ewm()比rolling().mean()更适合高频交易信号计算，因其指数加权更新仅依赖上一结果和新值，时间复杂度O(1)，支持增量计算；而rolling需每次重算整个窗口，延迟随数据量线性增长。
为什么ewm()比rolling().mean()更适合高频交易信号计算
因为ewm()用指数衰减加权，单次更新只依赖上一结果和新值，时间复杂度O(1)；而rolling().mean()在窗口滑动时需重算整个窗口，对百万级tick数据会明显变慢。尤其在逐笔（tick-by-tick）流式更新场景下，ewm()支持update()方法增量计算，rolling做不到。
常见错误是直接套用df['price'].rolling(100).mean()做实时均线——它无法复用历史中间结果，每来一笔就扫前100条，延迟随数据量线性增长。
-
ewm(span=100)等价于α = 2/(span+1)，权重衰减更平滑，对突发跳空不敏感 - 高频场景建议用
halflife参数（如halflife='500ms'），直接按真实时间衰减，避免因行情缺失导致的权重漂移 - 若数据含重复时间戳或非单调索引，务必先
df = df.sort_index().drop_duplicates(keep='last')，否则ewm()内部时间对齐会出错
如何用ewm()正确处理不规则时间序列
交易所原始tick数据常有毫秒级乱序、重复时间戳、网络抖动导致的空档。直接按DatetimeIndex调用ewm(halflife='2s')可能漏掉衰减逻辑——Pandas默认按索引差值算“时间距离”，但若某段索引跳跃5秒，中间没数据，权重不会自动补零衰减。
实操建议分两步：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- 先用
df.resample('10ms').last().ffill()做轻量重采样（注意：仅适用于低丢包率场景；高丢包需结合订单簿插值） - 再对重采样后的时间序列调用
ewm(halflife='200ms', times=df.index)，显式传入times参数确保按真实时间轴衰减 - 避免用
freq参数硬设频率——高频数据本身不具备固定频次，freq会强制填充不存在的点，扭曲信号
ewm()的三个关键参数怎么选：span / halflife / alpha
三者本质等价，但适用场景不同。高频策略中halflife最直观：设为'500ms'表示权重下降一半所需的真实时间；span=10对应约9.5个样本的等效窗口，但若tick间隔不均（如1ms~100ms波动），实际时间跨度不可控。
- 做短期动量过滤：用
halflife='200ms'，响应快且不过拟合噪声 - 计算波动率均值（如
ewm().std()）：必须配adjust=False，否则默认adjust=True会在初期放大标准差偏差 - 回测时若发现信号启动滞后，检查是否误用了
min_periods——高频数据首几笔就应有输出，设min_periods=1更合理
内存与精度陷阱：为什么ewm().mean()结果有时突然跳变
典型现象：某笔价格突增后，ewm()输出值瞬间拉高，但后续几笔又快速回落，不像理论指数衰减曲线。主因是浮点累积误差 + 默认adjust=True的归一化机制在初值阶段不稳定。
- 解决办法：统一用
adjust=False，并手动初始化com=0（即alpha=1/(1+com)），避免Pandas内部动态调整权重和 - 对内存敏感场景（如运行百个symbol的ewm），避免链式调用
df.ewm().mean().ewm().std()——每层都缓存完整中间数组；改用ewm_obj = df.ewm(); mean_v = ewm_obj.mean(); std_v = ewm_obj.std() - 极端高频下（>10万tick/秒），考虑用
numba.jit手写循环替代ewm()，可提速3倍以上，但失去NaN自动处理能力，需自行补全
真正难的是让ewm()行为在回测和实盘严格一致：实盘流式数据有延迟、乱序、截断，而回测用静态DataFrame容易掩盖这些边界问题。上线前必须用带人工注入乱序/丢包的模拟数据压测。
