Flyttande medelvärde I det här exemplet lär du dig hur du beräknar glidande medelvärdet för en tidsserie i Excel. Ett glidande medel används för att jämna ut oegentligheter (toppar och dalar) för att enkelt kunna känna igen trender. 1. Låt oss först titta på våra tidsserier. 2. Klicka på Dataanalys på fliken Data. Obs! Kan inte hitta knappen Data Analysis Klicka här för att ladda verktyget Analysis ToolPak. 3. Välj Flytta genomsnitt och klicka på OK. 4. Klicka i rutan Inmatningsområde och välj intervallet B2: M2. 5. Klicka i rutan Intervall och skriv 6. 6. Klicka i rutan Utmatningsområde och välj cell B3. 8. Skriv ett diagram över dessa värden. Förklaring: Eftersom vi ställer intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och den aktuella datapunkten. Som ett resultat utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna det rörliga genomsnittet för de första 5 datapunkterna, eftersom det inte finns tillräckligt med tidigare datapunkter. 9. Upprepa steg 2 till 8 för intervall 2 och intervall 4. Slutsats: Ju större intervall desto mer toppar och dalar släpper ut. Ju mindre intervallet desto närmare de rörliga medelvärdena ligger till de faktiska datapunkterna. Möjliga medelvärden: Vad är de Bland de mest populära tekniska indikatorerna används glidande medelvärden för att mäta riktningen för den nuvarande trenden. Varje typ av glidande medelvärde (vanligtvis skrivet i denna handledning som MA) är ett matematiskt resultat som beräknas genom att medelvärda ett antal tidigare datapunkter. När det bestämts är det resulterande genomsnittet plottat på ett diagram för att låta handlare se på jämn data istället för att fokusera på de dagliga prisfluktuationerna som är inneboende på alla finansmarknader. Den enklaste formen av ett glidande medel, lämpligt känt som ett enkelt glidande medelvärde (SMA), beräknas genom att ta det aritmetiska medelvärdet av en given uppsättning värden. För att beräkna ett grundläggande 10-dagars glidande medelvärde skulle du lägga till slutkurserna från de senaste 10 dagarna och sedan dela resultatet med 10. I Figur 1 är summan av priserna under de senaste 10 dagarna (110) dividerat med antalet dagar (10) för att komma fram till 10-dagars genomsnittet. Om en näringsidkare vill se ett 50-dagars medel istället skulle samma typ av beräkning göras, men det skulle inkludera priserna under de senaste 50 dagarna. Det resulterande genomsnittet under (11) tar hänsyn till de senaste 10 datapunkterna för att ge handlare en uppfattning om hur en tillgång prissätts relativt de senaste 10 dagarna. Kanske du undrar varför tekniska handlare kallar det här verktyget ett glidande medelvärde och inte bara en vanlig medelvärde. Svaret är att när de nya värdena blir tillgängliga måste de äldsta datapunkterna släppas från uppsättningen och nya datapunkter måste komma in för att ersätta dem. Således flyttar datasatsen ständigt för att redogöra för nya data när den blir tillgänglig. Denna beräkningsmetod säkerställer att endast den nuvarande informationen redovisas. I figur 2 flyttas den röda rutan (representerande de senaste 10 datapunkterna) till höger om det nya värdet på 5 och det sista värdet av 15 släpps från beräkningen. Eftersom det relativt lilla värdet på 5 ersätter det höga värdet på 15, förväntar du dig att genomsnittet av datamängden minskar, vilket det gör, i det här fallet från 11 till 10. Vad ser Moving Averages Like När värdena på MA har beräknats, de är plottade på ett diagram och sedan anslutna för att skapa en rörlig genomsnittslinje. Dessa kurvor är vanliga på diagrammen för tekniska handlare, men hur de används kan variera drastiskt (mer om detta senare). Som du kan se i Figur 3 är det möjligt att lägga till mer än ett glidande medelvärde till ett diagram genom att justera antalet tidsperioder som används i beräkningen. Dessa böjda linjer kan verka distraherande eller förvirrande först, men du kommer att bli vana vid dem som tiden går vidare. Den röda linjen är helt enkelt genomsnittspriset under de senaste 50 dagarna, medan den blå linjen är genomsnittspriset under de senaste 100 dagarna. Nu när du förstår vad ett rörligt medelvärde är och hur det ser ut, introducera väl en annan typ av rörligt medelvärde och undersöka hur det skiljer sig från det tidigare nämnda enkla glidande medlet. Det enkla glidande medlet är extremt populärt bland handlare, men som alla tekniska indikatorer har det kritiker. Många individer hävdar att användbarheten av SMA är begränsad eftersom varje punkt i dataserien är densamma, oavsett var det inträffar i sekvensen. Kritiker hävdar att de senaste uppgifterna är mer signifikanta än de äldre uppgifterna och bör ha större inverkan på slutresultatet. Som svar på denna kritik började näringsidkare lägga större vikt vid de senaste uppgifterna, som sedan har lett till uppfinningen av olika typer av nya medelvärden, varav den mest populära är det exponentiella rörliga genomsnittet (EMA). (För vidare läsning, se Grunderna för viktade rörliga medelvärden och vad som är skillnaden mellan en SMA och en EMA) Exponentiell rörlig genomsnitts Det exponentiella rörliga genomsnittsvärdet är en typ av rörligt medelvärde som ger större vikt till de senaste priserna i ett försök att göra det mer responsivt till ny information. Att lära sig den något komplicerade ekvationen för att beräkna en EMA kan vara onödig för många handlare, eftersom nästan alla kartläggningspaket gör beräkningarna för dig. Men för dig matte geeks där ute, här är EMA-ekvationen: När du använder formeln för att beräkna den första punkten hos EMA kan du märka att det inte finns något värde tillgängligt för att använda som tidigare EMA. Detta lilla problem kan lösas genom att börja beräkna med ett enkelt glidande medelvärde och fortsätta med ovanstående formel därifrån. Vi har försett dig med ett provkalkylblad som innehåller verkliga exempel på hur man beräknar både ett enkelt glidande medelvärde och ett exponentiellt glidande medelvärde. Skillnaden mellan EMA och SMA Nu när du har en bättre förståelse för hur SMA och EMA beräknas, kan vi titta på hur dessa genomsnitt skiljer sig åt. Genom att titta på beräkningen av EMA kommer du att märka att större vikt läggs på de senaste datapunkterna, vilket gör det till en typ av vägt genomsnitt. I Figur 5 är antalet tidsperioder som används i varje genomsnitt identiskt (15), men EMA svarar snabbare på de förändrade priserna. Lägg märke till hur EMA har ett högre värde när priset stiger och faller snabbare än SMA när priset sjunker. Denna respons är den främsta anledningen till att många handlare föredrar att använda EMA över SMA. Vad betyder de olika dagarna Medflyttande medelvärden är en helt anpassningsbar indikator, vilket innebär att användaren fritt kan välja vilken tidsram de vill ha när de skapar genomsnittet. De vanligaste tidsperioderna som används i glidande medelvärden är 15, 20, 30, 50, 100 och 200 dagar. Ju kortare tidsintervallet användes för att skapa medelvärdet desto känsligare blir det för prisändringar. Ju längre tidspanelen är, desto mindre känslig eller jämnare blir medeltalet. Det finns ingen rätt tidsram att använda när du ställer in dina glidande medelvärden. Det bästa sättet att ta reda på vilken som passar dig bäst är att experimentera med ett antal olika tidsperioder tills du hittar en som passar din strategi. Flytta genomsnitt: Hur använder du dem. prognosförsäljning för period 10. ans: a. t t 12 Detta är slutet på förhandsvisningen. Registrera dig för att få tillgång till resten av dokumentet. Oformaterad textförhandsgranskning: b. Prognosförsäljning för period 10. ANS: a. T t 12 1.464t b. 26 640 000 PTS: 1 Upp: Tidsserieanalys och prognoser 15. Anmälan till studenter på ett universitet under de senaste sex åren ges nedan. År Inskrivning (t) (In 1000) 1 6,30 2 7,70 3 8,00 4 8,20 5 8,80 6 8,00 a. Utveckla ett linjärt trenduttryck för ovanstående tidsserier. b. Prognos registrering för år 10. ANS: a. T t 6,633 0,343t b. 10,063 PTS: 1 Upp: Tidsserieanalys och prognoser 16. Följande tidsserier visar försäljningen av en klädaffär över en 10-veckorsperiod. Vecka Försäljning (1 000s) 1 15 2 16 3 19 4 18 5 19 6 20 7 19 8 22 9 15 10 21 a. Beräkna ett 4 veckors glidande medelvärde för ovanstående tidsserier. b. Beräkna det genomsnittliga kvadratfelet (MSE) för 4 veckors glidande medelprognos. c. Använd en 0,3 för att beräkna exponentialutjämningsvärdena för tidsserierna. d. Prognosförsäljning för vecka 11. ANS: a. 17, 18, 19, 19, 20, 19 b. 7,67 c. 15,00, 15,00, 15,30, 16,40, 16,89, 17,52, 18,26, 19,38, 18,07, 18,95 d. 19.560 PTS: 1 TOP: Tidsserieanalys och prognos 17. Följande tidsserier visar antalet enheter av en viss produkt som säljs under de senaste sex månaderna. Månadsenheter säljs (tusentals) 1 8 2 3 3 4 4 5 5 12 6 10 a. Beräkna ett 3 månaders glidande medelvärde (centrerad) för ovanstående tidsserier. b. Beräkna det genomsnittliga kvadratfelet (MSE) för 3 månaders glidande medelvärde. c. Använd en 0,2 för att beräkna exponentialutjämningsvärdena för tidsserierna. d. Prognos försäljningsvolymen för månad 7. ANS: a. 5, 4, 7 b. MSE 733 24,33 c. 8, 8, 7, 6,4, 6,12, 7,296 d. F 7 7.836 PTS: 1 Upp: Tidsserieanalys och prognos 18. Försäljningsvolymerna för CMM, Inc. ett datorselskap, under de senaste 8 åren ges nedan. Årsförsäljning (t) (i miljarder dollar) 1 2 2 3 3 5 4 4 5 6 6 8 7 9 8 9 a. Utveckla ett linjärt trenduttryck för ovanstående tidsserier. b. Prognosförsäljning för period 9. ANS: a. T t 0.929 1.071t b. 10.568.000 PTS: 1 TOP: Tidsserieanalys och prognos 19. Försäljningsrekord för en större bilproducent under de senaste tio åren visas nedan. År (t) Antal bilar sålda (i tusen enheter) 1 195 2 200 3 250 4 270 5 320 6 380 7 440 8 460 9 500 10 500 Utveckla ett linjärt trenduttryck och projektförsäljningen (antalet sålda bilar) för tidsperiod t 11. ANS: T t 136 39.182t T 11 567 PTS: 1 Upp: Tidsserieanalys och prognos 20. Följande data visar kvartalsvisa försäljningen av Amazing Graphics, Inc. för åren 6 till och med 8. Årskvartalet Försäljning 6 1 2,5 2 1,5 3 2,4 4 1,6 7 1 2,0 2 1,4 3 1,7 4 1,9 8 1 2,5 2 2,0 3 2,4 4 2,1 a. Beräkna de fyra kvartära glidande medelvärdena för ovanstående tidsserier. b. Beräkna säsongsfaktorerna för de fyra kvartalen. c. Använd säsongsfaktorerna som utvecklats i del b för att justera prognosen för effekten av säsong för år 6. Visa fullständigt dokument Detta testprep laddades upp på 01052015 för kursen MGMT 30500 undervisad av professor Arnabbisi under hösten 03914 i Purdue University-West Lafayette. Klicka för att redigera dokumentinformationen
No comments:
Post a Comment