Flytting Gjennomsnitt Metode Og Eksponensiell Utjevnings

Enkel Vs. Eksponentielle Moving Gjennomsnitt Flytte gjennomsnitt er mer enn studien av en sekvens av tall i etterfølgende rekkefølge. Tidlige utøvere av tidsserier analyser var faktisk mer opptatt av individuelle tidsserier tall enn de var med interpolering av dataene. Interpolering. i form av sannsynlighetsteorier og analyse, kom mye senere, da mønstre ble utviklet og korrelasjoner oppdaget. Når det ble forstått, ble ulike formede kurver og linjer trukket langs tidsseriene i et forsøk på å forutsi hvor datapunktene kunne gå. Disse er nå betraktet som grunnleggende metoder som nå benyttes av tekniske analysehandlere. Kartanalyse kan spores tilbake til 18th Century Japan, men hvordan og når flytte gjennomsnitt ble først brukt til markedspriser forblir et mysterium. Det er generelt forstått at enkle bevegelige gjennomsnitt (SMA) ble brukt langt før eksponentielle bevegelige gjennomsnitt (EMA), fordi EMAer er bygd på SMA-rammeverk og SMA-kontinuumet ble lettere forstått for plotting og sporing. (Ønsker du litt bakgrunnsavlesning Sjekk ut Flytte gjennomsnitt: Hva er de) Enkle flytende gjennomsnitt (SMA) Enkle bevegelige gjennomsnitt ble den foretrukne metoden for å spore markedspriser fordi de er raske å beregne og lett å forstå. Tidlige markedsutøvere opererte uten bruk av de sofistikerte diagrammene som ble brukt i dag, så de stod hovedsakelig på markedspriser som eneste veiledning. De kalkulerte markedsprisene for hånd, og graftet disse prisene for å betegne trender og markedsretning. Denne prosessen var ganske kjedelig, men viste seg å være ganske lønnsom med bekreftelse av videre studier. For å beregne et 10-dagers enkeltflytende gjennomsnitt, legger du bare til sluttkursene de siste 10 dagene og deler med 10. Det 20-dagers glidende gjennomsnittet beregnes ved å legge sluttkursene over en 20-dagers periode og divide med 20, og så videre. Denne formelen er ikke bare basert på sluttkurs, men produktet er et gjennomsnitt av priser - en delmengde. Flyttende gjennomsnitt kalles flytting fordi gruppen av priser som brukes i beregningen beveger seg i henhold til punktet på diagrammet. Dette betyr at gamle dager er tapt til fordel for nye sluttkursdager, så det er alltid nødvendig med en ny beregning som tilsvarer tidsrammen for gjennomsnittlig sysselsatt. Så omregnes et 10-dagers gjennomsnitt ved å legge til den nye dagen og slippe den tiende dagen, og den niende dagen blir tapt på den andre dagen. (For mer om hvordan diagrammer brukes i valutahandelen, sjekk ut våre kartbaserte gjennomganger.) Eksponentiell flytende gjennomsnitt (EMA) Det eksponentielle glidende gjennomsnittet har blitt raffinert og mer vanlig siden 1960-tallet, takket være tidligere praktiserende eksperimenter med datamaskinen. Den nye EMA vil fokusere mer på de siste prisene enn på en lang rekke datapunkter, da det enkle glidende gjennomsnittet kreves. Nåværende EMA ((Pris (nåværende) - forrige EMA)) X multiplikator) tidligere EMA. Den viktigste faktoren er utjevningskonstanten som 2 (1N) hvor N antall dager. En 10-dagers EMA 2 (101) 18,8 Dette betyr at en 10-års EMA vekter den siste prisen 18,8, en 20-dagers EMA 9,52 og 50-dagers EMA 3,92 vekt på den siste dagen. EMA arbeider ved å veie forskjellen mellom dagens perioder og tidligere EMA, og legge resultatet til den tidligere EMA. Jo kortere perioden, jo mer vekt brukes til den siste prisen. Monteringslinjer Ved disse beregningene er punkter plottet, som viser en passende linje. Monteringslinjer over eller under markedsprisen indikerer at alle bevegelige gjennomsnitt er forsinkende indikatorer. og brukes primært til følgende trender. De jobber ikke bra med utvalgsmarkeder og perioder med overbelastning fordi de passerende linjene ikke viser en trend på grunn av mangel på tydelig høyere høyder eller lavere nedturer. I tillegg har passende linjer en tendens til å forbli konstant uten ledetråd. En stigende monteringslinje under markedet betyr lang, mens en fallende monteringslinje over markedet betyr en kort. (For en komplett guide, les vår Moving Average Tutorial.) Formålet med å bruke et enkelt glidende gjennomsnitt er å se og måle trender ved å utjevne dataene ved hjelp av flere grupper av priser. En trend er oppdaget og ekstrapolert til en prognose. Forutsetningen er at tidligere trendbevegelser vil fortsette. For det enkle glidende gjennomsnittet kan en langsiktig trend bli funnet og fulgt mye enklere enn en EMA, med rimelig antagelse at feste linjen vil holde sterkere enn en EMA-linje på grunn av lengre fokus på gjennomsnittlige priser. En EMA er brukt til å fange kortere trendbevegelser, på grunn av fokus på de siste prisene. Med denne metoden skulle en EMA redusere lagene i det enkle glidende gjennomsnittet, slik at monteringslinjen vil kramme prisene nærmere enn et enkelt glidende gjennomsnitt. Problemet med EMA er dette: Det er utsatt for prisbrudd, spesielt under raske markeder og perioder med volatilitet. EMA fungerer bra til prisene går i stykker. I høyere volatilitetsmarkeder kan du vurdere å øke lengden på det bevegelige gjennomsnittlige løpetidet. Man kan også bytte fra en EMA til en SMA, siden SMA glatter ut dataene mye bedre enn en EMA på grunn av fokus på langsiktige midler. Trend-Følgende Indikatorer Som slående indikatorer tjener glidende gjennomsnitt som støtte - og motstandslinjer. Hvis prisene faller under en 10-dagers monteringslinje i en oppadgående trend, er det gode muligheter for at oppadgående trenden kan avta, eller i det minste markedet kan konsolidere seg. Hvis prisene går over et 10-dagers glidende gjennomsnitt i en downtrend. Trenden kan være avtagende eller konsoliderende. I disse tilfellene bruker du et 10- og 20-dagers glidende gjennomsnitt sammen, og vent på 10-dagers linjen å krysse over eller under 20-dagers linjen. Dette bestemmer neste kortsiktige retning for priser. For lengre siktperioder, se 100-og 200-dagers glidende gjennomsnitt for langsiktig retning. For eksempel, ved å bruke 100 og 200 dagers glidende gjennomsnitt, hvis 100-dagers glidende gjennomsnitt krysser under gjennomsnittet på 200 dager, kalte det dødskrysset. og er veldig bearish for priser. Et 100-dagers glidende gjennomsnitt som krysser over et 200-dagers glidende gjennomsnitt kalles det gyldne korset. og er veldig bullish for priser. Det spiller ingen rolle om en SMA eller en EMA brukes, fordi begge er trend-følger indikatorer. Det er bare på kort sikt at SMA har små avvik fra motparten, EMA. Konklusjon Flytende gjennomsnitt er grunnlaget for kart - og tidsserieanalyse. Enkle bevegelige gjennomsnitt og de mer komplekse eksponentielle glidende gjennomsnittene bidrar til å visualisere trenden ved å utjevne prisbevegelser. Teknisk analyse er noen ganger referert til som en kunst heller enn en vitenskap, som begge tar år å mestre. (Lær mer i vår veiledning for teknisk analyse.) Beta er et mål for volatiliteten eller systematisk risiko for en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever det. Det første salg av aksjer av et privat selskap til publikum. IPO er ofte utstedt av mindre, yngre selskaper som søker. Gjeldsgrad er gjeldsraten som brukes til å måle selskapets økonomiske innflytelse eller en gjeldsgrad som brukes til å måle en person. Forutsetning ved utjevningsteknikker Dette nettstedet er en del av JavaScript E-labs læringsobjekter for beslutningstaking. Annet JavaScript i denne serien er kategorisert under forskjellige områder av applikasjoner i MENU-delen på denne siden. En tidsserie er en sekvens av observasjoner som bestilles i tide. Inherent i samlingen av data tatt over tid er noen form for tilfeldig variasjon. Det finnes metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. Utbredte teknikker er utjevning. Disse teknikkene, når de brukes riktig, tydeliggjør de underliggende trenderne tydeligere. Skriv inn tidsseriene Row-wise i rekkefølge, starter fra venstre øverste hjørne, og parameteren (e), og klikk deretter på Calculate-knappen for å få fram en prognose for en periode fremover. Blank bokser er ikke inkludert i beregningene, men nuller er. Når du legger inn dataene dine for å flytte fra celle til celle i datamatrixen, bruker du Tab-tasten ikke pil eller tast inn taster. Funksjoner av tidsserier, som kan avsløres ved å undersøke grafen. med de prognostiserte verdiene, og residualens oppførsel, betinget prognosemodellering. Flytte gjennomsnitt: Flytte gjennomsnittlig rangering blant de mest populære teknikkene for preprocessing av tidsserier. De brukes til å filtrere tilfeldig hvit støy fra dataene, for å gjøre tidsseriene jevnere eller til og med å understreke visse informative komponenter som finnes i tidsseriene. Eksponensiell utjevning: Dette er et veldig populært system for å produsere en glatt tidsserie. Mens i flytende gjennomsnitt blir de tidligere observasjonene veid likt, eksponentiell utjevning tilordner eksponentielt avtagende vekter som observasjonen blir eldre. Med andre ord blir de siste observasjonene gitt relativt mer vekt i prognoser enn de eldre observasjonene. Dobbelt eksponensiell utjevning er bedre å håndtere trender. Trippel eksponensiell utjevning er bedre å håndtere paraboltrender. Et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant a. korresponderer omtrent til et enkelt bevegelige gjennomsnitt av lengden (dvs. perioden) n, hvor a og n er relatert til: a 2 (n1) OR n (2 - a) a. For eksempel vil et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant lik 0,1 svare til et 19 dagers glidende gjennomsnitt. Og et 40-dagers enkelt glidende gjennomsnitt ville korrespondere omtrent til et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant lik 0,04878. Holter Lineær eksponensiell utjevning: Anta at tidsseriene er u sesongmessige, men viser trend. Holts metode estimerer både dagens nivå og dagens trend. Legg merke til at det enkle glidende gjennomsnittet er spesielt tilfelle av eksponensiell utjevning ved å angi perioden for glidende gjennomsnitt til heltaldelen av (2-alfa) alfa. For de fleste forretningsdata er en Alpha-parameter mindre enn 0,40 ofte effektiv. Det kan imidlertid utføres et rutenett for parameterrommet, med 0,1 til 0,9, med trinn på 0,1. Da har den beste alfa den minste Mean Absolute Error (MA Error). Slik sammenligner du flere utjevningsmetoder: Selv om det finnes numeriske indikatorer for å vurdere nøyaktigheten av prognoseteknikken, er det mest mulig å benytte visuell sammenligning av flere prognoser for å vurdere nøyaktigheten og velge blant de ulike prognosemetoder. I denne tilnærmingen må man plotte (ved hjelp av for eksempel Excel) på samme graf de opprinnelige verdiene for en tidsserievariabel og de forutsagte verdiene fra flere forskjellige prognosemetoder, og dermed lette en visuell sammenligning. Du kan gjerne bruke Past Forecasts ved utjevningsteknikker JavaScript for å oppnå tidligere prognosverdier basert på utjevningsteknikker som bare bruker én parameter. Holt og Winters metoder bruker henholdsvis to og tre parametere, derfor er det ikke en lett oppgave å velge den optimale, eller til og med nær optimale verdier ved prøving og feil for parametrene. Den enkle eksponensielle utjevningen understreker kortspektret perspektivet som setter nivået til den siste observasjonen og er basert på tilstanden at det ikke er noen trend. Den lineære regresjonen, som passer til en minste firkantlinje til de historiske dataene (eller transformerte historiske data), representerer lang rekkevidde, som er betinget av den grunnleggende trenden. Holts lineær eksponensiell utjevning fanger opp informasjon om nyere trend. Parametrene i Holts-modellen er nivåparameter som skal reduseres når mengden datavariasjon er stor, og trenderparameteren skal økes dersom den siste trendretningen støttes av årsakssammenhengene. Kortsiktig prognose: Legg merke til at alle JavaScript på denne siden gir en engangsforespørsel. For å få en to-trinns prognose. bare legg til den prognostiserte verdien til slutten av dine tidsseriedata og klikk deretter på den samme Beregn-knappen. Du kan gjenta denne prosessen for noen få ganger for å oppnå de nødvendige kortsiktige prognosene. Modellering av data fjerner tilfeldig variasjon og viser trender og sykliske komponenter. Det er noen form for tilfeldig variasjon som inngår i samlingen av data tatt over tid. Det finnes metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. En ofte brukt teknikk i industrien er utjevning. Denne teknikken, når den brukes riktig, viser tydeligere den underliggende trenden, sesongmessige og sykliske komponenter. Det er to forskjellige grupper av utjevningsmetoder. Midlere metoder Eksponensielle utjevningsmetoder Gjennomsnitt er den enkleste måten å glatte data på. Vi vil først undersøke noen gjennomsnittsmetoder, for eksempel det enkle gjennomsnittet av alle tidligere data. En leder av et lager ønsker å vite hvor mye en typisk leverandør leverer i 1000 dollar-enheter. Heshe tar et utvalg av 12 leverandører, tilfeldig, og oppnår følgende resultater: Beregnet gjennomsnitt eller gjennomsnitt av dataene 10. Lederen bestemmer seg for å bruke dette som estimat for utgifter til en typisk leverandør. Er dette et bra eller dårlig estimat Mean squared feil er en måte å dømme hvor bra en modell er. Vi skal beregne den gjennomsnittlige kvadratfeilen. Feil sant beløp brukt minus estimert beløp. Feilen squared er feilen ovenfor, firkantet. SSE er summen av kvadratfeilene. MSE er gjennomsnittet av de kvadratiske feilene. MSE-resultater for eksempel Resultatene er: Feil og kvadratfeil Estimatet 10 Spørsmålet oppstår: kan vi bruke gjennomsnittet til å prognostisere inntekt hvis vi mistenker en trend. En titt på grafen nedenfor viser tydelig at vi ikke bør gjøre dette. Gjennomsnittlig veier alle tidligere observasjoner likt Sammendrag oppgir vi at Det enkle gjennomsnittet eller gjennomsnittet av alle tidligere observasjoner er bare et nyttig estimat for prognoser når det ikke er noen trender. Hvis det er trender, bruk ulike estimater som tar hensyn til trenden. Gjennomsnittet veier alle tidligere observasjoner likt. For eksempel er gjennomsnittet av verdiene 3, 4, 5 4. Vi vet selvsagt at et gjennomsnitt beregnes ved å legge til alle verdiene og dividere summen med antall verdier. En annen måte å beregne gjennomsnittet på er å legge til hver verdi dividert med antall verdier, eller 33 43 53 1 1.3333 1.6667 4. Multiplikatoren 13 kalles vekten. Generelt: bar frac sum venstre (frac høyre) x1 venstre (frac høyre) x2,. ,, venstre (frac høyre) xn. (Venstre) er vektene, og selvfølgelig summen de til 1.Moving gjennomsnittlig og eksponensiell utjevningsmodeller Som et første skritt i å bevege seg utover gjennomsnittlige modeller, tilfeldige gangmodeller, og lineære trendmodeller, nonseasonal mønstre og trender kan ekstrapoleres ved hjelp av en flytende gjennomsnitt eller utjevningsmodell. Den grunnleggende forutsetningen bak gjennomsnittlige og utjevningsmodeller er at tidsseriene er lokalt stasjonære med et sakte varierende middel. Derfor tar vi et flytende (lokalt) gjennomsnitt for å anslå dagens verdi av gjennomsnittet, og deretter bruke det som prognosen for nær fremtid. Dette kan betraktes som et kompromiss mellom den gjennomsnittlige modellen og den tilfeldige-walk-uten-drift-modellen. Den samme strategien kan brukes til å estimere og ekstrapolere en lokal trend. Et glidende gjennomsnitt kalles ofte en quotsmoothedquot-versjon av den opprinnelige serien, fordi kortsiktig gjennomsnittsverdi medfører utjevning av støtene i den opprinnelige serien. Ved å justere graden av utjevning (bredden på det bevegelige gjennomsnittet), kan vi håpe å finne en slags optimal balanse mellom ytelsen til de gjennomsnittlige og tilfeldige turmodellene. Den enkleste typen gjennomsnittlig modell er. Enkel (likevektet) Flytende gjennomsnitt: Værvarselet for verdien av Y på tidspunktet t1 som er laget på tidspunktet t, er det enkle gjennomsnittet av de nyeste m-observasjonene: (Her og andre steder vil jeg bruke symbolet 8220Y-hat8221 til å stå for en prognose av tidsserien Y som ble gjort så tidlig som mulig ved en gitt modell.) Dette gjennomsnittet er sentrert ved period-t (m1) 2, noe som innebærer at estimatet av det lokale middel vil ha en tendens til å ligge bak den sanne verdien av det lokale gjennomsnittet med ca. (m1) 2 perioder. Således sier vi at gjennomsnittsalderen for dataene i det enkle glidende gjennomsnittet er (m1) 2 i forhold til perioden for prognosen beregnes. Dette er hvor lang tid det vil være å prognostisere prognoser bak vendepunkter i dataene . For eksempel, hvis du er i gjennomsnitt de siste 5 verdiene, vil prognosene være omtrent 3 perioder sent i å svare på vendepunkter. Merk at hvis m1, den enkle glidende gjennomsnittlige (SMA) modellen er lik den tilfeldige turmodellen (uten vekst). Hvis m er veldig stor (sammenlignbar med lengden på estimeringsperioden), svarer SMA-modellen til den gjennomsnittlige modellen. Som med hvilken som helst parameter i en prognosemodell, er det vanlig å justere verdien av k for å oppnå den beste kvote kvoten til dataene, dvs. de minste prognosefeilene i gjennomsnitt. Her er et eksempel på en serie som ser ut til å vise tilfeldige svingninger rundt et sakte varierende middel. Først kan vi prøve å passe den med en tilfeldig walk-modell, noe som tilsvarer et enkelt bevegelige gjennomsnitt på 1 sikt: Den tilfeldige turmodellen reagerer veldig raskt på endringer i serien, men i så måte velger den mye av kvotenivået i data (tilfeldige svingninger) samt quotsignalquot (det lokale gjennomsnittet). Hvis vi i stedet prøver et enkelt glidende gjennomsnitt på 5 termer, får vi et smidigere sett med prognoser: Det 5-tiden enkle glidende gjennomsnittet gir betydelig mindre feil enn den tilfeldige turmodellen i dette tilfellet. Gjennomsnittsalderen for dataene i denne prognosen er 3 ((51) 2), slik at den har en tendens til å ligge bak vendepunktene med tre perioder. (For eksempel ser det ut til at en nedtur har skjedd i perioden 21, men prognosene vender seg ikke til flere perioder senere.) Legg merke til at de langsiktige prognosene fra SMA-modellen er en horisontal rettlinje, akkurat som i tilfeldig gang modell. Således antar SMA-modellen at det ikke er noen trend i dataene. Mens prognosene fra den tilfeldige turmodellen ganske enkelt er lik den siste observerte verdien, er prognosene fra SMA-modellen lik et veid gjennomsnitt av de siste verdiene. De konfidensgrenser som beregnes av Statgraphics for de langsiktige prognosene for det enkle glidende gjennomsnittet, blir ikke større da prognoseperioden øker. Dette er åpenbart ikke riktig. Dessverre er det ingen underliggende statistisk teori som forteller oss hvordan konfidensintervallene skal utvide seg for denne modellen. Det er imidlertid ikke så vanskelig å beregne empiriske estimater av konfidensgrensene for lengre horisontprognoser. For eksempel kan du sette opp et regneark der SMA-modellen skulle brukes til å prognose 2 trinn foran, 3 trinn fremover, etc. i den historiske dataprøven. Du kan deretter beregne utvalgsstandardavvikene til feilene i hver prognosehorisont, og deretter konstruere konfidensintervaller for langsiktige prognoser ved å legge til og trekke ut multipler av riktig standardavvik. Hvis vi prøver et 9-sikt enkelt glidende gjennomsnitt, får vi enda jevnere prognoser og mer av en bremseeffekt: Gjennomsnittsalderen er nå 5 perioder (91) 2). Hvis vi tar et 19-årig glidende gjennomsnitt, øker gjennomsnittsalderen til 10: Legg merke til at prognosene nå faller bakom vendepunkter med ca 10 perioder. Hvilken mengde utjevning er best for denne serien Her er et bord som sammenligner feilstatistikken sin, også et gjennomsnitt på tre sikt: Modell C, 5-års glidende gjennomsnitt, gir den laveste verdien av RMSE med en liten margin over 3 term og 9-sikt gjennomsnitt, og deres andre statistikker er nesten identiske. Så, blant modeller med svært like feilstatistikk, kan vi velge om vi foretrekker litt mer respons eller litt mer glatt i prognosene. (Tilbake til toppen av siden.) Browns Simple Exponential Smoothing (eksponentielt vektet glidende gjennomsnitt) Den enkle glidende gjennomsnittsmodellen beskrevet ovenfor har den uønskede egenskapen som den behandler de siste k-observasjonene, like og fullstendig ignorerer alle foregående observasjoner. Intuitivt bør tidligere data diskonteres på en mer gradvis måte - for eksempel bør den siste observasjonen få litt mer vekt enn 2. siste, og den 2. siste skal få litt mer vekt enn den 3. siste, og så videre. Den enkle eksponensielle utjevning (SES) - modellen oppnår dette. La 945 betegne en quotsmoothing constantquot (et tall mellom 0 og 1). En måte å skrive modellen på er å definere en serie L som representerer dagens nivå (dvs. lokal middelverdi) av serien som estimert fra data til nå. Verdien av L ved tid t beregnes rekursivt fra sin egen tidligere verdi slik: Således er den nåværende glattede verdien en interpolering mellom den forrige glattede verdien og den nåværende observasjonen, hvor 945 styrer nærheten til den interpolerte verdien til den nyeste observasjon. Forventningen for neste periode er bare den nåværende glatte verdien: Tilsvarende kan vi uttrykke neste prognose direkte i forhold til tidligere prognoser og tidligere observasjoner, i en hvilken som helst av de tilsvarende versjoner. I den første versjonen er prognosen en interpolasjon mellom forrige prognose og tidligere observasjon: I den andre versjonen blir neste prognose oppnådd ved å justere forrige prognose i retning av den forrige feilen med en brøkdel av 945. Er feilen gjort ved tid t. I den tredje versjonen er prognosen et eksponentielt vektet (dvs. nedsatt) glidende gjennomsnitt med rabattfaktor 1-945: Interpolasjonsversjonen av prognoseformelen er den enkleste å bruke hvis du implementerer modellen på et regneark: det passer inn i en enkeltcelle og inneholder cellehenvisninger som peker på forrige prognose, forrige observasjon og cellen der verdien av 945 er lagret. Merk at hvis 945 1 er SES-modellen tilsvarer en tilfeldig turmodell (uten vekst). Hvis 945 0 er SES-modellen ekvivalent med den gjennomsnittlige modellen, forutsatt at den første glattede verdien er satt lik gjennomsnittet. (Gå tilbake til toppen av siden.) Gjennomsnittsalderen for dataene i prognosen for enkel eksponensiell utjevning er 1 945 i forhold til perioden for prognosen beregnes. (Dette skal ikke være åpenbart, men det kan enkelt vises ved å vurdere en uendelig serie.) Derfor har den enkle, glidende gjennomsnittlige prognosen en tendens til å ligge bak vendepunktene med rundt 1 945 perioder. For eksempel, når 945 0,5 lag er 2 perioder når 945 0.2 lag er 5 perioder når 945 0,1 lag er 10 perioder, og så videre. For en gitt gjennomsnittlig alder (det vil si mengden lag), er prognosen for enkel eksponensiell utjevning (SES) noe bedre enn SMA-prognosen (Simple Moving Average) fordi den legger relativt mer vekt på den siste observasjonen - dvs. det er litt mer quotresponsivequot for endringer som oppstod i den siste tiden. For eksempel har en SMA-modell med 9 vilkår og en SES-modell med 945 0,2 begge en gjennomsnittlig alder på 5 for dataene i prognosene, men SES-modellen legger mer vekt på de siste 3 verdiene enn SMA-modellen og ved Samtidig er det ikke 8220forget8221 om verdier som er mer enn 9 år gamle, som vist i dette diagrammet. En annen viktig fordel ved SES-modellen over SMA-modellen er at SES-modellen bruker en utjevningsparameter som er kontinuerlig variabel, slik at den lett kan optimaliseres ved å bruke en quotsolverquot-algoritme for å minimere den gjennomsnittlige kvadratfeilen. Den optimale verdien av 945 i SES-modellen for denne serien viser seg å være 0,2961, som vist her: Gjennomsnittsalderen for dataene i denne prognosen er 10,2961 3,4 perioder, noe som ligner på et 6-sikt enkelt glidende gjennomsnitt. De langsiktige prognosene fra SES-modellen er en horisontal rett linje. som i SMA-modellen og den tilfeldige turmodellen uten vekst. Vær imidlertid oppmerksom på at konfidensintervallene som beregnes av Statgraphics, divergerer nå på en rimelig måte, og at de er vesentlig smalere enn konfidensintervallene for den tilfeldige turmodellen. SES-modellen antar at serien er noe mer forutsigbar enn den tilfeldige turmodellen. En SES-modell er faktisk et spesielt tilfelle av en ARIMA-modell. slik at den statistiske teorien om ARIMA-modeller gir et solid grunnlag for beregning av konfidensintervall for SES-modellen. Spesielt er en SES-modell en ARIMA-modell med en ikke-sesongforskjell, en MA (1) og ikke en konstant periode. ellers kjent som en quotARIMA (0,1,1) modell uten constantquot. MA (1) - koeffisienten i ARIMA-modellen tilsvarer mengden 1-945 i SES-modellen. For eksempel, hvis du passer på en ARIMA (0,1,1) modell uten konstant til serien analysert her, viser den estimerte MA (1) - koeffisienten seg å være 0,7029, som er nesten nøyaktig en minus 0,2961. Det er mulig å legge til antagelsen om en konstant lineær trend uten null som en SES-modell. For å gjøre dette oppgir du bare en ARIMA-modell med en ikke-sesongforskjell og en MA (1) - sikt med en konstant, dvs. en ARIMA-modell (0,1,1) med konstant. De langsiktige prognosene vil da ha en trend som er lik den gjennomsnittlige trenden observert over hele estimeringsperioden. Du kan ikke gjøre dette i forbindelse med sesongjustering, fordi sesongjusteringsalternativene er deaktivert når modelltypen er satt til ARIMA. Du kan imidlertid legge til en konstant langsiktig eksponensiell trend for en enkel eksponensiell utjevningsmodell (med eller uten sesongjustering) ved å bruke inflasjonsjusteringsalternativet i prognoseprosedyren. Den aktuelle kvoteringskvoten (prosentvekst) per periode kan estimeres som hellingskoeffisienten i en lineær trendmodell som er montert på dataene i forbindelse med en naturlig logaritme transformasjon, eller det kan være basert på annen uavhengig informasjon om langsiktige vekstutsikter . (Tilbake til toppen av siden.) Browns Lineær (dvs. dobbel) Eksponensiell utjevning SMA-modellene og SES-modellene antar at det ikke er noen trend av noe slag i dataene (som vanligvis er OK eller i det minste ikke altfor dårlig for 1- trinnvise prognoser når dataene er relativt støyende), og de kan modifiseres for å inkorporere en konstant lineær trend som vist ovenfor. Hva med kortsiktige trender Hvis en serie viser en varierende vekstnivå eller et syklisk mønster som skiller seg tydelig ut mot støyen, og hvis det er behov for å prognose mer enn 1 periode framover, kan estimering av en lokal trend også være et problem. Den enkle eksponensielle utjevningsmodellen kan generaliseres for å oppnå en lineær eksponensiell utjevning (LES) modell som beregner lokale estimater av både nivå og trend. Den enkleste tidsvarierende trendmodellen er Browns lineær eksponensiell utjevningsmodell, som bruker to forskjellige glatte serier som er sentrert på forskjellige tidspunkter. Forutsigelsesformelen er basert på en ekstrapolering av en linje gjennom de to sentrene. (En mer sofistikert versjon av denne modellen, Holt8217s, blir diskutert nedenfor.) Den algebraiske form av Brown8217s lineær eksponensiell utjevningsmodell, som den enkle eksponensielle utjevningsmodellen, kan uttrykkes i en rekke forskjellige, men liknende former. Denne standardmodellen er vanligvis uttrykt som følger: La S betegne den enkeltglattede serien som er oppnådd ved å anvende enkel eksponensiell utjevning til serie Y. Dvs. verdien av S ved period t er gitt av: (Husk at, under enkle eksponensiell utjevning, dette ville være prognosen for Y ved periode t1.) Lad deretter Squot betegne den dobbeltslettede serien oppnådd ved å anvende enkel eksponensiell utjevning (ved hjelp av samme 945) til serie S: Endelig prognosen for Y tk. for noe kgt1, er gitt av: Dette gir e 1 0 (det vil si lure litt, og la den første prognosen være den samme første observasjonen) og e 2 Y 2 8211 Y 1. hvoretter prognosene genereres ved å bruke ligningen ovenfor. Dette gir de samme monterte verdiene som formelen basert på S og S dersom sistnevnte ble startet med S 1 S 1 Y 1. Denne versjonen av modellen brukes på neste side som illustrerer en kombinasjon av eksponensiell utjevning med sesongjustering. Holt8217s Lineær eksponensiell utjevning Brown8217s LES-modell beregner lokale estimater av nivå og trend ved å utjevne de siste dataene, men det faktum at det gjør det med en enkelt utjevningsparameter, stiller en begrensning på datamønstrene som den kan passe: nivået og trenden er ikke tillatt å variere til uavhengige priser. Holt8217s LES-modellen løser dette problemet ved å inkludere to utjevningskonstanter, en for nivået og en for trenden. Til enhver tid t, som i Brown8217s modell, er det et estimat L t på lokalt nivå og et estimat T t av den lokale trenden. Her beregnes de rekursivt fra verdien av Y observert ved tid t og de forrige estimatene av nivået og trenden ved to likninger som gjelder eksponensiell utjevning til dem separat. Hvis estimert nivå og trend ved tid t-1 er L t82091 og T t-1. henholdsvis, da var prognosen for Y tshy som ville vært gjort på tidspunktet t-1, lik L t-1 T t-1. Når den faktiske verdien er observert, beregnes det oppdaterte estimatet av nivået rekursivt ved å interpolere mellom Y tshy og dens prognose, L t-1 T t 1, med vekt på 945 og 1- 945. Forandringen i estimert nivå, nemlig L t 8209 L t82091. kan tolkes som en støyende måling av trenden på tidspunktet t. Det oppdaterte estimatet av trenden beregnes deretter rekursivt ved å interpolere mellom L t 8209 L t82091 og det forrige estimatet av trenden, T t-1. ved bruk av vekter av 946 og 1-946: Fortolkningen av trend-utjevningskonstanten 946 er analog med den for nivåutjevningskonstanten 945. Modeller med små verdier på 946 antar at trenden bare endrer seg veldig sakte over tid, mens modeller med større 946 antar at det endrer seg raskere. En modell med en stor 946 mener at den fjerne fremtiden er veldig usikker, fordi feil i trendberegning blir ganske viktig når det regnes med mer enn en periode framover. (Tilbake til toppen av siden.) Utjevningskonstantene 945 og 946 kan estimeres på vanlig måte ved å minimere gjennomsnittlig kvadratfeil i de 1-trinns prognosene. Når dette gjøres i Statgraphics, viser estimatene seg å være 945 0.3048 og 946 0.008. Den svært små verdien av 946 betyr at modellen tar svært liten endring i trenden fra en periode til den neste, så i utgangspunktet prøver denne modellen å estimere en langsiktig trend. I analogi med begrepet gjennomsnittlig alder av dataene som brukes til å estimere det lokale nivået i serien, er gjennomsnittsalderen for dataene som brukes til estimering av lokal trenden, proporsjonal med 1 946, men ikke akkurat lik den . I dette tilfellet viser det seg å være 10 006 125. Dette er et svært nøyaktig tall, forutsatt at nøyaktigheten av estimatet av 946 er virkelig 3 desimaler, men det er av samme generelle størrelsesorden som prøvestørrelsen på 100, så denne modellen er i gjennomsnitt over ganske mye historie i estimering av trenden. Prognoseplanet nedenfor viser at LES-modellen anslår en litt større lokal trend i slutten av serien enn den konstante trenden som er estimert i SEStrend-modellen. Også den estimerte verdien på 945 er nesten identisk med den som oppnås ved å montere SES-modellen med eller uten trend, så dette er nesten den samme modellen. Nå ser disse ut som rimelige prognoser for en modell som skal estimere en lokal trend. Hvis du 8220eyeball8221 ser dette, ser det ut som om den lokale trenden har vendt nedover på slutten av serien. Hva har skjedd Parametrene til denne modellen har blitt estimert ved å minimere den kvadriske feilen på 1-trinns prognoser, ikke langsiktige prognoser, i hvilket tilfelle trenden gjør ikke en stor forskjell. Hvis alt du ser på er 1-trinns feil, ser du ikke det større bildet av trender over (si) 10 eller 20 perioder. For å få denne modellen mer i tråd med øyehals ekstrapoleringen av dataene, kan vi manuelt justere trendutjevningskonstanten slik at den bruker en kortere basislinje for trendestimering. Hvis vi for eksempel velger å sette 946 0,1, er gjennomsnittsalderen for dataene som brukes til å estimere den lokale trenden 10 perioder, noe som betyr at vi gjennomsnittsverdi trenden over de siste 20 perioder eller så. Here8217s hva prognosen tomten ser ut hvis vi setter 946 0,1 mens du holder 945 0.3. Dette ser intuitivt fornuftig ut på denne serien, selv om det er sannsynlig farlig å ekstrapolere denne trenden mer enn 10 perioder i fremtiden. Hva med feilstatistikken Her er en modell sammenligning for de to modellene vist ovenfor, samt tre SES-modeller. Den optimale verdien av 945. For SES-modellen er ca. 0,3, men tilsvarende resultater (med henholdsvis litt mer responstid) oppnås med 0,5 og 0,2. (A) Holts lineær eksp. utjevning med alfa 0,3048 og beta 0,008 (B) Holts lineær eksp. utjevning med alfa 0,3 og beta 0,1 (C) Enkel eksponensiell utjevning med alfa 0,5 (D) Enkel eksponensiell utjevning med alfa 0,3 (E) Enkel eksponensiell utjevning med alfa 0,2 Deres statistikk er nesten identisk, slik at vi virkelig kan velge på grunnlag av 1-trinns prognosefeil i dataprøven. Vi må falle tilbake på andre hensyn. Hvis vi sterkt tror at det er fornuftig å basere dagens trendoverslag på hva som har skjedd i løpet av de siste 20 perioder eller så, kan vi gjøre en sak for LES-modellen med 945 0,3 og 946 0,1. Hvis vi ønsker å være agnostiker om det er en lokal trend, kan en av SES-modellene være enklere å forklare, og vil også gi mer mid-of-the-road prognoser for de neste 5 eller 10 periodene. (Tilbake til toppen av siden.) Hvilken type trend-ekstrapolering er best: Horisontal eller lineær Empirisk bevis tyder på at hvis dataene allerede er justert (om nødvendig) for inflasjon, kan det være uhensiktsmessig å ekstrapolere kortsiktig lineær trender veldig langt inn i fremtiden. Trender som tyder på i dag, kan løsne seg i fremtiden på grunn av ulike årsaker som forverring av produkt, økt konkurranse og konjunkturnedganger eller oppgang i en bransje. Av denne grunn utfører enkel eksponensiell utjevning ofte bedre ut av prøven enn det ellers kunne forventes, til tross for sin kvadratiske kvadratiske horisontal trend-ekstrapolering. Dampede trendmodifikasjoner av den lineære eksponensielle utjevningsmodellen brukes også i praksis til å introdusere en konservatismeddel i sine trendprognoser. Den demonstrede LES-modellen kan implementeres som et spesielt tilfelle av en ARIMA-modell, spesielt en ARIMA-modell (1,1,2). Det er mulig å beregne konfidensintervall rundt langsiktige prognoser produsert av eksponentielle utjevningsmodeller, ved å betrakte dem som spesielle tilfeller av ARIMA-modeller. (Pass på: ikke alle programmer beregner konfidensintervaller for disse modellene riktig.) Bredden på konfidensintervaller avhenger av (i) RMS-feilen i modellen, (ii) type utjevning (enkel eller lineær) (iii) verdien (e) av utjevningskonstanten (e) og (iv) antall perioder fremover du forutsetter. Generelt sprer intervallene raskere da 945 blir større i SES-modellen, og de sprer seg mye raskere når lineær snarere enn enkel utjevning brukes. Dette emnet blir diskutert videre i ARIMA-modellene i notatene. (Gå tilbake til toppen av siden.)