合二阶差分和季节性差分）来减少零空间的交集。
基于全局-局部收缩的贝叶斯框架： BASTION 通过使用全局-局部收缩先验（特别是马蹄先验/horseshoe prior）将惩罚回归转化为贝叶斯模型。这使得以下功能成为可能：
- 自适应平滑： 全局参数控制整体收缩程度，而随时间变化的局部参数则选择性地放宽收缩，以捕捉趋势和季节性的突发变化，而不至于过度平滑。
- 显式异常值建模： 异常值成分 ( $\zeta_t$ ) 使用 horseshoe+ 先验进行建模，该先验会对大多数观测值进行激进收缩，同时允许在孤立的时间点出现大幅偏差。
- 异方差性处理： 残差项整合了一个随机波动率（SV）模型，允许误差方差随时间演变，从而解决了现实世界数据中常见的波动率变化问题。
推断： 由于状态变量具有高维特性，作者采用了 Gibbs 采样策略。该方法对大多数参数使用共轭更新，并针对特定算法（如用于随机波动率的 All Without a Loop 算法以及用于马蹄先验的参数扩展 Gibbs 方案）进行优化，以确保计算复杂度与时间序列长度呈线性比例，从而使其在处理大规模数据集时具有计算可行性。

核心贡献

形式化可识别性理论： 本文为惩罚回归下趋势和季节性成分的唯一可识别性提供了首个正式条件，特别是在引入多重季节性和不同算子选择的复杂情况下。
统一的贝叶斯框架： BASTION 将趋势、多重季节性、异常值和时变波动率整合进一个统一且连贯的模型中，这一能力在 MSTL 或 STR 等现有方法中是缺失的。
稳健性与不确定性量化： 通过利用全局-局部收缩和随机波动率，该方法提供了针对异常值和异方差性的稳健估计，并能提供经过校准的成分后验置信区间。
软件实现： 作者将 BASTION 作为开源 R 包发布，以促进实际应用和进一步研究。

结果
作者通过模拟数据和真实世界数据集，将 BASTION 与成熟方法（TBATS、MSTL、STR）进行了对比评估。

模拟研究： 在包含趋势不连续性、多重季节性、异方差性和异常值的四种数据生成过程（DGP）中，BASTION 在趋势、季节性和信号成分方面始终取得了最低的均方误差（MSE）。值得注意的是，在涉及异方差噪声和异常值的场景（DGP 4）中，BASTION 的表现显著优于竞争对手。
不确定性量化： BASTION 提供了经过校准的 95% 置信区间，对于组合信号及单个成分，其覆盖率均保持在名义水平之上。相比之下，频繁派的 STR 方法经常出现覆盖不足的情况，尤其是在针对单个成分时。
实证应用：
- 美国航空客运量： BASTION 成功捕捉到了 COVID-19 疫情期间乘客量的剧烈结构性变化，而 MSTL 和 STR 则过度平滑了这一过渡过程，TBATS 则产生了噪声较大的估计。
- 纽约电力需求： 该模型准确分解了复杂的周度和年度季节性模式，并显式估计了时变波动率，揭示了夏季和冬季期间较高的波动性——这是对比模型中没有任何一个模型能够提供的特征。

意义与主张
论文声称，BASTION 通过解决现有文献中对可识别性“非正式”处理的问题，并提供了一个能同时处理复杂动态（突变、异方差、异常值）的统一框架，代表了显著的进步。作者断言，BASTION 提供了更细致且具解释性的分解，并具备严谨的不确定性量化能力，这使其特别适用于存在结构性断点的环境下的下游任务（如预测）。作者总结道，虽然该方法具有稳健性，但未来的工作可以探索这些改进后的分解如何直接转化为预测性能，以及如何引入额外的潜在结构（如贝叶斯变点检测）。