Net. sourceforge. openforecast. models Klasse MovingAverageModel Ein gleitendes Durchschnittsprognosemodell basiert auf einer künstlich konstruierten Zeitreihe, in der der Wert für einen gegebenen Zeitraum durch den Mittelwert dieses Werts und die Werte für eine gewisse Anzahl vorangehender und nachfolgender Zeit ersetzt wird Zeiträume. Wie Sie vielleicht aus der Beschreibung erraten haben, ist dieses Modell am besten für Zeitreihendaten, d. H. Daten, die sich über die Zeit ändern, geeignet. Zum Beispiel zeigen viele Charts von einzelnen Aktien an der Börse 20, 50, 100 oder 200 Tage gleitende Durchschnitte als Trends zu zeigen. Da der Prognosewert für einen gegebenen Zeitraum ein Durchschnitt der vorangegangenen Perioden ist, wird die Prognose immer scheinbar zurückbleiben, entweder bei Anstieg oder Abnahme der beobachteten (abhängigen) Werte. Wenn beispielsweise eine Datenreihe einen merkbaren Aufwärtstrend aufweist, wird eine gleitende Durchschnittsprognose generell eine Unterbewertung der Werte der abhängigen Variablen liefern. Die gleitende Durchschnittsmethode hat gegenüber anderen Prognosemodellen den Vorteil, dass sie in einer Reihe von Beobachtungen Gipfel und Täler (oder Täler) glättet. Es hat jedoch auch mehrere Nachteile. Insbesondere erzeugt dieses Modell keine tatsächliche Gleichung. Daher ist es nicht alles, was nützlich, da ein Mittel-Langstrecken-Prognose-Tool. Es kann nur zuverlässig verwendet werden, um ein oder zwei Perioden in die Zukunft zu prognostizieren. Das gleitende Durchschnittsmodell ist ein Spezialfall des allgemeineren gewichteten gleitenden Durchschnitts. Im einfachen gleitenden Durchschnitt sind alle Gewichte gleich. Seit: 0.3 Autor: Steven R. Gould Felder geerbt aus der Klasse net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Erstellt ein neues gleitendes Durchschnittsprognosemodell. MovingAverageModel (int period) Erstellt ein neues gleitendes Durchschnittsprognosemodell mit dem angegebenen Zeitraum. GetForecastType () Gibt einen oder zwei Wortnamen dieser Art von Prognosemodell zurück. Init (DataSet dataSet) Dient zur Initialisierung des gleitenden Durchschnittsmodells. ToString () Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zu liefern, einschließlich, wenn möglich, alle abgeleiteten Parameter. Methoden, die von der Klasse net. sourceforge. openforecast. models. WeightedMovingAverageModel geerbt werden MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell. Für ein gültiges zu konstruierendes Modell sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten übergeben, wobei die Zeitvariable initialisiert wird, um die unabhängige Variable zu identifizieren. MovingAverageModel Konstruiert ein neues gleitendes Durchschnittsprognosemodell unter Verwendung des angegebenen Namens als unabhängige Variable. Parameter: independentVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll. MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell mit dem angegebenen Zeitraum. Für ein gültiges zu konstruierendes Modell sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten übergeben, wobei die Zeitvariable initialisiert wird, um die unabhängige Variable zu identifizieren. Der Periodenwert wird verwendet, um die Anzahl der Beobachtungen zu bestimmen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Beispielsweise sollte für einen 50-tägigen gleitenden Durchschnitt, bei dem die Datenpunkte tägliche Beobachtungen sind, der Zeitraum auf 50 gesetzt werden. Der Zeitraum wird auch verwendet, um die Menge zukünftiger Perioden zu bestimmen, die effektiv prognostiziert werden können. Mit einem 50 Tage gleitenden Durchschnitt können wir mit einer Genauigkeit nicht mehr als 50 Tage über den letzten Zeitraum, für den Daten verfügbar sind, prognostizieren. Dies kann vorteilhafter sein als z. B. ein Zeitraum von 10 Tagen, wo wir nur vernünftigerweise 10 Tage nach der letzten Periode prognostizieren konnten. Parameter: Periode - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell unter Verwendung des angegebenen Namens als unabhängige Variable und des angegebenen Zeitraums. Parameter: independentVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll. - die Anzahl der Beobachtungen, die zur Berechnung des gleitenden Durchschnitts verwendet werden sollen. Wird verwendet, um das gleitende Durchschnittsmodell zu initialisieren. Diese Methode muss vor jeder anderen Methode in der Klasse aufgerufen werden. Da das gleitende Durchschnittsmodell keine Gleichung für die Prognose ableitet, verwendet dieses Verfahren den Eingabedatensatz, um Prognosewerte für alle gültigen Werte der unabhängigen Zeitvariablen zu berechnen. Vorgabe durch: init in der Schnittstelle ForecastingModel Overrides: init in der Klasse AbstractTimeBasedModel Parameter: dataSet - ein Datensatz von Beobachtungen, mit dem die Prognoseparameter des Prognosemodells initialisiert werden können. GetForecastType Gibt einen oder zwei Wortnamen dieser Art von Prognosemodell zurück. Halten Sie diese kurz. Eine längere Beschreibung sollte in der Methode toString implementiert werden. Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zu liefern, wobei nach Möglichkeit alle abgeleiteten Parameter verwendet werden. Bestimmt durch: toString in der Schnittstelle ForecastingModel Overrides: toString in der Klasse WeightedMovingAverageModel Gibt eine Stringdarstellung des aktuellen Prognosemodells und seine Parameter zurück. Die 7 Fallstricke der gleitenden Durchschnittswerte Ein gleitender Durchschnitt ist der Durchschnittspreis eines Wertpapiers über einen bestimmten Zeitraum . Analysten verwenden häufig gleitende Durchschnitte als analytisches Werkzeug, um es einfacher zu machen, Markttrends zu verfolgen, während sich die Wertpapiere auf - und abbewegen. Gleitende Mittelwerte können Trends festlegen und Impulse messen. Daher können sie verwendet werden, um anzugeben, wann ein Anleger ein bestimmtes Wertpapier kaufen oder verkaufen sollte. Investoren können auch gleitende Durchschnitte verwenden, um Unterstützungs - oder Widerstandspunkte zu identifizieren, um festzustellen, wann die Preise die Richtung ändern werden. Durch das Studium historischer Handelsbereiche werden Unterstützungs - und Widerstandspunkte etabliert, wo der Preis einer Sicherheit ihren Aufwärts - oder Abwärtstrend in der Vergangenheit umkehrte. Diese Punkte werden dann verwendet, um Entscheidungen zu treffen, zu kaufen oder zu verkaufen. Leider sind bewegte Durchschnitte nicht perfekte Werkzeuge für die Festlegung von Trends und sie präsentieren viele subtile, aber erhebliche Risiken für Investoren. Darüber hinaus gelten die gleitenden Durchschnitte nicht für alle Arten von Unternehmen und Branchen. Einige der wichtigsten Nachteile der gleitenden Mittelwerte sind: 1. Gleitende Mittelwerte ziehen Trends aus vergangenen Informationen. Sie berücksichtigen nicht die Änderungen, die eine zukünftige Performance der Sicherheit beeinflussen können, wie neue Wettbewerber, eine höhere oder niedrigere Nachfrage nach Produkten in der Branche und Veränderungen in der Managementstruktur des Unternehmens. 2. Im Idealfall wird ein gleitender Durchschnitt eine konsistente Änderung des Preises eines Wertpapiers im Laufe der Zeit zeigen. Leider bewegte Durchschnitte nicht für alle Firmen arbeiten, besonders für diejenigen in sehr volatilen Industrien oder diejenigen, die stark durch aktuelle Ereignisse beeinflusst werden. Dies gilt insbesondere für die Ölindustrie und die hochspekulativen Industrien im Allgemeinen. 3. Gleitende Mittelwerte können über einen Zeitraum verteilt werden. Dies kann jedoch problematisch sein, da sich der allgemeine Trend je nach eingestelltem Zeitraum erheblich ändern kann. Kürzere Zeitrahmen haben mehr Volatilität, während längere Zeitrahmen weniger Volatilität aufweisen, aber keine neuen Marktveränderungen berücksichtigen. Investoren müssen vorsichtig sein, welchen Zeitrahmen sie wählen, um sicherzustellen, dass der Trend klar und relevant ist. 4. Eine laufende Debatte ist, ob in den letzten Tagen des Berichtszeitraums mehr Wert gelegt werden sollte oder nicht. Viele glauben, dass die jüngsten Daten besser die Richtung widerspiegeln, in der sich die Sicherheit bewegt, während andere das Gefühl haben, dass einige Tage mehr Gewicht als andere, den Trend falsch verzerrt. Anleger, die unterschiedliche Methoden zur Berechnung der Durchschnittswerte verwenden, können ganz andere Trends ziehen. (Erfahren Sie mehr in Simple vs Exponential Moving Averages.) 5. Viele Investoren argumentieren, dass die technische Analyse eine sinnlose Art ist, das Marktverhalten vorherzusagen. Sie sagen, der Markt hat kein Gedächtnis und die Vergangenheit ist kein Indikator für die Zukunft. Darüber hinaus gibt es erhebliche Forschung, um dies zu unterstützen. Zum Beispiel führte Roy Nersesian eine Studie mit fünf verschiedenen Strategien mit gleitenden Durchschnitten. Die Erfolgsquote der einzelnen Strategien variierte zwischen 37 und 66. Diese Forschung deutet darauf hin, dass bewegte Durchschnitte nur Ergebnisse Ergebnisse über die Hälfte der Zeit, die mit ihnen einen riskanten Vorschlag für eine wirksame Timing der Börse könnte. 6. Wertpapiere weisen häufig ein zyklisches Verhaltensmuster auf. Dies gilt auch für Versorgungsunternehmen, die im laufenden Jahr eine stabile Nachfrage nach ihrem Produkt aufweisen, aber starke saisonale Veränderungen erfahren. Obwohl gleitende Durchschnitte können dazu beitragen, glätten diese Trends, können sie auch die Tatsache, dass die Sicherheit tendiert in einem oszillierenden Muster zu verbergen. (Weitere Informationen finden Sie unter Halten Sie ein Auge auf Momentum.) 7. Der Zweck jeder Tendenz ist vorherzusagen, wo der Preis eines Wertpapiers in der Zukunft sein wird. Wenn eine Sicherheit ist nicht in beide Richtungen Trend, es bietet keine Möglichkeit, von entweder Kauf oder Leerverkäufe profitieren. Der einzige Weg, einen Investor in der Lage zu profitieren wäre, um eine anspruchsvolle, Optionen-basierte Strategie, die auf den Preis verbleibenden stetig zu implementieren. Die untere Linie Die gleitenden Durchschnitte wurden von vielen als ein wertvolles analytisches Werkzeug betrachtet, aber für jedes Werkzeug, das wirksam ist, müssen Sie zuerst seine Funktion verstehen, wann man es benutzt und wann es nicht benutzt wird. Die hier angesprochenen Risiken deuten darauf hin, dass es sich bei den gleitenden Durchschnittswerten nicht um ein wirksames Instrument wie etwa bei der Verwendung mit volatilen Wertpapieren handelte und dass sie bestimmte wichtige statistische Informationen wie zyklische Muster übersehen können. Es ist auch fraglich, wie effektive gleitende Durchschnitte für eine genaue Angabe der Preisentwicklung sind. Angesichts der Nachteile, gleitende Mittelwerte kann ein Werkzeug am besten in Verbindung mit anderen verwendet werden. Am Ende wird die persönliche Erfahrung der ultimative Indikator dafür, wie effektiv sie wirklich für Ihr Portfolio sind. (Für weitere, siehe Do Adaptive Moving Averages Lead zu besseren Ergebnissen) Der einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und verwenden Sie, um zu schätzen April8217s Umsatz: (129 134 122) 3 128.333 Daher auf den Umsatz von Januar basiert Bis März, Sie prognostizieren, dass der Umsatz im April 128,333 werden. Sobald April8217s tatsächliche Verkäufe hereinkommen, würden Sie dann die Prognose für Mai berechnen, dieses mal using Februar bis April. Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden durchschnittlichen Prognosen verwenden, sind beliebig, Sie können nur zwei Perioden verwenden, oder fünf oder sechs Perioden, was auch immer Sie Ihre Prognosen generieren möchten. Der oben genannte Ansatz ist ein einfacher gleitender Durchschnitt. Manchmal können jüngere Monate8217 Verkäufe stärkere Einflussfaktoren des kommenden Monats8217s Verkäufe sein, also mögen Sie die näheren Monate mehr Gewicht in Ihrem Vorhersagemodell geben. Das ist ein gewichteter gleitender Durchschnitt. Und genau wie die Anzahl der Perioden sind die Gewichte, die Sie zuweisen, rein willkürlich. Let8217s sagen, Sie wollten geben March8217s Umsatz 50 Gewicht, Februar8217s 30 Gewicht und Januar8217s 20. Dann wird Ihre Prognose für April 127.000 (122.50) (134.30) (129.20) 127 sein. Einschränkungen gleitender Durchschnittsmethoden Gleitende Mittelwerte werden als 8220smoothing8221 Prognosetechnik betrachtet. Weil Sie einen Durchschnitt im Laufe der Zeit nehmen, sind Sie die Erweichung (oder Glättung) der Auswirkungen von unregelmäßigen Ereignissen innerhalb der Daten. Folglich können die Auswirkungen von Saisonalität, Konjunkturzyklen und anderen zufälligen Ereignissen den Prognosefehler drastisch erhöhen. Werfen Sie einen Blick auf ein vollständiges year8217s Wert von Daten, und vergleichen Sie einen 3-Perioden gleitenden Durchschnitt und einen 5-Perioden gleitenden Durchschnitt: Beachten Sie, dass in diesem Fall, dass ich keine Prognosen erstellt, sondern zentriert die gleitenden Durchschnitte. Die ersten dreimonatigen gleitenden Durchschnitt ist für Februar, und es8217s der Durchschnitt von Januar, Februar und März. Ich habe auch ähnlich für die 5-Monats-Durchschnitt. Nun, werfen Sie einen Blick auf die folgende Tabelle: Was sehen Sie, ist nicht die dreimonatige gleitende durchschnittliche Reihe viel glatter als die tatsächlichen Verkaufsreihen Und wie über die Fünf-Monats-gleitenden Durchschnitt It8217s sogar glatter. Daher, je mehr Zeiträume Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeitreihen. Daher kann für die Prognose ein einfacher gleitender Durchschnitt nicht die genaueste Methode sein. Gleitende Durchschnittsmethoden erweisen sich als sehr wertvoll, wenn Sie versuchen, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittene Prognosemethoden, wie Regression und ARIMA, zu extrahieren und die Verwendung von gleitenden Mittelwerten bei der Zerlegung einer Zeitreihe wird später behandelt in der Serie. Bestimmen der Genauigkeit eines gleitenden Durchschnittsmodells Im Allgemeinen möchten Sie eine Prognosemethode, die den geringsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnissen aufweist. Eine der häufigsten Maßnahmen der Prognosegenauigkeit ist die Mean Absolute Deviation (MAD). Bei dieser Vorgehensweise nehmen Sie für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, den absoluten Wert der Differenz zwischen dem aktuellen und dem prognostizierten Wert (die Abweichung). Dann durchschnittst du diese absoluten Abweichungen und du erhältst ein Maß von MAD. MAD kann hilfreich bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und die Menge des Gewichts, die Sie auf jeder Periode. Im Allgemeinen wählen Sie die eine, die in der niedrigsten MAD resultiert. Hier ist ein Beispiel dafür, wie MAD berechnet wird: MAD ist einfach der Durchschnitt von 8, 1 und 3. Moving Averages: Recap Bei der Verwendung von Moving Averages für die Prognose, denken Sie daran: Moving Durchschnitte können einfach oder gewichtet werden Die Anzahl der Perioden, die Sie für Ihre verwenden Durchschnittlich und alle Gewichte, die Sie jedem zuweisen, sind streng beliebig Bewegungsdurchschnitte glatt machen unregelmäßige Muster in Zeitreihen-Daten, je größer die Anzahl der Perioden für jeden Datenpunkt verwendet, desto größer ist der Glättungseffekt Wegen der Glättung, Prognose nächsten Monat8217s Umsatz auf der Grundlage der Die jüngsten monatlichen Verkäufe können zu großen Abweichungen aufgrund saisonaler, zyklischer und unregelmäßiger Muster in den Daten führen. Die Glättungsfunktionen einer gleitenden Durchschnittsmethode können beim Zerlegen einer Zeitreihe für fortgeschrittene Prognosemethoden nützlich sein. Nächste Woche: Exponentielle Glättung In der nächsten Woche8217s Vorhersage Freitag. Werden wir diskutieren exponentielle Glättung Methoden, und Sie werden sehen, dass sie weit überlegen, gleitende durchschnittliche Prognose Methoden. Immer noch don8217t wissen, warum unsere Forecast Freitag Beiträge erscheinen am Donnerstag Find out at: tinyurl26cm6ma So: Post navigation Lassen Sie eine Antwort Antworten abbrechen Ich hatte 2 Fragen: 1) Können Sie die zentrierte MA Ansatz zur Prognose oder nur für die Beseitigung Saisonalität 2) Wann Verwenden Sie die einfache t (t-1t-2t-k) k MA Prognose einer Periode voraus, ist es möglich, prognostizieren mehr als 1 Periode voraus Ich denke, dann Ihre Prognose wäre einer der Punkte Fütterung in den nächsten. Vielen Dank. Liebe die Infos und Ihre Erklärungen I8217m froh, dass Sie den Blog I8217m sicher mehrere Analytiker haben die zentrierte MA-Ansatz für die Prognose verwendet haben, aber ich persönlich würde nicht, da dieser Ansatz führt zu einem Verlust von Beobachtungen an beiden Enden. Das bindet dann tatsächlich Ihre zweite Frage. Im Allgemeinen wird einfaches MA verwendet, um nur eine Periode voran zu prognostizieren, aber viele Analytiker 8211 und ich auch manchmal 8211 verwenden meine Einperiode voraus Prognose als einer der Eingaben zur zweiten Periode voran. Es ist wichtig, sich daran zu erinnern, dass je weiter in die Zukunft Sie zu prognostizieren versuchen, desto größer ist das Risiko von Prognosefehler. Dies ist der Grund, warum ich nicht empfehlen zentrierte MA für die Vorhersage 8211 der Verlust der Beobachtungen am Ende bedeutet, dass auf Prognosen für die verlorenen Beobachtungen sowie die Periode (n) voraus zu verlassen, so gibt es größere Chance auf Prognosefehler. Leser: you8217re eingeladen, wiegen in diesem. Haben Sie irgendwelche Gedanken oder Anregungen zu diesem Brian, danke für Ihren Kommentar und Ihre Komplimente auf dem Blog Schöne Initiative und schöne Erklärung. It8217s wirklich nützlich. Ich prognostiziere benutzerdefinierte Leiterplatten für einen Kunden, der keine Prognosen gibt. Ich habe den gleitenden Durchschnitt verwendet, aber es ist nicht sehr genau, da die Industrie auf und ab gehen kann. Wir sehen in Richtung Mitte des Sommers bis zum Ende des Jahres, dass Versand pcb8217s ist. Dann sehen wir am Anfang des Jahres langsam nach unten. Wie kann ich genauer mit meinen Daten Katrina, von dem, was Sie mir gesagt haben, scheint es, dass Ihre Leiterplatten Verkauf haben eine saisonale Komponente. Ich weiß, Adresse Saisonalität in einigen der anderen Forecast Friday Posts. Ein anderer Ansatz, den Sie verwenden können, ist ziemlich einfach der Holt-Winters-Algorithmus, der die Saisonalität berücksichtigt. Hier finden Sie eine gute Erklärung. Achten Sie darauf, festzustellen, ob Ihre saisonalen Muster sind multiplikativ oder additiv, weil der Algorithmus ist etwas anders für jeden. Wenn Sie Ihre monatlichen Daten von wenigen Jahren abbilden und sehen, dass die saisonalen Schwankungen zu gleichen Zeitpunkten im Jahresverlauf konstant zu sein scheinen, dann ist die Saisonalität additiv, wenn die saisonalen Schwankungen im Laufe der Zeit zu steigen scheinen, dann ist die Saisonalität Multiplikativ. Die meisten saisonalen Zeitreihen werden multiplikativ sein. Im Zweifelsfall multiplikativ voraussetzen. Viel Glück Hi there, Zwischen diesen Methoden:. Nave Vorhersage. Aktualisieren des Mittelwerts. Gleitender Durchschnitt der Länge k. Entweder gewichtet Bewegt Durchschnitt der Länge k OR Exponentielle Glättung Welches eines jener Aktualisierung Modelle empfehlen Sie mir mit der Prognose der Daten Für meine Meinung, denke ich über Moving Average. Aber ich don8217t wissen, wie man es klar und strukturiert Es hängt wirklich von der Menge und Qualität der Daten, die Sie haben und Ihre Prognose Horizont (langfristig, mittelfristig oder kurzfristig)
No comments:
Post a Comment