Die 7 Slaggate van die beweging Gemiddeldes n bewegende gemiddelde is die gemiddelde prys van 'n sekuriteit oor 'n bepaalde tydperk van die tyd. Ontleders gebruik dikwels bewegende gemiddeldes as 'n analitiese instrument te maak dit makliker om die mark tendense te volg, as sekuriteite te beweeg op en af. Bewegende gemiddeldes kan tendense vas te stel en te meet momentum. dus, kan hulle gebruik word om aan te dui wanneer 'n belegger moet koop of verkoop 'n spesifieke sekuriteit. Beleggers kan ook gebruik bewegende gemiddeldes te steun of weerstand punte te identifiseer ten einde vas te stel wanneer die pryse is geneig om van rigting te verander. Deur die bestudering van historiese handel reekse, is ondersteuning en weerstand punte gevestig waar die prys van 'n sekuriteit omgekeer sy opwaartse of afwaartse neiging in die verlede. Hierdie punte word dan gebruik om te maak, te koop of te verkoop besluite. Ongelukkig, bewegende gemiddeldes is nie perfek instrumente om tendense en hulle bied baie subtiel, maar betekenisvolle, risiko's vir beleggers. Verder het bewegende gemiddeldes nie van toepassing op alle vorme van maatskappye en nywerhede. Sommige van die belangrikste nadele van bewegende gemiddeldes, sluit in: 1. bewegende gemiddeldes te trek tendense van die verlede inligting. Hulle hoef in ag neem veranderinge wat 'n securitys toekomstige prestasie kan beïnvloed, soos nuwe mededingers, hoër of laer vraag na produkte in die bedryf en veranderinge in die bestuurs - struktuur van die maatskappy. 2. Die ideaal is, sal 'n bewegende gemiddelde 'n konsekwente verandering in die prys van 'n sekuriteit, met verloop van tyd te wys. Ongelukkig, bewegende gemiddeldes hoef werk vir al die maatskappye, veral vir diegene in baie wisselvallig nywerhede of diegene wat swaar beïnvloed word deur huidige gebeure. Dit is veral waar vir die oliebedryf en hoogs spekulatiewe nywerhede in die algemeen. 3. bewegende gemiddeldes kan versprei oor enige tydperk. Dit kan egter problematies wees omdat die algemene tendens aansienlik kan verander na gelang van die tydperk gebruik. Korter tydsbestek het meer wisselvalligheid, terwyl langer tydskale minder wisselvalligheid, maar moenie rekening vir nuwe veranderinge in die mark. Beleggers moet versigtig wees wat tyd wat hulle kies, om seker te maak die tendens is duidelik en relevant. 4. 'n on-going debat is of nie meer klem op die mees onlangse dae moet geplaas word in die tydperk. Baie voel dat onlangse data beter weerspieël die rigting van die sekuriteit beweeg, terwyl ander voel dat die gee van 'n paar dae meer gewig as ander, verkeerd vooroordele die tendens. Beleggers wat verskillende metodes vir die berekening van gemiddeldes gebruik kan heeltemal verskillende tendense vestig. (Meer inligting in 'n eenvoudige teen Eksponensiële Moving gemiddeldes.) 5. Baie beleggers argumenteer dat tegniese ontleding is 'n sinlose manier om gedrag mark voorspel. Hulle sê die mark het geen geheue en die verlede is nie 'n aanduiding van die toekoms. Verder is daar 'n aansienlike navorsing om dit te ondersteun. Byvoorbeeld, Roy Nersesian het 'n studie met vyf verskillende strategieë gebruik van bewegende gemiddeldes. Die sukseskoers van elke strategie gewissel tussen 37 en 66. Hierdie navorsing dui daarop dat bewegende gemiddeldes net resultate oplewer omtrent die helfte van die tyd, wat kan maak met behulp van hulle 'n riskante proposisie vir doeltreffende tydsberekening van die aandelemark. 6. Securities wys dikwels 'n sikliese patroon van gedrag. Dit geld ook vir nutsmaatskappye, wat bestendige vraag na hul produk jaar-tot-jaar, maar ervaar 'n sterk seisoenale veranderinge. Hoewel bewegende gemiddeldes kan help gladde uit hierdie tendense, kan hulle ook verberg die feit dat die sekuriteit is trending in 'n ossillasie patroon. (Vir meer inligting, sien 'n ogie oor Momentum.) 7. Die doel van enige tendens is om te voorspel waar die prys van 'n sekuriteit sal wees in die toekoms. As 'n sekuriteit nie trending in enige rigting, nie die geval is dit 'n geleentheid om voordeel te trek uit óf koop of kort verkoop. Die enigste manier om 'n belegger in staat kan wees om wins sou wees om 'n gesofistikeerde, opsies-based strategie wat staatmaak op die oorblywende bestendige prys te implementeer. Die bottom line bewegende gemiddeldes is geag 'n waardevolle analitiese instrument deur baie, maar vir enige instrument om doeltreffend moet jy eers die funksie daarvan te verstaan, wanneer om dit te gebruik en wanneer om dit nie te gebruik nie. Die gevare wat hierin bespreek word aandui wanneer bewegende gemiddeldes nie 'n doeltreffende instrument kan wees, soos wanneer dit gebruik word met vlugtige sekuriteite, en hoe hulle sekere belangrike statistiese inligting, soos sikliese patrone kan miskyk. Dit is ook te betwyfel hoe doeltreffend bewegende gemiddeldes is vir akkuraat aandui prystendense. Gegewe die nadele, kan bewegende gemiddeldes 'n instrument beste gebruik word in samewerking met ander. Op die ou end, sal persoonlike ervaring die uiteindelike aanduiding van hoe doeltreffend hulle werklik is vir jou portefeulje wees. (Vir meer inligting Do Adaptive Bewegende Gemiddeldes lei tot beter resultate) In die praktyk die bewegende gemiddelde sal 'n goeie raming van die gemiddelde van die tydreeks te verskaf indien die gemiddelde konstant of stadig verander. In die geval van 'n konstante gemiddelde, sal die grootste waarde van m die beste raming van die onderliggende gemiddelde gee. 'N langer tydperk waarneming sal gemiddeld uit die gevolge van variasie. Die doel van die verskaffing van 'n kleiner m is om voorsiening te maak die voorspelling om te reageer op 'n verandering in die onderliggende proses. Om te illustreer, stel ons 'n datastel wat veranderinge in die onderliggende gemiddelde van die tydreeks inkorporeer. Die figuur toon die tyd reeks gebruik ter illustrasie saam met die vraag gemiddelde waaruit die reeks was gegenereer. Die gemiddelde begin as 'n konstante by 10. Vanaf die tyd 21, verhoog dit met 'n eenheid in elke tydperk totdat dit die waarde van 20 ten tye 30. bereik Dan weer konstant raak dit. Die data word gesimuleer deur die byvoeging van die gemiddelde, 'n ewekansige geluid van 'n normale verspreiding met 'n nul gemiddelde en standaardafwyking 3. Die resultate van die simulasie is afgerond tot die naaste heelgetal. Die tabel toon die gesimuleerde Waarnemings wat gebruik word vir die voorbeeld. Wanneer ons die tafel gebruik, moet ons onthou dat op enige gegewe tyd, word slegs die afgelope data bekend. Die raming van die model parameter, vir drie verskillende waardes van m word saam met die gemiddelde van die tydreeks in die figuur hieronder. Die figuur toon die bewegende gemiddelde skatting van die gemiddelde by elke keer en nie die voorspelling. Die vooruitskattings sal die bewegende gemiddelde kurwes skuif na regs deur periodes. Een gevolgtrekking is onmiddellik duidelik uit die figuur. Vir al drie skattings loop die bewegende gemiddelde agter die lineêre tendens, met die lag verhoog met m. Die lag is die afstand tussen die model en die raming in die tydsdimensie. As gevolg van die lag, die bewegende gemiddelde onderskat die waarnemings as die gemiddelde is aan die toeneem. Die vooroordeel van die beramer is die verskil op 'n spesifieke tyd in die gemiddelde waarde van die model en die gemiddelde waarde voorspel deur die bewegende gemiddelde. Die vooroordeel wanneer die gemiddelde is aan die toeneem is negatief. Vir 'n dalende gemiddelde, die vooroordeel is positief. Die vertraging in die tyd en die vooroordeel wat in die raming is funksies van m. Hoe groter die waarde van m. hoe groter die omvang van die lag en vooroordeel. Vir 'n voortdurend toenemende reeks met tendens a. die waardes van die lag en vooroordeel van die beramer van die gemiddelde is in die onderstaande vergelykings. Die voorbeeld krommes stem nie ooreen hierdie vergelykings omdat die voorbeeld model is nie voortdurend aan die toeneem, eerder dit begin as 'n konstante, veranderinge aan 'n tendens en dan weer word konstant. Ook die voorbeeld krommes geraak word deur die lawaai. Die bewegende gemiddelde voorspelling van periodes in die toekoms word verteenwoordig deur die verskuiwing van die kromme na regs. Die lag en vooroordeel te verhoog proporsioneel. Die onderstaande vergelykings dui die lag en vooroordeel van 'n voorspelling tydperke in die toekoms in vergelyking met die model parameters. Weereens, hierdie formules is vir 'n tyd reeks met 'n konstante lineêre tendens. Ons moet nie verbaas wees oor die resultaat wees. Die bewegende gemiddelde beramer is gebaseer op die aanname van 'n konstante gemiddelde, en die voorbeeld het 'n liniêre tendens in die gemiddelde tydens 'n gedeelte van die studietydperk. Sedert real time reeks sal selde presies die aannames van enige model te gehoorsaam, moet ons bereid wees om vir sulke resultate. Ons kan ook aflei uit die figuur dat die variasie van die geraas het die grootste effek vir kleiner m. Die skatting is baie meer wisselvallig vir die bewegende gemiddelde van 5 as die bewegende gemiddelde van 20. Ons het die botsende begeertes te m verhoog die effek van variasie te verminder as gevolg van die geraas, en om m te verminder die voorspelling meer reageer op veranderinge aan te bring in die gemiddelde. Die fout is die verskil tussen die werklike data en die geskatte waarde. As die tyd reeks is werklik 'n konstante waarde van die verwagte waarde van die fout is nul en die variansie van die fout bestaan uit 'n term wat 'n funksie is van en 'n tweede termyn wat die variansie van die geraas,. Die eerste kwartaal is die variansie van die gemiddelde geskatte met 'n monster van m waarnemings, die aanvaarding van die data kom uit 'n bevolking met 'n konstante gemiddelde. Hierdie term word tot die minimum beperk deur m so groot as moontlik. 'N Groot m maak die voorspelling nie reageer op 'n verandering in die onderliggende tydreekse. Die voorspelling reageer op veranderinge aan te bring, wil ons m so klein as moontlik (1), maar dit verhoog die foutvariansie. Praktiese vooruitskatting vereis 'n intermediêre waarde. Vooruitskatting met Excel Die vooruitskatting add-in implemente die bewegende gemiddelde formules. Die voorbeeld hieronder toon die analise wat deur die byvoeging in vir die voorbeeld van die data in kolom B. Die eerste 10 waarnemings word geïndekseer -9 deur 0. In vergelyking met die tabel hierbo, is die tydperk indekse verskuif deur -10. Die eerste tien Waarnemings verskaf die begin waardes vir die beraming en gebruik word om die bewegende gemiddelde vir tydperk 0. Die MA (10) kolom (C) toon die berekende bewegende gemiddeldes te bereken. Die bewegende gemiddelde parameter m is in sel C3. Vore (1) kolom (D) toon 'n voorspelling vir een periode na die toekoms. Die voorspelling interval is in sel D3. Wanneer die voorspelling interval verander word na 'n groter aantal van die getalle in die kolom vore geskuif af. Die kolom Fout (1) (e) toon die verskil tussen die waarneming en die voorspelling. Byvoorbeeld, die waarneming by die tyd 1 is 6. Die geskatte waarde uit die bewegende gemiddelde op tydstip 0 is 11.1. Die fout dan is -5,1. Die gemiddeldes en standaardafwykings Gemiddelde Afwyking (MAD) word bereken in selle E6 en E7 respectively. Forecasting 101: wat verder gaan as outomatiese vooruitskatting Deel 3: Die verbetering van jou voorspelling met Top-down Models Dit paaiement van vooruitskatting 101 bied die derde van drie artikels oor 'n reis buite outomatiese vooruitskatting. Die eerste artikel het 'n oorsig van 'n outomatiese tydreekse benaderings, ondersoek hoe dit werk, die voor - en nadele van die gebruik van hulle, en situasies waar hulle nie mag gebruik word. Die tweede artikel beskryf die ontwikkeling van 'n suksesvolle voorspelling proses, en let op dat dit dikwels behels 'n progressie van ad hoc sigblaaie om outomatiese tydreekse benaderings en uiteindelik tot persoonlike benaderings toegepas om die subset van die items waar hulle waarde toe te voeg. Die tweede artikel beskryf een so 'n persoonlike approachevent modelsan gevorderde vooruitskatting metode wat dikwels sal oortref outomatiese tydreekse benaderings vir data waar spesiale geleenthede soos bevorderings, stakings, roerende vakansies, ens het plaasgevind tydens die historiese tydperk vraag. In hierdie artikel sal ons kyk na nog 'n algemene persoonlike approachtop-down modellering. Top-down benaderings hefboom struktuur wat bestaan in 'n hoër vlak totaal data voorspellings te verbeter op die laer vlakke van die voorspelling hiërargie. Wat is 'n top-down voorspel meeste organisasies hanteer verskeie vlakke van samevoeging en vereis konsekwente voorspellings op alle vlakke. Byvoorbeeld kan 'n drankie maatskappy 'n voorspelling vir die totale verkope, sowel as 'n voorspelling vir elke merk, elke kliënt segment, elke tipe houer en elke SKU nodig. Wanneer die voorbereiding van voorspellings vir hiërargiese data, moet jy besluit op 'n versoening strategie (dit wil sê jy moet besluit hoe om af te dwing wat die verwagtinge is konsekwent oor vlakke). Een benadering is om statistiese vooruitskatting metodes direk van toepassing is op die laagste vlak vraag geskiedenis en bou al groep-vlak voorspellings deur die WHALM laer-vlak forecaststhis staan bekend as 'n bottom-up skatting. 'N Alternatiewe benadering is om statistiese vooruitskatting metodes op meer gesommeerde data gebruik en dan 'n toekenning skema van toepassing is op die laer vlak forecaststhis staan bekend as 'n top-down voorspelling genereer. Kom ons illustreer hierdie benaderings met 'n baie eenvoudige voorbeeld. Die kolom Model-gebaseerde bevat die voorspelling dat sou geskep word deur die toepassing van 'n statistiese vooruitskatting metode direk na die gegewe datastel. So in ons voorbeeld, as jy voorspel die vraag na 6 pakke direk die voorspelling sou gelyk 70, as jy die vraag na 12 pakke voorspel direk die voorspelling sou gelyk 30 en as jy die vraag na totale blikkies voorspel direk die voorspelling sou gelyk 120. Let daarop dat voorspelling vir Blikkies is nie gelyk aan die som van die voorspelling vir 6 pakke en die voorspelling vir 12 pakke. Wanneer die drie datastelle word voorspel onafhanklik deur hul eie geskiedenis, is daar geen statistiese meganisme wat dwing hulle om te versoen en hulle is uiters onwaarskynlik om dit te doen. By tye, kan die model gebaseer voorspelling vir die groep heeltemal anders is as die som van die komponent reeks-model gebaseer voorspellings wees. Let daarop dat in die bottom-up benadering die-model gebaseer voorspellings word gebruik vir die item-vlak data (6 pakke en 12 pakke) en die groep-vlak voorspelling (Blikkies) word bereken as hul som. In die top-down benadering die-model gebaseer vooruitskatting word gebruik vir die groep-vlak en die item-vlak voorspellings bereken deur die aanpassing van hul-model gebaseer voorspellings proporsioneel sodat hulle som die groep-vlak skatting. 'N Alternatiewe top-down benadering is om nie voorspel die item-vlak data glad en net gedesaggregeerd die groep-vlak voorspel deur die toepassing van proporsionaliteit faktore. Hierdie metode sou gepas wees wanneer die verhouding is konstant en bekend (bv disaggregating skoen verkope met behulp van 'n grootte grafiek of 'n finale goed gebruik van 'n wetsontwerp van materiale). Wanneer doen top-down benadering verbeter die voorspellings Die besluit om 'n top-down of 'n bottom-up benadering dikwels skarniere op twee belangrike kwessies te gebruik. 1. Is die laer vlak eenhede waarskynlik vereis duidelike statistiese modelle Dit sou die geval wees indien die markkragte wat verkope op die laer vlak vorm is anders. Verskillende markte, verskillende advertensies en promosies, en verskillende verspreiding al gunste skepping van duidelike-model gebaseer voorspellings. As appels en lemoene het duidelik verskillende markte, dan sal jy waarskynlik beter doen om hulle apart te voorspel. Indien nie, dan is daar dikwels 'n duidelike voordeel te voorspel top-down van die saamgestelde vrugte. As die laer-vlak data is statisties soortgelyke, voorspel 'n groep vlak sal oor die algemeen lei tot 'n meer akkurate voorspelling omdat: A. 'n hoër volume van data is beskikbaar. B. daar minder geraas (ewekansige variasie) in die gesommeerde data dat die voorspelling kon skeef. C. die gesommeerde data sal dikwels toon 'n meer uitgesproke struktuur, maak patrone makliker om te erken en skatting. 2. Is daar voldoende statistiese inligting in die laer vlak historiese verkope om 'n model wat slegs gebaseer is op die verkope Baie organisasies wat aangespreek moet lae-vlak voorspellings te genereer ontdek bou wat teen die laagste vlakke daar is eenvoudig nie genoeg struktuur om betekenisvolle statistiese voorspellings direk genereer uit die lae-vlak data. In sulke gevalle is daar geen keuse as om die laagste vlak voorspellings te genereer nie met statistiese modelle nie, maar eerder deur die gebruik van 'n soort van top-down toekenning skema. Kom ons illustreer dit met 'n voorbeeld. Figuur 1 toon die maandelikse verkope vir 'n handelsmerk van hoesstroop. Figuur 2 toon maandelikse verkope vir 'n spesifieke SKU. Die maatskappy ken 'n unieke SKU getal aan elke smaak-vir-bottel-grootte kombinasie wat dit produseer. Oorweeg die twee grafieke. Let daarop dat die merk vlak, daar is meer struktuur aan die data. Die seisoenale patroon is geredelik en daar is minder geraas. Meer as drie jaar van die geskiedenis vraag is beskikbaar by die merk vlak, terwyl slegs 10 maande van die geskiedenis bestaan vir die onlangs bekend gestel SKU. In hierdie voorbeeld, die gebrek aan geskiedenis aan die SKU vlak nie die geval is kan jy 'n seisoenale voorspelling model direk vanaf die data te bou. Dus, sedert hoesstroop is duidelik 'n seisoenale produk, 'n bottom-up benadering sal baie swak voorspellings te lewer. Aan die ander kant, 'n top-down benadering kan jy die seisoenale struktuur wat by die groep vlak bestaan vang en stel dit aan die SKU-vlak voorspellings deur middel van die top-down aanpassings. Opsomming Die meeste organisasies vind dat die gebruik van outomatiese tydreekse approachessuch as dié geïmplementeer in Voorspelling Prowork baie goed vir die oorgrote meerderheid van hul items en bied aansienlike voordele bo ad hoc vooruitskatting met sigblaaie. In hierdie reeks artikels, het ons die voor - en nadele van 'n outomatiese tydreekse benaderings en ook verken geval modellering en top-down forecastingtwo alternatiewe voorspelling benaderings wat dikwels verbeter akkuraatheid voorspelling vir die deel van jou items waar outomatiese tydreeksmodelle nie presteer bespreek goed. Oor die skrywer: Eric Stellwagen is vise-president en mede-stigter van Besigheid Voorspelling Systems, Inc. (BFS) en mede-skrywer van die voorspelling Pro sagteware produk lyn. Hy konsulteer wyd in die gebied van praktiese sake forecastingspending 20-30 dae per jaar aanbied werkswinkels oor die subjectand spreek gereeld professionele groepe soos die Universiteit van Tennessees Verkope Vooruitskatting Management Forum, APICS en die Instituut vir Besigheid vooruitskatting. Erken as 'n voorste kenner op die gebied, het hy saam met talle maatskappye, insluitende Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning en Verizon. Hy is ook tans in diens van die raad van direkteure van die Internasionale Instituut vir Voorspellers (IIF).Moving Gemiddeldes n bewegende gemiddelde is een van die mees buigsame asook mees algemeen gebruikte tegniese analise. Dit is hoogs gewild onder handelaars, meestal as gevolg van sy eenvoud. Dit werk die beste in 'n trending omgewing. Inleiding In statistiek, 'n bewegende gemiddelde is bloot 'n gemiddelde van 'n sekere stel data. In die geval van tegniese ontleding, hierdie data is in die meeste gevalle deur die sluiting van die pryse van aandele vir die betrokke dae. Maar sommige handelaars gebruik ook aparte gemiddeldes vir daaglikse minima en maksima of selfs 'n gemiddeld van middelpunt waardes (wat hulle bereken deur 'n opsomming van die daaglikse minimum en maksimum en te deel deur dit twee). Tog, kan jy 'n bewegende gemiddelde ook bou op 'n korter tyd-raam, byvoorbeeld deur die gebruik van daily - of minute - data. Byvoorbeeld, as jy 'n 10-dae bewegende gemiddelde maak, jy moet net voeg al sluitingstyd pryse die gedurende die laaste 10 dae en deel dit dan met 10 (in hierdie geval is dit 'n eenvoudige bewegende gemiddelde). Die volgende dag het ons dieselfde doen nie, behalwe dat ons weer die pryse vir die afgelope 10 dae neem, wat beteken dat die prys wat die laaste in ons berekening van die vorige dag was nie meer in vandag se gemiddelde - dit word vervang deur gisters prys. Die data verskuiwing in die manier met elke nuwe handelsmerk dag, vandaar die term bewegende gemiddelde. Die doel en gebruik van bewegende gemiddeldes in tegniese ontleding bewegende gemiddelde is 'n tendens volgende aanwyser. Die doel daarvan is om die begin van 'n tendens op te spoor, volg sy vordering, asook om sy ommekeer rapporteer indien dit voorkom. In teenstelling met kartering, moenie bewegende gemiddeldes nie die begin of die einde van 'n tendens verwag. Hulle bevestig dit net nie, maar slegs 'n paar keer na die werklike ommeswaai plaasvind. Dit spruit uit hul konstruksie, aangesien hierdie aanwysers uitsluitlik gebaseer is op historiese data. Die minder dae per bewegende gemiddelde bevat, hoe gouer dit kan 'n tendense ommekeer te spoor. Dit is as gevolg van die bedrag van die historiese data, wat sterk beïnvloed die gemiddelde. A 20-dae - bewegende gemiddelde genereer die sein van 'n tendens omkeer gouer as die 50-dag gemiddeld. Dit is egter ook so dat die minder dae wat ons gebruik in die bewegende gemiddeldes berekening, hoe meer valse seine wat ons kry. Dus, die meeste van die handelaars gebruik 'n kombinasie van 'n paar bewegende gemiddeldes, wat almal 'n sein gelyktydig oplewer, voordat 'n handelaar maak sy posisie in die mark. Nietemin, 'n bewegende gemiddeldes agter die tendens nie heeltemal uitgeskakel kan word. Handel seine Enige tipe bewegende gemiddelde gebruik kan word om te koop of te verkoop seine genereer en hierdie proses is baie eenvoudig. Die kartering sagteware plotte die bewegende gemiddelde as 'n lyn direk in die prys grafiek. Seine gegenereer word op plekke waar pryse sny hierdie lyne. Wanneer die prys bo die bewegende gemiddelde lyn kruise, impliseer dit die begin van 'n nuwe opwaartse neiging en dus beteken dit 'n koopsein. Aan die ander kant, as die prys kruisies onder die bewegende gemiddelde lyn en die mark sluit ook in hierdie area, dit dui op die begin van 'n afwaartse neiging en dus is dit maak 'n verkoop signal. Using verskeie gemiddeldes Ons kan ook kies vir die gebruik van verskeie bewegende gemiddeldes gelyktydig, ten einde die geraas in pryse en veral die valse seine (whipsaws), wat die gebruik van 'n enkele bewegende gemiddelde opbrengste uit te skakel. By die gebruik van verskeie gemiddeldes, 'n koopsein vind plaas wanneer die kortste van die gemiddeldes kruis bo die meer gemiddelde, bv die 50-dag gemiddeld kruis bo die 200-dag gemiddeld. Aan die ander kant, is 'n sell sein in hierdie geval ontstaan wanneer die 50-dag gemiddeld kruise onder die 200-average. Similarly, ons kan ook 'n kombinasie van drie gemiddeldes gebruik, bv 'n 5-dag, 10-dag en 20-dag gemiddeld. In hierdie geval, is 'n opwaartse neiging aangedui as die 5-dag gemiddelde lyn bo die 10-dae - bewegende gemiddelde, terwyl die 10-dag gemiddeld is steeds bo die 20-dag gemiddeld. Enige kruising van bewegende gemiddeldes wat lei tot hierdie situasie word beskou as 'n koopsein. Aan die ander kant, is afwaartse neiging aangedui deur die situasie wanneer die 5-dag gemiddelde lyn is laer as die 10-dag gemiddeld terwyl die 10-dag gemiddeld is laer as die 20-dag average. Using drie bewegende gemiddeldes gelyktydig beperk die bedrag van valse seine wat gegenereer word deur die stelsel, maar dit beperk ook potensiaal vir wins, as so 'n stelsel genereer 'n handel sein eers na die tendens is stewig gevestig in die mark. Die inskrywing sein kan selfs genereer net 'n kort tyd voor die tendense omkeer. Die tyd intervalle gebruik deur handelaars vir die berekening van bewegende gemiddeldes is heel anders. Byvoorbeeld, die Fibonacci-getalle is baie gewild, soos die gebruik van 5 dae, 21 dae en 89 dae gemiddeldes. In Futures Trading, die kombinasie 4-, 9- en 18 dae is baie gewild, ook. Voor-en nadele Die rede waarom bewegende gemiddeldes so gewild gewees, is dat hulle 'n paar basiese reëls van die saak te besin. Gebruik van bewegende gemiddeldes help jou om jou verliese te sny, terwyl die verhuring van jou wins lopie. By die gebruik van bewegende gemiddeldes te handel seine op te wek, kan jy altyd handel in die rigting van die mark neiging, nie daarteen. Verder, in teenstelling met patrone ontleding of ander hoogs subjektiewe tegnieke grafiek, bewegende gemiddeldes gebruik kan word om handel seine te genereer volgens duidelike reëls - dus die uitskakeling van subjektiwiteit van handel besluite te neem, wat kan help om die handelaars psige. Maar 'n groot nadeel van bewegende gemiddeldes is dat hulle werk goed net vir die mark trending. Dus, in tye van woelig markte wanneer pryse wissel in 'n bepaalde prysklas hulle glad nie werk nie. Sodanige tydperk kan maklik langer as 'n derde van die tyd, so vertrou op alleen bewegende gemiddeldes is baie riskant. Sommige handelaars dis hoekom beveel bewegende gemiddeldes kombinasie met 'n aanduiding te meet sterkte van 'n tendens, soos ADX of bewegende gemiddeldes gebruik slegs as 'n bevestiging van aanwyser vir jou handel stelsel. Tipes bewegende gemiddeldes Die mees algemeen gebruikte vorme van bewegende gemiddeldes is eenvoudig bewegende gemiddelde (SMA) en eksponensieel Geweegde bewegende gemiddelde (EMO, EWMA). Hierdie soort van bewegende gemiddelde is ook bekend as rekenkundige gemiddelde en verteenwoordig die eenvoudigste en mees algemeen gebruikte tipe bewegende gemiddelde. Ons bereken dit deur 'n opsomming van al sluitingstyd pryse die vir 'n gegewe tydperk, waarin ons daarna verdeel deur die aantal dae in die tydperk. Tog is twee probleme wat verband hou met hierdie soort gemiddelde: dit in ag neem net die data in die gekose periode (bv 'n 10-dag eenvoudig bewegende gemiddelde in ag neem slegs die data van die afgelope 10 dae en eenvoudig ignoreer alle ander data voor hierdie tydperk). Dit word ook dikwels gekritiseer vir die toekenning van gelyke gewigte aan al die data in die datastel (dit wil sê in 'n 10-dae bewegende gemiddelde prys van 10 dae gelede het dieselfde gewig as die prys van gister - 10). Baie handelaars argumenteer dat die data van die afgelope dae meer gewig moet dra as ouer data - wat sal lei tot die vermindering van die gemiddeldes agter die tendens. Hierdie soort van bewegende gemiddelde lost beide probleme wat verband hou met 'n eenvoudige bewegende gemiddeldes. Eerstens, dit ken meer gewig in die berekening van die onlangse data. Dit het ook tot 'n mate weerspieël al die historiese data vir die betrokke instrument. Hierdie soort gemiddelde is vernoem na die feit dat die gewigte van data na die verlede afname eksponensieel. Die helling van hierdie afname kan aangepas word om in die behoeftes van die trader. Forecasting 101: Box-Jenkins Vooruitskatting Box-Jenkins (ARIMA) is 'n belangrike vooruitskatting metode wat hoogs akkurate voorspellings kan oplewer vir sekere vorme van data. In hierdie paaiement van vooruitskatting 101 goed bestudeer die voor - en nadele van Box-Jenkins modellering, bied 'n konseptuele oorsig van hoe die tegniek werk en bespreek die beste manier om dit toe te pas om besigheid data. 'N bietjie van die geskiedenis In 1970 George Box en Gwilym Jenkins gewild ARIMA (outoregressiewe geïntegreerde bewegende gemiddelde) modelle in hul seminale handboek, Tydreeksanalise: Vooruitskatting en beheer 1. Tegnies, die voorspelling tegniek in die teks beskryf is 'n ARIMA model egter baie voorspellers (insluitend die skrywer) gebruik die frases ARIMA modelle en Box-Jenkins modelle uitruilbaar. ARIMA modelle aanvanklik gegenereer 'n baie opwinding in die akademiese gemeenskap, meestal weens hul teoretiese onderbou wat bewys dat as sekere aannames voldoen, die modelle sal optimale voorspellings te lewer. Vroeg op, het die tegniek nie geniet wydverspreide gebruik onder die sakegemeenskap. Dit was hoofsaaklik te danke aan die moeilike, tydrowende en hoogs subjektiewe proses beskryf word deur Box en Jenkins om die behoorlike vorm van die model te identifiseer vir 'n gegewe datastel. Om sake te vererger, empiriese studies het getoon dat ten spyte van die ARIMA modelle teoretiese meerderwaardigheid oor ander voorspelling metodes in die praktyk die modelle het nie gereeld te klop ander tydreekse metodes. Een baie belangrike empiriese studie het bevind dat eksponensiële gladstryking modelle beter gevaar Box-Jenkins 55 van die tyd op 'n monster van 1001 datastelle 2. Dit is nog steeds 'n goeie vertoning vir Box-Jenkins (dit beter gevaar as eksponensiële gladstryking 45 van die tyd), so die les hier is dat ideaal een tussen verskillende benaderings soos toepaslik sou oorskakel eerder as om 'n een-grootte-pas-almal-benadering. Die uitdaging vir 'n korporatiewe weervoorspeller is om te bepaal watter data stelle is die beste geskik is vir Box-Jenkins en dan om die regte vorm van die model te identifiseer. Bogenoemde kiekie toon die voorspelling gegenereer uit 'n ARIMA model saam met die deskundige seleksie logika en model besonderhede. Vandag, sagteware pakkette soos Voorspelling Pro gebruik outomatiese algoritmes om te besluit beide wanneer om Box-Jenkins modelle gebruik en outomaties die korrekte vorm van die model te identifiseer. Hierdie outomatiese benaderings het reeds gewys dat die handleiding identifikasie prosedures te klop en het Box-Jenkins modelle toeganklik en bruikbaar vir die besigheid vooruitskatting gemeenskap 3. Alhoewel meerveranderlike vorme van ARIMA modelle bestaan gemaak, die meeste sake-gebruik van die metode is as 'n tydreeks vooruitskatting tegniek . (Tyd reeks metodes word voorspel tegnieke wat die voorspelling uitsluitlik op die geskiedenis van die item wat jy voorspel baseer.) As 'n tydreeks tegniek, ARIMA modelle is geskik as jy 'n redelike bedrag van kontinuïteit tussen die verlede en die toekoms kan neem. Die modelle is die beste geskik is om korter tem forecasting8212say 18 maande of less8212due om hul aanname dat toekomstige patrone en tendense huidige patrone en tendense sal lyk. Dit is 'n redelike aanname in die kort termyn, maar word meer vaag die verdere uit jou voorspel. Box-Jenkins modelle is soortgelyk aan eksponensiële gladstryking modelle in dat hulle aanpasbaar, kan tendense en seisoenale patrone model, en kan outomatiese. Hulle verskil in die sin dat dit gebaseer is op outokorrelasies (patrone in tyd) eerder as 'n strukturele siening van vlak, tendens en seisoenaliteit. Box-Jenkins is geneig om beter as eksponensiële gladstryking vir langer, meer stabiele datastelle en nie daarin slaag om sowel vir luidruchtiger, meer vlugtige data. Box-Jenkins modelle is wiskundig kompleks. In hierdie artikel, sal ons 'n baie basiese konseptuele oorsig van hoe 'n ARIMA model werk verskaf en stel 'n paar notasie wat verband hou met die model. As jy belangstel om meer te leer oor Box-Jenkins modelle, is dit bedek in detail in die voorspelling Pro Statistiese Reference Manual en in feitlik elke akademiese handboek op tydreeks vooruitskatting. 'N ARIMA model het 3 komponente wat elkeen help om verskillende tipes patrone te modelleer. Die AR staan vir outoregressiewe. Die Ek staan vir geïntegreerde. Die MA staan vir bewegende gemiddelde. Elke komponent het 'n gepaardgaande model orde wat aandui hoe groot die komponent is. Generies, is 'n nie-seisoenale Box-Jenkins model gesimboliseer as ARIMA (p, d, q) waar p dui die aantal AR terme, d dui die einde van breukmetodes, en Q dui die aantal MA terme. 'N seisoenale Box-Jenkins model word gesimboliseer as ARIMA (p, d, Q) (P, D, Q), waar die p, d, Q dui die model bestellings vir die kort termyn komponente van die model en P, D, Q dui die model bestellings vir die seisoenale komponente van die model. Die identifisering van die korrekte Box-Jenkins modelle vereis die bepaling van die model bestellings. Teoreties kan die model bestellings op enige heelgetalwaardes te neem in die praktyk is dit gewoonlik 0, 1, 2 of 3. Dit gee nog honderde verskillende modelle om consider8212one van die redes waarom die modelle met die hand te identifiseer is so moeilik. Box-Jenkins is 'n belangrike vooruitskatting metode wat meer akkurate voorspellings as ander tydreekse metodes vir sekere vorme van data kan genereer. Soos oorspronklik geformuleer, model identifikasie staatgemaak op 'n moeilike, tydrowende en hoogs subjektiewe proses. Vandag, sagteware pakkette soos Voorspelling Pro gebruik outomatiese algoritmes om beide te besluit wanneer om Box-Jenkins modelle gebruik en outomaties die korrekte vorm van die model te identifiseer. Hierdie outomatiese benaderings het Box-Jenkins modelle toeganklik en bruikbaar vir die besigheid voorspelling vooruitskatting gemeenskap gemaak. 1 G. E. P. Box en G. M. Jenkins 1976 Tydreeksanalise: Vooruitskatting en beheer. Hersiene Uitgawe, San Francisco: Holden Dag. 2 S. Makridakis et al. 1984 Die voorspelling Akkuraatheid van Groot Tyd Metodes Series. Chichister: Wiley. 3 'n Studie deur Spyros Makridakis en een vir die Amerikaanse Statistikus beide getoon Voorspelling Voor outomatiese Box-Jenkins prosedure handleiding identifikasie te klop deur menslike kundiges. Verwys na die vorige Makridakis verwysing en om: Keith Ord en Sam Lowe 1996 Outomatiese vooruitskatting, Die Amerikaanse Statistikus. Deel 50, nommer 1, pp 88 94. Oor die skrywer:. Eric Stellwagen is die mede-stigter van Besigheid Voorspelling Systems, Inc en die mede-skrywer van die voorspelling Pro sagteware produk lyn. Hy het wyd gekonsulteer op die gebied van praktiese sake vooruitskatting en spandeer 20-30 dae per jaar werkswinkels oor die onderwerp. Hy het saam met verskeie toonaangewende maatskappye insluitende Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning en Verizon. Hy het seminare en werkswinkels aangebied onder die aegiss van baie groepe insluitend die Instituut vir Professionele Onderwys, die Amerikaanse produksie en voorraad kontrole Vereniging, die Universiteit van Wisconsin, die Instituut vir Besigheid vooruitskatting, die Wêreld Research Group, die Internasionale Instituut vir Navorsing, die elektriese Navorsingsinstituut, die Internasionale Kommunikasie Association Vooruitskatting en die Internasionale Instituut vir Voorspellers. Hy dien tans op die direksie van die Internasionale Instituut vir Voorspellers en op die praktisyn adviesraad van Toekomstverkenning: Die International Journal of Applied vooruitskatting.
No comments:
Post a Comment