Einfache Vs. Exponential Moving Averages Moving-Mittelwerte sind mehr als das Studium einer Folge von Zahlen in aufeinanderfolgender Reihenfolge. Frühe Praktiker der Zeitreihenanalyse beschäftigten sich tatsächlich eher mit einzelnen Zeitreihenzahlen als mit der Interpolation dieser Daten. Interpolation. In Form von Wahrscheinlichkeitstheorien und - analyse, kam viel später, als Muster entwickelt wurden und Korrelationen entdeckt. Einmal verstanden, wurden verschiedene geformte Kurven und Linien entlang der Zeitreihen gezogen, um zu prognostizieren, wo die Datenpunkte gehen könnten. Diese werden nun als grundlegende Methoden, die derzeit von technischen Analyse-Händler verwendet. Charting-Analyse kann bis zum 18. Jahrhundert Japan zurückverfolgt werden, aber wie und wann bewegte Durchschnitte wurden zuerst auf Marktpreise angewendet bleibt ein Geheimnis. Es wird allgemein verstanden, dass einfache Bewegungsdurchschnitte (SMA) lange vor exponentiellen Bewegungsdurchschnitten (EMA) verwendet wurden, da EMAs auf SMA-Gerüsten aufgebaut sind und das SMA-Kontinuum für Plotter und Verfolgungszwecke leichter verstanden wurde. (Möchten Sie ein wenig Hintergrund lesen Check out Moving Averages: Was sind sie) Simple Moving Average (SMA) Einfache gleitende Durchschnitte wurden die bevorzugte Methode für die Verfolgung Marktpreise, weil sie schnell zu berechnen und leicht zu verstehen sind. Frühe Marktpraktiker arbeiteten ohne den Gebrauch der ausgefeilten Diagrammmetriken, die heute benutzt werden, also verließen sie hauptsächlich auf Marktpreisen als ihre alleinigen Führer. Sie berechneten die Marktpreise von Hand, und graphed diese Preise, um Trends und Marktrichtung zu bezeichnen. Dieser Prozeß war recht langwierig, erweist sich aber mit der Bestätigung weiterer Untersuchungen als recht rentabel. Um einen 10-tägigen einfachen gleitenden Durchschnitt zu berechnen, addieren Sie einfach die Schlusskurse der letzten 10 Tage und dividieren durch 10. Der gleitende 20-Tage-Durchschnitt wird berechnet, indem die Schlusskurse über einen Zeitraum von 20 Tagen addiert werden und sich um 20 dividieren bald. Diese Formel ist nicht nur auf Schlusskurse basiert, sondern das Produkt ist ein Mittel der Preise - eine Teilmenge. Bewegungsdurchschnitte werden als bewegt bezeichnet, weil sich die in der Berechnung verwendete Gruppe von Preisen gemäß dem Punkt auf dem Diagramm bewegt. Das bedeutet, dass alte Zeiten zugunsten neuer Schlusskurstage fallengelassen werden, so dass immer eine neue Berechnung erforderlich ist, die dem Zeitrahmen des durchschnittlichen Beschäftigten entspricht. So wird ein 10-Tage-Durchschnitt neu berechnet, indem der neue Tag hinzugefügt und der 10. Tag fallen gelassen wird, und der neunte Tag wird am zweiten Tag fallen gelassen. Exponential Moving Average (EMA) Exponential Moving Average (EMA) Der exponentielle gleitende Durchschnitt wurde verfeinert und seit den sechziger Jahren aufgrund früherer Experimente mit dem Computer weiter verbreitet. Die neue EMA würde sich mehr auf die jüngsten Preise konzentrieren als auf eine lange Reihe von Datenpunkten, da der einfache gleitende Durchschnitt erforderlich ist. Aktuelle EMA ((Preis (aktuelle) - vorherige EMA)) X Multiplikator) vorherige EMA. Der wichtigste Faktor ist die Glättungskonstante, dass 2 / (1N) mit N die Anzahl der Tage. Eine 10-Tage-EMA 2 / (101) 18,8 Dies bedeutet, dass ein 10-Perioden-EMA den jüngsten Preis 18,8, ein 20-Tage EMA 9,52 und 50-Tage EMA 3,92 Gewicht auf den letzten Tag gewichtet. Die EMA arbeitet, indem sie die Differenz zwischen dem Preis der gegenwärtigen Perioden und der vorherigen EMA gewichtet und das Ergebnis der vorherigen EMA hinzugefügt hat. Je kürzer die Periode, desto mehr Gewicht auf den jüngsten Preis angewendet. Anpassungslinien Nach diesen Berechnungen sind Punkte aufgetragen und zeigen eine passende Linie. Anpassungen über oder unter dem Marktpreis bedeuten, dass alle gleitenden Durchschnitte nacheilende Indikatoren sind. Und werden hauptsächlich für folgende Trends verwendet. Sie funktionieren nicht gut mit Reichweitenmärkten und Perioden der Überlastung, weil die passenden Linien nicht einen Trend aufgrund eines Mangels an offensichtlich höheren Höhen oder niedrigeren Tiefs bezeichnen. Plus, passende Linien neigen dazu, konstant bleiben, ohne Andeutung der Richtung. Eine aufsteigende Montagelinie unterhalb des Marktes bedeutet eine lange, während eine sinkende Montagelinie oberhalb des Marktes ein kurzes bedeutet. (Für eine vollständige Anleitung, lesen Sie unsere Moving Average Tutorial.) Der Zweck der Verwendung eines einfachen gleitenden Durchschnitt ist es, zu erkennen und zu messen Trends durch Glättung der Daten mit Hilfe von mehreren Gruppen von Preisen. Ein Trend wird entdeckt und in eine Prognose hochgerechnet. Es wird davon ausgegangen, dass sich die bisherigen Trendbewegungen fortsetzen werden. Für den einfachen gleitenden Durchschnitt kann ein langfristiger Trend gefunden und gefolgt werden viel einfacher als eine EMA, mit der vernünftigen Annahme, dass die Anpassungslinie stärker als eine EMA-Linie aufgrund der längeren Fokussierung auf Mittelpreise halten wird. Eine EMA wird verwendet, um kürzere Trendbewegungen zu erfassen, aufgrund der Fokussierung auf die jüngsten Preise. Durch dieses Verfahren soll eine EMA jede Verzögerung in dem einfachen gleitenden Durchschnitt reduzieren, so dass die Anpassungslinie die Preise näher umschließt als ein einfacher gleitender Durchschnitt. Das Problem mit der EMA ist dies: Seine anfällig für Preisunterbrechungen, vor allem auf schnellen Märkten und Zeiten der Volatilität. Die EMA funktioniert gut, bis die Preise die passende Linie brechen. Bei höheren Volatilitätsmärkten könnte man erwägen, die Länge des gleitenden Durchschnittsbegriffs zu vergrößern. Man kann sogar von einer EMA zu einer SMA wechseln, da die SMA die Daten viel besser macht als eine EMA aufgrund ihres Fokus auf längerfristige Mittel. Trendindikatoren Als Nachlaufindikatoren dienen die gleitenden Mittelwerte als Unterstützungs - und Widerstandslinien. Wenn die Preise unter einer 10-tägigen Anpaßlinie in einem Aufwärtstrend brechen, sind die Chancen gut, dass der Aufwärtstrend schwächer werden kann, oder zumindest kann sich der Markt konsolidieren. Wenn die Preise über einen 10 Tage gleitenden Durchschnitt in einem Abwärtstrend brechen. Kann der Trend abnehmen oder konsolidieren. Verwenden Sie in diesen Fällen einen 10- und 20-Tage gleitenden Durchschnitt zusammen, und warten Sie, bis die 10-Tage-Linie über oder unter der 20-Tage-Linie zu überqueren. Dies bestimmt die nächste kurzfristige Richtung für die Preise. Für längere Zeiträume, beobachten Sie die 100- und 200-Tage gleitende Mittelwerte für längerfristige Richtung. Wenn man beispielsweise den 100- und 200-Tage-Gleitdurchschnitt verwendet, wenn der 100-Tage-Gleitende Durchschnitt unter dem 200-Tage-Durchschnitt überschreitet, nennt man ihn das Todeskreuz. Und ist sehr bärisch für die Preise. Ein 100-Tage-Gleitender Durchschnitt, der über einen 200-Tage gleitenden Durchschnitt kreuzt, wird das goldene Kreuz genannt. Und ist sehr bullisch für die Preise. Es spielt keine Rolle, wenn ein SMA oder eine EMA verwendet wird, weil beide Trend-folgende Indikatoren sind. Seine nur in der kurzfristigen, dass die SMA hat geringfügige Abweichungen von seinem Pendant, die EMA. Fazit Die gleitenden Durchschnitte sind die Grundlage der Diagramm - und Zeitreihenanalyse. Einfache gleitende Durchschnitte und die komplexeren exponentiellen gleitenden Durchschnitte helfen, den Trend zu visualisieren, indem sie Preisbewegungen ausgleichen. Technische Analyse wird manchmal als Kunst und nicht als Wissenschaft bezeichnet, die beide Jahre in Anspruch nehmen. (Weitere Informationen finden Sie in unserem Technical Analysis Tutorial.) Forecasting - Kapitel 4 Wie dieses Studium Set Erstellen Sie ein kostenloses Konto, um es zu speichern. Registrieren Sie sich für ein Konto Erstellen Sie ein Konto Prognose Die Kunst und Wissenschaft der Vorhersage zukünftiger Ereignisse, die gute Schätzungen. Mai beteiligt historische Daten (wie vergangene Verkäufe) und projizierten sie in die Zukunft mit einem mathematischen Modell. Subjektive oder intuitive Vorhersage. Basierend auf nachfragegesteuerten Daten (Kundenpläne zum Kauf und Projektion in die Zukunft). Oder Combo von diesen, ein mathematisches Modell angepasst von manager039s gutes Urteil. Gute Prognosen sind der wesentliche Bestandteil von Efficient Service und Manufacturing Operations Einflüsse von Prognosen Produkte Position in seinem Lebenszyklus - Umsatz sind in Intro, Wachstum, Reife oder Rückgang Stadium. Die Nachfrage nach einem verwandten Produkt Probleme beim Verschieben von Durchschnitten 1. Eine Erhöhung der Größe von n (Anzahl der gemittelten Perioden) gleicht die Fluktuationen besser aus, aber es macht das Verfahren weniger empfindlich gegenüber Änderungen in den Daten. 2. Gleitende Durchschnitte können nicht Trends sehr gut aufheben. Weil sie Mittelwerte sind, bleiben sie immer in den vergangenen Stufen und werden keine Änderungen an höheren oder niedrigeren Werten vorherzusagen. Lag-Istwerte. 3. Gleitende Durchschnitte erfordern umfangreiche Aufzeichnungen von vergangenen Daten. Exponentielle Glättung Gewichtete gleitende durchschnittliche Prognosetechnik, bei der Datenpunkte mit einer exponentiellen Funktion gewichtet werden Wenig Aufzeichnungen über vergangene Daten. Moving durchschnittliche und exponentielle Glättungsmodelle Als ein erster Schritt, über jenseits von Mittelwerten, zufälligen Fußmodellen und linearen Trendmodellen, nonseasonal, hinauszugehen Muster und Trends können mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-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 "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird in der Periode t (m1) / 2 zentriert, was bedeutet, daß die Schätzung des lokalen Mittels dazu neigt, hinter dem Wert zu liegen Wahren Wert des lokalen Mittels um etwa (m1) / 2 Perioden. Das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt ist also (m1) / 2 relativ zu der Periode, für die die Prognose berechnet wird: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten in der Region zu liegen Daten. Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Fußmodell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige Wandermodell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt er viel von der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das durchschnittliche Alter der Daten in dieser Prognose beträgt 3 ((51) / 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-term einfachen gleitenden Durchschnitt ausprobieren, erhalten wir sogar noch bessere Prognosen und mehr eine nacheilende Wirkung: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) / 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. Es sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. 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 des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufälligen Weg-Modell (ohne Wachstum) äquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang) Das Durchschnittsalter der Daten in der Simple-Exponential-Glättungsprognose beträgt 1/945 relativ zu dem Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1/945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 / 0,2961 3,4 Perioden, was ähnlich wie bei einem 6-Term-Simple Moving ist durchschnittlich. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird nur ein ARIMA-Modell mit einer Nicht-Seasonal-Differenz und einem MA (1) - Term mit einer Konstanten, d. h. einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel in Ordnung ist oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), und sie können modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, so würde dies die Prognose für Y in der Periode t1 sein.) Dann sei Squot die doppelt geglättete Folge, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, 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. Holt8217s Lineares Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die es anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstanten 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Durchschnittsalter der Daten, die für die Schätzung der lokalen Ebene der Serie verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1/946, wenn auch nicht exakt gleich es. In diesem Fall ergibt sich 1 / 0,006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, sondern sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 , So dass dieses Modell ist im Durchschnitt über eine ganze Menge Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Seitenanfang.) Heute morgen bin ich aufgewacht fragen (dies könnte aufgrund der Tatsache, dass letzte Nacht habe ich nicht viel Schlaf): seit Cross-Validierung scheint der Eckpfeiler der richtigen Zeitreihen-Prognose zu sein, was sind Die Modelle, die ich normalerweise gegenseitig bestätigen sollte, mit ein paar (leichten), aber ich erkannte bald, dass es sich um außergewöhnliche Fälle von ARIMA-Modellen handelte. Also frage ich mich, und das ist die eigentliche Frage, welche Vorhersagemodelle der Box-Jenknins-Ansatz bereits einbezieht. Lasst es mich so formulieren: Mittelwert ARIMA (0,0,0) mit konstantem Naive ARIMA (0,1,0) Drift ARIMA (0,1,0) mit Konstante Einfache Exponentialglättung ARIMA (0,1,1) Holts Exponentielle Glättung ARIMA (0,2,2) Dämpfelemente ARIMA (0,1,2) Additive Holt-Winters: SARIMA 0,1, m1) (0,1,0) m Was kann der vorherigen Liste hinzugefügt werden Gibt es eine Möglichkeit, die gleitende mittlere oder kleinste Quadrate Regression der ARIMA-Methode zu tun Wie auch andere einfache Modelle (sagen ARIMA (0, 1), ARIMA (1,0,0), ARIMA (1,1,1), ARIMA (1,0,1) usw.) Bitte beachten Sie, dass, zumindest für den Anfang, Im nicht interessiert, was ARIMA-Modelle können nicht. Im Moment möchte ich nur darauf konzentrieren, was sie tun können. Ich weiß, dass das Verständnis, was jeder Baustein in einem ARIMA-Modell sollte alle oben genannten Fragen beantworten, aber aus irgendeinem Grund habe ich Schwierigkeiten, das herauszufinden. Also habe ich gewidmet, um ein Reverse-Engineering Art von Ansatz zu versuchen. Jede Eingabe wird geschätzt, ich hoffe, dass ich meine Frage klar genug angegeben. Bruder der Box-Jenknins-Ansatz umfasst alle bekannten Prognosemodelle mit Ausnahme multiplikativer Modelle wie das Holt-Winston Multiplicative saisonale Modell, wobei der erwartete Wert auf einem Multiplikanden basiert. Das multiplikative saisonale Modell kann verwendet werden, um Zeitreihen zu modellieren, wo man die folgenden (meiner Meinung nach einen sehr ungewöhnlichen) Fall hat. Wenn die Amplitude der saisonalen Komponente / des Musters proportional zum durchschnittlichen Niveau der Reihe ist, kann die Reihe mit einer multiplikativen Saisonalität bezeichnet werden. Auch bei multiplikativen Modellen kann man diese oft als ARIMA-Modelle support. sas/documentation/cdl/en/etsug/60372/HTML/default/viewer. htmetsugtffordetsect014.htm darstellen und damit den Schirm vervollständigen. Da eine Übertragungsfunktion ein verallgemeinertes Minimum-Squares-Modell ist, kann sie auf ein Standardregressionsmodell reduzieren, indem die ARIMA-Komponente weggelassen wird und ein Satz von Gewichten angenommen wird, der benötigt wird, um die Fehlerstruktur zu homogenisieren. Beantwortet Feb 29 12 at 13:22 Drift: ARIMA (0,1,0) mit konstanten. Dämpfungs-Holts: ARIMA (0,1,2) Additive Holt-Winters: SARIMA (0,1, m1) (0,1,0) m. Allerdings verwendet HW nur drei Parameter und das (eher seltsame) ARIMA-Modell hat m1-Parameter. So gibt es eine Menge von Parameter-Einschränkungen. Die ETS (exponentielle Glättung) und ARIMA Klassen von Modellen überschneiden sich, aber weder ist in dem anderen enthalten. Es gibt viele nicht-lineare ETS-Modelle, die kein ARIMA-Äquivalent haben, und viele ARIMA-Modelle, die kein ETS-Äquivalent haben. Zum Beispiel sind alle ETS-Modelle nicht stationär. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) ist algebraisch äquivalent zu einem ARIMA (0,1,1) - Modell. Umgekehrt ist die EWMA ein besonderes Modell innerhalb der ARIMA-Klasse. In der Tat gibt es verschiedene Typen von EWMA-Modellen, die in die Klasse der ARIMA-Modelle (0, d, q) aufgenommen werden - siehe Cogger (1974). Die Optimalität der General-Order Exponentialglättung von K. O. Cogger. Unternehmensforschung. Vol. 22, Nr. 4 (Jul. - Aug. 1974), S. 858-867. Die Zusammenfassung für das Papier ist wie folgt: Dieses Papier leitet die Klasse der nichtstationären Zeitreihen-Darstellungen, für die exponentielle Glättung der willkürlichen Ordnung minimiert Mittel-Quadrat-Prognose-Fehler. Sie weist darauf hin, dass diese Darstellungen in der von Box und Jenkins entwickelten Klasse integrierter Bewegungsdurchschnitte enthalten sind. Was es ermöglicht, verschiedene Verfahren zum Schätzen der Glättungskonstante und zum Bestimmen der geeigneten Glättungsordnung anzuwenden. Diese Ergebnisse erlauben es ferner, daß das Prinzip der Parsimonie bei der Parametrisierung auf jede beliebige Wahl zwischen exponentieller Glättung und alternativen Vorhersageverfahren angewendet werden kann. Antwort # 1 am: Mai 28, 2008, um 8:19Wenn ist die ARIMA und exponentielle Glättung in Zeitreihen Diese beiden Modelle sind Auto Regressive Modelle, aber die exponentielle Glättung oder die doppelte exponentielle Glättung sind unterschiedlich. Für jede Autoregressive Moving Average-Serie sind die aufeinanderfolgenden Beobachtungen zeitbasiert oder zeitsequenziert. Daher haben diese Autokorrelation zwischen ihnen. Die Moving Averages für korrelierte Items werden auf unterschiedliche Weise berechnet, abhängig von der Art der Abhängigkeit der Beobachtungen. Im Falle der exponentiellen Glättung ist die aktuelle Beobachtung abhängig von der jüngsten mit maximalem Gewicht und dann sukzessive weniger bei früheren Beobachtungen. Die gleitenden Mittelwerte unterscheiden sich daher von einem regulären gleitenden Durchschnitt aus einer einfachen Auto-Regressiv-Reihe, wobei die Begriffe gleich gewichtet werden. 310 Aufrufe middot Ansicht Upvotes middot Antwort beantwortet von
No comments:
Post a Comment