MA模型，全稱移動平均模型（moving average model），是一種在時間序列分析中常用的模型。它通常用於預測未來的趨勢，尤其是在金融市場和數據分析領域。MA模型的核心思想是將時間序列的值視為不同時間點白噪聲的線性組合。這種模型假設時間序列是平穩的、白噪聲的、線性的，並且歷史數據對未來的影響是有限的。
MA模型的數學表達式為(X(t) = \mu + \epsilon_t - \theta_1 \epsilon_{t-1} - \theta_2 \epsilon_{t-2} - \cdots - \theta_q \epsilon_{t-q})，其中(\mu)是常數，(\epsilon_t)是當前時刻的隨機誤差項，而(\epsilon_{t-1}, \epsilon_{t-2}, \dots, \epsilon_{t-q})是過去的隨機誤差項。這些誤差項的係數(\theta_1, \theta_2, \dots, \theta_q)是模型參數，需要通過數據估計得到。MA模型的一個重要特點是它的自相關函式（ACF）呈現出q階截尾的特性。
與自回歸模型（AR模型）不同，MA模型更注重於隨機誤差的累加，而不是像AR模型那樣關注歷史數據本身。這種差異導致兩種模型在套用場景和建模方法上有所不同。MA模型適用於處理那些隨機波動較為顯著的時間序列數據。
在實際套用中，MA模型可以通過選擇合適的階數(q)來逼近一個給定的時間序列。模型的參數可以通過最小化實際數據與模型輸出之間的誤差來估計。一旦參數估計完成，MA模型就可以用來預測未來的時間序列值或分析時間序列的特性。