Forskjeller Mellom Bevegelig Gjennomsnitt Og Eksponensielle Utjevnings Modeller

Fremgangsmåte ved å velge en prognosemodell. Din prognosemodell bør inneholde funksjoner som fanger opp alle viktige kvalitative egenskapene til datamønstrene for variasjon i nivå og trend, effekter av inflasjon og sesongmessighet, korrelasjoner mellom variabler, osv. Videre antas forutsetningene som ligger til grunn for den valgte modellen bør være enig med din intuisjon om hvordan serien ser ut til å oppføre seg i fremtiden. Når du har montert en prognosemodell, har du noen av følgende valg. Disse alternativene beskrives kort nedenfor. Se den medfølgende prognose flytdiagrammet for en oversikt over modellen - spesifikasjonsprosessen og referere tilbake til Statgraphics Model Specification-panelet for å se hvordan modellfunksjonene er valgt i programvaren. Oppgave Hvis serien viser inflasjonsvekst, vil deflasjon bidra til å regne for vekstmønsteret og redusere heteroscedasticitet i residualene You kan enten deflater de siste dataene og gjenopplive de langsiktige prognosene med en konstant rumpa eller ii deflater de siste dataene med en prisindeks som KPI, og deretter manuelt reinflate de langsiktige prognosene ved hjelp av en prognose av prisindeksen Alternativ jeg er den enkleste I Excel kan du bare opprette en kolonne med formler å dele de opprinnelige verdiene med passende faktorer For eksempel, hvis dataene er månedlige og du vil deflate med en hastighet på 5 per 12 måneder, vil du dele med en faktor på 1 05 k 12 hvor k er radindeksjonsobservasjonsnummeret RegressIt og Statgraphics har innebygde verktøy som gjør dette automatisk for deg. Hvis du går på denne ruten, er det vanligvis best å angi antatt inflasjonshastighet lik din beste estimat av dagens rente, spesielt hvis du skal prognose mer enn en periode fremover Hvis du i stedet velger alternativ ii, må du først lagre deflaterte prognosene og konfidensgrensene til dataarket ditt, deretter generere og lagre en prognose for prisindeksen, og til slutt multiplisere de riktige kolonnene sammen. Gå tilbake til toppen av siden. Logaritm transformasjon Hvis serien viser sammensatt vekst og eller et multipliserende sesongmønster, kan en logaritme transformasjon være til hjelp i tillegg til eller i stedet for deflation. Logging dataene vil ikke flate et inflasjonsvækstmønster, men det vil rette det ut slik at det kan være utstyrt med en lineær modell ega random walk eller ARIMA-modell med konstant vekst, eller en lineær eksponensiell utjevningsmodell. Også logging vil konvertere multiplikative sesongmønstre til additivmønstre, slik at hvis du utfører sesongjustering etter logging, bør du bruke additiv typen Logging handler om inflasjon på en implisitt måte hvis du vil at eksplisitt inflasjon skal modelleres - dvs. hvis du vil at inflasjonsraten skal være en synlig parameter for modellen, eller hvis du vil se plott av deflaterte data - bør du deflere heller enn log. En annen viktig bruk for logtransformasjonen er å linearisere forhold mellom variabler i en regresjonsmodus l For eksempel, hvis den avhengige va Riable er en multiplikativ snarere enn additiv funksjon av de uavhengige variablene, eller hvis forholdet mellom avhengige og uavhengige variabler er lineært i forhold til prosentvise endringer i stedet for absolutte endringer, kan det være hensiktsmessig å anvende en logtransformasjon til en eller flere variabler, som i Salgseksemplet til øl. Tilbake til toppen av siden. Sesongjustering Hvis serien har et sterkt sesongmessig mønster som antas å være konstant fra år til år, kan sesongjustering være en hensiktsmessig måte å estimere og ekstrapolere mønsteret. Fordelen med sesongjustering er at den modellerer sesongmønsteret eksplisitt, og gir deg muligheten til å studere sesongindikatorer og sesongjusterte data Ulempen er at det krever estimering av et stort antall tilleggsparametere, spesielt for månedlige data, og det gir ingen teoretisk begrunnelse for Beregning av korrekte konfidensintervaller Utifisering av prøven er spesielt importa nt for å redusere risikoen for overfitting av tidligere data gjennom sesongjustering Hvis dataene er sterkt sesongbestemte, men du ikke velger sesongjustering, er alternativene å enten bruke en sesongbasert ARIMA-modell som implisitt progniserer sesongmønsteret ved hjelp av sesongbaserte lag og forskjeller, eller ii bruke Winters sesongmessige eksponensielle utjevningsmodell som anslår tidsvarierende sesongindekser. Tilbake til toppen av siden. Uavhengige variabler Hvis det er andre tidsserier som du mener har forklarende effekt i forhold til interessen din, for eksempel ledende økonomiske indikatorer eller policyvariabler som pris, reklame, kampanjer, etc. Du kan kanskje vurdere regresjon som modelltype Uansett om du velger regresjon, må du fortsatt vurdere mulighetene som er nevnt ovenfor for å omdanne variablene dine deflasjon, logg, sesongjustering - - og kanskje også differensiere for å utnytte tidsdimensjonen og eller linearisere forholdene Selv om du gjør n Ikke velg regresjon på dette tidspunktet. Du kan kanskje vurdere å legge til regressorer senere til en tidsseriemodell, for eksempel en ARIMA-modell hvis residualene viser seg å ha signifikante krysskorrelasjoner med andre variabler. Tilbake til toppen av siden. Formulering, gjennomsnittlig eller tilfeldig spasertur Hvis du har valgt å justere dataene sesongmessig - eller hvis dataene ikke er sesongmessige til å begynne med - kan du kanskje bruke en gjennomsnittlig eller utjevningsmodell for å passe til det ikke-soneformede mønsteret som forblir i dataene på dette punktet A Enkel glidende gjennomsnittlig eller enkel eksponensiell utjevningsmodell beregner bare et lokalt gjennomsnitt av data på slutten av serien, forutsatt at dette er det beste estimatet av gjeldende middelverdien rundt hvilken dataene svinger. Disse modellene antar at middelverdien av serien varierer sakte og tilfeldig uten vedvarende trender Enkel eksponensiell utjevning er normalt foretrukket for et enkelt bevegelige gjennomsnitt, fordi det eksponentielt vektede gjennomsnittet gjør en mer fornuftig jobb med rabatt de eldre dataene, fordi dens utjevningsparameter alfa er kontinuerlig og lett kan optimaliseres, og fordi den har et underliggende teoretisk grunnlag for beregning av konfidensintervall. Hvis utjevning eller gjennomsnitt ikke ser ut til å være nyttig - det vil si hvis den beste prediktoren til neste verdi av tidsseriene er bare den forrige verdien - da er en tilfeldig walk-modell angitt Dette er tilfellet for eksempel hvis det optimale antall vilkår i det enkle glidende gjennomsnittet viser seg å være 1, eller hvis den optimale verdien av alfa i enkel eksponensiell utjevning viser seg å være 0 9999.Brown s lineær eksponensiell utjevning kan brukes til å passe en serie med sakte tidsvarierende lineære trender, men vær forsiktig med å ekstrapolere slike trender svært langt inn i fremtiden. Den raskt utvidede selvtilliten intervaller for denne modellen vitner for sin usikkerhet om den fjerne fremtid. Holt s lineær utjevning anslår også tidsvarierende trender, men bruker separate parametere for å jevne ut nivået og trenden, som vanligvis pro Vides bedre tilpasning til data enn Brown s-modell Q uadrative eksponensielle utjevning forsøk på å estimere tidsvarierende kvadratiske trender, og bør nesten aldri brukes. Dette vil korrespondere med en ARIMA-modell med tre ordrer av ikke-soneforskjeller Linjær eksponensiell utjevning med en dempet trend En tendens som flater ut i fjerne horisonter, anbefales ofte i situasjoner hvor fremtiden er svært usikker. De forskjellige eksponensielle utjevningsmodellene er spesielle tilfeller av ARIMA-modeller som beskrevet nedenfor, og kan utstyres med ARIMA-programvare. Spesielt er den enkle eksponensielle utjevningsmodellen en ARIMA 0,1,1 modell, Holt s lineær utjevningsmodell er en ARIMA 0,2,2 modell, og den dempede trendmodellen er en ARIMA 1,1,2 modell. Et godt sammendrag av ligningene i de ulike eksponensielle utjevningsmodellene kan finner du på denne siden på SAS-nettsiden. SAS-menyene for spesifisering av tidsseriemodeller vises også der de er lik de som er i Statgraphics. Line, quadratisk eller ex. ponentielle trendlinjemodeller er andre alternativer for ekstrapolering av en deseasonalized serie, men de går sjelden utover tilfeldig gang, utjevning eller ARIMA-modeller på forretningsdata. Tilbake til toppen av siden. Vintere sesongmessige eksponentielle utjevning Winters Seasonal Smoothing er en forlengelse av eksponensiell utjevning som samtidig estimerer tidsvarierende nivå, trend og sesongmessige faktorer ved bruk av rekursive ligninger. Hvis du bruker denne modellen, vil du derfor ikke først justere dataene sesongmessig. Winters sesongfaktorer kan enten være multiplikative eller additiv. Normalt bør du velge multiplikasjonsalternativet med mindre du har logget inn dataene Selv om Winters-modellen er smart og rimelig intuitiv, kan det være vanskelig å bruke i praksis, det har tre utjevningsparametre - alfa, beta og gamma - for å utjevne nivå, trend og sesongfaktorer separat, som må være estimert samtidig Bestemmelse av startverdier for sesongindeksene kan gjøres ved å anvende forholdet til movi ng gjennomsnittlig metode for sesongjustering til deler av hele serien og eller av forutredning. Estimeringsalgoritmen som Statgraphics bruker for disse parametrene, feiler noen ganger ikke sammen og gir verdier som gir bizarre prognoser og konfidensintervaller, så jeg vil anbefale forsiktighet når bruker denne modellen Tilbake til toppen av siden. ARIMA Hvis du ikke velger sesongjustering eller hvis dataene ikke er sesongbestemte, kan du ønske å bruke ARIMA-modellen rammeverket. ARIMA-modeller er en svært generell klasse av modeller som inkluderer tilfeldig tur, tilfeldig trend, eksponensiell utjevning og autoregressive modeller som spesielle tilfeller Den vanlige visdommen er at en serie er en god kandidat til en ARIMA-modell hvis jeg kan stasjonæriseres av en kombinasjon av differensiering og andre matematiske transformasjoner som logging, og du har en betydelig mengde data for å jobbe med minst 4 fulle sesonger når det gjelder sesongdata Hvis serien ikke kan stasjonæriseres på en hensiktsmessig måte nike - for eksempel hvis det er svært uregelmessig eller synes å kvalitativt endre sin oppførsel over tid - eller hvis du har færre enn 4 årstider med data, så kan du være bedre med en modell som bruker sesongjustering og en slags enkel gjennomsnittlig eller utjevning. ARIMA-modellene har en spesiell navngivningskonvensjon innført av Box og Jenkins. En non - asonal ARIMA-modell er klassifisert som en ARIMA p, d, q-modell, hvor d er antall ikke-like forskjeller, p er antall autoregressive termer differensierte serier, og q er antall bevegelige gjennomsnittlige termer som lagrer prognosefeilene i prediksjonsligningen. En sesongbasert ARIMA-modell er klassifisert som en ARIMA p, d, qx P, D, Q hvor D, P og Q er , henholdsvis antall sesongmessige forskjeller, sesongmessige autoregressive betingelser, avviker fra serier i flere sesongperioder, og sesongmessige glidende gjennomsnittlige betingelser lagrer prognosefeilene ved flere ganger av sesongperioden. Det første trinnet i å montere en ARIMA-modell i s for å bestemme riktig rekkefølge for differensiering som trengs for å stasjonærisere serien og fjerne bruttoegenskapene til sesongmessigheten. Dette tilsvarer å bestemme hvilken naiv tilfeldig tur eller tilfeldig trendmodell som gir det beste utgangspunktet. Ikke forsøk å bruke mer enn 2 totale ordrer av differensiering ikke sesongbasert og sesongbasert kombinert, og bruk ikke mer enn 1 sesongmessig forskjell. Det andre trinnet er å avgjøre om å inkludere en konstant term i modellen som regel, må du inkludere en konstant term hvis total rekkefølgen av differens er 1 eller mindre, ellers gjør du ikke I en modell med en ordre av differensiering, representerer konstant sikt den gjennomsnittlige trenden i prognosene. I en modell med to differensialordninger, er trenden i prognosene bestemt av lokal trenden observert på slutten av tidsserier og konstant sikt representerer trend-i-trenden, det vil si krumningen av de langsiktige prognosene. Det er normalt farlig å ekstrapolere trender i trender, så du su I dette tilfellet skal du trykke på kontantperioden. Det tredje trinnet er å velge antall autoregressive og bevegelige gjennomsnittsparametre p, d, q, P, D, Q som er nødvendige for å eliminere autokorrelasjon som forblir i gjenstander av naivmodellen dvs. enhver korrelasjon som forblir etter bare differensiering Disse tallene bestemmer antall lag av differensierte serier og eller lagrer prognosefeilene som er inkludert i prognosekvasjonen. Hvis det ikke er noen signifikant autokorrelasjon i residuene på dette punktet, så STOP, du er igjen gjort den beste modellen er en naiv modell. Hvis det er betydelig autokorrelasjon ved lags 1 eller 2, bør du prøve å sette q 1 hvis ett av følgende gjelder jeg det er en sesongmessig forskjell i modellen, ii lag 1-autokorrelasjonen er negativ og eller iii gjenværende autokorrelasjonsplot er renere utseende færre, mer isolerte pigger enn gjenværende delvise autokorrelasjonsplot Hvis det ikke er noen sesongmessig forskjell i modellen og eller lag 1 autocorr elation er positiv og eller gjenværende partiell autokorrelasjonsplott ser renere ut, prøv deretter p 1 Noen ganger stemmer disse reglene for å velge mellom p 1 og q 1 i konflikt med hverandre, og det gjør det sannsynligvis ikke stor forskjell på hvilken du bruker Prøv dem begge og sammenligne Hvis det er autokorrelasjon ved lag 2 som ikke fjernes ved å sette p 1 eller q 1, kan du prøve p 2 eller q 2 eller til og med p 1 og q 1 Mer sjelden kan du oppleve situasjoner hvor p 2 eller 3 og q 1 eller omvendt gir de beste resultatene Det anbefales sterkt at du ikke bruker p 1 og q 1 i samme modell. Generelt bør du, når du monterer ARIMA-modeller, unngå å øke modellkompleksiteten for å oppnå bare små ytterligere forbedringer i feilstatistikken eller utseendet til ACF - og PACF-plottene. I en modell med både p 1 og q 1 er det også en god mulighet for redundans og ikke-unikhet mellom AR og MA sider av modellen, som forklart i notatene om den matematiske strukturen til A RIMA-modell s Det er vanligvis bedre å fortsette i en fremad trinnvis snarere enn bakover trinnvis måte når tilpasning av modellspesifikasjonene starter med enklere modeller og bare legge til flere vilkår hvis det er et klart behov. De samme reglene gjelder antall sesongmessige autoregressive termer P og antall sesongmessige bevegelige gjennomsnittlige betingelser Q med hensyn til autokorrelasjon i sesongperioden, f. eks. Lag 12 for månedlige data Prøv Q 1 hvis det allerede er en sesongmessig forskjell i modellen og eller sesongens autokorrelasjon er negativ og eller gjenværende autokorrelasjonsplan ser renere ut i nærheten av sesongens forsinkelse. ellers prøve P 1 Hvis det er logisk at serien har sterk sesongmessighet, må du bruke en sesongmessig forskjell, ellers vil sesongmønsteret uttones når du gjør langsiktige prognoser. Noen ganger kan du ønske å prøve P 2 og Q 0 eller vice v ersa, eller PQ 1 Det anbefales imidlertid veldig sterkt at PQ aldri burde være større enn 2 Sesongmønstre sjelden h ave den slags perfekt regelmessighet over et stort nok antall sesonger som ville gjøre det mulig å pålitelig identifisere og anslå at mange parametere Også den backforecasting algoritmen som brukes i parameter estimering er sannsynligvis å produsere upålitelige eller til og med galte resultater når antall sesongene av data er ikke vesentlig større enn PDQI vil anbefale ikke mindre enn PDQ 2 hele årstider, og mer er bedre Igjen, når du monterer ARIMA-modeller, bør du være forsiktig med å unngå overpassing av data, til tross for at det kan være en mye moro når du får tak i det. Viktige spesielle tilfeller Som angitt ovenfor er en ARIMA 0,1,1 modell uten konstant identisk med en enkel eksponensiell utjevningsmodell, og det antar et flytende nivå, dvs. ingen vendende reversering, men med null langsiktig trend En ARIMA 0,1,1 modell med konstant er en enkel eksponensiell utjevningsmodell med en ikke-lineær trendbegrep inkludert. En ARIMA 0,2,1 eller 0,2,2 modell uten konstant er en lineær eksponensiell glatt en modell som muliggjør en tidsvarig trend En ARIMA 1,1,2 modell uten konstant er en lineær eksponensiell utjevningsmodell med fuktet trend, det vil si en trend som til slutt flater ut i langsiktige prognoser. De vanligste sesongmessige ARIMA-modellene er ARIMA 0,1,1 x 0,1,1 modell uten konstant og ARIMA 1,0,1 x 0,1,1 modell med konstant Den tidligere av disse modellene gjelder i utgangspunktet eksponensiell utjevning til både nonseasonal og sesongkomponenter av mønster i dataene, samtidig som det tillates en tidsvarierende trend, og sistnevnte modell er noe lik, men antar en konstant lineær trend og derfor litt mer langsiktig forutsigbarhet. Du bør alltid inkludere disse to modellene blant ditt utvalg av mistenkte når du monterer data med konsekvent sesongmessige mønstre En av dem, kanskje med en mindre variasjon som øker p eller q med 1 og eller innstiller P 1 så vel som Q 1, er ganske ofte den beste Tilbake til toppen av siden. Simpel Vs Eksponentielle Moving Averages. Gjennomgående gjennomsnitt er mer enn studien av en sekvens av tall i etterfølgende rekkefølge Tidlige utøvere av tidsserier analyse var faktisk mer opptatt av individuelle tidsserier tall enn de var med interpolering av dataene Interpolering i form av sannsynlighetsteorier og analyse kom langt senere som mønstre ble utviklet og korrelasjoner oppdaget. Når det ble forstått, ble ulike formede kurver og linjer trukket langs tidsserien i et forsøk på å forutsi hvor datapunktene kan gå. Disse anses nå grunnleggende metoder som nå brukes av tekniske analysehandlere. Kartanalyse kan spores tilbake til 18th Century Japan, men hvordan og når flytte gjennomsnitt ble først brukt til markedsprisene er fortsatt et mysterium Det er generelt forstått at enkle glidende gjennomsnitt SMA ble brukt lenge før eksponentielle glidende gjennomsnitt EMA, fordi EMAer er bygget på SMA-rammeverket og SMA-kontinuumet var mer lett forstått for planlegging og sporing. Vil du ha en liten bakgrunnsbilde ng Sjekk ut Flytteverdier Hva er de? Simple Moving Average SMA Enkle glidende 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 kartene i bruk i dag, så de var hovedsakelig avhengige av markedsprisene som deres eneste guider. 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 en 10-dagers enkelt glidende gjennomsnitt, legger du bare til sluttkursene de siste 10 dagene og deler med 10. 20-dagers glidende gjennomsnitt beregnes ved å legge sluttkursene over en 20-dagers periode og divide med 20 osv. Denne formelen er ikke bare basert på sluttkurs, men produktet er et gjennomsnitt av priser - en delgruppe Flytende gjennomsnitt kalles flytting fordi gruppen av priser som brukes i beregningen flytter i henhold til punktet på diagrammet Dette betyr at gamle dager er tapt til fordel for nye sluttkursdager, slik at en ny beregning alltid behøves som tilsvarer tidsrammen for gjennomsnittlig sysselsatt. Så blir en 10-dagers gjennomsnitt omregnet ved å legge til den nye dagen og slippe den tiende dagen, og den niende dagen slippes på den andre dagen. For mer om hvordan diagrammer brukes i valutahandel, sjekk ut våre kartbaser. Walkthrough. Exponential Moving Average EMA Det eksponentielle glidende gjennomsnittet har blitt raffinert og mer vanlig siden 1960-tallet, takket være tidligere utøvere eksperimenterer med datamaskinen Den nye EMA vil fokusere mer på de nyeste prisene enn på en lang rekke datapunkter, da det enkle glidende gjennomsnittet er nødvendig. Den nåværende EMA-prisen nåværende - tidligere EMA X-multiplikator tidligere EMA. Den viktigste faktoren er utjevningskonstanten som 2 1 N hvor N antall dager. En 10-dagers EMA 2 10 1 18 8. Dette betyr en 10-års EMA vekter den siste prisen 18 8, en 20-dagers EMA 9 52 og 50-dagers EM En 3 92 vekt på den siste dagen EMA jobber med å veie forskjellen mellom dagens pris og tidligere EMA, og legge til resultatet til den tidligere EMA. Jo kortere perioden jo mer vekt ble brukt på den siste prisen. Monteringslinjer Ved disse beregningene blir punkter plottet, noe som viser en passende linje. Monteringslinjene over eller under markedsprisen betyr at alle bevegelige gjennomsnitt er forsinkende indikatorer og brukes primært til følgende trender. De fungerer ikke bra med utvalgsmarkeder og overbelastningsperioder fordi Tilpasningslinjene mislykkes i å indikere en trend på grunn av mangel på tydelige høyere høyder eller lavere nedturer. Tilpasningslinjer har 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 t han betyr flere grupper av priser En trend er spottet 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 vant til å fange kortere trendbevegelser, på grunn av fokus på de siste prisene. Med denne metoden skulle en EMA redusere alle lag i det enkle glidende gjennomsnittslaget, slik at monteringslinjen vil kramme prisene nærmere enn et enkelt glidende gjennomsnitt. Problemet med EMA er dette. Det er utsatt for prisbrudd, spesielt i raske markeder og perioder med volatilitet. EMA fungerer bra til prisene bryter sammenpassingslinjen. Under høyere volatilitetsmarkeder, kan du vurdere å øke lengden på den bevegelige gjennomsnittlige termen. En kan også bytte fra en EMA til en SMA, siden SMA glatter ut dataene mye bedre enn en EMA på grunn av sin cus på langsiktige måter. Trinn-Følgende Indikatorer Som forsinkende indikatorer tjener glidende gjennomsnitt som støtte - og motstandslinjer Hvis prisene går under en 10-dagers monteringslinje i en oppadgående trend, er det gode muligheter for at den oppadgående trenden kan avta, eller i det minste markedet kan konsolidere Hvis prisene går over et 10-dagers glidende gjennomsnitt i en nedtrend, kan trenden avta eller konsolidere. I disse tilfellene skal du bruke et 10- og 20-dagers glidende gjennomsnitt sammen og vente på 10- dagslinje for å krysse over eller under 20-dagers linjen Dette bestemmer neste kortsiktige retning for priser. For lengre siktperioder kan du se 100- og 200-dagers glidende gjennomsnitt for langsiktig retning. For eksempel ved å bruke 100- og 200-dagers glidende gjennomsnitt. 200-dagers glidende gjennomsnitt, hvis 100-dagers glidende gjennomsnitt krysser under 200-dagers gjennomsnittet, kalles det dødskrysset og er veldig bearish for priser. Et 100-dagers glidende gjennomsnitt som krysser over et 200-dagers glidende gjennomsnitt kalles det gylne krysset og er veldig bullish for priser Det d uansett om en SMA eller en EMA er brukt, fordi begge er trend-følger indikatorer Det er bare på kort sikt at SMA har små avvik fra motparten, EMA. Conclusion Moving gjennomsnitt er grunnlaget for diagram og tid serieanalyse Enkle bevegelige gjennomsnitt og mer komplekse eksponentielle glidende gjennomsnitt bidrar til å visualisere trenden ved å utjevne prisbevegelser. Teknisk analyse kalles noen ganger som en kunst i stedet for en vitenskap, som begge tar år å mestre. Lær mer i vår Tekniske Analyseveiledning. En undersøkelse gjort av United States Bureau of Labor Statistics for å måle ledige stillinger. Det samler inn data fra arbeidsgivere. Det maksimale beløpet av penger USA kan låne. Gjeldstaket ble opprettet under Second Liberty Bond Act. Renten der en Depositarinstitusjon gir midler opprettholdt i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhet eller marke Det er en handling som den amerikanske kongressen vedtok i 1933 som bankloven, som forbyde kommersielle banker å delta i investeringen. Nonfarm lønn refererer til hvilken som helst jobb utenfor gårder, private husholdninger og nonprofit sektor. av Labor. Eksponentiell utjevning Explained. Copyright Innhold på er beskyttet av copyright og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med mye utjevning, uansett utjevning er de begynner å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noen gang trenger å gjøre det. Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er, eksponensiell utjevning er en veldig enkel beregning som gir en ganske enkel oppgave. Det har bare et komplisert navn fordi det teknisk skjer som følge av denne enkle beregningen er faktisk litt komplisert. For å forstå eksponensiell utjevning, hjelper det å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes for å oppnå utjevning. Hva er utjevning. Modning er en svært vanlig statistisk prosess Faktisk støter vi regelmessig på jevne data i ulike former i vårt daglige liv Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, du vil raskt forstå begrepet utjevning For eksempel har vi nettopp opplevd den varmeste vinteren på rekord Hvordan kan vi kvantifisere dette Vel, vi begynner med datasett av de daglige høye og lave temperaturene i perioden vi kalder Vinter for hvert år i innspilt historie Men det gir oss en mengde tall som hopper rundt ganske mye, det er ikke som hver dag i vinter var varmere enn de tilsvarende dagene fra alle tidligere år. Vi trenger en følelse er som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles glatting, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørsel prognoser, bruker vi utjevning for å fjerne tilfeldig variasjonsstøy fra vår historiske etterspørsel. Dette gjør at vi bedre kan identifisere etterspørselsmønstre primært trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel. Støy i etterspørsel er det samme konseptet som den daglige hoppingen rundt av temperaturdata Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg som tiden går For eksempel, hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg gjennomsnittlig etterspørsel som skjedde i januar, februar, mars og A pril 1. juni vil jeg bruke etterspørsel fra februar, mars, april og mai. Vektet glidende gjennomsnitt. Når du bruker et gjennomsnitt, bruker vi den samme vekten vekten til hver verdi i datasettet. I det 4 måneders glidende gjennomsnittet, hver måned representerte 25 av det bevegelige gjennomsnittet Når du bruker etterspørselshistorie for å projisere fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie vil ha større innvirkning på prognosen. Vi kan tilpasse vårt bevegelige gjennomsnitt beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100 Derfor, hvis vi bestemmer oss, vil vi søke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 for den 4 mån ths 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet om å bruke en vekt til den siste perioden som 35 i det forrige eksempelet og spre den gjenværende vekten beregnet ved å trekke den siste tidsvekten på 35 fra 100 for å få 65, har vi de grunnleggende byggesteinene for vår eksponensielle utjevningsberegning. Kontrollerende inngang av eksponensiell utjevningsberegning kalles utjevningsfaktoren også kalt utjevningskonstanten. Det representerer i hovedsak vektingen som er brukt på den siste perioden s etterspørsel Så hvor vi brukte 35 som vekten for den siste perioden i den vektede glidende gjennomsnittlige beregningen. Vi kunne også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevningsberegning er at i stedet for vi må også finne ut hvor mye vekt som skal gjelde for hver tidligere periode, utjevningsfaktoren brukes til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor, vil vekten av den siste perioden etterspørselen bli 35 Vektingen av neste siste periode s krever perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 vekting for den perioden hvis du gjør matematikken. Den neste siste periodens etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79 Perioden før den blir vektet som 65 av 65 av 65 av 35, som tilsvarer 9 61 osv. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet. Du re sannsynligvis tenker at det ser ut som en masse matematikk Men skjønnheten i eksponentiell utjevningsberegning er at i stedet for å beregne på hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell smoothin g beregning fra forrige periode for å representere alle tidligere perioder. Er du forvirret ennå Dette vil gjøre mer fornuftig når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periode prognose. I virkeligheten er den ultimate prognose trenger litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktoren PLUS Den siste perioden s prognose multiplisert med en minus utjevningsfaktoren. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste perioden s prognosen utgangen av utjevningsberegningen fra forrige periode. OR assuming a smoothing factor of 0 35.It doesn t get much simpler than that. As you can see, all we need for data inputs here are the most recent period s demand and the mo st recent period s forecast We apply the smoothing factor weighting to the most recent period s demand the same way we would in the weighted moving average calculation We then apply the remaining weighting 1 minus the smoothing factor to the most recent period s forecast. Since the most recent period s forecast was created based on the previous period s demand and the previous period s forecast, which was based on the demand for the period before that and the forecast for the period before that, which was based on the demand for the period before that and the forecast for the period before that, which was based on the period before that. well, you can see how all previous period s demand are represented in the calculation without actually going back and recalculating anything. And that s what drove the initial popularity of exponential smoothing It wasn t because it did a better job of smoothing than weighted moving average, it was because it was easier to calculate in a computer program And, because you didn t need to think about what weighting to give previous periods or how many previous periods to use, as you would in weighted moving average And, because it just sounded cooler than weighted moving average. In fact, it could be argued that weighted moving average provides greater flexibility since you have more control over the weighting of previous periods The reality is either of these can provide respectable results, so why not go with easier and cooler sounding. Exponential Smoothing in Excel. Let s see how this would actually look in a spreadsheet with real data. Copyright Content on is copyright-protected and is not available for republication. In Figure 1A, we have an Excel spreadsheet with 11 weeks of demand, and an exponentially smoothed forecast calculated from that demand I ve used a smoothing factor of 25 0 25 in cell C1 The current active cell is Cell M4 which contains the forecast for week 12 You can see in the formula bar, the formula is L3 C1 L4 1- C1 So the only direct inputs to this calculation are the previous period s demand Cell L3 , the previous period s forecast Cell L4 , and the smoothing factor Cell C1, shown as absolute cell reference C1.When we start an exponential smoothing calculation, we need to manually plug the value for the 1st forecast So in Cell B4, rather than a formula, we just typed in the demand from that same period as the forecast In Cell C4 we have our 1st exponential smoothing calculation B3 C1 B4 1- C1 We can then copy Cell C4 and paste it in Cells D4 through M4 to fill the rest of our forecast cells. You can now double-click on any forecast cell to see it is based on the previous period s forecast cell and the previous period s demand cell So each subsequent exponential smoothing calculation inherits the output of the previous exponential smoothing calculation That s how each previous period s demand is represented in the most recent period s calculation even though that calculation does not directly referen ce those previous periods If you want to get fancy, you can use Excel s trace precedents function To do this, click on Cell M4, then on the ribbon tool bar Excel 2007 or 2010 click the Formulas tab, then click Trace Precedents It will draw connector lines to the 1st level of precedents, but if you keep clicking Trace Precedents it will draw connector lines to all previous periods to show you the inherited relationships. Now let s see what exponential smoothing did for us. Figure 1B shows a line chart of our demand and forecast You case see how the exponentially smoothed forecast removes most of the jaggedness the jumping around from the weekly demand, but still manages to follow what appears to be an upward trend in demand You ll also notice that the smoothed forecast line tends to be lower than the demand line This is known as trend lag and is a side effect of the smoothing process Any time you use smoothing when a trend is present your forecast will lag behind the trend This is true fo r any smoothing technique In fact, if we were to continue this spreadsheet and start inputting lower demand numbers making a downward trend you would see the demand line drop, and the trend line move above it before starting to follow the downward trend. That s why I previously mentioned the output from the exponential smoothing calculation that we call a forecast, still needs some more work There is a lot more to forecasting than just smoothing out the bumps in demand We need to make additional adjustments for things like trend lag, seasonality, known events that may effect demand, etc But all that is beyond the scope of this article. You will likely also run into terms like double-exponential smoothing and triple-exponential smoothing These terms are a bit misleading since you are not re-smoothing the demand multiple times you could if you want, but that s not the point here These terms represent using exponential smoothing on additional elements of the forecast So with simple exponent ial smoothing, you are smoothing the base demand, but with double-exponential smoothing you are smoothing the base demand plus the trend, and with triple-exponential smoothing you are smoothing the base demand plus the trend plus the seasonality. The other most commonly asked question about exponential smoothing is where do I get my smoothing factor There is no magical answer here, you need to test various smoothing factors with your demand data to see what gets you the best results There are calculations that can automatically set and change the smoothing factor These fall under the term adaptive smoothing, but you need to be careful with them There simply is no perfect answer and you should not blindly implement any calculation without thorough testing and developing a thorough understanding of what that calculation does You should also run what-if scenarios to see how these calculations react to demand changes that may not currently exist in the demand data you are using for testing. The data example I used previously is a very good example of a situation where you really need to test some other scenarios That particular data example shows a somewhat consistent upward trend Many large companies with very expensive forecasting software got in big trouble in the not-so-distant past when their software settings that were tweaked for a growing economy didn t react well when the economy started stagnating or shrinking Things like this happen when you don t understand what your calculations software is actually doing If they understood their forecasting system, they would have known they needed to jump in and change something when there were sudden dramatic changes to their business. So there you have it the basics of exponential smoothing explained Want to know more about using exponential smoothing in an actual forecast, check out my book Inventory Management Explained. Copyright Content on is copyright-protected and is not available for republication. Dave Piasecki is o wner operator of Inventory Operations Consulting LLC a consulting firm providing services related to inventory management, material handling, and warehouse operations He has over 25 years experience in operations management and can be reached through his website , where he maintains additional relevant information. My Business.