Utjevning Eksponentiell Moving Average

Prognose ved utjevningsteknikker. Dette nettstedet er en del av JavaScript E-labs læringsobjekter for beslutningstaking. Andre JavaScript i denne serien er kategorisert under forskjellige anvendelsesområder i MENU-delen på denne siden. En tidsrekkefølge er en sekvens av observasjoner som bestilles i tide Uheldig i samlingen av data tatt over tid er noen form for tilfeldig variasjon. Det eksisterer metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. Bredt brukte teknikker er utjevning. Disse teknikkene, når de anvendes riktig, tydeliggjør de underliggende trenderne tydeligere..Trykk tidsserien Row-wise i rekkefølge, starter fra venstre øverste hjørne, og parameteren s, og klikk deretter på Calculate-knappen for å skaffe framtidig prognose. Lankbokser er ikke inkludert i beregningene, men nuller er. Ved å skrive inn dataene dine for å flytte fra celle til celle i datamatrixen, bruk Tab-tasten ikke pil eller skriv inn taster. Funksjoner av tidsserier, som kan bli avslørt av undersøkelsen ng sin graf med de prognostiserte verdiene, og residualens oppførsel, betinget prognostiseringsmodellering. Gjennomsnittlig gjennomsnitt Gjennomsnittlig rangering blant de mest populære teknikkene for forbehandling av tidsserier. De brukes til å filtrere tilfeldig hvit støy fra dataene, for å lage tidsserier jevnere eller til og med å understreke visse informasjonskomponenter i tidsseriene. Eksponensiell utjevning Dette er en veldig populær ordning for å produsere en glatt tidsserie. I Moving Averages blir de tidligere observasjonene vektet likt, Eksponensiell utjevning tilordner eksponentielt avtagende vekter som observasjonen blir eldre Med andre ord blir de siste observasjonene gitt relativt mer vekt i prognoser enn de eldre observasjonene. Dobbel eksponensiell utjevning er bedre å håndtere trender. Tre eksponensiell utjevning er bedre for å håndtere paraboltendenser. Et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant a tilsvarer omtrent en enkel glidende gjennomsnitt av lengde dvs. periode n, hvor a og n er relatert av. a 2 n 1 OR n 2 - a a. For eksempel vil et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant som er 0 l tilsvare omtrent et 19 dagers glidende gjennomsnitt Og et 40-dagers enkelt glidende gjennomsnitt ville korrespondere omtrent til et eksponentielt vektet glidende gjennomsnitt med en utjevningskonstant som er 0 04878.Holt s Lineær eksponensiell utjevning Anta at tidsseriene ikke er sesongmessige, men viser trend trend Holt s-metoden estimerer både strømmen nivå og den nåværende trenden. Merk at det enkle glidende gjennomsnittet er spesielt tilfelle av eksponensiell utjevning ved å sette perioden for glidende gjennomsnitt til heltalldelen av 2-Alpha Alpha. For de fleste forretningsdata er en Alpha-parameter mindre enn 0 40 ofte effektive Det kan imidlertid utføres et rutenett for parameterrommet, med 0 1 til 0 9, med trinn på 0 1 Så har den beste alfa den minste Mean Absolute Error MA Error. How å sammenligne flere utjevningsmetoder Selv om det er numeriske indikatorer for å vurdere nøyaktigheten av prognoseteknikken, er det mest benyttede å bruke visuell sammenligning av flere prognoser for å vurdere nøyaktigheten og velge blant de ulike prognosemetoder. I denne tilnærmingen må man plotte ved hjelp av f. eks. Excel på samme graf de opprinnelige verdiene til en tidsserievariabel og de forutsagte verdiene fra flere forskjellige prognosemetoder, og dermed lette en visuell sammenligning. Du kan gjerne bruke Past Forecasts ved utjevningsteknikker JavaScript for å oppnå tidligere prognosverdier basert på utjevningsteknikker som bare bruker en enkelt parameter Holt og Winters metoder bruker henholdsvis to og tre parametere. Det er derfor ikke en lett oppgave å velge den optimale, eller til og med nær optimale verdier ved prøving og feil for parametrene. Enkelt eksponensiell utjevning legger vekt på det kortsiktige perspektivet det setter nivået til siste observasjon og er basert på tilstanden at det ikke er noen trend. Den lineære regressen ion, som passer til en minste firkantlinje til de historiske dataene eller transformerte historiske data, representerer lang rekkevidde som er betinget av den grunnleggende trenden Holt s lineære eksponensielle utjevning fanger opp informasjon om nyere trend Parametrene i Holt s-modellen er nivåparameter som bør reduseres når mengden datavariasjon er stor, og trenderparameteren skal økes dersom den siste trendretningen støttes av årsakssammenhengende faktorer. Korttidsoversikt Merk at alle JavaScript på denne siden gir en engangsforløp prognose For å oppnå en to-trinns prognose bare legg til den prognostiserte verdien til slutten av dine tidsseriedata og klikk deretter på den samme Beregn-knappen. Du kan gjenta denne prosessen for et par ganger for å oppnå de nødvendige kortsiktige prognosene. . Eksponentiell utjevning Forklaret. Kopyright Innhold på er beskyttet av copyright og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, kan de tenke hatten lyder som et helvete med mye utjevning, uansett utjevning. De begynner deretter å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som oppnår en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, bidrar det til å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes for å oppnå utjevning. Hva er utjevning. Modellering er en svært vanlig statistisk prosess Faktisk opplever vi jevnlig jevne data i ulike former i vårt daglige liv Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer Hvis du tror om hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning. For eksempel har vi nettopp opplevd den varmeste vinteren på rekord. Hvordan kan vi kvantifisere dette? Vel, vi starter med datasett av daglige høye og lave temperaturer for periode vi kaller vinter for hvert år i innspilt historie men det gir oss en mengde tall som hopper rundt ganske mye det er ikke som hver dag i vinter var varmere enn de tilsvarende dagene fra alle tidligere år Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles utglatting, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsforespørsel bruker vi utjevning for å fjerne tilfeldig variasjonsstøy fra vår historiske etterspørsel Dette gjør oss i stand til å bedre identifisere etterspørselsmønstre primært trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtidige de mann Støy i etterspørsel er det samme konseptet som den daglige hoppingen rundt temperaturdataene Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare en Forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse perioder flytter når tiden går. For eksempel, hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg et gjennomsnitt av etterspørselen som skjedde i januar, februar, Mars og april 1. juni vil jeg bruke etterspørsel fra februar, mars, april og mai. vektet glidende gjennomsnitt. Når du bruker et gjennomsnitt bruker vi samme vektvekt på hver verdi i datasettet i 4 måneders bevegelse gjennomsnittlig representerte hver måned 25 av det bevegelige gjennomsnittet. Når du bruker etterspørselshistorie for å projisere fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater. Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100. Derfor, hvis vi bestemmer oss, vil vi søke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på 15, 20, 30 , og 35 henholdsvis i de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet om å bruke en vekt til den siste perioden som 35 i det forrige eksempelet og spre den gjenværende vekten beregnet ved å subtrahere mest Nylig tidsvekt på 35 fra 100 til 65, vi har de grunnleggende byggeblokkene for eksponentiell utjevningsberegning. Den kontrollerende inngangen til eksponentiell utjevningsberegning kalles utjevningsfaktoren også kalt utjevningskonstanten. Det ess representerer vekten vekten på den siste perioden s etterspørselen. Så, der vi brukte 35 som vekten for den siste perioden i den vektede glidende gjennomsnittlige beregningen, kunne vi også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning til få en lignende effekt Forskjellen med eksponensiell utjevning beregning er at i stedet for oss å også finne ut hvor mye vekt som skal gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor vil vekten av den siste perioden s etterspørselen være 35 Vektingen av neste siste periode s krever perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 veier for den perioden hvis du gjør matematikken. Den neste siste perioden er etterspørselen 65 av 65 av 35, som tilsvarer 14 79 Perioden før den blir vektet som 65 av 65 av 6 5 av 35, som tilsvarer 9 61 osv. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet. Du re sannsynligvis tenker at det ser ut som en masse matematikk Men skjønnheten i eksponensiell utjevningsberegning er at i stedet for å beregne seg for hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra den forrige perioden for å representere alle tidligere periodene. Er du forvirret ennå Dette vil gjøre mer fornuftig når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den ultimate prognosen en lite mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste perioden s etterspørsel multiplisert med utjevningsfaktor PLUS Den siste periodens prognose multiplisert med en minus utjevningsfaktoren. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste periodens prognose utgangen av utjevningsberegningen fra forrige periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som du kan se, er alt vi trenger for datainnganger her den siste perioden s etterspørsel og siste periode s prognose Vi bruker utjevningsfaktoren vekting til den siste perioden s etterspørsel på samme måte som vi ville i vektet glidende gjennomsnittlig beregning Vi bruker deretter gjenværende vekting 1 minus utjevningsfaktoren til den siste perioden s forecast. Since siste periode s prognose ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for peri od før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, du kan se hvordan alle tidligere perioders etterspørsel er representert i beregningen uten faktisk går tilbake og omberegner noe. Og det er det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram. Og fordi du trengte ikke å tenke på hvilken vekting å gi tidligere perioder eller hvor mange tidligere perioder å bruke, som du ville i vektet glidende gjennomsnitt, og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektbare resultater, så hvorfor ikke gå med enklere og kjøligere soun ding. Exponential utjevning i Excel. Let s se hvordan dette egentlig ville se i et regneark med ekte data. Kopyright innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel regneark med 11 ukers etterspørsel , og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Celle M4 som inneholder prognosen for uke 12. Du kan se i formellinjen, formelen er L3 C1 L4 1- C1 Så de eneste direkte inngangene til denne beregningen er den forrige perioden s etterspørsel Cell L3, forrige periode s prognose Cell L4 og utjevningsfaktoren Cell C1, vist som absolutt cellereferanse C1.Når vi starter en eksponensiell utjevningsberegning , må vi manuelt plukke verdien for den første prognosen. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1- Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en prognosecelle for å se at den er basert på forrige periode s prognose celle og forrige periode s etterspørselscell Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen fra den forrige eksponensielle utjevningsberegningen. Det er hvordan hver forrige periode s etterspørsel er representert i den siste periodens beregning, selv om denne beregningen ikke direkte refererer til de tidligere periodene. Hvis du vil få fancy, du kan bruke Excel s trace precedents funksjon For å gjøre dette, klikk på Cell M4, deretter på bånd verktøylinjen Excel 2007 eller 2010 klikk på Formulas-fanen, og klikk deretter Trace Precedents Det vil trekke kontaktlinjer til 1. nivå av precedenter, men hvis du fortsetter å klikke på Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvede forhold. Nå kan vi se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram over etterspørselen og prognosen. Du ser hvordan den eksponensielt jevnte prognosen fjerner det meste av den ujevnheten som hopper rundt fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at glatt prognose linje har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden. Dette gjelder for enhver utjevningsteknikk Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre som gir en nedadgående trend, ser du etterspørselslinjen slipp, og trendlinjen beveger seg over den før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte utgang fra eksponensiell utjevningsberegning som vi kaller en prognose, trenger fortsatt litt mer arbeid Det er mye mer å prognose enn å bare utjevne støtene i etterspørselen Vi må Gjør ytterligere tilpasninger for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen, osv. Men alt som er utenfor omfanget av denne artikkelen. Du vil sannsynligvis også gå inn i begreper som dobbel eksponensiell utjevning og tredobbelt eksponensiell utjevning. Disse termer er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger du kan, hvis du vil, men det er ikke poenget her. Disse betingelsene representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørselen pluss trenden, og med triple-eksponensiell utjevning utjevner du basen etterspørsel pluss trenden pluss sesongmessighet. Det andre vanligste spørsmålet om eksponensiell utjevning er hvor gjør jeg få min utjevningsfaktor Det er ikke noe magisk svar her, du må teste forskjellige utjevningsfaktorer med dine etterspørseldata for å se hva som får deg til det beste resu lts Det er beregninger som automatisk kan angi og endre utjevningsfaktoren. Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse for hva denne beregningen gjør. Du bør også kjøre hva-om-scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker til testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier Det bestemte datautvalget viser en noe konsistent oppadgående trend Mange store bedrifter med svært kostbar prognoseprogramvare har store problemer i den ikke så fjernt fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi reagerte ikke bra når økonomien begynte å stagnere eller krympe. Slike ting skjer når du ikke undersøker tann hva dine beregninger programvare faktisk gjør Hvis de forsto deres prognose system, ville de ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i deres virksomhet. Så der du har det grunnleggende eksponensiell utjevning forklart Vil du vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Copyright innhold på, er beskyttet av copyright og er ikke tilgjengelig for republisering. Dave Piasecki er eieroperatør av Inventory Operations Consulting LLC et konsulentfirma som tilbyr tjenester relatert til lagerstyring, materialhåndtering og lageroperasjoner Han har over 25 års erfaring i driftsledelse og kan nås gjennom sin nettside, der han opprettholder tilleggsinformasjon. Min virksomhet. Eksponentiell flytende gjennomsnittlig - EMA. BREAKING DOWN eksponentiell flytende gjennomsnittlig - EMA. De 12 og 26-dagers EMAene er de mest populære kortsiktige gjennomsnittene, og de a brukes til å skape indikatorer som den bevegelige gjennomsnittlige konvergensdivergensen MACD og prosentvis prisoscillator PPO Generelt brukes 50 og 200-dagers EMAer som signaler for langsiktige trender. Tradere som benytter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktsfulle når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som vanligvis brukes i teknisk analyse, er av sin natur sakte indikatorer. Derfor bør konklusjonene trukket fra å bruke et glidende gjennomsnitt til et bestemt markedskart være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, da en gjennomsiktig gjennomsnittlig indikatorlinje har endret seg for å reflektere et betydelig trekk i markedet, har det optimale punktet for markedsinngang allerede passert. En EMA tjener til å lette dette dilemmaet til I noen grad fordi EMA-beregningen legger mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere Th Det er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Interpretering av EMA. I likhet med alle bevegelige gjennomsnittlige indikatorer, er de mye bedre egnet for trending markeder. Når markedet er i en sterk og vedvarende opptrinn, vil EMA-indikatorlinjen også vise en opptrinn og omvendt for en nedtrengning En årvåken handelsmann vil ikke bare være oppmerksom på retningen til EMA-linjen, men også forholdet mellom endringsraten fra en linje til den neste. For eksempel som prisvirkningen av en sterk opptrenden begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til det tidspunkt indikatorlinjen flater og endringshastigheten er null. På grunn av den forsinkende effekten, ved dette punktet, eller selv noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere en konsekvent reduksjon i endringshastigheten til EMA, kunne seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet forårsaket av forsinkelsen Gjøre effekten av å flytte gjennomsnittet Bruk av EMA. EMAs er ofte brukt sammen med andre indikatorer for å bekrefte viktige markedsbevegelser og å måle deres gyldighet. For handelsfolk som handler i dag og raskt bevegelige markeder, er EMA mer anvendelig. Slike handlere bruker ofte EMAer for å bestemme en trading bias For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, kan en intraday trader s strategi være å handle kun fra den lange siden på en intradag diagram.