이동 평균 및 지수 평활화 모델 간의 차이점

예측 모델을 선택하는 단계. 예측 모델에는 수준 및 추세 변화, 인플레이션 및 계절성 영향, 변수 간의 상관 관계 등의 데이터 패턴의 모든 중요한 질적 속성을 포착하는 기능이 포함되어야합니다. 또한 선택한 것의 기초가되는 가정 모델은 미래에 어떻게 작동 할 것인가에 대한 직감에 동의해야합니다. 예측 모델을 피팅 할 때 다음과 같은 선택 사항이 있습니다. 아래 옵션에 대한 간략한 설명은 다음과 같습니다. 모델의 그림보기는 첨부 된 예측 흐름 차트를 참조하십시오. 모델 정의 기능 패널을 다시 참조하여 모델 기능이 소프트웨어에서 선택되는 방법을 확인하십시오. 시리즈가 인플레이션 성장을 나타내면 디플레이션은 성장 패턴을 설명하고 잔차에서 이분 산성을 감소시키는 데 도움이됩니다. 나는 과거의 데이터를 수축시켜 장기간의 전망을 일정한 엉덩이에 다시 집중시킬 수있다. 또는 CPI와 같은 가격 지수로 과거 데이터를 수축시킨 다음 가격 지수의 예측을 사용하여 장기 예측을 수동으로 다시 계산하십시오. 옵션 i는 가장 쉽습니다. Excel에서는 수식의 열을 만들 수 있습니다 원래 값을 적절한 요인으로 나누기 예를 들어, 데이터가 매월이고 12 개월마다 5의 속도로 수축시키고 자하는 경우, 1 05 k 12의 인수로 나눕니다. 여기서 k는 행 인덱스 관측 번호입니다 RegressIt 및 Statgraphics에는 자동으로이 작업을 수행하는 도구가 내장되어 있습니다. 이 경로를 선택하는 경우 일반적으로 가정 된 인플레이션 율을 현재 속도의 최적 추정치와 같게 설정하는 것이 가장 좋습니다. 특히 하나 이상의 예측을 할 경우 향후 기간 옵션 2를 선택하는 경우, 수축 된 예측 및 신뢰 한계를 데이터 스프레드 시트에 저장 한 다음 가격 지수에 대한 예측을 생성 및 저장하고 마지막으로 해당 열을 곱해야합니다. 맨 위로 돌아 가기 페이지 맨 위로 돌아 가기 로그 변환 (logarithm transformation) 시리즈가 복합 성장 및 곱셈 계절 패턴을 보여 준다면, 로그 변환은 디플레이션에 추가되거나 디플레이션 대신에 도움이 될 수 있습니다. 데이터 로깅은 인플레이션 성장 패턴을 평평하게 만들지는 못합니다. 선형 모델, 예를 들어 무작위 걸음 또는 일정한 성장을하는 ARIMA 모델 또는 선형 지수 평활화 모델로 맞출 수 있습니다. 또한 로깅은 곱셈 계절 패턴을 덧셈 패턴으로 변환하므로 로깅 후 계절 조정을 수행하는 경우 덧셈 유형을 사용해야합니다 인플레이션을 명시 적으로 모델링하려는 경우, 즉 물가 상승률을 모델의 가시적 인 매개 변수로 나타내거나 수축 된 데이터의 플롯을보고 싶다면 내재적으로 인플레이션을 로깅하십시오. 로그 변환에 대한 또 다른 중요한 사용은 회귀 모드에서 변수 간의 선형화입니다. 예를 들어, 종속 변수 riable은 독립 변수의 가법 함수가 아닌 곱셈 적 특성이거나 종속 변수와 독립 변수 간의 관계가 절대 변경보다 비율 변경의 관점에서 선형 인 경우 하나 이상의 변수에 로그 변환을 적용하는 것이 적절할 수 있습니다. 맥주 판매 사례 페이지의 맨 위로 돌아 가기 계절 조정 계절에 따라 일정한 패턴이 강하고 계절적 조정이 패턴을 추정하고 외삽 법에 적합한 방법 일 수 있습니다. 계절 조정의 이점은 다음과 같습니다. 계절별 패턴을 명시 적으로 모델링하여 계절별 지수 및 계절 조정 데이터를 선택할 수있는 옵션을 제공합니다. 단점은 특히 월별 데이터에 대해 많은 추가 매개 변수를 평가해야한다는 것입니다. 올바른 신뢰 구간의 계산 샘플 밖의 검증은 특히 중요합니다 계절 조정을 통해 과거 데이터의 초과 조정 위험을 줄이려면 데이터가 강하게 계절적이지만 계절 조정을 선택하지 않으면 계절적 지연을 사용하여 계절 패턴을 암시 적으로 예측하는 계절 ARIMA 모델을 사용하거나 계절적 지표를 시차에 따라 변화시키는 윈터스 계절 지수 평활화 모델을 사용하십시오. 페이지 상단으로 돌아갑니다. 독립 변수 귀하의 관심 분야와 관련하여 설명력이 있다고 생각되는 다른 시계열 가격, 광고, 프로모션 등과 같은 지표 또는 정책 변수 등을 포함 할 수 있습니다. 회귀를 모델 유형으로 고려할 수 있습니다. 회귀를 선택하든 안하든, 변수 변압에 대해 위에서 언급 한 가능성을 고려해야합니다. 디플레이션, 로그, 계절 조정 - 또한 시간 차원을 악용하거나 관계를 선형화하는데도 차이가있을 수 있습니다. 이 시점에서 회귀 분석을 선택하십시오. 회귀 분석을 추후에 시계열 모델 (예 : ARIMA 모델)에 추가하는 것이 좋습니다. 잔차가 다른 변수와 유의미한 상관 관계가있는 것으로 판명되면 페이지 맨 위로 돌아갑니다. 스무딩, 평균화 또는 무작위 걸기 데이터를 계절에 맞게 조정하거나 데이터가 계절적이지 않은 경우 - 평균 또는 평활화 모델을 사용하여이 지점 A에서 데이터에 남아있는 비 계절적 패턴을 맞출 수 있습니다 단순 이동 평균 또는 간단한 지수 평활화 모델은 데이터가 변동하는 현재 평균값의 가장 좋은 추정치라는 가정하에 계열 끝의 데이터의 지역 평균을 계산합니다. 연속적인 추세가 없으면 천천히 그리고 무작위로 변합니다. 단순 지수 이동은 지수 이동 가중 평균이 더 현명한 할인 작업을하기 때문에 일반적으로 단순 이동 평균보다 선호됩니다 왜냐하면 평활화 파라미터 α는 연속적이고 쉽게 최적화 될 수 있고, 신뢰 구간을 계산하기위한 근본적인 이론적 근거를 가지고 있기 때문입니다. 평활화 또는 평균화가 도움이되지 않는 것처럼 보이는 경우 - 예를 들어 시계열의 다음 값은 단순히 이전 값입니다. 그런 다음 무작위 걸음 모델이 표시됩니다. 예를 들어 단순 이동 평균에서 용어의 최적 수가 1 인 경우 또는 최적 값 알파의 간단한 지수 평활화는 0 9999로 밝혀졌습니다. 선형의 지수 스무딩은 천천히 시간에 따라 변하는 선형 트렌드를 사용하여 시리즈에 맞추는 데 사용할 수 있지만 미래에 대한 그러한 추세를 외삽하는 것에 대해서는 신중해야합니다. 이 모델의 간격은 먼 미래에 대한 불확실성을 증언 Holt의 선형 평활화는 시간에 따른 경향을 예측하지만 레벨 및 경향을 부드럽게하기 위해 별도의 매개 변수를 사용합니다. Brown의 모델 Q보다 우월한 데이터를 제공합니다. 시간에 따라 변하는 2 차 경향을 추정하기위한 uadratic exponential 평활화 시도가 거의 사용되어서는 안됩니다. 이것은 3 가지 비 계절별 차이가있는 ARIMA 모델에 해당합니다. 감쇠 경향이있는 선형 지수 평활 멀리 떨어진 곳에서 평평한 경향은 종종 미래가 매우 불확실한 상황에서 권장됩니다. 다양한 지수 평활화 모델은 아래에 설명 된 ARIMA 모델의 특수한 경우이며 ARIMA 소프트웨어와 결합 될 수 있습니다. 특히 간단한 지수 평활화 모델은 ARIMA 0,1,1 모델, Holt의 선형 평활 모델은 ARIMA 0,2,2 모델이며, 감쇠 된 동향 모델은 ARIMA 1,1,2 모델입니다. 다양한 지수 평활 모델의 방정식을 요약하면 다음과 같습니다. SAS 웹 사이트의이 페이지에서 찾을 수 있습니다. 시계열 모델을 지정하는 SAS 메뉴는 Statgraphics에있는 것과 유사합니다. 선형, 2 차 또는 이전 폰툰 트렌드 라인 모델은 디 시즌 된 시리즈를 외삽하는 데있어 다른 옵션이지만 비즈니스 데이터에 대한 임의 워킹, 스무딩 또는 ARIMA 모델보다 성능이 월등합니다. 트렌드, 계절 요인 등이 재귀 방정식을 사용하므로이 모델을 사용하면 계절에 따라 데이터를 조정하지 않을 것입니다. 겨울 계절 요인은 곱셈 또는 덧셈 일 수 있습니다. 일반적으로 로그인하지 않은 경우 곱셈 옵션을 선택해야합니다 데이터 Winters 모델은 영리하고 합리적으로 직관적이지만 실용적으로 적용하기에는 까다로울 수 있습니다. 레벨, 트렌드 및 계절 요인을 개별적으로 부드럽게하기 위해 알파, 베타 및 감마와 같은 세 가지 스무딩 매개 변수가 있습니다. 동시에 예측 계절 지수에 대한 시작 값의 결정은 비율을 movi로 적용하여 수행 할 수 있습니다 시리즈의 일부 또는 전체에 대한 계절 조정의 평균 방법 또는 뒤 전제에 의한 통계 계산 Statgraphics에서 이러한 매개 변수에 사용하는 추정 알고리즘은 때로는 수렴하지 못하거나 기괴한 모양의 예측 및 신뢰 구간을 제공하는 값을 산출하지 못하므로주의 할 필요가 있습니다. 이 모델을 사용하여 페이지 맨 위로 돌아 가기. ARIMA 계절 조정을 선택하지 않거나 계절적이지 않은 데이터 인 경우 ARIMA 모델 프레임 워크를 사용할 수 있습니다. ARIMA 모델은 무작위 걸음 걸이, 무작위 추세, 지수 평활화 및 자동 회귀 모델을 특별한 경우로 사용합니다. 일반적인 지혜로는 differencing과 로깅과 같은 다른 수학적 변형의 결합으로 stationarized 될 수있는 시리즈가 ARIMA 모델의 좋은 후보자이며 ii 계절 데이터의 경우 최소 4 계절을 처리하기위한 상당한 양의 데이터 시리즈가 differe에 의해 적절하게 스테레오 라이즈 될 수없는 경우 ncing - 매우 불규칙하거나 시간이 지남에 따라 행동을 정 성적으로 변화시키는 것 - 또는 4 계절 미만의 데이터가있는 경우 계절적 조정과 간단한 것을 사용하는 모델을 사용하는 것이 좋습니다. ARIMA 모델은 Box와 Jenkins에 의해 도입 된 특수한 명명 규칙을가집니다. 비 계절 ARIMA 모델은 ARIMA p, d, q 모델로 분류됩니다. 여기서 d는 비 계절적 차이의 수이고, p는 자동 회귀 항의 수입니다. q는 예측 방정식에서 예측 오차의 이동 평균 항의 래그입니다. 계절 ARIMA 모델은 ARIMA p, d, qx P, D, Q로 분류됩니다. 여기서 D, P 및 Q는 다음과 같습니다. , 계절적 차이의 수, 계절적 배수의 계절별 자동 회귀 조건의 지연, 계절적 배수의 계절 이동 평균 기간의 지연 등이있다. ARIMA 모델 i의 피팅 첫 번째 단계 s를 사용하여 일련의 상태를 안정화하고 계절성의 총체적인 특징을 제거하는 데 필요한 적절한 차분 순서를 결정합니다. 이는 순진한 무작위 산책 또는 임의 추세 모델이 가장 좋은 출발점을 제공하는지 판단하는 것과 같습니다. 두 개 이상의 총 주문을 사용하지 마십시오. 계절별 및 계절별 차이를 구분하지 않으며 계절별 차이를 1 개 이상 사용하지 마십시오. 두 번째 단계는 모델에 상수 용어를 포함할지 여부를 결정하는 것이 일반적으로 차이점 처리의 전체 순서가 1 인 경우 상수 용어를 포함하거나 1 차 차이가있는 모델에서 상수 항은 예측의 평균 추세를 나타냅니다. 두 차수의 차수가있는 모델에서 예측의 추세는 마지막에 관찰 된 지역 추세에 의해 결정됩니다 시계열 및 상수 항은 장기 추세의 곡선 인 추세 추세를 나타냅니다. 일반적으로 추세 추세를 외삽하는 것은 위험합니다. 세 번째 단계는 순진한 모델의 잔차에 남아있는 자기 상관을 제거하기 위해 필요한 자기 회귀 및 이동 평균 매개 변수 p, d, q, P, D, Q의 수를 선택하는 것입니다. 즉, 차감 후 남아있는 상관 관계이 숫자는 차분 된 계열의 지체 횟수 및 예측 방정식에 포함 된 예측 오차의 시차를 결정합니다. 이 시점에서 잔차에 중요한 자기 상관이 없으면 중지하고 가장 좋은 모델은 순진한 모델입니다. 1 또는 2의 래그에서 중요한 자동 상관 관계가있는 경우 다음 중 하나가 적용되면 모델을 비선형 적으로 차이가있는 경우 q 1을 설정해야합니다. ii 지연 1 자동 상관은 다음과 같습니다. 음수 및 / 또는 iii 잔차 자기 상관 플롯이 잔차 부분 자기 상관 플롯보다 더 깨끗하고 더 단절된 스파이크를 나타냄 모델 및 비 주기적 차이가없는 경우 또는 차 지연 1 autocorr elation이 양수이고 잔차 부분 자기 상관 플롯이 더 깨끗 해지면 p 1을 시도하십시오 때때로 p 1과 q 1 사이에서 선택하는 이러한 규칙은 서로 충돌합니다. 이 경우에는 사용하는 방법에 따라 차이가있을 수 있습니다 비교하기 p 1 또는 q 1을 설정하여 제거되지 않은 지연 2의 자기 상관 관계가있는 경우 p 2 또는 q 2를 시도하거나 때때로 p 1 및 q 1을 시도 할 수 있음 p 2 또는 3 q 1 또는 그 반대로하면 최상의 결과를 얻을 수 있습니다. 동일한 모델에서 p 1과 q 1을 사용하지 않는 것이 좋습니다. 일반적으로 ARIMA 모델을 적용 할 때 모델 복잡성을 높이 지 않으면 작은 오류 통계 또는 ACF 및 PACF 플롯의 추가 개선 또한 p 1과 q 1이 모두있는 모델에서 모델의 AR과 MA 측면 사이에 중복성과 비 고유성의 좋은 가능성이 있습니다. A의 수학 구조에 대한 설명에서 설명했다. RIMA 모델 ■ 모델 사양을 조정할 때 간단한 모델로 시작하고 명확한 필요가있는 경우에만 조건을 추가 할 때 일반적으로 단계적으로 단계적으로 진행하는 것이 아니라 앞으로 단계적으로 진행하는 것이 좋습니다. 계절 자동 회귀 조건의 수와 동일한 규칙이 적용됩니다 P와 계절별 이동 평균 조건 Q의 수 (예 : 월간 데이터의 경우 12 시간 지연) 모델에 계절적 차이가 있거나 계절적 자기 상관이 음수이거나 잔차 자기 상관 플롯 계절적 지연의 주변에서 더 깨끗해진다 그렇지 않으면 P 1을 시도한다. 계절적 성수기가 강한 시리즈가 논리적 인 경우 계절적 차이를 사용해야한다. 그렇지 않으면 장기적인 예측을 할 때 계절 패턴이 사라질 것이다. P 2와 Q 0 또는 V ersa 또는 PQ 1을 시도해 보라. 그러나 PQ가 결코 2보다 커야하지 않는 것이 강력히 권장된다. 많은 수의 매개 변수를 안정적으로 식별하고 추정 할 수있는 충분한 수의 계절에 대해 완벽한 규칙 성을 유지하십시오. 또한 매개 변수 추정에 사용되는 Backforecasting 알고리즘은 신뢰할 수 없거나 심지어 미친 결과를 생성 할 수 있습니다. 데이터의 계절은 PDQ보다 현저히 크지 않습니다 PDI는 PDQ 2 전체 시즌 이상을 권장하며 더 많은 것이 좋습니다 ARIMA 모델을 적용 할 때 데이터가 지나치게 적합하지 않도록주의해야합니다. 중요 한 특수 사례 위에서 언급했듯이 상수가없는 ARIMA 0,1,1 모델은 간단한 지수 평활화 모델과 동일하며 플로팅 레벨, 즉 평균 반향은 없지만 0을 가정합니다. 장기 추세 상수가있는 ARIMA 0,1,1 모델은 0이 아닌 선형 추세 항이 포함 된 간단한 지수 평활화 모델입니다. 상수가없는 ARIMA 0,2,1 또는 0,2,2 모델은 선형 지수 평활 ARIMA 1,1,2 모델은 감쇠 된 추세를 갖는 선형 지수 평활화 모델입니다. 즉, 장기간 예측에서 결국 평평 해지는 추세입니다. 가장 일반적인 계절 ARIMA 모델은 ARIMA 0,1,1 x 0,1,1 상수가없는 모델과 ARIMA 1,0,1 x 0,1,1 상수가있는 모델 이전 모델은 기본적으로 비 계절 및 계절 구성 요소 모두에 지수 평활화를 적용합니다. 패턴이 시간에 따라 변하는 추세를 허용하는 반면, 후자 모델은 다소 유사하지만 일정한 선형 추세를 가정하므로 좀 더 장기적인 예측 가능성 데이터를 피팅 할 때 용의자의 라인업 중에 항상이 두 모델을 포함해야합니다 일관된 계절 패턴을 가진 이들 중 하나 아마도 p 또는 q가 1 씩 증가하거나 P 1 및 Q 1이 약간 증가하는 것과 같은 사소한 변형이있는 페이지 중 하나 일 가능성이 가장 큽니다. 페이지 맨 위로 돌아 가기 간단한 Vs 지수 이동 평균. 이동 평균은 보다 연속적으로 일련의 수사를 연구 초기의 시계열 분석가는 실제로 그 데이터의 보간보다 개별 시계열 수에 더 많은 관심을 가졌습니다. 확률 이론과 분석의 형태로 보간이 훨씬 나중에 패턴으로 나타났습니다 이해하고 일단 데이터 포인트가 어디로 갈지 예측하기 위해 시계열을 따라 다양한 모양의 곡선과 선이 그려졌습니다. 이제는 기술 분석 거래자가 현재 사용하고있는 기본 방법으로 간주됩니다. 차트 분석은 다음으로 거슬러 올라갈 수 있습니다. 18 세기 일본의 경우 이동 평균이 시장 가격에 처음 적용된시기와시기는 수수께끼로 남아 있습니다. EMA가 SMA 프레임 워크와 SMA 연속체에 구축되어 있기 때문에 단순 이동 평균 SMA가 지수 이동 평균 EMA보다 오래 전에 사용되었음을 일반적으로 이해합니다 플로팅 및 추적 목적으로 쉽게 이해할 수 있습니다. 이동 평균을 확인하십시오. 단순 이동 평균 SMA 간단한 이동 평균은 계산이 쉽고 이해하기 쉽기 때문에 시장 가격을 추적하는 데 선호되는 방법이었습니다. 초기 시장 전문가는 오늘날 사용되는 정교한 차트 메트릭을 사용하지 않고 운영했지만, 그래서 그들은 자신의 유일한 지침으로 주로 시장 가격에 의존했습니다. 그들은 손으로 시장 가격을 계산하고 추세와 시장 방향을 나타 내기 위해 그 가격을 그래프로 나타 냈습니다. 이 과정은 상당히 지루했으나 추후 연구가 확정됨에 따라 매우 수익성이 있음이 입증되었습니다. 10 일 간단한 이동 평균, 지난 10 일의 마감 가격을 단순히 더하고 10으로 나누기 20 일 이동 평균은 20 일 기간에 마감 가격을 더하고 20으로 나누는 방식으로 계산됩니다. 이 공식은 종가 기준으로 만 계산되었지만 제품은 가격의 평균값입니다. 하위 집합 이동 평균은 계산에 사용 된 가격 그룹이 차트의 요점 이것은 새로운 종가 일에 찬성하여 구 시대를 의미하므로 평균 계산 시간에 상응하는 새로운 계산이 항상 필요합니다 따라서 새 일을 추가하여 10 일 평균을 다시 계산하고 10 일째 하락, 9 일째 하락. 통화 거래에서 차트가 사용되는 방식에 대한 자세한 내용은 차트 기본 연습을 참조하십시오. 지수 이동 평균 EMA 지수 이동 평균은보다 정교 해지고 더 일반적으로 사용됩니다. 컴퓨터로 초기 실무자 실험 덕분에 1960 년대 새로운 EMA는 단순한 이동 평균이 요구되는 것처럼 긴 일련의 데이터 포인트보다는 최신 가격에 더 많은 초점을 맞출 것입니다. 현재 EMA 가격 현재 - 이전 EMA X 배율 이전 EMA. 가장 중요한 요소는 2 1 N이되는 평활 상수입니다. 여기서 N은 일 수입니다. 10 일 EMA 2 10 1 18 8. 이는 10 기간 EMA가 가장 최근의 가격에 가중치를 부여 함 18 8, 20 일 EMA 9 52 일과 50 일 EM 가장 최근 날짜의 3 92 무게 EMA는 현재 기간 가격과 이전 EMA 간의 차이에 가중치를 적용하여 결과를 이전 EMA에 더하는 방식으로 작동합니다. 기간이 짧을수록 가장 최근 가격에 더 많은 가중치가 적용됩니다. 피팅 라인이 계산에 따르면 포인트가 플롯되어 피팅 라인이 표시됩니다. 시장 가격보다 높거나 낮은 피팅 라인은 모든 이동 평균이 지연 지표이며 주로 추세를 따르는 데 사용됨을 나타냅니다. 범위 시장 및 혼잡 기간에는 효과가 없습니다. 피팅 라인은 높은 고점 또는 낮은 최저치의 부족으로 인해 추세를 나타내지 못합니다. 또한 피팅 라인은 방향의 힌트없이 일정하게 유지되는 경향이 있습니다. 시장 아래의 피팅 라인이 길어지면 시장 위의 피팅 라인이 길어지는 것을 의미합니다 간단한 것을 의미합니다. 완전한 가이드를 얻으려면 이동 평균 자습서를 읽으십시오. 간단한 이동 평균을 사용하는 목적은 t를 사용하여 데이터를 부드럽게하여 경향을 파악하고 측정하는 것입니다 그는 몇 가지 가격 그룹을 의미합니다. 추세를 예측하고 예측으로 추정합니다. 가정은 이전 추세 이동이 계속 될 것이라는 것입니다. 단순 이동 평균의 경우, 장기 추세를 발견 할 수 있으며 합리적인 가정하에 EMA보다 훨씬 쉽게 추적 할 수 있습니다 피팅 라인은 평균 가격에 더 초점을 맞추기 때문에 EMA 라인보다 강하게 유지 될 것입니다. EMA는 최근 가격에 초점을 맞춰 더 짧은 추세 이동을 포착하는 데 사용됩니다. 이 방법을 사용하면 EMA가 단순한 이동 평균이므로 피팅 라인은 단순한 이동 평균보다 가격을 더 가까이 포착 할 것입니다. EMA의 문제점은 다음과 같습니다. 특히 빠른 시장 및 변동성이있는 기간의 가격 하락이 쉽습니다. EMA는 가격이 피팅 라인을 깰 때까지 잘 작동합니다. 변동성 시장에서 이동 평균 기간의 길이를 늘릴 수도 있습니다. SMA가 EMA보다 훨씬 더 좋은 데이터를 부드럽게 만들기 때문에 EMA에서 SMA로 전환 할 수도 있습니다 역설적 인 지표 (Dend-Following Indicators) 역기능 지표 (lagging indicators)로서 이동 평균은 지지선과 저항선으로 잘 부합한다. 가격이 10 일간의 상승선 아래로 떨어지면 상승 추세가 약해질 가능성이있다. 또는 적어도 시장은 통합 될 수 있습니다 하락세에서 10 일 이동 평균 이상으로 가격이 떨어지면 추세가 약화되거나 통합 될 수 있습니다 이러한 경우에는 10 일 및 20 일 이동 평균을 함께 사용하고 10 일 이동 평균을 기다립니다. 20 일 선의 위 또는 아래에서 교차하는 일일 선 이것은 가격에 대한 다음 단기 방향을 결정합니다. 장기 기간의 경우, 장기 방향에 대한 100 일 및 200 일 이동 평균을보십시오. 예를 들어, 100- 200 일 이동 평균은 100 일 이동 평균이 200 일 평균보다 낮 으면 십자가라고 불렀고 가격이 매우 약하다. 200 일 이동 평균 이상으로 교차하는 100 일 이동 평균은 황금 십자가이며 가격이 매우 완고하다. SMA 또는 EMA가 사용되는 경우 두 가지 모두 경향 추종 지표이기 때문에 SMA가 상대방 인 EMA와 약간의 편차를 갖는다는 것은 단기적으로 만 볼 수 있습니다. 결론 이동 평균은 차트 및 시간의 기초입니다 시리즈 분석 단순 이동 평균 및보다 복잡한 지수 이동 평균은 가격 이동을 원활하게하여 추세를 시각화하는 데 도움이됩니다. 기술적 분석은 과학이 아닌 예술이라고도하며 두 가지 모두 숙련되는 데 수년이 걸립니다. 기술 분석 자습서에서 자세히 알아보십시오. 미국 노동 통계국 (United States Bureau of Labor Statistics)이 일자리를 측정하는 데 도움이되는 조사 고용주로부터 데이터를 수집합니다. 미국이 돈을 최대한 빌릴 수있는 금액 부채 한도액은 제 2의 자유 채권법에 따라 작성되었습니다. 예금 기관은 연방 준비 은행에서 관리하는 자금을 다른 예금 기관에 대출합니다 .1 주어진 증권 또는 시장에 대한 수익 분산의 통계적 척도 케 트 지수 휘발성은 측정 될 수 있습니다. 미국 의회가 1933 년에 은행법 (Banking Act)으로 통과하여 상업 은행이 투자에 참여하는 것을 금지했습니다. 비농업 급여는 농장, 개인 가계 및 비영리 부문 이외의 모든 직업을 나타냅니다. Exponential Smoothing Explained. Copyright Content on은 저작권으로 보호되며 재 게시 할 수 없습니다. 사람들이 처음으로 Exponential Smoothing이라는 용어를 접할 때 그들은 부드럽게하는 것이 무엇이든 부드럽게하는 것처럼 보일 것입니다. 수학적으로 이해할 수있는 복잡한 수학적 계산이 필요하며, 필요할 때 사용할 수있는 내장 된 Excel 기능이 있기를 바랍니다. 지수 평활화의 현실은 훨씬 덜 놀라우 며 훨씬 덜 충격적입니다. 사실은, 지수 평활은 매우 단순한 작업을 수행하는 매우 간단한 계산입니다. 기술적으로 이 간단한 계산의 결과로 발생하는 사실은 실제로는 조금 복잡합니다. 지수 평활화를 이해하려면 평활화의 일반적인 개념과 평탄화를 달성하는 데 사용되는 몇 가지 다른 일반적인 방법부터 시작하는 것이 좋습니다. 평탄화는 무엇입니까? 통계적 프로세스 실제로 우리는 일상 생활에서 다양한 형태로 평활화 된 데이터를 정기적으로 접하게됩니다. 무언가를 설명하기 위해 평균을 사용할 때, 평활화 된 숫자를 사용합니다. 무언가를 설명하기 위해 평균을 사용하는 이유를 생각한다면, 당신은 부드럽게하는 개념을 빨리 이해할 것입니다. 예를 들어, 우리는 단지 가장 따뜻한 겨울을 경험했습니다. 우리는 이것을 어떻게 계량 할 수 있습니까? 우리는 우리가 전화하는 기간 동안 매일 높은 온도와 낮은 온도의 데이터 세트로 시작합니다. 그러나 그것은 우리에게 많은 것을 남겨 둡니다. 꽤 많이 뛰어납니다. 이 겨울은 전년도의 상응하는 날보다 더 따뜻했습니다. 우리는 마비가 필요합니다. 우리가 한 겨울을 더 쉽게 비교할 수 있도록 데이터에서이 모든 점프를 제거합니다. 데이터에서 점프를 제거하는 것을 스무딩이라고하며이 경우 스무딩을 수행하기 위해 간단한 평균을 사용할 수 있습니다. 우리는 과거 수요에서 무작위 변동 소음을 제거하기 위해 매끄러움을 사용합니다. 이를 통해 우리는 수요 패턴을 주로 추세와 계절성 및 미래 수요를 예측하는 데 사용할 수있는 수요 수준을 더 잘 식별 할 수 있습니다. 수요가 많은 소음은 일일 점프와 같은 개념입니다 놀랍지 않게 사람들이 수요 기록에서 소음을 제거하는 가장 일반적인 방법은 단순 평균 또는보다 구체적으로 이동 평균을 사용하는 것입니다. 이동 평균은 미리 정의 된 기간 수를 사용하여 평균을 계산하고 그 기간은 다음과 같이 이동합니다. 시간이 경과 함 예를 들어 4 개월 이동 평균을 사용하고 오늘이 5 월 1 일인 경우 1 월, 2 월, 3 월 및 A에서 발생한 평균 수요를 사용합니다 pril 6 월 1 일에 2 월, 3 월, 4 월 및 5 월의 수요를 사용할 것입니다. 평균 이동율. 평균을 사용하면 데이터 집합의 각 값에 동일한 중요도 가중치를 적용합니다. 4 개월 이동 평균에서 각각 미래의 수요 및 특히 미래의 추세를 예측하기 위해 수요 이력을 사용할 때, 보다 최근의 이력이 예측에 더 큰 영향을 미침을 결론 지을 수 있다는 것은 논리적입니다. 우리는 이동 평균 원하는 결과를 얻기 위해 각 기간에 다양한 가중치를 적용하는 계산이 가중치를 백분율로 표시하고 모든 기간의 모든 가중치의 합계를 100으로 합산해야합니다. 따라서 가장 가까운 값의 가중치로 35를 적용하려면 우리의 4 개월 가중 평균치의 기간 동안 100에서 35를 뺀 나머지 65 개의 나머지 3 기간 동안 분할 할 수 있습니다. 예를 들어, 우리는 15, 20, 30 및 35의 가중치로 각각 끝낼 수 있습니다. 4 월 ths 15 20 30 35 100. 지수 스무딩. 이전 예제에서 35와 같은 가장 최근 기간에 가중치를 적용하고 100에서 가장 최근 기간 가중치를 뺀 나머지 가중치를 분산하는 개념으로 되돌아 가면 65를 얻으려면 지수 평활화 계산을위한 기본 구성 요소가 있습니다. 지수 평활화 계산의 제어 입력은 평활화 계수라고도하는 평활화 계수라고합니다. 근본적으로 가장 최근의 기간에 적용되는 가중치를 나타냅니다. 우리는 가중 이동 평균 계산에서 가장 최근 기간의 가중치로 35를 사용했으며 지수 효과 평활화 계산에서 35를 평활화 계수로 사용하여 유사한 효과를 얻을 수있었습니다. 지수 평활화 계산의 차이점은 우리는 또한 각 이전 기간에 얼마나 많은 체중을 적용해야 할지를 알아야만합니다. 평활화 요인은 자동으로이를 수행하는 데 사용됩니다. 그래서 여기에 지수 부분이옵니다. 35를 평활화 요인으로 사용하면, 가장 최근의 기간의 가중치는 35가 될 것입니다. 가장 최근의 기간의 가중치는 가장 최근의 기간이 35의 65가 될 것을 요구합니다. 65가옵니다. from this from 100 from 35 from this from this. 이것은 수학을한다면 해당 기간 동안 22 75 가중치와 같습니다. 다음 가장 최근의 기간은 35의 65에서 65가 될 것이고, 이것은 14와 같습니다. 79 그 전에는 65의 가중치가 적용됩니다. 65 of 65 of 35, 이것은 9 61과 같습니다. 그리고 이것은 이전의 모든 기간을 시작으로 시간의 시작으로 또는 그 특정 항목에 대해 지수 평활화를 사용하기 시작한 지점으로 되돌아갑니다. 아마도 많은 수학과 같이 생각할 것입니다. 그러나 지수 평활화 계산의 장점은 새로운 기간 수요가 발생할 때마다 이전 기간마다 다시 계산해야하는 것이 아니라 지수 스무딩의 출력을 사용하는 것입니다 g 계산을 사용하여 이전 기간을 모두 나타낼 수 있습니다. 아직 혼란 스럽습니까? 실제 계산을 볼 때 이것은 더 이해가됩니다. 전형적으로 지수 평활화 계산의 출력을 다음 기간 예측으로 참조합니다. 실제로는 궁극적 예측은 조금 더 많은 작업이 필요하지만이 특정 계산의 목적을 위해 예측으로 언급 할 것입니다. 지수 평활화 계산은 다음과 같습니다. 가장 최근 기간의 요구량에 평활화 인수를 곱한 값 PLUS 가장 최근의 기간 s 가장 최근의 기간은 10 진수 형식으로 표현 된 평활화 계수를 요구하므로 35는 0으로 표시 될 것입니다. 35 F 가장 최근의 기간은 이전 기간의 평활화 계산 결과를 예측합니다. OR assuming a smoothing factor of 0 35.It doesn t get much simpler than that. As you can see, all we need for data inputs here are the most recent period s demand and the mo st recent period s forecast We apply the smoothing factor weighting to the most recent period s demand the same way we would in the weighted moving average calculation We then apply the remaining weighting 1 minus the smoothing factor to the most recent period s forecast. Since the most recent period s forecast was created based on the previous period s demand and the previous period s forecast, which was based on the demand for the period before that and the forecast for the period before that, which was based on the demand for the period before that and the forecast for the period before that, which was based on the period before that. well, you can see how all previous period s demand are represented in the calculation without actually going back and recalculating anything. And that s what drove the initial popularity of exponential smoothing It wasn t because it did a better job of smoothing than weighted moving average, it was because it was easier to calculate in a computer program And, because you didn t need to think about what weighting to give previous periods or how many previous periods to use, as you would in weighted moving average And, because it just sounded cooler than weighted moving average. In fact, it could be argued that weighted moving average provides greater flexibility since you have more control over the weighting of previous periods The reality is either of these can provide respectable results, so why not go with easier and cooler sounding. Exponential Smoothing in Excel. Let s see how this would actually look in a spreadsheet with real data. Copyright Content on is copyright-protected and is not available for republication. In Figure 1A, we have an Excel spreadsheet with 11 weeks of demand, and an exponentially smoothed forecast calculated from that demand I ve used a smoothing factor of 25 0 25 in cell C1 The current active cell is Cell M4 which contains the forecast for week 12 You can see in the formula bar, the formula is L3 C1 L4 1- C1 So the only direct inputs to this calculation are the previous period s demand Cell L3 , the previous period s forecast Cell L4 , and the smoothing factor Cell C1, shown as absolute cell reference C1.When we start an exponential smoothing calculation, we need to manually plug the value for the 1st forecast So in Cell B4, rather than a formula, we just typed in the demand from that same period as the forecast In Cell C4 we have our 1st exponential smoothing calculation B3 C1 B4 1- C1 We can then copy Cell C4 and paste it in Cells D4 through M4 to fill the rest of our forecast cells. You can now double-click on any forecast cell to see it is based on the previous period s forecast cell and the previous period s demand cell So each subsequent exponential smoothing calculation inherits the output of the previous exponential smoothing calculation That s how each previous period s demand is represented in the most recent period s calculation even though that calculation does not directly referen ce those previous periods If you want to get fancy, you can use Excel s trace precedents function To do this, click on Cell M4, then on the ribbon tool bar Excel 2007 or 2010 click the Formulas tab, then click Trace Precedents It will draw connector lines to the 1st level of precedents, but if you keep clicking Trace Precedents it will draw connector lines to all previous periods to show you the inherited relationships. Now let s see what exponential smoothing did for us. Figure 1B shows a line chart of our demand and forecast You case see how the exponentially smoothed forecast removes most of the jaggedness the jumping around from the weekly demand, but still manages to follow what appears to be an upward trend in demand You ll also notice that the smoothed forecast line tends to be lower than the demand line This is known as trend lag and is a side effect of the smoothing process Any time you use smoothing when a trend is present your forecast will lag behind the trend This is true fo r any smoothing technique In fact, if we were to continue this spreadsheet and start inputting lower demand numbers making a downward trend you would see the demand line drop, and the trend line move above it before starting to follow the downward trend. That s why I previously mentioned the output from the exponential smoothing calculation that we call a forecast, still needs some more work There is a lot more to forecasting than just smoothing out the bumps in demand We need to make additional adjustments for things like trend lag, seasonality, known events that may effect demand, etc But all that is beyond the scope of this article. You will likely also run into terms like double-exponential smoothing and triple-exponential smoothing These terms are a bit misleading since you are not re-smoothing the demand multiple times you could if you want, but that s not the point here These terms represent using exponential smoothing on additional elements of the forecast So with simple exponent ial smoothing, you are smoothing the base demand, but with double-exponential smoothing you are smoothing the base demand plus the trend, and with triple-exponential smoothing you are smoothing the base demand plus the trend plus the seasonality. The other most commonly asked question about exponential smoothing is where do I get my smoothing factor There is no magical answer here, you need to test various smoothing factors with your demand data to see what gets you the best results There are calculations that can automatically set and change the smoothing factor These fall under the term adaptive smoothing, but you need to be careful with them There simply is no perfect answer and you should not blindly implement any calculation without thorough testing and developing a thorough understanding of what that calculation does You should also run what-if scenarios to see how these calculations react to demand changes that may not currently exist in the demand data you are using for testing. The data example I used previously is a very good example of a situation where you really need to test some other scenarios That particular data example shows a somewhat consistent upward trend Many large companies with very expensive forecasting software got in big trouble in the not-so-distant past when their software settings that were tweaked for a growing economy didn t react well when the economy started stagnating or shrinking Things like this happen when you don t understand what your calculations software is actually doing If they understood their forecasting system, they would have known they needed to jump in and change something when there were sudden dramatic changes to their business. So there you have it the basics of exponential smoothing explained Want to know more about using exponential smoothing in an actual forecast, check out my book Inventory Management Explained. Copyright Content on is copyright-protected and is not available for republication. Dave Piasecki is o wner operator of Inventory Operations Consulting LLC a consulting firm providing services related to inventory management, material handling, and warehouse operations He has over 25 years experience in operations management and can be reached through his website , where he maintains additional relevant information. My Business.