Naiv glidande medelvärde

Flyttande medelvärden Hur man använder dem. Några av de primära funktionerna i ett rörligt medelvärde är att identifiera trender och reverseringar mäta styrkan hos en tillgångs moment och bestämma potentiella områden där en tillgång kommer att hitta stöd eller motstånd. I det här avsnittet kommer vi att påpeka hur Olika tidsperioder kan övervaka momentum och hur glidande medelvärden kan vara fördelaktiga vid inställning av stoppförluster. Dessutom kommer vi att ta itu med några av möjligheterna och begränsningarna för glidande medelvärden som man bör överväga när man använder dem som en del av en handelsrutin. Trend Identifierande trender är en Av de viktigaste funktionerna för glidande medelvärden som används av de flesta handlare som försöker göra trenden till sin vän. Rörande medelvärden är fördröjande indikatorer vilket innebär att de inte förutsäger nya trender, men bekräftar trenderna när de har etablerats. Som du kan se i Figur 1, ett lager anses vara i en uptrend när priset är över ett glidande medelvärde och medeltalet är sluttande uppåt Omvänt kommer en näringsidkare att använda ett pris under ett nedåtgående snitt för att bekräfta en nedgång Många handlare kommer bara att överväga att hålla en lång position i en tillgång när priset handlar över ett glidande medelvärde. Denna enkla regel kan hjälpa till att se till att trenden fungerar i handlarens favor. Momentum Många nybörjare Handlare frågar hur det är möjligt att mäta momentum och hur glidande medelvärden kan användas för att ta itu med en sådan prestation. Det enkla svaret är att vara noga med de tidsperioder som används för att skapa medelvärdet, eftersom varje tidsperiod kan ge värdefull inblick i olika typer Av momentum I allmänhet kan kortsiktig momentum mätas genom att titta på glidande medelvärden som fokuserar på tidsperioder på 20 dagar eller mindre. Att se på glidmedel som skapas med en period av 20 till 100 dagar betraktas allmänt som ett bra mått på Medelmässigt momentum Slutligen kan varje glidande medelvärde som använder 100 dagar eller mer i beräkningen användas som ett mått på långsiktigt momentum Sunt förnuft ska berätta att en 15-dagars rörlig ave Raseri är en lämpligare åtgärd av kortsiktigt moment än ett 200-dagars glidande medelvärde. En av de bästa metoderna för att bestämma styrkan och riktningen för en tillgång s moment är att placera tre glidande medelvärden på ett diagram och sedan uppmärksamma Hur de stackar i förhållande till varandra De tre glidande medelvärdena som brukar användas har olika tidsramar i ett försök att representera kortsiktiga, medellånga och långsiktiga prisrörelser. I Figur 2 ses stark uppåtgående moment när kortare - term genomsnitt ligger över långsiktiga medelvärden och de två genomsnittet är divergerande Omvänt, när de kortare genomsnitten ligger under de längre siktvärdena är momentet i nedåtriktad riktning. Stöd En annan vanlig användning av glidande medelvärden är i bestämning av potentiella prisstöd Det tar inte mycket erfarenhet av att hantera glidande medelvärden för att märka att det fallande priset på en tillgång ofta kommer att stoppa och vända riktningen på samma nivå som en viktig Genomsnittet Till exempel i Figur 3 kan du se att 200-dagars glidande medel kunde stötta priset på beståndet efter att det föll från dess höga närhet 32 ​​Många handlare kommer att förutse en studsning av stora glidande medelvärden och kommer att använda andra tekniska indikatorer som bekräftelse på det förväntade flyget. Resurser När priset på en tillgång faller under en inflytelserik stödnivå, som det 200-dagars glidande genomsnittet, är det inte ovanligt att se den genomsnittliga akten som en stark barriär som hindrar investerare från att Pressar priset tillbaka över det genomsnittet Som du kan se från tabellen nedan används detta motstånd ofta av handlare som ett tecken för att ta vinst eller att stänga av befintliga långa positioner. Många korta säljare kommer också att använda dessa medelvärden som inträdespunkter eftersom priset stöter ofta på motståndet och fortsätter sin rörelse lägre Om du är en investerare som håller en lång position i en tillgång som handlar under stora glidande medelvärden, kan det vara i ditt intresse att titta på dessa e-nivåer nära, eftersom de kan påverka värdet av din investering väsentligt. Stopp-förluster Stöd och resistansegenskaperna hos glidande medelvärden gör dem till ett utmärkt verktyg för att hantera risker. Förmågan att flytta medelvärden för att identifiera strategiska ställen för att fastställa slutförlustorder möjliggör för handlare att skära av förlorade positioner innan de kan växa något större Som du kan se i Figur 5, kan handlare som håller en lång position i ett lager och sätter sina order för förlustförlust under inflytelserika medelvärden spara mycket pengar genom att använda glidmedel för att ställa in Stop-loss-order är nyckeln till en framgångsrik handelsstrategi. I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändras. Vid konstant medelvärde är det största värdet av m kommer att ge de bästa uppskattningarna av det underliggande genomsnittet En längre observationsperiod kommer att medeltala effekterna av variabilitet. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en chan ge i den underliggande processen För att illustrera föreslår vi en dataset som innehåller förändringar i underliggande medelvärden för tidsserien Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades Medelvärdet börjar som en konstant Vid 10 Börjar vid tid 21 ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30 Då blir det konstant igen Dataen simuleras genom att i genomsnitt lägga ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3 Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationerna som används för exemplet. När vi använder tabellen måste vi komma ihåg att vid en viss tidpunkt endast de tidigare uppgifterna är kända. Uppskattningarna av modellparametern, visas för tre olika värden på m tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte th e prognos Prognoserna skulle flytta de glidande medelkurvorna till höger efter perioden. En enda slutsats framgår tydligt av figuren. För alla tre uppskattningar ligger det glidande medeltalet bakom linjär trenden, där fördröjningen ökar med m. Fördröjningen är avståndet mellan modell och uppskattningen i tidsdimensionen På grund av fördröjningen underskattar det rörliga genomsnittsvärdet observationerna som medelvärdet ökar. Uppskattarens förspänning är skillnaden vid en viss tid i modellens medelvärde och det genomsnittliga värdet som förutspås av glidande medelvärdet Förskjutningen när medelvärdet ökar är negativt För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och förspänningen som införs i uppskattningen är m-funktionen. Ju större värdet av m är, desto större är storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a ges värdena för fördröjning och förspänning av medelvärdet av estimatorn i ekvationerna nedan. Exempelkurvorna matchar inte dessa ekvationer eftersom th e exemplarmodellen ökar inte kontinuerligt, utan det börjar som en konstant, förändras i en trend och blir sedan konstant igen. Exempelvis kurvorna påverkas av bruset. Den rörliga genomsnittliga prognosen för perioder in i framtiden representeras genom att man ändrar kurvorna till rätten Fördröjningen och förspänningen ökar proportionellt. Ekvationerna nedan anger fördröjningen och förspänningen av prognosperioder i framtiden jämfört med modellparametrarna. Dessa formuleringar är återigen en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över detta resultat Den glidande genomsnittliga estimatorn är baserad på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, borde vi vara förberedda för sådana resultat. Vi kan också dra slutsatsen av att siffran av bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för rörelsen i genomsnitt 5 än det rörliga genomsnittet av 20 Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer responsiv mot förändringar i medelvärdet. Felet är skillnaden mellan faktiska data och det prognostiserade värdet Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians . Den första termen är medelvärdet av variationen som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen oförsvarlig för en förändring I de underliggande tidsserierna För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt 1, men detta ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Förutspårning med Excel. Prognosen ing add-in implementerar de glidande medelformlerna Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B De första 10 observationerna indexeras -9 till 0 Jämfört med tabellen ovan förskjuts periodens index med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0 MA 10-kolumnen C visar beräknade rörliga medelvärden. Den glidande genomsnittsparametern m är i cell C3. Den Fore 1 kolumnen D visar En prognos för en period i framtiden Prognosintervallet är i cell D3 När prognosintervallet ändras till ett större antal, flyttas numren i Fore-kolumnen. Err 1-kolumnen E visar skillnaden mellan observationen och prognosen För Exempel är observationen vid tidpunkten 1 6 Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11 1 Felet är då -5 1 Standardavvikelsen och medelvärdesavvikelsen MAD beräknas i cellerna E6 och E7 res Pectively. Moving genomsnittliga och exponentiella utjämningsmodeller. Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga promenadmodeller och linjära trendmodeller, nonseasonal mönster och trender extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärde och utjämning modeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt lokalt medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan Medelmodell och slumpmässig-walk-without-drift-modellen Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett glidande medel kallas ofta en jämn version av den ursprungliga serien, eftersom kortsiktig medelvärde har en utjämningseffekt stötarna i den ursprungliga serien Genom att justera graden av utjämning av det rörliga genomsnittsbredden kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos den genomsnittliga och slumpmässiga gångmodellen Den enklaste typen av medelvärdesmodell är det enkla lika viktade rörliga genomsnittet. Prognosen för värdet av Y vid tiden t 1 som är gjord vid tiden t är lika med det enkla genomsnittet av de senaste m-observationerna. Här och på andra ställen kommer jag att använda symbolen Y-hat för att kunna förutse en prognos av tidsserie Y som gjorts så tidigt som möjligt före en given modell. Detta medel är centrerat vid period-m 1 2, vilket innebär att uppskattningen av Den lokala medelvärdet tenderar att ligga bakom det verkliga värdet av det lokala medelvärdet med ca m 1 2 perioder Således säger vi att medeltal för data i det enkla glidande medlet är m 1 2 relativt den period som prognosen beräknas för det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkterna i data. Om du till exempel medger de senaste 5 värdena kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m 1, Den enkla glidande SMA-modellen motsvarar den slumpmässiga promenadmodellen utan tillväxt Om m är mycket stor jämförbar med längden av uppskattningsperioden är SMA-modellen lika med medelmodellen. Som med vilken parameter som helst av en prognosmodell är det vanligt för att justera värdet på ki n för att få den bästa passformen till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar uppvisa slumpmässiga fluktuationer runt ett långsamt varierande medel. Låt oss försöka passa det med en slumpmässig promenad modell, vilket motsvarar ett enkelt glidande medelvärde av 1 term. Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer den mycket av bruset i data, de slumpmässiga fluktuationerna samt signalen den lokala medelvärde Om vi ​​istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser. Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i detta fall Medelåldern för data i detta prognosen är 3 5 1 2, så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare. Notera att den långsiktiga termiska prognoser från SMA mod el är en horisontell rak linje, precis som i den slumpmässiga promenadmodellen. Således antar SMA-modellen att det inte finns någon trend i data. Även om prognoserna från slumpmässig promenadmodellen helt enkelt motsvarar det senast observerade värdet, kommer prognoserna från SMA-modellen är lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla rörliga genomsnittet blir inte större eftersom prognosen för horisonten ökar. Detta är uppenbarligen inte korrekt. Tyvärr finns ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde öka för denna modell. Det är emellertid inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre horisont. Till exempel kan du skapa ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt, etc inom det historiska dataprovet. Du kan sedan beräkna provstandardavvikelserna av fel vid varje prognos h orizon och konstruera sedan konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar av lämplig standardavvikelse. Om vi ​​försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt. Medelåldern är Nu 5 perioder 9 1 2 Om vi ​​tar ett 19-årigt glidande medelvärde, ökar medeltiden till 10. Notera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-årigt genomsnitt. Modell C, det 5-åriga glidande genomsnittet, ger det lägsta värdet av RMSE med en liten marginal över de tre och 9-siktiga genomsnitten, och Deras andra statistik är nästan identiska Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer lyhördhet eller lite mer jämnhet i prognoserna. Tillbaka till början av sidan. Brons s Exponentiell utjämning exponentiellt vägd glidande medelvärdet. Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer Intuitivt bör tidigare data diskonteras mer gradvis - till exempel bör den senaste observationen Få lite mer vikt än 2: a senast och 2: a senast bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämning SES-modellen åstadkommer detta. Låt beteckna en utjämningskonstant ett tal mellan 0 och 1 Ett sätt att skriva modellen är att definiera en serie L som representerar den aktuella nivån, dvs det lokala medelvärdet av serien som uppskattat från data upp till idag. Värdet av L vid tid t beräknas rekursivt från sitt eget tidigare värde som detta. Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där kontrollen av det interpolerade värdet är så nära som möjligt cent observation Prognosen för nästa period är helt enkelt det nuvarande utjämnade värdet. Evivalent kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner I den första versionen är prognosen en interpolering Mellan föregående prognos och tidigare observation. I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel. Erroren vid tidpunkten t I den tredje versionen är prognosen en exponentiellt viktad dvs diskonterat glidande medelvärde med rabattfaktor 1.Interpoleringsversionen av prognosformuläret är det enklaste att använda om du implementerar modellen på ett kalkylblad som passar i en enda cell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet av lagras. Notera att om 1, motsvarar SES-modellen en slumpmässig promenadmodell wit träväxt Om 0, motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet Return to top of the page. Den genomsnittliga åldern för data i prognosen för enkel exponentiell utjämning är 1 relativ till den period som prognosen beräknas för. Detta är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie. Därför tenderar den enkla glidande genomsnittliga prognosen att ligga bakom vändpunkter med cirka 1 period. Till exempel när 0 5 fördröjningen är 2 perioder när 0 2 fördröjningen är 5 perioder då 0 1 fördröjningen är 10 perioder och så vidare. För en given medelålder, dvs mängden fördröjning, är den enkla exponentiella utjämning SES-prognosen något överlägsen den enkla rörelsen genomsnittlig SMA-prognos eftersom den lägger relativt större vikt vid den senaste observationen - det är något mer responsivt på förändringar som inträffade under det senaste. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 0 2 båda en genomsnittlig ålder av 5 för da ta i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och samtidigt glömmer det inte helt värderingar som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som är kontinuerligt variabel så att den lätt kan optimeras genom att använda en solveralgoritm för att minimera medelkvadratfelet. Det optimala värdet av SES-modellen för denna serie visar sig Att vara 0 2961, som visas här. Medelåldern för data i denna prognos är 1 0 2961 3 4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är En horisontell rak linje som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt Men notera att de konfidensintervaller som beräknas av Statgraphics nu avviker på ett rimligt sätt och att de är väsentligt smalare än förtroendeintervallet för rand Om walk-modellen SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell, så den statistiska teorin om ARIMA-modeller ger en bra grund för att beräkna konfidensintervaller för SES-modell SES-modellen är speciellt en ARIMA-modell med en icke-säsongsskillnad, en MA 1-term och ingen konstant term som annars kallas en ARIMA 0,1,1-modell utan konstant MA1-koefficienten i ARIMA-modellen motsvarar Kvantitet 1- i SES-modellen Om du till exempel passar en ARIMA 0,1,1-modell utan konstant till den analyserade serien, visar den uppskattade MA 1-koefficienten sig på 0 7029, vilket är nästan exakt en minus 0 2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend för en SES-modell. Ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA 1-term med en konstant, dvs en ARIMA 0,1,1-modell med konstant De långsiktiga prognoserna kommer att Då har en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant lång Termisk exponentialutveckling till en enkel exponentiell utjämningsmodell med eller utan säsongjustering genom att använda inflationsjusteringsalternativet i prognostiseringsförfarandet. Den lämpliga inflationsprocenttillväxten per period kan uppskattas som lutningskoefficienten i en linjär trendmodell monterad på data i Samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter. Tillbaka till början av sidan. Brett s Linjär dvs dubbel exponentiell utjämning. SMA-modellerna och SES-modellerna antar att det inte finns någon trend av Vilken typ som helst i de data som vanligtvis är ok eller åtminstone inte för dålig för 1-stegs prognoser när data är relativt noi sy och de kan modifieras för att införliva en konstant linjär trend som visad ovan. Vad sägs om kortsiktiga trender Om en serie visar en varierande tillväxthastighet eller ett cykliskt mönster som står klart mot bruset och om det finns behov av att Prognos mer än 1 år framåt, kan uppskattning av en lokal trend också vara ett problem. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning av LES-modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trenden Modellen är Brown s linjär exponentiell utjämningsmodell, som använder två olika släta serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centren. En mer sofistikerad version av denna modell, Holt s, är diskuteras nedan. Den algebraiska formen av Browns linjära exponentiella utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men e kvivalenta former Standardformen för denna modell uttrycks vanligen enligt följande. Låt S beteckna den singelglatta serien som erhållits genom att applicera enkel exponentiell utjämning till serie Y Det betyder att värdet på S vid period t ges av. Minns att under enkel exponentiell utjämning skulle detta vara prognosen för Y vid period t 1 Låt sedan S beteckna den dubbelsidiga serien som erhållits genom att applicera enkel exponentiell utjämning med samma till serie S. Slutligen är prognosen för Y tk för vilken som helst K 1, ges av. Detta ger e 1 0 dvs lurar lite och låt den första prognosen motsvara den faktiska första observationen och e 2 Y 2 Y 1, varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden Som formel baserad på S och S om den senare startades med användning av S 1 S 1 Y 1 Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Helt s linjär exponentiell utjämning. s LES-modellen beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på datamönstren att den kan passa nivån och trenden får inte variera vid oberoende priser Holt s LES-modellen tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst t, som i Brown s-modellen, finns det en uppskattning L t på lokal nivå och en uppskattning T T av den lokala trenden Här beräknas de rekursivt från värdet av Y observerat vid tid t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som tillämpar exponentiell utjämning åt dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L tl och T t-1, varför prognosen för Y t som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1 När det verkliga värdet observeras, uppdateras uppskattningen av nivån beräknas rekursivt genom att interpolera mellan Yt och dess prognos L t-1 T t 1 med vikter av och 1. Förändringen i beräknad nivå, nämligen L t L t 1 kan tolkas som en bullrig mätning av Trenden vid tiden t Den uppdaterade uppskattningen av trenden beräknas därefter rekursivt genom interpolering mellan L t L t 1 och den tidigare uppskattningen av trenden, T t-1 med vikter av och 1.Tolkningen av trendutjämningskonstanten är analog med den för jämnliknande konstanten Modeller med små värden antar att trenden förändras bara mycket långsamt över tiden medan modeller med större antar att det förändras snabbare En modell med en stor tror att den avlägsna framtiden är mycket osäker eftersom fel i trendberäkning blir ganska viktiga när prognoser mer än en period framöver. Av sidan. Utjämningskonstanterna och kan beräknas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 0 3048 och 0 008 Det mycket lilla värdet av Innebär att modellen antar mycket liten förändring i trenden från en period till en annan, så i princip försöker denna modell uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används vid uppskattning av t han lokal nivå av serien, är den genomsnittliga åldern för de data som används för att uppskatta den lokala trenden proportionell mot 1, men inte exakt lika med det i det här fallet visar sig vara 1 0 006 125 Detta är inte mycket exakt nummer Eftersom beräkningsnoggrannheten inte är riktigt 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så denna modell är medeltal över ganska mycket historia för att beräkna trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som uppskattas i SES-trendmodellen. Det uppskattade värdet är nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend , så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du eyeball denna plot ser det ut som om den lokala trenden har vänt sig nedåt i slutet av Serie Wh Vid har hänt Parametrarna för denna modell har uppskattats genom att minimera kvadreringsfelet i 1-stegs prognoser, inte längre prognoser, i vilket fall trenden gör inte stor skillnad. Om allt du tittar på är 1 - steg framåtfel, ser du inte den större bilden av trender över säga 10 eller 20 perioder För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den Använder en kortare baslinje för trenduppskattning. Om vi ​​exempelvis väljer att ställa in 0 1, är medelåldern för de data som används för att uppskatta den lokala trenden 10 perioder, vilket betyder att vi medeltar trenden under de senaste 20 perioderna eller så Här är vad prognosplottet ser ut om vi ställer in 0 1 samtidigt som vi håller 0 3 Det ser intuitivt rimligt ut för den här serien, även om det är troligt farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad med felstatistik Här är En modell jämförelse f eller de två modellerna som visas ovan samt tre SES-modeller Det optimala värdet på SES-modellen är ungefär 0 3, men liknande resultat med något mer eller mindre responsivitet erhålls med 0 5 och 0 2. En Holt s linjär expo-utjämning Med alfa 0 3048 och beta 0 008. B Holt s linjär expjäkning med alfa 0 3 och beta 0 1. C Enkel exponentiell utjämning med alfa 0 5. D Enkel exponentiell utjämning med alfa 0 3. E Enkel exponentiell utjämning med alfa 0 2.De statistiken är nästan identiska, så vi kan verkligen inte göra valet på grundval av prognosfel i ett steg i dataprovet. Vi måste falla tillbaka på andra överväganden. Om vi ​​starkt tror att det är vettigt att basera strömmen trendberäkning om vad som hänt under de senaste 20 perioderna eller så kan vi göra ett fall för LES-modellen med 0 3 och 0 1 Om vi ​​vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna Vara lättare att förklara och skulle också ge mer medel e-of-the-road prognoser för de kommande 5 eller 10 perioderna Gå tillbaka till toppen av sidan. Vilken typ av trend-extrapolation är bäst horisontellt eller linjärt. Empiriska bevis tyder på att om uppgifterna redan har justerats om det behövs för inflationen, då Det kan vara oskäligt att extrapolera kortsiktiga linjära trender långt in i framtiden. Trenden som uppenbaras idag kan slakta i framtiden på grund av olika orsaker som produktförstöring, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Därför är det enkelt exponentiellt Utjämning utförs ofta bättre utom provet än vad som annars skulle kunna förväntas trots sin naiva horisontella trend-extrapolering. Dämpade trendändringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den dämpade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA 1,1,2-modell. Det är möjligt att beräkna konfidensintervall arou nd långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller Var försiktig att inte alla mjukvaror beräknar konfidensintervaller för dessa modeller korrekt. Bredden på konfidensintervallet beror på jag RMS-felet i modellen, ii typen av utjämning enkel eller linjär iii värdet s för utjämningskonstanten s och iv antalet framåtprognoser du förutspår Allmänt sprids intervallen snabbare och blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används Detta avsnitt diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. Gå tillbaka till början av sidan.