指数加权移动平均模型_移动平均(Moving Average)

移动平均(Moving Average)

滑动/移动平均(Moving Average, MA), 又称移动平均线，是技术分析中一种分析时间序列的常用工具。常见的移动平均包括简单移动平均(Simple Moving Average, SMA)、权重移动平均(Weight Moving Average, WMA)和指数移动平均(Exponential Moving Average,EMA)等，它们的主要区别是计算平均值的公式不同。

其中指数移动平均(EMA)，在深度学习中的各种优化算法和批归一化(Batch Normalization)等的计算中都有使用

简单移动平均

概念

计算公式如下

这里

为时间周期

实例推导

计算某段时期温度的移动平均值，滑动的周期为5

加权移动平均

概念

在计算加权滑动平均（Weighted Moving Average, WMA）时，窗口内的过滤函数的取值从当前数据到之前第

期的数据依次线性递减。下图为周期为15时的滑动窗口对应的权重系数。

计算公式如下

这里

为时间周期

实例推导

计算某段时期温度的移动平均值，滑动的周期为5

指数移动平均

概念

指数移动平均（Exponential Moving Average, EMA）和加权移动平均类似，但不同之处是各数值的加权按指数递减，而非线性递减。

下图为周期为15时的滑动窗口对应的权重系数。

计算公式如下

这里

表示权重的衰减程度。

越大，表示过去的观测值衰减的越快

是用来计算

的参数，它不表示指数衰减在 T 期后结束。

关于指数移动平均的计算，这里参考吴恩达深度学习课程中的计算公式进行描述，与上述公式本质上没有区别。计算公式如下

为权重因子, 通常取值为接近于1的值，如0.9， 0.98， 0.99， 0.999等。

越小，过去过去累计值的权重越低，当前抽样值的权重越高，移动平均值的实时性就越强。反之

越大，吸收瞬时突发值的能力变强，平稳性更好。

为某一时刻真实值

为某一时刻指数移动平均值

指数移动平滑的近似周期计算公式为

权重因子如何确定

权重因子是指数移动平均计算中最关键的参数，如何确定权重因子的大小成为一个关键问题。下面重新推导指数移动平均公式，进一步理解指数移动平均的含义，从而确定权重因子的大小。

根据公式

,可以得到如下推导公式，设

，求解

的表达式，过程如下

由

最后一行的推导结果可以得出，

指数移动平均值，本质上前100项数值的加权平均。

这时我们考虑，到底需要平均多少项的数值。实际上，在计算当前项的指数移动平均值时，我们会加权平均，包含当前项的之前所有项的值。

但是，通过公式可以看出项的权重随着指数系数的增加而减小，并趋近于零，如当权重系数大小为

，这一项可以忽略。这意味指数移动平均值近似于当前项之后一定数量有效项的加权平均的结果（我们假设存在一个阈值，当项的权重系数大于阈值时为有效项；当权重系数衰减到低于阈值则为无