Simple Moving Average (简单移动平均)讲解_sma(simple moving average-CSDN博客

本文链接：https://blog.csdn.net/Dewitt421/article/details/147645112

Simple Moving Average (简单移动平均)讲解

前言

继上一篇Exponential Smoothing之后，这次笔者继续介绍另一种基础且常见的时间序列预测方法 —— 简单移动平均（Simple Moving Average，简称 SMA）。

SMA 是我在读研期间最早接触到的预测方法之一。相比指数平滑，SMA 的概念更加直观、实现更加简单。它虽然没有权重衰减机制，但通过“滑动窗口”平均处理，也能很好地揭示数据的整体趋势。

1. 什么是 Simple Moving Average？

Simple Moving Average（SMA，简单移动平均） 是一种基础的时间序列平滑方法，通过计算一段时间内数据的平均值，来反映当前的趋势。

它的思想非常直观：把最近一段时间的数据加总后取平均，平滑掉短期波动，揭示长期趋势。

例如，对于一组每日销售数据，若我们希望用最近3天的数据作为今天的预测值，就可以用 SMA。

与指数平滑（Exponential Smoothing）相比，SMA 权重均匀，对突变不够敏感，但更加稳定、计算也更简单。

2. SMA 的基本原理与计算公式

SMA 的核心计算公式如下：

$S_t = \frac{1}{w} \sum_{i=t-w+1}^t A_i$

其中：

$S_t$ ：表示第 $t$ 时刻的预测值（或平滑值）
$A_i$ ：第 $i$ 个时刻的实际观测值
$w$ ：窗口大小，即平均计算的时间跨度（如 3 天、5 天等）

直观解释：每次向前滑动一个单位，就丢掉最早的值，加入最新的值，形成新的平均数。

3. 窗口大小的选择与影响

窗口大小 $w$ 是 SMA 中最关键的超参数，决定了模型对新数据的反应速度：

窗口大小	平滑效果	对变化反应
小（如3）	较弱	更灵敏
大（如7）	更强	更迟钝

建议：

如果数据波动较大且我们关心“最新走势”，可以使用较小窗口；
如果希望整体趋势更平稳，则适当增大窗口。

4. SMA 的优缺点

✅ 优点

简单易懂：无需复杂参数，公式直观明了；
稳定性强：适合消除高频噪声，体现长期趋势；
计算代价低：实现成本低，适用于实时系统。

❌ 缺点

对突变反应慢：无法及时捕捉快速上升或下降；
权重固定：对窗口内的每个数据赋予相同权重，可能不符合实际情形；
不能外推未来多个点：只适合一阶预测。

5. 应用场景举例

股票/基金的技术分析（如5日、10日均线）
日常销售量/流量趋势判断
传感器数据降噪（例如温度、压力等）
简单的实时业务监控指标平滑处理

SMA 虽然简单，但在很多商业系统、初步数据分析场景中，依然发挥着重要作用。

6. 小实例：用 Python 实现 SMA

假设我们有以下观测数据：

观测值 A = [50, 52, 53, 54, 55, 56, 60]
窗口大小 w = 3

从第3个数据点开始，每次取最近3个值求平均：

S3 = (50 + 52 + 53) / 3 = 51.67
S4 = (52 + 53 + 54) / 3 = 53.00
S5 = (53 + 54 + 55) / 3 = 54.00
S6 = (54 + 55 + 56) / 3 = 55.00
S7 = (55 + 56 + 60) / 3 = 57.00

Python实现：

def simple_moving_average(series, window):
    sma = []
    for i in range(window - 1, len(series)):
        window_values = series[i - window + 1:i + 1]
        sma.append(sum(window_values) / window)
    return sma

# 示例数据
A = [50, 52, 53, 54, 55, 56, 60]
window = 3
print(simple_moving_average(A, window))