Exponential Rörliga Genomsnittet Parametrar

Exponentiellt rörligt medelvärde - EMA BREAKING DOWN Exponential Moving Average - EMA De 12 och 26-dagars EMA: erna är de mest populära kortsiktiga medelvärdena, och de används för att skapa indikatorer som den rörliga genomsnittliga konvergensdivergensen (MACD) och den procentuella prisoscillatorn (PPO). I allmänhet används 50- och 200-dagars EMA som signaler för långsiktiga trender. Näringsidkare som använder teknisk analys, finner glidande medelvärden som är mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller misstolkas. Alla glidande medelvärden som vanligen används i teknisk analys är av sin natur släpande indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta en marknadsrörelse eller att indikera dess styrka. Mycket ofta, då en rörlig genomsnittlig indikatorlinje har förändrats för att återspegla ett betydande drag på marknaden, har den optimala marknaden för marknadsinträde redan passerat. En EMA tjänar till att lindra detta dilemma till viss del. Eftersom EMA-beräkningen lägger större vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare. Detta är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Tolkning av EMA Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader. När marknaden är i en stark och hållbar uptrend. EMA-indikatorlinjen visar också en uptrend och vice versa för en nedåtriktad trend. En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en stapel till en annan. Eftersom prisåtgärden för en stark uppåtgående börjar att platta och vända, kommer EMA: s förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den försvagande effekten, vid denna punkt, eller till och med några få barer innan, bör prisåtgärden redan ha reverserat. Det följer därför att observera en konsekvent minskning i förändringshastigheten hos EMA kan själv användas som en indikator som ytterligare kan motverka det dilemma som orsakas av den släpande effekten av rörliga medelvärden. Vanliga användningar av EMA-EMA används ofta i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För näringsidkare som handlar intradag och snabba marknader är EMA mer tillämplig. Ofta använder handlare EMA för att bestämma en handelsförskjutning. Om exempelvis en EMA på ett dagligt diagram visar en stark uppåtgående trend, kan en intraday-traderstrategi vara att endast handla från långsidan på en intradagskarta. Flytta genomsnittliga parametrar Tre rörliga genomsnittsparametrar Så du vill lägga ett glidande medelvärde på Dina diagram. Vilka parametrar måste du välja eller välja? Det finns bara några (tre): De priser som ska användas för att beräkna genomsnittet: nära, medelvärde för höga och låga, genomsnittliga höga, låga och nära osv. Längden på det glidande medeltalet, hur många barer kommer att användas för att beräkna det glidande medlet, eller med andra ord hur många barer vi vill titta på varje ögonblick. Typ av rörligt medelvärde den använda formeln: enkel vs exponentiell vs andra typer. Let8217s utforskar nu var och en av parametrarna. Parameter 1: Pris som används för att flytta genomsnittlig beräkning De flesta brukar använda varje bar8217s slutkurs för att beräkna glidande medelvärden. I många fall motiveras detta av den speciella roll som slutkursen har. Till exempel representerar varje dag8217s slutkurs på ett aktieindex aktiemarknaden8217s konsensus i slutet av den handelsdagen när näringsidkare stänger sina intradagpositioner och förbereder sina portföljer för natten när de inte kommer att titta på marknaden. Å andra sidan är stängningspriserna på barer mycket mindre betydelsefulla på intradagskartor informationen om vilket pris marknaden handlade exakt i slutet av en viss 5 eller 10 minutersperiod under dagen har liten betydelse för de flesta marknadsaktörerna. Därför kan du titta på alternativa metoder för att beräkna glidande medelvärden när du arbetar med intradagdata: glidande medelvärden kan beräknas utifrån medelvärdena höga och låga i varje streck eller från det så kallade typiska priset (genomsnittet av högt, lågt , Och stäng), eller från medeltalet av alla fyra priserna (öppna, höga, låga och nära). Parameter 2: Flyttande medelperiodslängd Längden på glidande medelvärde eller mer exakt är antalet barer som ingår i den glidande medelberäkningen troligtvis den mest diskuterade av de tre parametrarna. Du kan beräkna glidande medelvärde från bara några (t. ex. 8) senaste prisfält och du kommer se att det reagerar mycket snabbt på varje liten förändring i market8217s riktning. Alternativt kan du inkludera tiotals eller hundratals prisstänger i beräkningen (t. ex. 200 bar är en populär inställning). På det här sättet kommer du att filtrera bort allt bar-till-bar-bruset det långa glidande genomsnittet kommer endast att återspegla de meningsfulla, långsiktiga prisutvecklingarna. Förutom att titta på antalet barer. Du måste naturligtvis också ta hänsyn till hur länge varje bar är. Medan 10 barer representerar 2 veckor på ett dagligt diagram, är de mindre än en timme på ett 5-minuters diagram. Det finns ingen ideell glidande medellängdslängd. Som olika handels stilar och strategier kräver att titta på olika uppgifter. Problemet med att hitta en bra rörlig genomsnittsperiod diskuterades här: Flyttande medelperiod. Parameter 3: Flytta genomsnittlig typ Den vanligaste glidande typen är enkel glidande medelvärde. Som namnet antyder är det också det enklaste att beräkna och förstå (that8217s är förmodligen den främsta anledningen till att it8217s är den mest populära). Enkelt glidande medelvärde är (helt enkelt) det aritmetiska medelvärdet för de sista N-staplarna (N är den glidande genomsnittliga perioden som diskuterats ovan). Du summerar N senaste priser och delar upp resultatet med N. Förutom det enkla glidande medlet finns det andra typer. Det finns bara små variationer i formlerna och ibland är det svårt att berätta vilken typ av rörligt medelvärde det bara är genom att titta på ett diagram. Exempelvis lägger exponentiell glidande medel högre vikt till de senaste priserna och därför verkar det reagera lite snabbare på prisändringar jämfört med det enkla glidande medlet. Andra ofta använda rörliga genomsnittstyper inkluderar minst kvadratiska glidande medelvärde. Adaptivt glidande medelvärde. Eller viktat glidande medelvärde. Om du är kreativ och bra med siffror kan du även designa egna egna metoder (ändå är användbarheten av en sådan ansträngning tveksam, med tanke på de små skillnaderna och lite extra information du får). Vilka rörliga genomsnittsparametrar som ska användas Om du inte har gjort mycket kvantitativ testning och inte har någon aning om vilken glidande genomsnittlig beräkningsmetod som kan vara effektiv för din handelsmetod, skulle jag föreslå att du börjar med det mycket grundläggande. Ta enkelt glidande medelvärde beräknat från slutkurs (det här är den inställning som din kartläggningsprogramvara troligtvis har som standard) och fokusera din energi på att hitta en bra rörlig genomsnittslängd. Tänk också på att glidande medelvärdet bara är ett verktyg, bara en del av analysen, och du kommer troligen att behöva inkludera andra saker (som grunden, volymen eller prisåtgärden) i ditt beslutsfattande för att bygga upp en sund handelsstrategi. Genom att förbli på denna webbplats andor med hjälp av Macroption-innehåll bekräftar du att du har läst och godkänt användaravtalet som om du har skrivit det. Avtalet inkluderar även sekretesspolicy och cookies. Om du inte håller med någon del av detta avtal, vänligen lämna webbplatsen nu. All information är endast för utbildningsändamål och kan vara felaktigt, ofullständigt, föråldrat eller vanligt fel. Makroption är inte ansvarig för eventuella skador som uppstår genom att använda innehållet. Ingen finansiell, investering eller handelsrådgivning ges när som helst. Kopiera 2017 MakroptionMoving-medel och exponentiella utjämningsmodeller Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, nonseasonal mönster och trender extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt (lokalt) medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig-walk-without-drift-modellen. Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en quotsmoothedquot-version av den ursprungliga serien, eftersom kortsiktig medelvärde medför att utjämning av stötarna i originalserien. Genom att justera graden av utjämning (bredden på glidande medelvärdet) kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos medel och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är. Enkelt (lika viktat) Flyttande medelvärde: Prognosen för värdet av Y vid tiden t1 som görs vid tid t motsvarar det enkla medelvärdet av de senaste m-observationerna: (Här och på annat håll använder jag symbolen 8220Y-hat8221 för att stå För en prognos av tidsserie Y som gjordes snarast möjligt före datum med en given modell.) Detta medel är centrerat vid period-t (m1) 2, vilket innebär att uppskattningen av det lokala medelvärdet tenderar att ligga bakom det sanna Värdet av det lokala medelvärdet med ca (m1) 2 perioder. Således säger vi att medelåldern för data i det enkla glidande medlet är (m1) 2 i förhållande till den period för vilken prognosen beräknas: det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter i data . Om du till exempel medger de senaste 5 värdena, kommer prognoserna att vara ca 3 perioder sent för att svara på vändpunkter. Observera att om m1 är den enkla glidande genomsnittsmodellen (SMA) motsvarar den slumpmässiga gångmodellen (utan tillväxt). Om m är mycket stor (jämförbar med längden på uppskattningsperioden), motsvarar SMA-modellen medelvärdet. Precis som med vilken parameter som helst av en prognosmodell, är det vanligt att justera värdet på k för att få den bästa kvotkvoten till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar utgöra slumpmässiga fluktuationer runt ett långsamt varierande medelvärde. Först kan vi försöka passa den med en slumpmässig promenadmodell, vilket motsvarar ett enkelt glidande medelvärde på 1 term: Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer man mycket av kvotenhetskvoten i Data (de slumpmässiga fluktuationerna) samt quotsignalquot (den lokala medelvärdet). Om vi ​​istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser: Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i det här fallet. Medelåldern för data i denna prognos är 3 ((51) 2), så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. (Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare.) Notera att de långsiktiga prognoserna från SMA-modellen är en horisontell rak linje, precis som i slumpmässig promenad modell. Således antar SMA-modellen att det inte finns någon trend i data. Men medan prognoserna från den slumpmässiga promenadmodellen helt enkelt motsvarar det senast observerade värdet är prognoserna från SMA-modellen lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla glidande genomsnittet blir inte större eftersom prognostiseringshorisonten ökar. Det här är uppenbarligen inte korrekt Tyvärr finns det ingen underliggande statistisk teori som berättar hur konfidensintervallen borde utvidgas för denna modell. Det är dock inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre tid. Du kan till exempel skapa ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt etc. i det historiska dataprov. Därefter kan du beräkna felfunktionens avvikelser vid varje prognoshorisont och sedan konstruera konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar med lämplig standardavvikelse. Om vi ​​försöker ett 9-sikt enkelt glidande medelvärde får vi ännu jämnare prognoser och mer av en eftersläpande effekt: Medelåldern är nu 5 perioder ((91) 2). Om vi ​​tar ett 19-årigt glidande medel ökar medeltiden till 10: Observera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-siktigt genomsnitt: Modell C, det 5-åriga glidande genomsnittet, ger det lägsta värdet av RMSE med en liten marginal över 3 - term och 9-medeltal, och deras andra statistik är nästan identiska. Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer respons eller lite mer jämnhet i prognoserna. (Tillbaka till början av sidan.) Browns Simple Exponential Smoothing (exponentiellt vägd glidande medelvärde) Den enkla glidande medelmodellen som beskrivs ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer. Intuitivt bör tidigare data diskonteras mer gradvis - till exempel bör den senaste observationen få lite mer vikt än 2: a senast, och den 2: a senaste bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämningens (SES) - modellen åstadkommer detta. Låt 945 beteckna en quotsmoothing constantquot (ett tal mellan 0 och 1). Ett sätt att skriva modellen är att definiera en serie L som representerar den nuvarande nivån (dvs lokal medelvärde) för serien som uppskattad från data fram till idag. Värdet på L vid tid t beräknas rekursivt från sitt eget tidigare värde som detta: Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare utjämnade värdet och den aktuella observationen, där 945 styr närheten av det interpolerade värdet till det senaste observation. Prognosen för nästa period är helt enkelt det nuvarande släta värdet: Likvärdigt kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner. I den första versionen är prognosen en interpolation mellan föregående prognos och tidigare observation: I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel av 945. Är felet gjort vid Tid t. I den tredje versionen är prognosen ett exponentiellt vägt (dvs. rabatterat) glidande medelvärde med rabattfaktor 1-945: Interpolationsversionen av prognosformuläret är det enklaste att använda om du genomför modellen på ett kalkylblad: det passar in i en Encell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet 945 lagras. Observera att om 945 1 motsvarar SES-modellen en slumpmässig gångmodell (utan tillväxt). Om 945 0 motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet. (Återgå till början av sidan.) Medelåldern för data i prognosen för enkel exponentiell utjämning är 1 945 i förhållande till den period som prognosen beräknas för. (Detta är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie.) Den enkla, snabba genomsnittliga prognosen tenderar därför att ligga bakom vändpunkter med cirka 1 945 perioder. Till exempel när 945 0,5 är fördröjningen 2 perioder när 945 0,2 är fördröjningen 5 perioder när 945 0,1 är fördröjningen 10 perioder, och så vidare. För en given medelålder (dvs mängden fördröjning) är prognosen för enkel exponentiell utjämning (SES) något överlägsen SMA-prognosen (Simple Moving Average) eftersom den placerar relativt större vikt vid den senaste observationen, dvs. Det är något mer quotresponsivequot för förändringar som inträffade under det senaste förflutna. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 945 0,2 båda en genomsnittlig ålder på 5 för data i sina prognoser, men SES-modellen lägger mer vikt på de sista 3 värdena än SMA-modellen och vid Samtidigt gör det inte helt 8220forget8221 om värden som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som kontinuerligt varierar, så att den lätt kan optimeras Genom att använda en kvotsolverquot-algoritm för att minimera medelkvadratfelet. Det optimala värdet på 945 i SES-modellen för denna serie visar sig vara 0,2961, vilket visas här: Medelåldern för data i denna prognos är 10,2961 3,4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är en horisontell rak linje. Som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt. Observera dock att de konfidensintervall som beräknas av Statgraphics avviker nu på ett rimligt sätt, och att de är väsentligt smalare än konfidensintervallen för slumpmässig promenadmodell. SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell. Så ger den statistiska teorin om ARIMA-modeller en bra grund för beräkning av konfidensintervaller för SES-modellen. I synnerhet är en SES-modell en ARIMA-modell med en icke-säsongsskillnad, en MA (1) term och ingen konstant term. Annars känd som en quotARIMA (0,1,1) modell utan constantquot. MA (1) - koefficienten i ARIMA-modellen motsvarar kvantiteten 1-945 i SES-modellen. Om du till exempel passar en ARIMA (0,1,1) modell utan konstant till den analyserade serien här, visar den uppskattade MA (1) - koefficienten att vara 0.7029, vilket är nästan exakt en minus 0,2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. För att göra detta, ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA (1) term med en konstant, dvs en ARIMA (0,1,1) modell med konstant. De långsiktiga prognoserna kommer då att ha en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant långsiktig exponentiell trend till en enkel exponentiell utjämningsmodell (med eller utan säsongsjustering) genom att använda inflationsjusteringsalternativet i prognosproceduren. Den lämpliga quotinflationen (procentuell tillväxt) per period kan uppskattas som lutningskoefficienten i en linjär trendmodell som är anpassad till data i samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter . (Return to top of page.) Browns Linjär (dvs dubbel) Exponentiell utjämning SMA-modellerna och SES-modellerna antar att det inte finns någon trend av något slag i data (vilket vanligtvis är OK eller åtminstone inte för dåligt för 1- Stegvisa prognoser när data är relativt bullriga), och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en varierande tillväxthastighet eller ett cykliskt mönster som står klart ut mot bruset, och om det finns behov av att prognostisera mer än en period framåt, kan uppskattningen av en lokal trend också vara en fråga. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning (LES) - modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trendmodellen är Browns linjära exponentiella utjämningsmodell, som använder två olika slätmade serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centra. (En mer sofistikerad version av denna modell, Holt8217s, diskuteras nedan.) Den algebraiska formen av Brown8217s linjär exponentiell utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men likvärdiga former. Den här kvotens kvotstandardkvot uttrycks vanligtvis enligt följande: Låt S beteckna den singeljämnade serien som erhållits genom att applicera enkel exponentiell utjämning till serie Y. Det vill säga värdet av S vid period t ges av: (Minns att, under enkel Exponentiell utjämning, detta skulle vara prognosen för Y vid period t1.) Låt sedan Squot beteckna den dubbelsidiga serien erhållen genom att använda enkel exponentiell utjämning (med samma 945) till serie S: Slutligen prognosen för Y tk. För vilken kgt1 som helst, ges av: Detta ger e 1 0 (det vill säga lura lite och låt den första prognosen motsvara den faktiska första observationen) och e 2 Y 2 8211 Y 1. Varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden som formeln baserad på S och S om de senare startades med användning av S1S1Y1. Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Holt8217s linjär exponentiell utjämning Brown8217s LES-modell beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på de datamönster som den kan passa: nivån och trenden Får inte variera till oberoende priser. Holt8217s LES-modell tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst t, som i Brown8217s modell, finns det en uppskattning L t på lokal nivå och en uppskattning T t av den lokala trenden. Här beräknas de rekursivt från värdet av Y observerat vid tiden t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som applicerar exponentiell utjämning till dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L t82091 och T t-1. Respektive prognosen för Y tshy som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1. När det verkliga värdet observeras beräknas den uppdaterade uppskattningen av nivån rekursivt genom interpolering mellan Y tshy och dess prognos L t-1 T t 1 med vikter av 945 och 1- 945. Förändringen i beräknad nivå, Nämligen L t 8209 L t82091. Kan tolkas som en bullrig mätning av trenden vid tiden t. Den uppdaterade uppskattningen av trenden beräknas därefter rekursivt genom interpolering mellan L t 8209 L t82091 och den tidigare uppskattningen av trenden T t-1. Användning av vikter av 946 och 1-946: Tolkningen av trendutjämningskonstanten 946 är analog med den för nivåutjämningskonstanten 945. Modeller med små värden av 946 antar att trenden ändras endast mycket långsamt över tiden, medan modeller med Större 946 antar att det förändras snabbare. En modell med en stor 946 tror att den avlägsna framtiden är väldigt osäker, eftersom fel i trendberäkning blir ganska viktiga vid prognoser mer än en period framåt. (Återgå till början av sidan.) Utjämningskonstanterna 945 och 946 kan beräknas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 945 0.3048 och 946 0.008. Det mycket lilla värdet på 946 innebär att modellen antar mycket liten förändring i trenden från en period till nästa, så i grunden försöker denna modell uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används för att uppskatta den lokala nivån i serien är medelåldern för de data som används för att uppskatta den lokala trenden proportionell mot 1 946, men inte exakt lika med den . I det här fallet visar sig att vara 10.006 125. Detta är ett mycket exakt antal eftersom beräkningen av 946 är riktigt 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så att Denna modell är medeltal över ganska mycket historia för att beräkna trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som uppskattas i SEStrend-modellen. Det uppskattade värdet på 945 är också nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend, så det är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som beräknas beräkna en lokal trend. Om du 8220eyeball8221 ser det här, ser det ut som om den lokala trenden har vänt sig nedåt i slutet av serien. Vad har hänt Parametrarna i denna modell Har uppskattats genom att minimera det kvadrerade felet i 1-stegs-prognoser, inte längre prognoser, i vilket fall trenden gör inte en stor skillnad. Om allt du tittar på är 1 steg framåt, ser du inte den större bilden av trender över (säg) 10 eller 20 perioder. För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den använder en kortare baslinje för trendberäkning. Om vi ​​till exempel väljer att ställa in 946 0,1, är medelåldern för de data som används vid uppskattning av den lokala trenden 10 perioder, vilket betyder att vi medeltar trenden över de senaste 20 perioderna eller så. Here8217s vad prognosplottet ser ut om vi sätter 946 0,1 samtidigt som ni håller 945 0.3. Detta ser intuitivt rimligt ut för denna serie, men det är troligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad sägs om felstatistik Här är en modell jämförelse för de två modellerna ovan och tre SES-modeller. Det optimala värdet på 945. För SES-modellen är ungefär 0,3, men liknande resultat (med något mer eller mindre responsivitet) erhålls med 0,5 och 0,2. (A) Hål linjär exp. Utjämning med alfa 0,3048 och beta 0,008 (B) Hål linjär exp. Utjämning med alfa 0,3 och beta 0,1 (C) Enkel exponentiell utjämning med alfa 0,5 (D) Enkel exponentiell utjämning med alfa 0,3 (E) Enkel exponentiell utjämning med alfa 0,2 Deras statistik är nästan identisk, så vi kan verkligen göra valet på grundval Av prognosfel i 1 steg före proverna. Vi måste falla tillbaka på andra överväganden. Om vi ​​starkt tror att det är vettigt att basera den nuvarande trendberäkningen på vad som hänt under de senaste 20 perioderna eller så kan vi göra ett ärende för LES-modellen med 945 0,3 och 946 0,1. Om vi ​​vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna vara enklare att förklara och skulle också ge fler mitten av vägtrafikprognoserna för de kommande 5 eller 10 perioderna. (Tillbaka till början av sidan.) Vilken typ av trend-extrapolation är bäst: Horisontell eller linjär Empiriska bevis tyder på att om uppgifterna redan har justerats (om det behövs) för inflationen, kan det vara oskäligt att extrapolera kortsiktiga linjära Trender mycket långt in i framtiden. Tendenser som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstörelse, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Av denna anledning utför enkel exponentiell utjämning ofta bättre ur prov än vad som annars skulle kunna förväntas, trots sin kvotiv kvot horisontell trend extrapolering. Dämpade trendmodifieringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den demonstrade LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA-modell (1,1,2). Det är möjligt att beräkna konfidensintervaller kring långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller. (Var försiktig: inte all mjukvara beräknar konfidensintervall för dessa modeller korrekt.) Bredden på konfidensintervallet beror på (i) modellens RMS-fel, (ii) utjämningstypen (enkel eller linjär) (iii) värdet (Er) av utjämningskonstanten (erna) och (iv) antalet perioder framåt du prognoserar. I allmänhet sprids intervallet snabbare, eftersom 945 blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används. Detta ämne diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. (Återgå till början av sidan.) Dokumentation Flyttande Medel Metod 8212 Medelvärde Metod Skjutfönster (standard) Exponentiell viktning Skjutfönster 8212 Ett längdfönster Fönsterlängden rör sig över ingångsdata längs varje kanal. För varje prov rör sig fönstret, beräknar blocket genomsnittet över data i fönstret. Exponentiell viktning 8212 Blocken multiplicerar proverna med en uppsättning viktningsfaktorer. Storleken på viktningsfaktorerna minskar exponentiellt när åldern för data ökar, når aldrig noll. För att beräkna medelvärdet summerar algoritmen den viktiga data. Ange fönsterlängd 8212 Flagga för att ange fönsterlängd på (standard) av När du markerar den här kryssrutan är längden på glidfönstret lika med det värde du anger i Fönsterlängd. När du avmarkerar den här kryssrutan är längden på glidfönstret oändligt. I det här läget beräknar blocket genomsnittet av det aktuella provet och alla tidigare prover i kanalen. Fönsterlängd 8212 Glidfönsterets längd 4 (standard) Positivt skalärt heltal Fönsterlängden anger längden på glidfönstret. Den här parametern visas när du markerar kryssrutan Specify window length. Glömma faktor 8212 Exponentiell viktningsfaktor 0,9 (standard) positiv real skalär i intervallet (0,1 Denna parameter gäller när du ställer in metod för exponentiell viktning. En glömande faktor på 0,9 ger större vikt än de äldre data än en glömande faktor på 0,1 En förglömlig faktor på 1,0 anger oändligt minne. Alla tidigare prover har samma vikt. Denna parameter är inställbar. Du kan ändra dess värde även under simuleringen. Simulera med 8212 Typ av simulering för att köra Kodgenerering (standard) Tolkat utförande Simulera Modell som använder genererad C-kod. Första gången du kör en simulering, genererar Simulink x00AE C-kod för blocket. C-koden återanvänds för efterföljande simuleringar, så länge som modellen inte ändras. Detta alternativ kräver ytterligare starttid, men ger snabbare Simuleringshastighet än tolkad utförande. Simulera modell med MATLAB x00AE tolk. Detta alternativ förkortar starttiden men har långsammare simuleringshastighet än kod Generation. Mer om algoritmer Glidande fönstermetod I glidfönstermetoden är utmatningen för varje inmatningsprov medelvärdet av det aktuella provet och de tidigare Len-1-proverna. Len är längden på fönstret. För att beräkna de första Len-1-utgångarna, när fönstret inte har tillräckligt med data fyller algoritmen fönstret med nollor. Som ett exempel, för att beräkna medelvärdet när det andra ingångsprovet kommer in fyller algoritmen fönstret med Len-2-nollor. Datav vektorn, x. Är då de två dataproverna följt av Len-2 nollor. När du anger egenskapen SpecifyWindowLength till fel. Algoritmen väljer en oändlig fönsterlängd. I detta läge är utmatningen det rörliga genomsnittet för det aktuella provet och alla tidigare prover i kanalen. Exponentiell viktningsmetod I exponentiell viktningsmetod beräknas det rörliga genomsnittet rekursivt med hjälp av dessa formler: w N. x03BB x03BB w N x2212 1. x03BB 1. x x00AF N. x03BB (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB (1 w N. x03BB) x N x xAFAF N. x03BB 8212 Flyttande medelvärdet vid det aktuella provet x N 8212 Nuvarande dataingångsprov x x00AF N x2212 1. x03BB 8212 Flyttmedelvärde vid föregående prov 955 8212 Glömt faktor w N. x03BB 8212 Viktningsfaktor applicerad på det aktuella dataprovet (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB 8212 Effekt av tidigare data i medelvärdet För det första provet, där N 1 väljer algoritmen v N. x03BB 1. För nästa prov uppdateras viktningsfaktorn och används för att beräkna medelvärdet, enligt den rekursiva ekvationen. När åldern för data ökar, minskar vikten av viktningsfaktorn exponentiellt och når aldrig noll. Med andra ord har de senaste uppgifterna större inverkan på nuvarande genomsnitt än de äldre data. Värdet av den glömma faktorn bestämmer vikten av förändring av viktningsfaktorerna. En glömande faktor på 0,9 ger större vikt än den äldre data än en glömande faktor på 0,1. En glömande faktor på 1,0 indikerar oändligt minne. Alla tidigare prover ges lika vikt. Systemobjekt Välj ditt land