Eksponensiële Bewegende Gemiddelde Octave

eksponensiële bewegende gemiddelde van MOVAVG nie korrek Is daar iemand anders ervaar het met behulp van die MOVAVG funksie met eksponensiële gewig (e) As ek nie spesifiseer die e gewig, dan het ek korrek kry 'n eenvoudige bewegende gemiddelde. Maar toe ek spesifiseer e kry ek getalle wat dit nie lyk reg. Im nuuskierig as die eksponensiële gewig hier gebruik is op 'n manier anders as wat algemeen aanvaar word. Byvoorbeeld, om te bereken voorraad prystendense, een bere tipies MACD (bewegende gemiddelde konvergensie divergensie) deur dit te doen: MACD (12 dae eksponensiële bewegende gemiddelde) minus (26 dae eksponensiële bewegende gemiddelde) So in Octave, ek het die volgende: Shortma , Longma movavg (data (:, prys), 12,26, e) MACD Shortma - Longma Vir 'n tipiese voorraad, die MACD waarde is gewoonlik die enkel-syfers. B ut b an my S hortma en L ongma spoor P rys baie nou, en dus MACD bly in die reeks / -10-4, wat duidelik verkeerd is. Hulp pleaseAfter piece saam die stukkies van hierdie draad Ek het hierdie funksie met behulp van oktawe filter funksie. Dit begin met die eenvoudige bewegende gemiddelde as die basis. V is die kolomvektor van getalle tot die eksponensiële bewegende gemiddelde te bereken. venster 'n heelgetal is as 'n aantal dae. Ek gebruik 12. Hier is 'n wiskundige verduideliking van hierdie funksie. Let daarop dat die bladsy gebruik 2 / (N1) (waar n venster of die aantal dae) as alfa. maar ek gebruik 1 / n, want dit waarde van alfa pas my behoeftes. Eers alfa as dit nodig is. Alternatiewelik, soms moet ek my toevoer en afvoer vektore dimensies aan te pas. Ek vul ongeldig waardes met NaN deur die byvoeging van meanV NaN (window-1,1) meanV as die laaste linie in die movingEMean funksie. Jy kan ook vul dit met simpleAvg as jy wil 'n rowwe estimate. Exponential bewegende gemiddelde die eksponensiële bewegende gemiddelde die eksponensiële bewegende gemiddelde verskil van 'n Eenvoudige bewegende gemiddelde sowel deur berekeningsmetode en in die manier waarop pryse word geweeg. Die eksponensiële bewegende gemiddelde (verkort na die voorletters EMO) is effektief 'n geweegde bewegende gemiddelde. Met die EMO, die gewig is sodanig dat die afgelope dae pryse meer gewig gegee as ouer pryse. Die teorie agter dit is dat meer onlangse pryse word beskou as meer belangrik as ouer pryse, veral as 'n langtermyn-eenvoudige gemiddelde te wees (byvoorbeeld 'n 200 dag) plaas gelyke gewig op prys data wat oor 6 maande oud en kon gedink van so effens uit-of-date. Berekening van die EMO is 'n bietjie meer ingewikkeld as die eenvoudige bewegende gemiddelde, maar het die voordeel dat 'n groot rekord van data wat elke sluiting prys vir die laaste 200 dae (of hoeveel dae oorweeg word) hoef nie om dit te bewaar . Al wat jy nodig het is die EMO vir die vorige dag en vandag sluit prys om die nuwe Eksponensiële bewegende gemiddelde te bereken. Berekening van die eksponent Aanvanklik vir die EMO, 'n eksponent moet bereken. Om mee te begin, neem die aantal dae EMO wat jy wil om te bereken en voeg een van die aantal dae wat jy oorweeg (byvoorbeeld vir 'n 200 dae - bewegende gemiddelde, voeg een te kry 201 as deel van die berekening). Wel noem dit Days1. Dan, om die eksponent kry, net neem die nommer 2 en deel dit deur Days1. Byvoorbeeld die eksponent vir 'n 200 dae - bewegende gemiddelde sou wees: 2 201. Watter gelyk 0,01 Volle Berekening as die eksponensiële bewegende gemiddelde Sodra weve het die eksponent, al wat ons nou nodig het is nog twee stukkies inligting aan ons in staat stel om die volle berekening uit te voer . Die eerste is yesterdays Eksponensiële bewegende gemiddelde. Wel aanvaar ons reeds weet dit as ons dit sou bereken gister. As jy egter Arent reeds bewus van gisters EMO, kan jy begin deur die berekening van die Eenvoudige bewegende gemiddelde vir gister, en die gebruik van hierdie in die plek van die EMA vir die eerste berekening (dws vandag berekening) van die EMO. Dan môre kan jy die EMO jy vandag bereken, en so aan gebruik. Die tweede stuk inligting wat ons nodig het, is vandag se sluitingsprys. Kom ons neem aan dat ons wil vandag 200 dae Eksponensiële bewegende gemiddelde vir 'n aandeel of voorraad wat oor 'n vorige dae EMO van 120 pennies (of sent) en 'n huidige dae sluitingsprys van 136 pennies het bereken. Die volle berekening is altyd soos volg: Vandag se Eksponensiële bewegende gemiddelde (huidige dae sluiting prys x Exponent) (vorige dae EMO x (1- Exponent)) So, met behulp van ons voorbeeld bostaande figure, vandag 200 dae EMO sou wees: (136 x 0,01 ) (120 x (1- 0,01)) Watter gelyk 'n EMO vir vandag van 120.16.Smoothing Smoothing en filter is twee van die mees algemeen gebruikte tydreekse tegnieke vir die verwydering van die geraas van die onderliggende data te help openbaar die belangrikste kenmerke en komponente (bv tendens, seisoenaliteit, ens). Ons kan egter ook gebruik glad in ontbrekende waardes te vul en / of uit te voer 'n skatting. In hierdie uitgawe, sal ons bespreek vyf (5) verskillende glad metodes: geweeg bewegende gemiddelde (WBG i), eenvoudige eksponensiële gladstryking, dubbel eksponensiële gladstryking, lineêre eksponensiële gladstryking, en trippel eksponensiële gladstryking. Hoekom moet ons omgee Smoothing is baie dikwels gebruik (en misbruik) in die bedryf om 'n vinnige visuele ondersoek van die data eienskappe (bv tendens, seisoenaliteit, ens), pas in ontbrekende waardes maak, en uit te voer 'n vinnige buite-monster voorspelling. Waarom moet ons so baie glad funksies Soos ons sal sien in hierdie vraestel, elke funksie werk vir 'n ander aanname oor die onderliggende data. Byvoorbeeld, eenvoudige eksponensiële gladstryking aanvaar die data het 'n stabiele gemiddelde (of ten minste 'n stadig bewegende gemiddelde), so eenvoudig eksponensiële gladstryking sal sleg vaar in vooruitskatting data uitstal seisoenaliteit of 'n tendens. In hierdie vraestel, sal ons gaan oor elke smoothing funksie, na vore te bring sy aannames en parameters, en die toepassing daarvan deur voorbeelde te demonstreer. Geweegde bewegende gemiddelde (WBG) 'n bewegende gemiddelde is algemeen gebruik word met tydreeksdata te stryk korttermynskommelings en na vore te bring die langer termyn tendense of siklusse. 'N Geweegde bewegende gemiddelde het faktore vermenigvuldig om verskillende gewigte om data te gee op verskillende posisies in die monster venster. Die geweegde bewegende gemiddelde het 'n vaste venster (bv N) en die faktore is tipies gekies om gegewe meer gewig aan onlangse waarnemings. Die venster grootte (N) bepaal die aantal punte gemiddeld by elke keer, so 'n groter vensters grootte is minder gevoelig vir nuwe veranderinge in die oorspronklike tyd reeks en 'n klein venster grootte kan veroorsaak dat die reëlmatige uitset na lawaaierige wees. Want uit monster vooruitskatting doeleindes: Voorbeeld 1: Kom kyk na maandelikse verkope vir Maatskappy X, met behulp van 'n 4-maande (gelyk-geweegde) bewegende gemiddelde. Let daarop dat die bewegende gemiddelde altyd agter die data en die buite-monster voorspelling konvergeer na 'n konstante waarde. Kom ons probeer om 'n gewig skema (sien onder) wat meer klem op die nuutste waarneming gee gebruik. Ons geplot die gelyke-geweegde bewegende gemiddelde en WBG op dieselfde grafiek. Die WBG lyk meer reageer op onlangse veranderings en die buite-monster voorspelling konvergeer om dieselfde waarde as die bewegende gemiddelde. Voorbeeld 2: Kom ons kyk na die WBG in die teenwoordigheid van die tendens en seisoenaliteit. Vir hierdie voorbeeld, goed gebruik maak van die internasionale data passasier lugredery. Die bewegende gemiddelde venster is 12 maande. Die MA en die WBG tred hou met die tendens, maar die buite-monster voorspelling plat. Verder, hoewel die WBG vertoon 'n aantal seisoenaliteit, dit is altyd agter die oorspronklike data. (Browns) Eenvoudige Eksponensiële Smoothing Eenvoudige eksponensiële gladstryking is soortgelyk aan die WBG, met die uitsondering dat die venster grootte oneindige en die gewig faktore verminder eksponensieel. Soos ons gesien het in die WBG, word die eenvoudige eksponensiële geskik vir tydreekse met 'n stabiele gemiddelde, of ten minste 'n baie stadige bewegende gemiddelde. Voorbeeld 1: Kom ons gebruik die maandelikse verkope data (soos ons gedoen het in die WBG voorbeeld). In die voorbeeld hierbo, het ons besluit die glad faktor te wees 0.8, wat die vraag smeek: Wat is die beste waarde vir die smoothing faktor Beraming van die beste waarde uit die data met behulp van die TSSUB funksie (om die fout te bereken), SUMSQ, en Excel data tafels, bereken ons die som van die gekwadreerde foute (SSE) en geplot die resultate: die SSE sy minimum waarde rondom 0.8 bereik, sodat ons opgetel hierdie waarde vir ons glad. (Holt-Winters) Double Eksponensiële Smoothing Eenvoudige eksponensiële gladstryking nie goed doen in die teenwoordigheid van 'n tendens, so 'n paar metode onder die dubbele eksponensiële sambreel bedink word voorgestel om hierdie tipe van data te hanteer. NumXL ondersteun Holt-Winters dubbele eksponensiële gladstryking, wat die volgende formulering neem: Voorbeeld 1: Kom ons kyk na die internasionale data passasiers lugredery Ons het 'n Alpha waarde van 0,9 en 'n Beta van 0,1. Let asseblief daarop dat hoewel dubbel glad spore van die oorspronklike data goed, die buite-monster voorspelling is minderwaardig teenoor die eenvoudige bewegende gemiddelde. Hoe kan ons die beste glad faktore Ons neem 'n soortgelyke benadering tot ons eenvoudige eksponensiële gladstryking voorbeeld, maar aangepas is vir twee veranderlikes. Ons bereken die som van die gekwadreerde foute op te rig 'n twee-veranderlike data tafel, en pluk die alfa en beta waardes wat die algehele SSE verminder. (Browns) Lineêre Eksponensiële Smoothing Dit is 'n ander metode van dubbele eksponensiële gladstryking funksie, maar dit het een glad faktor: Browns dubbele eksponensiële gladstryking neem een ​​parameter minder as Holt-Winters funksie, maar dit mag nie so 'n goeie passing as daardie funksie. Voorbeeld 1: Kom ons gebruik dieselfde voorbeeld in Holt-Winters dubbele eksponensiële en vergelyk die optimale som van die gekwadreerde foute. Die Browns dubbele eksponensiële pas nie in die voorbeeld van die data asook die Holt-Winters metode, maar die buite-monster (in hierdie geval) is beter. Hoe kan ons die beste glad faktor () Ons gebruik dieselfde metode om die alfa waarde dat die som van die gekwadreerde foute verminder kies. Vir die voorbeeld steekproefdata, is die alfa bevind word 0.8. (Winters) Drie Eksponensiële glad die driedubbele eksponensiële gladstryking in ag neem seisoenale veranderinge sowel as tendense. Hierdie metode vereis 4 parameters: Die formulering vir trippel eksponensiële gladstryking is meer betrokke as enige van die voriges. Maak seker ons online help vir die presiese formulering. Voorbeeld: Gebruik die internasionale passasiers lugredery data, kan ons winters toepassing trippel eksponensiële gladstryking, vind optimale parameters, en uit te voer 'n out-of monster skatting. Dit is duidelik dat, is die winter trippel eksponensiële gladstryking beste toegepas vir hierdie data monster, want dit volg die waardes en en die buite-monster voorspelling vertoon seisoenaliteit (L12). Hoe kan ons die beste glad faktor () Weereens, moet ons die waardes wat die algehele som van die gekwadreerde foute (SSE) verminder haal, maar die data tabelle kan gebruik word vir meer as twee veranderlikes, sodat ons terugval op die Excel oplosser: (1) Stel die minimalisering probleem met die SSE as die nutsfunksie (2) die beperkings vir hierdie probleem Gevolgtrekking ondersteuning FilesDocumentation tsmovavg uitset tsmovavg (tsobj, s, lag) gee terug die eenvoudige bewegende gemiddeld vir finansiële tydreekse voorwerp, tsobj. lag dui die aantal vorige datapunte gebruik met die huidige data punt by die berekening van die bewegende gemiddelde. uitset tsmovavg (vektor, s, lag, dowwe) gee terug Die eenvoudige bewegende gemiddelde vir 'n vektor. lag dui die aantal vorige datapunte gebruik met die huidige data punt by die berekening van die bewegende gemiddelde. uitset tsmovavg (tsobj, e, timeperiod) gee terug Die eksponensiële geweegde bewegende gemiddelde vir finansiële tydreekse voorwerp, tsobj. Die eksponensiële bewegende gemiddelde is 'n geweegde bewegende gemiddelde, waar timeperiod spesifiseer die tydperk. Eksponensiële bewegende gemiddeldes te verminder die lag deur die toepassing van meer gewig aan onlangse pryse. Byvoorbeeld, 'n 10-tydperk eksponensiële bewegende gemiddelde gewigte die mees onlangse prys deur 18.18. Eksponensiële Persentasie 2 / (TIMEPER 1) of 2 / (WINDOWSIZE 1). uitset tsmovavg (vektor, e, timeperiod, dowwe) gee terug Die eksponensiële geweegde bewegende gemiddelde vir 'n vektor. Die eksponensiële bewegende gemiddelde is 'n geweegde bewegende gemiddelde, waar timeperiod spesifiseer die tydperk. Eksponensiële bewegende gemiddeldes te verminder die lag deur die toepassing van meer gewig aan onlangse pryse. Byvoorbeeld, 'n 10-tydperk eksponensiële bewegende gemiddelde gewigte die mees onlangse prys deur 18.18. (2 / (timeperiod 1)). uitset tsmovavg (tsobj, t, numperiod) gee terug Die driehoekige bewegende gemiddelde vir finansiële tydreekse voorwerp, tsobj. Die driehoekige bewegende gemiddelde dubbel glad die data. tsmovavg word bereken dat die eerste eenvoudige bewegende gemiddelde met venster breedte van oordek (numperiod 1) / 2. Dan bereken dit 'n tweede eenvoudige bewegende gemiddelde op die eerste bewegende gemiddelde met dieselfde venster grootte. uitset tsmovavg (vektor, t, numperiod, dowwe) gee terug Die driehoekige bewegende gemiddelde vir 'n vektor. Die driehoekige bewegende gemiddelde dubbel glad die data. tsmovavg word bereken dat die eerste eenvoudige bewegende gemiddelde met venster breedte van oordek (numperiod 1) / 2. Dan bereken dit 'n tweede eenvoudige bewegende gemiddelde op die eerste bewegende gemiddelde met dieselfde venster grootte. uitset tsmovavg (tsobj, w, gewigte) gee terug Die geweegde bewegende gemiddelde vir die finansiële tydreekse voorwerp, tsobj. deur die verskaffing van gewigte vir elke element in die bewegende venster. Die lengte van die gewig vektor bepaal die grootte van die venster. As groter gewig faktore word gebruik vir meer onlangse pryse en kleiner faktore vir vorige pryse, die neiging is meer ontvanklik vir onlangse wysigings. uitset tsmovavg (vektor, w, gewigte, dowwe) gee terug Die geweegde bewegende gemiddelde vir die vektor deur die verskaffing van gewigte vir elke element in die bewegende venster. Die lengte van die gewig vektor bepaal die grootte van die venster. As groter gewig faktore word gebruik vir meer onlangse pryse en kleiner faktore vir vorige pryse, die neiging is meer ontvanklik vir onlangse wysigings. uitset tsmovavg (tsobj, m, numperiod) gee terug Die gemodifiseerde bewegende gemiddelde vir die finansiële tydreekse voorwerp, tsobj. Die aangepaste bewegende gemiddelde is soortgelyk aan die eenvoudige bewegende gemiddelde. Oorweeg die argument numperiod die lag van die eenvoudige bewegende gemiddelde wees. Die eerste gewysigde bewegende gemiddelde bereken word soos 'n eenvoudige bewegende gemiddelde. Daaropvolgende waardes word bereken deur die toevoeging van die nuwe prys en trek die laaste gemiddelde van die gevolglike bedrag. uitset tsmovavg (vektor, m, numperiod, dowwe) gee terug Die gemodifiseerde bewegende gemiddelde vir die vektor. Die aangepaste bewegende gemiddelde is soortgelyk aan die eenvoudige bewegende gemiddelde. Oorweeg die argument numperiod die lag van die eenvoudige bewegende gemiddelde wees. Die eerste gewysigde bewegende gemiddelde bereken word soos 'n eenvoudige bewegende gemiddelde. Daaropvolgende waardes word bereken deur die toevoeging van die nuwe prys en trek die laaste gemiddelde van die gevolglike bedrag. dowwe 8212 dimensie te bedryf saam positiewe heelgetal met waarde 1 of 2 Dimension te bedryf saam, wat as 'n positiewe heelgetal met 'n waarde van 1 of 2. dowwe is 'n opsionele insette argument, en as dit nie gebruik word as 'n inset, die verstek waarde 2 word aanvaar. Die standaard van dowwe 2 dui op 'n ry-georiënteerde matriks, waar elke ry is 'n veranderlike en elke kolom is 'n waarneming. As dowwe 1. die insette is veronderstel om 'n kolomvektor of-kolom-georiënteerde matriks, waar elke kolom is 'n veranderlike en elke ry 'n waarneming wees. e 8212 aanwyser vir eksponensiële bewegende gemiddelde karakter vektor Eksponensiële bewegende gemiddelde is 'n geweegde bewegende gemiddelde, waar timeperiod is die tydperk van die eksponensiële bewegende gemiddelde. Eksponensiële bewegende gemiddeldes te verminder die lag deur die toepassing van meer gewig aan onlangse pryse. Byvoorbeeld, 'n tydperk van 10 eksponensiële bewegende gemiddelde gewigte die mees onlangse prys deur 18.18. Eksponensiële Persentasie 2 / (TIMEPER 1) of 2 / (WINDOWSIZE 1) timeperiod 8212 Lengte van tyd positiewe getal Kies 'n land