pandas EWMA平滑

### 使用 Pandas 实现 EWMA 指数加权移动平均平滑

为了实现指数加权移动平均（EWMA），可以利用 `pandas` 库中的 `ewm()` 方法。此方法允许指定不同的参数来调整权重分配方式，从而更好地适应特定的数据特征。

下面是一个完整的 Python 代码示例，展示如何使用 Pandas 对随机生成的时间序列数据应用 EWMA：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 创建 DataFrame 存储样本数据
data = pd.DataFrame()
data['sample'] = np.random.normal(size=100)

# 计算不同窗口大小下的简单移动平均(Simple Moving Average)
data['SMA5'] = data['sample'].rolling(window=5).mean()
data['SMA10'] = data['sample'].rolling(window=10).mean()

# 计算不同跨度设置下的指数加权移动平均(Exponentially Weighted Moving Average)
data['EWMA5'] = data['sample'].ewm(span=5, adjust=False).mean()
data['EWMA10'] = data['sample'].ewm(span=10, adjust=False).mean()

# 绘制原始数据及其对应的 SMA 和 EWMA 曲线图
data[['sample', 'SMA5', 'SMA10', 'EWMA5', 'EWMA10']].plot(
    subplots=False,
    figsize=(12, 6),
    grid=True
)
plt.title('Comparison of Simple and Exponential Moving Averages')
plt.show()

在这个例子中，通过设定 `span` 参数的不同值实现了两种不同长度的 EWMA 平滑效果，并将其与相同周期长度的传统简单移动平均进行了对比[^2]。

值得注意的是，在实际应用场景下，可以根据具体需求调整 `adjust` 参数以及选择合适的 `com`, `alpha`, 或者继续沿用 `span` 来定义衰减因子，进而优化模型的表现性能。