TEMA - snabb sammanfattning Triple Exponential Moving Average (TEMA) är en annan mjukare och snabbare version utvecklad av Patrick G. Mulloy 1994. Återigen är tanken på TEMA-indikatorn att inte bara ta den successiva EMA för EMA-iteration utan att eliminera släpfaktor närvarande i en traditionell EMA. DEMA-indikatorformeln Det trefaldiga exponentiala rörliga genomsnittet (TEMA) kombinerar en enda EMA, en dubbel EMA och en trippel EMA, vilket ger en lägre nivå än någon av dessa tre medelvärden. Handel med TEMA-indikatorn Handel med TEMA liknar handel med DEMA-indikatorn. Du kan ersätta din vanliga EMA med TEMA, eller du kan testa crossover-signaler när du använder två TEMA-indikatorer. Kopiering av kopior Forex-indicatorsSmoothing och filtrering är två av de vanligaste tidsserieteknikerna för att ta bort ljud från underliggande data för att hjälpa till att avslöja de viktiga funktionerna och komponenterna (t ex trend, säsonglighet, etc.). Vi kan emellertid också använda utjämning för att fylla i saknade värden och göra en prognos. I denna fråga kommer vi att diskutera fem (5) olika utjämningsmetoder: viktat glidande medelvärde (WMA i), enkel exponentiell utjämning, dubbel exponentiell utjämning, linjär exponentiell utjämning och trippel exponentiell utjämning. Varför ska vi bry sig? Utjämning används ofta (och missbrukas) i branschen för att göra en snabb visuell undersökning av dataegenskaperna (t ex trend, säsongsmässighet etc.), passa in i saknade värden och genomföra en snabb out-of-sample prognos. Varför har vi så många utjämningsfunktioner Som vi ser i det här dokumentet fungerar varje funktion för ett annat antagande om de underliggande data. Exempelvis förutsätter enkel exponentiell utjämning att data har ett stabilt medelvärde (eller åtminstone ett långsamt rörligt medelvärde), så enkelt exponentiell utjämning kommer dåligt att förutse data som uppvisar säsongsmässighet eller en trend. I det här dokumentet kommer vi att gå över varje utjämningsfunktion, belysa dess antaganden och parametrar och visa dess tillämpning genom exempel. Viktat rörande medelvärde (WMA) Ett rörligt medelvärde används vanligen med tidsseriedata för att släta ut kortsiktiga fluktuationer och markera långsiktiga trender eller cykler. Ett viktat glidande medel har multiplikationsfaktorer för att ge olika vikter till data vid olika positioner i provfönstret. Det vägda glidande medlet har ett fast fönster (d. v.s. N) och faktorerna väljs typiskt för att ge mer vikt till de senaste observationerna. Fönsterstorleken (N) bestämmer antalet poäng i genomsnitt varje gång så en större fönsterstorlek är mindre mottaglig för nya ändringar i de ursprungliga tidsserierna och ett litet fönsterstorlek kan orsaka att den släta utsignalen blir bullriga. För av prognosprognoser: Exempel 1: Låt oss överväga månadsförsäljning för Company X, med hjälp av ett 4 månaders (lika viktat) glidande medelvärde. Observera att det rörliga genomsnittet alltid saktar bakom data och prognosen utanför proverna överensstämmer med ett konstant värde. Låt oss försöka använda ett viktningsschema (se nedan) som lägger större vikt vid den senaste observationen. Vi ritade det lika viktiga glidande medlet och WMA på samma graf. WMA verkar mer mottagligt för de senaste ändringarna och prognosprognosen för konvergeringen överensstämmer med samma värde som det rörliga genomsnittet. Exempel 2: Låt oss undersöka WMA i närvaro av trend och säsong. För det här exemplet, använd de internationella passagerarfartygens data. Det glidande medelfönstret är 12 månader. MA och WMA håller takt med trenden, men prognosen utanför prognosen flattar. Dessutom, trots att WMA uppvisar viss säsonglighet, ligger den alltid bakom de ursprungliga uppgifterna. (Browns) Enkel exponentiell utjämning Enkel exponentiell utjämning liknar WMA med det undantaget att fönsterstorleken om oändlig och viktningsfaktorerna minskar exponentiellt. Som vi har sett i WMA är den enkla exponentialen lämpad för tidsserier med stabilt medelvärde, eller åtminstone ett mycket långsamt rörligt medelvärde. Exempel 1: Låt oss använda månadsförsäljningsdata (som vi gjorde i WMA-exemplet). I exemplet ovan valde vi utjämningsfaktorn att vara 0,8, vilken frågar frågan: Vad är det bästa värdet för utjämningsfaktorn Beräkna det bästa värdet från data Använda TSSUB-funktionen (för att beräkna felet), SUMSQ och Excel datatabeller, beräknade vi summan av kvadrerade fel (SSE) och ritade resultaten: SSE når sitt lägsta värde runt 0,8, så vi valde detta värde för vår utjämning. (Holt-Winters) Dubbel exponentiell utjämning Enkel exponentiell utjämning går inte bra i närvaro av en trend, så flera metoder som utformas under dubbla exponentiella paraply föreslås hantera denna typ av data. NumXL stöder Holt-Winters dubbel exponentiell utjämning, som tar följande formulering: Exempel 1: Låt oss undersöka de internationella passagerarnas flygdata Vi valde ett alfa-värde på 0,9 och ett beta av 0,1. Observera att även om dubbla utjämningar spårar de ursprungliga uppgifterna väl är prognosen utanför provet sämre än det enkla glidande medlet. Hur hittar vi de bästa utjämningsfaktorerna Vi tar en liknande inställning till vårt enkla exponentiella utjämningsexempel, men modifieras för två variabler. Vi beräknar summan av de kvadratiska felen konstruera en tvåvariabel datatabell och välja alfa - och betavärden som minimerar den totala SSE. (Browns) Linjär exponentiell utjämning Detta är en annan metod för dubbla exponentiella utjämningsfunktioner, men den har en utjämningsfaktor: Browns dubbel exponentiell utjämning tar en parameter mindre än Holt-Winters-funktionen, men den kan inte erbjuda så bra passform som den funktionen. Exempel 1: Låt oss använda samma exempel i Holt-Winters dubbla exponentiella och jämföra den optimala summan av kvadratfelet. Browns dubbla exponentiella passar inte provdata samt Holt-Winters-metoden, men det externa provet (i det här fallet) är bättre. Hur hittar vi den bästa utjämningsfaktorn () Vi använder samma metod för att välja alfabetet som minimerar summan av kvadreringsfelet. För exempeldatauppgifterna är alfabetet att vara 0,8. (Winters) Trippel exponentiell utjämning Den tredubbla exponentiella utjämningen tar hänsyn till säsongsförändringar såväl som trender. Denna metod kräver 4 parametrar: Formuleringen för triple exponentiell utjämning är mer involverad än någon av de tidigare. Vänligen se vår online referenshandbok för den exakta formuleringen. Med hjälp av de internationella passagerarnas flygdata kan vi tillämpa vintrar tredubbla exponentiella utjämningar, hitta optimala parametrar och utföra en prognos för prover. Självklart är Winters tredubbla exponentiella utjämning bäst tillämpad för detta dataprov, eftersom det spårar värdena bra och det externa prognosprognosen uppvisar säsongsmässighet (L12). Hur hittar vi den bästa utjämningsfaktorn () Återigen måste vi välja de värden som minimerar den totala summan av kvadrerade fel (SSE), men datatabellerna kan användas för mer än två variabler, så vi tillgriper Excel lösare: (1) Ställ in minimeringsproblemet, med SSE som verktyget (2) Begränsningarna för detta problem Slutsats stöd FilerIntroduktion Den föregående artikeln tittade på vad glidande medelvärden är och hur man beräknar dem. Denna artikel tittar nu på hur man implementerar dessa i Web Intelligence. Formeln som används här är kompatibel med XIr3-versionen av SAP BOE, men vissa formler kan fungera i tidigare versioner om de finns tillgängliga. We8217ll börjar med att titta på hur man beräknar ett enkelt glidande medelvärde innan man tittar på vägda och exponentiella former. Arbetade exempel Exemplen nedan använder alla samma dataset som är av aktiekursdata i en Excel-fil som du kan ladda ner. Den första kolumnen i filen är börskursens datum och sedan kolumner med öppningspris, högsta pris på dagen, lägsta pris, slutkurs, volym och justerad slutkurs. We8217ll använder slutkurs i vår analys nedan med datumobjektet. Enkelt rörligt medelvärde Det finns ett par sätt på vilka vi kan beräkna enkla glidande medelvärden. Ett alternativ är att använda funktionen Föregående för att få värdet av en föregående rad. Till exempel beräknar följande formel ett glidande medelvärde på vårt slutkurspris för en glidande genomsnittsdataset med storlek 3, det här är en ganska enkel formel, men det är uppenbart att det inte är praktiskt när vi har ett stort antal perioder här vi kan göra användning av RunningSum formel och för en dataset av storlek N vi har Slutligen har vi en 3: e teknik, som trots att det är mer komplicerat kan det ha bättre prestanda eftersom det beräknar det nya värdet baserat på tidigare värde istället för två löpande summer över hela data uppsättning. Men denna formel fungerar bara efter Nth-punkten i den övergripande datamängden och eftersom det hänvisar till ett tidigare värde måste vi också ange ett startvärde. Nedan är den fullständiga formeln som används för vår aktiekursanalys där vår glidande genomsnittliga period är 15 dagar. Datumet 1252010 är den 15: e datapunkten i vår dataset och så för denna punkt beräknar vi ett normalt genomsnitt med RunningSum. För alla datum bortom detta värde använder vi vår SMA-formel och vi lämnar tomma alla datum före detta datum. Figur 1 nedan är ett diagram i Web Intelligence som visar våra aktiekursdata med ett enkelt glidande medelvärde. Figur 1. Web Intelligence-dokument som visar en enkel rörlig genomsnittsviktad rörlig genomsnittsvärde En vägd glidande medelformel med en period av 3 är, Som med vår första enkla glidande medelformeln ovan är det bara praktiskt under ett litet antal perioder. Jag har ännu inte kunnat hitta en enkel formel som kan användas för större glidande medelperioder. Matematiskt är det möjligt men begränsningar med Web Intelligence innebär att dessa formler don8217t konverterar. Om någon kan göra det skulle jag gärna höra Figuren nedan är ett WMA i period 6 som implementeras i Web Intelligence. Figur 2. Web Intelligence-dokument av ett Viktat Flyttande Medel Exponentiellt Flytande Medel Ett exponentiellt rörligt medelvärde är ganska rakt framåt för att implementera i Web Intelligence och det är ett lämpligt alternativ till ett vägat rörligt medelvärde. Den grundläggande formeln är här we8217ve hårdkodad 0,3 som vårt värde för alfa. Vi tillämpar bara denna formel för perioder större än vår andra period så vi kan använda ett if-uttalande för att filtrera dessa ut. För vår första och andra perioden kan vi använda det tidigare värdet och så är vår slutliga formel för EMA, Nedan är ett exempel på en EMA tillämpad på våra lagerdata. Figur 3. Web Intelligence-dokument visar en exponentiell rörlig genomsnittlig ingångskontroll Eftersom vår EMA-formel inte bygger på storleken på den glidande medeltiden och vår enda variabel är alfa kan vi använda Input Controls för att tillåta användaren att justera värdet av alfa. För att göra detta skapar du en ny variabel som heter 8216alpha8217 och definierar it8217s formel som, Uppdatera vår EMA-formel till, Skapa en ny ingångskontroll välj vår alfabalva som inputkontrollrapportobjektet Använd en enkel reglage och ställ in följande egenskaper, En gång gjort du ska kunna flytta skjutreglaget och omedelbart se förändringarna till trendlinjen i diagrammet. Slutsats Vi tittade på hur man implementerar tre typer av glidande medelvärde i Web Intelligence och även om allt var möjligt är det Exponentiella rörliga genomsnittet förmodligen det enklaste och mest flexibla . Jag hoppas att du hittade den här artikeln intressant och som alltid är någon feedback väldigt välkommen. Posta navigering Lämna ett svar Avbryt svar Du måste vara inloggad för att skriva en kommentar. Tricket till Weighted Moving Average (WMA) är att du måste skapa en variabel som representerar WMA-täljare (se Wikipedia för referens.) Detta ska se ut som följande: Föregående (Själv) (n Stäng) 8211 (Tidigare (RunningSum ( Stäng)) 8211 Föregående (RunningSum (Stäng) n1) där n är antalet perioder. Då skulle den faktiska WMA8217s formel vara så här: Numerator (n (n 1) 2) där Numerator är den variabel du skapade tidigare.
No comments:
Post a Comment