Keskitetty Liikkuvan Keskiarvon Video

Kuinka voin siirtää liikkuvia keskiarvoja eteenpäin ja taaksepäin (wvideo) Liikkuvan keskiarvon siirtäminen ei ole niin hullua kuin saattaa vaikuttaa. Ensinnäkin kartellit voivat halutessaan verrata nykyisen päivän hintoja aikaisemman päivän liukuva keskiarvoa vastaan. Tätä varten on siirrettävä liikkuva keskiarvo eteenpäin yhden jakson ajan. Toiseksi 50 päivän liukuva keskiarvo on viimeisten viidenkymmenen päivän keskiarvo, ja jotkut kartistit haluavat näyttää tämän arvon keskellä 50 päivän jaksoa. Tätä kutsutaan myös keskitetyksi liikkuvaksi keskiarvoksi. Kartografit voivat siirtää liikkuvaa keskiarvoa eteen - tai taaksepäin lisäämällä pilkulle ja numerolle parametreja. Pisteen ja numeron lisääminen 50 päivän liukuvalle keskiarvolle (50,25) siirtäisi sen eteenpäin 25 jaksoa, jotka tekisivät sen tulevaisuudessa. Liikkuvaa keskiarvoa voidaan siirtää takaisin edellisellä numerolla miinusmerkillä (50, -25). Tämä siirtäisi liikkuvaa keskiarvoa takaisin 25 jaksoa, jotka tekisivät sen keskelle takaiskuaikaa (50 päivää). Yllä oleva kaavio näyttää normaalin 50 päivän SMA: n sinisenä, eteenpäin siirretyn liukuvan keskiarvon punaisena ja keskipitkän liukuvan keskiarvon vihreänä. SharpCharts-käyttäjät voivat myös siirtää liikkuvia keskiarvoja käyttäviä indikaattoreita. Näihin kuuluvat Bollingerin bändit, Keltner-kanavat, SMA-kirjekuoret ja hintakanavat. Yllä olevassa esimerkissä SMA-kirjekuoret siirtyvät eteenpäin yhden ajan (10,1,1). Ylimääräinen 1 lopussa on muuttuva parametri. Tämä tasaa nykyisen hintapalkin eilisen indikaattorin arvon kanssa. Tämä on hyödyllistä, jos haluat tietää, milloin tämänhetkinen hintakehitys on tarpeeksi rikkoa edellisen päivän indikaattoriarvon yläpuolella tai sen alapuolella. Keskimääräiset keskiarvot ja keskitetyt liukuvat keskiarvot Aikaissarjassa kausiluonteisuus saattaa toistaa, vaikka ne näyttäisivät selvältä. Yksi on se, että termi 8220season8221 ei välttämättä viitata vuoden neljän vuoden jaksoon, joka johtuu Earth8217s-akselin kallistumisesta. Ennustavaan analyysiin 8220season8221 tarkoittaa usein täsmälleen sitä, koska monet niistä ilmiöistä, joita tutkimme, vaihtelevat kevään etenemisen myötä talven aikana: talvi - tai kesävarusteiden myynti, tiettyjen laajalle levinneiden sairauksien esiintyminen, sääolosuhteiden aiheuttamat säätilat vesisuihkun virtaus ja muutokset veden lämpötilassa Itä-Tyynenmeren alueella ja niin edelleen. Samoin säännöllisesti esiintyvät tapahtumat voivat toimia kuten meteorologiset vuodenaikaa, vaikka niillä on vain vähäinen yhteys solstikseihin ja ravinnoksiin. Kahdeksan tunnin välein sairaaloissa ja tehtaissa ilmaantuu usein energian saannin ja energiankulutuksen esiintyvyys, kausi on kahdeksan tuntia ja kausikierros päivittäin, ei joka vuosi. Verojen eräpäivät merkitsevät dollarin tulvien alkua kunnallisiin, valtiollisiin ja liittovaltion kassaan, kausi voi olla vuoden pituinen (henkilökohtaiset tuloverot), kuusi kuukautta (verotus monissa valtioissa), neljännesvuosi (monet yritysverot ), ja niin edelleen. It8217 on hieman outoa, että meillä on sana 8220season8221 viitata yleisesti säännöllisesti toistuvaan ajanjaksoon, mutta ei yleistä termiä ajanjaksolle, jonka aikana tapahtuu yksi kokonainen vuodenaika. 8220Cycle8221 on mahdollista, mutta analyysissä ja ennusteessa termi on tavallisesti merkitty pituudeksi määrittelemätön pituus, kuten liikesykli. Ilman parempaa termiä I8217 käytti tässä ja seuraavissa luvuissa 8220, joka kattaa ajanjakson 8221. Tämä ei ole vain terminologiaa. Tapoja, joilla tunnistetaan vuodenaikojen ja ajanjakso, jonka aikana vuodenaikojen kääntymisellä on todellisia, joskus vähäisiä vaikutuksia siihen, miten voimme mitata niiden vaikutuksia. Seuraavissa osissa kuvataan, miten jotkut analyytikot vaihtavat liiketalouden keskiarvojen laskemista sen mukaan, onko kausien määrä pariton tai tasainen. Yksinkertaisten keskiarvojen käyttäminen liikuttavien keskiarvojen mukaan Oletetaan, että suuri kaupunki harkitsee liikennepoliisinsa uudelleen kohdentamista, jotta parannettaisiin paremmin ajettavan ajomukautuvuuden heikkenemistä, jota kaupunki uskoo lisääntyneen. Neljä viikkoa sitten tuli voimaan uusi lainsäädäntö, jolla laillistettiin marihuanan hallussapito ja virkistyskäyttö. Siitä lähtien DWI: n liikenteen pidätysten päivittäinen määrä näyttäisi nousevalta. Monimutkaiset seikat ovat se, että pidätysten määrä näyttää pieleen perjantaisin ja lauantaisin. Jotta voisit suunnitella työvoiman tarpeita tulevaisuuteen, sinun pitäisi ennustaa minkä tahansa taustalla olevan suuntauksen, että8217: t perustuvat. You8217d myös haluaa käyttää resurssejasi ottamaan huomioon viikonloppuihin liittyvän kausiluonteisuuden, joka 8217: s tapahtuu. Kuva 5.9 sisältää tarvittavat tiedot, joiden kanssa sinun on työskenneltävä. Kuva 5.9 Tällä tietosarjalla jokainen viikonpäivä muodostaa kauden. Jopa katsomalla vain kaaviota kuvassa 5.9. voit kertoa, että päivittäisten pidätysten määrä on nousussa. You8217llin on suunniteltava liikennöitsijöiden määrän lisäämistä ja toivon, että trendit tasoitetaan pian. Lisäksi tiedot herättävät käsityksen siitä, että pidätykset tapahtuvat rutiininomaisesti perjantaisin ja lauantaisin, joten resurssien kohdentamiseen on vastattava näihin piikkeihin. Mutta sinun on määriteltävä taustalla oleva suuntaus, jotta voit selvittää, kuinka monta muuta poliisia sinun on tuotava. Sinun on myös kvantifioitava odotettavissa olevat viikonloppukilometrit, jotta voit selvittää, kuinka monta muuta poliisi tarvitsee tarkkailla kuljettajia näinä päivinä. Ongelmana on se, että silti te ette tiedä, kuinka paljon päivittäisestä kasvusta johtuu trendistä ja siitä, kuinka paljon tämä viikonlopun vaikutus johtuu. Voit aloittaa irrottamalla aikasarjan. Aiemmin tässä luvussa, 8220Simple kausijulkaisut, 8221, näit esimerkin siitä, miten aikasarjaa voidaan vähentää kausittaisten vaikutusten eristämiseksi käyttämällä yksinkertaisia ​​keskiarvoja. Tässä osiossa voit selvittää liikkuvien keskiarvojen käyttäminen todennäköisesti, liikkuva keskiarvoista lähestymistapaa käytetään useammin ennustaviin analyyseihin kuin yksinkertaisen keskiarvon lähestymistapa. Liikkuvien keskiarvojen suosion lisäämisen syynä on useita syitä, että liikkuvan keskiarvon lähestymistapa ei pyydä sinua romahtamaan tietojasi trendin kvantifiointiprosessissa. Muistathan, että aiemmassa esimerkissä oli tarpeen laskea vuosineljänneksittäin keskimäärin vuosineljänneksittäin, laskea vuotuinen kehitys ja jakaa neljännes vuotuisesta kehityksestä kunkin vuosineljänneksen aikana. Tämä askel oli tarpeen kausittaisten vaikutusten poistamiseksi. Sitä vastoin liikkuvan keskiarvon lähestymistapa antaa sinulle mahdollisuuden säätää aikasarjoja käyttämättä tällaista työstämistä. Kuvassa 5.10 esitetään, miten liikkuvan keskiarvon lähestymistapa toimii tässä esimerkissä. Kuva 5.10 Toisen kaavion liukuva keskiarvo selkiyttää taustalla olevaa suuntausta. Kuva 5.10 lisää liikkuvan keskiarvon sarakkeen ja sarakkeen tiettyihin kausiluontoihin. kuvassa 5.9 esitettyyn dataan. Molemmat lisäykset edellyttävät jonkin verran keskustelua. Viikonloppuisin pidätyissä piikkeissä on syytä uskoa, että työskentelet vuodenaikoina, jotka toistuvat kerran viikossa. Aloita näin saattamalla keskimääräinen keskiarvo koko ajanjaksolle8212 eli seitsemän ensimmäistä seitsemää vuodenaikaa maanantaista sunnuntaihin. D5: n keskimääräinen kaava, ensimmäinen käytettävissä oleva liukuva keskiarvo, on seuraava: Tämä kaava kopioidaan ja liitetään alaspäin solun D29 kautta, joten sinulla on 25 liukuvaa keskiarvoa, jotka perustuvat 25: n seitsemän peräkkäisen päivän kulkuun. Huomaa, että aikasarjojen ensimmäisten ja viimeisten havaintojen näyttämiseksi olen piilotanut rivit 10-17. Voit tarkastella niitä, jos haluat, tämän luvun 8217-työkirjasta, joka on saatavana julkaisijan8217s-verkkosivustolta. Tee useita valittuja näkyviä rivejä 9 ja 18, napsauta hiiren kakkospainikkeella yhtä rivin otsikoista ja valitse pikavalikosta Unhide. Kun piilotat taulukon 8217 rivit, kuten kuvassa 5.10. kaikki piilotettujen rivien kartoitetut tiedot on myös piilotettu kaaviossa. X-akselin etiketit tunnistavat vain datapisteet, jotka näkyvät kaaviossa. Koska kutakin liikkuvan keskiarvon kuvassa 5.10 on seitsemän päivää, liikkuvia keskiarvoja ei ole paritettu kolmen ensimmäisen tai kolmen viimeisen havainnon kanssa. Kaavan D5 kopioiminen ja liittäminen yhteen päivään soluun D4 vie sinut pois havainnoista 8212, joten solussa C1 ei ole havaittu havaintoa. Samalla tavalla ei ole liikkuvia keskiarvoja, joka on tallennettu solun D29 alle. Kaavojen kopiointi ja liittäminen D29: een D30: een edellyttäisi havainnointia solussa C33 eikä havainnointia ole käytettävissä päivälle, joka solu edustaa. Tietenkin olisi mahdollista lyhentää liikkuvan keskiarvon pituutta esimerkiksi viiteen seitsemän sijasta. Joten tämä merkitsisi sitä, että kuvion 5.10 liikkuvat keskimääräiset kaavat voisivat alkaa solussa D4 D5: n sijaan. Tämäntyyppisessä analyysissä kuitenkin haluat, että liikkuva keskiarvo on yhtä suuri kuin vuodenaika: seitsemän päivää viikossa viikoittain toistuvissa tapahtumissa merkitsee liikkuvan keskiarvon pituuden seitsemän ja neljän neljänneksen vuodessa tapahtumista, jotka toistuvat vuosittain merkitsee liikkuvan keskiarvon pituutta neljä. Samanlaisia ​​linjoja pitkin mitataan yleensä kausivaihteluja siten, että ne ovat yhteensä nollan sisällä koko ajan. Kuten näit tämän luvun 8217 ensimmäisessä osassa, yksinkertaisista keskiarvoista, tämä tehdään laskemalla neljän vuosineljänneksen keskiarvo vuodessa ja vähentämällä sitten kunkin vuosineljänneksen keskiarvo vuodelta. Näin varmistetaan, että kausittaisten vaikutusten kokonaismäärä on nolla. Toisaalta, että8217s on hyödyllinen, koska se asettaa kausivaihteluita yhteiseen footing8212a-kesävaikutukseen 11 on niin kaukana keskiarvosta kuin 821111 talvivaikutus. Jos haluat keskimäärin viisi vuodenaikaa seitsemän sijasta liikuttamaan keskimäärin, löytää ilmiön, joka toistuu viiden vuoden välein jokaisen seitsemän sijasta. Kuitenkin, kun otat keskimääräisen kausivaihtelut myöhemmin, nämä keskiarvot eivät todennäköisesti ole nollaa. It8217 tarvitsee tuolloin kalibroida tai normalisoida. keskiarvot niin, että niiden summa on nolla. Kun se8217s suoritetaan, keskimääräiset kausivaihteluvälit ilmaisevat vaikutuksen tiettyyn kausiin kuuluvaan ajanjaksoon. Kun normaaliarvo on normalisoitu, kausivaihteluita kutsutaan kausiluonteisiksi indeksiin, jotka tämä luku on jo maininnut useita kertoja. Voit katsoa, ​​miten se toimii myöhemmin tässä luvussa, 8220Designing the Series with Moving Meanages.8221 Specific Seasonals - kuvojen ymmärtäminen Kuva 5.10 näyttää myös, mitä kutsutaan sarakkeessa E kausiksi. Ne ovat what8217 jäljellä, kun vähennetään liikkuvan keskiarvon todellisesta havainnoinnista. Jotta saisit käsityksen siitä, mitä erityiset kausivaihtelut edustavat, harkitse liikkuvan keskiarvon solussa D5. Se on C2: C8: n havaintojen keskiarvo. Jokaisen havainnon poikkeamat liikkuvasta keskiarvosta (esimerkiksi C2 8211 D5) taataan summa nollaksi 8212, joka on keskiarvon tunnuspiirre. Siksi jokainen poikkeama ilmaisee vaikutuksen, joka liittyy siihen tiettyyn päivään kyseisen viikon aikana. It8217s on erityinen kausittainen, sitten8212tyyppinen, koska poikkeama koskee sitä tiettyä maanantaia tai tiistaina ja niin edelleen, ja kausiluonteista, koska tässä esimerkissä me hoidamme joka päivä yhtä ikään kuin se oli kausi koko viikon ajan. Koska jokainen yksittäinen kausittainen toimenpide vaikuttaa siihen, että kyseisen kauden (tässä) seitsemän seitsemän vuoden ryhmän liikkuvaa keskiarvoa voidaan keskimäärin laskea tietyn kauden (esim. Kaikki perjantaina) aikasarja) arvioimaan, että kausi8217 on yleistä eikä erityistä vaikutusta. Tätä keskiarvoa ei häiritse aikasarjojen taustalla oleva trendi, koska jokainen kausittainen ilmaisee poikkeaman omasta erityisestä liikkuvasta keskiarvostaan. Liukuvien keskiarvojen yhdenmukaistaminen On myös kysymys liikkuvien keskiarvojen ja alkuperäisen datasarjan kohdistamisesta. Kuviossa 5.10. Olen kohdistanut jokaisen liikkuvan keskiarvon siihen keskimääräiseen havainnointiin, johon se sisältää. Niinpä esimerkiksi solussa D5 oleva kaava laskee havainnot C2: C8: ssä ja olen kohdistanut sen neljänteen havaintoon keskimääräisen alueen keskipisteenä sijoittamalla se riville 5. Tätä järjestelyä kutsutaan keskitetyksi liukuvalle keskiarvolle . ja monet analyytikot haluavat kohdistaa jokaisen liikkuvan keskiarvon keskimäärin havaintojen keskikohtaan. Muista, että tässä yhteydessä 8220midpoint8221 viittaa keskipitkällä aikavälillä: torstai on keskipiste maanantaista sunnuntaihin. Se ei viittaa havaittujen arvojen mediaaniin, vaikka tietenkin se saattaisi olla käytännössä niin. Toinen lähestymistapa on jäljessä oleva liukuva keskiarvo. Tällöin jokainen liukuva keskiarvo on linjassa viimeisen havainnon kanssa, että se keskiarvoa8212 ja siksi se kulkee perustelujensa taakse. Tämä on usein suositeltava järjestely, jos haluat käyttää liukuvaa keskiarvoa ennusteena, kuten eksponentiaalisella tasoituksella, koska viimeinen liikkuva keskiarvo on sama kuin lopullinen käytettävissä oleva havainto. Keskitetyt liikkuvat keskiarvot, joissa on jopa numeroita vuodenaikoina Käytämme yleensä erityismenetelmää, kun kausien määrä on jopa epätodellinen. Tyypillinen tilanne: Tänä aikana tyypillisiä kausia, kuten kuukausia, neljäsosaa ja neljännesvuosia (vaaleja), on taipumus olla jopa useita vuodenaikoja. Vaikeus parillisella määrällä vuodenaikoja on, että keskipiste ei ole. Kaksi ei ole alueen keskipiste, joka alkaa 1: sta ja päättyy 4: een, eikä kumpikaan ole 3, jos voidaan sanoa olevan yksi, sen keskipiste on 2,5. Kuusi ei ole keskipiste 1-12 eikä kumpikaan ole 7 sen puhtaasti teoreettinen keskikohta on 6,5. Jotta keskipiste olisi olemassa, sinun tarvitsee lisätä keskimääräinen kerros liikkuvista keskiarvoista. Katso kuvaa 5.11. Kuva 5.11 Excel tarjoaa useita tapoja laskea keskitetty liukuva keskiarvo. Ajatus tähän lähestymistapaan liikkumattoman keskiarvon saamiseksi keskittyy olemassa olevaan keskipisteeseen, kun se on parillista vuodenaikaa, vetämään puoliväliin puoliväliin. Lasketaan liikkuva keskiarvo, joka olisi keskittynyt esimerkiksi kolmanteen vaiheeseen, jos viisi seitsemää sijasta neljän sijaan muodosti yhden kalenterin täydellisen käännöksen. That8217s tehdään ottamalla kaksi peräkkäistä liukuvaa keskiarvoa ja keskiarvoilla niitä. Joten kuvassa 5.11. Siinä on liikkuva keskiarvo solussa E6, joka keskiarvoa arvot D3: D9: ssä. Koska D3: D9: ssä on neljä kausivaihtelua, E6: n liukuva keskiarvo on keskitettävä kuvitteelliseen kauteen 2.5, puoleen pisteeseen verrattuna ensimmäiseen käytettävissä olevaan ehdokasjaksoon. 3. (Vuodenajat 1 ja 2 eivät ole keskipisteinä datan puute keskimäärin ennen kausi 1.) Huomaa kuitenkin, että liikkuva keskiarvo solussa E8 laskee keskiarvot D5: D11: ssä, toisessa viidennestä aikasarjassa. Tämä keskiarvo keskittyy (kuvitteellinen) pisteeseen 3.5, täysi aika ennen keskiarvoa on keskimäärin 2,5. Keskimäärin kahdella liukuvalla keskiarvolla, joten ajattelu menee, voit vetää ensimmäisen liikkuvan keskiarvon keskipisteen eteenpäin puoli pistettä, 2,5-3. That8217s, mitä keskiarvot kuvion 5.11 sarakkeessa F. Solu F7 antaa keskimääräiset liukuvat keskiarvot E6: ssä ja E8: ssa. Ja F7: n keskiarvo on samassa linjassa alkuperäisen aikasarjojen kolmannen datapisteen kanssa solussa D7 korostaen, että keskimääräinen keskiarvo on kyseisellä kaudella. Jos laajennat kaavan soluun F7 samoin kuin liikkuvien keskiarvojen soluissa E6 ja E8, näet, että se osoittautuu aikasarjojen viiden ensimmäisen arvon painotetuksi keskiarvoksi, jolloin ensimmäisellä ja viidennellä arvolla on paino 1 ja toisesta neljännestä arvoista, joiden paino on 2. Tämä johtaa meidät nopeampaan ja yksinkertaisempiin tapoihin laskea keskitetty liikkuva keskiarvo parillisella vuodenaikojen lukumäärällä. Vielä kuvassa 5.11. painot tallennetaan alueelle H3: H11. Tämä kaava palauttaa ensimmäisen keskitetyn liukuvan keskiarvon solussa I7: Tämä kaava palauttaa 13,75. joka on identtinen solu F7: n kaksinkertaisen keskimääräisen kaavan laskemalla arvolla. Viittaus absoluuttisiin painoihin dollarin merkkien avulla H3: ssa H11. voit kopioida kaavan ja liittää sen alaspäin niin pitkälle kuin on tarpeen, jotta saadaan muut keskitetyt liukuvat keskiarvot. Sarjan määrittäminen liukuva keskiarvot Kun olet vähentänyt liukuvat keskiarvot alkuperäisistä havainnoista saadaksesi tiettyjä kausia, olet poistanut sarjan taustalla olevan trendin. What8217 on jäljellä tietyissä kausiluonteissa on yleensä kiinteä, horisontaalinen sarja, jossa on kaksi vaikutusta, jotka aiheuttavat tiettyjen kausien poikkeamisen täysin suorasta viivasta: kausivaihtelut ja satunnaiset virheet alkuperäisissä havainnoissa. Kuva 5.12 esittää tämän esimerkin tulokset. Kuva 5.12 Erityiset kausivaihtelut perjantaina ja lauantaina ovat selkeitä. Kuviossa 5.12 ylempi kaavio esittää alkuperäiset päivittäiset havainnot. Sekä yleinen nouseva trendi että viikonloppu kausiluonteiset piikit ovat selkeitä. Alempi kaavio näyttää erityiset kausit: tulos alkuperäisen sarjan hävittämisestä liikkuvaa keskimääräistä suodatinta käyttäen, kuten aiemmin 8220: ssa on kuvattu erityisiä kausiluontoja.8221 Voit nähdä, että detrended-sarja on nyt lähes horisontaalinen (lineaarinen trendiviiva tietyille vuodenaikoille on lievä alaspäin ajautuva), mutta kausiluonteiset perjantai - ja lauantain piikit ovat edelleen paikallaan. Seuraava askel on siirtyä kausiluonteisten kausien yli kausittaisiin indekseihin. Katso kuva 5.13. Kuva 5.13 Erityiset kausiluonteiset vaikutukset lasketaan ensin keskiarvoon ja normalisoidaan kausittaisten indeksien saavuttamiseksi. Kuvassa 5.13. Sarakkeen E erityiset kausitavat järjestetään uudelleen taulukon muodossa, joka on esitetty alueelle H4: N7. Tarkoituksena on yksinkertaisesti laskea kausivaihteluiden keskiarvo. Nämä keskiarvot on esitetty H11: N11: ssä. Kuitenkin luvut H11: N11 ovat keskiarvoja, ei poikkeamia keskiarvosta, ja siksi emme voi odottaa niiden summaa nollaksi. Meidän on vielä sopeuduttava niihin niin, että ne ilmaisevat poikkeamia suuresta keskitasosta. Tämä suuri keskiarvo esiintyy solussa N13, ja se on kausivaihteluiden keskiarvo. Voimme saavuttaa kausiluonteiset indeksit vähentämällä N13: n suuren keskiarvon jokaisesta kausivaihtelusta. Tulos on alueella H17: N17. Nämä kausiluonteiset indeksit eivät enää ole spesifisiä tietylle liikkuvalle keskiarvolle, kuten on tapahtunut sarakkeen E erityiskausien kanssa. Koska ne ovat kunkin kauden kunkin esiintymän keskiarvona, ne ilmaisevat tietyn kauden keskimääräisen vaikutuksen koko neljä viikkoa aikasarjassa. Lisäksi ne ovat kauden mittauksia, jolloin liikenteen pidätykset ovat 224-vuotiaita keskimäärin seitsemän päivän ajan. Voimme nyt käyttää näitä kausiluonteisia indeksejä dezasonoitumaan sarjasta. We8217ll käyttää deseasonalisoitua sarjaa, jotta saadaan ennusteita lineaarisen regression tai Holt8217s-menetelmällä trendoitujen sarjojen tasoittamiseksi (käsitellään luvussa 4). Sitten lisäämme kausiluonteiset indeksit takaisin ennusteisiin, jotta ne voidaan koota uudelleen. Kaikki tämä näkyy kuvassa 5.14. Kuva 5.14 Kun olet kausittaiset indeksit, tässä kuvatut viimeistelyominaisuudet ovat samat kuin yksinkertaisten keskiarvojen menetelmällä. Kuviossa 5.14 esitetyt vaiheet ovat suurelta osin samoja kuin kuvissa 5.6 ja 5.7. käsitellään seuraavissa osissa. Havaintojen kaksitasoistaminen Vähennä kausittaiset indeksit alkuperäisistä havainnoista datan kaksisuuntaiseksi laskemiseksi. Voit tehdä tämän kuvan 5.14 mukaisesti. jossa alkuperäiset havainnot ja kausittaiset indeksit on järjestetty kahteen luetteloon, jotka alkavat samassa rivissä sarakkeissa C ja F. Tämä järjestely tekee laskemien rakenteen helpoksi. Voit myös tehdä vähentämisen kuten kuvassa 5.6 on esitetty. jossa esitetään alkuperäiset neljännesvuosittaiset havainnot (C12: F16), neljännesvuosittaiset indeksit (C8: F8) ja deseasonalisoidut tulokset (C20: F24) taulukkomuodossa. Tämän järjestelyn avulla on hieman helpompi keskittyä kausiluonteisiin indekseihin ja kausipuheluihin neljännesvuosiksi. Ennuste kausitasoituneista havainnoista kuviossa 5.14. deseasonalisoidut havainnot ovat sarakkeessa H ja kuviossa 5.7 ne 8217 ovat sarakkeessa C. Riippumatta siitä, haluatko käyttää regressio-lähestymistapaa tai tasoittavaa lähestymistapaa ennusteeseen, it8217 on paras järjestää deseasonalisoidut havainnot yhdellä sarakkeella. Kuviossa 5.14. ennusteet ovat sarakkeessa J. Seuraava sarja kaava on syötetty alueelle J2: J32. Aiemmin tässä luvussa huomautin, että jos jätät x-arvojen argumentin TREND () - funktiosta8217s-argumentteista, Excel toimittaa oletusarvot 1. 2. n. jossa n on y-arvojen määrä. Aikaisemmin annetussa kaavassa H2: H32 sisältää 31 y-arvot. Koska argumentti, joka yleensä sisältää x-arvot puuttuu, Excel toimittaa oletusarvot 1. 2. 31. Nämä arvot haluamme käyttää joka tapauksessa sarakkeessa B, joten annettu kaava vastaa TREND (H2: H32, B2: B32). Ja se8217s on kuvion 5.7 D5: D24: ssä käytetty rakenne: Yksivaiheisen ennusteen tekeminen Tähän mennessä olet määrittänyt kuviossa 5.14 esitetyistä deseasonalisoiduista aikasarjoista ennusteita t1 - t31. ja t1-t20 kuvasta 5.7. Nämä ennusteet ovat hyödyllisiä tietoja eri tarkoituksiin, mukaan lukien ennusteiden tarkkuuden arviointi RMSE-analyysillä. Mutta tärkein tarkoitus on ennustaa vähintään seuraava, vielä havaitsematon ajanjakso. Saadaksesi tämän, voit ensin ennustaa TREND () tai LINEST () - toiminnon avulla, jos käytät regressiota tai eksponentiaalisen tasauskaavan avulla, jos käytät Holt8217s-menetelmää. Sitten voit lisätä kausiluonteisen indeksin regressioon tai tasoitusennusteeseen saadaksesi ennusteen, joka sisältää sekä trendin että kausivaihtelun. Kuviossa 5.14. saat regressioennusteen solussa J33 tällä kaavalla: Tässä kaavassa y: n arvot H2: H32: ssa ovat samat kuin muissa TREND () kaavoissa sarakkeessa J. Joten ovat (oletus) x-arvot 1 kautta 32. Nyt kuitenkin toimitat uuden x-arvon funktion8217 kolmanneksi argumentiksi, jonka sanot TREND () etsiä solussa B33. It8217s 32. seuraava arvo t. Ja Excel palauttaa arvon 156.3 solussa J33. Solun J33 TREND () - toiminto kertoo Excelin käytännössä 8220Lasketaan regressioyhtälö arvojen H2: ssa: H32 regressoitiin t-arvoilla 1 - 31. Käytä tätä regressioyhtälöä uuteen x-arvoon 32 ja palauta tulos.8221 You8217ll löytää saman lähestymistavan, joka otettiin kuvan 5.7 solusta D25. jossa kaava saada yksiennätysennuste on seuraava: Kausittaisten indeksien lisääminen takaisin Viimeisenä vaiheena on ennustaa uudelleenarvostelu lisäämällä kausivaihteluindeksiä trendisuunnitelmaan, kääntämällä sen, mitä teit nelinkertaisesti takaisin, kun vähennät indeksit alkuperäisistä havainnoista. Tämä tehdään sarakkeessa F kuviossa 5.7 ja sarakkeessa K kuviossa 5.14. Don8217t unohda lisätä sopivan kausivaihtelun yhden askeleen ennakkoennusteen mukaan, kun tulokset esitetään solussa F25 kuviossa 5.7 ja solussa K33 kuviossa 5.14. (I8217 varjosti yksivaiheiset solut sekä kuvissa 5.7 että kuvassa 5.14 korostamaan ennusteet.) Kaaviot, joista ilmenee kolme liikennetiedonsiirron kuvausta kuviossa 5.15. deseasonalisoidusta sarjasta, lineaarisesta ennusteesta deseasonalisoiduista tiedoista ja reseasonalisoiduista ennusteista. Huomaa, että ennusteissa otetaan huomioon sekä alkuperäisten tietojen yleinen suuntaus että sen perjantai-piikit. Kuva 5.15 Ennusteiden kartoittaminen. Keskimäärän toiminnon siirtäminen resultmovingmean (data, window, dim, option) laskee datamatriisitiedon keskitetyn liukuvan keskiarvon ikkunassa, joka on määritetty dim dimensioissa, käyttäen vaihtoehtoa määritettyä algoritmia. Himmennys ja lisävaruste ovat valinnaisia ​​tuloja ja oletusarvona 1. Himmennys ja valinnaiset lisävarusteet voidaan ohittaa kokonaan tai ne voidaan korvata a. Esimerkiksi liikemekanismi (data, ikkuna) antaa samat tulokset kuin liikkuva ohjaus (data, ikkuna, 1,1) tai liikkuva ohjaus (data, window, 1). Sisääntulotietomatriisin kokoa ja ulottuvuutta rajoittaa vain alustan enimmäismatriisikoko. Ikkunan on oltava kokonaisluku ja sen pitäisi olla outoa. Jos ikkuna on tasainen, se pyöristetään alimmalle parittomalle numerolle. Toiminto laskee keskimääräisen keskikohdan ja (ikkuna-1) 2 elementtien yhdistämisen ennen ja jälkeen määrätyssä mitassa. Matriisin reunoilla elementtien määrä on vähennetty ennen tai jälkeen, jolloin todellinen ikkuna on pienempi kuin määritetty ikkuna. Toiminto jakautuu kahteen osaan, 1d-2d-algoritmiin ja 3d-algoritmiin. Tämä toteutettiin ratkaisun nopeuden optimoimiseksi, erityisesti pienemmissä matriiseissa (eli 1000 x 1). Edelleen useita eri algoritmeja 1d-2d - ja 3d-ongelmiin annetaan, koska tietyissä tapauksissa oletusalgoritmi ei ole nopein. Tämä tapahtuu tyypillisesti, kun matriisi on hyvin laaja (eli 100 x 100000 tai 10 x 1000 x 1000) ja liikkuva keskiarvo lasketaan lyhyemmässä mittakaavassa. Koko, jonka oletusalgoritmi on hitaampi, riippuu tietokoneesta. MATLAB 7.8 (R2009a) Tunnisteet tästä tiedostosta Ole hyvä ja kirjaudu tagitiedostoihin. Ole hyvä ja kirjaudu sisään lisätäksesi kommentin tai arvosanan. Kommentit ja arvosanat (8) Toiminto käsittelee loppua leikkaamalla ikkunan alareunan tai johtavan osan ja siirtymällä johtavaan tai jälkikäteen liikkuvaan keskiarvoon keskitetyn sijasta. Jos haluat kommentoidasi esimerkkiin, jos ikkunan koko on 3, niin keskellä 1 funktion keskiarvot pisteiden 1 ja 2 keskimääräiset tiedot 2 pistettä 1, 2 ja 3 keskiarvon keskiarvo on 9 pistettä 8, 9 ja 10 keskiarvoilla ja keskiarvolla 10 (oletetaan, että vektorilla on 10 merkintää) pisteitä 9 ja 10 keskiarvoina. Miten liikemassa käsitellään päistä Onko se alkamassa ikkunan koosta, joka kattaa vain pisteen 1 kohdasta 1, sitten 3 pistettä pisteessä 2 ja kasvattaa sitten ikkunan kokoa, kunnes ikkunan koko on määritetty funktion sisään Kiitos. Nizza ja yksinkertainen. Kiitos. Hyvä työ Erittäin hyödyllinen kuten Stephan Wolf sanoi. Juuri mitä etsin. Keskitetty liukuva keskiarvo, joka pystyy työskentelemään koko leveydelle ilman, että tarvitsee etsiä suodattimen ikkunakokoa ja siirtää alkua. Suuri tekniikan ja tieteen vauhdittaminen MathWorks on alansa insinöörien ja tutkijoiden matemaattisten tietojenkäsittelyohjelmistojen johtava kehittäjä. Liikkuva keskiarvot: Mitä heistä suosituimmista teknisistä indikaattoreista käytetään, liikkuvien keskiarvojen avulla voidaan mitata nykyisen kehityksen suunta. Jokainen liikkuvan keskiarvon tyyppi (joka on yleisesti kirjoitettu tässä opetusohjelmassa MA: ksi) on matemaattinen tulos, joka lasketaan keskimäärin useista aiemmista datapisteistä. Kun määritetty, tuloksena oleva keskiarvo piirretään kaaviolle, jotta toimijat voivat tarkastella tasoitettuja tietoja pikemminkin kuin keskittyä päivittäisiin hintavaihteluihin, jotka ovat ominaisia ​​kaikilla rahoitusmarkkinoilla. Liikkuvan keskiarvon yksinkertaisin muoto, joka tunnetaan tavallisesti yksinkertaisena liukuva keskiarvona (SMA), lasketaan ottamalla tietyn arvoryhmän aritmeettinen keskiarvo. Esimerkiksi 10 päivän liukuvan keskiarvon laskemiseksi laskettaisiin viimeisten 10 päivän päätöskurssi ja jaetaan tulos 10: lla. Kuviossa 1 viimeisten 10 päivän (110) hintojen summa on jaettuna päivien (10) määrällä 10 päivän keskiarvon saavuttamiseksi. Jos elinkeinonharjoittaja haluaa nähdä sijaan 50 päivän keskiarvon, samaa laskentatyyppiä tehtäisiin, mutta se sisältäisi hinnat viimeisten 50 päivän aikana. Tuloksena saatu keskiarvo alle (11) ottaa huomioon viimeiset 10 datapistettä, jotta toimijat saisivat käsityksen siitä, miten omaisuus on hinnoiteltu viimeisten 10 päivän aikana. Ehkä olet ihmettelevät, miksi tekniset toimijat kutsuvat tätä työkalua liikkumattomaksi keskiarvoksi eikä vain säännölliseksi keskiarvoksi. Vastauksena on, että kun uudet arvot tulevat saataville, vanhimmat datapisteet on pudonnut sarjasta ja uudet datapisteet tulevat korvaamaan ne. Siten datajoukko siirtyy jatkuvasti uusien tietojen huomioon otta - miseksi, kun se tulee saataville. Tällä laskentamenetelmällä varmistetaan, että vain nykyiset tiedot otetaan huomioon. Kuviossa 2, kun 5: n uusi arvo lisätään joukkoon, punainen laatikko (edustaa 10 viimeistä datapistettä) siirtyy oikealle ja 15 viimeinen arvo lasketaan laskemasta. Koska 5: n suhteellisen pieni arvo korvaa korkean 15: n arvon, oletan, että tietojoukon keskiarvo pienenee, mikä tässä tapauksessa on 11-10. Mitä liikkuvat keskiarvot näyttävät? MA on laskettu, ne on piirretty kaaviolle ja liitetty sitten liukuvan keskiarvon muodostamiseksi. Nämä kaarevat linjat ovat yleisiä teknisten kauppiaiden kaavioissa, mutta niiden käyttö voi vaihdella voimakkaasti (lisätietoja tästä myöhemmin). Kuten kuvassa 3 on nähtävissä, on mahdollista lisätä useampia liikkuvia keskiarvoja mihin tahansa kaavioon säätämällä laskennassa käytettävien aikajaksojen lukumäärää. Nämä kaarevat linjat saattavat tuntua häiritsevältä tai hämmentäviltä aluksi, mutta sinun tulee tottua heihin ajan myötä. Punainen rivi on yksinkertaisesti keskimääräinen hinta viimeisten 50 päivän aikana, kun taas sininen viiva on keskimääräinen hinta viimeisten 100 päivän aikana. Nyt kun ymmärrät, mikä liikkuva keskiarvo on ja miltä se näyttää, ottakaamme käyttöön toisenlaisen liikkuvan keskiarvon ja selvitämme, miten se eroaa edellä mainitusta yksinkertaisesta liikkuvasta keskiarvosta. Yksinkertainen liukuva keskiarvo on erittäin suosittu kauppiaiden keskuudessa, mutta kuten kaikki tekniset indikaattorit, sillä on myös kriitikot. Monet ihmiset väittävät, että SMA: n hyödyllisyys on rajoitettu, koska tietosarjan jokaisen pisteen painotus on sama riippumatta siitä, missä se tapahtuu sekvenssissä. Kriitikot väittävät, että viimeisimmät tiedot ovat merkittävämpiä kuin vanhemmat tiedot, ja niillä pitäisi olla suurempi vaikutus lopputulokseen. Vastauksena tähän kritiikkiin kauppiaat alkoivat painottaa viimeaikaisia ​​tietoja, jotka ovat johtaneet siihen, että keksittiin erilaisia ​​uudenlaisia ​​keskiarvoja, joista suosituin eksponentiaalinen liukuva keskiarvo (EMA). (Lue lisää painotettujen keskiarvojen perusasiakirjoista ja mitkä ero SMA: n ja EMA: n välillä) Eksponentiaalinen liukuva keskiarvo Eksponentiaalinen liukuva keskiarvo on liikkuvan keskiarvon tyyppi, joka antaa viimeaikaisille hinnoille enemmän painoarvoa, uuteen tietoon. EMA: n laskemisen hieman monimutkaisen yhtälön oppiminen saattaa olla tarpeetonta monille kauppiaille, koska lähes kaikki kartoituspaketit tekevät laskelmat sinulle. Mutta matemaattiset geeksit siellä ovat EMA-yhtälö: Kun käytät kaavaa EMA: n ensimmäisen pisteen laskemiseen, saatat huomata, että edellisen EMA: n käyttöä ei ole käytettävissä. Tämä pieni ongelma voidaan ratkaista laskemalla laskenta yksinkertaisella liikkuva keskiarvolla ja jatkamalla yllä olevaa kaavaa. Olemme toimittaneet sinulle esimerkin laskentataulukon, joka sisältää todellisia esimerkkejä siitä, kuinka laskea sekä yksinkertainen liukuva keskiarvo että eksponentiaalinen liukuva keskiarvo. EMA: n ja SMA: n välinen ero Nyt kun olet ymmärtänyt paremmin SMA: n ja EMA: n laskemisen, voit tarkastella, miten nämä keskiarvot eroavat toisistaan. Tarkastellessasi EMA: n laskemista huomaat, että viimeaikaisissa tietopisteissä korostetaan enemmän painotettua keskiarvoa. Kuviossa 5 kullakin keskiarvolla käytetyt aikajaksot ovat identtisiä (15), mutta EMA reagoi nopeammin muuttuviin hintoihin. Huomaa, miten EMA: lla on suurempi arvo, kun hinta nousee ja laskee nopeammin kuin SMA, kun hinta laskee. Tämä reagointikyky on tärkein syy, miksi monet toimijat haluavat käyttää EMAa SMA: n kautta. Mitä eri päivät keskimäärin Siirtyvät keskiarvot ovat täysin muokattavissa oleva indikaattori, mikä tarkoittaa, että käyttäjä voi vapaasti valita haluamansa aikataulun keskiarvoa luotaessa. Yleisimmät liukuva keskiarvot ovat 15, 20, 30, 50, 100 ja 200 päivää. Mitä lyhyempi ajanjakso, jota käytetään keskimäärän luomiseen, sitä herkempi on hintamuutokset. Mitä pitempi on aika, vähemmän herkkä tai tasaisempi, keskimääräinen on. Ei ole oikeaa aikataulua, jota voit käyttää liikkuvien keskiarvojen määrittämisessä. Paras tapa selvittää, mikä toimii parhaiten sinun on kokeilla useita eri aikavälejä, kunnes löydät strategiasi sopivan.