Moving Average Random Prozess

Glättung von Daten entfernt zufällige Variation und zeigt Trends und zyklische Komponenten Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung durch zufällige Variation. Eine häufig verwendete Technik in der Industrie ist Glättung. Diese Technik, wenn sie richtig angewendet wird, zeigt deutlich die zugrunde liegenden Tendenz, saisonale und zyklische Komponenten. Es gibt zwei verschiedene Gruppen von Glättungsmethoden Mittelungsmethoden Exponentielle Glättungsmethoden Mit den Mittelwerten ist der einfachste Weg, um Daten zu glätten. Wir werden zunächst einige Mittelungsmethoden untersuchen, wie zB den einfachen Durchschnitt aller vergangenen Daten. Ein Manager eines Lagers will wissen, wie viel ein typischer Lieferant in 1000 Dollar Einheiten liefert. Heshe nimmt eine Stichprobe von 12 Lieferanten, zufällig, erhalten die folgenden Ergebnisse: Die berechneten Mittelwert oder Durchschnitt der Daten 10. Der Manager beschließt, dies als die Schätzung für den Aufwand eines typischen Lieferanten zu verwenden. Ist das eine gute oder schlechte Schätzung Mittlerer quadratischer Fehler ist ein Weg, um zu beurteilen, wie gut ein Modell ist. Wir werden den mittleren quadratischen Fehler berechnen. Der fehlerhafte Betrag verbrachte abzüglich des geschätzten Betrags. Der Fehler quadriert ist der Fehler oben, quadriert. Die SSE ist die Summe der quadratischen Fehler. Die MSE ist der Mittelwert der quadratischen Fehler. MSE Ergebnisse zum Beispiel Die Ergebnisse sind: Fehler und quadratische Fehler Die Schätzung 10 Die Frage stellt sich: Können wir das Mittel, um Einkommen zu prognostizieren, wenn wir einen Trend vermuten Ein Blick auf die Grafik unten zeigt deutlich, dass wir dies nicht tun sollten. Durchschnittlich wiegt alle vergangenen Beobachtungen gleich Zusammenfassend heißt es, dass der einfache Durchschnitt oder Mittel aller vergangenen Beobachtungen nur eine nützliche Schätzung für die Prognose ist, wenn es keine Trends gibt. Wenn es Trends gibt, verwenden Sie unterschiedliche Schätzungen, die den Trend berücksichtigen. Der Durchschnitt wiegt alle vergangenen Beobachtungen gleichermaßen. Zum Beispiel ist der Mittelwert der Werte 3, 4, 5 gleich 4. Wir wissen natürlich, daß ein Mittelwert durch Addition aller Werte berechnet und die Summe durch die Anzahl der Werte dividiert wird. Eine weitere Möglichkeit, den Mittelwert zu berechnen, besteht darin, jeden Wert durch die Anzahl der Werte zu addieren, oder 33 43 53 1 1.3333 1.6667 4. Der Multiplikator 13 heißt das Gewicht. Im Allgemeinen: bar frac sum links (frac rechts) x1 links (frac rechts) x2,. , Links (frac rechts) xn. Die (links (frac rechts)) sind die Gewichte und natürlich summieren sie sich auf 1.Veranstieg der unendlichen Ordnung MA-Prozess definiert durch ytepsilonta (epsilon epsilon.), Wobei a eine Konstante ist und die epsilonts sind i. i.d. N (0, v) zufällige Variable. Was ist der beste Weg, um zu zeigen, dass yt ist nichtstationary Ich weiß, dass ich die charakteristischen Wurzeln der Eigenschaften Polynom betrachten und dann beurteilen, ob sie außerhalb des Einheitskreises sind, aber was ist der beste Weg, um dieses Problem zu nähern Soll ich versuchen, die unendliche Ordnung MA Prozess als eine endliche Ordnung AR Prozess umschreiben oder ist es einfacher zu arbeiten, die MA-Prozess gefragt 19. Oktober 13 um 21: 11Smoothing Daten entfernt zufällige Variation und zeigt Trends und zyklische Komponenten Inhärent in der Sammlung von Daten übernommen Zeit ist irgendeine Form von zufälliger Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung durch zufällige Variation. Eine häufig verwendete Technik in der Industrie ist Glättung. Diese Technik, wenn sie richtig angewendet wird, zeigt deutlich die zugrunde liegenden Tendenz, saisonale und zyklische Komponenten. Es gibt zwei verschiedene Gruppen von Glättungsmethoden Mittelungsmethoden Exponentielle Glättungsmethoden Mit den Mittelwerten ist der einfachste Weg, um Daten zu glätten. Wir werden zunächst einige Mittelungsmethoden untersuchen, wie zB den einfachen Durchschnitt aller vergangenen Daten. Ein Manager eines Lagers will wissen, wie viel ein typischer Lieferant in 1000 Dollar Einheiten liefert. Heshe nimmt eine Stichprobe von 12 Lieferanten, zufällig, erhalten die folgenden Ergebnisse: Die berechneten Mittelwert oder Durchschnitt der Daten 10. Der Manager beschließt, dies als die Schätzung für den Aufwand eines typischen Lieferanten zu verwenden. Ist das eine gute oder schlechte Schätzung Mittlerer quadratischer Fehler ist ein Weg, um zu beurteilen, wie gut ein Modell ist. Wir werden den mittleren quadratischen Fehler berechnen. Der fehlerhafte Betrag verbrachte abzüglich des geschätzten Betrags. Der Fehler quadriert ist der Fehler oben, quadriert. Die SSE ist die Summe der quadratischen Fehler. Die MSE ist der Mittelwert der quadratischen Fehler. MSE Ergebnisse zum Beispiel Die Ergebnisse sind: Fehler und quadratische Fehler Die Schätzung 10 Die Frage stellt sich: Können wir das Mittel, um Einkommen zu prognostizieren, wenn wir einen Trend vermuten Ein Blick auf die Grafik unten zeigt deutlich, dass wir dies nicht tun sollten. Durchschnittlich wiegt alle vergangenen Beobachtungen gleich Zusammenfassend heißt es, dass der einfache Durchschnitt oder Mittel aller vergangenen Beobachtungen nur eine nützliche Schätzung für die Prognose ist, wenn es keine Trends gibt. Wenn es Trends gibt, verwenden Sie unterschiedliche Schätzungen, die den Trend berücksichtigen. Der Durchschnitt wiegt alle vergangenen Beobachtungen gleichermaßen. Zum Beispiel ist der Mittelwert der Werte 3, 4, 5 gleich 4. Wir wissen natürlich, daß ein Mittelwert durch Addition aller Werte berechnet und die Summe durch die Anzahl der Werte dividiert wird. Eine weitere Möglichkeit, den Mittelwert zu berechnen, besteht darin, jeden Wert durch die Anzahl der Werte zu addieren, oder 33 43 53 1 1.3333 1.6667 4. Der Multiplikator 13 heißt das Gewicht. Im Allgemeinen: bar frac sum links (frac rechts) x1 links (frac rechts) x2,. , Links (frac rechts) xn. Die (links (frac rechts)) sind die Gewichte und natürlich summieren sie sich auf 1.Geschichte und Hintergrund, die zum ersten Mal mit gleitenden Durchschnittswerten kamen. Technische Analysten verwenden seit Jahrzehnten gleitende Durchschnitte. Sie sind so allgegenwärtig in unserer Arbeit, dass die meisten von uns nicht wissen, woher sie kamen. Statistiker kategorisieren Moving Averages als Teil einer Familie von Werkzeugen für ldquoTime Series Analysisrdquo. Andere in dieser Familie sind: ANOVA, Arithmetische Mittel, Korrelationskoeffizient, Kovarianz, Differenztabelle, Least Squares Fitting, Maximum Likelihood, Moving Average, Periodogramm, Vorhersage Theorie, Zufällige Variable, Random Walk, Residual, Varianz. Sie können mehr über jede dieser und ihre Definitionen bei Wolfram lesen. Die Entwicklung des ldquomoving averagerdquo stammt aus dem Jahr 1901, obwohl der Name später darauf angewendet wurde. Von Mathematik-Historiker Jeff Miller: BEWEGLICHER DURCHSCHNITT. Diese Technik zum Glätten von Datenpunkten wurde seit Jahrzehnten verwendet, bevor dieser oder ein allgemeiner Begriff in Gebrauch kam. Im Jahre 1909 beschrieb GU Yule (Journal of the Royal Statistical Society, 72, 721-730) die ldquoinstantaneous averagesrdquo RH Hooker, berechnet im Jahre 1901 als ldquomoving-averages. rdquo Yule nahm nicht den Begriff in seinem Lehrbuch an, aber es ging in die Zirkulation durch WI Kingrsquos Elemente der statistischen Methode (1912). LdquoMoving averagerdquo bezieht sich auf eine Art von stochastischen Prozess ist eine Abkürzung von H. Woldrsquos ldquoprocess der bewegten averagerdquo (eine Studie in der Analyse der stationären Zeitreihe (1938)). Wold beschrieb, wie spezielle Fälle des Prozesses in den 1920er Jahren von Yule (im Zusammenhang mit den Eigenschaften der Variate Differenzen Korrelation Methode) und Slutsky John Aldrich untersucht worden waren. Von StatSoft Inc. kommt diese Beschreibung von Exponential Glättung. Das ist eine von mehreren Techniken für die Gewichtung Vergangenheit Daten anders: ldquoExponential Glättung hat sich sehr beliebt als eine Prognose-Methode für eine Vielzahl von Zeitreihen-Daten. Historisch gesehen wurde die Methode unabhängig von Robert Goodell Brown und Charles Holt entwickelt. Brown arbeitete für die US-Marine während des Zweiten Weltkriegs, wo seine Aufgabe war, ein Tracking-System für Brandschutzinformationen zu entwerfen, um den Standort von U-Booten zu berechnen. Später hat er diese Technik auf die Prognose der Nachfrage nach Ersatzteilen (ein Inventarsteuerungsproblem) angewendet. Er beschrieb diese Ideen in seinem Buch 1959 über die Bestandskontrolle. Holtrsquos-Forschung wurde vom Amt der Marineforschung unabhängig gefördert, entwickelte er exponentielle Glättungsmodelle für konstante Prozesse, Prozesse mit linearen Trends und für saisonale Daten. rdquo Holtrsquos Papier, ldquoForecasting Saisonale und Trends durch exponentiell gewichtete Moving Averagesrdquo wurde 1957 in O. N.R. Research Memorandum 52, Carnegie Institut für Technologie. Es existiert nicht kostenlos online, sondern kann von denen mit Zugang zu akademischen Papierressourcen zugänglich sein. Nach unserem Wissen, P. N. (Pete) Haurlan war die erste, die exponentielle Glättung für die Verfolgung der Aktienkurse verwenden. Haurlan war ein echter Raketenwissenschaftler, der in den frühen 1960er Jahren für JPL arbeitete und somit Zugang zu einem Computer hatte. Er nannte sie nicht ldquoexponential bewegte Durchschnitte (EMAs) rdquo oder das mathematisch modische ldquoexponentially gewichtete bewegte Durchschnitte (EWMAs) rdquo. Stattdessen nannte er sie ldquoTrend Valuesrdquo und verwies auf sie durch ihre Glättungskonstanten. Also, was heute ist gemeinhin als 19-Tage-EMA genannt, rief er ein ldquo10 Trendrdquo. Da seine Terminologie das Original für eine solche Verwendung in Aktienkursverfolgung war, deshalb setzen wir diese Terminologie auch weiterhin in unsere Arbeit ein. Haurlan hatte EMAs bei der Gestaltung der Tracking-Systeme für Raketen eingesetzt, die zum Beispiel ein bewegbares Objekt wie einen Satelliten, einen Planeten usw. abfangen müssten. Wenn der Weg zum Ziel ausgeschaltet wäre, müsste eine Art von Eingabe angewendet werden Zum Lenkmechanismus, aber sie wollten nicht übertreiben oder unterschätzen, dass Eingang und entweder instabil oder nicht zu drehen. So war die richtige Art der Glättung von Dateneingaben hilfreich. Haurlan nannte dieses ldquoProportional Controlrdquo, was bedeutet, dass der Lenkmechanismus nicht versuchen würde, den Tracking-Fehler auf einmal einzustellen. EMAs waren einfacher in frühe analoge Schaltungen als andere Arten von Filtern, weil sie nur zwei Stücke von variablen Daten benötigen: den aktuellen Eingangswert (z. B. Preis, Position, Winkel usw.) und den vorherigen EMA-Wert. Die Glättungskonstante wäre in die Schaltkreise fest verdrahtet, so dass die ldquomemoryrdquo nur diese beiden Variablen behalten müsste. Ein einfacher gleitender Durchschnitt dagegen erfordert die Verfolgung aller Werte innerhalb des Lookback-Zeitraums. Also ein 50-SMA würde bedeuten, die Verfolgung von 50 Datenpunkten, dann Mittelwert sie. Es bindet viel mehr Rechenleistung. Sehen Sie mehr über EMAs gegen Simple Moving Averages (SMAs) bei Exponential Versus Simple. Haurlan gründete den Trade Levels Newsletter in den 1960er Jahren und ließ JPL für diese lukrativere Arbeit. Sein Newsletter war ein Sponsor der Charting The Market TV-Show auf KWHY-TV in Los Angeles, die erste TA-TV-Show, die von Gene Morgan gehostet wurde. Die Arbeit von Haurlan und Morgan war ein großer Teil der Inspiration hinter Sherman und Marian McClellanrsquos Entwicklung des McClellan Oszillator und Summation Index, die exponentielle Glättung von Advance-Decline Daten beinhalten. Sie können eine 1968 Broschüre mit dem Titel "Measuring Trend Values" von Haurlan ab Seite 8 des MTA Award Handouts lesen. Die wir für die Teilnehmer auf der MTA-Konferenz 2004 vorbereitet haben, wo Sherman und Marian den MTArsquos Lifetime Achievement Award verliehen haben. Haurlan listet nicht den Ursprung dieser mathematischen Technik auf, stellt aber fest, dass es seit vielen Jahren in der Luft - und Raumfahrttechnik eingesetzt wurde.