Eksponensiële Smoothing Bewegende Gemiddelde

Vooruitskatting deur gladstrykingstegnieke Hierdie webwerf is 'n deel van die JavaScript E-laboratoriums leer voorwerpe vir besluitneming. Ander JavaScript in hierdie reeks is verdeel onder verskillende gebiede van aansoeke in die menu artikel op hierdie bladsy. 'N tyd-reeks is 'n reeks waarnemings wat bestel betyds. Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. Gebruikte tegnieke is glad. Hierdie tegnieke, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendense. Tik die tydreeks Ry-wyse in volgorde, vanaf die linker-boonste hoek, en die parameter (s), dan op die Bereken knoppie vir die verkryging van een tydperk lig vooruitskatting. Leeg bokse is nie ingesluit in die berekeninge, maar nulle is. In die begin van jou data om te beweeg van sel tot sel in die data-oorsig gebruik die Tab-sleutel nie arrow of betree sleutels. Kenmerke van tydreekse, wat geopenbaar kan word deur die ondersoek van die grafiek. met die geskatte waardes, en die residue gedrag, toestand voorspelling modelle. Bewegende gemiddeldes: bewegende gemiddeldes rang onder die gewildste tegnieke vir die preprocessing van tydreekse. Hulle word gebruik om ewekansige wit geraas filter uit die data, om die tydreeks gladder te maak of selfs om sekere inligting komponente vervat in die tydreeks te beklemtoon. Eksponensiële Smoothing: Dit is 'n baie gewilde skema om 'n reëlmatige Tyd Reeks produseer. Terwyl dit in Bewegende Gemiddeldes die afgelope waarnemings word dieselfde gewig, eksponensiële Smoothing ken eksponensieel afneem gewigte as die waarneming ouer. Met ander woorde, is Onlangse waarnemings gegee relatief meer gewig in vooruitskatting as die ouer waarnemings. Double Eksponensiële Smoothing is beter op tendense hantering. Drie Eksponensiële Smoothing beter te hanteer parabool tendense. 'N exponenentially geweeg bewegende gemiddelde met 'n glad konstante a. ooreenstem rofweg 'n eenvoudige bewegende gemiddelde lengte (bv tydperk) n, waar n en N verwant deur: 'n 2 / (N1) of N (2 - a) / n. So, byvoorbeeld, 'n exponenentially geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,1 sou rofweg ooreen met 'n 19 dag bewegende gemiddelde. En 'n 40-dag eenvoudig bewegende gemiddelde sou rofweg ooreen met 'n eksponensieel geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,04878. Holts Lineêre Eksponensiële Smoothing: Veronderstel dat die tydreeks is nie-seisoenale maar wel vertoon tendens. Holts metode skat beide die huidige vlak en die huidige tendens. Let daarop dat die eenvoudige bewegende gemiddelde is spesiale geval van die eksponensiële gladstryking deur die oprigting van die tydperk van die bewegende gemiddelde van die heelgetal deel van (2-Alpha) / Alpha. Vir die meeste sake-data 'n Alpha parameter kleiner as 0.40 is dikwels doeltreffend. Dit kan egter 'n mens 'n rooster op soek na die parameter ruimte uit te voer, met 0,1-0,9, met inkremente van 0.1. Toe het die beste alfa die kleinste gemiddelde absolute fout (MA Fout). Hoe om 'n paar glad metodes te vergelyk: Alhoewel daar numeriese aanwysers vir die beoordeling van die akkuraatheid van die voorspelling tegniek, die mees benadering is in die gebruik van visuele vergelyking van verskeie voorspellings oor die akkuraatheid daarvan te evalueer en kies tussen die verskillende vooruitskatting metodes. In hierdie benadering, moet 'n mens stip op dieselfde grafiek die oorspronklike waardes van 'n tydreeks veranderlike en die voorspelde waardes van verskillende vooruitskatting metodes (met behulp van, bv Excel), dus 'n visuele vergelyking fasilitering. Jy kan hou die gebruik van die verlede Voorspellings deur gladstrykingstegnieke JavaScript om die verlede voorspel waardes gebaseer op gladstrykingstegnieke dat slegs enkele parameter gebruik te verkry. Holt, en winters metodes gebruik twee en drie parameters, onderskeidelik, dus is dit nie 'n maklike taak om die optimale, of selfs naby optimale waardes kies deur probeer-en foute vir die parameters. Die enkele eksponensiële gladstryking beklemtoon die kort reeks perspektief dit stel die vlak van die laaste waarneming en is gebaseer op die voorwaarde dat daar geen tendens. Die lineêre regressie, wat 'n lyn van kleinste kwadrate op die historiese data (of omskep historiese data) pas, stel die lang reeks, wat gekondisioneer op die basiese tendens. Holts lineêre eksponensiële gladstryking vang inligting oor onlangse tendens. Die parameters in Holts model is vlakke-parameter wat moet verminder word wanneer die hoeveelheid data wat variasie is groot, en tendense-parameter moet verhoog word indien die onlangse tendens rigting word ondersteun deur die oorsaaklike paar faktore. Korttermyn vooruitskatting: Let daarop dat elke JavaScript op hierdie bladsy bied 'n een-stap-ahead skatting. Om 'n twee-stap-ahead voorspelling te kry. eenvoudig die geskatte waarde toevoeg tot die einde van jou tydreeksdata en kliek dan op dieselfde Bereken knoppie. Jy kan hierdie proses herhaal vir 'n paar keer om die nodige kort termyn forecasts. Exponential Smoothing Hoe kry. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. Wanneer mense eers die term Eksponensiële Smoothing teëkom kan hulle dink dit klink soos 'n hel van 'n baie glad. alles glad is. Hulle het toe begin om 'n ingewikkelde wiskundige berekening wat waarskynlik vereis 'n graad in wiskunde te verstaan ​​voor oë, en ek hoop daar is 'n ingeboude EXCEL funksie beskikbaar indien hulle ooit nodig het om dit te doen. Die realiteit van eksponensiële gladstryking is veel minder dramatiese en baie minder traumaties. Die waarheid is, eksponensiële gladstryking is 'n baie eenvoudige berekening wat 'n redelik eenvoudige taak accomplishes. Dit het net 'n ingewikkelde naam want wat tegnies gebeur as gevolg van hierdie eenvoudige berekening is eintlik 'n bietjie ingewikkeld. Om eksponensiële gladstryking verstaan, help dit om te begin met die algemene konsep van glad en 'n paar ander algemene metodes wat gebruik word om glad te bereik. Wat is glad Smoothing is 'n baie algemene statistiese proses. Trouens, ons gereeld reëlmatige data in verskeie vorme in ons dag-tot-dag lewe teëkom. Enige tyd wat jy 'n gemiddelde gebruik om iets te beskryf, gebruik jy 'n reëlmatige nommer. As jy dink oor die rede waarom jy 'n gemiddelde gebruik om iets te beskryf, sal jy vinnig verstaan ​​die konsep van gladstryking. Byvoorbeeld, ons het net ervaar die warmste winter op rekord. Hoe is ons in staat was om te kwantifiseer hierdie Wel ons begin met datastelle van die daaglikse hoë en lae temperature vir die tydperk wat ons Winter bel vir elke jaar in die geskiedenis. Maar dit laat ons met 'n klomp van die nommers wat spring om nogal 'n bietjie (sy nie soos elke dag hierdie winter was warmer as die ooreenstemmende dae vanaf alle vorige jaar). Ons moet 'n getal wat al hierdie spring rond verwyder uit die data, sodat ons kan makliker vergelyk een winter na die volgende. Die verwydering van die spring rond in die data heet glad, en in hierdie geval kan ons net gebruik om 'n eenvoudige gemiddelde tot die smoothing bereik. In vraag vooruitskatting, gebruik ons ​​glad ewekansige variasie (geraas) van ons historiese vraag te verwyder. Dit stel ons in staat om die vraag patrone (hoofsaaklik tendens en seisoenaliteit) en vlakke vraag wat gebruik kan word om toekomstige vraag te skat beter te identifiseer. Die geraas in die vraag is dieselfde konsep as die daaglikse spring rond van die temperatuur data. Nie verrassend nie, die mees algemene manier waarop mense verwyder geraas uit die geskiedenis vraag is om 'n eenvoudige averageor meer spesifiek gebruik, 'n bewegende gemiddelde. 'N bewegende gemiddelde net gebruik 'n vooraf gedefinieerde aantal periodes om die gemiddelde te bereken, en diegene periodes beweeg met verloop van tyd. Byvoorbeeld, as Im met behulp van 'n 4-maand bewegende gemiddelde, en vandag is 1 Mei, Im met behulp van 'n gemiddeld van vraag wat plaasgevind het in Januarie, Februarie, Maart en April. Op 1 Junie sal ek wees met behulp van die vraag vanaf Februarie, Maart, April en Mei. Geweegde bewegende gemiddelde. By die gebruik van 'n gemiddelde ons aansoek doen dieselfde belangrikheid (gewig) aan elke waarde in die datastel. In die 4-maand bewegende gemiddelde, elke maand verteenwoordig 25 van die bewegende gemiddelde. By die gebruik van die geskiedenis vraag na die toekomstige vraag (en veral toekomstige tendens) - projek, sy logiese om tot die gevolgtrekking gekom dat jy wil graag meer onlangse geskiedenis 'n groter impak op jou voorspelling het gekom. Ons kan ons bewegende gemiddelde berekening te pas by verskillende gewigte van toepassing op elke tydperk aan ons gewenste resultate te kry. Ons spreek hierdie gewigte as persentasies, en die totaal van alle gewigte vir alle tye moet tot 100. Daarom voeg, as ons besluit ons wil aansoek doen 35 as die gewig vir die naaste tydperk in ons 4 maande geweeg bewegende gemiddelde, ons kan aftrek 35 van 100 om uit te vind ons het 65 oorblywende om verdeeld oor die ander 3 periodes. Byvoorbeeld, kan ons uiteindelik met 'n gewig van 15, 20, 30, en 35 onderskeidelik vir die 4 maande (15 20 30 35 100). Eksponensiële gladstryking. As ons teruggaan na die konsep van die toepassing van 'n gewig aan die mees onlangse tydperk (soos 35 in die vorige voorbeeld) en die verspreiding van die oorblywende gewig (bereken deur die mees onlangse tydperk gewig van 35 uit 100 te kry 65), het ons die basiese boustene vir ons eksponensiële gladstryking berekening. Die beheer van insette van die eksponensiële gladstryking berekening staan ​​bekend as die smoothing faktor (ook bekend as die glad konstante). Dit verteenwoordig in wese die toepassing op die mees onlangse vraag tydperke gewig. So, waar ons gebruik 35 as die gewig vir die mees onlangse tydperk in die geweegde bewegende gemiddelde berekening, kan ons ook kies om te gebruik 35 as die glad faktor in ons eksponensiële gladstryking berekening om 'n soortgelyke effek te kry. Die verskil met die eksponensiële gladstryking berekening is dat in plaas van ons om te ook uit te vind hoeveel gewig om aansoek te doen om elke vorige tydperk, die smoothing faktor is wat gebruik word om dit outomaties te doen. So hier kom die eksponensiële deel. As ons gebruik 35 as die glad faktor, sal die gewig van die mees onlangse vraag tydperke wees 35. Die gewig van die volgende mees onlangse vraag tydperke (die tydperk voor die mees onlangse) sal wees 65 van 35 (65 kom van aftrekking 35 van 100). Dit is gelykstaande aan 22,75 gewig vir daardie tydperk as jy die wiskunde te doen. Die volgende mees onlangse vraag tydperke sal wees 65 van 65 van 35, wat gelykstaande is aan 14,79. Die tydperk voor daardie gelaai sal word as 65 van 65 van 65 van 35, wat gelykstaande is aan 9,61, en so aan. En dit gaan oor terug deur al jou vorige tydperke al die pad terug na die begin van tyd (of die punt waar jy begin het met behulp van eksponensiële gladstryking vir daardie spesifieke item). Julle waarskynlik dink dis lyk soos 'n hele klomp van die wiskunde. Maar die skoonheid van die eksponensiële gladstryking berekening is dat eerder as om te herbereken teen mekaar vorige tydperk elke keer as jy 'n nuwe tydperke vraag te kry, moet jy eenvoudig die opbrengs van die eksponensiële gladstryking berekening gebruik van die vorige tydperk tot alle vorige tydperke verteenwoordig. Is jy verward nog Dit sal meer sin maak as ons kyk na die werklike berekening Tipies verwys ons na die uitset van die eksponensiële gladstryking berekening as die volgende tydperk skatting. In werklikheid, die uiteindelike voorspelling moet 'n bietjie meer werk nie, maar vir die doeleindes van hierdie spesifieke berekening, sal ons daarna verwys as die skatting. Die eksponensiële gladstryking berekening is soos volg: Die mees onlangse tye vra om 'vermenigvuldig met die smoothing faktor. PLUS Die mees onlangse tye voorspel vermenigvuldig met (een minus die smoothing faktor). D mees onlangse tydperke eis S die glad faktor wat in desimale vorm (so 35 sal verteenwoordig as 0.35). F die mees onlangse tye voorspel (die opbrengs van die smoothing berekening van die vorige tydperk). OF (met die aanvaarding 'n glad faktor van 0.35) (D 0.35) (F 0,65) Dit nie die geval kry baie makliker as dit. Soos jy kan sien, al wat ons nodig het vir data insette hier is die mees onlangse tydperke vraag en die mees onlangse tye voorspel. Ons pas die smoothing faktor (gewig) tot die mees onlangse tye op dieselfde manier sou ons in die geweegde bewegende gemiddelde berekening te eis. Ons het toe pas die oorblywende gewig (1 minus die smoothing faktor) om die mees onlangse tye voorspel. Sedert die mees onlangse tye voorspel is gemaak op grond van die vorige tydperke vraag en die vorige tydperke voorspel, wat gebaseer was op die vraag na die tydperk voor daardie en die voorspelling vir die tydperk voor dit, wat gebaseer was op die vraag na die tydperk voor dat en die voorspelling vir die tydperk voor dit, wat gebaseer is op die tydperk voor daardie. Wel, kan jy sien hoe alle vorige tydperke vraag word in die berekening sonder om werklik terug te gaan en iets herbereken. En dis wat gery die aanvanklike gewildheid van eksponensiële gladstryking. Dit was nie omdat dit nie 'n beter werk van glad as geweegde bewegende gemiddelde, was dit omdat dit makliker om te bereken in 'n rekenaarprogram was. En, omdat jy didnt nodig om te dink oor wat gewig te vorige tydperke of hoeveel vorige tydperke te gebruik gee, soos jy sou in geweegde bewegende gemiddelde. En, omdat dit net geklink koeler as geweegde bewegende gemiddelde. Trouens, dit kan aangevoer word dat geweegde bewegende gemiddelde bied groter buigsaamheid want jy het meer beheer oor die gewig van vorige tydperke. Die realiteit is een van hierdie kan gerespekteerde resultate lewer nie, so hoekom nie saam met makliker en koeler klinkende. Eksponensiële Smoothing in Excel Kom ons kyk hoe dit eintlik sou lyk in 'n sigblad met werklike data. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. In Figuur 1A, ons het 'n Excel spreiblad met 11 weke van die vraag, en 'n eksponensieel stryk voorspelling bereken vanaf daardie vraag. Ive gebruik 'n glad faktor van 25 (0.25 in sel C1). Die huidige aktiewe sel is Cell M4 wat die voorspelling vir week 12. Jy kan sien in die formule bar, die formule is (L3C1) (L4 (1-C1)) bevat. Dus is die enigste direkte insette tot hierdie berekening is die vorige tydperke vraag (Cell V3), die vorige tydperke voorspel (Cell L4), en die smoothing faktor (Cell C1, getoon as absolute selverwysing C1). Wanneer ons begin 'n eksponensiële gladstryking berekening, moet ons die waarde hand prop vir die 1ste skatting. So in Cell B4, eerder as om 'n formule, ons het net getik in die vraag van wat in dieselfde tydperk as die skatting. In Cell C4 het ons 1 eksponensiële gladstryking berekening (B3C1) (B4 (1-C1)). Ons kan dan kopieer Cell C4 en plak dit in die selle D4 deur M4 om die res van ons vooruitskatting selle te vul. Jy kan nou dubbel-kliek op 'n voorspelling sel om te sien dit is gebaseer op die vorige tydperke voorspel sel en die vorige tydperke te eis sel. So elke daaropvolgende eksponensiële gladstryking berekening erf die uitset van die vorige eksponensiële gladstryking berekening. Dis hoe elke vorige tydperke vraag word in die mees onlangse berekening tydperke alhoewel dit berekening diegene vorige tydperke nie direk verwys. As jy wil fancy te kry, kan jy uitblink spoor presedente funksie gebruik. Om dit te doen, klik op Cell M4, dan op die lint nutsbalk (Excel 2007 of 2010) op die blad Formules, kliek Trace Presedente. Dit sal connector lyne te vestig op die 1ste vlak van presedente, maar as jy hou kliek Trace Presedente sal dit connector lyne om alle vorige tydperke te trek om jou te wys die geërf verhoudings. Nou kan sien wat eksponensiële gladstryking vir ons gedoen het. Figuur 1 B toon 'n grafiek van ons eis en skatting. Jy geval sien hoe die eksponensieel stryk voorspelling verwyder die meeste van die jaggedness (die spring rond) van die weeklikse vraag, maar steeds daarin slaag om te volg wat lyk na 'n opwaartse neiging in die vraag wees. Jy sal ook agterkom dat die reëlmatige voorspelling lyn geneig laer as die vraag lyn te wees. Dit staan ​​bekend as tendens lag en is 'n newe-effek van die smoothing proses. Enige tyd wat jy glad gebruik wanneer 'n tendens teenwoordig is jou voorspelling sal agter die tendens. Dit is waar vir enige glad tegniek. Trouens, as ons hierdie sigblad voort en begin skryf laer vraag nommers ( 'n afwaartse neiging) jy sou die vraag lyn val, en die tendens lyn skuif bo dit voor die aanvang van die afwaartse neiging volg sien. Dis hoekom ek voorheen genoem die uitset van die eksponensiële gladstryking berekening dat ons 'n voorspelling te roep, moet nog 'n paar meer werk. Daar is 'n baie meer om vooruitskatting as net glad uit die knoppe in aanvraag. Ons moet bykomende aanpassings vir dinge soos tendens lag, seisoenaliteit, bekend gebeure wat die vraag, ens kan bewerkstellig Maar alles wat buite die bestek van hierdie artikel maak. Jy sal waarskynlik ook loop in terme soos dubbel-eksponensiële gladstryking en trippel-eksponensiële gladstryking. Hierdie terme is 'n bietjie misleidend aangesien jy nie weer glad die vraag meer as een keer (jy kan as jy wil, maar dis nie die punt hier). Hierdie terme verteenwoordig met behulp van eksponensiële gladstryking op bykomende elemente van die skatting. So met 'n eenvoudige eksponensiële gladstryking, is jy glad die vraag basis, maar met 'n dubbele-eksponensiële gladstryking jy glad die vraag basis plus die tendens, en met drie-eksponensiële gladstryking jy glad die vraag basis plus die tendens plus die seisoen. Die ander mees algemene vraag oor eksponensiële gladstryking is waar kry ek my glad faktor Daar is geen magiese antwoord hier, moet jy verskeie glad faktore toets met jou vraag data om te sien wat jy kry die beste resultate. Daar is berekeninge wat outomaties kan stel (en verandering) die smoothing faktor. Hierdie val onder die term aanpasbaar glad nie, maar jy moet versigtig wees om met hulle te wees. Daar is eenvoudig geen perfekte antwoord en jy moet nie blindelings te implementeer enige berekening sonder deeglike toetsing en ontwikkeling van 'n deeglike begrip van wat dit berekening doen. Jy moet ook hardloop what-if scenario's om te sien hoe hierdie berekeninge te reageer op veranderinge wat nog nie op die oomblik kan bestaan ​​in die vraag data wat jy gebruik vir die toets te eis. Die data voorbeeld wat ek voorheen gebruik is 'n baie goeie voorbeeld van 'n situasie waar jy regtig nodig het om 'n ander scenario's te toets. Daardie spesifieke data voorbeeld toon 'n ietwat konsekwent opwaartse neiging. Baie groot maatskappye met baie duur vooruitskatting sagteware het in groot moeilikheid in die nie-so-verre verlede toe hulle sagteware instellings wat tweaked vir 'n groeiende ekonomie didnt goed reageer wanneer die ekonomie begin stagneer of krimp. Dinge soos dit gebeur wanneer jy dit nie verstaan ​​wat jou berekeninge (sagteware) is eintlik. As hulle hul vooruitskatting stelsel verstaan, sou hulle geweet het wat hulle nodig het om in te spring en iets te verander wanneer daar skielike dramatiese veranderinge aan hul besigheid. So daar het jy dit die basiese beginsels van die eksponensiële gladstryking verduidelik. Wil jy meer oor die gebruik van eksponensiële gladstryking in 'n werklike vooruitsig, check out my boek Inventory Management Hoe weet. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. Dave Piasecki. is eienaar / operateur van Inventory Bedryf Consulting LLC. 'n raadgewende firma die verskaffing van dienste wat verband hou met voorraad beheer, materiaal hantering, en pakhuis bedrywighede. Hy het meer as 25 jaar ondervinding in die operasionele bestuur en kan bereik word deur middel van sy webwerf (www. inventoryops), waar hy verdere relevante inligting handhaaf. My BusinessExponential bewegende gemiddelde - EMO laai die speler. Afbreek van Eksponensiële bewegende gemiddelde - EMO Die 12- en 26-dag EMA is die gewildste kort termyn gemiddeldes, en hulle word gebruik om aanwysers soos die bewegende gemiddelde konvergensie divergensie (MACD) en die persentasie prys ossillator (PPO) te skep. In die algemeen, is die 50- en 200-dag EMA as seine van 'n lang termyn tendense. Handelaars wat tegniese ontleding diens vind bewegende gemiddeldes baie nuttig en insiggewend wanneer dit korrek toegepas word, maar skep chaos wanneer onbehoorlik gebruik of verkeerd verstaan. Al die bewegende gemiddeldes wat algemeen gebruik word in tegniese ontleding is, volgens hulle aard, sloerende aanwysers. Gevolglik moet die afleidings wat op die toepassing van 'n bewegende gemiddelde op 'n bepaalde mark grafiek wees om 'n mark skuif bevestig of om sy krag te toon. Heel dikwels is, teen die tyd dat 'n bewegende gemiddelde aanwyser lyn het 'n verandering aan 'n beduidende stap in die mark weerspieël gemaak het die optimale punt van toegang tot die mark reeds geslaag. 'N EMO nie dien om hierdie dilemma te verlig tot 'n mate. Omdat die EMO berekening plaas meer gewig op die jongste data, dit drukkies die prys aksie 'n bietjie stywer en reageer dus vinniger. Dit is wenslik wanneer 'n EMO word gebruik om 'n handels inskrywing sein herlei. Interpretasie van die EMO Soos alle bewegende gemiddelde aanwysers, hulle is baie meer geskik vir trending markte. Wanneer die mark is in 'n sterk en volgehoue ​​uptrend. die EMO aanwyser lyn sal ook 'n uptrend en andersom vir 'n down tendens toon. A waaksaam handelaar sal nie net aandag te gee aan die rigting van die EMO lyn, maar ook die verhouding van die tempo van verandering van die een bar na die volgende. Byvoorbeeld, as die prys aksie van 'n sterk uptrend begin plat en reverse, van die EMAS tempo van verandering van die een bar na die volgende sal begin om te verminder tot tyd en wyl die aanwyser lyn plat en die tempo van verandering is nul. As gevolg van die sloerende uitwerking, deur hierdie punt, of selfs 'n paar bars voor, die prys aksie moet reeds omgekeer. Dit volg dus dat die waarneming van 'n konsekwente verminderde in die tempo van verandering van die EMO kon self gebruik word as 'n aanduiding dat die dilemma wat veroorsaak word deur die sloerende uitwerking van bewegende gemiddeldes verder kon teen te werk. Algemene gebruike van die EMO EMA word algemeen gebruik word in samewerking met ander aanwysers aan beduidende mark beweeg bevestig en om hul geldigheid te meet. Vir handelaars wat intraday en vinnig bewegende markte handel te dryf, die EMO is meer van toepassing. Dikwels handelaars gebruik EMA om 'n handels vooroordeel bepaal. Byvoorbeeld, as 'n EMO op 'n daaglikse grafiek toon 'n sterk opwaartse neiging, kan 'n intraday handelaars strategie wees om net handel van die lang kant op 'n intraday chart. Smoothing data verwyder ewekansige variasie en programme tendense en sikliese komponente Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. 'N dikwels gebruikte tegniek in bedryf is glad. Hierdie tegniek, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendens, seisoenale en sikliese komponente. Daar is twee afsonderlike groepe glad metodes Berekening van gemiddelde metodes Eksponensiële Smoothing Metodes Neem gemiddeldes is die eenvoudigste manier om data te stryk Ons sal eers ondersoek sommige gemiddelde metodes, soos die eenvoudige gemiddeld van al die afgelope data. 'N Bestuurder van 'n pakhuis wil weet hoeveel 'n tipiese verskaffer lewer in 1000 dollar eenhede. Hy / sy neem 'n monster van 12 verskaffers, na willekeur, die verkryging van die volgende resultate: Die berekende gemiddelde of gemiddeld van die data 10. Die bestuurder besluit om dit te gebruik as die skatting vir uitgawes van 'n tipiese verskaffer. Is dit 'n goeie of slegte skat Gemiddelde kwadraat fout is 'n manier om te oordeel hoe goed 'n model is Ons sal bereken die gemiddelde kwadraat fout. Die fout ware bedrag wat minus die beraamde bedrag. Die fout vierkant is die fout hierbo, vierkantig. Die SSE is die som van die gekwadreerde foute. Die MSE is die gemiddeld van die kwadraat foute. MSE lei byvoorbeeld Die uitslae is: Fout en gekwadreerde foute Die raming 10 Die vraag ontstaan: kan ons gebruik maak van die gemiddelde inkomste voorspel as ons vermoed dat 'n tendens 'n blik op die grafiek hieronder toon duidelik dat ons nie dit sou doen. Gemiddeld weeg al verlede Waarnemings ewe In opsomming, ons verklaar dat die eenvoudige gemiddelde of gemiddeld van al verlede waarnemings is net 'n nuttige skatting vir vooruitskatting wanneer daar geen tendense. As daar tendense, gebruik verskillende skattings dat die tendens in ag neem. Die gemiddelde weeg al verlede Waarnemings ewe. Byvoorbeeld, die gemiddelde van die waardes 3, 4, 5 is 4. Ons weet natuurlik dat 'n gemiddelde word bereken deur die toevoeging van al die waardes en die som te deel deur die aantal waardes. Nog 'n manier van berekening van die gemiddelde is deur die byvoeging van elke waarde gedeel deur die aantal waardes, of 3/3 4/3 5/3 1 1,3333 1,6667 4. Die vermenigvuldiger 1/3 is die gewig genoem. In die algemeen: bar frac som links (frac regs) x1 links (frac regs) x2,. ,, Links (frac regs) xn. Die (links (frac regs)) is die gewigte en, natuurlik, hulle vat om 1.Moving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.)