Schritte bei der Auswahl eines Prognosemodells. Ihr Prognosemodell sollte Merkmale beinhalten, die alle wichtigen qualitativen Eigenschaften der Datenmuster der Veränderung von Level und Trend, Auswirkungen von Inflation und Saisonalität, Korrelationen zwischen Variablen usw. erfassen. Darüber hinaus sind die Annahmen, die Ihren gewählten zugrunde liegen Modell sollte mit Ihrer Intuition übereinstimmen, wie sich die Serie wahrscheinlich in der Zukunft verhalten wird. Wenn Sie ein Prognosemodell anpassen, haben Sie einige der folgenden Optionen. Diese Optionen werden im Folgenden kurz beschrieben. Siehe das dazugehörige Prognose-Flussdiagramm für eine bildliche Darstellung des Modells - specification-Prozess und verweisen auf das Statgraphics Model Specification Panel, um zu sehen, wie die Modell-Features in der Software ausgewählt werden. Deflation Wenn die Serie zeigt inflationäres Wachstum, dann Deflation wird dazu beitragen, für das Wachstumsmuster und reduzieren Heterosedastizität in den Residuen Sie Kann ich entweder die letzten Daten entleeren und die langfristigen Prognosen bei einem konstanten Arsch wieder aufblasen Um die vergangenen Daten durch einen Preisindex wie den CPI zu entleeren und dann die langfristigen Prognosen manuell neu zu erstellen, indem man eine Prognose des Preisindexes verwendet. Option i ist die einfachste In Excel können Sie einfach eine Spalte von Formeln erstellen Um die ursprünglichen Werte durch die entsprechenden Faktoren zu teilen. Wenn zum Beispiel die Daten monatlich sind und Sie mit einer Rate von 5 pro 12 Monate deflationieren möchten, würden Sie sich um einen Faktor von 1 05 k 12 teilen, wobei k die Zeilenindex-Beobachtungsnummer ist RegressIt und Statgraphics haben integrierte Tools, die dies automatisch für Sie tun Wenn Sie diese Route gehen, ist es in der Regel am besten, die angenommene Inflationsrate gleich Ihrer besten Schätzung der aktuellen Rate, vor allem, wenn Sie gehen, um mehr als eine prognostiziert Periode voraus Wenn Sie stattdessen Option ii wählen, müssen Sie zuerst die deflationierten Prognosen und Vertrauensgrenzen auf Ihre Datenkalkulationstabelle speichern, dann eine Prognose für den Preisindex generieren und speichern und schließlich die entsprechenden Spalten zusammen multiplizieren. Zurück zum Seitenanfang. Logarithm-Transformation Wenn die Serie zusammengesetztes Wachstum und / oder ein multiplikatives saisonales Muster zeigt, kann eine Logarithmus-Transformation zusätzlich zu oder lieu der Deflation hilfreich sein. Die Protokollierung der Daten wird nicht ein inflationäres Wachstumsmuster abflachen, aber es wird es so ausrichten, dass es kann Von einem linearen Modell ega zufälliger Spaziergang oder ARIMA-Modell mit konstantem Wachstum oder einem linearen exponentiellen Glättungsmodell ausgestattet werden Auch wird die Protokollierung multiplikative saisonale Muster zu additiven Mustern umwandeln, so dass, wenn Sie saisonale Anpassung nach dem Protokollieren durchführen, sollten Sie den additiven Typ verwenden Die Protokollierung befasst sich mit der Inflation implizit, wenn Sie wollen, dass die Inflation explizit modelliert wird - dh wenn Sie möchten, dass die Inflationsrate ein sichtbarer Parameter des Modells ist oder wenn Sie Plots von deflationierten Daten anzeigen wollen - dann sollten Sie eher entleeren Als log. Eine andere wichtige Verwendung für die Log-Transformation ist die Linearisierung von Beziehungen zwischen Variablen in einem Regressionsmodus l Zum Beispiel, wenn die abhängige va Riable ist eine multiplikative und nicht additive Funktion der unabhängigen Variablen, oder wenn die Beziehung zwischen abhängigen und unabhängigen Variablen in Form von prozentualen Änderungen anstelle von absoluten Änderungen linear ist, dann kann die Anwendung einer Log-Transformation auf eine oder mehrere Variablen, wie in Das Bier Verkauf Beispiel Zurück zum Seitenanfang. Seasonal Anpassung Wenn die Serie hat eine starke saisonale Muster, von dem angenommen wird, dass es von Jahr zu Jahr konstant ist, kann saisonale Anpassung ein geeigneter Weg sein, um das Muster zu schätzen und zu extrapolieren Der Vorteil der saisonalen Anpassung ist Dass es das saisonale Muster explizit modelliert und Ihnen die Möglichkeit gibt, die saisonalen Indizes und die saisonbereinigten Daten zu studieren. Der Nachteil ist, dass es die Schätzung einer Vielzahl von zusätzlichen Parametern insbesondere für monatliche Daten erfordert und keine theoretische Begründung für die Berechnung der korrekten Konfidenzintervalle Out-of-Sample-Validierung ist besonders wichtig Nt, um das Risiko der Überlagerung der vergangenen Daten durch saisonale Anpassung zu reduzieren Wenn die Daten stark saisonal sind, aber Sie nicht wählen saisonale Anpassung, die Alternativen sind entweder ich benutze ein saisonales ARIMA-Modell, das implizit prognostiziert das saisonale Muster mit saisonalen Verzögerungen und Unterschiede, oder verwenden Sie das Winters saisonale exponentielle Glättungsmodell, das zeitveränderliche saisonale Indizes schätzt. Zurück zum Anfang. Unabhängige Variablen Wenn es noch andere Zeitreihen gibt, von denen man glaubt, dass sie in Bezug auf Ihre Serie von Interesse, zB führende wirtschaftliche, Indikatoren oder Policenvariablen wie Preis, Werbung, Promotionen, etc. Sie können Regression als Ihren Modelltyp betrachten Ob Sie Regression wählen oder nicht, müssen Sie noch die oben genannten Möglichkeiten für die Umwandlung Ihrer Variablen Deflation, Log, saisonale Anpassung - - und vielleicht auch differenziert, um die Zeitdimension auszunutzen und die Beziehungen zu linearisieren. Auch wenn du n tust Wenn Sie an dieser Stelle eine Regression wählen, können Sie erwähnen, Regressoren später zu einem Zeitreihenmodell hinzuzufügen, z. B. ein ARIMA-Modell, wenn die Residuen sich mit anderen Variablen signifikanten Kreuzkorrelationen ergeben. Zurück zum Seitenanfang. Schoiden, Mittelwertbildung oder Zufälliger Spaziergang Wenn Sie sich für die saisonale Anpassung der Daten entschieden haben - oder wenn die Daten nicht saisonal beginnen, dann können Sie ein Mittelwert - oder Glättungsmodell verwenden, um das Nicht-Sektionsmuster anzupassen, das zu diesem Zeitpunkt in den Daten bleibt Einfaches gleitendes durchschnittliches oder einfaches exponentielles Glättungsmodell berechnet lediglich einen lokalen Durchschnitt der Daten am Ende der Serie, unter der Annahme, dass dies die beste Schätzung des aktuellen Mittelwertes ist, um den die Daten schwankend sind. Diese Modelle gehen davon aus, dass der Mittelwert der Serie variiert langsam und zufällig ohne anhaltende Trends Einfache exponentielle Glättung wird normalerweise einem einfachen gleitenden Durchschnitt bevorzugt, weil ihr exponentiell gewichteter Durchschnitt eine sinnvollere Aufgabe des Rabattes macht Die älteren Daten, weil ihr Glättungsparameter alpha kontinuierlich ist und leicht optimiert werden kann und weil es eine zugrundeliegende theoretische Basis für die Berechnung von Konfidenzintervallen hat. Wenn Glättung oder Mittelung nicht hilfreich zu sein scheint - dh wenn der beste Prädiktor der Der nächste Wert der Zeitreihe ist einfach der vorherige Wert - dann wird ein zufälliges Wandermodell angezeigt. Dies ist zB dann der Fall, wenn die optimale Anzahl der Begriffe im einfachen gleitenden Durchschnitt 1 ist oder wenn der optimale Wert ist Von alpha in einfacher exponentieller Glättung erweist sich als 0 9999.Brown s lineare exponentielle Glättung kann verwendet werden, um eine Serie mit langsam zeitveränderlichen linearen Trends passen, aber vorsichtig sein, solche Trends sehr weit in die Zukunft zu extrapolieren Das schnell wachsende Vertrauen Intervalle für dieses Modell belegen seine Ungewissheit über die ferne Zukunft Holt s lineare Glättung schätzt auch zeitveränderliche Trends, sondern verwendet separate Parameter für die Glättung der Ebene und Trend, die in der Regel pro Eine bessere Anpassung an die Daten als das Browns-Modell Q uadratische exponentielle Glättung versucht, zeitveränderliche quadratische Trends abzuschätzen und sollte praktisch niemals verwendet werden. Dies entspricht einem ARIMA-Modell mit drei Ordnungen von nicht-seasonal differenzierenden linearen exponentiellen Glättung mit einem gedämpften Trend Ein Trend, der sich in entfernten Horizonten abbaut, wird oft in Situationen empfohlen, in denen die Zukunft sehr unsicher ist. Die verschiedenen exponentiellen Glättungsmodelle sind Sonderfälle von ARIMA-Modellen, die nachfolgend beschrieben werden und mit ARIMA-Software ausgestattet werden können. Insbesondere ist das einfache exponentielle Glättungsmodell ein ARIMA 0,1,1 Modell, Holt s lineares Glättungsmodell ist ein ARIMA 0,2,2 Modell, und das gedämpfte Trendmodell ist ein ARIMA 1,1,2 Modell Eine gute Zusammenfassung der Gleichungen der verschiedenen exponentiellen Glättungsmodelle können Finden Sie auf dieser Seite auf der SAS-Website Die SAS-Menüs für die Angabe von Zeitreihenmodellen werden dort ebenfalls gezeigt, sie ähneln denen in Statgraphics. Linear, quadratisch oder ex Ponentielle Trendlinie Modelle sind andere Optionen für die Extrapolation einer entsorgten Serie, aber sie selten übertreffen zufällige Spaziergang, Glättung oder ARIMA-Modelle auf Geschäftsdaten Zurück zum Seitenanfang. Winter Saisonale Exponential Glättung Winter Saisonale Glättung ist eine Erweiterung der exponentiellen Glättung, die gleichzeitig schätzt Zeitveränderliches Niveau, Trend und saisonale Faktoren mit rekursiven Gleichungen So, wenn Sie dieses Modell verwenden, würden Sie nicht zuerst saisonal anpassen die Daten Die Winters saisonale Faktoren können entweder multiplikativ oder additive normalerweise sollten Sie die multiplikative Option wählen, wenn Sie sich angemeldet haben Die Daten Obwohl das Winters-Modell ist clever und vernünftig intuitiv, kann es schwierig sein, in der Praxis anzuwenden hat es drei Glättungsparameter - Alpha, Beta und Gamma - für die getrennte Glättung der Ebene, Trend und saisonale Faktoren, die sein müssen Gleichzeitig geschätzt Die Bestimmung der Ausgangswerte für die Saisonindizes kann durch Anwendung des Verhältnis-zu-movi erfolgen Ng durchschnittliche Methode der saisonalen Anpassung an Teil oder alle der Serie und oder durch backforecasting Der Schätzungsalgorithmus, den Statgraphics für diese Parameter verwendet, scheitert manchmal, um Werte zu konvergieren und zu liefern, die bizarr aussehende Prognosen und Konfidenzintervalle geben, also würde ich empfehlen, Vorsicht wann Mit diesem Modell Zurück zum Seitenanfang. ARIMA Wenn Sie keine saisonale Anpassung wählen oder wenn die Daten nicht saisonal sind, können Sie das ARIMA-Modell-Framework verwenden ARIMA-Modelle sind eine sehr allgemeine Klasse von Modellen, die zufällige Walk, zufällig beinhaltet Trend, exponentielle Glättung und autoregressive Modelle als Sonderfälle Die herkömmliche Weisheit ist, dass eine Serie ein guter Kandidat für ein ARIMA-Modell ist, wenn ich es durch eine Kombination von differenzierenden und anderen mathematischen Transformationen wie dem Protokollieren stationär sein kann und ii, Erhebliche Datenmengen für mindestens vier Jahreszeiten im Falle von saisonalen Daten Wenn die Serie nicht ausreichend durch Diffarium stationiert werden kann Ning - zB wenn es sehr unregelmäßig ist oder sein Verhalten im Laufe der Zeit qualitativ verändert hat - oder wenn man weniger als 4 Jahreszeiten hat, dann wäre es besser, mit einem Modell, das saisonale Anpassungen und irgendeine Art von einfachem verwendet Mittelwertbildung oder Glättung. ARIMA-Modelle haben eine spezielle Namenskonvention, die von Box und Jenkins eingeführt wird. Ein nicht-seasonales ARIMA-Modell wird als ARIMA p, d, q-Modell klassifiziert, wobei d die Anzahl der Nichtseason-Differenzen ist, p die Anzahl der autoregressiven Begriffe ist Die differenzierte Reihe und q ist die Anzahl der gleitenden Durchschnittsverzögerungen der Prognosefehler in der Vorhersagegleichung Ein saisonales ARIMA-Modell wird als ARIMA p, d, qx P, D, Q klassifiziert, wobei D, P und Q sind , Die Anzahl der saisonalen Unterschiede, saisonale autoregressive Begriffe Verzögerungen der differenzierten Serien bei Vielfachen der Saisonperiode und saisonale gleitende durchschnittliche Konditionen verzögert die Prognosefehler bei Vielfachen der Saisonperiode. Der erste Schritt bei der Anpassung eines ARIMA-Modells i S zu bestimmen, die richtige Reihenfolge der Differenzierung benötigt, um die Serie zu stationieren und entfernen Sie die Brutto-Features der Saisonalität Dies ist gleichbedeutend mit der Bestimmung, welche naive zufällige-Walk-oder zufällige Trend-Modell bietet den besten Ausgangspunkt Versuchen Sie nicht, mehr als 2 Gesamtaufträge verwenden Von nicht-saisonalen und saisonalen kombiniert, und verwenden Sie nicht mehr als 1 saisonale Unterschied. Der zweite Schritt ist zu bestimmen, ob ein konstanter Begriff in das Modell enthalten, in der Regel Sie einen konstanten Begriff enthalten, wenn die gesamte Reihenfolge der Differenzierung ist 1 oder Weniger, sonst geht es nicht In einem Modell mit einer Reihenfolge der Differenzierung stellt der konstante Term den durchschnittlichen Trend in den Prognosen dar. In einem Modell mit zwei Ordnungen der Differenzierung wird der Trend in den Prognosen durch den lokalen Trend am Ende des Jahres bestimmt Die Zeitreihen und der konstante Term repräsentieren den Trend-in-the-Trend, dh die Krümmung der Langzeitprognosen Normalerweise ist es gefährlich, Trends-in-Trends zu extrapolieren, so dass Sie su In diesem Fall den folgenden Term zu betätigen. Der dritte Schritt besteht darin, die Anzahl der autoregressiven und gleitenden Mittelwerte p, d, q, P, D, Q zu wählen, die benötigt werden, um jegliche Autokorrelation zu beseitigen, die in den Resten des naiven Modells bleibt Jede Korrelation, die nach der bloßen Differenzierung verbleibt Diese Zahlen bestimmen die Anzahl der Verzögerungen der differenzierten Serien und / oder Verzögerungen der Prognosefehler, die in der Prognosegleichung enthalten sind. Wenn es in diesem Fall keine signifikante Autokorrelation in den Residuen gibt, dann STOP, Sie re Getan das beste Modell ist ein naives Modell. Wenn es erhebliche Autokorrelation bei Lags 1 oder 2, sollten Sie versuchen, Einstellung q 1, wenn einer der folgenden zutrifft, gibt es einen nicht-saisonalen Unterschied im Modell, ii die Lag 1 Autokorrelation ist Negativ und oder iii die restliche Autokorrelation Handlung ist sauberer aussehender, mehr isolierte Spikes als die restlichen partiellen Autokorrelation Plot Wenn es keine nicht-saisonalen Unterschied in das Modell und oder die lag 1 autocorr Elation ist positiv und die verbleibende partielle Autokorrelationskurve sieht sauberer aus, dann versuchen p 1 Manchmal sind diese Regeln für die Wahl zwischen p 1 und q 1 in Konflikt mit einander, in welchem Fall es wahrscheinlich nicht viel Unterschied machen, die Sie verwenden, probieren Sie beide Und vergleichen Wenn es Autokorrelation bei Verzögerung 2 gibt, die nicht durch Setzen von p 1 oder q 1 entfernt wird, können Sie dann p 2 oder q 2 oder gelegentlich p 1 und q 1 versuchen. Seltener können Sie Situationen treffen, in denen p 2 oder 3 ist Und q 1, oder umgekehrt, liefert die besten Ergebnisse Es wird sehr dringend empfohlen, dass Sie p 1 und q 1 nicht im selben Modell verwenden. Im Allgemeinen sollten Sie bei der Montage von ARIMA-Modellen die Modellkomplexität vermeiden, um nur winzig zu erhalten Weitere Verbesserungen der Fehlerstatistiken oder das Aussehen der ACF - und PACF-Plots Auch in einem Modell mit p 1 und q 1 gibt es eine gute Möglichkeit der Redundanz und Nicht-Eindeutigkeit zwischen den AR - und MA-Seiten des Modells Erklärt in den Anmerkungen zur mathematischen Struktur von A RIMA-Modell s Es ist in der Regel besser, in einer vorwärts schrittweise statt rückwärts schrittweise Weise vorzugehen, wenn das Tweaking der Modellspezifikationen mit einfacheren Modellen beginnen und nur noch mehr Begriffe hinzufügen, wenn es einen klaren Bedarf gibt. Die gleichen Regeln gelten für die Anzahl der saisonalen autoregressiven Begriffe P und die Anzahl der saisonalen gleitenden Mittelwerte Q in Bezug auf Autokorrelation zum Saisonzeitpunkt zB Verzögerung 12 für monatliche Daten Versuchen Sie Q 1, wenn es bereits einen saisonalen Unterschied im Modell gibt und die saisonale Autokorrelation negativ ist und die Restautokorrelationskurve Sieht sauberer in der Nähe der saisonalen Verzögerung sonst versuchen P 1 Wenn es logisch ist, dass die Serie eine starke Saisonalität aufweist, dann müssen Sie einen saisonalen Unterschied verwenden, sonst wird das saisonale Muster bei Langzeitprognosen verblassen. Gelegentlich können Sie es wünschen Um P 2 und Q 0 oder vice v ersa oder PQ 1 zu versuchen. Es wird jedoch sehr dringend empfohlen, dass PQ niemals größer als 2 saisonale Muster selten sein sollte Ave die Art der perfekten Regelmäßigkeit über eine ausreichend große Anzahl von Jahreszeiten, die es möglich machen würde, zuverlässig zu identifizieren und zu schätzen, dass viele Parameter Auch der Backforecasting-Algorithmus, der bei der Parameterschätzung verwendet wird, wird wahrscheinlich unzuverlässige oder sogar verrückte Ergebnisse liefern, wenn die Anzahl von Jahreszeiten von Daten ist nicht signifikant größer als PDQI würde nicht weniger als PDQ 2 volle Jahreszeiten empfehlen, und mehr ist besser Auch bei der Montage von ARIMA-Modellen sollten Sie darauf achten, dass Sie die Daten nicht übereinstimmen, trotz der Tatsache, dass es ein Viel Spaß, sobald Sie den Hang von it. Important Sonderfälle Wie oben erwähnt, ist ein ARIMA 0,1,1 Modell ohne Konstante identisch mit einem einfachen exponentiellen Glättungsmodell, und es nimmt eine schwimmende Ebene dh keine mittlere Reversion aber mit Null Langzeittrend Ein ARIMA 0,1,1 Modell mit Konstante ist ein einfaches exponentielles Glättungsmodell mit einem linearen Trend mit einem ungleichen linearen Trend Ein ARIMA 0,2,1 oder 0,2,2 Modell ohne Konstante ist eine lineare exponentielle glatte Modell, das einen zeitveränderlichen Trend ermöglicht Ein ARIMA 1,1,2 Modell ohne Konstante ist ein lineares exponentielles Glättungsmodell mit gedämpftem Trend, dh ein Trend, der sich schließlich in längerfristigen Prognosen abbaut. Die gängigsten saisonalen ARIMA Modelle sind die ARIMA 0,1,1 x 0,1,1 Modell ohne Konstante und ARIMA 1,0,1 x 0,1,1 Modell mit Konstante Das erstere dieser Modelle gilt grundsätzlich exponentielle Glättung sowohl für die nicht - und saisonalen Komponenten der Muster in den Daten, während für einen zeitveränderlichen Trend, und das letztere Modell ist etwas ähnlich, aber nimmt eine konstante lineare Trend und damit ein bisschen mehr langfristige Vorhersagbarkeit Sie sollten immer diese beiden Modelle unter Ihrem Lineup von Verdächtigen bei der Anpassung von Daten Mit gleichbleibenden saisonalen Mustern Einer von ihnen vielleicht mit einer geringfügigen Variation wie steigende p oder q um 1 und oder Einstellung P 1 sowie Q 1 ist oft die beste Zurück zum Seitenanfang. Simple Vs Exponential Moving Averages. Moving Durchschnitte sind mehr als Das Studium einer Sequenz von Zahlen in aufeinanderfolgenden Reihenfolge Frühe Praktiker der Zeitreihenanalyse waren tatsächlich mehr mit individuellen Zeitreihenzahlen beschäftigt als mit der Interpolation dieser Daten Interpolation in Form von Wahrscheinlichkeitstheorien und - analyse, kam viel später als Muster Wurden entwickelt und Korrelationen entdeckt. Unade verstanden, wurden verschiedene geformte Kurven und Linien entlang der Zeitreihe gezogen, um zu prognostizieren, wo die Datenpunkte gehen könnten. Diese werden jetzt als Grundmethoden betrachtet, die derzeit von technischen Analysehändlern verwendet werden. Chartanalyse kann zurückverfolgt werden 18. Jahrhundert Japan, aber wie und wenn bewegte Mittelwerte wurden zuerst auf Marktpreise angewendet bleibt ein Geheimnis Es wird allgemein verstanden, dass einfache gleitende Mittelwerte SMA verwendet wurden, lange bevor exponentielle gleitende Durchschnitte EMA, weil EMAs auf SMA-Framework gebaut und das SMA-Kontinuum war mehr Leicht verständlich für Plotten und Tracking-Zwecke Möchten Sie ein wenig Hintergrund readi Ng Check out Moving Averages Was sind sie. Simple Moving Average SMA Einfache gleitende Durchschnitte wurden die bevorzugte Methode für die Verfolgung der Marktpreise, weil sie schnell zu berechnen und leicht zu verstehen sind Early Markt Praktiker betrieben ohne die Verwendung der anspruchsvollen Chart-Metriken im Einsatz heute, So haben sie sich vor allem auf die Marktpreise als ihre einzigen Führer verlassen sie berechneten Marktpreise von Hand, und ergab diese Preise, um Trends und Marktrichtung zu bezeichnen Dieser Prozess war ziemlich langweilig, aber erwies sich als sehr profitabel mit Bestätigung der weiteren Studien. Um einen 10-tägigen berechnen Einfacher gleitender Durchschnitt, fügt einfach die Schlusskurse der letzten 10 Tage hinzu und teilt sich um 10 Der 20-Tage-Gleitender Durchschnitt wird berechnet, indem man die Schlusskurse über einen Zeitraum von 20 Tagen addiert und mit 20 teilen und so weiter. Diese Formel ist nicht Nur auf der Grundlage der Schlusskurse, aber das Produkt ist ein Mittel der Preise - eine Teilmenge Umzugsdurchschnitte werden in Bewegung gesetzt, weil die Gruppe der Preise, die in der Berechnung verwendet werden, nach Der Punkt auf dem Diagramm Dies bedeutet, dass alte Tage zugunsten neuer Schlusskurstage fallen gelassen werden, so dass eine neue Berechnung immer benötigt wird, die dem Zeitrahmen des durchschnittlichen Beschäftigten entspricht. So wird ein 10-tägiger Durchschnitt durch Hinzufügen des neuen Tages neu berechnet Fällt den 10. Tag, und der neunte Tag ist am zweiten Tag fallen gelassen, um mehr auf, wie Charts im Devisenhandel verwendet werden, schauen Sie sich unsere Chart Basics Walkthrough. Exponential Moving Average EMA Der exponentielle gleitenden Durchschnitt ist verfeinert und häufiger verwendet seit dem 1960er Jahre, dank früherer Praktiker Experimente mit dem Computer Die neue EMA würde sich eher auf die jüngsten Preise konzentrieren als auf eine lange Reihe von Datenpunkten, da der einfache gleitende Durchschnitt erforderlich ist. Current EMA Preis aktuell - vorherige EMA X Multiplikator vorherige EMA Der wichtigste Faktor ist die Glättungskonstante, die 2 1 N, wobei N die Anzahl der Tage ist. 10-Tage-EMA 2 10 1 18 8.Dies bedeutet, dass eine 10-Punkte-EMA den jüngsten Preis 18 8, eine 20-tägige EMA 9, gewichtet hat 52 und 50-Tage-EM A 3 92 Gewicht am letzten Tag Die EMA arbeitet, indem sie den Unterschied zwischen dem aktuellen Periodenpreis und dem vorherigen EMA gewichtet und das Ergebnis der vorherigen EMA hinzugefügt hat. Je kürzer die Periode, desto mehr Gewicht gilt für den letzten Preis. Anpassungslinien Durch diese Berechnungen werden Punkte aufgetragen, die eine passende Linie aufstellen. Anordnungslinien oberhalb oder unterhalb des Marktpreises bedeuten, dass alle gleitenden Durchschnitte nacheilende Indikatoren sind und in erster Linie für folgende Trends verwendet werden. Sie arbeiten nicht gut mit Streckenmärkten und Stauzeiten, weil Die Anpassungslinien bezeichnen nicht einen Trend wegen fehlender offensichtlicher höherer Höhen oder tieferer Tiefe Plus, passende Linien neigen dazu, konstant zu bleiben, ohne Richtung der Richtung Eine steigende Anpassungslinie unterhalb des Marktes bedeutet eine lange, während eine fallende Anpassungslinie über dem Markt Bedeutet ein kurzes Für einen kompletten Führer, lesen Sie unsere Moving Average Tutorial. Der Zweck der Verwendung eines einfachen gleitenden Durchschnitt ist zu erkennen und zu messen Trends durch Glättung der Daten mit t Er bedeutet für mehrere gruppenpreise Ein Trend wird entdeckt und in eine Prognose extrapoliert Die Annahme ist, dass die vorherigen Trendbewegungen fortsetzen werden Für den einfachen gleitenden Durchschnitt kann ein langfristiger Trend gefunden und gefolgt werden, viel einfacher als eine EMA, mit vernünftiger Annahme Dass die passende Linie stärker als eine EMA-Linie wegen der längeren Fokussierung auf die durchschnittlichen Preise bleiben wird. EMA wird verwendet, um kürzere Trendbewegungen zu erfassen, aufgrund der Fokussierung auf die jüngsten Preise. Durch diese Methode sollte eine EMA angeblich irgendwelche Verzögerungen reduzieren Der einfache gleitende Durchschnitt, so dass die passende Linie die Preise näher verschärfen wird als ein einfacher gleitender Durchschnitt Das Problem mit der EMA ist das ist anfällig für Preisunterbrechungen, vor allem bei schnellen Märkten und Perioden der Volatilität Die EMA funktioniert gut, bis die Preise die passende Linie brechen Volatilitätsmärkte, könnte man erwägen, die Länge des bewegten durchschnittlichen Begriffs zu erhöhen. Man kann sogar von einer EMA zu einer SMA wechseln, da die SMA die Daten viel besser als eine EMA durch ihre fo Cus auf längerfristige Mittel. Trend-Following Indikatoren Als nacheilende Indikatoren, gleitende Mittelwerte dienen gut als Unterstützung und Widerstandslinien Wenn die Preise unter einer 10-Tage-Montagelinie in einem Aufwärtstrend unterbrechen, sind die Chancen gut, dass der Aufwärtstrend abnehmen kann, Oder zumindest der Markt kann konsolidieren Wenn die Preise über einen 10-Tage-gleitenden Durchschnitt in einem Abwärtstrend brechen, kann der Trend abnehmen oder konsolidieren In diesen Fällen verwenden Sie einen 10- und 20-Tage-gleitenden Durchschnitt zusammen und warten auf die 10- Tageslinie überqueren oder unterhalb der 20-Tage-Linie Hiermit bestimmen Sie die nächste kurzfristige Richtung für die Preise. Für längere Zeiträume beobachten Sie die 100- und 200-Tage-Gleitmittel für längerfristige Richtungen. Zum Beispiel mit dem 100- und 200-Tage-Gleitendurchschnitte, wenn der 100-Tage-Gleitende Durchschnitt unter dem 200-Tage-Durchschnitt liegt, heißt es das Todeskreuz und ist sehr bärisch für die Preise Ein 100-Tage-Gleitender Durchschnitt, der über einen 200-Tage-Gleitender Durchschnitt übergeht, wird genannt Das goldene Kreuz und ist sehr bullish für die Preise Es d Wenn eine SMA oder eine EMA verwendet wird, da beide Trendfolgende Indikatoren sind. Es ist nur kurzfristig, dass die SMA leichte Abweichungen von ihrem Gegenstück hat, die EMA. Conclusion Moving Averages sind die Grundlage von Chart und Zeit Serienanalyse Einfache gleitende Durchschnitte und die komplexeren exponentiellen gleitenden Durchschnitte helfen, den Trend zu visualisieren, indem sie Preisbewegungen ausgleichen. Die technische Analyse wird manchmal als Kunst und nicht als Wissenschaft bezeichnet, die beide Jahre in Anspruch nehmen. Erfahren Sie mehr in unserem Technischen Analysen-Tutorial. Eine Umfrage, die von der United States Bureau of Labor Statistics durchgeführt wird, um zu helfen, Stellenangebote zu sammeln Es sammelt Daten von Arbeitgebern. Die maximale Höhe der Gelder die Vereinigten Staaten können leihen Die Schulden Decke wurde unter dem Zweiten Liberty Bond Act erstellt. Der Zinssatz, bei dem a Depotinstitut leiht Gelder, die bei der Federal Reserve an eine andere Depotbank gepflegt werden.1 Eine statistische Maßnahme für die Verteilung der Renditen für eine bestimmte Sicherheit oder Mar Ket-Index Volatilität kann entweder gemessen werden. Es handeln der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jeden Job außerhalb der landwirtschaftlichen Betriebe, private Haushalte und der gemeinnützige Sektor Das US-Büro Von Labor. Exponential Glättung Explained. Copyright Content auf ist urheberrechtlich geschützt und ist nicht verfügbar für republication. Wenn Menschen zuerst begegnen den Begriff Exponentielle Glättung können sie denken, das klingt wie eine Hölle von viel Glättung, was Glättung ist sie dann beginnen, sich vorzustellen Eine komplizierte mathematische Berechnung, die wahrscheinlich einen Abschluss in Mathematik zu verstehen und hoffe, es ist eine eingebaute Excel-Funktion zur Verfügung, wenn sie jemals brauchen, um es zu tun Die Realität der exponentiellen Glättung ist weit weniger dramatisch und weit weniger traumatisch. Die Wahrheit ist, Exponentielle Glättung ist eine sehr einfache Berechnung, die eine ganz einfache Aufgabe vollbringt. Es hat nur einen komplizierten Namen, was technisch Passiert als Ergebnis dieser einfachen Berechnung ist eigentlich ein wenig kompliziert. Um exponentielle Glättung zu verstehen, hilft es, mit dem allgemeinen Konzept der Glättung beginnen und ein paar andere gängige Methoden verwendet, um Glättung zu erreichen. Was ist Glättung. Smoothing ist eine sehr häufig Statistischer Prozess In der Tat, wir regelmäßig begegnen geglätteten Daten in verschiedenen Formen in unserem täglichen Leben Jedes Mal, wenn Sie einen Durchschnitt verwenden, um etwas zu beschreiben, verwenden Sie eine geglättete Zahl Wenn Sie darüber nachdenken, warum Sie einen Durchschnitt verwenden, um etwas zu beschreiben, Sie werden schnell verstehen, das Konzept der Glättung Zum Beispiel haben wir nur den wärmsten Winter auf Rekord erlebt. Wie können wir das gut beurteilen? Wir beginnen mit Datensätzen der täglichen Hoch - und Tieftemperaturen für den Zeitraum, den wir Winter für jedes Jahr in der aufgezeichneten Geschichte nennen Aber das verlässt uns mit einer Reihe von Zahlen, die um ein bisschen herumspringen, es ist nicht wie jeden Tag dieser Winter war wärmer als die entsprechenden Tage aus allen früheren Jahren Wir brauchen ein taubes Er, der das alles aus den Daten herausbringt, so dass wir den Winter einfacher vergleichen können. Das Entfernen des Sprungs um in den Daten wird als Glättung bezeichnet, und in diesem Fall können wir einfach einen einfachen Durchschnitt verwenden, um die Glättung zu erreichen Prognose, wir verwenden Glättung, um zufällige Variation Lärm aus unserer historischen Nachfrage zu entfernen Dies ermöglicht es uns, besser zu identifizieren Nachfrage Muster in erster Linie Trend und Saisonalität und Nachfrage Ebenen, die verwendet werden können, um die zukünftige Nachfrage zu schätzen Der Lärm in der Nachfrage ist das gleiche Konzept wie die tägliche Sprung um Der Temperatur-Daten Nicht überraschend, die häufigste Art und Weise Menschen entfernen Lärm aus der Nachfrage Geschichte ist es, eine einfache durchschnittliche oder genauer gesagt, ein gleitender Durchschnitt Ein gleitender Durchschnitt verwendet nur eine vordefinierte Anzahl von Perioden, um den Durchschnitt zu berechnen, und diese Perioden bewegen sich als Zeit-Pässe Zum Beispiel, wenn ich m mit einem 4-Monats-gleitenden Durchschnitt, und heute ist der 1. Mai, ich m mit einem durchschnittlichen Nachfrage, die im Januar, Februar, März und A aufgetreten Pril Am 1. Juni werde ich die Nachfrage von Februar, März, April und Mai. Weighted gleitenden Durchschnitt. Wenn wir einen Durchschnitt verwenden wir die gleiche Bedeutung Gewicht auf jeden Wert in der Datensatz Im 4-Monats-gleitenden Durchschnitt, jeder Monat repräsentiert 25 des gleitenden Durchschnitts Bei der Bedarfsnachfrage, um zukünftige Nachfrage und vor allem zukünftigen Trend zu projizieren, ist es logisch, zu dem Schluss zu kommen, dass Sie eine neuere Geschichte haben möchten, um einen größeren Einfluss auf Ihre Prognose zu haben. Wir können unseren gleitenden Durchschnitt anpassen Berechnung, um verschiedene Gewichte auf jede Periode anzuwenden, um unsere gewünschten Ergebnisse zu erhalten Wir drücken diese Gewichte als Prozentsätze aus, und die Summe aller Gewichte für alle Perioden muss bis zu 100 addieren. Wenn wir entscheiden, dass wir 35 als das Gewicht für das nächste anwenden wollen Periode in unserem 4-Monats-gewichteten gleitenden Durchschnitt können wir 35 von 100 subtrahieren, um zu finden, dass wir noch 65 übrig haben, um über die anderen 3 Perioden zu spalten. Zum Beispiel können wir mit einer Gewichtung von 15, 20, 30 und 35 bezahlen Die 4 mon Ths 15 20 30 35 100.Exponential Glättung. Wenn wir zurück zu dem Konzept der Anwendung eines Gewichts auf die jüngste Periode wie 35 im vorigen Beispiel und die Ausbreitung der verbleibenden Gewicht berechnet durch Subtraktion der jüngsten Zeitraum Gewicht von 35 von 100 Um 65 zu bekommen, haben wir die Grundbausteine für unsere exponentielle Glättungsberechnung Die steuernde Eingabe der exponentiellen Glättungsberechnung wird als Glättungsfaktor bezeichnet, der auch als Glättungskonstante bezeichnet wird. Sie stellt im Wesentlichen die Gewichtung dar, die auf die jüngste Periode angefordert wird Wir haben 35 als die Gewichtung für die jüngste Periode in der gewichteten gleitenden Durchschnittsberechnung verwendet, konnten wir auch wählen, um 35 als Glättungsfaktor in unserer exponentiellen Glättungsberechnung zu verwenden, um einen ähnlichen Effekt zu erhalten. Der Unterschied zu der exponentiellen Glättungsberechnung ist das anstelle von Wir müssen auch herausfinden, wie viel Gewicht für jede vorherige Periode gelten, wird der Glättungsfaktor verwendet, um das automatisch zu tun. Also hier kommt der exponentielle Teil Wenn wir 35 als Glättungsfaktor verwenden, wird die Gewichtung der letzten Periode s Nachfrage 35 Die Gewichtung der nächsten letzten Periode s fordern die Zeit vor dem jüngsten werden 65 von 35 65 kommt Von der Subtraktion von 35 von 100 Dies entspricht 22 75 Gewichtung für diesen Zeitraum, wenn Sie die Mathematik. Die nächste jüngste Periode s Nachfrage wird 65 von 65 von 35, was entspricht 14 79 Die Periode vor, die wird als 65 von gewichtet werden 65 von 65 von 35, was entspricht 9 61, und so weiter Und das geht zurück durch alle Ihre vorherigen Perioden den ganzen Weg zurück zum Anfang der Zeit oder der Punkt, an dem Sie begonnen, exponentielle Glättung für diese bestimmte item. You Vermutlich denke, dass s aussieht wie eine ganze Menge von Mathematik Aber die Schönheit der exponentiellen Glättung Berechnung ist, dass anstatt zu rechnen, um jede vorherige Periode jedes Mal, wenn Sie eine neue Periode s Nachfrage erhalten, verwenden Sie einfach die Ausgabe der exponentiellen smoothin G Berechnung aus der vorherigen Periode, um alle vorherigen Perioden zu repräsentieren. Sind Sie verwirrt noch Dies wird mehr Sinn machen, wenn wir die tatsächliche Berechnung betrachten. Typisch verweisen wir auf die Ausgabe der exponentiellen Glättung Berechnung als die nächste Periode Prognose In Wirklichkeit, die ultimative Prognose braucht ein wenig mehr Arbeit, aber für die Zwecke dieser spezifischen Berechnung werden wir es als die Prognose verweisen. Die exponentielle Glättung Berechnung ist wie folgt. Die jüngste Periode s Nachfrage multipliziert mit dem Glättungsfaktor PLUS Die jüngste Periode s Prognose multipliziert mit einem Minus der Glättungsfaktor. Die jüngste Periode s Nachfrage S der Glättungsfaktor in Dezimalform dargestellt, so würde 35 als 0 35 F dargestellt werden die letzte Periode s prognostiziert die Ausgabe der Glättung Berechnung aus der vorherigen 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.
Comments
Post a Comment