指数移动平均EWMA的alpha,halflife,com和span

Zhenghaowencsdn

已于 2024-04-09 18:36:48 修改

阅读量776

点赞数 23

文章标签： pandas

于 2024-04-09 03:21:42 首次发布

本文链接：https://blog.csdn.net/ZhenghaowenCSDN/article/details/137529575

版权

pandas.DataFrame.emw是计算指数移动平均的函数。其中，衰减速度有alpha，halflife，com和span四种，本文对以上四种衰减速度的含义进行说明。

3.5 Exponentially Weighted Windows — Pandas Doc

pandas.DataFrame.ewm — pandas 2.2.1 documentationhttps://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.ewm.html#pandas.DataFrame.ewm

计算基础：等比数列（首项 $a_1$ ，比例q，项数n）求和：

$S = \frac{a_1(1-q^n)}{1-q}$

指数移动平均基本计算公式和 alpha

「EMA系列之I」如何理解EMA指数移动平均值以及Python实现 - 知乎

Exponentially Weighted Moving Average (EWMA) - Formula, Applications

指数移动平均有迭代式和加权平均式两种。据pandas文档，emw函数的adjust设为True时，计算方法为加权平均式，否则为迭代式，默认为加权平均式。我们假设有个时间序列 $\{x_t\},\ t=0,1,2,\dots$ 。与之对应，指数移动平均为 $\{y_t\},\ t=0,1,2,\dots$

迭代式

$y_{t} = \alpha x_t+(1-\alpha)y_{t-1},\ \alpha\in[0,1]$

$\alpha$ 的含义即为：在平均值中最近的数据占的权重。 $\alpha$ 越大，则衰减越快，反之亦然。

令 $\beta = 1-\alpha$ ，把 $y_{t-1}$ 拆开，可以将迭代式推导到无穷：

$\begin{aligned} y_t &= \alpha x_t+\beta y_{t-1}\\ &= \alpha x_t + \beta (\alpha x_{t-1}+\beta y_{t-2})\\ &= \alpha x_t + \beta\alpha x_{t-1}+\beta^2 y_{t-2}\\ &= \alpha x_t + \beta\alpha x_{t-1}+\beta^2\alpha x_{t-2}+\beta^3 y_{t-3}\\ &= \sum^{\infty}_{i=0} \alpha (1-\alpha)^i x_{t-i} \end{aligned}$

类比加权平均公式，权值为 $w_i = \alpha(1-\alpha)^i,i=0,1,\dots$ 。

经过计算，这些权值加起来等于1：

$S = \lim_{n\rightarrow\infty}\frac{\alpha(1-(1-\alpha)^n)}{1-(1-\alpha)}=1$

加权平均式

加权平均式应用于确定的估计窗口上，例如最近的n个值：

令权重序列为： $\{w_i\}=\{(1-\alpha)^i\},i=0,1,\dots,n$ ，而权重之和并非1，故还需进行归一。

则指数平均为：

$\begin{aligned} y_t&=\frac{x_t+(1-\alpha)^1x_{t-1}+(1-\alpha)^2x_{t-2}+\dots+(1-\alpha)^{n}x_{t-n}}{1+(1-\alpha)^1+(1-\alpha)^2+\dots+(1-\alpha)^{n}} \\&=\sum^n_{i=0}\frac{(1-\alpha)^i}{\frac{1-(1-\alpha)^n}{\alpha}}x_{t-i} \end{aligned}$

如果估计窗口趋向于无限长，则会收敛到迭代式：

$\lim_{n\rightarrow\infty}\frac{(1-\alpha)^i}{\frac{1-(1-\alpha)^n}{\alpha}}=\alpha(1-\alpha)^i$

固定n的话，可以称其为N天指数加权平均（N-day Exponential Weighted Moving Average）。关于迭代式的初始化与加权平均式之间的关系以及调整方法，可见

「EMA系列之II」如何初始化EMA指数移动平均值以及Python实现 - 知乎

Halflife 半衰期

考虑迭代式，项数无穷，权重为 $w_i = \alpha(1-\alpha)^i,i=0,1,\dots$

随着 $i$ 的增加，权重越来越小，考虑以 $i$ 为分界点，分界点前的总权重会越来越大，分界点后的总权重会越来越小。那么， $i$ 等于多少的时候，分界点前的总权重占所有权重的一半呢？这个分界点被称为半衰期，可以知道过了半衰期，分界点后的权重量小于1/2，且越来越不重要。

以下推导 $\alpha$ 和半衰期h之间的转换关系，方程左边为分界点前的总权重，右边为1/2

$\begin{aligned} &1-(1-\alpha)^{h}=\frac{1}{2}\\ \Rightarrow&(1-\alpha)^{h}=\frac{1}{2}\\ \Rightarrow&h\ln(1-\alpha)=-\ln2\\ \Rightarrow&\ln(1-\alpha)=\frac{-\ln2}{h}\\ \Rightarrow&\alpha=1-\exp(\frac{-\ln2}{h}) \end{aligned}$

半衰期可以调整权重的衰减速度，半衰期越长，则衰减速度越慢。这一点可以通过半衰期- $\alpha$ 的转换公式验证：半衰期越长， $\alpha$ 越小，则衰减速度越小。

COM 质心

考虑迭代式，项数无穷，权重为 $w_i = \alpha(1-\alpha)^i,i=0,1,\dots$

$w_1$ 是第一个点的权重， $w_2$ 是第二个点的权重，以此类推。那么指数平均值平均在第几个点上呢？用物理的概念类比，假设一维空间中有无穷个质点，分别分布在自然数点上，在自然数 $i$ 上的质点的质量为 $w_i$ ，即以上问题转化为：求整个系统的质心C。因为质心称为Center of Mass，故衰减参数也被称为com。从时间序列的角度看，下标 i 为该数据点的历史，也称age，故质心也可以理解为平均历史，weighted age。

以下为质心的计算公式：

$C = \sum^{\infty}_{i=0} i\times w_i=\sum^{\infty}_{i=1} i\alpha(1-\alpha)^i\ (1)$

另外说一句，这个式子的形式有点像债券久期公式。高中学过这个类等比数列怎么求和。首先(1)式乘以公比 $(1-\alpha)$ ：

$(1-\alpha)C =\sum^{\infty}_{i=0} i\alpha(1-\alpha)^{(i+1)}=\sum^{\infty}_{i=1} (i-1)\alpha(1-\alpha)^i\ (2)$

(1)式减去(2)式，化成普通等比数列：

$C-(1-\alpha)C = \sum^{\infty}_{i=1} \alpha(1-\alpha)^i=\alpha(1-\alpha)/\alpha\\ \\ \Rightarrow C=(1-\alpha)/\alpha,\ \alpha =1/(C+1)$

由 $\alpha$ 定义域， $C\geq0$ 。直观理解下，质心越小，意味着指数平均值平均在越近的点，则说明质心后面剩下非常多的点，而这些点的权重量却仅仅与质心前非常少的点的权重量相当，衰减速度很快。反过来，指数平均值平均在越远的点，说明质心后剩下较少（尽管是无穷个）的点的权重量与质心前较多的点的权重量相当，衰减速度较慢。简而言之，质心越小，衰减速度越快。通过转换式可以验证：C越小， $\alpha$ 越大，则衰减速度越快。

Span

Brown, Robert Goodell. Smoothing, forecasting and prediction of discrete time series. Courier Corporation, 2004.

上书的107-108页介绍了Span- $\alpha$ 的算法。

span的含义是范围、区间，对应于加权平均式中的n。然而确定了要计算多少个历史值的平均值后，我们却不知道 $\alpha$ 应该是多少。

对于一个长度为n的区间，编号分别为0,1,2,...,n-1。我们先计算普通移动平均的质心是多少：

$C_{\text{MA}}=\sum^{n-1}_{i=0}\frac{1}{n}\times i=\frac{(n-1)n}{2}\times\frac{1}{n}=\frac{n-1}{2}$

上文我们知道迭代式的质心为： $C_{\text{EMWA}}=\frac{1-\alpha}{\alpha}$

两者质心重合时，可以求得 $\alpha$ 和n之间的关系：

$\begin{aligned} &C_{\text{EWMA}}=C_{\text{MA}}\\ \Rightarrow &\frac{1-\alpha}{\alpha}=\frac{n-1}{2}\\ \Rightarrow & \alpha=\frac{2}{1+n} \end{aligned}$