Liikkuvat keskiarvot, mitkä ovat ne. Suosituimmista teknisistä indikaattoreista käytetään liukuvien keskiarvojen mittaamista nykyisen trendin suuntaan. Kaikki tässä oppaassa yleisesti kirjoitetut liikkuvat keskiarvot ovat MA: n matemaattinen tulos, joka lasketaan keskiarvon avulla useista aiemmista datapisteet Kun määritetty, tuloksena oleva keskiarvo piirretään sitten kaaviolle, jotta toimijat voivat tarkastella tasoitettuja tietoja pikemminkin kuin keskittyä päivittäisiin hintavaihteluihin, jotka ovat luonteeltaan kaikkien rahoitusmarkkinoiden kannalta. Yksinkertaisin liikkuva muoto keskiarvo, joka tunnetaan tavanomaisesti yksinkertaisena liukuva keskiarvona SMA, lasketaan ottamalla tietyn arvoryhmän aritmeettinen keskiarvo Esimerkiksi 10 päivän liukuvan keskiarvon laskemiseksi voit lisätä viimeisten 10 päivän päätöskurssit ja sitten jakaa tulos 10: llä. Kuviossa 1 viimeisten 10 päivän 110 hintojen summa jaettuna päivien 10 lukumäärällä 10 päivän keskiarvoon saakka Jos elinkeinonharjoittaja haluaa 50 päivän keskiarvon Samaa laskentatapaa tulisi tehdä, mutta se sisältäisi hinnat viimeisten 50 päivän aikana. Tuloksena saatu keskiarvo alle 11: ssä ottaa huomioon viimeiset 10 datapistettä, jotta toimijat saisivat käsityksen siitä, miten omaisuus on hinnoiteltu suhteessa viimeiset 10 päivää. Oletko ehkä miettinyt, miksi tekniset toimijat kutsuvat tätä työkalua liikkumattomaksi keskiarvoksi eikä vain tavalliseksi keskukseksi. Vastaus on, että kun uusia arvoja tulee saataville, vanhimmat datapisteet on pudonnut sarjasta ja uusia pisteitä on tultava in, jotta ne korvattaisiin. Näin datajoukko siirtyy jatkuvasti uusien tietojen huomioon ottamiseksi, kun se tulee saataville. Tämä laskentamenetelmä takaa, että vain nykyiset tiedot otetaan huomioon. Kuviossa 2, kun uusi arvo 5 lisätään joukkoon , viimeisen 10 datapisteen edustama punainen laatikko siirtyy oikealle ja viimeinen 15: n arvo lasketaan laskennasta Koska suhteellisen pieni arvo 5 korvaa korkean 15: n arvon, oletat, että t Hän laskee tietomäärän, mikä on tässä tapauksessa 11: stä 10: een. Mihin liikuttavat vertailut näyttävät Kun MA: n arvot on laskettu, ne piirretään kaaviolle ja liitetään sitten liukuvan keskiarvon muodostamiseksi. Nämä kaarevat Linjat ovat yleisiä teknisten kauppiaiden kaavioissa, mutta niiden käyttö voi vaihdella voimakkaasti myöhemmin myöhemmin. Kuten kuvasta 3 nähdään, on mahdollista lisätä useita liikkuvia keskiarvoja mihin tahansa kaavioon muuttamalla ajanjaksoja Käytetään laskennassa Nämä kaarevat linjat saattavat tuntua häiritseviltä tai hämmentäviltä aluksi, mutta sinun on tottunut niihin ajan mittaan. Punainen rivi on yksinkertaisesti keskimääräinen hinta viimeisten 50 päivän aikana, kun taas sininen viiva on keskimääräinen hinta Viimeiset 100 päivää. Nyt kun ymmärrät, mikä liikkuva keskiarvo on ja miltä se näyttää, esitämme toisenlaisen liikkuvan keskiarvon ja tarkastelemme, miten se eroaa edellä mainituista yksinkertaisista liikkuvista keskiarvoista. Yksinkertainen liikkuva keskiarvo on äärimmäisen pop ular, mutta kuten kaikki tekniset indikaattorit, sillä on kriittisiä piirteitä. Monet henkilöt väittävät, että SMA: n hyödyllisyys on rajoitettu, koska tietosarjan jokaisen pisteen painotus on sama riippumatta siitä, missä se tapahtuu sekvenssissä. Kriitikot väittävät, että Viimeisimmät tiedot ovat merkittävämpiä kuin vanhemmat tiedot, ja niillä pitäisi olla suurempi vaikutus lopputulokseen. Vastauksena tähän kritiikkiin kauppiaat alkoivat painottaa viimeaikaisia tietoja, mikä on johtanut siihen, että keksittiin erilaisia uudenlaisia keskiarvoja, joista suosituin on eksponentiaalinen liukuva keskiarvo EMA Lue lisää lukemisesta Painotettujen siirtojen keskiarvot ja Mikä on ero SMA: n ja EMA: n välillä. Exponential Moving Average Eksponentiaalinen liukuva keskiarvo on liikkuvan keskiarvon tyyppi, joka antaa enemmän painoa viimeaikaisiin hintoihin pyrkien siihen, että se vastaa paremmin uusiin tietoihin EMA: n laskemisen hieman monimutkaisen yhtälön oppiminen saattaa olla tarpeetonta monille koska lähes kaikki kartoituspaketit tekevät laskelmat sinulle kuitenkin matemaattisia geeksit siellä, tässä on EMA-yhtälö. Kun käytät kaavaa EMA: n ensimmäisen pisteen laskemiseen, saatat huomata, että arvoa ei ole saatavilla käytä sitä edellisessä EMA: ssa Tämä pieni ongelma voidaan ratkaista laskemalla laskeminen yksinkertaisella liukuva keskiarvo ja jatkamalla edellä esitetyn kaavan avulla. Me olemme toimittaneet sinulle esimerkin laskentataulukon, joka sisältää todellisia esimerkkejä siitä, kuinka laskea sekä yksinkertainen liikkuva keskiarvo ja eksponentiaalinen liukuva keskiarvo. EMA: n ja SMA: n välinen ero Nyt, kun olet ymmärtänyt paremmin SMA: n ja EMA: n laskemisen, katsotaanpa, kuinka nämä keskiarvot poikkeavat tarkastelemalla EMA: , huomaat, että viimeisimpien datapisteiden kohdalla korostetaan enemmän painotettua keskimääräistä tyyppiä kuviossa 5, jolloin kussakin keskiarvossa käytetyt aikajaksot ovat identtisiä 15, mutta EMA vastaa m miksi nopeasti muuttuviin hintoihin Huomaa, miten EMA: lla on korkeampi arvo, kun hinta nousee ja laskee nopeammin kuin SMA, kun hinta on laskussa Tämä reagointikyky on tärkein syy, miksi monet kauppiaat haluavat käyttää EMAa SMA: n kautta. Mitä Eri päivät keskimäärin Moving averages ovat täysin muokattavissa oleva indikaattori, mikä tarkoittaa, että käyttäjä voi vapaasti valita haluamansa aikavälin keskimääräisen keskiarvon luomisen yhteydessä. Yleisimmät keskimääräiset liikkeet ovat 15, 20, 30, 50, 100 ja 200 päivää Mitä lyhyempi keskipitkällä aikavälillä käytetään, sitä herkempi on hinnanmuutokset Mitä kauemmin ajanjakso, vähemmän herkkä tai tasaisempi, keskimääräinen on Ei ole oikea aikakehys käytettäväksi silloin, kun liikkuvien keskiarvojen määrittäminen Paras tapa selvittää, mikä toimii parhaiten sinulle on kokeilla useita eri aikavälejä, kunnes löydät sellaisen, joka sopii strategiaasi. Miten lasketaan liikkuva keskiarvo Excelissä. Liikkuva keskiarvo e on tilasto, jota käytetään analysoimaan suuren tietojoukon osia tietyn ajan kuluessa. Se on yleisesti käytetty osakekurssien, osakkeiden tuottojen ja taloudellisten tietojen, kuten bruttokansantuotteen tai kuluttajahintaindeksien kanssa. Microsoft Excelin avulla voit järjestää ja laskea liikkuvat keskiarvot muutamassa minuutissa, jolloin voit keskittyä enemmän aikaa varsinaiseen analyysiin datasarjan rakentamisen sijasta. Avaa uusi laskentataulukko Microsoft Excelissä Anna päivämäärät ja niiden vastaavat datapisteet kahdessa sarakkeessa. Esimerkiksi kuukausittaisten tulojen laskemiseksi kirjoita kuukausittain Sarakkeessa A ja sen vieressä olevasta vastaavan tuloluvun sarakkeessa BA vuoden s datan arvo täyttää tällöin solut A1 - A12 ja B1 kautta B12. Määrittele laskettavan liikkuvaa keskiarvon aikaväliä, kuten kolme - kuukauden tai kuuden kuukauden liukuva keskiarvo Mene ensimmäisen aikavälien viimeiseen arvoon ja napsauta vastaavaa tyhjää solua oikealle Käytä esimerkin vaiheesta 1, jos haluat laskea kolmen Liikuva keskiarvo napsautat solua C3, koska B3 sisältää ensimmäisen kolmen kuukauden viimeisen arvon. Käytä AVERAGE-funktiota ja kirjoita kaava valittuun tyhjään soluun ja määritä ensimmäisen aikavälin datayksikkö. Tässä Esimerkiksi, kirjoittaisit AVERAGE B1 B3.Valitse hiiren solun oikeassa alakulmassa kaavalla, kunnes näet Vasen napsautuksen ja vedät kaavan alas tyhjään soluun viereisen sarakkeen viimeisen datapisteen vieressä. Esimerkki yllä, voit vetää kaavan solun C3 alas soluun C12 laskea kolmen kuukauden liukuva keskiarvo loppuvuodelle. Keskimääräinen ja eksponentiaaliset tasoitusmallit. Ensimmäinen askel ylittää keskiarvot, satunnainen kävelymallit , Ja lineaariset trendimallit, ei-seulomalliset kuviot ja trendejä voidaan ekstrapoloida käyttäen liikkuvan keskiarvon tai tasoitusmallia. Perusoletus oletuksena keskiarvoistamisen ja tasoitusmallien taustalla on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevalla m Ean Tästä syystä siirrytään liikkuvasta paikallisesta keskiarvosta arvioimaan keskiarvon nykyistä arvoa ja käyttämään sitä lähitulevaisuuden ennusteena. Tätä voidaan pitää kompromissina keskimallin mallin ja satunnaisen vaelluksen ilman drift-mallia Samaa strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapoloimiseen. Liukuvaa keskiarvoa kutsutaan usein alkuperäisen sarjan tasoitetuksi versioksi, koska lyhyen aikavälin keskiarvotuksen vaikutus tasoittaa alkuperäisen sarjan kaareutuksia säätämällä tasoituksen tasoa Leveys, voimme toivoa löytävän jonkinlaista optimaalista tasapainoa keskimääräisen ja satunnaisen kävelymallin suorituskyvyn välillä Yksinkertaisin keskitemallin malli on yksinkertainen yhtäpainotettu liikkuva keskiarvo. Y: n arvon ennuste Aika t1, joka tehdään ajankohtana t vastaa viimeisimpien m-havaintojen yksinkertaista keskiarvoa. Tässä ja muualla käytän Y-hahmoa ennusteessa aikasarjasta Y mahdollisimman varhaisessa päivämääränä tietyn mallin mukaan. Tämä keskiarvo keskittyy ajanjaksoon t-m 1 2, mikä tarkoittaa sitä, että arvio Paikallinen keskiarvo pyrkii jäljessä paikallisen keskiarvon todellisesta arvosta noin m 1 2 jaksolla. Näin ollen sanomme, että datan keski-ikä yksinkertaisella liiketaloudellisella keskiarvolla on m 1 2 suhteessa siihen kauteen, jolle ennuste lasketaan tämä on aika, jolla ennusteet katoavat jäljessä datan kääntöpisteistä. Esimerkiksi, jos keskiarvo lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka myöhästyvät vastakkain kääntöpisteissä. Huomaa, että jos m 1, yksinkertainen liukuva keskimääräinen SMA-malli vastaa satunnaisen kävelymallin ilman kasvua Jos m on hyvin suuri, joka on verrattavissa arviointikauden pituuteen, SMA-malli vastaa keskiarvoista mallia. Kuten ennustamomallin parametreilla, se on tavanomaista säätää ki-arvoa n jotta saadaan parhaiten sopivat tiedot, eli pienimmät ennustevirheet keskimäärin. On esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritetään sovittaa satunnaisen kävelyn kanssa Malli, joka vastaa yksinkertaista liikkumatonta keskiarvoa yhdestä termistä. Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta näin tehdessään se poimii paljon datan kohinaa satunnaisvaihteluista sekä signaalista paikallinen Keskiarvo Jos me yrittäisimme yksinkertaisesti liikkua keskimäärin 5 ehdokasta, saamme tasaisemman näköisiä ennusteita. 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaiskäytävä malli tässä tapauksessa. Tämän tietojen keskimääräinen ikä ennuste on 3 5 1 2, joten se on yleensä jäljessä käännekohdista noin kolmella jaksolla Esimerkiksi laskusuhdanne näyttää esiintyneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useisiin jaksoihin myöhemmin. Huomaa, pitkän aikavälin ennusteet SMA-modista El on horisontaalinen suora, kuten satunnaiskäytävässä. Siten SMA-mallissa oletetaan, että datassa ei ole trendiä. Vaikka satunnaiskäytävämallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, ennusteet SMA-malli on yhtä kuin viimeaikaisten arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteille eivät laajene ennustehorisontin kasvaessa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole mitään taustalla olevaa tilastoteoria, joka kertoo, kuinka luottamusväliä pitäisi laajentaa tähän malliin. Ei kuitenkaan ole liian vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pitempään horisonttiennusteisiin. Esimerkiksi voit luoda laskentataulukon, jossa SMA-malli käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin, jne. historiallisen datanäytteen sisällä. Tämän jälkeen voit laskea virheiden näytteen keskihajotukset kullakin ennusteella h orizon, ja sitten rakentaa luottamusväliä pitempiaikaisille ennusteille lisäämällä ja vähentämällä asianmukaisten standardipoikkeaman kerrannaisvaikutuksia. Jos yritämme 9-portaista yksinkertaista liikkuvaa keskiarvoa, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta. Keskimääräinen ikä on nyt 5 jaksoa 9 1 2 Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä kasvaa arvoon 10. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin kymmenen jaksolla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon. Mallin C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla kolmen ja 9 kuukauden keskiarvoissa. niiden muut tilastot ovat lähes samankaltaisia. Joten mallien, joilla on hyvin samankaltaiset virhestatukset, voimme valita, haluammeko ennustaa hieman reagointikykyä tai hieman tasaisempaa. Palaa sivun yläreunaan. Brown s Yksinkertainen eksponentiaalinen tasoitus eksponentiaalisesti painotettu liikkuvaa keskiarvoa. Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottava ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edeltävät havainnot Intuitiivisesti, aiemmat tiedot on diskontattava asteittain - esimerkiksi viimeisin havainto saavat hieman enemmän painoa kuin 2. viimeisin, ja 2. viimeisin pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja niin edelleen Yksinkertainen eksponentti tasoitus SES malli tekee tämän. Let merkitsee tasaus vakiona luku välillä 0 ja 1 Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyistä tasoa eli sarjan keskimääräistä arvoa, joka on arvioitu datasta tähän asti L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan. Siten nykyinen tasoitettu arvo on interpolointi edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä se ohjaa interpoloidun arvon läheisyyttä eniten Sentin ennustaminen Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo. Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aikaisempien havaintojen perusteella jollakin seuraavista vastaavista versioista Ensimmäisessä versiossa ennuste on interpolointi Edellisen ennusteen ja aiemman havainnon välillä. Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla. On virheen aikaan t Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu eli diskontattu liikkuva keskiarvo diskonttokertoimella 1. Ennakoivan kaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukkoon, johon se sopii yhteen soluun ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, havainto ja solu, jossa arvo on tallennettu. Huomaa, että jos 1, SES-malli vastaa satunnainen kävelymalli wit jos 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu yhtä kuin keskiarvo Palaa sivun yläosaan. Yksinkertaisen eksponentiaalisen tasauksen ennusteessa olevien tietojen keskimääräinen ikä on 1 suhteellinen ennuste lasketaan Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja Näin ollen yksinkertainen liukuva keskimääräinen ennuste pyrkii kääntämään käänteispisteitä noin yhdellä jaksolla Esimerkiksi 0 5 viive on 2 jaksoa, kun 0 2 viive on 5 jaksoa, kun 0 1 viive on 10 jaksoa jne. Tietyllä keskimääräisellä iällä eli viivästymisellä, yksinkertainen eksponentiaalinen tasoitus SES ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskimääräinen SMA-ennuste, koska se asettaa suhteellisen enemmän painoarvoa viimeisimpiin havaintoihin - se on hieman reagoivampi viime aikoina tapahtuneisiin muutoksiin. Esimerkiksi yhdeksällä ehdolla olevalla SMA-mallilla ja kahdella SES-mallilla on keskimääräinen ikä 5: lle da mutta SES-mallissa painotetaan viimeisimpiä kolmea arvoa kuin SMA-malli, mutta samalla ei unohda yli 9 vanhoja arvoja, kuten tässä kaaviossa on esitetty. Toinen tärkeä etu SES-malli SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä ratkaisija-algoritmia keskimääräisen neliövirheen minimoimiseksi. SES-mallin optimaalinen arvo tämän sarjan osalta ilmaisee On 0 2961, kuten tässä on esitetty. Tämän ennusteen tietojen keskimääräinen ikä on 1 0 2961 3 4 jaksoa, joka on samanlainen kuin 6-kertainen yksinkertainen liikkuva keskiarvo. SES-mallin pitkän aikavälin ennusteet ovat vaakasuora viiva kuten SMA-mallissa ja satunnaiskäytävä malli ilman kasvua Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat nyt kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin randin luottamusvälit om-kävelymalli SES-malli olettaa, että sarja on hieman ennakoitavampi kuin satunnaiskäytävä malli. SES-malli on itse asiassa ARIMA-mallin erityistilanne, joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan luottamusvälien laskemiselle SES-malli Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA1-termi ja ei vakioaikaa, joka muuten tunnetaan ARIMA 0,1,1 - malliksi ilman vakioa. ARIMA-mallissa MA 1 - kerroin vastaa Esimerkiksi, jos asetat ARIMA 0,1,1 - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA 1-kerroin osoittautuu 0 7029, joka on lähes täsmälleen yksi miinus 0 2961. On mahdollista lisätä oletus nollasta riippumattomalle vakioiselle lineaariselle trendille SES-mallille. Tähän voidaan tehdä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA1-termi vakiolla eli ARIMA 0,1,1 - mallilla pitkällä aikavälillä Sitten on trendi, joka vastaa koko arviointikauden aikana havaittua keskimääräistä trendiä Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet ovat pois käytöstä, kun mallityyppi on asetettu ARIMA: lle. Voit kuitenkin lisätä vakion pitkän Terminen eksponentiaalinen trendi yksinkertaiseen eksponentiaalisen tasoitusmallin kanssa kausittaisen säätämisen kanssa tai ilman sitä käyttämällä inflaatiota säätämisvaihtoehtoa ennusteprosessissa Asianmukaista inflaation prosentuaalista kasvuvauhtia jaksoa kohti voidaan arvioida laskennan kertoimeksi lineaarisessa trendimallissa, joka on sovitettu Yhdessä luonnollisen logaritmimuunnoksen kanssa tai se voi perustua muihin pitkäaikaisiin kasvunäkymiin liittyvästä riippumattomasta tiedosta. Palaa sivun alkuun. Brown s Lineaarinen eli kaksinkertainen eksponentiaalinen tasoittaminen. SMA-mallit ja SES-mallit olettavat, että ei ole olemassa suuntausta Kaikenlaisia tietoja, jotka ovat yleensä OK tai ainakin ei-liian-huono 1-askel eteenpäin ennusteet, kun tiedot ovat suhteellisesti noi syy, ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen kehityksen, kuten edellä on esitetty. Mitä lyhyen aikavälin trendeihin Jos sarjassa on vaihteleva kasvuvauhti tai syklinen kuvio, joka erottuu selkeästi melusta, ja jos on tarvetta Ennustetaan enemmän kuin 1 jakso eteenpäin, paikallisen trendin estimointi saattaa myös olla kysymys Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponentiaalisen tasoittavan LES-mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva suuntaus malli on Brownin lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennusteiden kaava perustuu kahden keskipisteen linjan ekstrapoloimiseen. Tämän mallin Holt s: n hienostunut versio on Seuraavassa selostetaan Brownin lineaarisen eksponentiaalisen tasoitusmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista monissa erilaisissa, mutta e Kolmiarvoiset muodot Tämän mallin vakiomuoto on yleensä ilmaistu seuraavasti: Let S tarkoittaa yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponenttista tasoitusta sarjaan Y, eli S: n arvo ajanjaksolla t on annettu. Muista, että yksinkertaisen eksponentiaalisen tasoituksen alla tämä olisi Y: n ennuste ajanjaksolla t 1 Sitten S merkitsee kaksinkertaisen tasoitetun sarjan, joka saadaan käyttämällä yksinkertaista eksponentiaalista tasoitusta käyttäen samaa sarjaa S. Lopuksi Y: n ennustetta mille tahansa k 1 on annettu. Tämä tuottaa e 1 0 eli huijaa hieman ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto, ja e 2 Y 2 Y 1, jonka jälkeen ennusteet muodostetaan käyttämällä edellä olevaa yhtälöä, saadaan samat sovitut arvot Kuten S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttämällä S 1 S 1 Y 1 Tätä malliversiota käytetään seuraavalla sivulla, joka kuvaa eksponentiaalisen tasauksen yhdistelmää kausittaisella säätöllä. Holt s Linear Exponential Smoothing. Brown S LES - malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa tietomalleja, jotka pystyvät sopeutumaan tasoon ja suuntaukseen, eivät saa vaihdella at riippumatonta tasoa Holtin LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille Joka kerta t, kuten Brownin mallissa, on paikallisen tason L t ja arvio T t paikallinen trendi Tässä ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä t ja edellisistä tason ja trendin arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponenttista tasoitusta. Jos arvioitu taso ja trendi ajanhetkellä t-1 Ovat vastaavasti L t 1 ja T t-1, silloin Y t: n ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä kuin L t-1 T t-1 Kun todellinen arvo havaitaan, taso lasketaan rekursiivisesti interpoloimalla Yt: n ja sen ennusteen L t-1 T t-1 välillä käyttäen painotuksia ja 1. Arvioitua tasoa, eli L t Lt 1: n muutosta voidaan tulkita meluisaksi mittaukseksi suuntaus ajankohtana t Trendin päivitetty arvio arvioidaan sitten rekursiivisesti interpoloimalla L: n välillä t L t 1 ja edellisen trendin trendin T t-1 käyttäen painotuksia ja 1. Trenditasoitusvakion tulkinta vastaa tasonsäätövakion tasoa. Pienillä arvoilla olevat mallit olettavat, että trendi muuttuu vain suuremmalla hitaudella, kun taas suurempien mallien oletetaan muuttuvan nopeammin. Suuri malli uskoo, että kaukana oleva tulevaisuus on hyvin epävarma, koska trendien arvioinnin virheet tulevat melko tärkeiksi, kun ennustetaan enemmän kuin yksi aika edellä. Palaa alkuun Sivutaso tasoittaa ja voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun Statgraphicsissa tämä tehdään, arviot osoittavat olevan 0 3048 ja 0 008. tarkoittaa, että mallissa oletetaan, että trendi vaihtelee hyvin vähän ajanjaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin suuntausta. Vastaavasti käsitteellä "keski-ikä" se paikallisen tason sarja, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1: een, vaikka se ei ole täsmälleen sama. Tässä tapauksessa se osoittautuu 1 0 006 125 Tämä isn ta erittäin tarkka luku koska tarkkuuden tarkkuus ei ole todellakaan 3 desimaalin tarkkuudella, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimiseksi. Alla oleva taulukko osoittaa, että LES-malli arvioi jonkin verran suurempaa paikallista suuntausta sarjan lopussa kuin SES-trendimallissa arvioitu jatkuva kehitys. Myös arvioitu arvo on lähes identtinen SES-mallin kanssa sovittamalla tai ilman suuntausta , Joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallille, jonka pitäisi arvioida paikallista trendiä. Jos näet silmämunin tämän tontin, näyttää siltä, että paikallinen trendi on kääntynyt alaspäin lopussa sarja Wh at on tapahtunut Tämän mallin parametreja on arvioitu minimoimalla 1-askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi ei tee paljon eroa Jos kaikki olet tarkastelemassa ovat 1 - etenemisvirheitä, et näe suurempaa kuvaa suuntauksista yli sanoa 10 tai 20 jaksoa Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunien ekstrapolointiin, voimme säätää manuaalisesti trendin tasoitusvakion niin, että se käyttää trendin estimointiin lyhyemmän perustan Esimerkiksi jos päätämme asettaa 0 1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että lasketaan keskiarvo viimeisen 20 jakson aikana tai niin Tässä on se, mitä ennustettu tontti näyttää, jos asetamme 0 1 säilyttäen 0 3 Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikkakin on todennäköisesti vaarallista ekstrapoloida tämä trendi yli 10 jaksoa tulevaisuudessa. Mitä virhestatuksista tässä on mallivertailu f Tai edellä kuvatut kaksi mallia sekä kolme SES-mallia SES-mallin optimaalinen arvo on noin 0 3, mutta vastaavilla tuloksilla, joilla on hieman enemmän tai vähemmän vastetta, saadaan vastaavasti 0 5 ja 0 2. A Holt s lineaarinen exp tasoitus alfa 0 3048 ja beeta 0 008. B Holtin lineaarinen pikselointi alfa 0 3: lla ja beeta 0 1. C Yksinkertainen eksponenttinen tasaus alfa 0 5. D Yksinkertainen eksponentiaalinen tasoitus alfa 0 3. E Yksinkertainen eksponenttinen tasaus alfa 0 2: lla. Kaikki tilastot ovat lähes samanlaisia, joten emme todellakaan pysty tekemään valintaa yhden askeleen ennakkoilmoitusvirheiden perusteella. Meidän on pudottava muut näkökohdat. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trenditieto siitä, mitä on tapahtunut viimeisen 20 ajanjakson aikana tai niin, voimme tehdä tapauksen LES-mallille, jossa on 0 3 ja 0 1 Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olisi helpompi selittää ja antaa myös enemmän middl e-of-the-road - ennusteet seuraaville viideksi tai kymmenelle jaksolle Palaa sivun yläreunaan. Mikä suuntaus-ekstrapolointi on paras horisontaalinen vai lineaarinen? Empiirinen näyttö viittaa siihen, että jos tietoja on jo jo tarpeellista inflaatiota varten, niin voi olla varomaton ekstrapoloida lyhytaikaisia lineaarisia suuntauksia hyvin pitkälle tulevaisuuteen. Tänään näkyvät trendit voivat hidastua tulevaisuudessa erilaisten syiden vuoksi, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponentiaalinen tasoitustoimet tekevät usein parempaa näytteenottotapahtumaa kuin muutoin olisi odotettavissa, vaikka sen naiivi horisontaalinen suuntaus ekstrapolaatiosta Lineaarisen eksponentiaalisen tasoitusmallin vaimennetut trendimuutokset ovat myös käytännössä usein käytännössä esillä konservatiivisuuden muistiinpanossa sen suuntausennusteisiin. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA 1,1,2-mallista. On mahdollista laskea luottamusvälit arou Eksponentiaalisten tasoitusmallien tuottamat pitkän aikavälin ennusteet, harkitsemalla niitä ARIMA-mallien erikoistapauksina Varo, että kaikki ohjelmistot eivät laske luottamusväliä näille malleille oikein. Luottamusvälien leveys riippuu mallin RMS-virheestä, tyypistä Yksinkertaisen tai lineaarisen tasoituksen taso iii tasoitusvakion s ja iv lukema ennusteiden aikaisempien jaksojen lukumäärä Yleisesti ottaen välekset levittyvät nopeammin SES-mallin suuremmiksi ja ne levittyvät paljon nopeammin, kun ne ovat lineaarisia eikä yksinkertaisia tasoitus on käytössä Tätä aihetta käsitellään edelleen huomautusten ARIMA-malleissa. Palaa sivun yläosaan.
No comments:
Post a Comment