Moving Average Model Wiki

Moving Average - MA. BREAKING DOWN Moving Average - MA. As ein SMA Beispiel, betrachten Sie eine Sicherheit mit den folgenden Schlusskurse über 15 Tage. Week 1 5 Tage 20, 22, 24, 25, 23.Week 2 5 Tage 26, 28 , 26, 29, 27.Week 3 5 Tage 28, 30, 27, 29, 28.A 10-Tage-MA würde die Schlusspreise für die ersten 10 Tage als ersten Datenpunkt ausgleichen Der nächste Datenpunkt würde am frühesten fallen Preis, fügen Sie den Preis am Tag 11 und nehmen Sie den Durchschnitt, und so weiter wie unten gezeigt. Wie bereits erwähnt, MAs nach der aktuellen Preis-Aktion, weil sie auf vergangene Preise basieren, je länger die Zeit für die MA, desto größer die lag So Ein 200-Tage-MA wird eine viel größere Verzögerung als ein 20-Tage-MA haben, weil es Preise für die letzten 200 Tage enthält. Die Länge der MA zu verwenden, hängt von den Handelszielen ab, wobei kürzere MAs für den kurzfristigen Handel verwendet werden Und längerfristige MAs mehr geeignet für langfristige Investoren Die 200-Tage-MA ist weit gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt consi Um wichtige Handelssignale zu sein. MAs vermitteln auch wichtige Handelssignale auf eigene Faust oder wenn zwei Durchschnitte überkreuzen Ein aufsteigender MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist, während ein abnehmender MA anzeigt, dass es sich in einem Abwärtstrend befindet. Ähnlich ist der Aufwärtsimpuls Bestätigt mit einem bullish Crossover, der auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA-Abwärts-Impuls wird mit einem bärigen Crossover bestätigt, was auftritt, wenn ein kurzfristiges MA unterhalb eines längerfristigen MA. Moving Durchschnitt und exponentielle Glättung Modelle. Ein erster Schritt in der Bewegung über mittlere Modelle, zufällige Walk-Modelle und lineare Trend-Modelle, Nicht-Sektion Muster und Trends können mit einem gleitenden Durchschnitt oder Glättung Modell extrapoliert werden Die grundlegende Annahme hinter Mittelung und Glättung Modelle ist, dass die Zeitreihe ist Lokal stationär mit einem langsam variierenden Mittel Also nehmen wir einen bewegten lokalen Durchschnitt, um den aktuellen Wert des Mittelwertes zu schätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann Als Kompromiss zwischen dem mittleren Modell und dem zufälligen Spaziergang ohne Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als geglättete Version der ursprünglichen Serie bezeichnet, weil kurzfristig Mittelwertbildung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie Durch die Anpassung der Grad der Glättung der Breite des gleitenden Durchschnitts, können wir hoffen, eine Art von optimalen Gleichgewicht zwischen der Leistung der mittleren und zufälligen Walk-Modelle Die einfachste Art von Mittelwertbildungsmodell ist der. Einfache gleichgewichtete Moving Average. Die Prognose für den Wert von Y zum Zeitpunkt t 1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen. Hier und anderswo verwende ich das Symbol Y-Hut, um für eine Prognose der Zeitreihe Y zu stehen, die am frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde. Dieser Durchschnitt ist in der Periode & lgr; m 1 2 zentriert, was bedeutet, dass die Schätzung von Das lokale Mittel neigt dazu, hinter dem wahren Wert des lokalen Mittels um etwa m 1 2 Perioden zu liegen. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt m 1 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen. Zum Beispiel, wenn Sie die letzten 5 Werte mittelschätzen, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte sein. Beachten Sie, dass wenn m 1, Das einfache gleitende durchschnittliche SMA-Modell entspricht dem zufälligen Walk-Modell ohne Wachstum Wenn m sehr groß ist, vergleichbar mit der Länge der Schätzperiode ist das SMA-Modell gleichbedeutend mit dem mittleren Modell Wie bei jedem Parameter eines Prognosemodells ist es üblich Um den Wert von ki anzupassen Um die bestmögliche Anpassung an die Daten zu erhalten, dh die kleinsten Prognosefehler im Durchschnitt. Hierbei handelt es sich um ein Beispiel für eine Serie, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst wollen wir versuchen, es mit einem zufälligen Spaziergang zu platzieren Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Term. Die zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von dem Rauschen in den Daten die zufälligen Schwankungen sowie das Signal der lokalen Bedeutet, wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Terminen ausprobieren, bekommen wir einen glatteren Prognosen. Der 5-fach einfache gleitende Durchschnitt liefert deutlich kleinere Fehler als das zufällige Spaziergang Modell in diesem Fall Das Durchschnittsalter der Daten in diesem Prognose ist 3 5 1 2, so dass es dazu neigt, hinter Wendepunkte um etwa drei Perioden zurückzukehren. Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später. Nicht, Term Prognosen aus dem SMA Mod El sind eine horizontale gerade Linie, genauso wie im zufälligen Spaziergangmodell So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Allerdings sind die Prognosen aus dem zufälligen Walk-Modell einfach gleich dem letzten beobachteten Wert, die Prognosen von Das SMA-Modell ist gleich einem gewichteten Durchschnitt der jüngsten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Konfidenzgrenzen werden nicht größer, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht korrekt. Leider gibt es keinen zugrunde liegenden Statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Tabellenkalkulation erstellen, in der das SMA-Modell steht Würde zur Vorhersage von 2 Schritten voraus, 3 Stufen voraus, etc. innerhalb der historischen Daten Probe Sie konnten dann die Probe Standardabweichungen der Fehler bei jeder Prognose h Orizon, und konstruieren dann Konfidenzintervalle für längerfristige Prognosen durch Hinzufügen und Subtrahieren von Vielfachen der entsprechenden Standardabweichung. Wenn wir einen 9-fach einfach gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt. Das Durchschnittsalter ist Jetzt 5 Perioden 9 1 2 Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10.Notice, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, auch einen 3-Term-Durchschnitt. Model C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um eine kleine Marge über die 3-Term - und 9-Term-Mittelwerte und Ihre anderen stats sind fast identisch Also, bei Modellen mit sehr ähnlichen Fehlerstatistiken können wir wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen. Zurück zum Seitenanfang. Brown s Simple Exponential Glättung exponentiell gewichtet Gleitender Durchschnitt. Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen vollständig ignoriert. Intuitiv sollten die vergangenen Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel die jüngste Beobachtung sollte Bekomme ein bisschen mehr Gewicht als die 2. jüngsten, und die 2. jüngsten sollte ein bisschen mehr Gewicht als die 3. letzte, und so weiter Die einfache exponentielle Glättung SES Modell erreicht dies. Let bezeichnen eine Glättung Konstante eine Zahl zwischen 0 und 1 Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die die aktuelle Ebene repräsentiert, dh der mittlere Mittelwert der Reihe, wie sie von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie dieser berechnet. Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wo die Nähe des interpolierten Wertes auf die meisten re Cent Beobachtung Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert. Egalentlich können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und vorherige Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation Zwischen vorheriger Prognose und vorheriger Beobachtung. In der zweiten Version wird die nächste Prognose durch Anpassung der vorherigen Prognose in Richtung des vorherigen Fehlers um einen Bruchteil erreicht. Ist der Fehler zum Zeitpunkt t In der dritten Version ist die Prognose ein Exponentiell gewichtet, dh ermäßigt gleitender Durchschnitt mit Rabattfaktor 1.Die Interpolationsversion der Prognoseformel ist die einfachste zu verwenden, wenn Sie das Modell auf einer Tabellenkalkulation implementieren, die es in eine einzelne Zelle passt und enthält Zellreferenzen, die auf die vorherige Prognose hinweisen, die vorherige Beobachtung und die Zelle, wo der Wert von gespeichert ist. Hinweis, dass, wenn 1, ist das SES-Modell gleichbedeutend mit einem zufälligen Spaziergang Modell Witz Hout-Wachstum Wenn 0, ist das SES-Modell äquivalent zum mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem mittleren Return to top of page gesetzt ist. Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose ist 1 relativ Zu dem Zeitraum, für den die Prognose berechnet wird. Dies soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden. Daher ist die einfache gleitende Durchschnittsprognose dazu neigt, hinter den Wendepunkten um etwa 1 Perioden zurückzukehren 5 die Verzögerung ist 2 Perioden, wenn 0 2 die Verzögerung 5 Perioden beträgt, wenn 0 1 die Verzögerung 10 Perioden ist, und so weiter. Für ein gegebenes Durchschnittsalter dh Betrag der Verzögerung, ist die einfache exponentielle Glättung SES Prognose etwas überlegen, die einfache Bewegung Durchschnittliche SMA-Prognose, weil sie relativ viel Gewicht auf die jüngste Beobachtung - es ist etwas mehr reagiert auf Veränderungen in der jüngsten Vergangenheit Zum Beispiel ein SMA-Modell mit 9 Begriffe und ein SES-Modell mit 0 2 haben beide ein Durchschnittsalter Von 5 für die da Ta in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und zugleich vergisst es nicht ganz über Werte, die mehr als 9 Perioden alt sind, wie in dieser Tabelle gezeigt. Ein anderer wichtiger Vorteil von Das SES-Modell über das SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht mit einem Solver-Algorithmus optimiert werden kann, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert des SES-Modells für diese Serie erweist sich Um 0 2961 zu sein, wie hier gezeigt. Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 0 2961 3 4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen aus dem SES-Modell sind Eine horizontale Gerade wie im SMA-Modell und das zufällige Spaziergang Modell ohne Wachstum Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für den Rand Om walk model Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das zufällige Walk-Modell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells, so dass die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für die SES-Modell Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA 1-Term und keinem konstanten Term, der sonst als ARIMA-0,1,1-Modell ohne Konstante bekannt ist. Der MA 1 - Koeffizient im ARIMA-Modell entspricht dem Menge 1 im SES-Modell Wenn Sie beispielsweise ein ARIMA-0,1,1-Modell ohne Konstante an die hier analysierte Baureihe anpassen, erweist sich der geschätzte MA 1 - Koeffizient auf 0 7029, was fast genau ein minus 0 2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA 1-Term mit einer Konstante, dh einem ARIMA 0,1,1-Modell an Mit konstanten Die langfristigen prognosen werden Dann haben Sie einen Trend, der gleich der durchschnittlichen Tendenz ist, die über die gesamte Schätzperiode beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie eine konstante Länge hinzufügen - Exponentieller Trend zu einem einfachen exponentiellen Glättungsmodell mit oder ohne saisonale Anpassung durch Verwendung der Inflationsanpassungsoption im Prognoseverfahren Die entsprechende Inflationsrate pro Wachstumsrate pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell, das an die Daten angepasst ist, geschätzt werden Konjunktion mit einer natürlichen Logarithmus-Transformation, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren. Zurück zum Seitenanfang. Brown s Linear ie doppelte exponentielle Glättung. Die SMA-Modelle und SES-Modelle gehen davon aus, dass es keinen Trend gibt Jede Art in den Daten, die in der Regel ok oder zumindest nicht zu schlecht für 1-Schritt-voraus Prognosen, wenn die Daten relativ noi ist Sy, und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet und wenn es nötig ist Prognose mehr als 1 Periode voraus, dann könnte die Schätzung eines lokalen Trends auch ein Problem sein Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungs-LES-Modell zu erhalten, das lokale Schätzungen von Level und Trend berechnet. Der einfachste zeitveränderliche Trend Modell ist Brown s lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren Eine ausgefeiltere Version dieses Modells, Holt s, ist Unten diskutiert. Die algebraische Form von Brown s linearen exponentiellen Glättungsmodell, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber e ausgedrückt werden Quivalentformen Die Standardform dieses Modells wird gewöhnlich wie folgt ausgedrückt: S bezeichnet die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch. Erinnern Sie sich, dass unter einfacher exponentieller Glättung dies die Prognose für Y in der Periode t 1 sein würde. Dann sei S die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung unter Verwendung derselben zu der Reihe S erhalten wird. Zunächst ist die Prognose für Y tk für irgendwelche K & sub1 ;, ist gegeben durch. Dies ergibt e 1 0, dh ein wenig zu betrügen, und die erste Prognose gleich der tatsächlichen ersten Beobachtung und e 2 Y 2 Y 1, wonach Prognosen unter Verwendung der obigen Gleichung erzeugt werden, ergibt die gleichen angepassten Werte Als die auf S und S basierende Formel, wenn diese mit S 1 S 1 Y 1 gestartet wurden Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt s Linear Exponential Smoothing. Brown S LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der jüngsten Daten, aber die Tatsache, dass es tut dies mit einem einzigen Glättungsparameter stellt eine Einschränkung auf die Datenmuster, dass es in der Lage ist, die Ebene und Trend sind nicht erlaubt, variieren beim Unabhängige Raten Holt s LES Modell adressiert dieses Problem durch die Einbeziehung von zwei Glättungskonstanten, eine für die Ebene und eine für den Trend Zu jeder Zeit t, wie in Browns Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T T des lokalen Tendenzes Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn das geschätzte Niveau und der Trend zum Zeitpunkt t-1 Sind L t 1 bzw. T t-1, so ist die Prognose für Y t, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung der Level wird rekursiv durch Interpolation zwischen Y t und seiner Prognose L t-1 T t-1 berechnet, wobei Gewichte von und 1 verwendet werden. Die Änderung des geschätzten Pegels, nämlich L t L t 1, kann als eine verrauschte Messung der Trend zur Zeit t Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L berechnet T L t 1 und die vorherige Schätzung des Trends T t-1 unter Verwendung von Gewichten von und 1.Die Interpretation der Trend-Glättungskonstante ist analog zu der der Pegel-Glättungs-Konstante. Modelle mit kleinen Werten gehen davon aus, dass sich der Trend ändert Nur sehr langsam im Laufe der Zeit, während Modelle mit größeren davon ausgehen, dass es sich schneller ändert Ein Modell mit einem großen glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode voraus Der Seite. Die Glättungskonstanten und können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen als 0 3048 und 0 008 Der sehr kleine Wert von Bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. Analog zu dem Begriff des Durchschnittsalters der Daten, die bei der Schätzung von t verwendet werden Die lokale Ebene der Serie, das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, ist proportional zu 1, wenn auch nicht genau gleich. In diesem Fall ergibt sich das 1 0 006 125 Dies ist eine sehr genaue Nummer Insofern als die Genauigkeit der Schätzung von isn t wirklich 3 Dezimalstellen, aber es ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100, so dass dieses Modell durchschnittlich über ziemlich viel Geschichte bei der Schätzung der Trend Die Prognose Handlung ist Unten zeigt, dass das LES-Modell einen eher größeren lokalen Trend am Ende der Serie schätzt als der im SES-Trendmodell geschätzte konstante Trend. Auch der Schätzwert ist nahezu identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird , So ist dies fast das gleiche model. Now, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll einen lokalen Trend schätzen Wenn Sie Augapfel dieser Handlung, sieht es aus, als ob die lokale Tendenz hat sich nach unten am Ende der Serie Wh At ist passiert Die Parameter dieses Modells wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend macht nicht viel Unterschied Wenn alles, was Sie suchen, sind 1 - step-ahead-Fehler, sehen Sie nicht das größere Bild der Trends über 10 oder 20 Perioden Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu bekommen, können wir manuell die Trend-Glättung konstant so einstellen, dass es Verwendet eine kürzere Grundlinie für Trendschätzung Wenn wir z. B. wählen, um 0 1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln Hier ist das, was die Prognose-Plot aussieht, wenn wir 0 1 setzen, während wir 0 3 halten. Das sieht intuitiv vernünftig für diese Serie aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was geht es um die Fehlerstatistik Hier ist Ein Modellvergleich f Oder die beiden oben gezeigten Modelle sowie drei SES-Modelle Der optimale Wert des SES-Modells beträgt etwa 0 3, aber mit 0 oder 0 2 ergeben sich ähnliche Ergebnisse mit etwas mehr oder weniger Ansprechverhalten. Eine Holt s lineare Exp-Glättung Mit alpha 0 3048 und beta 0 008. B Holt s lineare exp Glättung mit alpha 0 3 und beta 0 1. C Einfache exponentielle Glättung mit alpha 0 5. D Einfache exponentielle Glättung mit alpha 0 3. E Einfache exponentielle Glättung mit alpha 0 2.Die Statistiken sind fast identisch, so dass wir wirklich die Wahl auf der Basis von 1-Schritt-voraus Prognose Fehler innerhalb der Daten Probe Wir müssen auf andere Überlegungen zurückfallen Wenn wir stark glauben, dass es sinnvoll ist, die aktuelle Basis zu stützen Trend-Schätzung, was in den letzten 20 Perioden passiert ist, so können wir einen Fall für das LES-Modell mit 0 3 und 0 1 machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle Sei leichter zu erklären und würde auch mehr middl geben E-of-the-road Prognosen für die nächsten 5 oder 10 Perioden Zurück zum Seitenanfang. Welche Art der Trend-Extrapolation ist am besten horizontal oder linear Empirische Hinweise deuten darauf hin, dass, wenn die Daten bereits angepasst wurden, wenn nötig für die Inflation, dann Es kann unklug sein, kurzfristige lineare Trends sehr weit in die Zukunft zu extrapolieren Trends, die heute deutlich sichtbar sind, können aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und zyklische Abschwünge oder Aufschwünge in einer Branche aus diesem Grund einfacher exponentieller Fall sein Glättung führt oft zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz seiner naiven horizontalen Trend-Extrapolation Dämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Der gedämpfte Trend LES-Modell kann als Spezialfall eines ARIMA-Modells implementiert werden, insbesondere ein ARIMA 1,1,2-Modell. Es ist möglich, Konfidenzintervalle zu berechnen Langfristige Prognosen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. Vorsicht nicht, dass alle Software die Konfidenzintervalle für diese Modelle korrekt berechnet. Die Breite der Konfidenzintervalle hängt von dem RMS-Fehler des Modells ab Von Glättung einfach oder linear iii der Wert s der Glättungskonstante s und iv die Anzahl der vorangegangenen Perioden, die Sie prognostizieren Im Allgemeinen breiten sich die Intervalle schneller aus, wenn sie im SES-Modell größer werden und sie breiten sich viel schneller aus, wenn linear und nicht einfach Glättung wird verwendet Dieses Thema wird weiter im ARIMA-Modell-Abschnitt der Notizen diskutiert Zurück zum Seitenanfang.2 1 Verschieben von durchschnittlichen Modellen MA-Modelle. Time-Serienmodelle, die als ARIMA-Modelle bekannt sind, können autoregressive Begriffe und gleitende durchschnittliche Ausdrücke umfassen In Woche 1, Wir haben einen autoregressiven Begriff in einem Zeitreihenmodell für die Variable xt gelernt, ist ein verzögerter Wert von xt. Zum Beispiel ist ein autoregressiver Term 1 x t-1 multipliziert mit einem Koeffi Cient Diese Lektion definiert gleitende durchschnittliche Ausdrücke. Ein bewegter durchschnittlicher Begriff in einem Zeitreihenmodell ist ein vergangener Fehler, multipliziert mit einem Koeffizienten. Letztes Upset N 0, Sigma 2w, was bedeutet, dass die wt identisch, unabhängig verteilt sind, jeweils mit einer Normalverteilung Mit mittlerem 0 und der gleichen Varianz. Das 1-stufige gleitende Durchschnittsmodell, das mit MA 1 bezeichnet wird, ist. Xt mu wt theta1w. Das 2. geordnete gleitende Durchschnittsmodell, das mit MA 2 bezeichnet wird, ist. Xt mu wt theta1w theta2w. Das gängige gleitende durchschnittliche Modell, das mit MA q bezeichnet wird, ist. Xt mu wt theta1w theta2w punkte thetaq. Note Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Begriffen Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und nicht quittierten Begriffe in Formeln für ACFs und Abweichungen Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Zeichen verwendet wurden, um das geschätzte Modell R korrekt zu schreiben. R verwendet positive Zeichen in seinem zugrunde liegenden Modell, wie wir hier sind. Die theoretischen Eigenschaften einer Zeitreihe mit Ein MA 1 Modell. Hinweis, dass der einzige Wert ungleich Null in der theoretischen ACF ist für lag 1 Alle anderen Autokorrelationen sind 0 Also ein Beispiel ACF mit einer signifikanten Autokorrelation nur bei lag 1 ist ein Indikator für eine mögliche MA 1 Modell. Für interessierte Studenten, Beweise dieser Eigenschaften sind ein Anhang zu diesem Handout. Beispiel 1 Angenommen, dass ein MA 1 - Modell xt 10 wt 7 w t-1 ist, wo wt Overset N 0,1 Somit ist der Koeffizient 1 0 7 Th E theoretische ACF ist gegeben durch eine Handlung dieses ACF folgt. Die eben dargestellte Kurve ist die theoretische ACF für eine MA 1 mit 1 0 7 In der Praxis, eine Probe gewonnen t in der Regel bieten ein solches klares Muster Mit R, simulierten wir n 100 Sample-Werte mit dem Modell xt 10 wt 7 w t-1 wobei w t. iid N 0,1 Für diese Simulation folgt ein Zeitreihen-Plot der Sample-Daten. Wir können aus dieser Handlung viel erzählen. Die Probe ACF für die simulierte Daten folgt Wir sehen einen Spike bei Verzögerung 1, gefolgt von allgemein nicht signifikanten Werten für Verzögerungen nach 1. Beachten Sie, dass die Stichprobe ACF nicht mit dem theoretischen Muster des zugrunde liegenden MA 1 übereinstimmt, was bedeutet, dass alle Autokorrelationen für die Verzögerungen nach 1 0 sind Eine andere Probe würde eine etwas andere Probe ACF unten gezeigt haben, würde aber wahrscheinlich die gleichen breiten Features haben. Theroretische Eigenschaften einer Zeitreihe mit einem MA 2 Modell. Für das MA 2 Modell sind die theoretischen Eigenschaften die folgenden. Hinweis, dass die nur ungleich Null Werte in der theoretischen ACF sind für Verzögerungen 1 und 2 Autokorrelat Ionen für höhere Verzögerungen sind 0 Also, eine Stichprobe ACF mit signifikanten Autokorrelationen bei Verzögerungen 1 und 2, aber nicht signifikante Autokorrelationen für höhere Verzögerungen zeigt ein mögliches MA 2 Modell an. ND Die Koeffizienten sind 1 0 5 und 2 0 3 Da es sich hierbei um einen MA 2 handelt, hat der theoretische ACF nur ungleich Null-Werte nur bei Verzögerungen 1 und 2.Values ​​der beiden Nicht-Null-Autokorrelationen sind. Ein Diagramm der theoretischen ACF folgt. Wie fast immer der Fall ist, haben sich die Beispieldaten nicht gut verhalten So perfekt als Theorie Wir simulierten n 150 Sample-Werte für das Modell xt 10 wt 5 w t-1 3 w t-2 wobei w t. iid N 0,1 Die Zeitreihen-Plot der Daten folgt Wie bei der Zeitreihen-Plot für Die MA 1 Beispieldaten, können Sie t viel davon erzählen. Die Probe ACF für die simulierten Daten folgt Das Muster ist typisch für Situationen, in denen ein MA 2 - Modell nützlich sein kann Es gibt zwei statistisch signifikante Spikes bei den Verzögerungen 1 und 2 gefolgt von Nicht - signifikante Werte für andere Verzögerungen Beachten Sie, dass die Stichprobe ACF aufgrund des Stichprobenfehlers nicht übereinstimmt Das theoretische Muster genau. ACF für General MA q Modelle. Eigenschaft von MA q-Modelle im Allgemeinen ist, dass es keine Null-Autokorrelationen für die ersten q Verzögerungen und Autokorrelationen 0 für alle Verzögerungen q. Non-Eindeutigkeit der Verbindung zwischen den Werten von 1 und rho1 In MA 1 Modell Im MA 1 Modell, für jeden Wert von 1 der reziproke 1 1 gibt den gleichen Wert für. Als Beispiel, verwenden Sie 0 5 für 1 und verwenden Sie dann 1 0 5 2 für 1 Sie erhalten rho1 0 4 In beiden Fällen. Um eine theoretische Einschränkung als Invertierbarkeit zu befriedigen, beschränken wir MA 1 - Modelle, um Werte mit einem absoluten Wert kleiner als 1 zu haben. In dem gerade angegebenen Beispiel ist 1 0 5 ein zulässiger Parameterwert, wohingegen 1 1 0 5 2 nicht. Invertierbarkeit von MA-Modellen. Ein MA-Modell soll invertierbar sein, wenn es algebraisch äquivalent zu einem konvergierenden unendlichen Ordnungs-AR-Modell ist. Durch Konvergenz bedeutet das, dass die AR-Koeffizienten auf 0 abnehmen, wenn wir uns in der Zeit zurückziehen. Unverträglichkeit ist eine eingeschränkte Einschränkung Zeitreihen-Software zur Schätzung des Koeffizienten Icients von Modellen mit MA-Begriffen Es ist nicht etwas, das wir in der Datenanalyse überprüfen. Weitere Informationen über die Invertierbarkeitsbeschränkung für MA 1-Modelle finden Sie im Anhang. Advanced Theory Note Für ein MA q - Modell mit einem angegebenen ACF gibt es nur Ein invertierbares Modell Die notwendige Bedingung für die Invertierbarkeit ist, dass die Koeffizienten Werte haben, so dass die Gleichung 1- 1 y - - qyq 0 Lösungen für y hat, die außerhalb des Einheitskreises liegen. R Code für die Beispiele In Beispiel 1 haben wir die Theoretische ACF des Modells xt 10 wt 7w t-1 und dann simuliert n 150 Werte aus diesem Modell und plotten die Probe Zeitreihen und die Probe ACF für die simulierten Daten Die R-Befehle verwendet, um die theoretische ACF wurden. acfma1 ARMAacf ma c 0 7, 10 Verzögerungen von ACF für MA 1 mit theta1 0 7 Verzögerungen 0 10 erzeugt eine Variable namens Lags, die von 0 bis 10 Plot Lags, acfma1, xlim c 1,10, ylab r, Typ h, main ACF für MA 1 reicht Mit theta1 0 7 abline h 0 fügt eine horizontale Achse zum Plot hinzu E erster Befehl bestimmt die ACF und speichert sie in einem Objekt namens acfma1 unsere Wahl des Namens. Der Handlungsbefehl der 3. Befehls-Plots verzögert gegenüber den ACF-Werten für die Verzögerungen 1 bis 10 Der ylab-Parameter markiert die y-Achse und der Hauptparameter setzt einen Titel auf dem Plot. Um die numerischen Werte des ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und Plots wurden mit den folgenden Befehlen durchgeführt. List ma c 0 7 Simuliert n 150 Werte aus MA 1 x xc 10 fügt 10 hinzu, um Mittel zu machen 10 Simulationsvorgaben bedeuten 0 Plot x, Typ b, Haupt Simuliert MA 1 Daten acf x, xlim c 1,10, Haupt-ACF für simuliert Beispieldaten In Beispiel 2 haben wir die theoretische ACF des Modells xt 10 wt 5 w t-1 3 w t-2 aufgetragen und dann n 150 Werte aus diesem Modell simuliert und die Sample-Zeitreihen und die Probe ACF für die simulierten aufgetragen Daten Die verwendeten R-Befehle waren. acfma2 ARMAacf ma c 0 5,0 3, acfma2-Verzögerungen 0 10 Plot-Verzögerungen, acfma2, xlim c 1,10, ylab r, Typ h, Haupt-ACF für MA 2 mit theta1 0 5, theta2 0 3 abline h 0 list ma c 0 5, 0 3 x xc 10 plot x, Typ b, main Simuliert MA 2 Serie acf x, xlim c 1,10, Haupt-ACF für simulierte MA 2 Daten. Appendix Nachweis der Eigenschaften von MA 1 Für interessierte Schüler sind hier Beweise für die theoretischen Eigenschaften des MA 1 Modells. Variante Text xt Text mu wt theta1 w 0 text wt text theta1w sigma 2w theta 21 sigma 2w 1 theta 21 sigma 2w. Wenn h 1, der vorherige ausdruck 1 W 2 Für jedes h 2 , Der vorhergehende Ausdruck 0 Der Grund dafür ist, dass durch die Definition der Unabhängigkeit der wt E wkwj 0 für irgendwelche kj Weiter, weil die wt haben Mittelwert 0, E wjwj E wj 2 w 2.For eine Zeitreihe. Apply dieses Ergebnis zu bekommen Die ACF, die oben gegeben wurde. Ein invertierbares MA-Modell ist eines, das als ein unendliches Auftrags-AR-Modell geschrieben werden kann, das konvergiert, so dass die AR-Koeffizienten zu 0 konvergieren, wenn wir uns unendlich zurück in der Zeit bewegen. Wir zeigen die Invertierbarkeit für das MA 1-Modell Ersatzbeziehung 2 für wt-1 in Gleichung 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. Die Zeit t-2 Gleichung 2 wird. Wir ersetzen dann die Beziehung 4 für w t-2 in Gleichung 3. zt wt Theta1z - theta1w wt theta1z - theta1w wt theta1z - theta1 2z theta 31.Wenn wir unendlich weitergehen wollten, würden wir das unendliche AR-Modell bekommen. Zt wt theta1 z - theta 21z theta 31z - theta 41z dots. Hinweis jedoch, dass wenn 1 1 die Koeffizienten, die die Verzögerungen von z multiplizieren, unendlich an Größe zunehmen werden, wenn wir uns in der Zeit zurückziehen Um dies zu verhindern, brauchen wir 1 1 Dies ist Die Bedingung für ein invertierbares MA 1 Modell. Unendliche Ordnung MA Modell. In Woche 3 sehen wir, dass ein AR 1 Modell in ein unendliches Auftrag MA Modell umgewandelt werden kann. Xt - mu wt phi1w phi 21w punkte phi k1 w punkte sum phi j1w. Diese Summierung der vergangenen weißen Rauschbegriffe ist als die kausale Darstellung eines AR 1 bekannt. Mit anderen Worten, xt ist ein spezieller Typ von MA mit unendlich vielen Terme Rückkehr in der Zeit Dies ist eine unendliche Ordnung MA oder MA Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Recall in Woche 1, stellten wir fest, dass eine Voraussetzung für eine stationäre AR 1 ist, dass 1 1 Sei s berechnen die Var xt mit der Kausaldarstellung. Dieser letzte Schritt verwendet eine grundlegende Tatsache über geometrische Serien, die phi1 erfordert 1 sonst die Serie divergiert.