بسيط الحركة من المتوسط التنبؤ - طريقة

المتوسط ​​المتحرك البسيط - سما. برياك دون انخفاض المتوسط ​​المتحرك البسيط - سما. المتوسط ​​المتحرك البسيط قابل للتخصيص بحيث يمكن حسابه لعدد مختلف من الفترات الزمنية، وذلك ببساطة عن طريق إضافة سعر إغلاق الضمان لعدد من الفترات الزمنية و ثم قسمة هذا المجموع على عدد الفترات الزمنية التي تعطي متوسط ​​سعر الضمان خلال الفترة الزمنية المتوسط ​​المتحرك البسيط يزيل التقلبات ويسهل عرض اتجاه السعر للأمان إذا ارتفع المتوسط ​​المتحرك البسيط لأعلى ، وهذا يعني أن سعر الأمن يتزايد إذا كان يشير لأسفل فهذا يعني أن سعر الأمن آخذ في التناقص يعد الإطار الزمني للمتوسط ​​المتحرك أطول، وأكثر سلاسة المتوسط ​​المتحرك البسيط المتوسط ​​المتحرك القصير الأجل أكثر تقلبا، ولكن قراءتها هي أقرب إلى مصدر البيانات. المعرفة التحليلية. المتوسطات المتحركة هي أداة تحليلية هامة تستخدم لتحديد الاتجاهات الحالية في الأسعار وإمكانية تغيير في تري و أبسط شكل من أشكال استخدام المتوسط ​​المتحرك البسيط في التحليل هو استخدامه لتحديد بسرعة إذا كان الأمن في اتجاه صاعد أو اتجاه هبوطي أداة شعبية أخرى، وإن كانت قليلا أكثر تعقيدا، هي مقارنة زوج من المتوسطات المتحركة البسيطة مع كل تغطية مختلفة أطر زمنية إذا كان المتوسط ​​المتحرك البسيط على المدى القصير فوق المتوسط ​​الأطول أجلا، فمن المتوقع أن يكون هناك اتجاه صعودي من ناحية أخرى، فإن المتوسط ​​على المدى الطويل فوق المتوسط ​​الأقصر يدل على حركة هبوطية في الاتجاه. أنماط التداول الشائعة. اثنين من أنماط التداول الشائعة التي تستخدم المتوسطات المتحركة البسيطة تشمل معبر الموت والصلب الذهبي يحدث تقاطع الموت عندما يعبر المتوسط ​​المتحرك البسيط لمدة 50 يوم عن المتوسط ​​المتحرك ل 200 يوم. هذه إشارة هبوطية، يحدث العبور الذهبي عند كسر المتوسط ​​المتحرك على المدى القصير فوق المتوسط ​​المتحرك على المدى الطويل تعززه أحجام التداول المرتفعة، وهذا يمكن أن يشير إلى مزيد من المكاسب في المخزن. المتوسط ​​المتحرك و الأسوننتي نماذج التمهيد. كخطوة أولى في التحرك خارج النماذج المتوسطة، نماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استنباط أنماط واتجاهات غير تقليدية باستخدام نموذج متحرك أو تمهيد. الافتراض الأساسي وراء نماذج المتوسط ​​والتجانس هو أن الوقت سلسلة ثابتة محليا بمتوسط ​​متغير ببطء ومن ثم فإننا نأخذ متوسطا محليا متحركا لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامها كما التنبؤات في المستقبل القريب ويمكن اعتبار هذا بمثابة حل وسط بين النموذج المتوسط ​​والعشوائي - walk دون الانجراف نموذج يمكن استخدام نفس الاستراتيجية لتقدير واستقراء الاتجاه المحلي وعادة ما يطلق على المتوسط ​​المتحرك نسخة ممهدة من السلسلة الأصلية لأن متوسط ​​الأجل على المدى القصير له تأثير على إزالة المطبات في الأصل سيريز من خلال ضبط درجة تمهيد عرض المتوسط ​​المتحرك، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائي s نوع من نموذج المتوسط ​​المتوسط ​​هو. Simple متوازنة الوزن المرجح المتوسط ​​المتحرك. التنبؤ بقيمة Y في الوقت t 1 التي تتم في وقت t يساوي المتوسط ​​البسيط من الملاحظات م الأخيرة. هنا وفي أماكن أخرى سأستخدم الرمز Y-هات للوقوف على توقعات للسلسلة الزمنية Y التي تم إجراؤها في أقرب وقت ممكن من قبل نموذج معين ويتركز هذا المتوسط ​​في الفترة t 1 1، مما يعني أن تقدير فإن المتوسط ​​المحلي سيميل إلى التخلف عن القيمة الحقيقية للمتوسط ​​المحلي بحوالي m 1 2 وبالتالي فإننا نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو m 1 2 بالنسبة إلى الفترة التي يتم فيها حساب التوقعات هذا هو مقدار الوقت الذي من شأنه أن التنبؤات تميل إلى تخلف نقاط تحول في البيانات على سبيل المثال، إذا كنت متوسط ​​القيم 5 الماضية، فإن التوقعات ستكون حوالي 3 فترات في وقت متأخر من الاستجابة لنقاط تحول لاحظ أنه إذا م 1، متوسط ​​نموذج المتوسط ​​المتحرك المتوسط ​​البسيط يساوي نموذج المشي العشوائي بدون نمو إذا كانت m كبيرة جدا مقارنة بطول فترة التقدير، فإن نموذج سما يعادل النموذج المتوسط ​​كما هو الحال مع أي معلمة لنموذج التنبؤ، لضبط قيمة كي n للحصول على أفضل ملاءمة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. هنا هو مثال لسلسلة التي يبدو أن تظهر تقلبات عشوائية حول متوسط ​​ببطء متغير أولا، دعونا نحاول لتناسب ذلك مع المشي العشوائي نموذج، وهو ما يعادل متوسط ​​متحرك بسيط من 1 term. The نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في هذه السلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من الضوضاء في البيانات تقلبات عشوائية، فضلا عن إشارة المحلية يعني إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات. المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة متوسط ​​عمر البيانات في هذا التنبؤ هو 3 5 1 2، بحيث يميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التنبؤات لا تتحول حتى عدة فترات في وقت لاحق. لاحظ أن المدى الطويل، والتنبؤات طويلة الأجل من وزارة الدفاع سما إل هي خط أفقي مستقيم، تماما كما في نموذج المشي العشوائي وهكذا، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات ومع ذلك، في حين أن التوقعات من نموذج المشي العشوائي هي ببساطة مساوية لقيمة الملاحظة الأخيرة، والتنبؤات من فإن نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. حدود الثقة التي تحسبها ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ هذا من الواضح أنه ليس صحيحا للأسف، النظرية الإحصائية التي تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة لتوقعات الأفق الأطول على سبيل المثال، يمكنك إعداد جدول بيانات فيه نموذج سما سوف تستخدم للتنبؤ بخطوتين إلى الأمام و 3 خطوات إلى الأمام وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل توقعات h أوريزون، ومن ثم بناء فترات الثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر تأثيرا متخلفا. الآن 5 فترات 9 1 2 إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزداد إلى 10.لاحظ أن التوقعات في الواقع تتخلف الآن عن نقاط التحول بنحو 10 فترات. كما أن كمية التجانس هي الأفضل لهذه السلسلة في ما يلي جدول يقارن إحصاءات الخطأ الخاصة بهم، بما في ذلك أيضا متوسط ​​3 فترات. نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أدنى قيمة ل رمز بهامش صغير على متوسطات المدى 3 و 9، إحصائياتهم الأخرى متطابقة تقريبا لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل أكثر قليلا من الاستجابة أو أكثر قليلا نعومة في التوقعات العودة إلى أعلى الصفحة. الألوان s الأسي بسيط تمهيد أضعافا مضاعفة أضعافا مضاعفة متوسط ​​المتوسط ​​المتحرك البسيط الموضح أعلاه يحتوي على الخاصية غير المرغوب فيها التي يتعامل معها ملاحظات k الأخيرة بالتساوي وبشكل كامل يتجاهل جميع الملاحظات السابقة بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، والحصول على أكثر من ذلك بقليل من الوزن الثاني من أحدث، والثاني الأكثر حداثة يجب الحصول على وزن أكثر قليلا من 3 أحدث، وهلم جرا بسيطة الأسي تمهيد نموذج سيس ينجز هذا. لاحظ يدل على ثابت تمهيد عدد بين 0 و 1 طريقة واحدة لكتابة النموذج هو تحديد سلسلة L التي تمثل المستوى الحالي أي القيمة المتوسطة المحلية للسلسلة كما يقدر من البيانات حتى الوقت الحاضر يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا. وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث تسيطر على القرب من قيمة محرف إلى أكثر إعادة سينت المراقبة التوقعات للفترة القادمة هي ببساطة قيمة ممهدة الحالية. على العكس من ذلك، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة. في النسخة الثانية، يتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق عن طريق كمية كسور. is الخطأ المحرز في الوقت t في النسخة الثالثة، والتنبؤ هو أي المتوسط ​​المتحرك المخصوم مع معامل الخصم 1. إن نسخة الاستكمال الداخلي لصيغة التنبؤ هي أبسط الاستخدامات إذا كنت تنفذ النموذج على جدول بيانات يناسبه في خلية واحدة ويحتوي على مراجع خلية تشير إلى التنبؤ السابق، الملاحظة، والخلية حيث يتم تخزين قيمة. ملاحظة أنه إذا كان 1، نموذج سيس ما يعادل نموذج المشي سيرا على الأقدام عشوائي نمو هوت إذا كان نموذج سيس يساوي النموذج المتوسط، على افتراض أن القيمة الملساء الأولى تم تعيينها مساوية لمتوسط ​​العائد إلى أعلى الصفحة. متوسط ​​عمر البيانات في التنبؤات الأسية البسيطة - تمهيد هو 1 النسبية إلى الفترة التي يتم حساب التنبؤ بها ليس من المفترض أن تكون واضحة، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية وبالتالي، فإن متوسط ​​التوقعات المتحركة البسيطة يميل إلى التخلف عن نقاط التحول بنحو 1 فترات على سبيل المثال، عند 0 5 الفاصل الزمني هو فترتين عندما يكون 0 2 الفارق الزمني 5 فترات عندما يكون 0 1 الفارق الزمني 10 فواصل وهكذا بالنسبة لعمر متوسط ​​معين أي مقدار الفارق الزمني فإن التنبؤ الأسي البسيط للتلطيف سيس متفوق إلى حد ما على التحرك البسيط متوسط ​​توقعات سما لأنه يضع وزنا أكبر نسبيا على الملاحظة الأخيرة - فهو أكثر استجابة قليلا للتغيرات التي تحدث في الماضي القريب على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 0 2 على حد سواء لديها متوسط ​​العمر من 5 ل دا تا في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما، وفي الوقت نفسه فإنه لا ننسى تماما القيم أكثر من 9 فترات القديمة، كما هو مبين في هذا الرسم البياني. أية ميزة أخرى من فإن نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد تتغير باستمرار بحيث يمكن تحسينها بسهولة باستخدام خوارزمية حلالا لتقليل متوسط ​​الخطأ الوسطي وتبين القيمة المثلى لنموذج سيس لهذه السلسلة أن يكون 0 2961، كما هو مبين هنا. متوسط ​​عمر البيانات في هذه التوقعات هو 1 0 2961 3 4 فترات، وهو مماثل للمتوسط ​​المتحرك البسيط لمدة 6. التوقعات على المدى الطويل من نموذج سيس هي خط مستقيم أفقي كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة للراند أوم نموذج المشي يفترض أن سلسلة يمكن التنبؤ بها إلى حد ما أكثر من نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما حتى نظرية إحصائية نماذج أريما يوفر أساسا سليما لحساب فترات الثقة ل نموذج سيس على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو مصطلح 1 ما، وليس هناك مصطلح ثابت يعرف باسم أريما 0،1،1 نموذج دون ثابت معامل ما 1 في نموذج أريما يتوافق مع الكمية 1 في نموذج سيس على سبيل المثال، إذا كنت تناسب أريما 0،1،1 نموذج دون ثابت لسلسلة تحليلها هنا، فإن معامل ما 1 المقدرة تبين أن 0 7029، وهو تقريبا تقريبا واحد ناقص 0 2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس للقيام بذلك، ما عليك سوى تحديد نموذج أريما بفروق نونزاسونال واحدة ومدة ما 1 مع ثابت، أي نموذج أريما 0،1،1 مع ثابت سوف التوقعات على المدى الطويل ثم يكون الاتجاه الذي يساوي الاتجاه المتوسط ​​لوحظ على مدى فترة التقدير بأكملها لا يمكنك القيام بذلك جنبا إلى جنب مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عندما يتم تعيين نوع النموذج إلى أريما ومع ذلك، يمكنك إضافة ثابت طويلة إلى نموذج بسيط للتجانس الأسي مع أو بدون تعديل موسمية باستخدام خيار تعديل التضخم في إجراء التنبؤ يمكن تقدير معدل النمو المناسب لنسبة التضخم في كل فترة على أنه معامل الانحدار في نموذج اتجاه خطي مجهز بالبيانات في جنبا إلى جنب مع التحول اللوغاريتم الطبيعي، أو أنه يمكن أن تستند إلى معلومات أخرى مستقلة بشأن آفاق النمو على المدى الطويل العودة إلى أعلى الصفحة. الخطية s الخطي أي ضعف الأسي تمهيد. نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا ل 1-خطوة قبل التوقعات عندما تكون البيانات نوي نسبيا ويمكن تعديلها لدمج اتجاه خطي ثابت كما هو مبين أعلاه ماذا عن الاتجاهات قصيرة الأجل إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة إلى وتوقع أكثر من 1 فترة المقبلة، ثم تقدير الاتجاه المحلي قد يكون أيضا قضية ويمكن تعميم نموذج التمهيد الأسي بسيط للحصول على خطية الأسية تمهيد نموذج ليس الذي يحسب التقديرات المحلية من كل من المستوى والاتجاه. أبسط الاتجاه متغيرة الوقت النموذج هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم اثنين من سلسلة سلسة مختلفة التي تتمحور في نقاط مختلفة في الوقت المحدد ويستند صيغة التنبؤ على استقراء خط من خلال المركزين وهناك نسخة أكثر تطورا من هذا النموذج، هولت s، هو نوقشت أدناه. يمكن التعبير عن شكل جبري من براون s الخطي الأسي تمهيد نموذج، مثل ذلك من نموذج تمهيد الأسي بسيط، في عدد من مختلف ولكن ه الأشكال المتكافئة عادة ما يعبر عن الشكل القياسي لهذا النموذج على النحو التالي تدل S تدل على سلسلة سلسة منفردة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y وهذا هو، وتعطى قيمة S في الفترة t من قبل. أذكر أنه في ظل تمهيد الأسي بسيط، وهذا سيكون التنبؤ ل Y في الفترة ر 1 ثم اسمحوا S تدل على سلسلة سلسة تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط باستخدام نفسه لسلسلة S. Finally، والتوقعات ل يك تك لأي k 1. ويعطي هذا العائد e 1 0 أي غش قليلا، والسماح للتنبؤ الأول يساوي الملاحظة الأولى الفعلية، و e 2 Y 2 Y 1 وبعد ذلك يتم توليد التنبؤات باستعمال المعادلة أعلاه ينتج هذا القيم المجهزة نفسها كما الصيغة التي تستند إلى S و S إذا تم بدء هذه الأخيرة باستخدام S 1 S 1 Y 1 يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمي. الخطي S الخطي الأسي Smoothing. Brown s يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أن يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب المستوى والاتجاه لا يسمح لها أن تختلف في معدلات مستقلة هولت s ليس نموذج يتناول هذه المسألة من خلال تضمين اثنين من ثوابت تمهيد، واحدة لمستوى واحد للاتجاه في أي وقت t، كما هو الحال في نموذج براون s، وهناك تقدير L ر من المستوى المحلي وتقدير T t للاتجاه المحلى هنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة فى الوقت t والتقديرات السابقة لمستوى واتجاه المعادلتين اللتين تنطبقان على تمهيد أسي لها بشكل منفصل. إذا كان المستوى المقدر والاتجاه في الوقت t-1 هما T t 1 و T t-1 على التوالي، فإن التنبؤات Y t التي كان من الممكن أن تكون قد أجريت في الوقت t-1 تساوي L t-1 T t-1 عندما يلاحظ القيمة الفعلية، يتم حساب المستوى بشكل متكرر عن طريق الاستكمال الداخلي بين Y t والتنبؤ به L t-1 T t-1 باستخدام الأوزان و 1. ويمكن تفسير التغير في المستوى المقدر وهو L t L 1 على أنه قياس صاخب ل الاتجاه في الوقت t يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t L t 1 والتقدير السابق للاتجاه T t-1 باستخدام أوزان و 1. إن تفسير ثابت تجانس الاتجاه يشبه ثابت ثابت التمهيد. النماذج ذات القيم الصغيرة تفترض تغير الاتجاه فقط ببطء شديد مع مرور الوقت، في حين أن النماذج ذات الحجم الأكبر تفترض أنها تتغير بسرعة أكبر ويعتقد نموذج مع كبير أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة قبل العودة إلى أعلى من ثوابت التجانس ويمكن تقديرها بالطريقة المعتادة من خلال تقليل متوسط ​​الخطأ المئوي للتنبؤات ذات الخطوة الأولى عندما يتم ذلك في ستاتغرافيكس، تشير التقديرات إلى أن 03048 و 0 008 القيمة الصغيرة جدا يعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل قياسا على فكرة متوسط ​​عمر البيانات المستخدمة في تقدير t هو المستوى المحلي للسلسلة، متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1، وإن لم يكن يساوي بالضبط في هذه الحالة التي تبين أن يكون 1 0 006 125 هذا هو إس عدد دقيق جدا حيث أن دقة تقدير إيسن t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حجم حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير الاتجاه مؤامرة التوقعات ويبين الشكل أدناه أن نموذج ليس يقدر اتجاها محليا أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج الاتجاه سيس، كما أن القيمة المقدرة تكاد تكون مطابقة للاتجاه الذي يتم الحصول عليه عن طريق تركيب نموذج سيس مع الاتجاه أو بدونه ، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت مقلة العين هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحول إلى أسفل في نهاية سلسلة و في حدث وقد تم تقدير المعلمات من هذا النموذج عن طريق تقليل الخطأ التربيعي من 1-خطوة إلى الأمام التنبؤات، وليس التنبؤات على المدى الطويل، وفي هذه الحالة الاتجاه لا تجعل الكثير من الفرق إذا كان كل ما كنت تبحث في 1 - step قبل الأخطاء، كنت لا ترى الصورة الأكبر من الاتجاهات على القول 10 أو 20 فترات من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط أساس أقصر لتقدير الاتجاه على سبيل المثال، إذا اخترنا تعيين 0 1، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، مما يعني أننا نحسب متوسط ​​الاتجاه خلال الفترات العشرين الأخيرة أو نحو ذلك هنا s ما يبدو مؤامرة توقعات إذا وضعنا 0 1 مع الحفاظ على 0 3 وهذا يبدو بديهية معقولة لهذه السلسلة، على الرغم من أنه من المحتمل أن خطورة لاستقراء هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إرور ستاتس هنا مقارنة نموذجية f أو النموذجين المبينين أعلاه فضلا عن ثلاثة نماذج سيس تبلغ القيمة المثلى لنموذج سيس حوالي 0 3، ولكن يتم الحصول على نتائج مماثلة مع استجابة أكثر قليلا أو أقل على التوالي مع 0 5 و 0 2. A هولت إكس خطي تجانس مع ألفا 0 3048 وبيتا 0 008. B هولت خ الخطية تجانس مع ألفا 0 3 وبيتا 0 1. C تمهيد الأسي بسيطة مع ألفا 0 5. D تمهيد الأسي بسيط مع ألفا 0 3. E تمهيد الأسي بسيط مع ألفا 0 2 . احصائيات هي متطابقة تقريبا، لذلك نحن حقا يمكن أن تجعل ر الاختيار على أساس 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات علينا أن نراجع مرة أخرى على اعتبارات أخرى إذا كنا نعتقد بقوة أنه من المنطقي أن قاعدة الحالية تقدير الاتجاه على ما حدث على مدى ال 20 فترة الماضية أو نحو ذلك، يمكننا أن نجعل حالة لنموذج ليس مع 0 3 و 0 1 إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، ثم واحدة من نماذج سيس قد يكون من الأسهل أن يفسر، وسوف يعطي أيضا المزيد من ميدل التنبؤات على الطريق على مدى 5 أو 10 فترات القادمة العودة إلى أعلى الصفحة. أي نوع من الاستقراء الاتجاه هو أفضل الأفقي أو الخطي تشير الأدلة التجريبية أنه إذا كانت البيانات قد تم تعديلها إذا لزم الأمر للتضخم، ثم قد يكون من غير الحكمة استقراء الاتجاهات الخطية قصيرة الأجل بعيدا جدا في الاتجاهات المستقبلية قد تتراجع اليوم بوضوح في المستقبل بسبب أسباب مختلفة مثل تقادم المنتج وزيادة المنافسة والانكماش الدوري أو التحولات في صناعة لهذا السبب، الأسي بسيط فإن التنعيم غالبا ما يؤدي إلى خروج عينة أفضل مما يمكن توقعه على خلاف ذلك، على الرغم من استقراء الاتجاه الأفقي الساذج. وغالبا ما تستخدم تعديلات الاتجاه المعاكسة لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات اتجاهها الاتجاه المعاكسة يمكن تطبيق نموذج ليس كحالة خاصة لنموذج أريما، على وجه الخصوص، نموذج أريما 1،1،2.ومن الممكن حساب فترات الثقة أرو والتنبؤات الطويلة الأجل التي تنتجها نماذج التمهيد الأسي من خلال اعتبارها حالات خاصة لنماذج أريما حذار ليس كل البرامج بحساب فترات الثقة لهذه النماذج بشكل صحيح عرض فترات الثقة يعتمد على i خطأ رمز من النموذج، إي نوع من تمهيد بسيطة أو خطية إي قيمة s من ثابت التمهيد ق و الرابع عدد الفترات المقبلة كنت التنبؤ بشكل عام، والفواصل انتشرت بشكل أسرع كما يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما الخطية بدلا من بسيطة تمهيد يتم مناقشة هذا الموضوع بشكل أكبر في قسم نماذج أريما من الملاحظات العودة إلى أعلى الصفحة. أبسط النهج هو أن تأخذ متوسط ​​يناير حتى مارس واستخدام ذلك لتقدير المبيعات أبريل. 129 134 122 3 128 333.Hence، استنادا إلى مبيعات كانون الثاني / يناير حتى آذار / مارس، تتوقع أن المبيعات في أبريل سيكون 128،333 مرة واحدة أبريل المبيعات الفعلية تأتي في، ثم حساب توقعات لشهر مايو، وهذه المرة باستخدام فبراير خلال أبريل يجب أن تكون متسقة مع عدد الفترات التي تستخدمها لنقل متوسط ​​التوقعات. عدد الفترات التي تستخدمها في توقعات المتوسط ​​المتحرك الخاص بك تعسفي قد تستخدم فقط فترتين، أو خمس أو ست فترات ما تريده لتوليد توقعاتك. النهج أعلاه هو متوسط ​​متحرك بسيط في بعض الأحيان، قد تكون مبيعات الأشهر الأخيرة أقوى المؤثرين من مبيعات الشهر القادم، لذلك كنت ترغب في إعطاء تلك الأشهر أقرب وزنا أكثر في نموذج التوقعات الخاصة بك هذا هو المتوسط ​​المتحرك المرجح ومثل العدد من الفترات، والأوزان التي تعينها تعسفية بحتة دعونا ق يقول كنت تريد أن تعطي مبيعات مارس 50 الوزن، فبراير ق 30 الوزن، و يناير ق 20 ثم توقعاتك لشهر أبريل سيكون 127،000 122 50 134 30 129 20 127.L تقليد طرق المتوسط ​​المتحرك تعتبر المتوسطات المتحركة تقنية التنبؤ بالتمهيد لأنك تأخذ متوسطا بمرور الوقت، فإنك تقوم بتخفيف أو تخفيف آثار الحوادث غير المنتظمة داخل البيانات ونتيجة لذلك، فإن تأثيرات الموسمية ودورات الأعمال وغيرها يمكن للأحداث العشوائية أن تزيد بشكل كبير من خطأ التنبؤات ألق نظرة على قيمة سنة كاملة من البيانات، ومقارنة متوسط ​​متحرك لمدة 3 فترات ومتوسط ​​متحرك لمدة 5 سنوات. لاحظ أنه في هذه الحالة التي لم أخلق فيها توقعات، بل تركزت المتوسطات المتحركة المتوسط ​​المتحرك الأول لمدة 3 أشهر هو لشهر فبراير، وهو متوسط ​​يناير وفبراير ومارس كما قمت بالمثل لمتوسط ​​5 أشهر الآن نلقي نظرة على الرسم البياني التالي. ما الذي تراه هو وليس سلسلة المتوسط ​​المتحرك لمدة ثلاثة أشهر أكثر سلاسة بكثير من سلسلة المبيعات الفعلية وكيف حول المتوسط ​​المتحرك لمدة خمسة أشهر حتى أكثر سلاسة وبالتالي، والمزيد من الفترات التي تستخدمها في المتوسط ​​المتحرك الخاص بك، وأكثر سلاسة وقتك ق إريز وبالتالي، للتنبؤ بالمتوسط ​​المتحرك البسيط قد لا يكون الأسلوب الأكثر دقة، فإن أساليب المتوسط ​​المتحرك تثبت قيمة كبيرة عند محاولة استخراج المكونات الموسمية وغير المنتظمة والدورية من السلاسل الزمنية لطرق التنبؤ المتقدمة، مثل الانحدار و أريما، وسيتم التعامل مع استخدام المتوسطات المتحركة في تحليل سلسلة زمنية في وقت لاحق من المسلسل. تحديد دقة المتوسط ​​المتحرك موديل. عموما، تريد طريقة التنبؤ التي لديها أقل خطأ بين النتائج الفعلية والمتوقعة واحد من فإن أكثر التدابير شيوعا لدقة التنبؤ هي متوسط ​​الانحراف المطلق ماد في هذا النهج، لكل فترة في السلسلة الزمنية التي قمت بإنشاء توقعات، كنت تأخذ القيمة المطلقة للفرق بين تلك الفترة ق القيم الفعلية والمتوقعة الانحراف ثم يمكنك متوسط ​​تلك الانحرافات المطلقة وتحصل على مقياس ماد درهم يمكن أن تكون مفيدة في اتخاذ قرار بشأن عدد الفترات التي متوسط، و أو مبلغ الوزن الذي تضعه على كل فترة عموما، يمكنك اختيار واحد أن ينتج في أدنى درهم هنا مثال على كيفية احتساب ماد. MAD هو ببساطة متوسط ​​8، 1، 3. المتوسطات الموجزة خلاصة عند استخدام المتوسطات المتحركة للتنبؤ ، تذكر. المتوسطات المتحركة يمكن أن تكون بسيطة أو مرجحة. عدد الفترات التي تستخدمها لمتوسط ​​الخاص بك، وأي الأوزان التي تعين لكل منها تعسفية للغاية. المتوسطات المتحركة السلس من أنماط غير منتظمة في البيانات سلسلة زمنية أكبر عدد الفترات المستخدمة ل كل نقطة البيانات، وزيادة تأثير تمهيد. بسبب تجانس، والتنبؤ المبيعات في الشهر المقبل استنادا إلى مبيعات ق قليلة الشهر الأخيرة يمكن أن يؤدي إلى انحرافات كبيرة بسبب الموسمية، دوري، وأنماط غير منتظمة في البيانات و. قدرات التمهيد من أسلوب المتوسط ​​المتحرك يمكن أن يكون مفيدا في تحليل سلسلة زمنية لطرق التنبؤ الأكثر تقدما. المناسبة الأسبوع التمدد الأسي في الأسبوع المقبل ق توقعات الجمعة سوف نناقش الأساليب التمهيد الأسي ، وسترى أنها يمكن أن تكون أعلى بكثير من التحرك المتوسط ​​أساليب التنبؤ. ومع ذلك لا نعرف لماذا تظهر توقعاتنا الجمعة الجمعة يوم الخميس معرفة at. Post navigation. Leave رد إلغاء الرد. كان 2 الأسئلة 1. يمكنك استخدام نهج ما محوره للتنبؤ أو لمجرد إزالة الموسمية. 2 عند استخدام بسيطة ر t-1 t-2 تك k ما للتنبؤ بفترة واحدة قبل، هل من الممكن للتنبؤ أكثر من 1 فترة المقبلة أعتقد بعد ذلك توقعاتك سيكون واحدا من النقاط تغذية في next. Thanks الحب المعلومات و Explantsions. I م سعداء تريد بلوق أنا م متأكد من أن العديد من المحللين استخدمت نهج ما تركزت للتنبؤ، ولكن أنا شخصيا لن، منذ أن نهج النتائج في فقدان الملاحظات في كلا الطرفين هذا في الواقع ثم العلاقات في السؤال الثاني الخاص بك عموما، يستخدم ما بسيط للتنبؤ فترة واحدة فقط في المستقبل، ولكن العديد من المحللين وأنا أيضا في بعض الأحيان سوف تستخدم بلدي فترة واحدة قبل التوقعات باعتبارها واحدة من المدخلات إلى الفترة الثانية المقبلة انها ق من المهم أن نتذكر أن المزيد من المستقبل في محاولة للتنبؤ، وزيادة خطر الخاص بك من الخطأ المتوقع هذا هو السبب في أنني لا أوصي تركزت ما للتنبؤ فقدان الملاحظات في النهاية يعني الاضطرار إلى الاعتماد على التنبؤات للملاحظات المفقودة، فضلا عن الفترة ق قدما، لذلك هناك فرصة أكبر للخطأ التنبؤ. القراء التي أعيد دعوة إلى تزن في هذا هل لديك أي أفكار أو اقتراحات حول هذا. بريان، شكرا لتعليقكم وتقديراتكم على blog. Nice مبادرة وتفسير لطيفة انها حقا مفيدة. أنت توقع العرف لوحات الدوائر المطبوعة للعميل الذي لا يعطي أي توقعات لقد استخدمت المتوسط ​​المتحرك، ومع ذلك فإنه ليس دقيقا جدا حيث يمكن للصناعة صعودا وهبوطا ونحن نرى نحو منتصف الصيف حتى نهاية العام أن الشحن بب s هو ما يصل ثم نرى في بداية العام يبطئ الطريق إلى أسفل كيف يمكنني أن أكون أكثر دقة مع بلدي data. Katrina، من ما قلت لي، يبدو الخاص بك المطبوعة مبيعات لوحة الدوائر يكون مكون موسمية أفعل عنوان الموسمية في بعض من غيرها من المشاركات الجمعة توقعات نهج آخر يمكنك استخدامها، وهو أمر سهل جدا، هو خوارزمية هولت الشتاء، والتي تأخذ في الاعتبار الموسمية يمكنك العثور على تفسير جيد لذلك هنا تأكد لتحديد ما إذا كانت أنماطك الموسمية متعددة أو مضافة، لأن الخوارزمية مختلفة قليلا عن كل إذا كنت مؤامرة البيانات الشهرية الخاصة بك من بضع سنوات، ونرى أن التغيرات الموسمية في نفس الأوقات من السنوات ويبدو أن تكون ثابتة سنة بعد سنة، ثم والموسمية هي المضافة إذا كانت التغيرات الموسمية مع مرور الوقت يبدو أن تتزايد، ثم الموسمية هو المضاعفة معظم السلاسل الزمنية الموسمية ستكون مضاعفة إذا كان في شك، تفترض مضاعفة حظا سعيدا. هنا، بين تلك الطريقة ناف التنبؤات تحديث المتوسط ​​المتحرك المتوسط ​​من طول k إما المتوسط ​​المتحرك المرجح لطول k أو التمدد الأسي أي واحد من تلك النماذج المحدثة تنصحني باستخدامه في فوريكاس ر البيانات لرأيي، وأنا أفكر في المتوسط ​​المتحرك ولكن أنا لا أعرف كيفية جعلها واضحة وهيكلة. فإنه يعتمد حقا على كمية ونوعية البيانات لديك وأفق التنبؤ الخاص بك على المدى الطويل، في منتصف المدة ، أو على المدى القصير.