指數平滑法 是什麼？
Exponential Smoothing：指數平滑法 的完整解釋
指數平滑法是一系列時序預測方法，使用加權平均數，其中權重隨著時間的推移呈指數衰減，更重視近期觀測值。
容易混淆
指數平滑法 vs 移動平均法 移動平均法會給固定時間窗內的資料差不多的權重。 指數平滑法讓最近資料權重更高，舊資料快速衰減。 最關鍵的區別：舊資料是不是一樣重要。
指數平滑法 vs ARIMA ARIMA 會把自迴歸、差分、移動平均一起建模。 指數平滑法更簡單，通常更容易上手。 最關鍵的區別：模型複雜度和可解釋性。
指數平滑法 vs 季節性分解 季節性分解是在拆趨勢、季節和殘差。 指數平滑法是在做加權平均式的預測。 最關鍵的區別：分析結構，還是直接預測。
記住這句就好
越新的資料，權重越大。
實際案例
零售備貨 賣場看最近幾週的銷售，調整下週進貨量。 Before：照上個月平均值備貨。After：把最近幾天的變化也算進去。
客服量預測 客服中心會用最近的來電量，預測明天要安排多少人力。 Before：只看長期平均。After：對近期尖峰更敏感。
算法與應用
簡單指數平滑法適合沒有明顯趨勢的序列，雙指數和三指數平滑則能處理趨勢與季節性。
平滑參數越大，模型越看重近期資料；參數越小，預測越平穩。
如果資料有強烈週期或複雜結構，通常要再搭配其他方法。
公式與 α 的意義
最基本的簡單指數平滑只有一條式子：
S_t = α × Y_t + (1 − α) × S_{t−1}S_t 是這一期的平滑值，Y_t 是這一期的實際觀測值，α 是平滑係數，介於 0 到 1。
這條式子在說：新的估計等於「這期實際值」與「上期估計值」的加權平均。
α 的選擇直接決定模型的個性：
| α | 行為 | 適合 |
|---|---|---|
| 接近 1 | 幾乎只看最新一期 | 變化快、雜訊少的資料 |
| 0.2 到 0.4 | 常見的折衷區間 | 多數一般情況 |
| 接近 0 | 幾乎只看歷史 | 變化慢、雜訊大的資料 |
把式子展開會看到一件事：過去每一期的權重是 α(1−α)ᵏ，也就是越舊的資料權重呈指數衰減。名字裡的「指數」就是這麼來的，它跟移動平均最大的差別在於移動平均是窗口內等權重、窗口外完全不看。
三個層級的指數平滑
| 方法 | 處理什麼 | 別名 |
|---|---|---|
| 簡單指數平滑 | 只有水平（level） | SES |
| 二次指數平滑 | 水平加趨勢 | Holt's method |
| 三次指數平滑 | 水平加趨勢加季節性 | Holt-Winters |
選擇方式很直接：先把資料畫出來。看起來上下震盪沒有明顯走向，用簡單指數平滑。有持續往上或往下的走勢，用 Holt。每年或每週有重複的形狀，用 Holt-Winters。
Holt-Winters 還要再分加法與乘法季節性：季節波動的幅度固定用加法，波動幅度隨整體水準等比例放大用乘法。零售營業額通常是乘法型的。
實務上的兩個提醒。第一，指數平滑做的是短期預測，往外推越遠越不可靠。第二，它假設過去的模式會延續，遇到結構性斷點（政策改變、疫情、產品改版）會完全失準，這種時候要重新起算而不是繼續平滑。
情境判斷
Q1（直覺題）： 平滑參數變大，模型會變得怎樣？
→ 它會更看重最近資料，所以反應更快，但也可能更敏感。
Q2（判斷題）： 指數平滑法適合所有時間序列嗎？
→ 看情況。若趨勢太複雜或季節性太強，就要考慮更完整的模型。
相關術語
常見問題
平滑參數怎麼選？
通常用驗證集或交叉驗證去挑，不要只憑手感。
和 ARIMA 有什麼差別？
ARIMA 偏向統計建模，指數平滑法偏向簡單的加權預測。
什麼時候不適合用它？
當資料有明顯複雜週期、非線性趨勢或很多突發事件時，就要考慮其他方法。