指數移動平均數據集平均年齡
為什麼 EMA(指數移動平均線)的平滑係數計算為:
$$ {\displaystyle \alpha =2/(N+1)}? $$
Brown RG 在“離散時間序列的平滑、預測和預測 (1963)”的第 107 頁上使用以下推導給出了他所謂的數據集平均年齡的解釋:
(1)$$ avg=0\alpha+1\alpha\beta+2\alpha\beta^2+… $$ (2)$$ avg=\alpha\sum_{k=0}^{\infty}k\beta^k $$ (3)$$ avg=\frac{\beta}{\alpha} $$
然後他接著說,如果希望數據集 (3) 的指數平均年齡與簡單(N 個數據點)移動平均線相同,您只需要求解方程:
$$ {\displaystyle \beta/\alpha =(N-1)/2}? $$
或者用簡單的英語:
數據的指數平均年齡 = 數據的簡單 N 平均年齡。
一切都很好,但我無法彌合方程 2 和 3 之間的差距,他是如何將冪級數解為那個分數的?
筆記:
“平均年齡是每條數據使用的年齡的平均值,加權為該年齡的數據會被加權。在指數平滑過程中,給定k個週期前的數據的權重為:
$$ \alpha\beta^k, \beta=(1-\alpha) $$
彌合等式 2 和 3 之間的差距:
讓我們使用無限級數的事實 $ \sum_{k=0}^\infty k \cdot \beta^k $ 有一個封閉形式的解決方案(見this post for proof):
$$ \sum_{k=0}^\infty k \cdot \beta^k = \frac{\beta}{(1-\beta)^2}, $$
什麼時候 $ |\beta| = |1-\alpha|<1 $ 或者 $ \alpha < 1 $ , 無窮級數收斂到上述結果。
現在,讓我們再分幾步計算平均值:
$$ \begin{align} \bar{k} &= \alpha \sum_{k=0}^\infty k \cdot \beta^k \ &= \alpha \cdot \frac{\beta}{(1-\beta)^2} \ &= \alpha \cdot \frac{\beta}{\left(1-(1-\alpha)\right)^2}\ &= \alpha \cdot \frac{\beta}{\alpha^2}\ &= \frac{\beta}{\alpha} \end{align} $$
我希望這能澄清一些事情。