Front Vektet Moving Average Beregning

Eksponensiell utjevning forklart. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med mye utjevning. uansett utjevning er. De begynner deretter å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det. Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som gir en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, bidrar det til å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes til å oppnå glatting. Hva er utjevning Utjevning er en svært vanlig statistisk prosess. Faktisk møter vi jevnlig jevne data i ulike former i vårt daglige liv. Når du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer. Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning. For eksempel har vi nettopp opplevd den varmeste vinteren på rekord. Hvordan kan vi kvantifisere dette Vel, vi begynner med datasett av de daglige høye og lave temperaturene for perioden vi kalder Vinter for hvert år i innspilt historie. Men det gir oss en mengde tall som hopper rundt ganske mye (det er ikke som hver dag i vinter var varmere enn tilsvarende dager fra alle tidligere år). Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles glatting, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsoversikt bruker vi utjevning for å fjerne tilfeldig variasjon (støy) fra vår historiske etterspørsel. Dette gjør at vi bedre kan identifisere etterspørselsmønstre (primært trend og sesongmessighet) og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel. Støyen i etterspørsel er det samme konseptet som den daglige hoppingen rundt temperaturdataene. Ikke overraskende, den vanligste måten folk fjerner støy fra etterspørselshistorien, er å bruke en enkel gjennomsnittlig, nærmere bestemt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går. Hvis jeg for eksempel bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg et gjennomsnitt av etterspørselen som skjedde i januar, februar, mars og april. 1. juni bruker jeg etterspørsel fra februar, mars, april og mai. Vektet glidende gjennomsnitt. Ved bruk av et gjennomsnitt bruker vi samme vekt (vekt) til hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av glidende gjennomsnitt. Når du bruker etterspørselshistorie for å projisere fremtidig etterspørsel (og spesielt fremtidig trend), er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen din. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke ulike vekter til hver periode for å få våre ønskede resultater. Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100. Derfor, hvis vi bestemmer oss for å søke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 i de 4 månedene (15 20 30 35 100). Eksponensiell utjevning. Hvis vi går tilbake til konseptet med å legge vekt på den siste perioden (for eksempel 35 i det forrige eksempelet) og sprer gjenværende vekt (beregnet ved å trekke den siste tidsvekten på 35 fra 100 til 65), har vi de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning. Den kontrollerende inngangen til eksponensiell utjevningsberegning er kjent som utjevningsfaktoren (også kalt utjevningskonstanten). Den representerer i hovedsak vektingen som er brukt på de siste periodene etterspørselen. Så, hvor vi brukte 35 som vekten for den siste perioden i den vektede glidende gjennomsnittlige beregningen, kunne vi også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevningsberegning er at i stedet for at vi også må finne ut hvor mye vekt som skal gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del. Hvis vi bruker 35 som utjevningsfaktor, vil vekten av de siste perioder etterspørselen bli 35. Vektingen av de neste siste perioder krever (perioden før den siste) vil være 65 av 35 (65 kommer fra å trekke 35 fra 100). Dette tilsvarer 22,75 vekting for den perioden hvis du gjør matematikken. De neste siste perioder etterspørselen vil være 65 av 65 av 35, som tilsvarer 14,79. Perioden før det vil bli vektet som 65 av 65 av 65 av 35, som tilsvarer 9,61, og så videre. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden (eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet på). Du tenker nok det som ser ut som en masse matte. Men skjønnheten i eksponensiell utjevningsberegning er at i stedet for å beregne for hver tidligere periode hver gang du får en ny periode etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere perioder. Er du forvirret ennå Dette vil gi mer mening når vi ser på den faktiske beregningen Vanligvis refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den endelige prognosen litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger: De siste periodene krever multiplikasjon med utjevningsfaktoren. PLUS De siste periodene prognosen multiplisert med (en minus utjevningsfaktoren). D siste perioder krever S utjevningsfaktoren representert i desimalform (så 35 ville bli representert som 0,35). F de siste periodene prognosen (utgangen av utjevningsberegningen fra forrige periode). ELLER (antar en utjevningsfaktor på 0,35) (D 0,35) (F 0,65) Det blir ikke mye enklere enn det. Som vi kan se, er alt vi trenger for datainnganger her de siste perioder etterspørselen og de siste periodene prognosen. Vi bruker utjevningsfaktoren (vekting) til de siste periodene, krever samme måte som vi ville i den veide gjennomsnittlige beregningen. Vi bruker deretter den gjenværende vekten (1 minus utjevningsfaktoren) til de siste periodene. Siden de siste prognoseperiodene ble opprettet basert på forrige perioder, var etterspørselen og de foregående periodene prognosen, som var basert på etterspørselen etter perioden før og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. Vel, du kan se hvordan alle tidligere perioder etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det var det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram. Og fordi du ikke trengte å tenke på hva vekting å gi tidligere perioder eller hvor mange tidligere perioder å bruke, som du ville i vektet glidende gjennomsnitt. Og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektverdige resultater, så hvorfor ikke gå med enklere og kjøligere lyd. Eksponensiell utjevning i Excel Leter du se hvordan dette faktisk ville se i et regneark med ekte data. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel-regneark med 11 ukers etterspørsel, og en eksponensielt jevn prognose beregnet ut fra den etterspørselen. Ive brukte en utjevningsfaktor på 25 (0,25 i celle C1). Den nåværende aktive cellen er Cell M4 som inneholder prognosen for uke 12. Du kan se i formellinjen, formelen er (L3C1) (L4 (1-C1)). Så de eneste direkte inngangene til denne beregningen er forutgående perioder etterspørsel (Cell L3), de foregående periodene (Cell L4) og utjevningsfaktoren (Cell C1, vist som absolutt cellereferanse C1). Når vi starter en eksponensiell utjevningsberegning, må vi manuelt plukke verdien for den første prognosen. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning (B3C1) (B4 (1-C1)). Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en hvilken som helst prognosecelle for å se at den er basert på de foregående periodene forutsatt celle og forrige perioder krever celle. Så arver hver etterfølgende eksponensiell utjevningsberegning utgangen av den forrige eksponensielle utjevningsberegningen. Det er hvordan hver tidligere perioder etterspørsel er representert i den siste perioderegningen, selv om denne beregningen ikke direkte refererer til tidligere perioder. Hvis du vil ha lyst, kan du bruke Excels spore presenter funksjon. For å gjøre dette, klikk på Cell M4, deretter på verktøylinjen for bånd (Excel 2007 eller 2010), klikk på Formler-fanen, og klikk deretter Sporprecedenter. Det trekker tilkoblingslinjer til det første nivået av precedenter, men hvis du fortsetter å klikke på Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg de arvede forhold. Nå kan vi se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram over vår etterspørsel og prognose. Du ser hvordan den eksponentielt glatte prognosen fjerner det meste av den ujevnheten (hoppingen rundt) fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognoselinjen har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre (å gjøre en nedadgående trend), ser du etterspørselslinjen slipp, og trendlinjen beveger seg over den før du begynner å følge nedadgående trenden. Det er derfor jeg tidligere nevnte produksjonen fra eksponentiell utjevningsberegning som vi kaller en prognose, fortsatt trenger litt mer arbeid. Det er mye mer å prognose enn å bare utjevne støtene i etterspørselen. Vi må gjøre ytterligere tilpasninger for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen, etc. Men alt som er utenfor rammen av denne artikkelen. Du vil sannsynligvis også komme inn i begreper som dobbel eksponensiell utjevning og tredobbelt eksponensiell utjevning. Disse begrepene er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger (du kan hvis du vil, men det er ikke poenget her). Disse betingelsene representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Så med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørsel og trenden, og med tredoble eksponensiell utjevning utjevner du basen etterspørsel i tillegg til trenden og sesongen. Det andre vanligste spørsmålet om eksponensiell utjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her, du må teste forskjellige utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som automatisk kan angi (og endre) utjevningsfaktoren. Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse av hva denne beregningen gjør. Du bør også kjøre om-scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker for testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier. Det bestemte dataeksemplet viser en noe konsistent oppadgående trend. Mange store selskaper med svært kostbar prognoseprogramvare fikk store problemer i den ikke så fjerne fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi, ikke reagerte bra da økonomien begynte å stagnere eller krympe. Ting som dette skjer når du ikke forstår hva dine beregninger (programvare) faktisk gjør. Hvis de forsto deres prognosesystem, ville de ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i sin virksomhet. Så det har du det grunnleggende om eksponensiell utjevning forklart. Ønsker du å vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Dave Piasecki. er eieroperatør av Inventory Operations Consulting LLC. et konsulentfirma som tilbyr tjenester knyttet til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsledelse og kan nås gjennom sin nettside (inventoryops), hvor han opprettholder tilleggsinformasjon. Min virksomhet Du er her: Indikatorbibliotek gt Flytte gjennomsnittlig Flytende gjennomsnitt Gjennomsnittlig flytteverdi brukes til å jevne trender. tilbyr tre forskjellige typer bevegelige gjennomsnitt. Et enkelt glidende gjennomsnitt gir like vekt til hvert datapunkt for perioden. Hvis perioden er 3 og de tre siste datapunktene er 3, 4 og 5, vil den siste gjennomsnittsverdien være (345) 34 (divisjon med tre fordi det er tre datapunkter). Et eksponentielt glidende gjennomsnitt (EMA), noen ganger også kalt et eksponentielt vektet glidende gjennomsnitt (EWMA), gjelder vektningsfaktorer som reduseres eksponentielt. Vektingen for hvert eldre datapunkt faller eksponentielt, noe som gir mye større betydning for de siste observasjonene, mens det fremdeles ikke fjernes eldre observasjoner. Et forhåndsviktet gjennomsnitt, som et eksponentielt gjennomsnitt, tillater at de nyeste dataene blir gjennomsnittlig for å påvirke gjennomsnittsverdien mer enn eldre data. Det beregnes annerledes enn eksponentielle gjennomsnitt, men det gir også nyere data mer vekt. Et 5-veis fremvektet gjennomsnitt beregnes som følger (C er den siste linjen, C4 er 4 bar siden): Vekt foran (C5) (C14) (C23) (C32) C4) 15 Du kan se hvordan de forskjellige gjennomsnittlige typer produserer forskjellige resultater. Alle tre gjennomsnitt er plottet med en periode på 30 enkle (røde), eksponentielle (cyan) frontveide (gule). I tillegg kan du velge hvilket element av prisen som skal brukes ved beregning av gjennomsnittet: 160Last, Åpen, Høy, Lav eller Typisk pris. Flytende gjennomsnitt har en Offset-parameter som lar deg flytte gjennomsnittlig tomt fremover eller bakover (negativ offset-verdi). Dette gir deg mulighet til å plotte det som ofte refereres til som fordrevne gjennomsnittsverdier. Les mer om fordrevne glidende gjennomsnitt på Investopedia. Vennligst send alle spørsmål og kommentarer til feedbackfreestockcharts Hvis du trenger teknisk assistanse, vennligst kontakt vår teknisk supportavdeling. Copyright 2015 av WordenWeighted Moving Averages: Grunnleggende I løpet av årene har teknikere funnet to problemer med det enkle glidende gjennomsnittet. Det første problemet ligger i tidsrammen for det bevegelige gjennomsnittet (MA). De fleste tekniske analytikere tror at prisaksjonen. Åpne eller avsluttende aksjekurs, er ikke nok til å avhenge av riktig forutsi kjøp eller salg av signaler fra MAs crossover-handlingen. For å løse dette problemet, tilordner analytikere nå mer vekt til de nyeste prisdataene ved å bruke det eksponensielt glattede glidende gjennomsnittet (EMA). (Lær mer om å utforske det eksponentielt veide flytende gjennomsnitt.) Et eksempel For eksempel, ved hjelp av en 10-dagers MA, ville en analytiker ta sluttprisen på den tiende dagen og multiplisere dette nummeret med 10, den niende dagen med ni, den åttende dag med åtte og så videre til den første av MA. Når summen er blitt bestemt, vil analytikeren da dele tallet ved tilsetning av multiplikatorene. Hvis du legger til multiplikatorene i 10-dagers MA-eksemplet, er tallet 55. Denne indikatoren er kjent som det lineært vektede glidende gjennomsnittet. (For beslektet lesing, sjekk ut enkle bevegelige gjennomsnitt, gjør trender stående ut.) Mange teknikere er fast troende på det eksponensielt glattede glidende gjennomsnittet (EMA). Denne indikatoren har blitt forklart på så mange forskjellige måter at det forveksler både studenter og investorer. Kanskje den beste forklaringen kommer fra John J. Murphys tekniske analyse av finansmarkedene, (publisert av New York Institute of Finance, 1999): Det eksponentielt glattede glidende gjennomsnittet adresserer begge problemene forbundet med det enkle glidende gjennomsnittet. For det første tilordner det eksponentielt glatte gjennomsnittet en større vekt til nyere data. Derfor er det et vektet glidende gjennomsnitt. Men mens den tilordner mindre betydning for tidligere prisdata, inkluderer den i beregningen alle dataene i instrumentets levetid. I tillegg er brukeren i stand til å justere vektingen for å gi større eller mindre vekt til den siste dagsprisen, som legges til en prosentandel av verdien for tidligere dager. Summen av begge prosentverdiene legger til 100. For eksempel kan den siste dagens pris tildeles en vekt på 10 (.10), som legges til den forrige dagens vekt på 90 (.90). Dette gir den siste dagen 10 av totalvekten. Dette ville være tilsvarer et 20-dagers gjennomsnitt, ved å gi den siste dagens pris en mindre verdi på 5 (.05). Figur 1: Eksponentielt glatt flyttende gjennomsnitt Ovennevnte diagram viser Nasdaq Composite Index fra den første uken i august 2000 til 1. juni 2001. Som du tydeligvis kan se, er EMA, som i dette tilfellet bruker sluttprisdataene over en 9-dagers periode, har bestemte salgssignaler den 8. september (merket med en svart nedpilt). Dette var dagen da indeksen brøt under 4000-nivået. Den andre svarte pilen viser et annet nedre ben som teknikerne faktisk forventer. Nasdaq kunne ikke generere nok volum og interesse fra detaljhandlerne til å bryte 3000 mark. Derefter dør du ned igjen til bunnen ut på 1619.58 på 4. april. Opptrenden av 12. april er markert med en pil. Her stengte indeksen på 1961,46, og teknikere begynte å se institusjonelle fondforvaltere begynner å hente opp gode kjøp som Cisco, Microsoft og noen av energirelaterte problemstillinger. (Les våre relaterte artikler: Flytte gjennomsnittlige konvolutter: Raffinere et populært handelsverktøy og flytte gjennomsnittlig tilbakeslag.)