Średnia ruchoma Ten przykład pokazuje, w jaki sposób obliczyć średnią ruchomą szeregu czasowego w Excelu. Średnia ruchoma służy do łagodzenia nieprawidłowości (szczytów i dolin) w celu łatwego rozpoznawania trendów. 1. Najpierw przyjrzyjmy się naszej serii czasowej. 2. Na karcie Dane kliknij Analiza danych. Uwaga: nie można znaleźć przycisku Analiza danych Kliknij tutaj, aby załadować dodatek Analysis ToolPak. 3. Wybierz średnią ruchomą i kliknij OK. 4. Kliknij pole Input Range i wybierz zakres B2: M2. 5. Kliknij w polu Interwał i wpisz 6. 6. Kliknij pole Zakres wyjściowy i wybierz komórkę B3. 8. Narysuj wykres tych wartości. Objaśnienie: ponieważ ustawiliśmy przedział na 6, średnia ruchoma jest średnią z poprzednich 5 punktów danych i bieżącego punktu danych. W rezultacie szczyty i doliny są wygładzone. Wykres pokazuje rosnący trend. Program Excel nie może obliczyć średniej ruchomej dla pierwszych 5 punktów danych, ponieważ nie ma wystarczającej liczby poprzednich punktów danych. 9. Powtórz kroki od 2 do 8 dla przedziału 2 i odstępu 4. Wniosek: Im większy przedział, tym bardziej wygładzone są szczyty i doliny. Im mniejszy interwał, tym przybliżone są średnie ruchome do rzeczywistych punktów danych. Średnie ruchome - MA ZMNIEJSZAJĄCA Średnia ruchoma - MA Jako przykład SMA rozważ zabezpieczenie z następującymi cenami zamknięcia w ciągu 15 dni: Tydzień 1 (5 dni) 20, 22, 24, 25, 23 Tydzień 2 (5 dni) 26, 28, 26, 29, 27 Tydzień 3 (5 dni) 28, 30, 27, 29, 28 10-dniowa MA dałaby średnią cenę zamknięcia przez pierwsze 10 dni jako pierwszy punkt danych. Następny punkt danych obniżyłby najwcześniejszą cenę, dodał cenę w dniu 11 i wziął średnią, i tak dalej, jak pokazano poniżej. Jak wspomniano wcześniej, IZ opóźnia bieżące działania cenowe, ponieważ są one oparte na wcześniejszych cenach, im dłuższy okres czasu dla MA, tym większe opóźnienie. Tak więc 200-dniowa MA będzie miała znacznie większy stopień opóźnienia niż 20-dniowy MA, ponieważ zawiera ceny z ostatnich 200 dni. Czas stosowania MA zależy od celów handlowych, a krótsze MA stosuje się w przypadku transakcji krótkoterminowych, a długoterminowe IZ są bardziej odpowiednie dla inwestorów długoterminowych. 200-dniowy MA jest szeroko śledzony przez inwestorów i handlowców, z przerwami powyżej i poniżej tej średniej ruchomej uważanej za ważny sygnał handlowy. IZ przekazują również ważne sygnały transakcyjne samodzielnie lub gdy przechodzą dwie średnie wartości. Wzrost wartości MA wskazuje, że zabezpieczenie ma tendencję wzrostową. podczas gdy malejący MA wskazuje na to, że ma tendencję zniżkową. Podobnie, pęd w górę jest potwierdzany przez zwyżkowy crossover. co ma miejsce, gdy krótkoterminowe MA przechodzi ponad długoterminowe MA. Pęd w dół jest potwierdzany przez niedźwiedzi crossover, który pojawia się, gdy krótkoterminowe MA przechodzi przez dłuższe średnioterminowe średnie szeregi czasowe (obserwacje równo rozłożone w czasie) z kilku kolejnych okresów. Wywoływane przenoszenie, ponieważ jest nieustannie obliczane, gdy stają się dostępne nowe dane, rozwija się, zmniejszając najwcześniejszą wartość i dodając ostatnią wartość. Na przykład średnią kroczącą sześciomiesięcznej sprzedaży można obliczyć, biorąc średnią sprzedaży od stycznia do czerwca, a następnie średnią sprzedaży od lutego do lipca, następnie od marca do sierpnia, i tak dalej. Średnie kroczące (1) redukują efekt tymczasowych zmian danych, (2) poprawiają dopasowanie danych do linii (proces zwany wygładzaniem), aby wyraźniej pokazać trend danych, i (3) wyróżniają każdą wartość powyżej lub poniżej tendencja. Jeśli obliczasz coś z bardzo wysoką wariancją, najlepsze, co możesz zrobić, to zorientować się w średniej ruchomej. Chciałem wiedzieć, jaka jest średnia krocząca danych, więc lepiej rozumiem, jak sobie radzimy. Kiedy próbujesz rozgryźć kilka liczb, które często się zmieniają, najlepsze, co możesz zrobić, to obliczyć średnią kroczącą. Najprostszym podejściem byłoby zajęcie średniej z okresu od stycznia do marca i wykorzystanie jej do oszacowania sprzedaży z kwietnia 882 roku: (129 134 122) 3 128.333 W związku z tym, w oparciu o sprzedaż od stycznia do marca, przewiduje się, że sprzedaż w kwietniu wyniesie 128 333. Po wprowadzeniu rzeczywistej sprzedaży w kwietniu 1717 r. Należy obliczyć prognozę na maj, tym razem w okresie od lutego do kwietnia. Musisz być zgodny z liczbą okresów, których używasz do średniej ruchomej prognozy. Liczba okresów, z których korzystasz w swoich prognozach średniej ruchomej, jest dowolna, możesz użyć tylko dwóch okresów lub pięciu lub sześciu okresów, które chcesz wygenerować. Powyższe podejście jest prostą średnią kroczącą. Czasami nowsze miesiące8217 sprzedaży mogą być silniejszymi wpływowcami nadchodzącego miesiąca8217s sprzedaży, więc chcesz dać im bliżej miesiące większą wagę w swoim modelu prognozy. Jest to ważona średnia ruchoma. I podobnie jak liczba okresów, przypisane wagi są czysto arbitralne. Let8217s mówią, że chciałbyś dać March8217s sprzedaży o wadze 50, Luty8217 o wadze 30 i Styczeń8217s 20. Wtedy twoja prognoza na kwiecień wyniesie 127 000 (122,50) (134,30) (129,20) 127. Ograniczenia średnich ruchomych metod Średnie ruchome są uważane za technikę prognozowania 8220smoothing8221. Ponieważ średnio się wydłużasz, zmiękczasz (lub wygładzasz) efekty nieregularnych zdarzeń w danych. W rezultacie skutki sezonowości, cykle koniunkturalne i inne zdarzenia losowe mogą dramatycznie zwiększyć błąd prognozy. Przyjrzyj się wartościom z całego roku8217 i porównaj 3-okresową średnią kroczącą z 5-okresową średnią kroczącą: zauważ, że w tym przypadku nie tworzyłem prognoz, a raczej centrowałem średnie kroczące. Pierwsza 3-miesięczna średnia krocząca ma miejsce w lutym, a średnia to w styczniu, lutym i marcu. Podobnie zrobiłem dla 5-miesięcznej średniej. Teraz spójrz na następującą tabelę: Co widzisz Czy trzymiesięczna średnia ruchoma seria nie jest bardziej płynna niż faktyczna seria sprzedaży? A co powiesz na pięciomiesięczną średnią ruchomą It8217s jeszcze bardziej płynną. Dlatego im więcej okresów używasz w swojej średniej ruchomej, tym bardziej płynne są serie czasowe. Dlatego w przypadku prognozowania prosta średnia krocząca może nie być najdokładniejszą metodą. Metody średniej ruchomej okazują się dość cenne, gdy próbujesz wyodrębnić sezonowe, nieregularne i cykliczne komponenty szeregu czasowego dla bardziej zaawansowanych metod prognozowania, takich jak regresja i ARIMA, a użycie średnich ruchomych w dekompozycji szeregu czasowego zostanie omówione później w serii. Określanie dokładności modelu średniej ruchomej Ogólnie rzecz biorąc, potrzebujesz metody prognozowania, która ma najmniejszy błąd między rzeczywistymi i przewidywanymi wynikami. Jedną z najczęstszych miar dokładności prognoz jest średnie bezwzględne odchylenie (MAD). W tym podejściu, dla każdego okresu w szeregach czasowych, dla których wygenerowano prognozę, bierze się bezwzględną wartość różnicy między tym okresem 8117 a rzeczywistymi i prognozowanymi wartościami (odchylenie). Następnie oceniasz te absolutne odchylenia i otrzymujesz miarę MAD. MAD może być pomocna w decydowaniu o liczbie przeciętnych okresów oraz o wadze, jaką umieścisz w każdym okresie. Generalnie wybierasz ten, który daje najniższą MAD. Oto przykład obliczenia MAD: MAD jest po prostu średnią z 8, 1 i 3. Średnie kroczące: Podsumowanie Podczas używania średnich kroczących do prognozowania pamiętaj: Przesuwanie średnich może być proste lub ważone Liczba okresów, których używasz do średnia i dowolne wagi przypisane do każdego są ściśle arbitralne Średnie ruchome Wygładzanie nieregularnych wzorców w danych szeregów czasowych Im większa liczba okresów wykorzystywanych dla każdego punktu danych, tym większy efekt wygładzania Z powodu wygładzania, prognozowanie następnego miesiąca8217 sprzedaży opartej na W ostatnich kilku miesiącach sprzedaż może prowadzić do dużych odchyleń w związku z sezonowością, cyklicznymi i nieregularnymi wzorcami danych, a funkcja wygładzania metody średniej ruchomej może być przydatna w dekompozycji szeregu czasowego dla bardziej zaawansowanych metod prognozowania. Następny tydzień: Wygładzanie wykładnicze w przyszłym tygodniu8217 Prognoza w piątek. omówimy metody wygładzania wykładniczego, a przekonasz się, że mogą być znacznie lepsze od ruchomych metod prognozowania. Nadal nie wiem, dlaczego nasze piątki z Prognozy na piątek pojawiają się w czwartek. Dowiedz się na: tinyurl26cm6ma Tak jak to: Napisz nawigację Pozostaw odpowiedź Anuluj odpowiedź Miałem 2 pytania: 1) Czy możesz użyć skoncentrowanego podejścia MA do prognozowania lub po prostu do usunięcia sezonowości 2) Kiedy używasz prostego t (t-1t-2t-k) k MA, aby prognozować jeden okres do przodu, czy możliwe jest przewidzenie więcej niż 1 okres, myślę, że wtedy twoja prognoza byłaby jednym z punktów zasilających następny. Dzięki. Uwielbiam informacje i twoje wyjaśnienia I8217m cieszę się, że podoba ci się blog I8217m, że kilku analityków wykorzystało centralne podejście MA do prognozowania, ale ja osobiście tego nie zrobiłbym, ponieważ takie podejście powoduje utratę obserwacji na obu końcach. To faktycznie wiąże się z drugim pytaniem. Ogólnie rzecz biorąc, prosty MA jest używany do prognozowania tylko jednego okresu przed, ale wielu analityków 8211 i ja też czasami 8211 wykorzysta moją jednokresową prognozę wyprzedzającą jako jeden z danych wejściowych do następnego okresu. Ważne jest, aby pamiętać, że im dalej będziesz się starał prognozować, tym większe ryzyko błędu prognozy. Dlatego nie zalecam wyśrodkowanego MA do prognozowania 8211, że utrata obserwacji na końcu oznacza opieranie się na prognozach dotyczących utraconych obserwacji, jak również na okres (-y) przed nami, więc istnieje większa szansa na błąd prognozy. Czytelnicy: jesteście zaproszeni do ważenia tego. Czy masz jakieś przemyślenia lub sugestie na temat tego Briana, dzięki za komentarz i pochwały na blogu Nicea inicjatywy i miłe wyjaśnienie. To bardzo pomocne. Przewiduję niestandardowe obwody drukowane dla klienta, który nie podaje żadnych prognoz. Użyłem średniej ruchomej, jednak nie jest ona zbyt dokładna, ponieważ branża może podążać w górę iw dół. Zbliżamy się do połowy lata do końca roku, kiedy wysyłka PCB8217 jest już za nami. Potem widzimy na początku roku spowolnienie. Jak mogę być bardziej dokładny z moich danych Katrina, z tego co mi powiedziałeś, wygląda na to, że twoja sprzedaż płytek drukowanych ma komponent sezonowy. Zajmuję się sezonowością w niektórych innych piątkowych prognozach. Innym podejściem, które można zastosować, co jest dość łatwe, jest algorytm Holt-Winters, który uwzględnia sezonowość. Możesz znaleźć dobre wyjaśnienie tego tutaj. Upewnij się, że twoje wzorce sezonowe są multiplikatywne lub addytywne, ponieważ algorytm jest nieco inny dla każdego. Jeśli spiszesz swoje miesięczne dane z kilku lat i zauważysz, że wahania sezonowe w tych samych okresach lat wydają się być stałe z roku na rok, to sezonowość jest dodatnia, jeśli sezonowe wahania w czasie wydają się wzrastać, wtedy sezonowość jest mnożny. Większość sezonowych szeregów czasowych będzie multiplikatywnych. W razie wątpliwości przyjmij multiplikatywność. Powodzenia Cześć, Między tymi metodami:. Prognozy Nave. Aktualizacja średniej. Średnia ruchoma długości k. Albo ważona ruchoma średnia długości k OR wygładzanie wykładnicze Który z tych modeli aktualizacji zalecam mi do prognozowania danych? Moim zdaniem, myślę o średniej ruchomej. Ale nie wiem, jak to uczynić jasnym i uporządkowanym To naprawdę zależy od ilości i jakości posiadanych danych i twojego horyzontu prognozy (długoterminowego, średnioterminowego lub krótkoterminowego)
Comments
Post a Comment