指数平滑法「指数平滑法!」

今日，上证指数网讨论指数平滑法的话题，一起来参与吧！

指数平滑法的简介

指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。
也就是说指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。

,请问:一次指数平滑预测公式是怎么计算的

一次指数平滑的计算公式为：�s��（1）��t＝〖WB〗αy�t+α(1-α)y��t-1�+α(1-α)�2y��t-2�+…�〖DW〗+α(1-α)��t-1�y�1＋α（1-α)�ty�0
〖JY〗（7-3）�式中：s��（1）��t为第t时点的一次指数平滑值，y�t为第t时点的实际值，α为平滑系数，0＜α＜1，上式又可写成如下形式：�〖JZ(〗s��（1）��t=αy�t+α(1-α)y��（1）���t-1�〖JZ)〗〖JY〗(7-4)�一次指数平滑法以最接近预测点的指数平滑值作为预测点的预测值。指数平滑的预测模型如下式所示：�〖JZ(〗
〖AKy＾2〗��t+1�=s��（1）��t=αy�t+α(1-α)y��（1）���t-1�〖JZ)〗〖JY〗(7-5)� 在计算指数平滑预测值时，首先应确定初始值s��（1）��0。当历史数据较多时，可以用实际的初始值y�1作初始值s��（1）��0
，如果数据较少，则可取最初几个实际数据的平均值作为s��（1）��0。由公式还可以看出，当平滑系数α=1时，t+1时点的预测值〖AKy＾2〗��t+1�就等于t时点的历史真实数据y�t，一次指数平滑对预测不起作用。当α=0时，〖AKy＾2〗��t+1�=s��（1）���t-1�，即预测值等于t-1时点的一次指数平滑值，而最后一个时点的真实数据y�t对预测将不起作用。这说明平滑系数α对预测效果有很大的影响。α越大，平滑作用越小，平滑作用越强，近期数据对预测结果影响越小。一般对比较稳定的时间序列取较小的值，而对变动较大的时间序列取较大的α值。当然，实际中，在时间序列线形变化部分，一次指数平滑序列也有一定的滞后偏差，因此，对于有明显的线性变化趋势的时间序列，常常使用二次指数平滑法建立线形预测模型进行预测。