Moving Average Vs Gesentreerde Bewegende Gemiddelde

Wanneer die berekening van 'n lopende bewegende gemiddelde, die plasing van die gemiddelde in die middel tydperk sinvol In die vorige voorbeeld het ons bereken die gemiddeld van die eerste 3 tydperke en sit dit langs tydperk 3. Ons kan die gemiddelde geplaas in die middel van die tyd interval van drie tydperke, dit is, langs tydperk 2. dit werk goed met vreemde tydperke, maar nie so goed vir selfs tydperke. So waar sou ons plaas die eerste bewegende gemiddelde wanneer M 4 Tegnies, sou die bewegende gemiddelde op t 2.5, 3.5 val. Om hierdie probleem wat ons glad Mas using 2. So glad ons die stryk waardes As ons gemiddeld 'n gelyke getal terme te vermy, moet ons die stryk waardes Die volgende tabel toon die resultate met behulp van M 4.What glad is die verskil tussen 'n eenvoudige bewegende gemiddelde en 'n eksponensiële bewegende gemiddelde die enigste verskil tussen hierdie twee tipes bewegende gemiddelde is die sensitiwiteit elkeen toon veranderinge in die gebruik in die berekening data. Meer spesifiek, die eksponensiële bewegende gemiddelde (EMA) gee 'n hoër gewig onlangse pryse as die eenvoudige bewegende gemiddelde (SMA) doen, terwyl die SMA ken gelyke gewig te alle waardes. Die twee gemiddeldes is soortgelyk, want hulle geïnterpreteer word op dieselfde wyse en is beide algemeen gebruik word deur tegniese handelaars uit te stryk prysskommelings. Die SMA is die mees algemene vorm van die gemiddelde gebruik word deur tegniese ontleders en dit word bereken deur die som van 'n stel van pryse te deel deur die totale aantal pryse wat in die reeks. Byvoorbeeld, kan 'n sewe-tydperk bewegende gemiddelde word bereken deur bymekaar te tel die volgende sewe pryse en dan die resultaat te deel deur sewe (die resultaat is ook bekend as 'n rekenkundige gemiddelde gemiddelde). Voorbeeld Gegewe die volgende reeks van pryse: 10, 11, 12, 16, 17, 19, sal 20 Die SMA berekening soos volg lyk: 10111216171920 105 7-tydperk SMA 105/7 15 Sedert EMA plek 'n hoër gewig op onlangse data as op ouer data, hulle is meer reaktief om die nuutste prysveranderings as SMAs is, wat die resultate van EMA meer tydige maak en verduidelik waarom die EMO is die voorkeur-gemiddelde onder baie handelaars. Soos jy kan sien uit die onderstaande grafiek, kan handelaars met 'n kort termyn perspektief nie omgee wat die gemiddelde gebruik, aangesien die verskil tussen die twee gemiddeldes is gewoonlik 'n kwessie van blote sent. Aan die ander kant, moet handelaars met 'n langer termyn perspektief meer aandag gee aan die gemiddelde hulle gebruik omdat die waardes kan wissel deur 'n paar dollar, wat genoeg van 'n prysverskil om uiteindelik bewys invloedryke op besef opbrengste - veral wanneer jy handel 'n groot hoeveelheid vee. Soos met al die tegniese aanwysers. daar is niemand tipe gemiddelde dat 'n handelaar kan gebruik om sukses te waarborg, maar met behulp van trial and error kan jy ongetwyfeld jou comfort vlak met alle vorme van aanwysers en, as gevolg daarvan te verbeter, verhoog jou kans gee wysheid handel besluite. Vir meer inligting oor bewegende gemiddeldes, sien Basics van die beweging Gemiddeldes en basiese beginsels van Geweegde Moving Gemiddeldes. Moving Gemiddeldes: Wat is dit vir die mees gewilde tegniese aanwysers, bewegende gemiddeldes word gebruik om die rigting van die huidige tendens meet. Elke tipe bewegende gemiddelde (algemeen in hierdie handleiding as MA geskryf) is 'n wiskundige gevolg dat word bereken deur die gemiddeld van 'n aantal van die verlede datapunte. Sodra bepaal, die gevolglike gemiddelde is dan geplot op 'n grafiek, sodat die handelaars om te kyk na reëlmatige data eerder as om te fokus op die dag-tot-dag prysskommelings wat inherent in alle finansiële markte is. Die eenvoudigste vorm van 'n bewegende gemiddelde, gepas bekend as 'n eenvoudige bewegende gemiddelde (SMA), word bereken deur die rekenkundige gemiddelde van 'n gegewe stel waardes. Byvoorbeeld, 'n basiese 10-dae - bewegende gemiddelde wat jy wil voeg tot die sluiting pryse van die afgelope 10 dae en dan verdeel die gevolg van 10. In Figuur 1 te bereken, die som van die pryse vir die afgelope 10 dae (110) is gedeel deur die aantal dae (10) om te kom op die 10-dae gemiddelde. As 'n handelaar wil graag 'n 50-dag gemiddelde sien in plaas daarvan, sal dieselfde tipe berekening gemaak word, maar dit sal die pryse sluit oor die afgelope 50 dae. Die gevolglike gemiddelde hieronder (11) in ag neem die afgelope 10 datapunte om handelaars 'n idee van hoe 'n bate relatiewe is geprys om die afgelope 10 dae te gee. Miskien is jy wonder hoekom tegniese handelaars noem hierdie hulpmiddel 'n bewegende gemiddelde en nie net 'n gewone gemiddelde. Die antwoord is dat as nuwe waardes beskikbaar is, moet die oudste datapunte laat val van die stel en nuwe data punte moet kom om dit te vervang. So, is die datastel voortdurend in beweging om rekenskap te gee nuwe data soos dit beskikbaar raak. Hierdie metode van berekening verseker dat slegs die huidige inligting word verreken. In Figuur 2, sodra die nuwe waarde van 5 word by die stel, die rooi boks (wat die afgelope 10 datapunte) na regs beweeg en die laaste waarde van 15 laat val van die berekening. Omdat die relatief klein waarde van 5 die hoë waarde van 15 vervang, sou jy verwag om die gemiddeld van die datastel afname, wat dit nie sien nie, in hierdie geval van 11 tot 10. Wat Moet Bewegende Gemiddeldes lyk as die waardes van die MA is bereken, hulle geplot op 'n grafiek en dan gekoppel aan 'n bewegende gemiddelde lyn te skep. Hierdie buig lyne is algemeen op die kaarte van tegniese handelaars, maar hoe dit gebruik word kan drasties wissel (meer hieroor later). Soos jy kan sien in Figuur 3, is dit moontlik om meer as een bewegende gemiddelde om enige term voeg deur die aanpassing van die aantal tydperke gebruik word in die berekening. Hierdie buig lyne kan steurende of verwarrend lyk op die eerste, maar jy sal groei gewoond aan hulle soos die tyd gaan aan. Die rooi lyn is eenvoudig die gemiddelde prys oor die afgelope 50 dae, terwyl die blou lyn is die gemiddelde prys oor die afgelope 100 dae. Nou dat jy verstaan ​​wat 'n bewegende gemiddelde is en hoe dit lyk, goed in te voer 'n ander tipe van bewegende gemiddelde en kyk hoe dit verskil van die voorheen genoem eenvoudig bewegende gemiddelde. Die eenvoudige bewegende gemiddelde is uiters gewild onder handelaars, maar soos alle tegniese aanwysers, dit het sy kritici. Baie individue argumenteer dat die nut van die SMA is beperk omdat elke punt in die datareeks dieselfde geweeg, ongeag waar dit voorkom in die ry. Kritici argumenteer dat die mees onlangse data is belangriker as die ouer data en moet 'n groter invloed op die finale uitslag het. In reaksie op hierdie kritiek, handelaars begin om meer gewig te gee aan onlangse data, wat sedertdien gelei tot die uitvinding van die verskillende tipes van nuwe gemiddeldes, die gewildste van wat is die eksponensiële bewegende gemiddelde (EMA). (Vir verdere inligting, sien Basics gelaaide bewegende gemiddeldes en Wat is die verskil tussen 'n SMA en 'n EMO) Eksponensiële bewegende gemiddelde Die eksponensiële bewegende gemiddelde is 'n tipe van bewegende gemiddelde wat meer gewig gee aan onlangse pryse in 'n poging om dit meer ontvanklik maak om nuwe inligting. Leer die ietwat ingewikkeld vergelyking vir die berekening van 'n EMO kan onnodige vir baie handelaars wees, aangesien byna al kartering pakkette doen die berekeninge vir jou. Maar vir jou wiskunde geeks daar buite, hier is die EMO vergelyking: By die gebruik van die formule om die eerste punt van die EMO bereken, kan jy agterkom dat daar geen waarde beskikbaar is om te gebruik as die vorige EMO. Hierdie klein probleem opgelos kan word deur die begin van die berekening van 'n eenvoudige bewegende gemiddelde en die voortsetting van die bogenoemde formule van daar af. Ons het jou voorsien van 'n monster spreadsheet wat die werklike lewe voorbeelde van hoe om beide 'n eenvoudige bewegende gemiddelde en 'n eksponensiële bewegende gemiddelde te bereken sluit. Die verskil tussen die EMO en SMA Nou dat jy 'n beter begrip van hoe die SMA en die EMO bereken word, kan 'n blik op hoe hierdie gemiddeldes verskil. Deur te kyk na die berekening van die EMO, sal jy agterkom dat meer klem gelê op die onlangse data punte, maak dit 'n soort van geweegde gemiddelde. In Figuur 5, die nommers van tydperke wat in elk gemiddeld is identies (15), maar die EMO reageer vinniger by die veranderende pryse. Let op hoe die EMO het 'n hoër waarde as die prys styg, en val vinniger as die SMA wanneer die prys daal. Dit reaksie is die hoofrede waarom so baie handelaars verkies om die EMO gebruik oor die SMA. Wat doen die verskillende dae gemiddelde bewegende gemiddeldes is 'n heeltemal aanpas aanwyser, wat beteken dat die gebruiker vrylik kan kies watter tyd raam wat hulle wil wanneer die skep van die gemiddelde. Die mees algemene tydperke wat in bewegende gemiddeldes is 15, 20, 30, 50, 100 en 200 dae. Hoe korter die tydsduur wat gebruik word om die gemiddelde te skep, hoe meer sensitief sal wees om die prys veranderinge. Hoe langer die tydsverloop, hoe minder sensitief, of meer reëlmatige, die gemiddelde sal wees. Daar is geen regte tyd raam te gebruik wanneer die opstel van jou bewegende gemiddeldes. Die beste manier om uit te vind watter een werk die beste vir jou is om te eksperimenteer met 'n aantal verskillende tydperke totdat jy die een wat jou strategie pas te vind. Bewegende gemiddeldes: Hoe om dit te gebruik Skryf Nuus om te gebruik vir die nuutste insigte en ontleding Dankie vir jou inskrywing om Investopedia insigte - Nuus om Use. Moving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.) 6.2 bewegende gemiddeldes ma 40 elecsales, sodat 5 41 In die tweede kolom van die tabel, is 'n bewegende gemiddelde van orde 5 getoon, die verskaffing van 'n skatting van die tendens-siklus. Die eerste waarde in hierdie kolom is die gemiddeld van die eerste vyf Waarnemings (1989-1993) die tweede waarde in die 5-MA kolom is die gemiddeld van die waardes 1990-1994 en so aan. Elke waarde in die 5-MA kolom is die gemiddeld van die waarnemings in die tydperk van vyf jaar gesentreer op die ooreenstemmende jaar. Daar is geen waardes vir die eerste twee jaar of laaste twee jaar, want ons hoef nie twee waarnemings aan weerskante. In die formule hierbo, kolom 5-MA bevat die waardes van hoed met K2. Om te sien wat die tendens-siklus skatting lyk, stip ons dit saam met die oorspronklike data in figuur 6.7. plot 40 elecsales, hoof quotResidential elektrisiteit salesquot, ylab quotGWhquot. XLab quotYearquot 41 lyne 40 MA 40 elecsales, 5 41. Kol quotredquot 41 Let op hoe die tendens (in rooi) is gladder as die oorspronklike data en vang die grootste beweging van die tydreeks sonder al die geringe fluktuasies. Die bewegende gemiddelde metode nie skattings van T toelaat waar t is baie naby aan die einde van die reeks vandaar die rooi lyn nie uit te brei na die kante van die grafiek aan weerskante. Later sal ons meer gesofistikeerde metodes van die tendens-siklus skatting wat doen toelaat skattings naby die eindpunte gebruik. Die einde van die bewegende gemiddelde bepaal die gladheid van die tendens-siklus skatting. In die algemeen, 'n groter orde beteken 'n gladder kurwe. Die volgende grafiek toon die effek van die verandering van die orde van die bewegende gemiddelde vir die residensiële verkope elektrisiteit data. Eenvoudige bewegende gemiddeldes soos hierdie is gewoonlik van vreemde orde (bv 3, 5, 7, ens) Dit is sodat hulle is simmetries: in 'n bewegende gemiddelde van orde m2k1, daar is k vroeër waarnemings, k later waarnemings en die Midde-waarneming wat gemiddeld. Maar as m selfs was, sou dit nie meer simmetriese wees. Bewegende gemiddeldes van bewegende gemiddeldes Dit is moontlik om 'n bewegende gemiddelde van toepassing op 'n bewegende gemiddelde. Een van die redes hiervoor is om 'n nog-orde bewegende gemiddelde simmetriese maak. Byvoorbeeld, kan ons 'n bewegende gemiddelde van orde 4 neem, en dan nog 'n bewegende gemiddelde van orde 2 van toepassing is op die resultate. In Tabel 6.2, is dit gedoen en vir die eerste paar jaar van die Australiese kwartaallikse bier produksie data. BEER2 LT venster 40 ausbeer, begin 1992 41 ma4 LT ma 40 BEER2, sodat 4. sentrum ONWAAR 41 ma2x4 LT ma 40 BEER2, sodat 4. sentrum WAAR 41 Die notasie 2times4-MA in die laaste kolom beteken 'n 4-MA gevolg deur 'n 2-MA. Die waardes in die laaste kolom word verkry deur die neem van 'n bewegende gemiddelde van orde 2 van die waardes in die vorige kolom. Byvoorbeeld, die eerste twee waardes in die 4-MA kolom is 451,2 (443.410.420.532) / 4 en 448,8 (410.420.532.433) / 4. Die eerste waarde in die 2times4-MA kolom is die gemiddeld van die twee: 450,0 (451.2448.8) / 2. Wanneer 'n 2-MA volg op 'n bewegende gemiddelde van al orde (soos 4), is dit bekend as 'n gesentreerde bewegende gemiddelde van orde 4. Dit is omdat die resultate is nou simmetriese. Om te sien dat dit die geval is, kan ons die 2times4-MA soos volg skryf: begin hoed amp frac Bigfrac (J J J J) frac (J J J J) Big amp frac y frac14y frac14y frac14y frac18y. Uiteindelik gaan dit nou 'n geweegde gemiddelde van waarnemings, maar dit is simmetriese. Ander kombinasies van bewegende gemiddeldes is ook moontlik. Byvoorbeeld 'n 3times3-MA word dikwels gebruik, en bestaan ​​uit 'n bewegende gemiddelde van orde 3 gevolg deur 'n ander bewegende gemiddelde van orde 3. In die algemeen, moet 'n gelyke orde MA word gevolg deur 'n nog bevel MA dit simmetriese maak. Net so moet 'n vreemde orde MA word gevolg deur 'n vreemde orde MA. Skatte van die tendens-siklus met seisoenale data Die mees algemene gebruik van gesentreer bewegende gemiddeldes is in die beraming van die tendens-siklus van seisoenale data. Oorweeg die 2times4-MA: hoed frac y frac14y frac14y frac14y frac18y. Wanneer dit toegepas word om kwartaalliks data, word elke kwartaal van die jaar gegee gelyke gewig as die eerste en laaste terme van toepassing op dieselfde kwartaal in agtereenvolgende jare. Gevolglik sal die seisoenale variasie word gemiddeld uit en die gevolglike waardes van hoed t sal min of oorblywende geen seisoenale variasie het. 'N soortgelyke effek sal verkry word met behulp van 'n 2times 8-MA of 'n 2times 12-MA. In die algemeen, 'n 2times m-MA is gelykstaande aan 'n geweegde bewegende gemiddelde van orde M1 met alle waarnemings wat gewig 1 / m, behalwe vir die eerste en laaste terme wat gewigte neem 1 / (2 miljoen). So as die seisoenale tydperk is selfs en orde m, gebruik 'n 2times m-MA aan die tendens-siklus te skat. As die seisoenale tydperk is vreemd en orde m, gebruik 'n m-MA aan die tendens siklus skat. In die besonder, kan 'n 2times 12-MA gebruik word om die tendens-siklus van maandelikse data te skat en 'n 7-MA gebruik kan word om die tendens-siklus van die daaglikse data te skat. Ander keuses vir die einde van die MA sal gewoonlik lei tot tendens-siklus skattings besmet deur die seisoenaliteit in die data. Voorbeeld 6.2 Elektriese toerusting vervaardiging Figuur 6.9 toon 'n 2times12-MA toegepas op die elektriese toerusting bestellings indeks. Let daarop dat die gladde lyn toon geen seisoenaliteit dit is byna dieselfde as die tendens-siklus word in Figuur 6.2 wat na raming met behulp van 'n veel meer gesofistikeerde metode as bewegende gemiddeldes. Enige ander keuse vir die einde van die bewegende gemiddelde (behalwe vir 24, 36, ens) sou gelei tot 'n gladde lyn wat 'n paar seisoenale skommelinge toon. plot 40 elecequip, ylab quotNew bestellings indexquot. Kol quotgrayquot, hoof quotElectrical toerusting vervaardiging (Eurogebied) quot 41 lyne 40 MA 40 elecequip, sodat 12 41. Kol quotredquot 41 Geweegde bewegende gemiddeldes Kombinasies van bewegende gemiddeldes lei tot geweegde bewegende gemiddeldes. Byvoorbeeld, die 2x4-MA hierbo bespreek is gelykstaande aan 'n geweegde 5-MA met gewigte deur frac, frac, frac, frac, frac. In die algemeen kan 'n geweegde m-MA geskryf word as hoed t som k AJ y, waar k (m-1) / 2 en die gewigte word deur 'n, kolle, AK. Dit is belangrik dat die gewigte al som tot een en dat hulle simmetriese sodat 'n aj. Die eenvoudige m-MA is 'n spesiale geval waar al die gewigte is gelyk aan 1 / m. 'N Groot voordeel van geweegde bewegende gemiddeldes is dat hulle toegee n gladder skatting van die tendens-siklus. In plaas van waarnemings betree en verlaat die berekening op volle gewig, is hul gewigte stadig toegeneem en dan stadig afgeneem wat lei tot 'n gladder kurwe. Sommige spesifieke stelle gewigte is wyd gebruik word. Sommige van hierdie word in Tabel 6.3.