我今天有問題向您請教：
1. 統計學家羅伯特·古德爾·布朗（Robert Goodell Brown）於 60 年代提出了EMA，最重要的二個概念：(a) 後期數據權重優於前期。(b) 常數平滑因子：α=2/(n+1)。我從一開始接觸到這個平滑因子之後，直覺上就以為它應該是「調和平均數」的概念，因為它就一付調和均數的「長相」。但我一直沒去追究，是否如此呢？
2. α=2/(n+1)之所以定為「常數」的原因，我可以理解，在那個沒有電腦的時光裡，將平滑因子定為「變數」，無異自找麻煩。但EMA的致命點正在於這個常數的平滑因子，導致「後期數據權重優於前期」沒能完全發揮。那麼，在電腦日益猛進的今天，為何沒有人去推敲這個問題呢？
3. 布朗的EMA非常偉大，是我最推崇的學者之一，他成功引導後人去善用他，因此他是個名符其實的「先驅者」。今天我之所以能夠致力於RMA的研究，全靠EMA的引領。
4. 我在與您對話中也經常會去捕捉您的「語意」從而有機會機花我的構思，感謝莫名。
***********************************************************************
結論：針對RMA我將提出二個非常「有意思」的構思，想先與您探討，有了共識之後，我會隨即去實作供您審閱，不知您意下如何？二個構思如下：
1. 接龍法：將數據倒置之後，重要的後端數據，形同「在陌生環境裡尋找目標」卻無「引導車」，在古代可能需要「羅盤或指南針」在現代可能需要「路標」來指引，「走錯路」的機會很正常，一但陸續有「引導車(新的數據)」加入，路線將隨之更動，因此RMA的浮動困境就是如此。那麼何妨將這倒置的數據「接在」原始數據之後，如此，前面有原始數據權充「引導車」，RMA的浮動不就被消除了嗎？
2. 平滑因子倒置法：以現在的電腦將「常數平滑因子」，轉化為「變數」比吸一口氣還快。例如，以「2/27」為起始值；以「2/13」為終值。假使有300筆數據，那麼「增值量=(終值-起始值)/(300-1)」，就可以很輕易產生「變數平滑因子」而達成「後期數據權重優於前期」的進一步效果。RMA是將原始數據倒置，但我們可以保持原始數據而改用「平滑因子倒置法」，如此，浮動不就被消除了嗎？
至於何者效果較優？「是驢是馬拉出去遛一下」就知道了！
***********************************************************************
沒用上迭代真的很快...一下子就實作完成了...只需數據接龍就可以了...圖例示意：紅線表 - EMA(26)...黑線表 - RMA(26)...我還沒來的及去評價...不知您意下如何？
***********************************************************************
很意外...3層迭代已經很平滑了(其實2層就夠了)....因為我早擁有這些構思的副程式...只要寫好主程式就好了..因此...提前交卷...一併獻上1層版與3層版...圖例示意：紅線表 - (採用變數α下的) EMA(26)...黑線表 - RMA(26)...我還沒來的及去評價...不知您意下如何？...目前我只知道...迭代的平滑效果很大卻不失真。註：這是精實版，測試後會增修為精緻版。
***********************************************************************
