Moving Average Prognose Techniken

Verschieben von Durchschnittswerten: Wie man sie benutzt Einige der primären Funktionen eines gleitenden Durchschnitts sind Trends und Umkehrungen zu identifizieren. Messen die Stärke eines Vermögensimpulses und bestimmen potenzielle Bereiche, in denen ein Vermögenswert Unterstützung oder Widerstand finden wird. In diesem Abschnitt werden wir darauf hinweisen, wie unterschiedliche Zeiträume die Dynamik überwachen können und wie sich die Bewegungsdurchschnitte bei der Einstellung von Stop-Verlusten positiv beeinflussen können. Darüber hinaus werden wir einige der Fähigkeiten und Einschränkungen der sich bewegenden Mittelwerte ansprechen, die man bei der Verwendung als Teil einer Handelsroutine berücksichtigen sollte. Trend Die Identifizierung von Trends ist eine der wichtigsten Funktionen der bewegten Durchschnitte, die von den meisten Händlern verwendet werden, die den Trend zu ihrem Freund machen wollen. Durchgehende Durchschnitte sind nacheilende Indikatoren. Was bedeutet, dass sie keine neuen Trends vorhersagen, sondern die Trends bestätigen, sobald sie gegründet wurden. Wie Sie in Abbildung 1 sehen können, gilt eine Aktie als in einem Aufwärtstrend, wenn der Preis über einem gleitenden Durchschnitt liegt und der Durchschnitt nach oben geneigt ist. Umgekehrt wird ein Händler einen Preis unter einem abwärts geneigten Durchschnitt verwenden, um einen Abwärtstrend zu bestätigen. Viele Händler werden nur in Erwägung ziehen, eine Long-Position in einem Vermögenswert zu halten, wenn der Preis über einem gleitenden Durchschnitt gehandelt wird. Diese einfache Regel kann dazu beitragen, dass der Trend funktioniert in den Händlern zugunsten. Momentum Viele Anfänger Händler fragen, wie es möglich ist, Momentum zu messen und wie gleitende Mittelwerte verwendet werden können, um ein solches Kunststück anzupacken. Die einfache Antwort ist, die Aufmerksamkeit auf die Zeitspannen zu legen, die bei der Erstellung des Durchschnitts verwendet werden, da jeder Zeitraum einen wertvollen Einblick in verschiedene Arten von Impuls liefern kann. Im Allgemeinen kann die kurzfristige Dynamik durch die Suche nach gleitenden Durchschnitten gemessen werden, die sich auf Zeiträume von 20 Tagen oder weniger konzentrieren. Die Betrachtung von gleitenden Durchschnitten, die mit einem Zeitraum von 20 bis 100 Tagen erstellt werden, gilt allgemein als ein gutes Maß für die mittelfristige Dynamik. Schließlich kann jeder gleitende Durchschnitt, der 100 Tage oder mehr in der Berechnung verwendet, als Maß für die langfristige Dynamik verwendet werden. Der gesunde Menschenverstand sollte Ihnen sagen, dass ein 15-tägiger gleitender Durchschnitt ein geeigneteres Maß für kurzfristige Dynamik ist als ein 200-Tage-Gleitender Durchschnitt. Eine der besten Methoden, um die Stärke und die Richtung einer Vermögensdynamik zu bestimmen, besteht darin, drei bewegte Durchschnitte auf ein Diagramm zu legen und dann genau darauf zu achten, wie sie sich in Beziehung zueinander stapeln. Die drei gleitenden Durchschnitte, die in der Regel verwendet werden, haben unterschiedliche Zeitrahmen, um kurzfristige, mittelfristige und langfristige Kursbewegungen darzustellen. In Abbildung 2 ist ein starker Aufwärtsimpuls zu sehen, wenn kürzere Mittelwerte über den längerfristigen Mittelwerten liegen und die beiden Mittelwerte divergieren. Umgekehrt, wenn die kürzeren Mittelwerte unterhalb der längerfristigen Mittelwerte liegen, befindet sich der Impuls in der Abwärtsrichtung. Unterstützung Eine weitere häufige Verwendung von gleitenden Durchschnitten ist in der Bestimmung potenziellen Preis unterstützt. Es dauert nicht viel Erfahrung im Umgang mit gleitenden Durchschnitten zu bemerken, dass der sinkende Preis eines Vermögenswertes oft aufhören und die Richtung auf dem gleichen Niveau wie ein wichtiger Durchschnitt umkehren wird. Zum Beispiel in Abbildung 3 können Sie sehen, dass der 200-Tage-gleitenden Durchschnitt in der Lage war, den Preis der Aktien zu stützen, nachdem er von seinem hohen in der Nähe von 32 fiel. Viele Händler werden ein Absprung von großen gleitenden Durchschnitten erwarten und werden andere verwenden Technische Indikatoren als Bestätigung der erwarteten Bewegung. Resistance Sobald der Preis eines Vermögenswertes unter ein einflussreiches Niveau der Unterstützung fällt, wie der 200-Tage gleitende Durchschnitt, ist es nicht ungewöhnlich, den durchschnittlichen Akt als eine starke Barriere zu sehen, die Investoren daran hindert, den Preis über diesen Durchschnitt zurückzukehren. Wie Sie aus der folgenden Tabelle sehen können, wird dieser Widerstand oft von Händlern als Zeichen verwendet, um Gewinne zu erzielen oder bestehende Longpositionen zu schließen. Viele kurze Verkäufer werden auch diese Durchschnitte als Einstiegspunkte verwenden, weil der Preis oft vom Widerstand abprallt und seine Bewegung weiter sinkt. Wenn Sie ein Investor sind, der eine lange Position in einem Vermögenswert hält, der unterhalb der großen gleitenden Durchschnitte gehandelt wird, kann es in Ihrem besten Interesse sein, diese Ebenen genau zu beobachten, weil sie den Wert Ihrer Investition stark beeinflussen können. Stop-Losses Die Stütz - und Widerstandseigenschaften der gleitenden Durchschnitte machen sie zu einem hervorragenden Werkzeug für das Risikomanagement. Die Fähigkeit, Durchschnitte zu ermitteln, um strategische Orte zu identifizieren, um Stop-Loss-Aufträge festzulegen, erlaubt es Händlern, Positionen zu unterbrechen, bevor sie größer werden können. Wie Sie in Abbildung 5 sehen können, können Händler, die eine Long-Position in einer Aktie halten und ihre Stop-Loss-Aufträge unter einflussreichen Durchschnitten setzen, sich eine Menge Geld sparen. Mit bewegten Durchschnitten, um Stop-Loss-Aufträge festzulegen, ist der Schlüssel für jede erfolgreiche Trading-Strategie. Durchführen von durchschnittlichen und exponentiellen Glättungsmodellen Als ein erster Schritt in der Bewegung über mittlere Modelle, zufällige Walk-Modelle und lineare Trendmodelle können Nicht-Sektionsmuster und Trends extrapoliert werden Ein gleitendes Durchschnitt oder Glättungsmodell. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-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, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen 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. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. 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 Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere 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 erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: Es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 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. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er 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 Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut 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 den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf 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 aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit 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 Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie 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 Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter 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 vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden 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 es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) 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 treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. (Rückkehr zum Seitenanfang.) Demand Forecasting Techniques: Moving Average Exponential Glättung Diese Lektion diskutiert die Nachfragevorhersage mit einem Fokus auf den Verkauf von etablierten Waren und Dienstleistungen. Es wird die quantitativen Techniken der gleitenden durchschnittlichen und exponentiellen Glättung einführen, um die Umsatznachfrage zu bestimmen. Was ist Demand Forecasting Wieder einmal ist es die Ferienzeit. Kinder sind bereit für einen Besuch von Santa, und die Eltern sind über Shopping und Finanzen gestresst. Die Unternehmen vervollständigen ihre Operationen für das Kalenderjahr und bereiten sich darauf vor, in das, was vor uns liegt, zu bewegen. ABC Inc. fertigt Telefonkabel. Ihre Rechnungslegungs - und Betriebszeiträume laufen auf einem Kalenderjahr, so dass das Ende des Jahres es ihnen ermöglicht, vor der Urlaubspause den Betrieb abzuschließen und den Beginn eines neuen Jahres zu planen. Seine Zeit für Manager, um ihre Abteilungen operative Pläne vorzubereiten und vorzulegen, damit sie einen organisatorischen Operationsplan für das neue Jahr schaffen können. Die Verkaufsabteilung wird aus ihren Köpfen betont. Die Nachfrage nach Telefonkabel war im Jahr 2015 gesunken und die allgemeinen Wirtschaftsdaten deuten auf einen anhaltenden Abschwung in Bauvorhaben hin, die Telefondraht erfordern. Bob, der Vertriebsleiter, weiß, dass die Geschäftsleitung, das Board of Directors und die Stakeholder auf eine optimistische Umsatzprognose hoffen, aber er fühlt sich das Eis der Industrie Rezession kriecht hinter ihm, um ihn zu bekämpfen. Demand Prognose ist die Methode der Projektion der Kunden Nachfrage nach einem guten oder Service. Dieser Prozess ist eine kontinuierliche, wo Manager nutzen historische Daten zu berechnen, was sie erwarten, dass die Umsatznachfrage für eine gute oder Dienstleistung zu sein. Bob nutzt Informationen aus der Vergangenheit und fügt sie den Wirtschaftsdaten vom Markt hinzu, um zu sehen, ob der Umsatz wachsen oder sinken wird. Bob nutzt die Ergebnisse der Nachfragevorhersage, um Ziele für die Verkaufsabteilung festzulegen, während sie versuchen, sich an die Unternehmensziele zu halten. Bob wird in der Lage sein, die Ergebnisse der Vertriebsabteilung im nächsten Jahr zu bewerten, um festzustellen, wie seine Prognose herauskam. Bob kann verschiedene Techniken verwenden, die sowohl qualitativ als auch quantitativ sind, um das Wachstum oder den Rückgang des Umsatzes zu bestimmen. Beispiele für qualitative Techniken sind: Gelehrte Vermutungen Vorhersage Markt Spieltheorie Delphi-Technik Beispiele für quantitative Techniken sind: Extrapolation Data Mining Causal Modelle Box-Jenkins Modelle Die oben aufgeführten Beispiele für Nachfragevorhersagetechniken sind nur eine kurze Liste der Möglichkeiten, die Bob als er zur Verfügung stellt Praktiken verlangen die Prognose. Diese Lektion konzentriert sich auf zwei zusätzliche quantitative Techniken, die einfach zu bedienen sind und eine objektive, genaue Prognose bieten. Moving Average Formula Ein gleitender Durchschnitt ist eine Technik, die den Gesamtverlauf eines Datensatzes berechnet. Im operativen Management ist der Datensatz das Verkaufsvolumen aus historischen Daten des Unternehmens. Diese Technik ist sehr nützlich für die Prognose kurzfristiger Trends. Es ist einfach der Durchschnitt eines ausgewählten Satzes von Zeitperioden. Sein genannt bewegt sich, weil als eine neue Nachfrage-Nummer für eine bevorstehende Zeit berechnet wird, die älteste Zahl im Satz fällt, halten die Zeitspanne gesperrt. Lasst uns ein Beispiel ansehen, wie der Vertriebsleiter bei ABC Inc. die Nachfrage mit der gleitenden Durchschnittsformel prognostiziert. Die Formel wird wie folgt dargestellt: Moving Average (n1 n2 n3.) N Wo n die Anzahl der Zeitperioden im Datensatz. Die Summe der ersten Zeitspanne und aller gewählten Zeiträume wird durch die Anzahl der Zeiträume geteilt. Bob beschließt, seine Nachfrageprognose auf der Grundlage eines 5-jährigen gleitenden Durchschnitts zu schaffen. Dies bedeutet, dass er die Verkaufsvolumendaten aus den letzten 5 Jahren als Daten für die Berechnung verwenden wird. Exponentielle Glättung Exponentielle Glättung ist eine Technik, die eine Glättungskonstante als Prädiktor für die zukünftige Prognose verwendet. Wann immer Sie eine Nummer in der Prognose verwenden, die ein Durchschnitt ist, wurde es geglättet. Diese Technik nimmt historische Daten aus früheren Zeiträumen und wendet die Berechnung für die exponentielle Glättung an, um zukünftige Daten zu prognostizieren. In diesem Fall wird Bob auch eine exponentielle Glättung anwenden, um mit der früheren Berechnung eines gleitenden Durchschnitts zu vergleichen, um eine zweite Meinung zu erhalten. Die Formel für die exponentielle Glättung ist wie folgt. F (t) Prognose für 2016 F (t-1) Prognose für Vorjahr Alpha-Glättungskonstante A (t-1) tatsächlicher Umsatz des Vorjahres Die Glättungskonstante ist ein Gewicht, das auf die Gleichung angewendet wird, basierend darauf, wie stark das Unternehmen betont wird Orte auf die aktuellsten Daten. Die Glättungskonstante ist eine Zahl zwischen 0 und 1. Eine Glättungskonstante von 0,9 würde signalisieren, dass das Management viel Wert auf die vorherigen Zeitperioden historische Verkaufsdaten legt. Eine Glättungskonstante von 0,1 würde signalisieren, dass das Management sehr wenig Wert auf den vorherigen Zeitraum stellt. Die Wahl einer Glättungskonstante ist Hit oder Miss und kann geändert werden, da mehr Daten verfügbar sind. Wir werden das Diagramm von oben mit dem historischen Verkaufsvolumen verwenden, um die exponentielle Glättungsprognose für 2016 zu berechnen. Es gibt eine zusätzliche Spalte, um das prognostizierte Verkaufsvolumen einzubeziehen. Diese Berechnung ist eine ziemlich effiziente Formel und ziemlich genau im Vergleich zu anderen Techniken der Nachfragevorhersage. Lektion Zusammenfassung Die prognostizierte Prognose ist ein wesentlicher Bestandteil eines geplanten Plans für zukünftige Zeiträume. Verschiedene Techniken können sowohl qualitativ als auch quantitativ eingesetzt werden und bieten unterschiedliche Datensätze an die Manager, wie sie die Nachfrage prognostizieren, vor allem im Absatz. Die gleitenden durchschnittlichen und exponentiellen Glättungstechniken sind sowohl faire Beispiele für Methoden zur Nutzung zur Prognose der Nachfrage. Um diese Lektion zu entsperren, musst du ein Studienmitglied sein. Erstellen Sie Ihr Konto Verdienen College Credit Haben Sie wissen, dass Sie haben über 79 College-Kurse, die Sie vorbereiten, um Kredit durch Prüfung, die von über 2.000 Hochschulen und Universitäten akzeptiert wird. Sie können aus den ersten zwei Jahren des College zu testen und sparen Sie Tausende von Ihrem Grad. Jeder kann Kredit-by-Prüfung unabhängig von Alter oder Bildungsniveau zu verdienen. Überweisung von Kredit an die Schule Ihrer Wahl Nicht sicher, welche College Sie wollen noch zu studieren Study hat Tausende von Artikeln über jeden erdenklichen Grad, Bereich des Studiums und Karriere-Pfad, die Ihnen helfen können, finden Sie die Schule thats richtige für Sie. Research Schools, Degrees amp Karriere Holen Sie sich die unvoreingenommene Info, die Sie brauchen, um die richtige Schule zu finden. Durchsuchen Artikel nach Kategorie