确定权重的方式——半衰期与指数衰减法

1. 半衰期与时间窗口

  在加权计算当中，例如回归模型，当需要确定权重时，对于时间序列数据，由于时间远近不同，影响程度不同，因此要对不同时间的数据赋予不同权重。
  指数衰减法是常用的确定权重的方法。在进行权重计算时，要给定数据所来自的时间段，即时间窗口，以及半衰期，即权重衰减到一半所需要的时间。例如，选择252天作为时间窗口，63天作为半衰期，则当前为$t$天，第$t-63$天的权重为0.5，并且距离$t$越远，权重越小。

2. 指数衰减法确定权重

2.1 指数衰减公式

指数衰减的公式为：
$w_i=e^{-\lambda \cdot i}$
其中 $w_i$是第$i$个数据点的权重，$\lambda$ 是衰减系数，$i$ 是时间间隔。

2.2 衰减系数与半衰期的关系

我们希望在半衰期 $h$之后，权重减为原来的一半，即：
$w_h=e^{-\lambda \cdot h}=\frac{1}{2}$

对该公式取对数：
$-\lambda \cdot h=\ln \left(\frac{1}{2}\right)$
由于 $\ln \left(\frac{1}{2}\right)=-\ln (2)$，可以得到：
$-\lambda \cdot h=-\ln (2)$

将负号消去，得到衰减系数：
$\lambda =\frac{\ln (2)}{h}$

2.3 权重的计算

知道了衰减系数 $\lambda$后，可以使用指数衰减公式计算每个时间点的权重：

$w_i=e^{-\lambda \cdot i}$

并对权重进行归一化，使其总和为 1。即$w_i^{{}^{\prime }}=w_i/{\sum }_{i=1}^n{w}_i$

3. 代码实现

import numpy as np

def half_decay_weight(h, window):
    lamda = np.log(2) / h
    weight = np.exp(-lamda * range(window))
	return weight / np.sum(weight)

  此时返回值就是权重数组了。