Moving Average Löser

Moving Average Calculator Angesichts einer Liste von sequentiellen Daten können Sie den n - point gleitenden Durchschnitt (oder den gleitenden Durchschnitt) konstruieren, indem Sie den Durchschnitt jedes Satzes von n aufeinanderfolgenden Punkten finden. Wenn Sie beispielsweise den geordneten Datensatz 10, 11, 11, 15, 13, 14, 12, 10, 11 haben, wird der 4-Punkt-Verschiebungsdurchschnitt 11,75, 12,5, 13,25, 13,5, 12,25, 11,75, Bewegungsdurchschnitte verwendet Um sequentielle Daten zu glätten, bilden sie scharfe Spitzen und Dips, die weniger ausgeprägt sind, da jeder Rohdatenpunkt nur ein Bruchteilgewicht im gleitenden Durchschnitt gegeben wird. Je größer der Wert von n ist. Desto glatter ist der Graph des gleitenden Mittelwertes im Vergleich zum Graphen der ursprünglichen Daten. Aktienanalysten betrachten häufig bewegte Durchschnitte der Aktienpreisdaten, um Trends vorherzusagen und Muster besser zu sehen. Sie können den folgenden Taschenrechner verwenden, um einen gleitenden Durchschnitt eines Datensatzes zu finden. Anzahl der Begriffe in einem einfachen n-Punkt gleitenden Durchschnitt Wenn die Anzahl der Begriffe in der ursprünglichen Menge d ist und die Anzahl der in jedem Durchschnitt verwendeten Begriffe n ist. Dann wird die Anzahl der Begriffe in der gleitenden Durchschnittssequenz sein. Wenn Sie beispielsweise eine Sequenz von 90 Aktienkursen haben und den 14-tägigen Rollendurchschnitt der Kurse einnehmen, wird die rollende durchschnittliche Sequenz 90-14-177 Punkte haben. Dieser Rechner berechnet Bewegungsdurchschnitte, bei denen alle Begriffe gleich gewichtet werden. Sie können auch gewichtete gleitende Durchschnitte erstellen, in denen einige Begriffe stärker gewichtet werden als andere. Zum Beispiel geben mehr Gewicht zu jüngeren Daten, oder die Schaffung eines zentral gewichteten Mittelwert, wo die mittleren Begriffe werden mehr gezählt. Siehe die gewichteten gleitenden Durchschnitte Artikel und Taschenrechner für weitere Informationen. Zusammen mit bewegenden arithmetischen Mitteln schauen einige Analytiker auch den bewegten Median der geordneten Daten an, da der Median von den fremden Ausreißern nicht beeinflusst wird. Weight Moving Average Calculator Angesichts einer Liste von sequentiellen Daten können Sie den n-Punkt-gewichteten gleitenden Durchschnitt konstruieren (oder gewichtet Rolling Average), indem der gewichtete Durchschnitt jedes Satzes von n aufeinanderfolgenden Punkten ermittelt wird. Angenommen, Sie haben den geordneten Datensatz 10, 11, 15, 16, 14, 12, 10, 11, und der Gewichtungsvektor ist 1, 2, 5, wobei 1 auf den ältesten Term angewendet wird Der mittlere Term und 5 wird auf den jüngsten Term angewendet. Der gewichtete gleitende 3-Punkt-Durchschnitt beträgt 13,375, 15,125, 14,625, 13, 11, 10,875 Gewichtete gleitende Mittelwerte werden verwendet, um sequentielle Daten zu glätten, während sie bestimmten Begriffen mehr Bedeutung geben. Einige gewichtete Durchschnitte legen mehr Wert auf zentrale Begriffe, während andere für neuere Begriffe bevorzugen. Aktienanalysten verwenden häufig einen linear gewichteten n-Punkt-gleitenden Durchschnitt, bei dem der Gewichtungsvektor 1, 2. n-1 ist. N ist. Sie können den rechner unten verwenden, um den gewichteten gewichteten Durchschnitt eines Datensatzes mit einem gegebenen Gewichtsvektor zu berechnen. (Geben Sie für den Taschenrechner Gewichte als kommagetrennte Liste von Zahlen ohne die und Klammern ein.) Anzahl der Begriffe in einem gewichteten n-Punkt gleitenden Durchschnitt Wenn die Anzahl der Begriffe in der ursprünglichen Menge d ist und die Anzahl der verwendeten Begriffe in Jeder Durchschnitt ist n (dh die Länge des Gewichtungsvektors ist n), dann wird die Anzahl der Ausdrücke in der gleitenden Durchschnittssequenz sein. Zum Beispiel, wenn Sie eine Folge von 120 Aktienkursen haben und einen 21-tägigen gewichteten rollenden Durchschnitt nehmen Der Preise, dann hat die gewichtete Rolling Average Sequenz 120 - 211 100 Datenpunkte. Moving Average Glättungsbeispiel Dieses Beispiel veranschaulicht, wie die XLMiners Moving Average Glättungstechnik verwendet, um Trends in einer Zeitreihe, die Saisonalität enthält aufzudecken. Wählen Sie auf dem XLMiner-Farbband auf der Registerkarte Anwenden Ihres Modells die Option Hilfe - Beispiele aus. Dann ForecastingData Mining Beispiele. Und öffnen Sie den Beispieldatensatz Airpass. xlsx. Dieser Datensatz enthält die monatlichen Summen der internationalen Fluggäste von 1949-1960. Nachdem der Beispieldatensatz geöffnet ist, klicken Sie auf eine Zelle im Datensatz, und wählen Sie dann auf der Registerkarte Zeitreihenfolge auf dem XLMiner-Band die Option Partition, um das Dialogfeld Time Series Partition Data zu öffnen. Wählen Sie Monat als Zeitvariable und Passagiere als Variablen in den Partitionsdaten aus. Klicken Sie auf OK, um die Daten in Trainings - und Validierungssets zu partitionieren. (Klicken Sie auf das DataPartitionTS-Arbeitsblatt und dann auf das XLMiner-Farbband auf der Registerkarte Zeitreihe, wählen Sie Glättung - Gleitender Durchschnitt, um das Dialogfeld "Gleitender Durchschnitt" zu öffnen. Monat wurde bereits als Zeitvariable ausgewählt. Wählen Sie Passagiere als Ausgewählte Variable aus. Da dieser Datensatz voraussichtlich eine Saisonalität einschließen wird (d. H. Die Zahl der Fluggastpassagiere während der Ferien und Sommermonate), sollte der Wert für das Intervallparametergewicht die Länge eines Saisonzyklus (d. h. 12 Monate) betragen. Geben Sie 12 für Intervall ein, und wählen Sie bei der Validierung die Option Prognose erstellen aus. Klicken Sie auf OK, um die Glättungsmethode auf den partitionierten Datensatz anzuwenden. Zwei Arbeitsblätter, MASmoothingOutput und MASmoothingStored. Werden sofort rechts neben dem DataPartitionTS-Arbeitsblatt eingefügt. Weitere Informationen zum MASmoothingStored-Arbeitsblatt finden Sie im Abschnitt Applying Your Model - Scoring New Data. Klicken Sie auf das MASmoothingOutput-Arbeitsblatt. Der Zeitplan der tatsächlichen Vs. Prognose (Trainingsdaten) und (Validierungsdaten) zeigen, dass die Moving Average Smoothing-Technik nicht zu einer guten Anpassung führt, da das Modell die Saisonalität im Datensatz nicht effektiv erfassen kann. Die Sommermonate, in denen die Zahl der Fluggäste in der Regel hoch ist, scheinen unterproportional zu sein, und in den Monaten, in denen die Anzahl der Fluggäste niedrig ist, führt das Modell zu einer zu hohen Prognose. Eine gleitende Durchschnittsprognose sollte niemals verwendet werden, wenn der Datensatz Saisonalität enthält. Eine Alternative wäre, eine Regression auf dem Modell durchzuführen und diese Technik dann auf die Residuen anzuwenden. Das nächste Beispiel beinhaltet nicht Saisonalität. Wählen Sie auf dem XLMiner-Farbband auf der Registerkarte Anwenden Ihres Modells die Option Hilfe - Beispiele aus. Dann wählen Sie ForecastingData Mining Beispiele. Und öffnen Sie den Beispieldatensatz Income. xlsx. Dieser Datensatz enthält das durchschnittliche Einkommen der Steuerzahler nach Staat. Zuerst wird der Datensatz in Trainings - und Validierungssets unter Verwendung von Jahr als Zeitvariable und CA als Variablen in den Partitionsdaten partitioniert. Klicken Sie auf OK, um die Partitionierungsstandards zu akzeptieren und die Trainings - und Validierungssets zu erstellen. Das Arbeitsblatt DataPartitionTS wird sofort rechts neben dem Income-Arbeitsblatt eingefügt. Klicken Sie auf das DataPartitionTS-Arbeitsblatt und dann auf das XLMiner-Band auf der Registerkarte Zeitreihe, wählen Sie Glättung - Gleitender Durchschnitt, um das Dialogfeld Gleitender Durchschnitt zu öffnen. Jahr wurde automatisch als Zeitvariable ausgewählt. Wählen Sie CA als ausgewählte Variable aus, und wählen Sie unter Ausgabeoptionen die Option Prognose erstellen aus. Klicken Sie auf OK, um die Moving Average Smoothing-Technik auszuführen. Zwei Arbeitsblätter, MASmoothingOutput und MASmoothingStored. Werden rechts neben dem DataPartitionTS-Arbeitsblatt eingefügt. Weitere Informationen zum MASmoothingStored-Arbeitsblatt finden Sie im Abschnitt Applying Your Model - Scoring New Data. Die Ergebnisse der Moving Average Smoothing-Technik auf diesem Datensatz zeigen eine viel bessere Passform.