Hvordan Å Bruke Bevegelse Gjennomsnitt In Prognoser

Flytte gjennomsnitt: Slik bruker du dem Noen av de primære funksjonene i et bevegelige gjennomsnitt er å identifisere trender og reverseringer. måle styrken av et aktivum momentum og bestemme potensielle områder der en eiendel vil finne støtte eller motstand. I denne delen vil vi påpeke hvordan ulike tidsperioder kan overvåke momentum og hvordan bevegelige gjennomsnittsverdier kan være gunstige for å sette stoppstopp. Videre vil vi ta opp noen av evner og begrensninger av bevegelige gjennomsnitt som man bør vurdere når de bruker dem som en del av en handelsrutine. Trend Identifiserende trender er en av nøkkelfunksjonene til bevegelige gjennomsnitt, som brukes av de fleste handelsfolk som søker å gjøre trenden til deres venn. Flytte gjennomsnitt er forsinkende indikatorer. noe som betyr at de ikke forutsier nye trender, men bekrefter trender når de er etablert. Som du ser i figur 1, anses en aksje å være i en opptrinn når prisen er over et bevegelige gjennomsnitt og gjennomsnittet er skråt oppover. Omvendt vil en næringsdrivende bruke en pris under et nedadgående gjennomsnittsnivå for å bekrefte en downtrend. Mange handlende vil bare vurdere å ha en lang posisjon i en eiendel når prisen handler over et glidende gjennomsnitt. Denne enkle regelen kan bidra til at trenden fungerer i handelshandelen. Momentum Mange nybegynnere handler om hvordan det er mulig å måle momentum og hvordan bevegelige gjennomsnitt kan brukes til å takle en slik prestasjon. Det enkle svaret er å være oppmerksom på tidsperioder som brukes til å skape gjennomsnittet, da hver tidsperiode kan gi verdifull innsikt i ulike typer momentum. Generelt kan kortsiktig momentum vurderes ved å se på bevegelige gjennomsnitt som fokuserer på tidsperioder på 20 dager eller mindre. Å se på bevegelige gjennomsnitt som er opprettet med en periode på 20 til 100 dager, regnes generelt som et godt mål på mellomlang sikt. Endelig kan ethvert glidende gjennomsnitt som bruker 100 dager eller mer i beregningen, brukes som et mål for langsiktig momentum. Sunn fornuft burde fortelle deg at et 15-dagers glidende gjennomsnitt er et mer hensiktsmessig mål for kortsiktig momentum enn et 200-dagers glidende gjennomsnitt. En av de beste metodene for å bestemme styrken og retningen av en eiendomsmoment er å plassere tre bevegelige gjennomsnitt på et diagram og deretter være nøye med hvordan de stabler opp i forhold til hverandre. De tre bevegelige gjennomsnittene som vanligvis brukes, har varierende tidsrammer i et forsøk på å representere kortsiktige, mellomlangs og langsiktige prisbevegelser. På figur 2 vises sterk oppadgående fart når kortere gjennomsnitt er plassert over lengre gjennomsnitt og de to gjennomsnittene er divergerende. Omvendt, når de kortere gjennomsnittene ligger under de langsiktige gjennomsnittene, er momentet i nedadgående retning. Støtte En annen vanlig bruk av bevegelige gjennomsnitt er å bestemme potensielle prisstøtte. Det tar ikke mye erfaring med å håndtere bevegelige gjennomsnitt for å legge merke til at fallende pris på en eiendel ofte vil stoppe og reversere retning på samme nivå som et viktig gjennomsnitt. I figur 3 kan du for eksempel se at 200-dagers glidende gjennomsnitt var i stand til å øke prisen på aksjen etter at den falt fra den høye nær 32. Mange forhandlere vil forutse en sprette av store bevegelige gjennomsnitt og vil bruke andre tekniske indikatorer som bekreftelse på forventet trekk. Motstand Når prisen på en eiendel faller under et innflytelsesrik nivå av støtte, som det 200-dagers glidende gjennomsnittet, er det ikke uvanlig å se den gjennomsnittlige handlingen som en sterk barriere som hindrer investorer i å presse prisen tilbake over det gjennomsnittet. Som du ser fra diagrammet nedenfor, brukes denne motstanden ofte av handelsmenn som et tegn for å ta fortjeneste eller å lukke eventuelle eksisterende lange stillinger. Mange korte selgere vil også bruke disse gjennomsnittene som inngangspunkter fordi prisen ofte hopper av motstanden og fortsetter å bevege seg lavere. Hvis du er en investor som holder en lang posisjon i en eiendel som handler under store bevegelige gjennomsnitt, kan det være best for deg å se disse nivåene nøye fordi de i stor grad kan påvirke verdien av investeringen. Stopp-tap Støtte - og motstandskarakteristikkene til bevegelige gjennomsnitt gjør dem til et godt verktøy for å håndtere risiko. Evnen til å flytte gjennomsnitt for å identifisere strategiske steder for å sette stoppordreordninger, gjør det mulig for næringsdrivende å kutte bort tapende stillinger før de kan vokse noe større. Som du kan se i figur 5, kan handelsfolk som holder en lang posisjon i en aksje og stiller sine stoppordre under innflytelsesrike gjennomsnitt, spare mye penger. Ved å bruke bevegelige gjennomsnitt for å sette stoppordreordninger er nøkkelen til enhver vellykket trading strategy. Moving Average Forecasting Introduksjon. Som du kanskje tror vi ser på noen av de mest primitive tilnærmingene til prognoser. Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne veinen vil vi fortsette med å starte i begynnelsen og begynne å jobbe med Moving Average prognoser. Flytte gjennomsnittlige prognoser. Alle er kjent med å flytte gjennomsnittlige prognoser, uansett om de tror de er. Alle studenter gjør dem hele tiden. Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva vil du forutsi for din andre testscore Hva tror du at læreren din ville forutse din neste testscore Hva tror du dine venner kan forutsi for neste testresultat Hva tror du at foreldrene dine kan forutsi for neste testresultat uansett alt det du kan gjøre med dine venner og foreldre, de og din lærer er veldig sannsynlig å forvente deg å få noe i området av 85 du nettopp har fått. Vel, nå kan vi anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og figurerer du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede går til Forvent deg at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv, at denne fyren alltid blåser røyk om hans smarts. Hes kommer til å få en annen 73 hvis han er heldig. Kanskje foreldrene vil prøve å være mer støttende og si, quote, så langt har du fått en 85 og en 73, så kanskje du burde finne på å få en (85 73) 2 79. Jeg vet ikke, kanskje hvis du gjorde mindre fest og werent vevet vasselen over alt, og hvis du begynte å gjøre mye mer å studere, kan du få en høyere score. quot Begge disse estimatene flytter faktisk gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en flytende gjennomsnittlig prognose ved hjelp av en periode med data. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. La oss anta at alle disse menneskene bråser på ditt store sinn, har slags pisset deg av og du bestemmer deg for å gjøre det bra på den tredje testen av dine egne grunner og for å sette en høyere poengsum foran din quotalliesquot. Du tar testen og poengsummen din er faktisk en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hvilke tror du er den mest nøyaktige fløyten mens vi jobber. Nå går vi tilbake til vårt nye rengjøringsfirma som startes av din fremmedgjorte halv søster, kalt Whistle While We Work. Du har noen tidligere salgsdata som er representert av følgende del fra et regneark. Vi presenterer først dataene for en tre-års glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Legg merke til hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponentiell utjevningsmodell. Ive inkluderte quotpast predictionsquot fordi vi vil bruke dem på neste nettside for å måle prediksjonsgyldigheten. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til C11. Legg merke til hvordan nå bare de to siste bitene av historiske data blir brukt for hver prediksjon. Igjen har jeg tatt med quotpast predictionsquot for illustrative formål og for senere bruk i prognose validering. Noen andre ting som er viktig å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, brukes bare de nyeste dataverdiene for å gjøre prognosen. Ingenting annet er nødvendig. For en m-periode som beveger gjennomsnittlig prognose, legger du merke til at den første prediksjonen forekommer i periode m 1. Begge disse problemene vil være svært viktige når vi utvikler koden vår. Utvikle den bevegelige gjennomsnittsfunksjonen. Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger. Legg merke til at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier. Du kan lagre den i hvilken arbeidsbok du vil ha. Funksjon MovingAverage (Historical, NumberOfPeriods) Som Single Deklarering og Initialisering av variabler Dim Item Som Variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer Initialiserende variabler Teller 1 Akkumulering 0 Bestemme størrelsen på Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulere riktig antall siste tidligere observerte verdier Akkumulasjonsakkumulering Historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage AkkumuleringsnummerOfPeriods Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der det skal like følgende. En tidsserie er en sekvens av observasjoner av en periodisk tilfeldig variabel. Eksempler er den månedlige etterspørselen etter et produkt, den årlige innkjøpsmannens påmelding i en avdeling ved universitetet og de daglige strømmen i en elv. Tidsserier er viktige for operasjonsforskning fordi de ofte er førerne av beslutningsmodeller. En beholdningsmodell krever estimater av fremtidige krav, en kursplanlegging og bemanningsmodell for en universitetsavdeling krever estimater for fremtidig studentinstrømning, og en modell for å gi advarsler til befolkningen i et elvområde krever estimater av elvestrømmer for nær fremtid. Tidsserieanalyse gir verktøy for å velge en modell som beskriver tidsseriene og bruker modellen til å prognose fremtidige hendelser. Modellering av tidsserien er et statistisk problem fordi observerte data blir brukt i beregningsmetode for å estimere koeffisientene til en antatt modell. Modeller antar at observasjoner varierer tilfeldig med en underliggende middelverdi som er en funksjon av tiden. På disse sidene begrenser vi oppmerksomheten ved å bruke historiske tidsseriedata for å estimere en tidsavhengig modell. Metodene er hensiktsmessige for automatisk, kortsiktig prognose av ofte brukt informasjon der de underliggende årsakene til tidsvariasjon ikke endres markant i tide. I praksis blir prognosene avledet av disse metodene senere modifisert av menneskelige analytikere som inkorporerer informasjon som ikke er tilgjengelig fra de historiske dataene. Vårt primære formål i denne delen er å presentere ligningene for de fire prognosemetodene som brukes i Forecasting-tillegget: glidende gjennomsnitt, eksponensiell utjevning, regresjon og dobbel eksponensiell utjevning. Disse kalles utjevningsmetoder. Metoder som ikke vurderes inkluderer kvalitative prognoser, multiple regresjon og autoregressive metoder (ARIMA). De som er interessert i mer omfattende dekning, bør besøke nettstedet Forecasting Principles eller lese en av de mange gode bøkene om emnet. Vi brukte boken Forecasting. av Makridakis, Wheelwright og McGee, John Wiley ampsons, 1983. For å bruke Excel Exempler-arbeidsboken, må du ha prognosen for tilleggsprogram installert. Velg Relink-kommandoen for å etablere koblingene til tillegget. Denne siden beskriver modellene som brukes til enkel prognose og notasjonen som brukes til analysen. Denne enkleste prognosemetoden er den gjennomsnittlige prognosen i gjennomsnitt. Metoden er bare gjennomsnitt av de siste m-observasjonene. Det er nyttig for tidsserier med et sakte skiftende middel. Denne metoden vurderer hele fortiden i prognosen, men veier nyere erfaring tungere enn mindre nylig. Beregningene er enkle fordi bare estimatet av forrige periode og gjeldende data bestemmer det nye estimatet. Metoden er nyttig for tidsserier med et sakte skiftmiddel. Den bevegelige gjennomsnittlige metoden svarer ikke godt til en tidsserie som øker eller avtar med tiden. Her inkluderer vi en lineær trendbegrep i modellen. Regresjonsmetoden tilnærmer seg modellen ved å konstruere en lineær ligning som gir de minste firkanter som passer til de siste m-observasjonene. I praksis vil det bevegelige gjennomsnitt gi et godt estimat av gjennomsnittet av tidsserien hvis middelet er konstant eller sakte endring. Ved konstant gjennomsnitt vil den største verdien av m gi de beste estimatene for det underliggende gjennomsnittet. En lengre observasjonsperiode vil gjennomsnittlig utvirke virkningen av variabilitet. Formålet med å gi en mindre m er å la prognosen svare på en endring i den underliggende prosessen. For å illustrere foreslår vi et datasett som inkorporerer endringer i det underliggende gjennomsnittet av tidsseriene. Figuren viser tidsseriene som brukes til illustrasjon sammen med den gjennomsnittlige etterspørselen fra hvilken serien ble generert. Middelet begynner som en konstant ved 10. Begynner på tid 21, øker den med en enhet i hver periode til den når verdien av 20 ved tid 30. Da blir det konstant igjen. Dataene blir simulert ved å legge til i gjennomsnitt, en tilfeldig støy fra en Normal-fordeling med null-middel og standardavvik 3. Resultatene av simuleringen avrundes til nærmeste heltall. Tabellen viser de simulerte observasjonene som brukes til eksemplet. Når vi bruker bordet, må vi huske at det til enhver tid bare er kjent med tidligere data. Estimatene til modellparameteren, for tre forskjellige verdier av m, vises sammen med gjennomsnittet av tidsseriene i figuren under. Figuren viser gjennomsnittlig glidende gjennomsnittlig beregning av gjennomsnittet hver gang og ikke prognosen. Prognosene ville skifte de bevegelige gjennomsnittskurver til høyre etter perioder. En konklusjon er umiddelbart tydelig fra figuren. For alle tre estimatene ligger det glidende gjennomsnittet bak den lineære trenden, idet laget øker med m. Laget er avstanden mellom modellen og estimatet i tidsdimensjonen. På grunn av lavet undervurderer det bevegelige gjennomsnittet observasjonene ettersom gjennomsnittet øker. Forskjellerens forspenning er forskjellen på en bestemt tid i middelverdien av modellen og middelverdien forutsatt av det bevegelige gjennomsnittet. Forspenningen når gjennomsnittet øker er negativt. For et avtagende middel er forspenningen positiv. Forsinkelsen i tid og bias innført i estimatet er funksjoner av m. Jo større verdien av m. jo større størrelsen på lag og forspenning. For en kontinuerlig økende serie med trend a. verdiene av lag og forspenning av estimatoren av middelet er gitt i ligningene nedenfor. Eksempelkurverne stemmer ikke overens med disse ligningene, fordi eksempelmodellen ikke øker kontinuerlig, men det begynner som en konstant, endrer seg til en trend og blir konstant igjen. Også eksempelkurvene påvirkes av støyen. Den bevegelige gjennomsnittlige prognosen for perioder inn i fremtiden er representert ved å flytte kurvene til høyre. Forsinkelsen og forspenningen øker proporsjonalt. Ligningene nedenfor angir lag og forspenning av prognoseperioder i fremtiden sammenlignet med modellparametrene. Igjen, disse formlene er for en tidsserie med en konstant lineær trend. Vi bør ikke bli overrasket over dette resultatet. Den bevegelige gjennomsnittlige estimatoren er basert på antagelsen om konstant gjennomsnitt, og eksemplet har en lineær trend i gjennomsnittet i en del av studieperioden. Siden sanntidsserier sjelden vil adlyde forutsetningene til en hvilken som helst modell, bør vi være forberedt på slike resultater. Vi kan også konkludere fra figuren at variasjonen av støyen har størst effekt for mindre m. Estimatet er mye mer flyktig for det bevegelige gjennomsnittet på 5 enn det bevegelige gjennomsnittet på 20. Vi har de motstridende ønskene om å øke m for å redusere effekten av variabilitet på grunn av støyen, og å redusere m for å gjøre prognosen mer lydhør for endringer i gjennomsnitt. Feilen er forskjellen mellom de faktiske dataene og den forventede verdien. Hvis tidsseriene er virkelig en konstant verdi, er den forventede verdien av feilen null og variansen av feilen består av et begrep som er en funksjon av og et andre begrep som er variansen av støyen. Første term er variansen av gjennomsnittet estimert med en prøve av m observasjoner, forutsatt at data kommer fra en befolkning med konstant gjennomsnitt. Denne termen er minimert ved å gjøre m så stor som mulig. Et stort m gjør prognosen uansvarlig for en endring i den underliggende tidsserien. For å gjøre prognosen lydhør for endringer, ønsker vi m så liten som mulig (1), men dette øker feilvariasjonen. Praktisk prognose krever en mellomverdi. Forecasting with Excel Forecasting-tillegget implementerer de bevegelige gjennomsnittlige formlene. Eksempelet nedenfor viser analysen som ble levert av tillegget for prøvedataene i kolonne B. De første 10 observasjonene er indeksert -9 til 0. Sammenlignet med tabellen over, forskyves periodindeksene med -10. De første ti observasjonene gir oppstartsverdiene for estimatet og brukes til å beregne det bevegelige gjennomsnittet for perioden 0. MA (10) kolonnen (C) viser de beregnede bevegelige gjennomsnittene. Den bevegelige gjennomsnittsparameteren m er i celle C3. Fore (1) kolonne (D) viser en prognose for en periode inn i fremtiden. Forespørselsintervallet er i celle D3. Når prognoseperioden endres til et større tall, blir tallene i Fore-kolonnen flyttet ned. Err-kolonnen (E) viser forskjellen mellom observasjonen og prognosen. For eksempel er observasjonen ved tidspunkt 1 6. Den prognostiserte verdien fra det bevegelige gjennomsnittet ved tid 0 er 11,1. Feilen er da -5,1. Standardavviket og gjennomsnittlig avvik (MAD) beregnes i henholdsvis celler E6 og E7.