ما الفرق بين المتوسط المتحرك الأسي (EMA) والمتوسط المتحرك البسيط (SMA)؟

يكمن الفرق الرئيسي في كيفية معالجة القيم التاريخية. في SMA، يتم حساب المتوسط عن طريق أخذ متوسط متساوٍ لعدد معين من النقاط السابقة، مما يعطي كل نقطة نفس الوزن. في EMA، يتم إعطاء أوزان مختلفة للقيم، حيث تحصل القيم الأحدث على وزن أكبر، وتتضاءل أوزان القيم الأقدم بشكل أسي (أي بمعدل تناقص ثابت). هذا يجعل EMA أكثر استجابة للتغيرات الأخيرة في البيانات، وهو مفيد بشكل خاص في تطبيقات التمويل وتحليل السلاسل الزمنية، وكذلك في التعلم الآلي لتتبع معلمات النماذج التي تتغير بمرور الوقت. على سبيل المثال، في تحسين خوارزميات مثل آدم، يُستخدم كل من EMA للقيمة المتوسطة (اللحظة الأولى) وEMA للتربيع (اللحظة الثانية) لضبط معدل التعلم. بينما SMA قد يضيف تأخيرًا زمنيًا أكبر ولا يلتقط الاتجاهات الحديثة بنفس الفعالية.

كيف أختار قيمة معامل الانحلال (decay) المناسبة لتطبيقي؟

معامل الانحلال (decay)، أو معامل التجانس، يحدد مدى سرعة نسيان القيم السابقة. قيمة عالية (قريبة من 1) تعطي وزناً كبيراً للقيمة الحالية، مما يجعل EMA حساساً جداً لأحدث التغييرات، ولكنه قد يكون عُرضة للتقلبات العشوائية. قيمة منخفضة (قريبة من 0) تجعل EMA أكثر سلاسة وأقل حساسية للتغيرات الحديثة، مما يؤدي إلى تأخير في الكشف عن الاتجاهات. في التعلم الآلي، غالباً ما تُستخدم قيم مثل 0.9 أو 0.99 لتقدير اللحظات الأولى والثانية في آدم، أو لتتبع متوسط متدرج التكلفة. القاعدة العامة: اختر decay بحيث يكون عمر النصف (half-life) = ln(2)/ln(1/(1-decay)) تقريباً، ويمكن ضبطه بناءً على سرعة التغير في بياناتك. جرب عدة قيم وراقب السلوك.

هل يمكن تطبيق EMA في سياقات غير التمويل والتعلم الآلي؟ وما هي الأمثلة العملية؟

بالتأكيد، يستخدم EMA في العديد من المجالات: (1) في التمويل: تحليل أسعار الأسهم واكتشاف الاتجاهات. (2) في التعلم الآلي: تتبع معلمات الخوارزميات التكرارية مثل آدم، RMSprop، أو تقدير المتوسطات المتحركة لمعدلات التعلم. (3) في مراقبة العمليات الصناعية: تتبع مستويات الإنتاج أو درجة الحرارة مع تخفيف الضوضاء. (4) في علم الأرصاد الجوية: حساب متوسطات درجات الحرارة مع التركيز على القراءات الأخيرة. (5) في معالجة الإشارات: مرشح تمرير منخفض بسيط. يعمل EMA كمرشح للتخلص من التقلبات العالية التردد مع الاحتفاظ بالاتجاهات الأساسية.

ما هو دور معامل الانحلال في معادلة EMA وكيف يؤثر على التقارب؟

معامل الانحلال (decay) هو الوزن المخصص للقيمة الحالية في التحديث. في المعادلة: EMA_t = α × x_t + (1-α) × EMA_{t-1}، حيث α تساوي decay. عندما يكون α كبيرًا، يعتمد EMA الجديد بشكل كبير على القيمة الحالية، بينما يكون تأثير التاريخ محدودًا. هذا يعني أن EMA يتقارب بسرعة نحو قيم جديدة ولكن بتقلبات أعلى. عندما يكون α صغيرًا، يكون EMA سلسًا ويحتاج إلى عدة خطوات للوصول إلى القيمة الحقيقية، مما يسبب تأخيرًا. يُستخدم مفهوم 'عمر النصف' (half-life) لقياس الوقت اللازم لوزن القيمة القديمة أن ينخفض إلى النصف. عمر النصف = ln(2)/ln(1/(1-α)) تقريبًا. إذا كان α=0.1، عمر النصف حوالي 6.6 خطوات. هذا يعني أن تأثير نقطة بيانات معينة يتضاءل إلى النصف كل 6.6 تحديثات.

المتوسط المتحرك الأسي

خطوات الاستخدام

الخطوة الأولى: فهم المتغيرات. المتوسط المتحرك الأسي (EMA) هو أداة تستخدم لتتبع الاتجاهات عن طريق إعطاء وزن أكبر للقيم الحديثة. المعادلة الأساسية: EMA = (القيمة الحالية × معامل الانحلال) + (آخر EMA × (1 - معامل الانحلال)). معامل الانحلال (decay) هو قيمة بين 0 و1 تتحكم في مدى سرعة تضاؤل تأثير القيم القديمة. كلما زاد معامل الانحلال، زاد الوزن المعطى للقيمة الحالية، مما يجعل EMA أكثر حساسية.

الخطوة الثانية: إدخال القيم. أدخل آخر قيمة لـ EMA (lastEma) من الخطوة السابقة، والقيمة الحالية (currentValue) التي نريد دمجها، ومعامل الانحلال (decay). تأكد من أن معامل الانحلال محصور بين 0 و1. على سبيل المثال، في التعلم الآلي، قد تستخدم معامل انحلال بقيمة 0.1 لتحديث معدل التعلم.

الخطوة الثالثة: تطبيق المعادلة. قم بضرب القيمة الحالية في معامل الانحلال، وضرب آخر EMA في (1 - معامل الانحلال)، ثم اجمع النتيجتين. الناتج هو EMA الجديد الذي يعكس القيمة الأخيرة بشكل أقوى.

المتوسط المتحرك الأسي

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أدخل القيم

خطوات الاستخدام

حاسبات ذات صلة

1مثال 1: تتبع معامل التعلم في خوارزمية تحسين آدم. لنفرض أن آخر EMA لمعامل التعلم كان 0.1، والقيمة الحالية لمتدرج التكلفة هي 0.05، ومعامل الانحلال يساوي 0.9. احسب EMA الجديد.

2مثال 2: تتبع دقة النموذج بعد كل عصر تدريبي. آخر EMA لدقة التحقق كان 0.85، والدقة الحالية 0.92، ومعامل الانحلال 0.7. احسب EMA الجديد.