Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für deine nächste Testpartitur. Was denkst du, deine Eltern könnten für deinen nächsten Testbericht voraussagen. Unabhängig von all dem Blabbing, den du deinen Freunden und Eltern machen kannst, sind sie und dein Lehrer sehr wahrscheinlich, dass du etwas in der Gegend bekommst Von der 85 Sie gerade bekommen. Well, jetzt lassen Sie s davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73.Now was sind Alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen. Sie können sich selbst sagen, Dieser Kerl ist immer bläst Rauch Über seine smarts Er wird eine weitere 73 bekommen, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so weit haben Sie eine 85 und eine 73 bekommen, so vielleicht sollten Sie sich auf eine 85 73 2 79 Ich weiß es nicht, vielleicht, wenn du weniger feiern musstest und den Wiesel an der ganzen Stelle wedeln würdest und wenn du anfingst, viel mehr zu studieren, kannst du eine höhere Punktzahl bekommen. Von diesen Schätzungen werden tatsächlich durchschnittliche Prognosen getragen. Die erste ist nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose aber mit zwei Perioden von data. Let s davon ausgehen, dass alle diese Menschen Zerschlagung Auf deinem großen Verstand hast du dich verärgert und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen. Du nimmst den Test und dein Ergebnis ist eigentlich ein Allein, auch dich selbst , Ist beeindruckt. So jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie Sie tun, auf den letzten Test Nun, hoffentlich sehen Sie das Muster. Jetzt, hoffentlich Du siehst das Muster, das du glaubst, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle angerufen wurde. Wir arbeiten, wir haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt dargestellt werden Kalkulationstabelle Wir stellen zunächst die Daten für eine dreiseitige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Nichts, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt Verwendet genau die drei letzten Perioden, die für jede Vorhersage zur Verfügung stehen Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt können Sie diese Zelle Formel auf zu kopieren Die anderen Zellen C6 bis C11.Notice, wie jetzt nur die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden Wieder habe ich die Vergangenheit Vorhersagen für illustrative Zwecke und für spätere Verwendung in der Prognosevalidierung enthalten. Einige andere Dinge, die von Bedeutung sind Hinweis: Für eine m-Periode gleitende durchschnittliche Prognose nur die m aktuellsten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode M 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir den Code für die gleitende Durchschnittprognose entwickeln, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten und das Array von historischen Werten Sie können es in beliebiger Arbeitsmappe speichern, die Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item Als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden Klasse MovingAverageModel. Ein gleitendes durchschnittliches Prognosemodell basiert auf einer künstlich konstruierten Zeitreihe, in der der Wert für einen bestimmten Zeitraum durch den Mittelwert dieses Wertes und die Werte für eine Anzahl von vorangehenden und nachfolgenden Zeitperioden ersetzt wird. Wie Sie vielleicht erraten haben Aus der Beschreibung ist dieses Modell am besten für Zeitreihen-Daten geeignet, dh Daten, die sich über die Zeit ändern. Beispielsweise zeigen viele Charts einzelner Aktien an der Börse 20, 50, 100 oder 200 Tage bewegte Durchschnitte als Trends. Da der Prognosewert für einen bestimmten Zeitraum ein Durchschnitt der vorherigen Perioden ist, wird die Prognose immer wieder hinter den Erhöhungen oder Abnahmen der beobachteten abhängigen Werte zurückbleiben. Wenn beispielsweise eine Datenreihe einen bemerkenswerten Aufwärtstrend hat, dann ist ein gleitender Durchschnitt Prognose wird in der Regel eine Unterschätzung der Werte der abhängigen Variablen. Die gleitende durchschnittliche Methode hat einen Vorteil gegenüber anderen Prognose-Modelle, dass es glättet Spitzen und Täler oder Täler in einer Reihe von Beobachtungen Allerdings hat es auch mehrere Nachteile Im Besonderen Dieses Modell erzeugt keine wirkliche Gleichung. Daher ist es nicht so nützlich, dass es sich um ein Mittel-Langzeit-Prognosewerkzeug handelt. Es kann nur zuverlässig verwendet werden, um ein oder zwei Perioden in die Zukunft zu prognostizieren. Das gleitende Durchschnittsmodell ist ein Spezialfall der Allgemeiner gewichteter gleitender Durchschnitt Im einfachen gleitenden Durchschnitt sind alle Gewichte gleich. Seit 0 3 Autor Steven R Gould. Fields geerbt von class. MovingAverageModel Konstruiert ein neues gleitendes durchschnittliches Prognosemodell. MovingAverageModel int Periode Konstruiert ein neues gleitendes durchschnittliches Prognosemodell unter Verwendung von Die angegebene Periode. getForecastType Gibt einen oder zwei Wortnamen dieser Art von Prognose Model. init DataSet dataSet Dient zur Initialisierung der gleitenden Durchschnitt model. toString Dies sollte überschrieben werden, um eine Textbeschreibung des aktuellen Prognosemodells, einschließlich, soweit möglich, Alle abgeleiteten Parameter verwendet. Methoden vererbt von class. Constructs ein neues gleitendes durchschnittliches Prognosemodell Für ein gültiges Modell, das konstruiert werden soll, sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten mit der Zeitvariablen initialisieren, um die unabhängige zu identifizieren Variable. Constructs ein neues gleitendes durchschnittliches Prognosemodell unter Verwendung des gegebenen Namens als unabhängige Variable. Parameters independentVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll. Konstrukt ein neues gleitendes durchschnittliches Prognosemodell unter Verwendung des angegebenen Zeitraums Für ein gültiges Modell Zu konstruieren, sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten mit der Zeitvariablen initialisieren, die initialisiert wurden, um die unabhängige Variable zu identifizieren. Der Periodenwert wird verwendet, um die Anzahl der Beobachtungen zu bestimmen, die verwendet werden sollen, um den gleitenden Durchschnitt zu berechnen Zum Beispiel für einen 50-tägigen gleitenden Durchschnitt, wo die Datenpunkte tägliche Beobachtungen sind, dann sollte die Periode auf 50 gesetzt werden. Die Periode wird auch verwendet, um die Menge der zukünftigen Perioden zu bestimmen, die effektiv mit einem 50-tägigen gleitenden Durchschnitt prognostiziert werden können , Dann können wir nicht vernünftigerweise - mit einem gewissen Grad an Genauigkeit - mehr als 50 Tage über die letzte Periode hinausgehen, für die Daten vorliegen. Dies kann vorteilhafter sein als etwa 10 Tage, wo wir nur 10 Tage über dem letzten hinaus vernünftigerweise prognostizieren konnten Period. Parameters Zeitraum - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Konstruiert ein neues gleitendes durchschnittliches Prognosemodell, wobei der angegebene Name als die unabhängige Variable und die angegebene Periode verwendet wird. Parameter independentVariable - der Name der unabhängigen Variablen zu verwenden In dieser Modellperiode - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Used, um das gleitende Durchschnittsmodell zu initialisieren Diese Methode muss vor jeder anderen Methode in der Klasse aufgerufen werden Da das gleitende Durchschnittsmodell keine Gleichung für die Prognose ableitet, Diese Methode verwendet das eingegebene DataSet, um Prognosewerte für alle gültigen Werte der unabhängigen Zeitvariablen zu berechnen. Spezifiziert durch init in der Schnittstelle PrognoseModell Overrides init in der Klasse AbstractTimeBasedModel Parameter dataSet - ein Datensatz von Beobachtungen, mit denen die Prognoseparameter der Initialisierung verwendet werden können Prognose Modell. Returns ein oder zwei Wortnamen dieser Art von Prognose-Modell Halten Sie diese kurze Eine längere Beschreibung sollte in der toString-Methode implementiert werden. Dies sollte überschrieben werden, um eine textuelle Beschreibung der aktuellen Prognose-Modell, einschließlich, wo möglich, jede Abgeleitete Parameter verwendet. Specified by toString in der Schnittstelle ForecastingModel Overrides toString in der Klasse WeightedMovingAverageModel Gibt eine String-Darstellung des aktuellen Prognosemodells und seine Parameter. SIMPLE MOVING AVERAGE. Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool. Die gleitenden Durchschnitt ist Tracking Tatsächliche Daten, aber es ist immer hinterherd. Die gleitenden Durchschnitt wird nie erreichen die Gipfel oder Täler der tatsächlichen Daten, die es glättet die Daten. Doesn t erzählen Sie sehr viel über die Zukunft. Jedoch macht dies nicht den gleitenden Durchschnitt Nutzlos Sie müssen nur bewusst sein, seine Probleme. SLIDE BESCHREIBUNG. AUDIO TRANSCRIPTION. So zu fassen, für einen einfachen gleitenden Durchschnitt oder einen einzigen gleitenden Durchschnitt, haben wir einige Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool Der gleitende Durchschnitt gesehen Ist die Verfolgung der tatsächlichen Daten, aber es liegt immer hinter ihm Der gleitende Durchschnitt wird nie die Gipfel oder Täler der tatsächlichen Daten, die es glättet die Daten, und es ist wirklich nicht sagen Sie sehr viel über die Zukunft, weil es einfach vorhersagen ist Eine Periode im Voraus, und diese Prognose wird angenommen, um den besten Wert für die zukünftige Periode zu repräsentieren, eine Periode im Voraus, aber es doesn t sage Ihnen viel darüber hinaus Das macht nicht den einfachen gleitenden Durchschnitt nutzlos in der Tat sehen Sie einfache gleitende Durchschnitte .
Comments
Post a Comment