Eksponensiële Bewegende Gemiddelde Alpha

8.2 Eksponensiële bewegende gemiddelde N-dag eksponensiële bewegende gemiddelde (EMA) is 'n geweegde gemiddelde van todayrsquos naby en die voorafgaande EMO waarde. Die gewig vir todayrsquos naby is 'n glad faktor Alpha waar alfa2 / (N1). Die formule kan ook soos volg, toon geskryf hoe die gemiddelde beweeg na todayrsquos naby 'n alfa fraksie van die afstand vanaf die ou EMO om die nuwe naby. Brei uit gee 'n magreeks met agtereenvolgens dalende gewig vir elke dayrsquos prys. Skryf F1-alfa en met 1 todayrsquos sluitingsprys, p2 yesterdayrsquos, ens, dan is dit 'n oneindige som, maar f is minder as 1 so elke opeenvolgende gewig SK is kleiner en kleiner, gou besig om weglaatbaar. Die mees onlangse N dae maak ongeveer 86,5 van die totaal. Die volgende grafiek toon hoe die gewigte te verminder vir N10. Omdat onlangse pryse het 'n hoër gewig wat verlede pryse, die EMO reageer vinniger en spore onlangse pryse nader as 'n eenvoudige bewegende gemiddelde (sien Eenvoudige bewegende gemiddelde). 8.2.1 J. Welles Wilder By die werk met N-dag tydperke, moet daarop gelet word dat J. Welles Wilder gebruik 'n ander berekening van die afname faktor vir EMA. Byvoorbeeld vir 'n 14-dag EMO skryf hy Dit is dieselfde as die formule hierbo, net 'n ander f faktor. Wanneer Wilder gee ldquoWrdquo dae, die ekwivalent ldquoNrdquo bogenoemde is 2W-1. so sê 14 word 27. Dit is ook soms bekend as 'n ldquomodified beweeg averagerdquo. In die aanwysers ontwerp deur Wilder, Chart gebruik sy afrekening, sodat byvoorbeeld 'n 14-dag RSI by 14. Dit geld vir ATR, DMI (en ADX) en RSI ingeskryf (sien Gemiddelde Ware Range. Directional Beweging Index. En relatiewe sterkte Indeks). Kopiereg 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009 Kevin Ryde kaart is gratis sagteware wat jy kan dit herversprei en / of dit te verander onder die voorwaardes van die GNU General Public License, soos gepubliseer deur die Free Software Foundation óf weergawe 3 , of (as jy wil) enige latere Hoe version. Exponential Smoothing. 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. Forecasting 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 kry glad gewigte afgelope waarnemings met eksponensieel afneem gewigte om toekomstige waardes Dit smoothing skema begin voorspel deur die oprigting (S2) tot (y1), waar (Si ) staan ​​vir stryk waarneming of EWMA, en (j) staan ​​vir die oorspronklike waarneming. Die onderskrifte verwys na die tydperke, (1, 2,, ldots,, n). Vir die derde periode, (S3 Alpha y2 (1-alfa) S2) en so aan. Daar is geen (S1) die stryk reeks begin met die reëlmatige weergawe van die tweede waarneming. Vir enige tydperk (t), is die reëlmatige waarde (St) gevind word deur die berekening van St Alpha y (1-alfa) S ,,,,,,, 0 Uitgebreide vergelyking vir (S5) Byvoorbeeld, die uitgebreide vergelyking vir die stryk waarde (S5) is: S5 Alpha links (1-alfa) 0 y (1-alfa) 1 y (1-alfa) 2 y reg (1-alfa) 3 S2. Illustreer eksponensiële gedrag Dit illustreer die eksponensiële gedrag. Die gewigte, (alfa (1-alfa) t) te verminder meetkundig, en hulle som is eenheid soos hieronder getoon, met behulp van 'n eiendom van meetkundige reeks: Alpha som (1-alfa) Ek Alpha frac links regs 1 - (1-alfa) t. Van die laaste formule kan ons sien dat die opsomming termyn toon dat die bydrae tot die stryk waarde (St) word minder by elke agtereenvolgende tydperk. Voorbeeld vir (alfa 0,3) Laat (alfa 0,3). Neem waar dat die gewigte (alfa (1-alfa) t) te verminder eksponensieel (meetkundig) met tyd. Die som van die gekwadreerde foute (SSE) 208,94. Die gemiddelde van die kwadraat foute (MSE) is die SSE / 11 19.0. Bereken vir verskillende waardes van (alfa) Die MSE is weer bereken vir (alfa 0,5) en blyk te wees 16,29, so in hierdie geval sou ons verkies 'n (alfa) van 0,5. Kan ons beter doen Ons kan die bewys verhoor-en-tref metode toe te pas. Dit is 'n iteratiewe proses wat begin met 'n reeks (alfa) tussen 0,1 en 0,9. Ons bepaal die beste aanvanklike keuse vir (alfa) en dan soek tussen (alfa - Delta) en (alfa Delta). Ons kan dit miskien nog een keer om die beste (alfa) tot 3 desimale plekke vind herhaal. Nie-lineêre Optimizers kan gebruik word, maar daar is 'n beter search metodes, soos die Marquardt prosedure. Dit is 'n nie-lineêre optimizer dat die som van kwadrate van residue verminder. In die algemeen, moet die meeste goed ontwerpte statistiese sagteware programme in staat wees om die waarde van (alfa) dat die MSE verminder kry. Monster plot wat glad data vir 2 waardes van (alfa)