指数加权的公式推导

示例

假设我们有一组数据 x=[1,2,3,4,5]，我们选择 β=0.1和β=0.9 来计算 EMA。

（1）β=0.1

1. 初始化：

   $EM{A}_0=x_0=1$

2. 计算后续值：
   $$
   EMA_1=0.1×1+0.9×2=1.9\

   EMA_2=0.1×1.9+0.9×3=2.89\

   EMA_3=0.1×2.89+0.9×4=3.889\

   EMA_4=0.1×3.889+0.9×5=4.8889
   $$

最终，EMA 的值为 [1,1.9,2.89,3.889,4.8889]。

（2）β=0.9

1. 初始化：

   $EM{A}_0=x_0=1$

2. 计算后续值：
   $$
   EMA_1=0.9×1+0.1×2=1.1\

   EMA_2=0.9×1.1+0.1×3=1.29\

   EMA_3=0.9×1.29+0.1×4=1.561\

   EMA_4=0.9×1.561+0.1×5=1.9049
   $$

最终，EMA 的值为 [1,1.1,1.29,1.561,1.9049]。

可以看到：

• 当 β=0.9 时，历史数据的权重较高，平滑效果较强。EMA值变化缓慢（新数据仅占10%权重），滞后明显。
• 当 β=0.1时，近期数据的权重较高，平滑效果较弱。EMA值快速逼近最新数据（每次新数据占90%权重）。