Tuesday 8 August 2017

Peramalan rata rata bergerak ganda


Moving Average Forecasting Pendahuluan. Seperti yang Anda duga, kita melihat beberapa pendekatan paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksikan oleh guru untuk mendapatkan skor tes berikutnya? Menurut Anda, apa perkiraan teman Anda untuk memprediksi skor tes berikutnya? Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes berikutnya? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu dari area yang Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapatkan nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang menghina pikiran besar ini membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengikuti tes dan nilai Anda sebenarnya adalah 89 Setiap orang, termasuk Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu mendorong setiap orang untuk membuat prediksi tentang bagaimana Anda melakukannya pada tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk ramalan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain melalui C6 C6. Perhatikan bagaimana sekarang hanya dua buah data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang perlu diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictququot, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya seperti berikut ini. Rata-rata Movon Exponential Moving Explained Trader mengandalkan moving averages untuk membantu menentukan titik masuk perdagangan probabilitas tinggi dan keuntungan yang menguntungkan selama bertahun-tahun. Masalah yang terkenal dengan moving averages, bagaimanapun, adalah kelambatan serius yang ada pada kebanyakan tipe moving averages. Rata-rata bergerak eksponensial ganda (DEMA) memberikan solusi dengan menghitung metodologi rata-rata yang lebih cepat. Sejarah Double Moving Average Movite Dalam analisis teknis. Istilah moving average mengacu pada harga rata-rata untuk instrumen perdagangan tertentu selama jangka waktu tertentu. Misalnya, rata-rata pergerakan 10 hari menghitung harga rata-rata instrumen tertentu selama 10 hari terakhir rata-rata pergerakan 200 hari menghitung harga rata-rata 200 hari terakhir. Setiap hari, periode lihat kembali ke perhitungan dasar pada jumlah X hari terakhir. Rata-rata bergerak muncul sebagai garis melengkung halus yang memberikan representasi visual dari tren instrumen jangka panjang. Kecepatan rata-rata yang lebih cepat, dengan periode lihat-belakang yang lebih pendek, lebih lambat bergerak rata-rata bergerak, dengan periode lihat-kembali yang lebih lama, lebih halus. Karena moving average adalah indikator terbelakang, maka lagging tersebut tertinggal. Rata-rata bergerak eksponensial ganda (DEMA), ditunjukkan pada Gambar 1, dikembangkan oleh Patrick Mulloy dalam upaya untuk mengurangi jumlah jeda waktu yang ditemukan pada rata-rata pergerakan tradisional. Ini pertama kali diperkenalkan pada bulan Februari 1994, Technical Analysis of Stocks amp Commodities magazine di artikel Mulloys Smoothing Data with Faster Moving Averages. (Untuk analisis teknikal primer, lihatlah Tutorial Analisis Teknis kami.) Gambar 1: Bagan satu menit kontrak futures Russell berjangka tiga tahun ini menunjukkan dua rata-rata pergerakan eksponensial ganda yang berbeda-beda yang tampak dalam warna biru, 21 periode berwarna pink. Menghitung DEMA Seperti yang dijelaskan Mulloy dalam artikel aslinya, DEMA bukan hanya EMA ganda dengan waktu jeda dua kali dari EMA tunggal, namun merupakan implementasi komposit EMA tunggal dan ganda yang menghasilkan EMA lain dengan sedikit lag dibandingkan dengan yang asli. dua. Dengan kata lain, DEMA bukan hanya dua kombinasi EMA, atau rata-rata bergerak dari rata-rata bergerak, namun merupakan perhitungan EMA kedua dan ganda. Hampir semua platform analisis perdagangan memiliki DEMA termasuk sebagai indikator yang dapat ditambahkan ke grafik. Oleh karena itu, pedagang bisa menggunakan DEMA tanpa mengetahui matematika di balik perhitungan dan tanpa harus menulis atau memasukkan kode apapun. Membandingkan DEMA dengan Traditional Moving Averages Moving averages adalah salah satu metode analisis teknis yang paling populer. Banyak trader menggunakannya untuk melihat trend reversals. Terutama dalam crossover rata-rata bergerak, di mana dua rata-rata bergerak dengan panjang yang berbeda ditempatkan pada grafik. Poin di mana rata-rata moving average dapat menandakan kesempatan membeli atau menjual. DEMA dapat membantu pedagang melakukan pembalikan lebih cepat karena lebih cepat merespons perubahan aktivitas pasar. Gambar 2 menunjukkan contoh futures futures Russell 300 futures. Bagan satu menit ini memiliki empat rata-rata bergerak yang diterapkan: periode 21 DEMA (pink) periode 55 DEMA (biru gelap) MA periode 21 (biru muda) 55 derajat MA (hijau muda) Gambar 2: Bagan satu menit ini Kontrak futures Russell berjangka tiga tahun menggambarkan waktu respon DEMA lebih cepat saat digunakan dalam crossover. Perhatikan bagaimana crossover DEMA dalam kedua kejadian muncul secara signifikan lebih cepat daripada perpindahan MA. Crossover DEMA pertama muncul pada pukul 12:29 dan bar berikutnya dibuka dengan harga 663.20. Crossover MA, di sisi lain, terbentuk pada pukul 12:34 dan harga pembukaan bar berikutnya adalah 660.50. Pada rangkaian crossovers berikutnya, crossover DEMA muncul pada pukul 1.33 dan bar berikutnya dibuka pada 658. MA, sebaliknya, terbentuk pada 1:43, dengan bukaan berikutnya dibuka di 662.90. Dalam setiap contoh, crossover DEMA memberi keuntungan dalam mengikuti tren lebih awal daripada crossover MA. (Untuk wawasan lebih lanjut, baca Tutorial Rata-rata Bergerak.) Perdagangan Dengan DEMA Contoh crossover rata-rata di atas mengilustrasikan keefektifan penggunaan rata-rata pergerakan eksponensial ganda yang lebih cepat. Selain menggunakan DEMA sebagai indikator mandiri atau dalam setup crossover, DEMA dapat digunakan dalam berbagai indikator dimana logika didasarkan pada moving average. Alat analisis teknis seperti Bollinger Bands. Moving average convergencedivergence (MACD) dan triple exponential moving average (TRIX) didasarkan pada tipe rata-rata bergerak dan dapat dimodifikasi untuk menggabungkan DEMA sebagai pengganti jenis moving average lainnya. Dengan mensubstitusikan DEMA dapat membantu pedagang melihat peluang jual dan beli yang berbeda di depan yang diberikan oleh MA atau EMA yang secara tradisional digunakan dalam indikator ini. Tentu saja memasuki tren lebih cepat daripada nanti biasanya menghasilkan keuntungan lebih tinggi. Gambar 2 mengilustrasikan prinsip ini - jika kita menggunakan crossover sebagai sinyal beli dan jual. Kita akan memasuki perdagangan secara signifikan lebih awal saat menggunakan crossover DEMA dibandingkan dengan crossover MA. Bottom Line Pedagang dan investor telah lama menggunakan moving averages dalam analisis pasar mereka. Moving averages adalah alat analisis teknis yang banyak digunakan yang menyediakan sarana untuk melihat dan menafsirkan tren jangka panjang instrumen perdagangan yang lebih cepat dengan cepat. Karena moving averages berdasarkan sifatnya adalah indikator lagging. Akan sangat membantu jika men-tweak moving average untuk menghitung indikator yang lebih cepat dan responsif. Rata-rata pergerakan eksponensial ganda memberi pandangan pedagang dan investor tentang tren jangka panjang, dengan keuntungan tambahan menjadi rata-rata bergerak lebih cepat dengan jeda waktu yang lebih sedikit. (Untuk bacaan terkait, lihat Moving Average MACD Combo dan Simple Vs. Exponential Moving Averages.) Peramalan dengan Teknik Smoothing Situs ini adalah bagian dari objek pembelajaran JavaScript E-lab untuk pengambilan keputusan. JavaScript lain dalam seri ini dikategorikan dalam berbagai bidang aplikasi di bagian MENU di halaman ini. Seri waktu adalah urutan pengamatan yang dipesan tepat waktu. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan efek karena variasi acak. Teknik yang banyak digunakan adalah smoothing. Teknik-teknik ini, bila diterapkan dengan benar, menunjukkan lebih jelas tren dasarnya. Masukkan deret waktu Row-wise secara berurutan, mulai dari sudut kiri atas, dan parameternya, lalu klik tombol Hitung untuk mendapatkan peramalan satu periode di depan. Kotak kosong tidak termasuk dalam perhitungan tapi angka nol. Dalam memasukkan data Anda untuk berpindah dari sel ke sel di matriks data gunakan tombol Tab bukan panah atau masukkan kunci. Fitur deret waktu, yang mungkin terungkap dengan memeriksa grafiknya. Dengan nilai perkiraan, dan perilaku residual, pemodelan peramalan kondisi. Moving Averages: Moving averages rank antara teknik yang paling populer untuk preprocessing time series. Mereka digunakan untuk menyaring suara putih acak dari data, membuat rangkaian waktu lebih halus atau bahkan untuk menekankan komponen informasi tertentu yang terdapat dalam deret waktu. Exponential Smoothing: Ini adalah skema yang sangat populer untuk menghasilkan Time Series yang merapikan. Sedangkan dalam Moving Averages, pengamatan terakhir tertimbang secara merata, Exponential Smoothing memberikan bobot yang menurun secara eksponensial saat pengamatan bertambah tua. Dengan kata lain, observasi terakhir diberi bobot yang relatif lebih banyak dalam peramalan daripada pengamatan yang lebih tua. Double Exponential Smoothing lebih baik dalam menangani tren. Triple Exponential Smoothing lebih baik dalam menangani tren parabola. Rata-rata pergerakan tertimbang secara eksponensial dengan konstanta pemulusan a. Sesuai kira-kira dengan panjang rata-rata bergerak sederhana (yaitu periode) n, di mana a dan n dihubungkan oleh: a 2 (n1) ATAU n (2 - a) a. Jadi, misalnya, rata-rata bergerak tertimbang secara eksponensial dengan konstanta pemulusan sama dengan 0,1 akan sesuai kira-kira dengan rata-rata pergerakan 19 hari. Dan rata-rata pergerakan sederhana 40 hari akan sesuai kira-kira dengan rata-rata pergerakan tertimbang eksponensial dengan konstanta pemulusan sama dengan 0,04878. Holts Linear Exponential Smoothing: Misalkan deret waktunya tidak musiman namun memang menunjukkan tren. Metode Holts memperkirakan tingkat arus dan tren saat ini. Perhatikan bahwa rata-rata pergerakan sederhana adalah kasus khusus dari perataan eksponensial dengan menetapkan periode rata-rata bergerak ke bagian integer (Alpha 2). Untuk kebanyakan data bisnis, parameter Alpha yang lebih kecil dari 0,40 sering kali efektif. Namun, seseorang dapat melakukan pencarian grid dari ruang parameter, dengan 0,1 sampai 0,9, dengan penambahan 0,1. Kemudian alpha terbaik memiliki Mean Absolute Error terkecil (MA Error). Bagaimana membandingkan beberapa metode pemulusan: Meskipun ada indikator numerik untuk menilai keakuratan teknik peramalan, pendekatan yang paling banyak adalah menggunakan perbandingan visual beberapa perkiraan untuk menilai keakuratannya dan memilih di antara berbagai metode peramalan. Dalam pendekatan ini, seseorang harus merencanakan (menggunakan, misalnya Excel) pada grafik yang sama dengan nilai asli dari variabel deret waktu dan nilai prediksi dari beberapa metode peramalan yang berbeda, sehingga memudahkan perbandingan visual. Anda mungkin ingin menggunakan Prakiraan Masa Lalu oleh Teknik Smoothing JavaScript untuk mendapatkan perkiraan perkiraan masa lalu berdasarkan teknik pemulusan yang hanya menggunakan satu parameter tunggal. Metode Holt, dan Winters masing-masing menggunakan dua dan tiga parameter, oleh karena itu bukanlah tugas yang mudah untuk memilih nilai optimal, atau mendekati nilai optimal dengan trial and error untuk parameter. Pemulusan eksponensial tunggal menekankan perspektif jarak pendek yang menetapkan tingkat pada pengamatan terakhir dan didasarkan pada kondisi bahwa tidak ada kecenderungan. Regresi linier, yang sesuai dengan garis kuadrat terkecil terhadap data historis (atau data historis yang ditransformasikan), mewakili rentang panjang, yang dikondisikan pada tren dasarnya. Holts linear exponential smoothing menangkap informasi tentang tren terkini. Parameter dalam model Holts adalah level-parameter yang harus diturunkan bila jumlah variasi data besar, dan parameter tren harus ditingkatkan jika arah tren terkini didukung oleh faktor penyebab. Peramalan Jangka Pendek: Perhatikan bahwa setiap JavaScript di halaman ini memberikan perkiraan satu langkah di depan. Untuk mendapatkan ramalan dua langkah di depan. Cukup tambahkan nilai perkiraan ke akhir data deret waktu Anda lalu klik tombol Hitung yang sama. Anda mungkin mengulangi proses ini beberapa kali untuk mendapatkan perkiraan jangka pendek yang dibutuhkan.

No comments:

Post a Comment