N日指数平滑移动平均怎么理？
这句话主要用来解释KDJ指数中D值的算法，换算成公式:todays D值为2/3 ×昨天 标准差值 。
1/3 ×今日 s K值 。其中三分之一是平滑因子，可以人为选择 ， 但已经建立并固定在1/3 。说明指数平滑移动平均法是由简单移动平均法演变而来的 。从简单移动平均的计算公式可以看出，计算平均值的各个时期都被视为同等重要 。但也有人认为距离越远的值越不重要，于是产生了各种改进的加权移动平均计算方法 。指数平滑移动平均线(平滑计算概念？
首先 ， 移动平均法和指数平滑法 。
(一)移动平均法
1.移动平均法是采集一组观测值，计算这组观测值的平均值，用这个平均值作为下一期的预测值 。
2、移动平均法有两种极端情况:
①包含在移动平均计算中的过去观测值的实际数N1 ， 然后将最新的观测值作为下期的预测值；
② Nn，此时将所有n个观测值的算术平均值作为预测值；
当数据的随机因子较大时 ， 宜选择较大的n，有利于在更大程度上平滑随机性带来的严重偏差；另一方面 ， 当数据的随机因子较小时，最好选择较小的n ， 有利于跟踪数据的变化，预测值滞后的周期数较少 。
3.从移动平均法的计算公式可以看出，每一个新的预测值都是对前一个移动平均预测值的修正，n越大，平滑效果越好 。
4.移动平均法的优点:①计算量少；②移动平均线能很好地反映时间序列的趋势和变化 。
5.移动平均法的两个主要限制:
①计算移动平均，必须有n个过去的观测值，当需要预测大量的值时，必须存储大量的数据；
②N个过去的观测值各自的权重相等 ， 而(t-N-1)期间之前的观测值的权重等于0 。事实上，最新的观察往往包含更多的信息，应该有更大的权重 。
一阶指数平滑法
1、第一种指数平滑法是用前期的预测值代替预测通式，即
这是权重为α的加权预测 。它不需要存储所有的历史数据或一组数据 。
因此，可以大大减少数据存储的问题 ， 有时甚至只需要最新的观测值、最新的预测值和α值就可以做出预测 。它提供的预测值是前期的预测值加上前期产生的误差的修正值 。
【N日指数平滑移动平均怎么理 指数平滑法指标】2.有几种方法可以确定第一种指数平滑法的初始值:
①取第一阶段的实际值作为初始值；
(2)取前几期的平均值作为初始值；
3.第一种指数平滑法简单，但也有问题 。其中一个问题是试图找到最佳的α值使均方误差最小 ， 这需要通过反复实验来确定 。
二、线性二次移动平均法和线性二次指数平滑法 。
(一)线性二次移动平均法
基本原理:为了避免使用移动平均法预测趋势数据时的系统误差，发展了线性二次移动平均法 。这种方法的基础是计算第二次移动平均 ， 即在第一次移动平均的实际值的基础上，进行第二次移动平均 。
(2)线性二次指数平滑法
第一种移动平均法的两个限制因素只存在于线性二次移动平均法中，线性二次指数平滑法只需要利用三个数据和一个α值就可以计算出来 。
1.布朗单参数线性指数平滑法的基本原理类似于线性二次移动平均法 。
2.霍尔特 s的双参数线性指数平滑法 ， 其基本原理与Browns线性指数平滑法，只不过不需要二次指数平滑，而是平滑趋势线 。
三、布朗二次多项式(三次)指数平滑法
基本原理:当数据的基本模型具有二次、三次或更高次幂时，需要采用更高次平滑的形式 。从线性平滑过渡到二次多项式平滑的基本途径是再次平滑(即三次平滑)，估计二次多项式的参数 。类似地 ， 也可以实现从二次多项式到三次或更高次多项式的平滑过渡 。四、冬季线性和季节性指数平滑法
如果数据的变化包含季节性因素，应使用冬季线性和季节性指数平滑方法，这些方法考虑了季节性因素 。
使用这种方法时 ， 一个重要的问题是如何确定α、β和γ的值，使均方误差最小 。通常，确定α、β和γ的最佳方法是试错法 。
