加权平均或移动加权平均，是一种常见的动态成本算法。用每次采购入库成本和在库成本加权平均，更新为新成本。加权平均成本计算公式：

（入库产品的成本 在库产品的成本）/（入库产品数量 在库产品数量）

在此算法框架下，有一些特例。比如：当库存=0时，产品成本价是否也应该=0 ？

情况1

如果产品成本价=0，出现了无采购价格的入库时（比如退货入库），会造成入库成本计算=0的问题。

不管是基于算法还是基于常识，我们都很容易发现这个结论并不妥当。但是加权平均和先进先出不同，并不依赖完整的历史出入库流水去获取退货产品的成本价。

所以在这种情况下（库存=0，产品单价不能等于0，而是应该保持加权计算为0之前的非零数值），这样即可合理解决非采购入库的入库成本计算问题。

情况2

按照1的推理分析，库存=0时，成本价不应等于0。这时出现另一个特例，采购入库供应商赠送的产品（采购单价=0），这时成本应该等于多少？这种情况就是“双O”问题——加权平均产品，在库存为0时，入库0成本的产品。

注意，这种情况下没有完美解。两种算法：

1. 产品成本加权平均计算=0，本次入库产生的加权平均成本正确。但如果这时出现退货入库（无成本价来源的入库），则会造成退货入库产品成本也=0（错误）。
2. 产品成本保持最后的非0值，和本次入库的加权平均计算冲突（错误）。

能不能找出一个彻底的方法解决呢？当然可以，只要在加权平均算法基础上增加对历史出入库流水的数据调用，永远避免出现无成本来源的入库，即可解决这个问题。但是这样一来，加权平均算法的逻辑便捷就会消失。

根据各种情况出现的概率，把错误出现概率最低的情况排除掉，然后选定方案。

虽然不完美，但是经过这种分析和比较，咱们距离完美又接近了一步。

一如微积分中引入的极限概念（如果我们想把全体实数视为一条连续的线，这些数字都必须是实数。尽管它们可能只是现实的近似值，但却行之有效），引入一个假定条件，明确问题的边界，把出错概率降至最低，也是业务逻辑中常用的分析方法。

最后的结论，加权平均计算为0的情况，分析：在库成本=0（库存=0）且入库成本=0（采购单价/成本=0），双0逻辑。

处理方法，目前分为两类：