Site OANDA gebruik koekies om ons webblaaie maklik om te gebruik en persoonlike ons besoekers te maak. Koekies kan nie gebruik word om jou persoonlik te identifiseer. Met die besoek ons webwerf, stem jy in om OANDA8217s gebruik van koekies in ooreenstemming met ons privaatheidsbeleid. Te sluit, te verwyder of te bestuur koekies, besoek aboutcookies. org. Beperking van koekies sal verhoed dat jy voordeel trek uit 'n paar van die funksies van ons webwerf. Laai ons Mobile Apps Meld aan Select rekening: ampltiframe src4489469.fls. doubleclick / activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclick / activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 width1 height1 frameborder0 styledisplay: Geen mcestyledisplay: noneampgtamplt / iframeampgt Les 1: Moving Gemiddeldes Tipe Bewegende Gemiddeldes Oorsig Daar is verskeie tipes bewegende gemiddeldes beskikbaar vir verskillende mark analise behoeftes te voorsien. Die mees algemeen gebruik word deur handelaars sluit die volgende in: Eenvoudige bewegende gemiddelde Geweegde Moving Gemiddelde Eksponensiële bewegende gemiddelde Eenvoudige bewegende gemiddelde (SMA) 'n Eenvoudige bewegende gemiddelde is die mees basiese tipe bewegende gemiddelde. Dit word bereken deur 'n reeks van pryse (of verslagdoening tydperke), bymekaar te tel hierdie pryse en dan verdeel die totaal deur die aantal datapunte. Hierdie formule bepaal die gemiddelde van die pryse en word bereken op 'n wyse aan te pas (of skuif) in reaksie op die mees onlangse data wat gebruik word om die gemiddelde te bereken. Byvoorbeeld, as jy slegs die mees onlangse 15 wisselkoerse in die gemiddelde berekening, die oudste koers outomaties elke keer as 'n nuwe prys beskikbaar raak gedaal. In effek, is die gemiddelde beweeg soos elke nuwe prys ingesluit in die berekening en verseker dat die gemiddelde slegs berus op die laaste 15 pryse. Met 'n bietjie trial and error, kan jy 'n bewegende gemiddelde wat jou handel strategie pas bepaal. 'N Goeie beginpunt is 'n eenvoudige bewegende gemiddelde op grond van die afgelope 20 pryse. Geweegde bewegende gemiddelde (WBA) 'n geweegde bewegende gemiddelde word bereken op dieselfde wyse as 'n eenvoudige bewegende gemiddelde, maar gebruik waardes wat lineêr word geweeg om te verseker dat die mees onlangse pryse het 'n groter impak op die gemiddelde. Dit beteken dat die oudste koers by die berekening ontvang 'n gewig van 1 die volgende oudste waarde ontvang 'n gewig van 2 en die tweede oudste waarde ontvang 'n gewig van 3, al die pad tot by die mees onlangse koers. Sommige handelaars vind hierdie metode meer relevant vir tendens bepaling veral in 'n vinnig bewegende mark. Die nadeel van die gebruik van 'n geweegde bewegende gemiddelde is dat die gevolglike gemiddelde lyn choppier as 'n eenvoudige bewegende gemiddelde mag wees. Dit kan maak dit moeiliker om 'n mark neiging van 'n skommeling onderskei. Om hierdie rede, 'n paar handelaars verkies om beide 'n eenvoudige bewegende gemiddelde en 'n geweegde bewegende gemiddelde op dieselfde prys grafiek te plaas. Kandelaar Prys Chart met 'n eenvoudige bewegende gemiddelde en geweegde bewegende gemiddelde Eksponensiële bewegende gemiddelde (EMA) 'n eksponensiële bewegende gemiddelde is soortgelyk aan 'n eenvoudige bewegende gemiddelde, maar terwyl 'n eenvoudige bewegende gemiddelde verwyder die oudste pryse as nuwe pryse beskikbaar raak, 'n eksponensiële bewegende gemiddelde bereken die gemiddeld van al die historiese wissel, vanaf die punt wat jy spesifiseer. Byvoorbeeld, wanneer jy 'n nuwe eksponensiële bewegende gemiddelde oortrek voeg om 'n prys grafiek, jy die aantal verslagdoening tydperke in die berekening in te sluit toewys. Kom ons neem aan jy spesifiseer vir die laaste 10 pryse ingesluit moet word. Die eerste berekening sal presies dieselfde as 'n eenvoudige bewegende gemiddelde ook gebaseer op 10 verslagdoeningstydperke wees, maar wanneer die volgende prys beskikbaar is, sal die nuwe berekening behou die oorspronklike 10 pryse, plus die nuwe prys, om te kom op die gemiddelde. Dit beteken daar is nou 11 verslagtydperke in die eksponensiële bewegende gemiddelde berekening terwyl die eenvoudige bewegende gemiddelde altyd sal gebaseer wees op net die mees onlangse 10 tariewe. Besluit word watter bewegende gemiddelde te gebruik om vas te stel watter bewegende gemiddelde is die beste vir jou, moet jy eers verstaan jou behoeftes. As jou hoofdoelwit is om die geluid van konsekwent wisselende pryse te verminder ten einde 'n algehele mark rigting te bepaal, dan 'n eenvoudige bewegende gemiddelde van die afgelope 20 of so pryse kan die vlak van detail wat jy nodig het te voorsien. As jy wil hê dat jou bewegende gemiddelde om meer klem te plaas op die jongste tariewe, 'n geweegde gemiddelde is meer gepas. Hou in gedagte egter dat omdat geweegde bewegende gemiddeldes meer deur die nuutste pryse geraak, die vorm van die gemiddelde lyn kan potensieel verdraai wat lei tot die opwekking van valse seine. By die werk met geweegde bewegende gemiddeldes, moet jy bereid wees om vir 'n groter mate van wisselvalligheid. Eenvoudige bewegende gemiddelde Geweegde Moving AverageWhat039s die verskil tussen bewegende gemiddelde en geweegde bewegende gemiddelde A 5-tydperk bewegende gemiddelde, gebaseer op die bogenoemde, sal bereken word deur die volgende formule pryse: Gebaseer op die vergelyking hierbo, het die gemiddelde prys vir die tydperk wat hierbo gelys was 90,66. Die gebruik van bewegende gemiddeldes is 'n effektiewe metode vir die uitskakeling van sterk prysskommelings. Die sleutel beperking is dat datapunte vanaf ouer data nie anders word geweeg as datapunte naby die begin van die datastel. Dit is hier waar geweegde bewegende gemiddeldes 'n rol speel. Geweegde gemiddeldes toewys 'n swaarder gewig meer huidige data punte omdat hulle meer relevant as datapunte in die verre verlede. Die som van die gewig moet optel tot 1 (of 100). In die geval van die eenvoudige bewegende gemiddelde, is die gewigte eweredig versprei, wat is die rede waarom hulle nie in die tabel hierbo getoon. Sluitingsprys van AAPL Die geweegde gemiddelde is bereken deur vermenigvuldig die gegewe prys deur sy verwante gewig en dan die WHALM waardes. In die voorbeeld hierbo, sal die geweegde 5-daagse bewegende gemiddelde 90,62. In hierdie voorbeeld is die onlangse data punt die hoogste gewig uit 'n arbitrêre 15 punte. Jy kan die waardes weeg uit enige waarde goeddink jou. Die laer waarde van die geweegde gemiddelde persentasie van relatief tot die eenvoudige gemiddelde dui die onlangse verkoop druk kan meer betekenisvol as 'n paar handelaars verwag word. Vir die meeste handelaars, die gewildste keuse by die gebruik van geweeg bewegende gemiddeldes is om 'n hoër gewig gebruik vir die afgelope waardes. (Vir meer inligting, kyk na die bewegende gemiddelde Tutoriaal) Lees meer oor die verskil tussen eksponensiële bewegende gemiddeldes en geweegde bewegende gemiddeldes, twee glad aanwysers dat. Lees Antwoord Die enigste verskil tussen hierdie twee tipes bewegende gemiddelde is die sensitiwiteit elkeen toon veranderinge in die gebruik van data. Lees Antwoord Meer inligting oor die berekening en interpretasie van geweegde gemiddeldes, insluitend hoe om 'n geweegde gemiddelde bereken met behulp van Microsoft. Lees Antwoord Sien waarom bewegende gemiddeldes het bewys voordelig vir handelaars en ontleders en nuttig te wees wanneer dit toegepas word om die prys kaarte en. Lees Antwoord Leer hoe handelaars en beleggers gebruik geweegde Alpha om momentum van 'n aandele prys te identifiseer en of pryse hoër sal beweeg. Lees Antwoord inligting oor 'n paar van die inherente beperkings en moontlike misapplications van bewegende gemiddelde ontleding binne tegniese voorraad. Lees Antwoord verskil tussen gemiddelde en Geweegde gemiddelde gemiddelde vs Geweegde Gemiddeld Die 8216average8217 en die 8216weighted average8217 van 'n sekere stel van komponente getal het dieselfde gevoel van aankoms by 'n uitkoms. Hierdie terme kan gebruik word in wiskunde, statistiek, in die gebied van finansies en in besigheid. Daar is egter sekere verwarrings wat op roer tussen hierdie twee terme. Verder, stuit die woorde 8216average8217 en 8216weighted average8217 vir die eerste keer is nogal intimiderend. Maar weet hierdie terme sal beslis gee jou 'n voorsprong in wiskunde en in besigheid. Om gemiddelde en geweegde gemiddelde verstaan, moet hulle gedefinieer word in 'n wiskundige manier en in die besigheid aspek manier. Met hierdie, sal dit makliker wees om te verstaan wanneer om hierdie terme te gebruik en hoe hulle gebruik moet word. Wanneer gemiddelde word gebruik as 'n wiskundige term, is dit om die middelste waarde van die datastel. Dit staan ook bekend as die sentrale neiging, omdat dit gebruik word om die sentrale neiging van 'n sekere groep van data vind. Metodes van statistiek is gewoonlik die medium in die vind van die sentrale neiging van 'n sekere data groep. Die gemiddelde waarde is eenvoudig die voorstelling van die hele datastel. As die nommer is in 'n sekere datastel, dan dat die getal is die gemiddelde van daardie stel. As jy ooit die nommer in 'n sekere datastel is nie dieselfde nie, dan is die getalle moet versamel en bereken om vorendag te kom met net 'n nommer om hulle almal te verteenwoordig. Die metode wat die meeste gebruik word, is die rekenkundige gemiddelde. Nog 'n metode in te vind die sentrale neiging is die mediaan. Dit word gebruik wanneer die nommers in 'n verdeling stel baie wissel, dan is die mediaan moet uitgepluis het deur die gebruik van sekere formules. Geweegde gemiddelde aan die ander kant word in baie verskillende velde, maar dit is veral die wat in die gebied van rekeningkunde. Dit word gewoonlik in gebiede waar wiskundige evaluerings en ontleding is nodig. Die hoofdoel van geweegde gemiddelde is om waarde of gewig op sekere komponente sodat jy in staat is om te kom met die regte oplossing van die probleem wat jy die oplossing sal wees. Toeken van 'n algemene gemiddelde waarde aan elke komponent is nie dieselfde as hoe die geweegde gemiddelde gebruik moet word. Wanneer dit kom by die finansiële aspek, die geweegde gemiddelde is die gemiddelde waarde van die skoolhoof terugbetalings van 'n sekere band of lening totdat die skoolhoof waarde is betaal. Gemiddeld word in wiskundige vergelykings, terwyl die geweegde gemiddelde toegepas word in die daaglikse aktiwiteite van 'n persoon se lewe, soos finansies. 2. Gemiddeld is die belangrikste voorstelling van 'n datastel, terwyl geweegde gemiddelde behoeftes eerste te kom by 'n sekere oplossing vir 'n sekere probleem op te beoordeel. 3. Jy kan die gemiddeld van die datastel te los deur gebruik te maak van rekenkundige formules soos die vind van die mediaan, terwyl dit in geweegde gemiddelde, komponente gegee gewig van waarde om te kom in 'n sekere antwoord. Deel hierdie: Geweegde gemiddelde Wat is Geweegde Gemiddelde Geweegde gemiddelde is 'n gemiddelde bereken deur waardes in 'n datastel meer invloed volgens sommige kenmerk van die data. Dit is 'n gemiddelde waarin elke hoeveelheid wat gemiddeld 'n gewig toegeken, en hierdie gewigte bepaal die relatiewe belangrikheid van elke hoeveelheid op die gemiddelde. Gewigte is die ekwivalent van 'dat baie soos items met dieselfde waarde wat betrokke is by die gemiddelde. VIDEO laai die speler. Afbreek van geweegde gemiddelde A geweegde gemiddelde word meestal bereken ten opsigte van die frekwensie van die waardes in 'n datastel. 'N Geweegde gemiddelde kan bereken word op verskillende maniere, maar indien sekere waardes in 'n datastel is gegee meer belang vir ander doeleindes as die frekwensie van voorkoms redes. Berekening van geweegde gemiddelde Beleggers stel dikwels 'n posisie in 'n voorraad oor 'n paar jaar. Aandele pryse verander elke dag, so dit kan moeilik wees om tred te hou van die basis koste op daardie aandele opgehoopte oor 'n tydperk van jare hou. As 'n belegger wil 'n geweegde gemiddelde van die aandeelprys hy betaal vir die aandele te bereken, moet hy die aantal aandele teen elke prys deur daardie prys te vermenigvuldig, voeg die waardes en dan verdeel die totale waarde van die totale aantal aandele . Byvoorbeeld, sê 'n belegger verkry 100 aandele van 'n maatskappy in die jaar 1 op 10 en 50 aandele van dieselfde maatskappy in jaar 2 by 40. Ten einde die geweegde gemiddelde van die prys wat betaal word, die belegger vermeerder 100 aandele met 10 vir jaar 1, 50 aandele met 40 vir jaar 2, en voeg dan die resultate op 'n totale waarde van 3000 kry. Die belegger verdeel die totale bedrag vir die aandele bedrag, 3000 in hierdie geval, deur die totale aantal aandele oor beide jare, 150, om die geweegde gemiddelde prys betaal van 20. kry die gemiddelde wisselkoers geweeg ten opsigte van die getal aandele verkry by elke prys en nie net die absolute prys. Voorbeelde van geweegde gemiddelde Geweegde gemiddelde toon in baie gebiede van finansies bykomend tot die koopprys van die aandele, insluitend portefeulje opbrengste, inventaris rekeningkundige en waardasie. Wanneer 'n fonds, wat verskeie sekuriteite hou, is tot 10 op die jaar, wat 10 verteenwoordig 'n geweegde gemiddelde van opbrengste vir die fonds ten opsigte van die waarde van elke posisie in die fonds. Vir inventaris rekeningkunde, die geweegde gemiddelde waarde van voorraad verantwoordelik vir skommelinge in kommoditeitspryse, byvoorbeeld, terwyl LIEU of EIEU metode gee meer waarde aan tyd as waarde. By die beoordeling van maatskappye te onderskei of hulle aandele korrek geprys, beleggers gebruik die geweegde gemiddelde koste van kapitaal (GGKK) om 'n maatskappy se kontantvloei te verdiskonteer. GGKK is geweeg op grond van die markwaarde van skuld en ekwiteit in 'n maatskappy se kapitaal structure. 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 met behulp van '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.)
No comments:
Post a Comment