Smoothing exponentiella glidande medelvärde

Prognoser genom utjämningstekniker. Den här webbplatsen är en del av JavaScript E-Labs-lärobjekten för beslutsfattande. Andra JavaScript i denna serie kategoriseras under olika tillämpningsområden i MENU-sektionen på denna sida. En tidsserie är en följd av observationer som Bestäms i tid Inhämtande i insamlingen av data som tagits över tiden är någon form av slumpmässig variation. Det finns metoder för att minska avbrytandet av effekten på grund av slumpmässig variation. Breda använda tekniker är utjämnande. Dessa tekniker, när de tillämpas korrekt, avslöjar tydligare de underliggande trenderna . Ange tidsserierna Row-wise i följd, från början till vänster övre hörnet och parametern s, och klicka sedan på Calculate-knappen för att få fram en prognos för en period framåt. Lankrutor ingår inte i beräkningarna utan nollor är. När du matar in dina data för att flytta från cell till cell i datmatrisen, använd Tab-tangenten inte pilen eller skriv in tangenter. Funktioner av tidsserier, som kan avslöjas av examini ng dess graf med de prognostiserade värdena och restbeteendet, förutsäga prognosmodellering. Möjliga medelvärden Flytta medelvärden bland de mest populära teknikerna för förbehandling av tidsserier De används för att filtrera slumpmässigt vitt brus från data, för att göra tidsserierna jämnare eller till och med att betona vissa informationskomponenter som ingår i tidsserierna. Exponentialutjämning Detta är ett mycket populärt system för att producera en jämn tidsserie. I rörliga medelvärden viktas tidigare observationer lika, exponentiell utjämning tilldelar exponentiellt minskande vikter som observationen blir äldre Med andra ord ger de senaste observationerna relativt större vikt vid prognoser än de äldre observationerna. Dubbel exponentiell utjämning är bättre vid hantering av trender. Trippel Exponentiell utjämning är bättre vid hantering av paraboltrender. Ett exponentiellt vägt glidmedel med en utjämningskonstant a motsvarar ungefär en enkel Glidande medelvärde av längd dvs period n, där a och n är besläktade med. a 2 n 1 OR n 2 - a a. Till exempel skulle ett exponentiellt vägat glidande medelvärde med en utjämningskonstant lika med 0 1 motsvara ungefär ett 19 dagars glidande medelvärde And ett 40-dagars enkelt glidande medelvärde skulle motsvara ungefär ett exponentiellt vägt rörligt medelvärde med en utjämningskonstant lika med 0 04878.Holt s Linear Exponential Smoothing Anta att tidsserierna är säsongsbetonade, men visar trend-Holt s-metoden uppskattar både strömmen nivå och den nuvarande trenden. Notera att det enkla glidande medlet är ett speciellt fall av exponentiell utjämning genom att ställa in det glidande medeltalet för heltalet av 2-Alpha Alpha. För de flesta företagsdata är en Alpha-parameter som är mindre än 0 40 ofta Effektiv Men det kan vara att man utför en nätverkssökning av parameternummet med 0 1 till 0 9 med steg om 0 1 Då har den bästa alfas det minsta genomsnittliga absoluta felet MA Error. Hur jämför man flera utjämningsmetoder Även om det är numeriska indikatorer för att bedöma noggrannheten i prognostekniken, är det mest använda sättet att använda visuell jämförelse av flera prognoser för att bedöma deras noggrannhet och välja mellan olika prognosmetoder. I detta tillvägagångssätt måste man plotta med t. ex. Excel på samma graf de ursprungliga värdena för en tidsserievariabel och de förutspådda värdena från flera olika prognosmetoder, vilket underlättar en visuell jämförelse. Du kan gilla att använda Past Forecasts by Smoothing Techniques JavaScript för att erhålla tidigare prognosvärden baserat på utjämningstekniker som endast använder en parameter Holt och Winters metoder använder sig av två respektive tre parametrar. Det är därför inte en lätt uppgift att välja de optimala, eller till och med nära optimala värden, genom försök och fel för parametrarna. Den enda exponentiella utjämningen betonar det korta perspektivet det Sätter nivån till den sista observationen och baseras på villkoret att det inte finns någon trend. Den linjära regressen jon som passar en minsta kvadrera linje till den historiska data eller transformerade historiska data, representerar det långa intervallet, vilket är konditionerat för den grundläggande trenden Holt s linjär exponentiell utjämning fångar information om den senaste trenden Parametrarna i Holt s-modellen är nivåparametrar som bör minskas när mängden datavariation är stor och trenderparametern bör ökas om den senaste trendriktningen stöds av de orsakssammanfattade faktorerna. Kortsiktiga prognoser Observera att varje JavaScript på denna sida ger ett steg framåt prognos För att få en tvåstegs-prognos lägger du bara till det prognostiserade värdet till slutet av dina tidsseriedata och klickar sedan på samma beräkna-knapp. Du kan upprepa denna process för ett par gånger för att få de nödvändiga kortsiktiga prognoserna Exponentiell utjämning Explained. Copyright Content on är upphovsrättsskyddad och är inte tillgänglig för republicering. När folk först stöter på termen Exponentiell utjämning kan de tro att Hatten låter som ett helvete av utjämning, oavsett utjämning. De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik att förstå och hoppas att det finns en inbyggd Excel-funktion tillgänglig om de någonsin behöver göra det Verkligheten med exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannan är exponentiell utjämning en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn eftersom det som tekniskt händer som ett resultat av denna enkla beräkning är faktiskt Lite komplicerat. För att förstå exponentiell utjämning hjälper det till att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Utmattning är en mycket vanlig statistisk process. I själva verket möter vi regelbundet smidiga data i olika former i våra dagliga liv Varje gång du använder ett medelvärde för att beskriva något, använder du ett jämnt antal Om du tror om varför du använder ett medelvärde för att beskriva något, kommer du snabbt att förstå begreppet utjämning. Vi har till exempel bara upplevt den varmaste vintern på rekord. Hur kan vi kvantifiera detta? Tja, vi börjar med dataset av de dagliga höga och låga temperaturerna för period vi kallar vinter för varje år i inspelad historia men det lämnar oss med en massa siffror som hoppa runt ganska lite det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år vi behöver ett nummer som tar bort alla detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Avlägsna hoppningen runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medelvärde för att uppnå utjämningen. I efterfrågan prognoser använder vi Utjämning för att ta bort slumpmässigt variationsstörning från vår historiska efterfrågan. Detta gör det möjligt för oss att bättre identifiera efterfrågan mönster främst trend och säsong och efterfråganivåer som kan användas för att uppskatta framtida man Bruset i efterfrågan är samma begrepp som den dagliga hoppningen runt temperaturdata. Det är inte överraskande att det vanligaste sättet att folk tar bort ljud från efterfrågningshistoriken är att använda ett enkelt medelvärde eller mer specifikt ett glidande medelvärde. Ett rörligt medel använder bara en fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Till exempel om jag använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade i januari, februari, Mars och april den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Viktat glidande medelvärde. När vi använder ett medel tillämpar vi samma vikt vid varje värde i datamängden i 4 månaders rörelse Genomsnittet representerade varje månad 25 av det rörliga genomsnittet När man använder efterfrågningshistorik för att projektera framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din prognos. Vi kan anpassa vår glidande medelberäkning för att tillämpa olika vikter för varje period för att få våra önskade resultat. Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste öka till 100. Om vi ​​bestämmer att vi vill tillämpa 35 som vikten för närmaste period i vårt 4 månaders vägda glidande medelvärde kan vi subtrahera 35 från 100 för att hitta att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en viktning på 15, 20, 30 , Respektive 35 för de fyra månaderna 15 20 30 35 100. Exponentialutjämning. Om vi ​​går tillbaka till begreppet att applicera en vikt till den senaste perioden, såsom 35 i föregående exempel och sprida den återstående vikten beräknad genom att subtrahera mest senaste vikten av 35 från 100 till 65, har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången av exponentiell utjämningsberäkningen är känd som utjämningsfaktorn kallas även utjämningskonstanten. representerar väsentligen den viktning som tillämpas på den senaste periodens efterfrågan Så där vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen, kunde vi också välja att använda 35 som utjämningsfaktor i vår exponentiella utjämningsberäkning till Få en liknande effekt Skillnaden med exponentiell utjämning beräkningen är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här kommer den exponentiella delen Om vi ​​använder 35 som utjämningsfaktor kommer vikten av den senaste periodens efterfrågan att vara 35. Viktningen av nästa senaste period s kräver perioden innan den senaste kommer att vara 65 av 35 65 kommer att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden före den kommer att vägas som 65 av 65 av 6 5 av 35, vilket motsvarar 9 61 osv. Och det går tillbaka genom alla dina tidigare perioder ända till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du är antagligen tänker att det ser ut som en hel del matematik Men skönheten i exponentiell utjämningsberäkningen är det snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny periodens efterfrågan, använder du helt enkelt utmatningen från exponentiell utjämningsberäkning från Den tidigare perioden för att representera alla tidigare perioder. Är du förvirrad än? Det här kommer att ge större mening när vi tittar på den faktiska beräkningen. Typiskt hänvisar vi till effekten av exponentiell utjämningsberäkningen som nästa prognosperiod. I verkligheten behöver den ultimata prognosen en Lite mer arbete, men i den här specifika beräkningen syftar vi på det som prognosen. Exponential utjämningsberäkningen är enligt följande. Den senaste perioden s Efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste periodens prognos multiplicerad med en minus utjämningsfaktorn. D senaste periodens krav S utjämningsfaktorn representerad i decimalform så 35 skulle representeras som 0 35 F den senaste periodens prognos Utmatningen från utjämningsberäkningen från föregående period. OR antar en utjämningsfaktor på 0 35. Det blir inte mycket enklare än det. Som du kan se är allt vi behöver för datainmatningar här den senaste periodens efterfrågan och Senaste periodens prognos Vi tillämpar utjämningsfaktorvikten till den senaste perioden s efterfråga samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen. Vi applicerar sedan den återstående vikten 1 minus utjämningsfaktorn till den senaste periodens prognos. Eftersom Den senaste periodens prognos skapades baserat på föregående period s efterfrågan och föregående period s prognos, som baserades på efterfrågan på perioden före det och prognosen för peri Od före det, vilket var baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på perioden före det. Men du kan se hur alla tidigare periodens efterfrågan är representerad i beräkningen utan Faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den initiala exponentiella utjämningens popularitet. Det var inte eftersom det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde. Det berodde på att det var lättare att beräkna i ett datorprogram. Och eftersom du Behövde inte tänka på vilken viktning som skulle ge tidigare perioder eller hur många tidigare perioder att använda, som du skulle i viktat glidande medelvärde. Och eftersom det bara lät kallare än det viktade glidande genomsnittet. Det kan faktiskt argumenteras för att viktat glidande medelvärde Ger större flexibilitet eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, varför inte gå med enklare och svalare sounder ding. Exponential utjämning i Excel. Let s se hur det här skulle faktiskt se i ett kalkylblad med verkliga data. Kopyright Content på är upphovsrättsskyddad och är inte tillgänglig för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan jag använde en utjämningsfaktor på 25 0 25 i cell C1 Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12. Du kan se i formelfältet, formeln är L3 C1 L4 1- C1 Så, de enda direkta ingångarna till denna beräkning är den tidigare perioden s efterfrågan Cell L3, den tidigare perioden s prognos Cell L4 och utjämningsfaktorn Cell C1, som visas som absolut cellreferens C1.När vi börjar en exponentiell utjämningsberäkning , Måste vi manuellt ansluta värdet för den första prognosen. Så i Cell B4, i stället för en formel, skrev vi bara in efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning B3 C1 B4 1- C1 Vi kan sedan kopiera Cell C4 och klistra in den i cellerna D4 till M4 för att fylla resten av våra prognosceller. Du kan nu dubbelklicka på någon prognoscell för att se att den är baserad på den föregående periodens prognoscell och föregående period s efterfrågecell Så att varje efterföljande exponentiell utjämningsberäkning ärver utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfrågers efterfrågan representeras i den senaste periodens beräkning, även om den beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill få fancy, du kan använda Excel s trace precedents funktion För att göra detta klickar du på Cell M4, sedan på verktygsfältet Excel 2007 eller 2010 klickar du på Formulas fliken och klickar sedan på Trace Precedents Det kommer att dra anslutningslinjer till 1: a nivået av prejudikat, Men om du fortsätter att klicka på Trace Precedents kommer det att dra anslutningslinjer till alla tidigare perioder för att visa dig de ärvda relationerna. Nu får vi se vilken exponentiell utjämning som gjordes för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos Du ser hur den exponentiellt släta prognosen avlägsnar det mesta av jaggednessen som hoppar runt från den veckoslutande efterfrågan, men lyckas ändå att följa vad som verkar vara en uppåtgående trend i efterfrågan. Du kommer också märka att smidig prognoslinje tenderar att vara lägre än efterfrågan. Detta kallas trendslag och är en bieffekt av utjämningsprocessen. Varje gång du använder utjämning när en trend är närvarande kommer din prognos att ligga bakom trenden. Detta gäller för alla utjämningstekniker Faktum är att om vi skulle fortsätta detta kalkylblad och börja skriva in lägre efterfråganummer som gör en nedåtgående trend så skulle vi se efterfrågan radfall och trendlinjen rör sig ovanför den innan vi börjar följa den nedåtgående trenden. Därför nämnde jag tidigare Utgången från exponentiell utjämningsberäkningen som vi kallar en prognos, behöver fortfarande lite mer arbete Det finns mycket mer att prognosera än att bara utjämna stötarna i efterfrågan Vi behöver Gör ytterligare justeringar för saker som trendlag, säsonglighet, kända händelser som kan påverka efterfrågan osv. Men allt som ligger utanför denna artikels räckvidd. Du kommer sannolikt också att gå in i termer som dubbel exponentiell utjämning och trippel-exponentiell utjämning. Dessa termer är Lite vilseledande eftersom du inte omklämmer efterfrågan flera gånger du kan om du vill, men det är inte meningen här. Dessa termer representerar exponentiell utjämning på ytterligare element i prognosen. Med enkel exponentiell utjämning stryker du basen Efterfrågan, men med dubbel exponentiell utjämning utjämnar du basbehovet plus trenden och med trippel-exponentiell utjämning utjämnar du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exponentiell utjämning är var gör jag Få min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågade data för att se vad som får dig den bästa resu lts Det finns beräkningar som automatiskt kan ställa in och ändra utjämningsfaktorn. Dessa faller under termen adaptiv utjämning men du måste vara försiktig med dem. Det är helt enkelt inget perfekt svar och du bör inte blinda genomföra någon beräkning utan noggrann testning och utveckla en grundlig förståelse för vad den här beräkningen gör. Du bör också köra scenarier för att se hur dessa beräkningar reagerar på efterfrågningsförändringar som inte finns för närvarande i de efterfrågningsdata du använder för testning. Det dataexempel som jag tidigare använde är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier Det specifika datautexemplet visar en något konsekvent uppåtgående trend Många stora företag med mycket dyrt prognosprogramvara fick stora problem i det inte så långt borta när deras programvaruinställningar som var tweaked för en Växande ekonomi reagerade inte bra när ekonomin började stagnera eller krympa Saker som detta händer när du inte undersöker tand vad din beräkningar programvara faktiskt gör Om de förstod deras prognos system skulle de ha vetat att de behövde hoppa in och ändra något när det var plötsligt dramatiska förändringar i deras verksamhet. Så där har du det förklarat grunderna för exponentiell utjämning Vill du Veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. Copyright Content on är upphovsrättsskyddad och är inte tillgänglig för republicering. Dave Piasecki är ägare operatör av Inventory Operations Consulting LLC ett konsultföretag som tillhandahåller tjänster relaterade till Lagerhantering, materialhantering och lagerverksamhet Han har över 25 års erfarenhet av operationshantering och kan nås via sin webbplats, där han behåller ytterligare relevant information. Mitt företag. Exponential Moving Average - EMA. BREAKNING AV EXPENSIONELL RÖDMEDDELNING - EMA. De 12 och 26-dagars EMA-erna är de mest populära kortsiktiga medelvärdena, och de a Används igen för att skapa indikatorer som den rörliga genomsnittliga konvergensdivergensen MACD och den procentuella prisoscillatorn PPO I allmänhet används de 50 och 200-dagars EMA-signalerna som signaler för långsiktiga trender. Trader som använder teknisk analys finner glidande medelvärden mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller felaktigt tolkas. Alla de glidande medelvärdena som vanligen används vid teknisk analys är av sin natur släpande indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta Ett marknadsförflytt eller att indikera dess styrka Mycket ofta, när en glidande genomsnittlig indikatorlinje har förändrats för att återspegla ett betydande drag på marknaden har den optimala marknaden för marknadsinträde redan passerat. Ett EMA tjänar till att lindra detta dilemma till I viss utsträckning Eftersom EMA-beräkningen lägger mer vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare Th är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Interpretera EMA. Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader När marknaden har en stark och hållbar uppgång kommer EMA-indikatorlinjen också att visa en uptrend och vice versa för en nedåtriktad trend En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en rad till nästa. Till exempel som prisinsatsen av en stark Uptrend börjar flata och vända, kommer EMAs förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den släpande effekten, vid denna punkt, eller Även några få barer innan bör prisåtgärden redan ha gått tillbaka. Det följer därför att observerandet av en konsekvent minskning i förändringshastigheten för EMA kan användas som en indikator som ytterligare kan motverka det dilemma som orsakas av fördröjningen Gängseffekten av rörliga medelvärden Användning av EMA. EMAs används vanligtvis i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För handlare som handlar intradag och snabba marknader är EMA mer tillämpligt. Oftast använder handlare EMAs För att bestämma en handelsförskjutning Till exempel, om en EMA på ett dagligt diagram visar en stark uppåtgående trend, kan en intraday-trader s strategi vara att endast handla från långsidan på ett intradagskarta.