So berechnen Sie gewichtete Bewegungsdurchschnitte in Excel mit exponentieller Glättung. Excel Datenanalyse für Dummies, 2. Auflage. Das Exponential-Glättungswerkzeug in Excel berechnet den gleitenden Durchschnitt. Die exponentielle Glättung gewichtet jedoch die in den gleitenden Durchschnittsberechnungen enthaltenen Werte, so dass neuere Werte vorliegen Eine größere Wirkung auf die durchschnittliche Berechnung und alte Werte haben einen geringeren Effekt Diese Gewichtung wird durch eine Glättungskonstante erreicht. Um zu veranschaulichen, wie das Exponential-Glättungswerkzeug funktioniert, nehmen wir an, dass Sie wieder die durchschnittliche tägliche Temperaturinformation betrachten. Um die gewichteten gleitenden Mittelwerte zu berechnen Verwenden Sie eine exponentielle Glättung, nehmen Sie die folgenden Schritte vor: Um einen exponentiell geglätteten gleitenden Durchschnitt zu berechnen, klicken Sie zuerst auf die Schaltfläche Datenregisterkarte. Wenn Excel das Dialogfeld Datenanalyse anzeigt, wählen Sie aus der Liste die Option Exponentielle Glättung aus und klicken dann auf OK. Excel zeigt das Dialogfeld Exponentielle Glättung an. Identifizieren Sie die Daten. Um die Daten zu identifizieren, für die Sie einen exponentiell geglätteten gleitenden Durchschnitt berechnen möchten, klicken Sie in das Eingabefeld des Eingabebereichs. Markieren Sie dann den Eingabebereich, indem Sie entweder eine Arbeitsbereichsbereichsadresse eingeben oder nach Auswählen des Arbeitsbereichsbereichs Wenn Ihr Eingabebereich eine Textbeschriftung enthält, um Ihre Daten zu identifizieren oder zu beschreiben, markieren Sie das Kontrollkästchen Etiketten. Geben Sie die Glättungskonstante ein. Geben Sie den Glättungskonstantenwert im Textfeld Dämpfungsfaktor an Die Excel-Hilfedatei schlägt vor, dass Sie eine Glättung Konstante zwischen 0 2 und 0 3 Vermutlich aber, wenn Sie dieses Werkzeug verwenden, haben Sie Ihre eigenen Vorstellungen darüber, was die richtige Glättung Konstante ist Wenn Sie ahnungslos über die Glättung Konstante, vielleicht sollten Sie nicht mit diesem Tool verwenden. Sagen Sie Excel, wo Sie die exponentiell geglätteten gleitenden Durchschnittsdaten platzieren können. Verwenden Sie das Textfeld Ausgabebereich, um den Arbeitsbereichsbereich zu identifizieren, in den Sie die gleitenden Durchschnittsdaten platzieren möchten. Im Beispiel des Arbeitsblattes legen Sie die gleitenden Durchschnittsdaten in das Arbeitsblatt Bereich B2 B10. Optional werden die exponentiell geglätteten Daten angezeigt. Um die exponentiell geglätteten Daten zu markieren, markieren Sie das Kontrollkästchen Diagrammausgabe. Optional Geben Sie an, dass Standardfehlerinformationen berechnet werden sollen. Um Standardfehler zu berechnen, markieren Sie das Kontrollkästchen Standardfehler. Excel setzt Standardfehlerwerte neben den exponentiell geglätteten gleitenden Mittelwerten ein. Nachdem Sie die Angabe festgelegt haben, welche gleitenden Durchschnittsinformationen berechnet werden sollen und wo Sie wollen Es platziert, klicken Sie auf OK. Excel berechnet gleitenden durchschnittlichen Informationen. Simple Moving Averages machen Trends Stand Out. Moving Mittelwerte MA sind einer der beliebtesten und oft benutzten technischen Indikatoren Der gleitende Durchschnitt ist einfach zu berechnen und, einmal auf einem Diagramm gezeichnet, Ist eine leistungsstarke visuelle Trend-Spotting-Tool Sie werden oft hören, über drei Arten von gleitenden Durchschnitt einfach exponentiell und linear Der beste Ort, um zu beginnen ist durch das Verständnis der grundlegenden die einfache gleitende durchschnittliche SMA Lassen Sie uns einen Blick auf diese Indikator und wie es kann Helfen Trader folgen Trends zu größeren Gewinnen Für mehr auf gleitende Durchschnitte, siehe unsere Forex Walkthrough. Trendlines Es kann kein vollständiges Verständnis der bewegenden Mittelwerte ohne Verständnis von Trends Ein Trend ist einfach ein Preis, der sich weiterhin in eine bestimmte Richtung bewegen Es gibt Nur drei echte Trends, die eine Sicherheit verfolgen kann. Ein Aufwärtstrend oder bullish Trend, bedeutet, dass der Preis höher verschoben wird. Ein Abwärtstrend oder bearish Trend, bedeutet, dass der Preis sinkt. Seite, wo der Preis bewegt sich seitwärts. Die wichtige Sache An Trends zu erinnern ist, dass sich die Preise selten in einer geraden Linie bewegen. Daher werden die gleitenden Durchschnittslinien verwendet, um einem Händler zu helfen, die Richtung des Trends leichter zu identifizieren. Für mehr fortgeschrittene Lesung zu diesem Thema siehe die Grundlagen von Bollinger Bands und Moving Average Umschläge Veredelung eines beliebten Trading-Tool. Moving Durchschnittliche Konstruktion Die Textbuch-Definition eines gleitenden Durchschnitt ist ein durchschnittlicher Preis für eine Sicherheit mit einem bestimmten Zeitraum Lassen Sie die sehr beliebten 50-Tage gleitenden Durchschnitt als Beispiel Ein 50-Tage gleitenden Durchschnitt ist Berechnet durch die Schlusskurse für die letzten 50 Tage der Sicherheit und addieren sie zusammen Das Ergebnis aus der Addition Berechnung wird dann durch die Anzahl der Perioden, in diesem Fall 50 geteilt, um weiterhin die gleitenden Durchschnitt auf einer täglichen Basis zu berechnen , Ersetzen Sie die älteste Zahl mit dem jüngsten Schlusskurs und machen Sie die gleiche Mathematik. No egal wie lange oder kurz von einem gleitenden Durchschnitt Sie suchen, um zu plotten, die grundlegenden Berechnungen bleiben die gleichen Die Änderung wird in der Anzahl der Schlusskurse Sie sein Verwenden So, zum Beispiel, ein 200-Tage gleitender Durchschnitt ist der Schlusskurs für 200 Tage zusammengefasst und dann durch 200 geteilt Sie sehen alle Arten von gleitenden Durchschnitten, von zweitägigen gleitenden Durchschnitten bis 250-Tage gleitende Durchschnitte. Es ist Wichtig zu erinnern, dass Sie eine bestimmte Anzahl von Schlusskursen haben müssen, um den gleitenden Durchschnitt zu berechnen Wenn eine Sicherheit nagelneu oder nur ein Monat alt ist, werden Sie nicht in der Lage sein, einen 50-Tage-gleitenden Durchschnitt zu machen, weil Sie nicht ausreichend haben Anzahl der Datenpunkte. Auch ist es wichtig zu beachten, dass wir uns entschieden haben, die Schlusskurse in den Berechnungen zu verwenden, aber bewegte Durchschnitte können mit monatlichen Preisen, Wochenpreisen, Eröffnungspreisen oder sogar Intraday-Preisen berechnet werden. Weitere Informationen finden Sie in unseren Moving Averages Tutorial. Figure 1 Ein einfacher gleitender Durchschnitt in Google Inc. Figure 1 ist ein Beispiel für einen einfachen gleitenden Durchschnitt auf einem Aktien Chart von Google Inc Nasdaq GOOG Die blaue Linie stellt einen 50-Tage gleitenden Durchschnitt dar. Im obigen Beispiel können Sie das sehen Der Trend ist seit Ende 2007 niedriger geworden Der Preis der Google-Aktien fiel im Januar 2008 unter den 50-Tage-Gleitender Durchschnitt und setzte sich nach unten fort. Wenn der Preis unter einem gleitenden Durchschnitt liegt, kann er als einfaches Handelssignal verwendet werden Unterhalb des gleitenden Durchschnittes, wie oben gezeigt, deutet darauf hin, dass die Bären die Kontrolle über die Preisaktion haben und dass sich der Vermögenswert wahrscheinlich niedriger bewegen wird. Umgekehrt deutet ein Kreuz über einem gleitenden Durchschnitt darauf hin, dass die Bullen in der Kontrolle sind und dass der Preis immer bereit sein kann Machen Sie einen Umzug höher Lesen Sie mehr in Track Stock Preise mit Trendlines. Weitere Möglichkeiten, um Moving Averages Moving Mittelwerte werden von vielen Händlern verwendet, um nicht nur einen aktuellen Trend, sondern auch als Ein-und Ausstieg Strategie Eine der einfachsten Strategien beruht auf der Kreuzung Von zwei oder mehr gleitenden Durchschnitten Das Grundsignal wird gegeben, wenn der kurzfristige Mittelwert über oder unter dem längerfristig gleitenden Durchschnitt liegt. Zwei oder mehr gleitende Durchschnitte erlauben es Ihnen, einen längerfristigen Trend zu sehen, verglichen mit einem kürzeren, bewegten Durchschnitt ist es auch ein Einfache Methode, um festzustellen, ob der Trend an Stärke gewinnt oder wenn es darum geht, umzukehren. Für mehr über diese Methode lesen Sie einen Primer auf dem MACD. Figure 2 Ein langfristiger und kürzerer bewegter Durchschnitt in Google Inc. Figure 2 verwendet zwei bewegte Mittelwerte, ein Langzeit-50-Tage, gezeigt durch die blaue Linie und der andere kürzere Begriff 15-Tage, gezeigt durch die rote Linie Dies ist das gleiche Google-Diagramm in Abbildung 1 gezeigt, aber mit dem Hinzufügen der beiden gleitenden Durchschnitte zu Veranschaulichen den Unterschied zwischen den beiden Längen. Man merkt, dass der 50-Tage-Gleitender Durchschnitt langsamer ist, um sich an Preisänderungen anzupassen, weil er in seiner Berechnung mehr Datenpunkte verwendet. Auf der anderen Seite ist der 15-Tage-Gleitender Durchschnitt schnell zu reagieren Preisänderungen, da jeder Wert eine größere Gewichtung in der Berechnung aufgrund des relativ kurzen Zeithorizonts hat. In diesem Fall würden Sie mit einem Cross-Strategie den 15-Tage-Durchschnitt beobachten, um den 50-Tage-Gleitender Durchschnitt zu überschreiten Eintrag für eine kurze Position. Figure 3 Ein Drei-Monats-oben ist ein Drei-Monats-Diagramm der Vereinigten Staaten Öl AMEX USO mit zwei einfachen gleitenden Durchschnitten Die rote Linie ist die kürzere, 15-Tage gleitenden Durchschnitt, während die blaue Linie darstellt Der längere, 50-Tage-Gleitender Durchschnitt Die meisten Händler werden das Kreuz des kurzfristigen gleitenden Durchschnitts über dem längerfristigen gleitenden Durchschnitt nutzen, um eine lange Position einzuleiten und den Beginn eines zinsbullischen Trends zu ermitteln. Erfahren Sie mehr über die Anwendung dieser Strategie im Handel MACD Divergence. Support ist etabliert, wenn ein Preis nach unten tendiert Es gibt einen Punkt, an dem der Verkaufsdruck nachlässt und Käufer sind bereit zu treten in Mit anderen Worten, ein Boden ist etabliert. Resistance passiert, wenn ein Preis nach oben tendiert Es kommt ein Punkt Wenn die Kaufkraft abnimmt und die Verkäufer Schritt in Dies würde eine Decke zu etablieren Für mehr Erklärung, lesen Support Resistance Basics. In jedem Fall kann ein gleitender Durchschnitt in der Lage sein, eine frühe Unterstützung oder Widerstand Ebene zu signalisieren Zum Beispiel, wenn eine Sicherheit driftet Niedriger in einem etablierten Aufwärtstrend, dann wäre es nicht überraschend zu sehen, die Lager finden Unterstützung zu einem langfristigen 200-Tage gleitenden Durchschnitt Auf der anderen Seite, wenn der Preis sinkt tiefer, werden viele Händler sehen, die Aktie abprallen Der Widerstand der großen gleitenden Durchschnitte 50-Tage-, 100-Tage-, 200-Tage-SMAs Für mehr über die Verwendung von Unterstützung und Widerstand, um Trends zu identifizieren, lesen Trend-Spotting mit der Akkumulation Distribution Line. Conclusion Moving Durchschnitte sind leistungsstarke Werkzeuge Ein einfacher gleitender Durchschnitt ist Einfach zu berechnen, was es erlaubt, ziemlich schnell und einfach eingesetzt zu werden Eine gleitende durchschnittliche größte Stärke ist seine Fähigkeit, einem Händler zu helfen, einen aktuellen Trend zu identifizieren oder eine mögliche Trendumkehr zu sehen. Bewegliche Mittelwerte können auch ein Niveau der Unterstützung oder des Widerstands für die Sicherheit oder als einfaches Einstiegs - oder Ausstiegsignal handeln Wie Sie sich für die Durchblättern entscheiden, liegt ganz bei Ihnen. Der Zinssatz, bei dem ein Depotinstitut in der Federal Reserve Geld an eine andere Depotbank leiht.1 Eine statistische Maßnahme der Streuung der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung 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, privat Haushalte und der gemeinnützige Sektor Das US-Büro der Arbeit. Die Währung Abkürzung oder Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Angebot auf einem Bankrott Vermögenswerte von einem interessierten Käufer gewählt von Das bankrott Unternehmen aus einem Pool von Bietern. Moving durchschnittliche und exponentielle Glättung Modelle. Als ein erster Schritt in Bewegung über mittlere Modelle, zufällige Wandermodelle und lineare Trend-Modelle, Nicht-Sektion Muster und Trends können mit einem gleitenden Durchschnitt oder Glättung Modell extrapoliert werden Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten lokalen Durchschnitt, um den aktuellen Wert des Mittelwertes zu schätzen und dann das als Prognose für die nahe Zukunft zu nutzen Als Kompromiss zwischen dem mittleren Modell und dem zufälligen Spaziergang ohne Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als geglättete Version der ursprünglichen Serie bezeichnet, weil kurzfristig Mittelwertbildung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie Durch die Anpassung der Grad der Glättung der Breite des gleitenden Durchschnitts, können wir hoffen, eine Art von optimalen Gleichgewicht zwischen der Leistung der mittleren und zufälligen Spaziergang Modelle Die einfachste Art von Mittelwertbildungsmodell ist der. Gleiche gleichgewichtete Moving Average. Die Prognose für den Wert von Y zum Zeitpunkt t 1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen. Hier und anderswo verwende ich das Symbol Y-Hut, um für eine Prognose der Zeitreihe Y zu stehen, die am frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde. Dieser Durchschnitt ist in der Periode & lgr; m 1 2 zentriert, was bedeutet, dass die Schätzung von Das lokale Mittel neigt dazu, hinter dem wahren Wert des lokalen Mittels um etwa m 1 2 Perioden zu liegen. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt m 1 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen. Zum Beispiel, wenn Sie die letzten 5 Werte mittelschätzen, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte sein. Beachten Sie, dass wenn m 1, Das einfache gleitende durchschnittliche SMA-Modell entspricht dem zufälligen Walk-Modell ohne Wachstum Wenn m sehr groß ist, vergleichbar mit der Länge der Schätzperiode ist das SMA-Modell gleichbedeutend mit dem mittleren Modell Wie bei jedem Parameter eines Prognosemodells ist es üblich Um den Wert von k anzupassen, um die bestmögliche Anpassung an die Daten zu erhalten, dh die kleinsten Prognosefehler im Durchschnitt. Hierbei handelt es sich um ein Beispiel für eine Serie, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst versuchen wir es zu versuchen Passt es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Term. Die zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von dem Rauschen in den Daten die zufälligen Schwankungen als Gut wie das Signal das lokale Mittel Wenn wir stattdessen versuchen, einen einfachen gleitenden Durchschnitt von 5 Begriffen, erhalten wir eine glattere aussehende Menge von Prognosen. Die 5-Term einfache gleitenden Durchschnitt liefert deutlich kleinere Fehler als die zufällige Walk-Modell in diesem Fall Der Durchschnitt Alter der Daten in dieser Prognose ist 3 5 1 2, so dass es dazu neigt, hinter Wendepunkte um etwa drei Perioden zurückzugehen. Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Zeit später. Notice, dass die Langzeitprognosen aus dem SMA-Modell eine horizontale Gerade sind, genauso wie im zufälligen Spaziergangmodell. Das SMA-Modell geht davon aus, dass es keinen Trend in den Daten gibt. Allerdings sind die Prognosen aus dem zufälligen Walk-Modell Die Prognosen des SMA-Modells sind gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Konfidenzgrenzen werden nicht größer, wenn der Prognosehorizont zunimmt Das ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Sie könnten eine Kalkulationstabelle einrichten, in der das SMA-Modell verwendet werden würde, um 2 Schritte voraus, 3 Schritte voraus, etc. innerhalb der historischen Datenprobe zu prognostizieren. Sie konnten dann die Beispiel-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Vertrauen aufbauen Intervalle für längerfristige Prognosen durch Hinzufügen und Subtrahieren von Vielfachen der entsprechenden Standardabweichung. Wenn wir einen 9-fach einfach gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt. Das Durchschnittsalter beträgt nun 5 Perioden 9 1 2 Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10.Notice, dass die Prognosen nun hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die vergleicht Ihre Fehlerstatistik, auch ein 3-Term-Durchschnitt. Model C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um eine kleine Marge über die 3-Term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch Also, unter Modellen mit sehr ähnlichen Fehlerstatistiken, können wir wählen, ob wir lieber ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen zurück zum Anfang der Seite. Brown s Einfache Exponential Glättung exponentiell gewichteten gleitenden Durchschnitt. Die einfache gleitende durchschnittliche Modell Oben beschrieben hat die unerwünschte Eigenschaft, dass es die letzten k Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen vollständig ignoriert. Intuitiv sollten die vergangenen Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein bisschen mehr Gewicht als das zweitbeste erhalten Jüngsten, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. letzte, und so weiter Die einfache exponentielle Glättung SES-Modell erreicht dies. Let bezeichnen eine Glättung Konstante eine Zahl zwischen 0 und 1 Eine Möglichkeit, das Modell zu schreiben ist zu Definieren eine Reihe L, die die aktuelle Ebene repräsentiert, dh der mittlere Mittelwert der Reihe, wie sie von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv von seinem eigenen vorherigen Wert wie dieser berechnet. Damit ist der aktuelle geglättete Wert ein Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, bei der die Nähe des interpolierten Wertes auf die aktuellste Beobachtung kontrolliert wird. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert. Gleichzeitig können wir die nächste Prognose direkt in der Vergangenheit ausdrücken Prognosen und vorherige Beobachtungen in einer der folgenden gleichwertigen Versionen In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung. In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung der vorherigen erhalten Fehler durch einen Bruchteil. Ist der Fehler zum Zeitpunkt t gemacht In der dritten Version ist die Prognose ein exponentiell gewichteter, dh ermäßigter gleitender Durchschnitt mit Rabattfaktor 1.Die Interpolationsversion der Prognoseformel ist die einfachste zu verwenden, wenn Sie die Implementierung durchführen Modell auf einer Tabellenkalkulation passt es in eine einzelne Zelle und enthält Zelle Referenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle, wo der Wert von gespeichert ist. Hinweis, dass wenn 1, ist das SES-Modell gleichbedeutend mit einem zufälligen Spaziergang Modell ohne Wachstum Wenn 0, entspricht das SES-Modell dem Mittelmodell, vorausgesetzt, dass der erste geglättete Wert gleich dem mittleren Rücksprung auf der Oberseite gesetzt ist. Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose ist 1 relativ zu Die Periode, für die die Prognose berechnet wird, soll nicht offensichtlich sein, aber es lässt sich leicht durch die Auswertung einer unendlichen Reihe zeigen. Die einfache gleitende Durchschnittsprognose neigt dazu, hinter Wendepunkten um etwa 1 Perioden zurückzukehren. Zum Beispiel, wenn 0 5 Die Verzögerung beträgt 2 Perioden, wenn 0 2 die Verzögerung 5 Perioden beträgt, wenn 0 1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter, dh eine Verzögerung, ist die einfache exponentielle Glättung der SES-Prognose dem überlegenen gleitenden Durchschnitt etwas überlegen SMA-Prognose, weil es relativ viel Gewicht auf die jüngste Beobachtung - es ist etwas mehr reagiert auf Veränderungen in der jüngsten Vergangenheit Zum Beispiel ein SMA-Modell mit 9 Begriffe und ein SES-Modell mit 0 2 haben beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und gleichzeitig ist es nicht ganz vergessen, Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt Wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er durch den Einsatz eines Solver-Algorithmus leicht optimiert werden kann, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert im SES-Modell dafür Die Serie erweist sich als 0 2961, wie hier gezeigt. Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 0 2961 3 4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen aus der SES-Modell sind eine horizontale Gerade wie im SMA-Modell und das zufällige Spaziergangmodell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für die Zufälliges Spaziergang Modell Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells, so dass die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für die SES-Modell Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA 1-Term und keinem konstanten Term, der sonst als ARIMA-0,1,1-Modell ohne Konstante bekannt ist. Der MA 1 - Koeffizient im ARIMA-Modell entspricht dem Menge 1 im SES-Modell Wenn Sie beispielsweise ein ARIMA-0,1,1-Modell ohne Konstante an die hier analysierte Baureihe anpassen, erweist sich der geschätzte MA 1 - Koeffizient auf 0 7029, was fast genau ein minus 0 2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA 1-Term mit einer Konstante, dh einem ARIMA 0,1,1-Modell an Mit konstanten Die langfristigen Prognosen haben dann einen Trend, der gleich der durchschnittlichen Tendenz ist, die über die gesamte Schätzperiode beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist Allerdings können Sie einen konstanten, langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell mit oder ohne saisonale Anpassung hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die entsprechende Inflationsrate pro Wachstumsrate pro Periode kann als Steilheitskoeffizient in a bezeichnet werden Lineares Trendmodell, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder es kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren. Zurück zum Seitenanfang. Brown s Linear ie doppelte exponentielle Glättung. Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten, die in der Regel ok oder zumindest nicht zu schlecht sind, keine Tendenz gibt, wenn die Daten relativ laut sind, und sie können modifiziert werden, um einen konstanten linearen Trend zu integrieren Wie oben gezeigt Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann die Schätzung eines lokalen Trends Könnte auch ein Problem sein Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungs-LES-Modell zu erhalten, das lokale Schätzungen von Level und Trend berechnet. Das einfachste zeitvariable Trendmodell ist das lineare, exponentielle Glättungsmodell von Brown, das zwei verschiedene verwendet Geglättete Serien, die zu verschiedenen Zeitpunkten zentriert sind Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren Eine ausgefeiltere Version dieses Modells, Holt s, wird unten diskutiert. Die algebraische Form von Brown s lineares exponentielles Glättungsmodell , Wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die Standardform dieses Modells wird gewöhnlich wie folgt ausgedrückt. Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung der Reihe Y erhalten wird Ist der Wert von S in der Periode t gegeben durch. Erinnern Sie sich, dass unter einfacher exponentieller Glättung dies die Prognose für Y in der Periode t 1 sein würde. Dann sei S die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung unter Verwendung derselben zu der Reihe S erhalten wird. Zunächst ist die Prognose für Y tk für irgendwelche K & sub1 ;, ist gegeben durch. Dies ergibt e 1 0, dh ein wenig zu betrügen, und die erste Prognose gleich der tatsächlichen ersten Beobachtung und e 2 Y 2 Y 1, wonach Prognosen unter Verwendung der obigen Gleichung erzeugt werden, ergibt die gleichen angepassten Werte Als die auf S und S basierende Formel, wenn diese mit S 1 S 1 Y 1 gestartet wurden Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt s Linear Exponential Smoothing. Brown S LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der jüngsten Daten, aber die Tatsache, dass es tut dies mit einem einzigen Glättungsparameter stellt eine Einschränkung auf die Datenmuster, dass es in der Lage ist, die Ebene und Trend sind nicht erlaubt, variieren Bei unabhängigen Raten Holt s LES Modell adressiert dieses Problem durch die Einbeziehung von zwei Glättungskonstanten, eine für die Ebene und eine für den Trend Zu jeder Zeit t, wie in Browns Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Tendenz Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn das geschätzte Niveau und der Trend zur Zeit t - 1 sind L t 1 bzw. T t-1, so ist die Prognose für Y t, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1 Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung von Wird der Pegel rekursiv durch Interpolation zwischen Y t und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von und 1 berechnet. Die Änderung des geschätzten Pegels, nämlich L t L t 1, kann als eine laute Messung von interpretiert werden Der Trend zum Zeitpunkt t Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t L t 1 und der vorherigen Schätzung des Trends T t-1 unter Verwendung von Gewichten von und 1 berechnet. Die Interpretation der Trend-Glättungskonstante ist Analog zu dem der Pegel-Glättung Konstante Modelle mit kleinen Werten davon ausgehen, dass sich der Trend nur sehr langsam im Laufe der Zeit ändert, während Modelle mit größeren davon ausgehen, dass es sich schneller ändert Ein Modell mit einem großen glaubt, dass die ferne Zukunft sehr unsicher ist, Denn Fehler bei der Trendschätzung werden bei der Prognose von mehr als einer Periode bei der Vorhersage sehr wichtig. Zum Anfang der Seite. Die Glättungskonstanten und können auf die übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Prognose minimiert wird In Statgraphics, die Schätzungen erweisen sich als 0 3048 und 0 008 Der sehr kleine Wert der Mittel, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zum nächsten annimmt, so grundsätzlich versucht dieses Modell, einen langfristigen Trend abzuschätzen In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1, wenn auch nicht genau gleich Dieser Fall entpuppt sich 1 0 006 125 Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von isn t wirklich 3 Dezimalstellen, aber es ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100, so Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend Die Prognose-Plot unten zeigt, dass das LES-Modell schätzt einen etwas größeren lokalen Trend am Ende der Serie als die konstante Tendenz im SES Trend-Modell geschätzt Auch der geschätzte Wert Von ist fast identisch mit dem, der durch die Montage des SES-Modells mit oder ohne Trend erhalten wird, also ist das fast das gleiche Modell. Jetzt sehen diese wie vernünftige Prognosen für ein Modell aus, das angeblich einen lokalen Trend schätzen soll Handlung, es sieht so aus, als ob der lokale Trend am Ende der Serie nach unten gegangen ist Was passiert ist Die Parameter dieses Modells wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Prognosen, nicht längerfristigen Prognosen, in denen geschätzt Fall der Trend macht nicht viel Unterschied Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über sagen, 10 oder 20 Perioden Um dieses Modell mehr im Einklang mit unserem Augapfel-Extrapolation der Daten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Wenn wir z. B. 0 1 setzen wollen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden 10 Perioden, was bedeutet, dass wir durchschnittlich den Trend über die letzten 20 Perioden oder so Hier ist, was die Prognose Handlung aussieht, wenn wir 0 1 setzen, während halten 0 3 Dies sieht intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich zu extrapolieren ist Dieser Trend mehr als 10 Perioden in der Zukunft. Was über die Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle Der optimale Wert des SES-Modells beträgt ca. 0 3, aber ähnliche Ergebnisse mit etwas Mehr oder weniger Ansprechverhalten werden mit 0 5 und 0 2 erhalten. Eine Holt s lineare Exp-Glättung mit alpha 0 3048 und beta 0 008. B Holt s lineare exp Glättung mit alpha 0 3 und beta 0 1. C Einfache exponentielle Glättung mit Alpha 0 5. D Einfache exponentielle Glättung mit alpha 0 3. E Einfache exponentielle Glättung mit alpha 0 2.Die Statistik ist nahezu identisch, so dass wir die Wahl nicht auf der Basis von 1-Schritt-Prognosefehlern innerhalb der Daten treffen können Beispiel Wir müssen auf andere Überlegungen zurückgreifen Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 0 3 und 0 1 machen Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. Zurück zum Seitenanfang. Welche Art der Trend-Extrapolation ist am besten horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits angepasst wurden, wenn nötig für die Inflation, dann kann es unvorstellbar sein, kurzfristige lineare Trends sehr weit in die Zukunft zu extrapolieren Trends offensichtlich heute können In der Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, zunehmender Konkurrenz und zyklischer Abschwünge oder Aufschwüngen in einer Branche zu senken. Aus diesem Grund führt die einfache exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz des naiven horizontalen Trends Extrapolation Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das gedämpfte LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA 1, implementiert werden , 1,2-Modell. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu ermitteln, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Sonderfälle von ARIMA-Modellen betrachtet. Vorsicht nicht alle Software berechnet Konfidenzintervalle für diese Modelle richtig Die Breite der Konfidenzintervalle Hängt von dem RMS-Fehler des Modells ab, ii die Art der Glättung einfach oder linear iii der Wert s der Glättungskonstante s und iv die Anzahl der vorausschauenden Perioden, die Sie prognostizieren Im Allgemeinen breiten sich die Intervalle schneller aus, SES-Modell und sie breiten sich viel schneller aus, wenn lineare und nicht einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modell-Abschnitt der Notizen weiter unten diskutiert. Zurück zum Seitenanfang.
No comments:
Post a Comment