Exponentiellt Vägda Glidande Medelvärde Algoritm

Jag vill genomföra en iterativ algoritm, som beräknar vägt genomsnitt. Den specifika viktlagstiftningen spelar ingen roll, men den borde vara nära 1 för de nyaste värdena och nära 0 till de äldsta. Algoritmen ska vara iterativ. dvs det bör inte komma ihåg alla tidigare värden. Det borde bara veta ett nyaste värde och någon aggregerande information om tidigare, som tidigare värden av medelvärdet, summan, räkningen etc. Till exempel kan följande algoritm vara: Det kommer att ge exponentiell minskande vikt, vilket kanske inte är bra. Är det möjligt att få steg med minskad vikt eller något Kraven på vägning är följande: 1) Vikten minskar i förflutna 2) Jag har viss genomsnittlig eller karakteristisk längd så att värden äldre denna varaktighet är betydligt mindre än nyare 3) Jag bör kunna ställa in denna längd jag behöver följande. Antag att vi är värden, där v1 är den första. Antag också att wi är vikter. Men w0 är senast. Så efter det första värdet kom jag först med det första. Efter det andra värdet v2 kom, borde jag ha genomsnittet Med nästa värde borde jag ha Obs, den viktprofilen rör sig med mig medan jag flyttar längs värdesekvensen. Dvs. varje värde har inte sin egen vikt hela tiden. Mitt mål är att få denna vikt lägre medan man går förbi. gt Men min uppgift är att ha en genomsnittlig omräkning varje gång nytt värde kommer att ha gamla värden reweighted. OP Din uppgift är nästan alltid omöjlig, även med exceptionellt enkla viktningsplaner. Du ber att, med O (1) minne, ge medelvärden med ett ändrat viktningsschema. Till exempel, när nya värden skickas in, för vissa nästan vildväxande vikter sekvens. Detta är omöjligt på grund av injicerbarhet. När du slår samman siffrorna ihop förlorar du en enorm mängd information. Till exempel, även om du hade vektvektorn. du kunde inte återställa originalvärdesvektorn, eller vice versa. Det finns bara två fall som jag kan tänka på var du kunde komma undan med detta: Konstanta vikter som 2,2,2. 2: det här motsvarar en online-algoritm, som du inte vill ha eftersom de gamla värdena inte reweightes. De relativa vikterna av tidigare svar ändras inte. Till exempel kan du göra vikter på 8,4,2,1. och lägg till i ett nytt element med godtycklig vikt som. 1. men du måste öka allt tidigare med samma multiplikativa faktor, som 16,8,4,21. I varje steg lägger du till en ny godtycklig vikt och en ny godtycklig återkallning av det förflutna, så du har 2 frihetsgrader (endast 1 om du behöver behålla din punktprodukt normaliserad). De viktvektorer du får kommer att se ut: Således kan ett viktningsschema som du ser ut så fungera (om du inte behöver hålla saken normaliserad med summan av vikter, då måste du sedan dela det nya genomsnittet av det nya summan som du kan beräkna genom att bara behålla O (1) minne). Merligen multiplicera det föregående genomsnittet av de nya s (vilket implicit distribuerar över punktprodukten till vikterna) och tack på den nya wnewValue. svarade mar 29 12 på 21:27 Här antar du att vikterna ska summeras till 1. Så länge du kan generera en relativ vikt utan att den ändras i framtiden, kan du sluta med en lösning som efterliknar detta beteende. Det är förmodligen att du definierade dina vikter som en sekvens och definierade inmatningen som sekvens. Tänk på formuläret: summa (s0i0 s1i1 s2i2. Snin) summa (s0 s1 s2. Sn). Observera att det är triviellt möjligt att beräkna detta inkrementellt med ett par aggregeringsräknare: Naturligtvis beräknar viWeightFromCounter () i det här fallet inte att generera vikter som summan till en - tricket här är att vi är genomsnittliga genom att dividera med summan av vikterna så att i slutändan tycks vikterna i praktiken sammanfalla till en. Det verkliga tricket är hur du gör calculateWeightFromCounter (). Du kan helt enkelt återvända räknaren själv, till exempel, notera att det sista viktiga numret inte skulle vara nära summan av räknarna nödvändigtvis, så du kanske inte hamnar med de exakta egenskaperna du vill ha. (Det är svårt att säga eftersom du, som sagt, har lämnat ett ganska öppet problem.) Svarat mar 28 12 kl 21:45 Problemet är att vikterna förändras med varje nytt värde. I ditt fall är de inte det. ndash Suzan Cioc Mar 29 12 kl 14:43 De faktiska använda vikterna förändras med varje nytt värde - kvoten kvot delas med ett successivt större antal, vilket gör att de faktiska använda vikterna alltid summeras till 1. ndash Kaganar mar 29 12 klockan 14:45 Det här är för långt att skriva in en kommentar, men det kan vara användbart att veta. Antag att du har: w0vn. wnv0 (väl kalla det här w0..nvn..0 för korta) Sedan är nästa steg: w0vn1. wn1v0 (och detta är w0..n1vn1..0 för kort) Det betyder att vi behöver ett sätt att beräkna w1..n1vn..0 från w0..nvn..0. Det är säkert möjligt att vn..0 är 0. 0, z, 0. 0 där z är på någon plats x. Om vi ​​inte har någon extra lagring, då f (zw (x)) zw (x 1) där w (x) är vikten för plats x. Omordna ekvationen, w (x 1) f (zw (x)) z. Jo, w (x 1) är bättre konstant för en konstant x, så f (zw (x)) z är bättre konstant. Därför måste f föra z propagera - det vill säga f (zw (x)) zf (w (x)). Men här har vi igen ett problem. Observera att om z (vilket kan vara vilket som helst nummer) kan sprida sig via f. då kan w (x) säkert. Så f (zw (x)) w (x) f (z). Således f (w (x)) w (x) f (z). Men för en konstant x. w (x) är konstant, och därmed är f (w (x)) bättre också konstant. w (x) är konstant, så f (z) är bättre konstant så att w (x) f (z) är konstant. Således är f (w (x)) w (x) c där c är en konstant. Så, f (x) cx där c är en konstant när x är ett viktvärde. Det vill säga varje vikt är en multipel av det föregående. Vikten tar sålunda formen w (x) mbx. Observera att detta förutsätter att den enda informationen f har är det sista aggregerade värdet. Observera att du vid något tillfälle kommer att reduceras till detta fall om du inte är villig att lagra en icke-konstant mängd data som representerar din inmatning. Du kan inte representera en oändlig längdvektor med reella tal med ett reellt tal, men du kan approximera dem på något sätt i en konstant, ändlig mängd lagring. Men detta skulle bara vara en approximation. Även om jag inte har bevisat det strängt, är det min slutsats att det du vill ha är omöjligt att göra med en hög grad av precision, men du kan kanske använda log (n) utrymme (vilket också kan vara O (1) för många praktiska tillämpningar) för att skapa en kvalitativ approximation. Du kan kanske använda ännu mindre. svarade mar 29 12 kl 23:01 Jag försökte praktiskt taget koda något (i Java). Som sagt har målet inte uppnåtts. Du kan bara räkna medeltal från ett antal senast bortkomna värden. Om du inte behöver vara exakt kan du approximera de äldre värdena. Jag försökte göra det genom att komma ihåg de senaste 5 värdena exakt och äldre värden bara uppräknade med 5 värden, kom ihåg de senaste 5 SUM. Då är komplexiteten O (2n) för att komma ihåg de senaste nnn-värdena. Detta är en mycket grov approximation. Du kan ändra de senaste valerna och lasAggregatedSums array storlekarna som du vill. Se den här ascii-art-bilden som försöker visa en graf över de senaste värdena, vilket visar att de första kolumnerna (äldre data) kommer ihågs som aggregerat värde (inte individuellt) och endast de första 5 värdena kommer ihåg individuellt. Utmaning 1. Mitt exempel räknar inte vikter, men jag tror att det inte borde vara problem för dig att lägga till vikter för de senasteAggregatedSummen på lämpligt sätt. Det enda problemet är att om du vill ha lägre vikter för äldre värden, skulle det vara svårare, eftersom matrisen roterar, så Det är inte lätt att veta vilken vikt för vilken medlem i gruppen. Kanske kan du modifiera algoritmen för att alltid flytta värden i matrisen istället för att rotera. Då lägger vikter inte vara ett problem. Utmaning 2. Arrayerna initialiseras med 0 värden, och dessa värden räknar med i genomsnitt från början, även när vi inte får tillräckligt med värden. Om du kör algoritmen länge, stör du förmodligen inte att den lär dig någon gång i början. Om du gör det kan du skicka en ändring -) svarat jan 21 14 kl 15:59 Ditt svar 2017 Stack Exchange, IncThis repo ger exponentiellt viktad flytta genomsnittlig algoritmer, eller EWMAs för korta, baserat på vårt Quantifying Abnormal Behavior Talk. Exponentiellt vägt rörligt medelvärde Ett exponentiellt vägat glidande medelvärde är ett sätt att kontinuerligt beräkna en typ av medelvärde för en serie av siffror, som numren anländer. Efter att ett värde i serien läggs till i genomsnitt minskar dess vikt i genomsnittet exponentiellt över tiden. Detta förskjuter medelvärdet mot senare data. EWMAs är användbara av flera anledningar, främst deras billiga beräkningsmässiga och minneskostnader, liksom det faktum att de representerar den senaste centrala tendensen i värdeserien. EWMA-algoritmen kräver en sönderfallsfaktor, alfa. Ju större alfabetet är, desto mer är genomsnittet förspänt mot den senaste historien. Alfa måste vara mellan 0 och 1 och är vanligen ett ganska litet antal, såsom 0,04. Vi kommer att diskutera valet av alpha senare. Algoritmen fungerar således i pseudokod: Multiplicera nästa nummer i serien med alfa. Multiplicera nuvärdet av medelvärdet med 1 minus alfa. Lägg till resultatet av steg 1 och 2 och lagra det som det nya nuvarande värdet av medelvärdet. Upprepa för varje nummer i serien. Det finns speciella fall beteenden för hur man initierar det nuvarande värdet, och dessa varierar mellan implementeringar. Ett tillvägagångssätt är att börja med det första värdet i serien. En annan är att genomsnitts de första 10 eller så värdena i serien med hjälp av ett aritmetiskt medelvärde och sedan börja den inkrementella uppdateringen av genomsnittsvärdet. Varje metod har för och nackdelar. Det kan hjälpa till att se på det pictorially. Antag att serien har fem siffror, och vi väljer alfabet för att vara 0,50 för enkelhet. Heres serien, med siffror i närheten av 300. Nu kan vi ta det rörliga genomsnittet av dessa nummer. Först ställer vi medelvärdet till värdet av det första numret. Nästa multiplicerar vi nästa tal med alfa, multiplicerar nuvärdet med 1-alfa och lägger till dem för att generera ett nytt värde. Detta fortsätter tills vi är färdiga. Lägg märke till hur vart och ett av värdena i serien minskar med hälften varje gång ett nytt värde läggs till, och toppen av staplarna i den nedre delen av bilden representerar storleken på glidande medelvärde. Det är ett jämnt, eller lågpass, medelvärde av originalserien. Tänk på ett glidande medelvärde för glidande fönster i fast storlek (inte ett exponentiellt vägat glidmedelvärde) som är medelvärde över de föregående N-proverna. Vad är medelåldern för varje prov Det är N2. Antag nu att du vill konstruera en EWMA vars prover har samma medelålder. Formeln för att beräkna den alfa som krävs för detta är: alfa 2 (N1). Bevis finns i boken Production and Operations Analysis av Steven Nahmias. Så om du till exempel har en tidsserie med prov en gång per sekund, och du vill få det glidande medeltalet under föregående minut, ska du använda en alfabet av .032786885. Detta är förresten den konstanta alfa som används för denna repositories SimpleEWMA. Detta förråd innehåller två implementeringar av EWMA-algoritmen, med olika egenskaper. Implementationerna överensstämmer med MovingAverage-gränssnittet, och konstruktorn returnerar den typen. Nuvarande implementeringar antar ett implicit tidsintervall på 1,0 mellan varje tillsatt prov. Det betyder att tidens gång behandlas som om det är samma som ankomst av prover. Om du behöver tidsbaserad förfall när prover inte anländer exakt med bestämda intervaller, kommer det här paketet inte att stödja dina behov för närvarande. En SimpleEWMA är utformad för låg CPU och minneskonsumtion. Det kommer att ha olika beteenden än VariableEWMA av flera anledningar. Det har ingen uppvärmningsperiod och det använder ett konstant förfall. Dessa egenskaper låter det använda mindre minne. Det kommer också att verka annorlunda när det är lika med noll, vilket antas innebära oinitialiserat, så om ett värde sannolikt faktiskt blir noll över tiden kommer ett icke-nollvärde att orsaka ett skarpt hoppa istället för en liten förändring. Till skillnad från SimpleEWMA stöder detta en anpassad ålder som måste lagras och använder sålunda mer minne. Det har också en uppvärmningstid när du börjar lägga till värden till den. Det kommer att rapportera ett värde på 0,0 tills du har lagt till det önskade antalet prov till det. Det använder lite minne för att lagra antalet prover som läggs till det. Som ett resultat använder den lite över två gånger minnet av SimpleEWMA. Se den genererade dokumentationen från GoDoc här. Vi accepterar bara draförfrågningar om mindre korrigeringar eller förbättringar. Detta inkluderar: Små buggfixar Typos Dokumentation eller kommentarer Vänligen öppna problem för att diskutera nya funktioner. Pull-förfrågningar om nya funktioner kommer att avvisas, så vi rekommenderar att vi förvarar förvaret och gör ändringar i gaffeln till ditt användarfall. Detta förvar är upphovsrätt (c) 2013 VividCortex, Inc. Alla rättigheter förbehållna. Den är licensierad enligt MIT-licensen. Vänligen se LICENSFILEN för tillämpliga licensvillkor. Exportera Exponentiellt vägt Flytta Genomsnittlig volatilitet är den vanligaste riskmåtten, men den kommer i flera smaker. I en tidigare artikel visade vi hur man beräkna enkel historisk volatilitet. (För att läsa den här artikeln, se Använd volatilitet för att mäta framtida risk.) Vi använde Googles faktiska aktiekursdata för att beräkna den dagliga volatiliteten baserat på 30 dygns lagerdata. I den här artikeln kommer vi att förbättra den enkla volatiliteten och diskutera exponentialvägt rörligt medelvärde (EWMA). Historisk Vs. Implicit Volatilitet Först, låt oss sätta denna mätning i en bit av perspektiv. Det finns två breda tillvägagångssätt: historisk och underförstådd (eller implicit) volatilitet. Det historiska tillvägagångssättet förutsätter att förflutet är en prolog som vi mäter historia i hopp om att det är förutsägbart. Implicit volatilitet å andra sidan ignorerar historien som den löser för volatiliteten implicerad av marknadspriser. Det hoppas att marknaden vet bäst och att marknadspriset innehåller, även om det implicit är, en konsensusuppskattning av volatiliteten. (För relaterad läsning, se Användning och gränser för volatilitet.) Om vi ​​fokuserar på bara de tre historiska tillvägagångssätten (till vänster ovan), har de två steg gemensamt: Beräkna serien av periodisk avkastning Använd ett viktningsschema Först vi beräkna den periodiska avkastningen. Det är typiskt en serie av dagliga avkastningar där varje avkastning uttrycks i fortlöpande sammansatta termer. För varje dag tar vi den naturliga loggen av förhållandet mellan aktiekurserna (det vill säga priset idag fördelat på pris igår, och så vidare). Detta ger en serie dagliga avkastningar, från dig till jag i-m. beroende på hur många dagar (m dagar) vi mäter. Det får oss till det andra steget: Det är här de tre metoderna skiljer sig åt. I den föregående artikeln (Använd volatilitet för att mäta framtida risker) visade vi att enligt enkla acceptabla förenklingar är den enkla variansen genomsnittet av de kvadrerade avkastningarna: Observera att summan av varje periodisk avkastning delar upp den totala av antal dagar eller observationer (m). Så det är verkligen bara ett genomsnitt av den kvadrerade periodiska avkastningen. Sätt på ett annat sätt, varje kvadrerad retur ges lika vikt. Så om alfa (a) är en viktningsfaktor (specifikt en 1m) ser en enkel varians något ut så här: EWMA förbättras på enkel varians Svagheten i denna metod är att alla avkastningar tjänar samma vikt. Yesterdays (väldigt ny) avkastning har inte mer inflytande på variansen än förra månaden tillbaka. Detta problem fastställs med hjälp av det exponentiellt viktade glidande medlet (EWMA), där senare avkastning har större vikt på variansen. Det exponentiellt viktade glidande medlet (EWMA) introducerar lambda. som kallas utjämningsparametern. Lambda måste vara mindre än en. Under det förhållandet, i stället för lika vikter, vägs varje kvadrerad avkastning med en multiplikator enligt följande: RiskMetrics TM, ett finansiellt riskhanteringsföretag, tenderar till exempel att använda en lambda på 0,94 eller 94. I det här fallet är den första ( senaste) kvadratiska periodiska avkastningen vägs av (1-0,94) (.94) 0 6. Nästa kvadrerade retur är helt enkelt en lambda-multipel av den tidigare vikten i detta fall 6 multiplicerat med 94 5,64. Och den tredje föregående dagens vikt är lika med (1-0,94) (0,94) 2 5,30. Det är betydelsen av exponentiell i EWMA: varje vikt är en konstant multiplikator (dvs lambda, som måste vara mindre än en) av den tidigare dagens vikt. Detta säkerställer en varians som är viktad eller förspänd mot senare data. (Mer information finns i Excel-kalkylbladet för Googles volatilitet.) Skillnaden mellan helt enkelt volatilitet och EWMA för Google visas nedan. Enkel volatilitet väger effektivt varje periodisk avkastning med 0,196 som visas i kolumn O (vi hade två års daglig aktiekursdata, det vill säga 509 dagliga avkastningar och 1509 0,196). Men märker att kolumn P tilldelar en vikt av 6, sedan 5,64, sedan 5,3 och så vidare. Det är den enda skillnaden mellan enkel varians och EWMA. Kom ihåg: När vi summerar hela serien (i kolumn Q) har vi variansen, vilket är kvadraten av standardavvikelsen. Om vi ​​vill ha volatilitet, måste vi komma ihåg att ta kvadratroten av den variansen. Vad är skillnaden i den dagliga volatiliteten mellan variansen och EWMA i Googles fall? Det är viktigt: Den enkla variansen gav oss en daglig volatilitet på 2,4 men EWMA gav en daglig volatilitet på endast 1,4 (se kalkylbladet för detaljer). Uppenbarligen avtog Googles volatilitet mer nyligen, därför kan en enkel varians vara konstant hög. Dagens Varians är en funktion av Pior Days Variance Du märker att vi behövde beräkna en lång serie exponentiellt sjunkande vikter. Vi brukar inte göra matematiken här, men en av EWMA: s bästa egenskaper är att hela serien reduceras bekvämt till en rekursiv formel: Rekursiv betyder att dagens variansreferenser (det vill säga är en funktion av den tidigare dagens varians). Du kan också hitta denna formel i kalkylbladet, och det ger exakt samma resultat som longhandberäkningen. Det står: Dagens varians (under EWMA) motsvarar ysterdays variance (viktad av lambda) plus ysterdays kvadrerade retur (vägd av en minus lambda). Lägg märke till hur vi bara lägger till två termer tillsammans: Vardagens viktade varians och gårdagens viktiga, kvadrerade retur. Ändå är lambda vår utjämningsparameter. En högre lambda (t ex som RiskMetrics 94) indikerar långsammare sönderfall i serien - relativt sett kommer vi att ha fler datapunkter i serien och de kommer att falla av långsammare. Å andra sidan, om vi reducerar lambda, indikerar vi högre sönderfall: vikterna faller av snabbare och som ett direkt resultat av det snabba förfallet används färre datapunkter. (I kalkylbladet är lambda en ingång, så du kan experimentera med sin känslighet). Sammanfattning Volatilitet är den aktuella standardavvikelsen för ett lager och den vanligaste riskvärdet. Det är också kvadratrot av varians. Vi kan måle variationen historiskt eller implicit (underförstådd volatilitet). När man mäter historiskt är den enklaste metoden enkel varians. Men svagheten med enkel varians är alla avkastningar får samma vikt. Så vi står inför en klassisk avvägning: vi vill alltid ha mer data, men ju mer data vi har desto mer beräknas vår beräkning utspädd av avlägsna (mindre relevanta) data. Det exponentiellt viktade glidande genomsnittet (EWMA) förbättras på enkel varians genom att tilldela vikter till periodisk avkastning. Genom att göra detta kan vi båda använda en stor urvalsstorlek men ge också större vikt till nyare avkastningar. (För att se en filmhandledning om detta ämne, besök Bionic Turtle.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. DebtEquity Ratio är skuldkvoten som används för att mäta en företags039s ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. Detta repo tillhandahåller exponentiellt vägtryckande genomsnittliga algoritmer, eller EWMAs för korta, baserade på vårt Quantifying Abnormal Behavior Talk. En bild av en katt: Exponentiellt vägt rörligt medelvärde Ett exponentiellt vägat glidande medelvärde är ett sätt att kontinuerligt beräkna en typ av medelvärde för en serie av siffror, som numren anländer. Efter att ett värde i serien läggs till i genomsnitt minskar dess vikt i genomsnittet exponentiellt över tiden. Detta förskjuter medelvärdet mot senare data. EWMAs är användbara av flera anledningar, främst deras billiga beräkningsmässiga och minneskostnader, liksom det faktum att de representerar den senaste centrala tendensen i värdeserien. EWMA-algoritmen kräver en sönderfallsfaktor, alfa. Ju större alfabetet är, desto mer är genomsnittet förspänt mot den senaste historien. Alfa måste vara mellan 0 och 1 och är vanligen ett ganska litet antal, såsom 0,04. Vi kommer att diskutera valet av alpha senare. Algoritmen fungerar således i pseudokod: Multiplicera nästa nummer i serien med alfa. Multiplicera nuvärdet av medelvärdet med 1 minus alfa. Lägg till resultatet av steg 1 och 2 och lagra det som det nya nuvarande värdet av medelvärdet. Upprepa för varje nummer i serien. Det finns speciella fall beteenden för hur man initierar det nuvarande värdet, och dessa varierar mellan implementeringar. Ett tillvägagångssätt är att börja med det första värdet i serien. En annan är att genomsnitts de första 10 eller så värdena i serien med hjälp av ett aritmetiskt medelvärde och sedan börja den inkrementella uppdateringen av genomsnittsvärdet. Varje metod har för och nackdelar. Det kan hjälpa till att se på det pictorially. Antag att serien har fem siffror, och vi väljer alfabet för att vara 0,50 för enkelhet. Heres serien, med siffror i närheten av 300. Nu kan vi ta det rörliga genomsnittet av dessa nummer. Först ställer vi medelvärdet till värdet av det första numret. Nästa multiplicerar vi nästa tal med alfa, multiplicerar nuvärdet med 1-alfa och lägger till dem för att generera ett nytt värde. Detta fortsätter tills vi är färdiga. Lägg märke till hur vart och ett av värdena i serien minskar med hälften varje gång ett nytt värde läggs till, och toppen av staplarna i den nedre delen av bilden representerar storleken på glidande medelvärde. Det är ett jämnt, eller lågpass, medelvärde av originalserien. Tänk på ett glidande medelvärde för glidande fönster i fast storlek (inte ett exponentiellt vägat glidmedelvärde) som är medelvärde över de föregående N-proverna. Vad är medelåldern för varje prov Det är N2. Antag nu att du vill konstruera en EWMA vars prover har samma medelålder. Formeln för att beräkna den alfa som krävs för detta är: alfa 2 (N1). Bevis finns i boken Production and Operations Analysis av Steven Nahmias. Så om du till exempel har en tidsserie med prov en gång per sekund, och du vill få det glidande medeltalet under föregående minut, ska du använda en alfabet av .032786885. Detta är förresten den konstanta alfa som används för denna repositories SimpleEWMA. Detta förråd innehåller två implementeringar av EWMA-algoritmen, med olika egenskaper. Implementationerna överensstämmer med MovingAverage-gränssnittet, och konstruktorn returnerar den typen. Nuvarande implementeringar antar ett implicit tidsintervall på 1,0 mellan varje tillsatt prov. Det betyder att tidens gång behandlas som om det är samma som ankomst av prover. Om du behöver tidsbaserad förfall när prover inte anländer exakt med bestämda intervaller, kommer det här paketet inte att stödja dina behov för närvarande. En SimpleEWMA är utformad för låg CPU och minneskonsumtion. Det kommer att ha olika beteenden än VariableEWMA av flera anledningar. Det har ingen uppvärmningsperiod och det använder ett konstant förfall. Dessa egenskaper låter det använda mindre minne. Det kommer också att fungera annorlunda när det är lika med noll, vilket antas innebära oinitialiserat, så om ett värde sannolikt faktiskt blir noll över tiden kommer ett eventuellt icke-nollvärde att orsaka ett skarpt hoppa istället för en liten förändring. Till skillnad från SimpleEWMA stöder detta en anpassad ålder som måste lagras och använder sålunda mer minne. Det har också en uppvärmningstid när du börjar lägga till värden till den. Det kommer att rapportera ett värde på 0,0 tills du har lagt till det önskade antalet prov till det. Det använder lite minne för att lagra antalet prover som läggs till det. Som ett resultat använder den lite över två gånger minnet av SimpleEWMA. Se den genererade dokumentationen från GoDoc här.