股票指标：指数移动平均(EXPMA)解析

EXPMA指标说明

EXPMA为因移动平均线被视为落后指标的缺失而发展出来的，为解决一旦价格已脱离均线差值扩大，而平均线未能立即反应，EXPMA可以减少类似缺点。
EXPMA译为指数平均线，修正移动平均线较股价落后的缺点，本指标随股价波动反应快速，用法与移动平均线相同。

指数加权平均EWA

指数加权平均（Exponentially Weighted Average, EWA），是一种统计学方法，用于平滑时间序列数据。它通过给予最近的数据点更高的权重，并逐渐减少较早数据点的权重，来计算平均值。这种方法在处理和分析时间序列数据时特别有用，因为它能够更好地反映最新的趋势。

EXPMA，全称为指数移动平均（Exponential Moving Average），实际上与EWA（指数加权平均）指的是同一个概念。在不同的上下文中，可能会使用不同的术语，但它们描述的是同一种方法。

EWA 的核心思想

• 平滑数据：通过计算一系列观测值的加权平均来减少短期波动的影响，从而更容易识别出长期趋势。
• 权重分配：对较新的数据给予较高的权重，而对较旧的数据给予逐渐减少的权重。这种权重的分配是指数级下降的，因此得名“指数”移动平均或加权平均。

EWA计算公式

假设有一个时间序列数据 $x_t$，其中$t$表示时间步长。指数加权平均 $v_t$ 在时间 $t$的值可以按照如下递归公式计算：
$$v_t=\beta v_{t-1}+(1-\beta )x_t$$
这里：

• $v_t$是时间 $t$的指数加权平均值。

• $x_t$是时间 $t$的观测值。

• $\beta$ 是一个介于0和1之间的参数，表示衰减率。它的值决定了历史数据被赋予的权重大小。较小的 $\beta$ 值意味着对过去观察结果赋予较低的权重，使得模型更关注近期的数据；较大的 $\beta$ 值则会使得模型考虑更多的历史数据。

EWA计算示例

通过一个具体的例子来说明指数加权平均（EWA）是如何计算的。

假设我们有一个时间序列数据集，表示某商品连续5天的价格，分别为：

• $x_1=10$
• $x_2=12$
• $x_3=11$
• $x_4=13$
• $x_5=14$

我们选择衰减率 $\beta =0.9$ 来计算指数加权平均值。

首先，初始化 $v_1=x_1=10$。

然后，我们可以依次计算每一天的指数加权平均值：

• 对于 $t=2$：
  $$v_2=0.9\times 10+(1-0.9)\times 12=9+1.2=10.2$$

• 对于 $t=3$：$$v_3=0.9\times 10.2+(1-0.9)\times 11=9.18+1.1=10.28$$

• 对于 $t=4$：
  $$v_4=0.9\times 10.28+(1-0.9)\times 13=9.252+1.3=10.552$$

• 对于 $t=5$：
  $$v_5=0.9\times 10.552+(1-0.9)\times 14=9.4968+1.4=10.8968$$

因此，经过计算后，第5天的指数加权平均价格为约 10.9。这表明尽管最近一天的价格是 14，但因为指数加权平均考虑了过去几天的数据，并且给予了最近的数据更高的权重，所以最终的平均值比单纯取最近一天的价格要低。

关键点：有效窗口大小⭐

$$有效窗口大小\approx \frac{1}{1-\beta }$$

这是一个非常重要的概念，它帮助我们理解指数加权平均（EWA）中参数 $\beta$ 的实际含义。

---

什么是“有效窗口大小”？

在传统的简单移动平均（Simple Moving Average, SMA）中，比如取最近 10 天的平均值，我们明确地使用了过去 10 个数据点，每个数据点权重相同。这就是一个固定窗口大小为 10 的平均。

但在指数加权平均中，理论上来说，所有历史数据都会对当前的平均值产生影响，只不过越早的数据权重越小。因此，我们会说：

“虽然所有的历史数据都有影响，但大部分影响集中在最近的几个时间点。”

这个“集中在最近的时间范围”就被称为有效窗口大小。

---

如何计算有效窗口大小？

我们通过下面这个公式来估算指数加权平均的有效窗口大小：

$$\text{有效窗口大小}\approx \frac{1}{1-\beta }$$

示例：

β 值 =0.9 $\text{有效窗口大小}\approx \frac{1}{1-0.9}=10$
β 值 =0.98 $\text{有效窗口大小}\approx \frac{1}{1-0.98}=50$
β 值 =0.5 $\text{有效窗口大小}\approx \frac{1}{1-0.5}=2$

这说明：

• 当 $\beta =0.9$ 时，大约前 10个时间步的数据对当前的 EWA 值有显著影响。
• 当 $\beta =0.98$ 时，大约前 50个时间步的数据仍有影响，表示更“平滑”，但对变化反应慢；
• 当 $\beta =0.5$ 时，只关注最近 2个时间步，波动性更大，响应更快。

---

更直观的理解

我们可以把 $\beta$ 理解为：“保留多少上一时刻的信息”。

假设现在有一个新的观测值 $x_t$，那么更新后的 EWA 是：

$$v_t=\beta v_{t-1}+(1-\beta )x_t$$

也就是说：

• $\beta$ 越大 → 越依赖之前的值 $v_{t-1}$，相当于看更多历史数据；
• $\beta$ 越小 → 更倾向于相信最新的数据 $x_t$，相当于只看最近很少几个数据点。

所以：

设置 $\beta =0.9$ 就相当于你在做一个“近似10天的加权移动平均”。

---

总结

概念	含义
$\beta$ 值	决定旧数据保留的比例
$1-\beta$	新数据所占权重
有效窗口大小	近似等于 $\frac{1}{1-\beta }$，表示大约有多少个历史数据对当前 EWA 有显著影响
实际意义	帮助我们选择合适的 $\beta$ 来模拟特定长度的移动平均，便于调参和理解模型行为

股票市场实际意义⭐

1. 趋势跟随：EXPMA可以帮助识别出股票价格的趋势方向。当短期EXPMA位于长期EXPMA之上时，通常被视为上升趋势；反之，若短期EXPMA位于长期EXPMA之下，则可能是下降趋势。
2. 买卖信号：
   • 买入信号：当短期EXPMA向上穿越长期EXPMA时，这通常被认为是一个买入信号，表明股票可能会进入一个上升趋势。
   • 卖出信号：相反地，如果短期EXPMA向下穿越长期EXPMA，这可能预示着股价即将下跌，是一个卖出信号。
3. 支撑和阻力：在多头市场中，短期EXPMA可以作为股价的动态支撑线；而在空头市场中，它可以作为股价的动态阻力线。
4. 波动性判断：通过观察EXPMA曲线的变化速率，可以对市场的波动性进行一定程度的评估。快速变化的EXPMA曲线可能意味着较高的市场波动性。
   跌，是一个卖出信号。
5. 支撑和阻力：在多头市场中，短期EXPMA可以作为股价的动态支撑线；而在空头市场中，它可以作为股价的动态阻力线。
6. 波动性判断：通过观察EXPMA曲线的变化速率，可以对市场的波动性进行一定程度的评估。快速变化的EXPMA曲线可能意味着较高的市场波动性。

计算中兴通讯5日EXPMA

使用akshare获取中兴通讯的股票数据，然后计算5日EXPMA，并用matplotlib绘图。

import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt

# 获取股票数据（调整股票代码和日期）
stock_code = "000063"  # 正确的股票代码格式
start_date = "20230430"  # 调整为一年前的日期

stock_data = ak.stock_zh_a_hist(symbol=stock_code, start_date=start_date)

# 检查数据是否获取成功
if stock_data.empty:
    raise ValueError("未获取到数据，请检查股票代码或日期参数。")

# 数据预处理
stock_data['日期'] = pd.to_datetime(stock_data['日期'])
stock_data = stock_data.sort_values(by='日期', ascending=True)

# 计算5日EMA
stock_data['expma_5'] = stock_data['收盘'].ewm(span=5).mean()

# 数据可视化
plt.figure(figsize=(16, 8))
plt.plot(stock_data['日期'], stock_data['收盘'], label='收盘价', color='blue')
plt.plot(stock_data['日期'], stock_data['expma_5'], label='5日指数移动平均线', color='red')
plt.title('中兴通讯(000063) 股价与5日EMA (2023-2024)')
plt.xlabel('日期')
plt.ylabel('股价(元)')
plt.legend()
plt.grid(True)
plt.show()