Eksponensiell Bevegelig Gjennomsnitt Parametere

Eksponentiell flytende gjennomsnitt - EMA BREAKING DOWN Eksponensiell flytende gjennomsnitt - EMA De 12 og 26-dagers EMAene er de mest populære kortsiktige gjennomsnittene, og de brukes til å skape indikatorer som den flytende gjennomsnittlige konvergensdivergensen (MACD) og prosentvis prisoscillator (PPO). Generelt brukes 50- og 200-dagers EMAer som signaler for langsiktige trender. Traders som ansetter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktige når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som vanligvis brukes i teknisk analyse, er av sin natur sakende indikatorer. Følgelig bør konklusjonene fra å bruke et glidende gjennomsnitt til et bestemt markedskart være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, etter hvert har en glidende gjennomsnittlig indikatorlinje endret seg for å reflektere et betydelig trekk i markedet, og det optimale punktet for markedsinngang har allerede gått. En EMA tjener til å lette dette dilemmaet til en viss grad. Fordi EMA-beregningen plasserer mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere. Dette er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Tolke EMA Som alle bevegelige gjennomsnittsindikatorer, er de mye bedre egnet for trending markeder. Når markedet er i en sterk og vedvarende opptrinn. EMA-indikatorlinjen vil også vise en uptrend og vice versa for en nedtrend. En årvåken handelsmann vil ikke bare være oppmerksom på retningen til EMA-linjen, men også forholdet mellom endringshastigheten fra en linje til den neste. For eksempel, da prisvirkningen av en sterk opptrend begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til den tid som indikatorlinjen flater og endringshastigheten er null. På grunn av den slanke effekten, ved dette punktet, eller til og med noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere en konsistent reduksjon i endringshastigheten til EMA, kunne seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet forårsaket av den bølgende effekten av bevegelige gjennomsnitt. Vanlige bruksområder til EMA-EMAer brukes ofte i forbindelse med andre indikatorer for å bekrefte betydelige markedsbevegelser og å måle deres gyldighet. For handelsmenn som handler intradag og rasktflyttende markeder, er EMA mer anvendelig. Ofte bruker handelsmenn EMAer for å bestemme en handelspartiskhet. For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, kan en intraday traderstrategi være å handle bare fra den lange siden på en intradag-diagram. Gjennomgang av gjennomsnittlige parametere Tre bevegelige gjennomsnittlige parametre Så du vil legge til et glidende gjennomsnitt på diagrammer. Hva er parametrene du må angi eller velge? Det er bare noen få (tre): Prisene som skal brukes til å beregne gjennomsnittet: Lukk, gjennomsnitt av høy og lav, gjennomsnittlig høy, lav og lukk osv. lengden på perioden for glidende gjennomsnitt hvor mange barer vil bli brukt til å beregne det bevegelige gjennomsnittet, eller med andre ord hvor mange barer vi vil se på hvert øyeblikk. Type bevegelige gjennomsnittet formelen som brukes: enkel vs. eksponentiell vs. andre typer. Let8217s nå utforske hver av parameterne. Parameter 1: Pris Brukt for Flytende Gjennomsnittlig Beregning De fleste bruker vanligvis hver bar8217s sluttkurs for å beregne glidende gjennomsnitt. I mange tilfeller er dette berettiget av den spesielle rollen som sluttkursen har. For eksempel representerer hver dag8217s sluttkurs på en børsindeks aksjemarkedet8217s konsensus på slutten av denne handelsdagen, når forhandlere lukker sine intradagstillinger og forbereder sine porteføljer for natten når de ikke ser på markedet. På den annen side er sluttkursene på barer mindre viktig på intradagskjemaer informasjonen om hvilken pris markedet handlet nøyaktig på slutten av en bestemt 5 eller 10 minutters periode i løpet av dagen, har liten betydning for de fleste markedsdeltakere. Derfor kan du se på alternative metoder for å beregne glidende gjennomsnitt når du jobber med intradagdata: Flytte gjennomsnitt kan beregnes ut fra gjennomsnittet av høy og lav av hver linje, eller fra den såkalte typiske prisen (gjennomsnittet av høyt, lavt , og lukk), eller fra gjennomsnittet av alle fire priser (åpent, høyt, lavt og nært). Parameter 2: Flytende gjennomsnittlig lengdeperiode Lengden på det bevegelige gjennomsnittet eller mer nøyaktig antall barer som er inkludert i den bevegelige gjennomsnittsberegningen, er trolig den mest diskuterte av de tre parametrene. Du kan beregne glidende gjennomsnitt fra bare noen få (for eksempel 8) siste prisbarer, og du vil se at den reagerer veldig raskt på hver liten forandring i markedet8217s retning. Alternativt kan du inkludere tiere eller hundrevis av prisbarer i beregningen (for eksempel 200 barer er et populært oppsett). På denne måten vil du filtrere ut alle bar-til-bar-støyen, den lange perioden som beveger gjennomsnittet, vil bare gjenspeile den meningsfulle, langsiktige prisutviklingen. Foruten å se på antall barer. du må selvsagt også ta hensyn til hvor lenge hver bar er. Mens 10 barer representerer 2 uker på et daglig kart, er de mindre enn en time på et 5-minutters diagram. Det er ingen ideell bevegelig gjennomsnittlig lengdeperiode. som ulike handelsstiler og strategier krever å se på ulike opplysninger. Problemet med å finne en god bevegelig gjennomsnittsperiode ble diskutert her: Flytende gjennomsnittsperiode. Parameter 3: Flytende gjennomsnittstype Den vanligste bevegelige gjennomsnittstypen er enkel glidende gjennomsnitt. Som navnet antyder, er det også den enkleste å beregne og forstå (that8217s er sannsynligvis den viktigste grunnen til at it8217 er den mest populære). Enkel glidende gjennomsnitt er (ganske enkelt) det aritmetiske gjennomsnittet for de siste N-strekene (N er den bevegelige gjennomsnittlige perioden som er omtalt ovenfor). Du oppsummerer N siste priser og deler resultatet med N. I tillegg til enkel glidende gjennomsnitt, finnes det andre typer. Det er bare små variasjoner i formlene, og noen ganger er det vanskelig å fortelle hvilken type glidende gjennomsnitt det bare er å se på et diagram. Eksempelvis eksponensielt glidende gjennomsnitt legger mer vekt til de siste prisene, og derfor ser det ut til å reagere litt raskere på prisendringer i forhold til det enkle glidende gjennomsnittet. Andre ofte brukte bevegelige gjennomsnittstyper inkluderer minst kvadratisk glidende gjennomsnitt. adaptivt glidende gjennomsnitt. eller vektet glidende gjennomsnitt. Hvis du er kreativ og god med tall, kan du selv designe dine egne proprietære metoder (likevel er nytten av slik innsats tvilsom, gitt de små forskjellene og litt ekstra informasjon du får). Hvilke bevegelige gjennomsnittlige parametre som skal brukes Hvis du ikke har gjort mye kvantitativ testing og ikke har noen anelse om hvilken flytende gjennomsnittlig beregningsmetode som kan være effektiv for din handelsmetode, foreslår jeg at du begynner med det helt grunnleggende. Ta det enkle glidende gjennomsnittet beregnet ut fra sluttkursene (dette er oppsettet som kartleggingsprogramvaren din sannsynligvis har som standard) og fokusere energien din på å finne en god bevegelig gjennomsnittlig lengdeperiode. Vær også oppmerksom på at glidende gjennomsnitt er bare ett verktøy, bare ett stykke av analysen, og du vil sannsynligvis måtte inkludere andre ting (som grunnleggende, volum eller prishandling) i beslutningsprosessen for å bygge en solid handelsstrategi. Ved å forbli på denne nettsiden andor ved hjelp av makrokopiinnhold, bekrefter du at du har lest og godta vilkårene for bruk av avtalen, akkurat som om du har signert det. Avtalen inkluderer også retningslinjer for personvern og informasjonskapsler. Hvis du ikke er enig med noen del av denne avtalen, vennligst forlat nettstedet nå. All informasjon er kun for utdanningsformål og kan være unøyaktig, ufullstendig, utdatert eller vanlig feil. Makrokopiering er ikke ansvarlig for eventuelle skader som følge av bruk av innholdet. Ingen finansiell, investering eller handelsrådgivning gis til enhver tid. kopiere 2017 Makroforflytningsmodeller Gjennomsnittlig og eksponentiell utjevningsmodell Som et første skritt i å bevege seg utover gjennomsnittlige modeller, kan tilfeldige gangmodeller og lineære trendmodeller, ikke-sesongsmønstre og trender ekstrapoleres ved hjelp av en glidende eller utjevningsmodell. Den grunnleggende forutsetningen bak gjennomsnittlige og utjevningsmodeller er at tidsserien er lokalt stasjonær 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 ca 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 lett bli vist ved å evaluere en uendelig serie.) Derfor har den enkle, glidende gjennomsnittlige prognosen en tendens til å ligge bak vendepunkter 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 at det er 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 enkle eksponensielle 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. (Tilbake til toppen av siden.) Dokumentasjon Moving Average Method 8212 Gjennomsnittlig metode Glidende vindu (standard) Eksponentiell vekting Glidende vindu 8212 Et vindu med lengde Vindulengden beveger seg over inngangsdata langs hver kanal. For hvert eksempel som vinduet beveger seg, beregner blokken gjennomsnittet over dataene i vinduet. Eksponensiell vekting 8212 Blokken multipliserer prøvene med et sett med vektningsfaktorer. Størrelsen på vektningsfaktorene reduseres eksponentielt ettersom datoenes alder øker, når aldri null. For å beregne gjennomsnittet summerer algoritmen vektede data. Angi vinduets lengde 8212 Flagg for å angi vinduets lengde på (standard) av Når du velger denne avmerkingsboksen, er lengden på skyvevinduet lik verdien du angir i Vinduelengde. Når du fjerner denne avmerkingsboksen, er glidevinduets lengde uendelig. I denne modusen beregner blokken gjennomsnittet av gjeldende utvalg og alle tidligere prøver i kanalen. Vindulengde 8212 Glideskjermens lengde 4 (standard) Positivt skalar heltall Vindulengden angir lengden på glidevinduet. Denne parameteren vises når du merker av for Angi vindulengde Angi vindu. Glem faktor 8212 Eksponensiell vektfaktor 0,9 (standard) positiv reell skalar i området (0,1 Denne parameteren gjelder når du setter Metode til eksponentiell vekting. En glem faktor på 0,9 gir større vekt på de eldre dataene enn en glemme faktor på 0,1 . En glemme faktor på 1,0 angir uendelig minne. Alle tidligere eksempler er gitt like vekt. Denne parameteren kan avstemmes. Du kan endre verdien selv under simuleringen. Simulere med å bruke 8212 Type simulering for å kjøre Kodegenerering (standard) Tolket utførelse Simulere modell ved hjelp av generert C-kode. Simulink x00AE første gang du kjører en simulering, genererer C-kode for blokken. C-koden blir gjenbrukt for etterfølgende simuleringer, så lenge modellen ikke endres. Dette alternativet krever ekstra oppstartstid, men gir raskere simuleringshastighet enn tolket utførelse. Simulere modell ved hjelp av MATLAB x00AE tolk. Dette alternativet forkorter oppstartstid, men har langsommere simuleringshastighet enn kode generasjon. Mer om algoritmer Sliding Window Method I glidende vindu metode, er utgangen for hver inngangseksempel gjennomsnittet av den nåværende prøven og Len-1 tidligere prøver. Len er lengden på vinduet. For å beregne de første Len-1-utgangene, når vinduet ikke har nok data ennå, fyller algoritmen vinduet med nuller. Som et eksempel, for å beregne gjennomsnittet når den andre inngangsprøven kommer inn, fyller algoritmen vinduet med Len - 2 nuller. Datavektoren, x. er da de to datasamplene etterfulgt av Len - 2 nuller. Når du angir egenskapen SpecifyWindowLength til feil. algoritmen velger en uendelig vinduslengde. I denne modusen er utgangen det bevegelige gjennomsnittet for gjeldende utvalg og alle de tidligere prøvene i kanalen. Eksponentiell vektingsmetode I eksponentiell vektingsmetode beregnes det bevegelige gjennomsnittet rekursivt ved hjelp av disse formlene: w N. x03BB x03BB w N x2212 1. x03BB 1. x x00AF N. x03BB (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB (1 w N. x03BB) x N x xAFAF N. x03BB 8212 Flytende gjennomsnitt ved gjeldende utvalg x N 8212 Gjeldende datainngangssprøve x x00AF N x2212 1. x03BB 8212 Flytende gjennomsnitt ved forrige prøve 955 8212 Glemme faktor w N. x03BB 8212 Vektfaktor påført gjeldende dataprøve (1 x 2212 1 w N. x03BB) x x00AF N x2212 1. x03BB 8212 Effekt av tidligere data i gjennomsnitt For den første prøven, hvor N 1 velger algoritmen w N. x03BB 1. For den neste prøven oppdateres vektningsfaktoren og brukes til å beregne gjennomsnittet, per rekursiv ligning. Etter hvert som alderen på dataene øker, reduserer størrelsen på vektningsfaktoren eksponentielt og når aldri null. Med andre ord har de siste dataene større innflytelse på nåværende gjennomsnitt enn de eldre dataene. Verdien av den glemme faktoren bestemmer hastigheten på endringen av vektningsfaktorene. En glem faktor på 0,9 gir større vekt på de eldre dataene enn en glemme faktor på 0,1. En glemme faktor på 1,0 indikerer uendelig minne. Alle de foregående prøvene blir gitt like vekt. Systemobjekter Velg ditt land