예측 평균 수요로의 이동 평균

이동 평균 예측. 소개 당신이 추측 할 수 있듯이 우리는 예측에 대한 가장 원시적 인 접근법 중 일부를보고 있습니다. 그러나 이것은 적어도 스프레드 시트에서 예측을 구현하는 것과 관련된 일부 컴퓨팅 문제에 대한 가치있는 소개 일 것입니다. 이 경우 우리는 처음부터 시작하여 이동 평균 예측으로 작업을 시작하십시오. 이동 평균 예측 모든 사람들은 그들이 믿는 지 여부에 관계없이 이동 평균 예측에 익숙합니다. 모든 대학생들이 항상 그 일을합니다. 진행할 코스에서 시험 점수를 생각해보십시오. 4 학기 동안 시험을 치러야합니다. 첫 번째 시험에서 85 점이라고 가정합시다. 두 번째 시험 점수를 어떻게 예측할 것입니까? 당신의 선생님이 다음 시험 성적에 대해 어떻게 예측할 것이라고 생각하십니까. 친구들이 예측할 수 있다고 생각합니까? 다음 시험 성적을 위해. 부모님이 다음 시험 성적에 대해 어떻게 예측 하시는지 생각해보십시오. 귀하가 귀하의 fr에 할 수있는 모든 모방에 상관없이 부모님들과 부모님들, 선생님과 선생님은 당신이 방금 얻은 85의 영역에서 뭔가를 얻을 것을 기대할 가능성이 큽니다. 이제, 당신의 친구들에게 당신의 자기 승진에도 불구하고, 당신 자신을 과대 평가한다고 가정합시다. 두 번째 테스트에서 더 적은 수를 공부하면 73 점을 얻을 수 있습니다. 이제 걱정 스럽거나 걱정하지 않는 것이 무엇인지 예상하여 세 번째 테스트를 시작하게 될 것입니다. 그들이 너와 나눌 지 말지. 그들은 스스로에게 말할지도 모른다. 이 남자는 항상 그의 영리에 대해 연기를 불고있다. 그가 운이 좋다면 73 세를 더 가질 것이다. 어쩌면 부모가 더지지하고 말하기를 시도 할 것이다. 음. 지금까지 85와 73을 얻었습니다. 85 73 2 79 알지 못합니다. 만약 파티가 덜하고 집집마다 족제비를 흔들지 않았다면 더 많이 공부하면 더 높은 점수를 얻을 수 있습니다. 이 두 견적은 모두 실제입니다. 이동 평균 예측. 첫 번째는 가장 최근의 점수 만 사용하여 미래의 실적을 예측합니다. 이것은 한 기간의 데이터를 사용하는 이동 평균 예측이라고합니다. 두 번째는 이동 평균 예측이지만 두 기간의 데이터를 사용합니다. 당신의 위대한 마음에 파문을 가진이 사람들은 모두 당신을 화나게하고 당신은 당신의 동맹국 앞에서 높은 점수를두기 위해 세 번째 시험에서 잘하기로 결정합니다. 시험을 치고 점수는 실제로 89 자신을 포함한 모든 사람들이 감명받습니다. 그래서 이제 학기말 테스트가 끝납니다. 평소처럼 모든 사람들이 마지막 테스트에서 어떻게 할 것인가에 대한 예측을 할 필요가 있다고 느낍니다. 패턴입니다. 자, 이제 패턴을 볼 수 있습니다. 가장 정확하다고 믿습니다. 우리가 일하는 동안 지금 우리는 일하는 동안 호각이라고 불리는 이분의 여동생이 시작한 새로운 청소 회사로 돌아갑니다. 과거 판매 데이터가 있습니다. 스프레드 시트에서 다음 섹션으로 표시됩니다. 우리는 먼저 3 기간 이동 평균 예측에 대한 데이터를 제시합니다. 셀 C6에 대한 항목이 있어야합니다. 이제이 셀 수식을 다른 셀 C7에서 C11까지 복사 할 수 있습니다. 평균 이동 방식을 알려줍니다. 가장 최근의 과거 데이터를 사용하지만 각 예측에 사용할 수있는 가장 최근의 세 기간을 정확하게 사용합니다. 가장 최근의 예측을 개발하기 위해 과거 기간에 대한 예측을 실제로 수행 할 필요가 없음을 알아야합니다. 지수 평활화 모델 저는 예측 결과를 다음 웹 페이지에서 사용하여 예측 유효성을 측정하기 때문에 과거 예측을 포함 시켰습니다. 이제는 2 기간 이동 평균 예측에 대한 유사한 결과를 제시하고자합니다. 셀 C5에 대한 항목이 있어야합니다. 이 셀 수식을 다른 셀 C6에서 C11까지 복사 할 수 있습니다. 이제는 가장 최근의 두 가지 기록 데이터 만 각 예측에 사용됩니다. 다시 말하지만 예측을 검증하기 위해 나중에 사용하기 위해 과거 예측을 사용합니다. 주목해야 할 다른 중요한 사항입니다. m - 기간 이동 평균 예측의 경우 가장 최근의 데이터 값만이 예측을 수행하는 데 사용됩니다. . m - 기간 이동 평균 예측에 대해 과거 예측을 할 때 첫 번째 예측이 m1 기간에 발생 함을 주목하십시오. 우리가 코드를 개발할 때이 두 문제 모두 매우 중요합니다. 이동 평균 기능 개발 이제는 보다 유연하게 사용할 수있는 이동 평균 예측을위한 코드 코드는 다음과 같습니다. 예측은 예측에서 사용하려는 기간 수와 기록 값 배열에 대한 것입니다. 원하는 통합 문서에 저장할 수 있습니다. 기능 MovingAverage Historical, NumberOfPeriods 단일 변수로 선언 및 초기화 함 Dim 항목으로 Variant Dim 카운터를 정수로 희석 Accumulation으로 Single Dim HistoricalSize Integer로. 변수 초기화 중 카운터 1 누계 0. 기록 배열 크기 HistoricalSize. For 카운터 1 For NumberOfPeriods. 가장 최근에 이전에 관측 된 값 중 적절한 수를 누적합니다. 누적 누적 기록 이력 - 크기 누적 횟수 카운터. 이동중 누적 누적 누적 횟수입니다. 코드가 클래스로 설명됩니다. 계산 결과가 필요한 위치에 표시되도록 스프레드 시트에 함수를 배치하려고합니다. 실제로 이동 평균은 평균이 일정하거나 천천히 변화하는 경우 시계열 평균의 좋은 추정치를 제공합니다. 일정한 평균의 경우 가장 큰 m 값은 기본 평균보다 긴 관찰 기간은 변동성의 효과를 평균화 할 것입니다. 더 작은 m을 제공하는 목적은 예측이 기본 프로세스의 변화에 ​​응답 할 수 있도록하는 것입니다. 설명하기 위해 우리는 다음과 같은 기본 평균의 변화를 통합하는 데이터 세트를 제안합니다. 시계열은 그림에 사용 된 시계열을 평균 수요와 함께 보여줍니다. 시도가 생성됨 평균은 10에서 상수로 시작됨 시간 21에서 시작하여 시간 30에서 20의 값에 도달 할 때까지 각 기간마다 한 단위 씩 증가합니다. 그런 다음 다시 상수가됩니다. 평균에 a를 추가하여 데이터를 시뮬레이션합니다. 평균 분포가 0이고 표준 편차가 3 인 정규 분포의 무작위 노이즈 시뮬레이션 결과는 가장 가까운 정수로 반올림됩니다. 이 표는 예제에 사용 된 시뮬레이션 된 관측치를 보여줍니다. 표를 사용할 때, 과거의 데이터 만이 알려집니다. m의 세 가지 다른 값에 대한 모델 매개 변수의 추정치는 아래 그림에서 시계열의 평균과 함께 표시됩니다. 그림은 각 시간의 평균의 이동 평균 추정치를 보여줍니다. 예측 예측은 이동 평균 곡선을 기간별로 오른쪽으로 이동시킬 것입니다. 하나의 결론은 그림에서 즉시 명백합니다. 세 가지 추정치 모두에 대해 이동 평균은 선형 추세에 비해 뒤떨어지며 지연은 증가합니다 n과 함께 지연은 시간 차원에서 모델과 추정치 사이의 거리입니다. 지연 때문에 이동 평균은 평균이 증가함에 따라 관측치를 과소 평가합니다. 추정량의 편중은 특정 시간의 평균값의 차이입니다 모델의 평균값과 이동 평균에 의해 예측 된 평균값 평균이 증가 할 때의 바이어스는 음의 값입니다. 감소하는 평균의 경우 바이어스는 양수입니다. 시간 지연과 추정에 도입 된 바이어스는 m의 함수입니다. 선형 및 추세의 크기가 클수록 계속적으로 증가하는 추세를 갖는 계열에 대해 평균의 평가자의 지연과 편향의 값이 아래의 방정식에 주어집니다. 예제 모델은 다음 방정식과 일치하지 않습니다. 지속적으로 증가하지 않고 상수로 시작하여 추세로 바뀌고 다시 일정하게됩니다. 또한 예제 곡선은 소음의 영향을받습니다. 향후 기간에 대한 이동 평균 예측 곡선을 오른쪽으로 이동시킴으로써 나타남 래그 (Lag)와 바이어스가 비례 적으로 증가 함 아래의 방정식은 모형 매개 변수와 비교할 때 미래 기간에 대한 예측 기간의 지연 및 편차를 나타냅니다. 이 공식은 일정한 선형 경향을 갖는 시계열에 대한 것입니다 우리는이 결과에 놀랄 필요가 없다. 이동 평균 추산 기는 일정한 평균의 가정에 기초하고 있으며, 예는 연구 기간의 일부 동안 평균에서 선형 경향을 갖는다. 실시간 시리즈는 거의 가정을 따르지 않을 것이기 때문에 우리는 그러한 결과에 대비해야한다. 우리는 소음의 변동성이 더 작은 m에 대해 가장 큰 효과를 갖는다는 결론을 도출 할 수있다. 이동 평균이 20 일보다 이동 평균이 훨씬 더 변동성이 크다. 우리는 소음으로 인한 변동성의 영향을 줄이기 위해 m을 증가시키려는 상반된 욕구를 가지고 있으며, 평균의 변화에보다 반응하는 예측을하기 위해 m을 감소시킨다. 오차는 di 실제 데이터와 예측 된 값 사이의 관계 시계열이 진정으로 일정한 값이면 오류의 예상 값은 0이고 오류의 분산은의 함수 인 항과 분산 인 두 번째 항으로 구성됩니다 첫 번째 항은 데이터가 일정한 평균을 가진 모집단에서 온다고 가정 할 때 m 관측의 표본으로 추정 된 평균의 분산입니다. 이 항은 가능한 한 m을 크게하여 최소화됩니다. 큰 m은 예측을 응답하지 않게 만듭니다 근본적인 시계열의 변화 예측에 변화에 반응하도록하려면 가능한 한 작은 m을 원하지만 오차 분산을 증가 시키십시오. 실용 예측에는 중간 값이 필요합니다. Excel로 예측합니다. 예측 추가 기능은 이동을 구현합니다 평균 수식 아래 예제는 B 열의 샘플 데이터에 대한 추가 기능에서 제공되는 분석을 보여줍니다. 처음 10 개의 관측 값은 -9에서 0으로 인덱싱됩니다. 위 표와 비교하여 기간 ind 처음 10 회의 관측 값은 추정치의 시작 값을 제공하고 0 기간의 이동 평균을 계산하는 데 사용됩니다. MA 10 열 C는 계산 된 이동 평균을 나타냅니다. 이동 평균 매개 변수 m은 C3 셀에 있습니다. 1 열 D는 미래로의 한 기간에 대한 예측을 나타냅니다. 예측 간격은 셀 D3에 있습니다. 예측 간격이 더 큰 숫자로 변경되면 Fore 열의 숫자가 아래로 이동합니다. Err 1 열 E는 관측 및 예측 예를 들어, 시간 1에서의 관측치는 시간 0에서의 이동 평균으로 만들어진 예측 값은 11 1입니다. 오차는 -5 1입니다. 표준 편차 및 평균 평균 편차 MAD는 각각 셀 E6 및 E7에서 계산됩니다 . 이동 평균을 사용하는 방법. 이동 평균의 주요 기능 중 일부는 추세를 식별하고 역전으로 자산의 힘의 강도를 측정하고 자산이 지원을 찾을 잠재적 영역을 결정하는 것입니다 또는 저항이 섹션에서는 다양한 기간이 모멘텀을 모니터링 할 수있는 방법과 이동 평균이 정지 손실을 설정하는 데 어떻게 도움이되는지를 지적 할 것입니다. 또한 이동 평균의 기능 및 제한 사항을 다음과 같이 고려해야합니다. 거래 루틴의 일부 동향 동향 파악은 동향을 만들려고하는 대부분의 거래자가 사용하는 이동 평균의 핵심 기능 중 하나입니다. 이동 평균은 뒤 떨어진 지표로서 새로운 동향을 예측하지는 않지만 동향을 확인합니다. 일단 그들이 설립되면 그림 1에서 볼 수 있듯이, 주가는 이동 평균보다 높고 평균이 상승 할 때 상승 추세로 간주됩니다. 반대로, 상인은 하향 경 사진 평균 이하의 가격을 사용합니다 하락 추세를 확인하십시오. 많은 거래자들은 가격이 이동 평균 이상으로 거래 될 때 자산의 장기 포지셔닝만을 고려할 것입니다. 이 간단한 규칙은 tre 모멘텀 많은 초보자 상인들은 운동량을 측정하는 것이 가능한지 물어보고 이동 평균을 사용하여 그러한 재능을 해결할 수있는 방법을 묻습니다. 간단한 대답은 평균을 생성하는 데 사용 된 기간에주의를 기울이는 것입니다. 각 기간은 다양한 유형의 운동량에 대한 중요한 통찰력을 제공 할 수 있습니다. 일반적으로 단기 운동량은 20 일 이하의 기간에 초점을 맞춘 이동 평균을보고 계측 할 수 있습니다. 20 ~ 100 일은 일반적으로 중기 모멘텀의 좋은 척도로 간주됩니다. 마지막으로, 계산에서 100 일 이상을 사용하는 모든 이동 평균은 장기 모멘텀의 척도로 사용될 수 있습니다. 상식은 15 일 이동 평균은 200 일 이동 평균보다 단기 모멘텀의 더 적절한 측정입니다. 자산의 모멘텀의 강도와 방향을 결정하는 가장 좋은 방법 중 하나는 3 개의 이동 평균을 차트에 배치하고 그들이 서로 관련하여 어떻게 쌓여 있는지에 세심한주의를 기울이십시오. 일반적으로 사용되는 세 가지 이동 평균은 단기, 중기 및 장기 가격 변동을 나타 내기 위해 다양한 시간 프레임을 가지고 있습니다. 그림 2에서 모멘텀은 단기 평균이 장기 평균보다 높고 두 평균이 다른 경우 평균보다 낮은 평균 평균보다 낮을 때 나타나는 모멘텀입니다. 지원 다른 일반적인 사용 평균 이동 평균은 잠재적 가격 지원을 결정하는 데 중요합니다. 이동 평균을 처리하는 데 많은 경험을하지 않아 자산 가격 하락이 종종 중요한 평균과 같은 수준으로 중단되고 방향이 바뀌는 것을 보게됩니다. 예를 들어 그림 3 200 일 이동 평균선이 32 근처의 높은 가격에서 떨어지면 주가가 올라갈 수 있다는 것을 알 수 있습니다. 많은 거래자들은 주요 이동 평균의 반등을 예상하고 다른 기술 지표를 예상 이동의 확인으로 사용할 것입니다. 저항 자산의 가격이 200 일 이동 평균과 같은 영향력있는 지원 수준보다 낮아지면 평균 이동이 강력한 장벽으로 간주되는 경우는 드뭅니다. 투자자가 그 평균보다 높은 가격을 다시 올리는 것을 막습니다. 아래 차트에서 알 수 있듯이, 이 저항은 종종 이익을 취하거나 기존의 긴 포지션을 종료하는 신호로 거래자에 의해 사용됩니다. 많은 단기 매매자는이 평균을 엔트리로 사용합니다 왜냐하면 가격이 종종 저항에서 벗어나서 이동을 더 낮추기 때문입니다. 주요 이동 평균 이하로 거래하는 자산에서 장기 포지셔닝을하는 투자자는이 레벨을주의 깊게 관찰하는 것이 좋습니다. 투자 가치에 큰 영향을 줄 수 있습니다. 정지 손실 이동 평균의 지원 및 저항 특성으로 인해 위험을 관리하는 데 훌륭한 도구가됩니다. 스톱 손실 주문을 설정하기위한 전략적 장소를 식별하십시오. 상인들이 더 큰 규모로 성장하기 전에 상실 위치를 차단할 수 있습니다. 그림 5에서 볼 수 있듯이, 주식에서 장기 포지션을 유지하고 영향력있는 평균 이하의 스톱 로스 주문을 할 수있는 상인은 스스로 많은 돈을 절약하십시오. 중단 손실 주문을 설정하기 위해 이동 평균을 사용하면 성공적인 거래 전략의 핵심입니다.