Steg vid val av en prognosmodell. Din prognostiseringsmodell bör innehålla funktioner som tar upp alla viktiga kvalitativa egenskaper hos datamönster av variation i nivå och trend, effekter av inflation och säsonglighet, korrelationer mellan variabler, etc. Dessutom antas de antaganden som ligger till grund för din utvalda Modellen ska överensstämma med din intuition om hur serien ser ut att fungera i framtiden När du har monterat en prognosmodell har du några av följande alternativ. Dessa alternativ beskrivs kortfattat nedan. Se den medföljande prognosflödesdiagrammet för en bildvy av modellen - specifikationsprocessen och hänvisa till Statgraphics Model Specification-panelen för att se hur modellfunktionerna väljs i mjukvaran. Utveckling Om serierna visar inflationstakt, kommer deflationen att bidra till att beräkna tillväxtmönstret och minska heteroscedasticiteten i residualerna You Kan jag antingen deflatera tidigare data och återuppliva de långsiktiga prognoserna med en konstant rumpa Eller ii deflatera tidigare data med ett prisindex som KPI och sedan manuellt återuppliva de långsiktiga prognoserna med hjälp av en prognos om prisindex Alternativet i är det enklaste I Excel kan du bara skapa en kolumn med formler Att dela upp de ursprungliga värdena med lämpliga faktorer. Om uppgifterna är månatliga och du vill deflera med en hastighet av 5 per 12 månader, skulle du dela med en faktor 1 05 k 12 där k är radindexobservationsnumret RegressIt och Statgraphics har inbyggda verktyg som gör det automatiskt för dig Om du går den här vägen är det oftast bäst att ställa in den antagna inflationen lika med din bästa uppskattning av nuvarande kurs, speciellt om du kommer att förutse mer än en Framöver i tiden Om du istället väljer alternativ ii måste du först spara deflaterade prognoserna och konfidensgränserna i ditt datakalkylblad, generera och spara sedan en prognos för prisindexet och multiplicera till slut de lämpliga kolumnerna tillsammans. Gå tillbaka till början av sidan. Logaritmtransformation Om serien visar sammansatt tillväxt och eller ett multiplicativt säsongsmönster kan en logaritmomvandling vara till hjälp utöver eller i stället för deflation. Loggning av data kommer inte att platta ett inflationsmönster, men det kommer att räta ut det så att det kan Anpassas av en linjär modell ega slumpmässig promenad eller ARIMA-modell med konstant tillväxt eller en linjär exponentiell utjämningsmodell. Dessutom kommer loggning att konvertera multiplicativa säsongsmönster till tillsatsmönster, så att om du utför säsongsjustering efter loggning bör du använda tillsatsstypen Logging handlar om inflationen på ett implicit sätt om du vill att inflationen ska modelleras explicit - dvs. om du vill att inflationen ska vara en synlig parameter för modellen eller om du vill se diagram av deflaterad data - då ska du deflera hellre Än log. An annan viktig användning för logtransformationen är att linearisera relationerna mellan variabler i ett regressionsläge l Om till exempel den beroende va Riable är en multiplicativ snarare än additiv funktion av de oberoende variablerna, eller om förhållandet mellan beroende och oberoende variabler är linjär i termer av procentuella förändringar snarare än absoluta förändringar, kan applicering av en logtransformation till en eller flera variabler vara lämplig, såsom i Försäljningsexemplet för öl Återgå till början av sidan. Säsongjustering Om serien har ett starkt säsongsmönster som tros vara konstant från år till år kan säsongsjustering vara ett lämpligt sätt att uppskatta och extrapolera mönstret. Fördelen med säsongjustering är Att det tydligt modellerar säsongsmönstret, vilket ger dig möjlighet att studera säsongsindex och säsongrensade data. Nackdelen är att det krävs uppskattning av ett stort antal ytterligare parametrar, särskilt för månadsdata, och det ger ingen teoretisk grund för Beräkning av korrekta konfidensintervaller Validering av urvalet är särskilt importa Nt för att minska risken för övermontering av tidigare data genom säsongsjustering Om data är starkt säsong men du inte väljer säsongsjustering, alternativen är att jag antingen använder en säsongsbetonad ARIMA-modell som implicit förutser säsongsmönstret med säsongslag och Skillnader eller ii använda Winters säsongsmässiga exponentiella utjämningsmodell som uppskattar tidsvarierande säsongsindex. Gå tillbaka till början av sidan. Oavsiktliga variabler Om det finns andra tidsserier som du tror har förklarande effekt i förhållande till din serie av intresse, t. ex. Indikatorer eller policyvariabler som pris, annonsering, kampanjer mm du kanske vill överväga regression som din modelltyp Oavsett om du väljer regression, behöver du fortfarande överväga möjligheterna som nämns ovan för att omforma dina variabler deflation, logga, säsongjustering - - och kanske också skilja sig för att utnyttja tidsdimensionen och eller linearisera relationerna, även om du gör n Ot välja regression vid denna tidpunkt kan du kanske överväga att lägga till regressorer senare till en tidsseriemodell, t. ex. en ARIMA-modell om resterna visar sig ha signifikanta korrelationer med andra variabler Returnera till början av sidan. Möjliggörande, medelvärde eller Slumpmässig promenad Om du har valt att säsongsmässigt justera uppgifterna - eller om uppgifterna inte är säsongsmässiga att börja med - kanske du vill använda en medelvärdes - eller utjämningsmodell för att passa det icke-säsongsmönster som finns kvar i data vid denna tidpunkt A Enkelt glidande medelvärde eller enkel exponentiell utjämningsmodell beräknar endast ett lokalt genomsnitt av data i slutet av serien, under antagandet att detta är den bästa uppskattningen av det nuvarande medelvärdet kring vilket data varierar. Dessa modeller antar att medelvärdet av Serien varierar långsamt och slumpmässigt utan bestående trender. Enkel exponentiell utjämning föredras normalt för ett enkelt glidande medelvärde, eftersom dess exponentiellt vägda genomsnitt gör ett mer rimligt jobb med rabatt Den äldre data, eftersom dess utjämningsparameter alfa är kontinuerlig och lätt kan optimeras och eftersom den har en underliggande teoretisk grund för beräkning av konfidensintervall. Om utjämning eller medelvärde inte verkar vara till hjälp - det vill säga om den bästa prediktorn för Nästa värde av tidsserierna är helt enkelt det föregående värdet - då anges en slumpmässig promenadmodell. Detta gäller exempelvis om det optimala antalet villkor i det enkla glidande medlet visar sig vara 1, eller om det optimala värdet Av alfa i enkel exponentiell utjämning visar sig vara 0 9999.Brown s linjär exponentiell utjämning kan användas för att passa en serie med långsamt tidsvarierande linjära trender men vara försiktig med att extrapolera sådana trender långt in i framtiden. Den snabbt bredda förtroendet Intervaller för denna modell berättar för sin osäkerhet om den avlägsna framtiden. Holt s linjära utjämning uppskattar också tidsvarierande trender men använder separata parametrar för att stryka nivån och trenden som vanligtvis pro Känner till en bättre passform till data än Brown s-modellen Q-ustratiska exponentiella utjämning försök att uppskatta tidsvariationer i kvadratiska trender och bör praktiskt taget aldrig användas Detta skulle motsvara en ARIMA-modell med tre order av icke-säsongsskillnader Linjär exponentiell utjämning med en dämpad trend Dvs en trend som plattar ut vid avlägsna horisonter rekommenderas ofta i situationer där framtiden är mycket osäker. De olika exponentiella utjämningsmodellerna är speciella fall av ARIMA-modeller som beskrivs nedan och kan förses med ARIMA-programvara. Den enkla exponentiella utjämningsmodellen är särskilt en ARIMA 0,1,1 modell, Holt s linjär utjämningsmodell är en ARIMA 0,2,2 modell och den dämpade trendmodellen är en ARIMA 1,1,2 modell. En bra sammanfattning av ekvationerna i de olika exponentiella utjämningsmodellerna kan Finns på denna sida på SAS-webbplatsen. SAS-menyerna för att specificera tidsseriemodeller visas också där de liknar dem i Statgraphics. Line, quadratic eller ex Ponentiala trendlinjemodeller är andra alternativ för extrapolering av en deseasonaliserad serie, men de går sällan bättre än slumpmässig promenad, utjämning eller ARIMA-modeller på företagsdata. Tillbaka till början av sidan. Vintersäsongens exponentiala utjämning Vintersäsongutjämning är en förlängning av exponentiell utjämning som samtidigt uppskattar Tidsvarierande nivå-, trend - och säsongsfaktorer med hjälp av rekursiva ekvationer Om du använder denna modell så skulle du inte säsongsmässigt ändra data. Winters säsongsfaktorer kan antingen vara multiplikativa eller additiv. Normalt bör du välja multiplikativalternativ om du inte har loggat Data Även om Winters-modellen är smart och rimligt intuitiv kan det vara svårt att tillämpa i praktiken det har tre utjämningsparametrar - alfa, beta och gamma - för att separat stryka nivå, trend och säsongsfaktorer som måste vara Uppskattat samtidigt Bestämning av startvärden för säsongsindex kan göras genom att tillämpa förhållandet till rörelse Ng genomsnittlig metod för säsongsjustering till en del av hela serien eller eller förutspårning Den uppskattningsalgoritm som Statgraphics använder för dessa parametrar misslyckas ibland att konvergera och eller ger värden som ger bizarre prognoser och konfidensintervall, så jag rekommenderar försiktighet när Använda denna modell Tillbaka till toppen av sidan. ARIMA Om du inte väljer säsongsjustering eller om data är oväsentlig, kan du önska att använda ARIMA-modellramen. ARIMA-modeller är en mycket generell klass av modeller som inkluderar slumpmässig promenad, slumpmässig Trend, exponentiell utjämning och autoregressiva modeller som speciella fall Den vanliga visdomen är att en serie är en bra kandidat för en ARIMA-modell om jag kan stationera den genom en kombination av differentiering och andra matematiska omvandlingar som loggning, och ii har du en Väsentlig mängd data för att arbeta med minst 4 fulla årstider när det gäller säsongsdata Om serien inte kan stationäriseras på ett tillräckligt sätt Ns - om det är mycket oregelbundet eller verkar kvalitativt förändra sitt beteende över tiden - eller om du har färre än 4 säsonger av data, så kanske du är bättre med en modell som använder säsongsjustering och någon form av enkel Medelvärdes - eller utjämning. ARIMA-modeller har en särskild namngivningskonvention införd av Box och Jenkins. En icke-sasonlig ARIMA-modell klassificeras som en ARIMA p, d, q-modell, där d är antalet icke-säsongsskillnader, p är antalet autoregressiva termer Den differensierade serien och q är antalet rörliga medeltal termer av prognosfel i prediksionsekvationen En säsongsbetonad ARIMA-modell klassificeras som en ARIMA p, d, qx P, D, Q där D, P och Q är , Respektive antalet säsongsskillnader, säsongens autoregressiva termer avviker från olika serier vid säsongsperiodens multiplar och säsongsmässiga glidande medelvärden avviker prognosfelen vid flera gånger av säsongsperioden. Det första steget att montera en ARIMA-modell i S för att bestämma lämplig ordning för differentieringar som behövs för att stationera serien och ta bort säsongens bruttoegenskaper Detta motsvarar att bestämma vilken naiv slumpmässig eller slumpmässig modell som ger den bästa utgångspunkten. Försök inte använda mer än 2 totala order Av differentierande säsongsbetonade och säsongsbundna kombinationer och använd inte mer än 1 säsongsskillnad. Det andra steget är att bestämma om en konstant term i modellen ingår, vanligtvis inkluderar du en konstant term om den totala sorteringsordningen är 1 eller Mindre, annars gör du inte. I en modell med en ordning av differentiering representerar den konstanta termen den genomsnittliga trenden i prognoserna. I en modell med två order av differentiering bestäms trenden i prognoserna av den lokala trenden som observerades i slutet av Tidsserien och den konstanta termen representerar trend-i-trenden, dvs kurvaturen för de långsiktiga prognoserna. Normalt är det farligt att extrapolera trender i trender, så du su Ppress kontanterna i det här fallet. Det tredje steget är att välja antalet autoregressiva och rörliga genomsnittsparametrar p, d, q, P, D, Q som behövs för att eliminera autokorrelation som kvarstår i naivmodellens residualer, dvs Vilken korrelation som återstår efter enbart differentiering Dessa siffror bestämmer antalet lags av den olika serien och eller lags av prognosfel som ingår i prognosförhållandet. Om det inte finns någon signifikant autokorrelation i återstoden vid denna punkt, så STOP, du är igen Gjort den bästa modellen är en naiv modell. Om det finns signifikant autokorrelation vid lags 1 eller 2, bör du försöka ställa in q 1 om något av följande gäller jag det finns en säsongsskillnad i modellen, ii lag 1-autokorrelationen är Negativ och eller iii den kvarstående autokorrelationsplotten är renare färre, mer isolerade spikar än den återstående partiella autokorrelationsplotten Om det inte finns någon oväsentlig skillnad i modellen och eller lag 1 autocorr Elation är positiv och om den resterande partiella autokorrelationsplotten ser renare ut, försök sedan p 1 Ibland strider dessa regler för att välja mellan p 1 och q 1 i konflikt med varandra, då det förmodligen inte gör stor skillnad på vilken du använder. Försök dem båda Och jämföra Om det finns autokorrelation vid lag 2 som inte tas bort genom att sätta p 1 eller q 1 kan du sedan försöka p 2 eller q 2 eller ibland p 1 och q 1 Mer sällan kan du stöta på situationer där p 2 eller 3 Och q 1 eller vice versa ger de bästa resultaten Det rekommenderas starkt att du inte använder p 1 och q 1 i samma modell. När du monterar ARIMA-modeller bör du undvika att öka modellkomplexiteten för att bara få små Ytterligare förbättringar i felstatistiken eller utseendet på ACF - och PACF-plottorna. I en modell med både p 1 och q 1 finns det en bra möjlighet till redundans och icke-unikhet mellan AR - och MA-sidorna av modellen, som Förklaras i anteckningarna om A: s matematiska struktur RIMA-modell s Det är vanligtvis bättre att gå framåt i stegvis-läge istället för bakåt stegvis när man anpassar modellspecifikationerna med enklare modeller och bara lägger till fler villkor om det finns ett tydligt behov. Samma regler gäller för antalet säsongsmässiga autoregressiva termer P och antalet säsongsmässiga glidande medelvärden Q med avseende på autokorrelation under säsongsperioden t ex lag 12 för månadsdata Försök Q 1 om det redan finns en säsongsskillnad i modellen och eller säsongens autokorrelation är negativ och eller kvarvarande autokorrelationsplot Ser renare ut i närheten av säsongslagret ellers försök P 1 Om det är logiskt att serierna har stark säsongsbetonad, måste du använda en säsongsskillnad, annars kommer säsongsmönstret att blekna ut när du gör långsiktiga prognoser Ibland kan du önska För att försöka P 2 och Q 0 eller vice v ersa eller PQ 1 Det rekommenderas dock starkt att PQ aldrig borde vara större än 2 Säsongsmönster sällan h Ave den typ av perfekt regelbundenhet under ett tillräckligt stort antal årstider som skulle göra det möjligt att på ett tillförlitligt sätt identifiera och uppskatta att många parametrar. Den backforecasting-algoritm som används i parameteruppskattning kommer troligen att producera opålitliga eller till och med galen resultat när antalet Säsonger av data är inte signifikant större än PDQI skulle rekommendera inte mindre än PDQ 2 hela årstider, och mer är bättre. När du monterar ARIMA-modeller bör du vara försiktig med att undvika att överföra data trots att det kan vara en Mycket roligt när du hänger på det. Viktiga speciella fall Som nämnts ovan är en ARIMA 0,1,1 modell utan konstant identisk med en enkel exponentiell utjämningsmodell och det antar en flytande nivå, dvs ingen genomsnittlig reversering men med noll Långsiktig trend En ARIMA 0,1,1-modell med konstant är en enkel exponentiell utjämningsmodell med en icke-linjär trendperiod inkluderad En ARIMA 0,2,1 eller 0,2,2 modell utan konstant är en linjär exponentiell slät Ing modell som möjliggör en tidsvarierande trend En ARIMA 1,1,2 modell utan konstant är en linjär exponentiell utjämningsmodell med fuktad trend, det vill säga en trend som slutligen plattar ut i längre terminer. De vanligaste säsongsbetonade ARIMA-modellerna är ARIMA 0,1,1 x 0,1,1 modell utan konstant och ARIMA 1,0,1 x 0,1,1 modell med konstant Tidigare av dessa modeller tillämpar i grunden exponentiell utjämning till både nonseasonal och säsongskomponenterna i Mönstret i data samtidigt som en tidsvarierande trend tillåts och den senare modellen är något liknande men förutsätter en konstant linjär trend och därför lite mer långsiktig förutsägbarhet. Du bör alltid inkludera dessa två modeller bland din uppställning av misstänkta när du monterar data Med konsekvent säsongsmönster En av dem kanske med en mindre variation, som ökar p eller q med 1 och eller ställer in P 1 liksom Q 1 är ganska ofta det bästa tillbaka till toppen av sidan. Simple Vs Exponentiella rörliga medelvärden. Medelvärdena är mer än Studien av en sekvens av siffror i successiv ordning Tidigare utövare av tidsserieanalyser var faktiskt mer oroade över enskilda tidsserier, än de var med interpolering av data. Interpolering i form av sannolikhetsteorier och analys kom mycket senare som mönster Utvecklades och korrelationer upptäcktes. När man förstod var olika formade kurvor och linjer ritade längs tidsserierna i ett försök att förutsäga var datapunkterna skulle kunna gå. Dessa anses nu vara grundläggande metoder som används för närvarande av tekniska analyshandlare. Kartläggningsanalys kan spåras tillbaka till 18th Century Japan, men hur och när glidande medelvärden först tillämpades på marknadspriserna är fortfarande ett mysterium. Det är allmänt förstått att enkla glidande medelvärden SMA användes långt före exponentiella glidande medelvärden EMA, eftersom EMAs byggdes på SMA-ramverket och SMA-kontinuum var mer Lätt att förstå för planering och spårning Vill du ha en liten bakgrundsläsning Ng Kolla in Flyttande medelvärden Vad är de? Smidigt rörande medelvärde SMA Enkla glidande medelvärden blev den föredragna metoden för att spåra marknadspriserna eftersom de är snabba att beräkna och lätt att förstå Tidiga marknadsoperatörer som bedrevs utan att använda de sofistikerade kartmätningarna som används idag, Så de berodde främst på marknadspriserna som sina enda guider. De beräknade marknadspriserna för hand och graderade dessa priser för att beteckna trender och marknadsriktning. Denna process var ganska tråkig men visade sig vara lönsam med bekräftelse av ytterligare studier. För att beräkna en 10-dagars Enkelt glidande medelvärde, helt enkelt lägga till stängningskurser för de senaste 10 dagarna och dela med 10 Det 20-dagars glidande genomsnittet beräknas genom att lägga till slutkurserna över en 20-dagarsperiod och dela med 20 osv. Denna formel är inte Endast baserad på slutkurs, men produkten är ett medelvärde av priser - en delmängd Flyttande medelvärden kallas rörliga eftersom den grupp av priser som används i beräkningen flyttar enligt Punkten på diagrammet Det betyder att gamla dagar släpps till förmån för nya stängningsdagar, så en ny beräkning behövs alltid som motsvarar tidsramen för den genomsnittliga sysselsättningen. Så omräknas ett 10-dagars genomsnitt genom att lägga till den nya dagen och Tappa den 10: e dagen och den nionde dagen släpps på den andra dagen. Mer om hur kartor används i valutahandel, kolla in vårt diagram Basics Walkthrough. Exponential Moving Average EMA Det exponentiella rörliga genomsnittet har förfinats och används vanligare sedan 1960-talet, tack vare tidigare utövare experimenterar med datorn Den nya EMA skulle fokusera mer på de senaste priserna snarare än på en lång rad datapunkter, eftersom det enkla rörliga genomsnittet krävs. Nuvarande EMA-prisström - tidigare EMA X-multiplikator tidigare EMA. Den viktigaste faktorn är utjämningskonstanten som 2 1 N där N antalet dagar. En 10-dagars EMA 2 10 1 18 8.Detta innebär att en 10-årig EMA väger det senaste priset 18 8, en 20-dagars EMA 9 52 och 50-dagars EM En 3 92 vikt på den senaste dagen EMA arbetar med att väga skillnaden mellan dagens pris och tidigare EMA och lägga till resultatet till tidigare EMA Ju kortare perioden, desto större vikt tillämpas på det senaste priset. Monteringslinjer Genom dessa beräkningar punkteras punkter, vilket visar en anpassningslinje. Monteringslinjer över eller under marknadspriset innebär att alla glidande medelvärden är fördröjande indikatorer och används främst för följande trender. De fungerar inte bra med intervallmarknader och perioder med trängsel eftersom Passande linjer misslyckas med att indikera en trend på grund av brist på uppenbara högre höjder eller lägre nedgångar. Passande linjer tenderar att förbli konstanta utan ledtråd. En stigande passningsledning under marknaden betyder en lång stund, medan en fallande fästlinje över marknaden Betyder en kort För en komplett guide, läs vår Moving Average Tutorial. Syftet med att använda ett enkelt glidande medelvärde är att upptäcka och mäta trender genom att utjämna data med t Han betyder flera grupper av priser En trend är spotted och extrapolerad till en prognos. Antagandet är att tidigare trendrörelser fortsätter. För det enkla rörliga genomsnittet kan en långsiktig trend hittas och följas mycket lättare än en EMA med rimligt antagande Att kopplingslinjen håller sig starkare än en EMA-linje på grund av det längre fokuset på genomsnittliga priser. En EMA används för att fånga kortare trendflyttningar på grund av fokus på de senaste priserna. Med denna metod skulle en EMA minska alla lager i Det enkla glidande medelvärdet så att fästlinjen kommer att krama priserna närmare än ett enkelt glidande medelvärde Problemet med EMA är detta Det är benäget för prisavbrott, särskilt under snabba marknader och volatilitetsperioder. EMA fungerar bra tills priserna bryter fästlinjen. Under högre Volatilitetsmarknader kan du överväga att öka längden på den glidande medeltiden. En kan även byta från en EMA till en SMA, eftersom SMA släpper ut data mycket bättre än en EMA på grund av dess Cus på längre sikt means. Trend-Following Indicators Som nedslående indikatorer tjänar glidande medelvärden som stöd och motståndslinjer Om priserna bryter under en 10-dagars monteringslinje i en uppåtgående trend är chansen god att den uppåtgående trenden kan minska, Eller åtminstone marknaden kan konsolidera Om priserna går över ett 10-dagars glidande medelvärde i en nedåtgående trend kan trenden minska eller konsolidera. I dessa fall använder du ett 10- och 20-dagars glidande medelvärde tillsammans och väntar på 10- Dagslinje för att korsa över eller under 20-dagars linjen Detta bestämmer nästa kortsiktiga riktning för priser. För längre siktperioder, se 100- och 200-dagars glidande medelvärden för längre siktriktning. Exempelvis använder du 100 och 200-dagars glidande medelvärden, om 100-dagars glidande medelvärde korsar under 200-dagarsgenomsnittet kallas det dödsövergången och är väldigt baisse för priser. Ett 100-dagars glidande medelvärde som korsar över ett 200-dagars glidande medel kallas Det gyllene korset och är väldigt bullish för priserna Det d Oesn spelar ingen roll om en SMA eller en EMA används, eftersom båda är trend-följande indikatorer Det är bara på kort sikt att SMA har små avvikelser från motparten, EMA. Conclusion Moving averages är grunden för diagram och tid Serieanalys Enkla glidande medelvärden och de mer komplexa exponentiella glidande medelvärdena hjälper till att visualisera trenden genom att utjämna prisrörelser. Teknisk analys kallas ibland som en konst snarare än en vetenskap, som båda tar år att behärska. Läs mer i vår Tekniska Analys Tutorial. En undersökning gjord av Förenta staternas presidium för arbetsstatistik för att hjälpa till att mäta lediga platser. Det samlar in data från arbetsgivare. Det högsta beloppet av pengar som Förenta staterna kan låna. Skuldtaket skapades enligt Second Liberty Bond Act. Räntesatsen vid vilken en Depositarinstitut ger medel som förvaras i Federal Reserve till ett annat förvaringsinstitut.1 En statistisk åtgärd av spridningen av avkastning för en viss säkerhet eller en marknad Ket index Volatilitet kan antingen mätas. En akt som den amerikanska kongressen antog 1933 som banklagen, som förbjöd kommersiella banker att delta i investeringen. Nonfarm lön hänvisar till något jobb utanför gårdar, privata hushåll och ideell sektor. Av Arbete. Exponentialutjämning Förklarad. Copyright Innehåll på är upphovsrättsskyddad och är inte tillgänglig för republicering. När folk först stöter på termen Exponentiell utjämning kan de tycka att det låter som ett helvete med mycket utjämning, oavsett utjämning. De börjar då att tänka sig En komplicerad matematisk beräkning som sannolikt kräver en grad i matematik att förstå och hoppas att det finns en inbyggd Excel-funktion tillgänglig om de någonsin behöver göra det Verkligheten med exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannheten är, Exponentiell utjämning är en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn för vad tekniskt Händer som en följd av denna enkla beräkning är faktiskt lite komplicerad. För att förstå exponentiell utjämning hjälper det att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Utmattning är en mycket vanlig Statistisk process I själva verket möter vi regelbundet smidiga data i olika former i våra dagliga liv Varje gång du använder ett medel för att beskriva något använder du ett jämnt antal Om du funderar på varför du använder ett medel för att beskriva något, Du kommer snabbt att förstå konceptet av utjämning Till exempel har vi bara upplevt den varmaste vintern på rekord Hur kan vi kvantifiera detta Tja, vi börjar med dataset av de dagliga höga och låga temperaturerna för den period som vi kallar Vinter för varje år i inspelad historia Men det lämnar oss med en massa siffror som hoppa runt ganska lite, det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år. Vi behöver en bedövning Er som tar bort allt detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Ta bort hoppningen runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medelvärde för att uppnå utjämningen. I efterfrågan Prognos använder vi utjämning för att avlägsna slumpmässigt variationsstörning från vår historiska efterfrågan. Detta gör det möjligt för oss att bättre identifiera efterfrågan mönster främst trend och säsonglighet och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Bruset i efterfrågan är samma begrepp som den dagliga hoppningen runt Av temperaturdata Inte överraskande är det vanligaste sättet att folk tar bort ljud från efterfrågningshistoriken att använda ett enkelt medelvärde eller mer specifikt ett rörligt medelvärde. Ett rörligt medelvärde använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig som Tiden går till exempel Om jag använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade i januari, februari, mars och A Pril Den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Vågat glidande medelvärde. När man använder ett medel tillämpar vi samma vikt vid varje värde i datasetet i det 4 månaders glidande genomsnittet, var och en Månad representerade 25 av det rörliga genomsnittet När man använder efterfrågest History för att projekta framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din prognos. Vi kan anpassa vårt rörliga medelvärde Beräkning för att tillämpa olika vikter för varje period för att få våra önskade resultat Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste lägga upp till 100 Därför bestämmer vi oss om 35 som vikten för närmaste Period i vårt 4 månaders vägda glidande medelvärde kan vi subtrahera 35 från 100 för att finna att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en viktning av 15, 20, 30 och 35 respektive för 4 mån Ths 15 20 30 35 100. Exponential utjämning. Om vi går tillbaka till begreppet att applicera en vikt till den senaste perioden, såsom 35 i föregående exempel och sprida den återstående vikten beräknad genom att subtrahera den senaste tidsvikten på 35 från 100 För att få 65, har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången av exponentiell utjämningsberäkningen är känd som utjämningsfaktorn kallas även utjämningskonstanten. Det representerar väsentligen vikten applicerad på den senaste periodens efterfrågan Så, var Vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen. Vi kunde också välja att använda 35 som utjämningsfaktor i vår exponentiella utjämningsberäkning för att få en liknande effekt. Skillnaden med exponentiell utjämningsberäkning är att istället för Vi måste också ta reda på hur mycket vikt som ska tillämpas för varje tidigare period, utjämningsfaktorn används för att automatiskt göra det. Så här kommer den exponentiella delen Om vi använder 35 som utjämningsfaktor kommer vikten av den senaste periodens efterfrågan att vara 35. Viktningen av nästa senaste period s kräver perioden innan den senaste kommer att vara 65 av 35 65 kommer Från att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa efterföljande period s efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden före den kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9 61 osv. Och det går tillbaka genom alla dina tidigare perioder ända till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du Re tänker troligen att det ser ut som en hel del matematik Men skönheten i exponentiell utjämning beräkningen är att snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny period s efterfrågan, använder du bara utsignalen från exponentiell smoothin G beräkning från föregående period för att representera alla tidigare perioder. Är du förvirrad än? Det här kommer att ge större mening när vi tittar på den faktiska beräkningen. Typiskt hänvisar vi till effekten av exponentiell utjämningsberäkning som nästa periodprognos. I verkligheten är det ultimata Prognosen behöver lite mer arbete, men för denna specifika beräkning kommer vi att referera till det som prognosen. Exponential utjämningsberäkning är enligt följande. Den senaste periodens efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste perioden s Prognos multiplicerad med en minus utjämningsfaktorn. D senaste periodens efterfrågan S utjämningsfaktorn representerad i decimalform så 35 skulle representeras som 0 35 F den senaste perioden s förutspår utmatningen av utjämningsberäkningen från föregående period. OR assuming a smoothing factor of 0 35.It doesn t get much simpler than that. As you can see, all we need for data inputs here are the most recent period s demand and the mo st recent period s forecast We apply the smoothing factor weighting to the most recent period s demand the same way we would in the weighted moving average calculation We then apply the remaining weighting 1 minus the smoothing factor to the most recent period s forecast. Since the most recent period s forecast was created based on the previous period s demand and the previous period s forecast, which was based on the demand for the period before that and the forecast for the period before that, which was based on the demand for the period before that and the forecast for the period before that, which was based on the period before that. well, you can see how all previous period s demand are represented in the calculation without actually going back and recalculating anything. And that s what drove the initial popularity of exponential smoothing It wasn t because it did a better job of smoothing than weighted moving average, it was because it was easier to calculate in a computer program And, because you didn t need to think about what weighting to give previous periods or how many previous periods to use, as you would in weighted moving average And, because it just sounded cooler than weighted moving average. In fact, it could be argued that weighted moving average provides greater flexibility since you have more control over the weighting of previous periods The reality is either of these can provide respectable results, so why not go with easier and cooler sounding. Exponential Smoothing in Excel. Let s see how this would actually look in a spreadsheet with real data. Copyright Content on is copyright-protected and is not available for republication. In Figure 1A, we have an Excel spreadsheet with 11 weeks of demand, and an exponentially smoothed forecast calculated from that demand I ve used a smoothing factor of 25 0 25 in cell C1 The current active cell is Cell M4 which contains the forecast for week 12 You can see in the formula bar, the formula is L3 C1 L4 1- C1 So the only direct inputs to this calculation are the previous period s demand Cell L3 , the previous period s forecast Cell L4 , and the smoothing factor Cell C1, shown as absolute cell reference C1.When we start an exponential smoothing calculation, we need to manually plug the value for the 1st forecast So in Cell B4, rather than a formula, we just typed in the demand from that same period as the forecast In Cell C4 we have our 1st exponential smoothing calculation B3 C1 B4 1- C1 We can then copy Cell C4 and paste it in Cells D4 through M4 to fill the rest of our forecast cells. You can now double-click on any forecast cell to see it is based on the previous period s forecast cell and the previous period s demand cell So each subsequent exponential smoothing calculation inherits the output of the previous exponential smoothing calculation That s how each previous period s demand is represented in the most recent period s calculation even though that calculation does not directly referen ce those previous periods If you want to get fancy, you can use Excel s trace precedents function To do this, click on Cell M4, then on the ribbon tool bar Excel 2007 or 2010 click the Formulas tab, then click Trace Precedents It will draw connector lines to the 1st level of precedents, but if you keep clicking Trace Precedents it will draw connector lines to all previous periods to show you the inherited relationships. Now let s see what exponential smoothing did for us. Figure 1B shows a line chart of our demand and forecast You case see how the exponentially smoothed forecast removes most of the jaggedness the jumping around from the weekly demand, but still manages to follow what appears to be an upward trend in demand You ll also notice that the smoothed forecast line tends to be lower than the demand line This is known as trend lag and is a side effect of the smoothing process Any time you use smoothing when a trend is present your forecast will lag behind the trend This is true fo r any smoothing technique In fact, if we were to continue this spreadsheet and start inputting lower demand numbers making a downward trend you would see the demand line drop, and the trend line move above it before starting to follow the downward trend. That s why I previously mentioned the output from the exponential smoothing calculation that we call a forecast, still needs some more work There is a lot more to forecasting than just smoothing out the bumps in demand We need to make additional adjustments for things like trend lag, seasonality, known events that may effect demand, etc But all that is beyond the scope of this article. You will likely also run into terms like double-exponential smoothing and triple-exponential smoothing These terms are a bit misleading since you are not re-smoothing the demand multiple times you could if you want, but that s not the point here These terms represent using exponential smoothing on additional elements of the forecast So with simple exponent ial smoothing, you are smoothing the base demand, but with double-exponential smoothing you are smoothing the base demand plus the trend, and with triple-exponential smoothing you are smoothing the base demand plus the trend plus the seasonality. The other most commonly asked question about exponential smoothing is where do I get my smoothing factor There is no magical answer here, you need to test various smoothing factors with your demand data to see what gets you the best results There are calculations that can automatically set and change the smoothing factor These fall under the term adaptive smoothing, but you need to be careful with them There simply is no perfect answer and you should not blindly implement any calculation without thorough testing and developing a thorough understanding of what that calculation does You should also run what-if scenarios to see how these calculations react to demand changes that may not currently exist in the demand data you are using for testing. The data example I used previously is a very good example of a situation where you really need to test some other scenarios That particular data example shows a somewhat consistent upward trend Many large companies with very expensive forecasting software got in big trouble in the not-so-distant past when their software settings that were tweaked for a growing economy didn t react well when the economy started stagnating or shrinking Things like this happen when you don t understand what your calculations software is actually doing If they understood their forecasting system, they would have known they needed to jump in and change something when there were sudden dramatic changes to their business. So there you have it the basics of exponential smoothing explained Want to know more about using exponential smoothing in an actual forecast, check out my book Inventory Management Explained. Copyright Content on is copyright-protected and is not available for republication. Dave Piasecki is o wner operator of Inventory Operations Consulting LLC a consulting firm providing services related to inventory management, material handling, and warehouse operations He has over 25 years experience in operations management and can be reached through his website , where he maintains additional relevant information. My Business.
No comments:
Post a Comment