Simple Moving Average Prognose Modell

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 Ihre nächste Test-Score. Was denkst du, deine Eltern könnten für Ihre nächste Test-Score prognostizieren. Um trotz aller Blabbing können Sie tun, um Ihre fr Iend und Eltern, sie und dein Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas in der Gegend von 85 bekommst, die du gerade bekommen hast. Nun, jetzt gehts an, dass du trotz deiner Selbstbeförderung zu deinen Freunden dich selbst überschätzst Und die Zahl, die Sie weniger für den zweiten Test studieren können 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 unabhängig von zu entwickeln Ob sie es mit Ihnen teilen werden. Sie können sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts Er wird zu bekommen 73, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so Weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine 85 73 2 79 steigen. Ich weiß es nicht, vielleicht, wenn du weniger feiern wolltest und den Wiesel über den ganzen Platz wedelnd und wenn du anfingst zu tun Viel mehr studieren könnte man eine höhere score. Both von diesen Schätzungen sind tatsächlich Ly gleitende durchschnittliche Prognosen. Der erste ist mit 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 annehmen Dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben 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 89 Jeder, auch dich selbst, ist beeindruckt. So jetzt hast du die abschließende Prüfung des Semesters kommen und wie üblich fühlst du die Notwendigkeit, alle zu machen, die ihre Vorhersagen darüber machen, wie du bei dem letzten Test machst. Nun, hoffentlich sehst du das Pattern. Now, hoffentlich können Sie das Muster sehen, was Sie glauben, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma, die von Ihrer entfremdeten Halbschwester namens Whistle genannt wird, während wir arbeiten Sie haben einige vergangene Verkaufsdaten Vertreten durch den folgenden Abschnitt aus einer Kalkulationstabelle Wir stellen zunächst die Daten für eine dreistellige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Notice, wie sich der Durchschnitt bewegt Über die jüngsten historischen Daten, sondern nutzt genau die drei letzten Perioden für jede Vorhersage Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln Dies ist definitiv anders als die Exponentielle Glättung Modell I ve enthalten die Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um Vorhersage Gültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt Sie Kann diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Notice, wie jetzt nur die beiden letzten Stücke historischer Daten für jede Vorhersage verwendet werden D die vergangenen Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognosevalidierung. Einige andere Dinge, die von Bedeutung zu bemerken sind. Für eine m-Periode gleitende durchschnittliche Prognose nur die m neuesten 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 entwickeln Der Code für die gleitende durchschnittliche Prognose, 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 speichern, was auch immer Arbeitsmappe 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. SIMPLE MOVING AVERAGE. Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool. Die gleitenden Durchschnitt ist die Verfolgung der tatsächlichen Daten, aber es ist immer hinter ihm zurück. Die gleitenden Durchschnitt wird nie erreichen die Gipfel oder Täler der tatsächlichen Daten Es glättet die Daten. Doesn t erzählen Sie sehr viel über die Zukunft. Jedoch, dies macht nicht den gleitenden Durchschnitt nutzlos Sie müssen nur bewusst sein, seine Probleme. SLIDE BESCHREIBUNG. AUDIO TRANSCRIPTION. So zu fassen, für eine einfache Bewegung Durchschnittlich oder ein einziger gleitender Durchschnitt, haben wir einige Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool Der gleitende Durchschnitt ist tra Cking die tatsächlichen Daten, aber es liegt immer hinter ihm Der gleitende Durchschnitt wird niemals die Gipfel oder Täler der tatsächlichen Daten, die es glättet die Daten, und es ist wirklich nicht sagen Sie sehr viel über die Zukunft, denn es ist einfach prognostiziert ein 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. 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 einen gleitenden 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 Peaks und t Roughs oder Täler in einer Reihe von Beobachtungen Allerdings hat es auch mehrere Nachteile Insbesondere dieses Modell erzeugt keine eigentliche Gleichung. Daher ist es nicht so sinnvoll, dass es sich um ein mittelweites Vorhersageinstrument handelt. Es kann nur zuverlässig verwendet werden, um es zu prognostizieren Oder zwei Perioden in die Zukunft. Die gleitende durchschnittliche Modell ist ein Spezialfall der allgemeineren gewichteten gleitenden Durchschnitt Im einfachen gleitenden Durchschnitt sind alle Gewichte gleich. Seit 0 3 Autor Steven R Gould. Fields von class. MovingAverageModel geerbt Constructs ein neues Gleitende durchschnittliche Prognosemodelle. MovingAverageModel int Periode Konstruiert ein neues gleitendes durchschnittliches Prognosemodell mit dem angegebenen Zeitraum. getForecastType Gibt einen oder zwei Wortnamen dieser Art von Prognose model. init DataSet dataSet Dient zur Initialisierung der gleitenden durchschnittlichen model. toString Dies sollte Überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zur Verfügung zu stellen, einschließlich, wo möglich, alle abgeleiteten Parameter verwendet. Methoden vererbt von Class. Constructs ein neues gleitendes durchschnittliches Prognosemodell Für ein gültiges Modell, das konstruiert werden soll, solltest du init anrufen und einen Datensatz mit einer Reihe von Datenpunkten mit der Zeitvariablen initialisieren, die initialisiert wurde, um die unabhängige Variable zu identifizieren. Konstruiert eine neue gleitende durchschnittliche Prognose Modell, mit dem vorgegebenen Namen als unabhängige Variable. Parameter independentVariable - der Name der unabhängigen Variable in diesem Modell zu verwenden. Konstruiert ein neues gleitende durchschnittliche Prognose-Modell, mit dem angegebenen Zeitraum Für ein gültiges Modell zu konstruieren, sollten Sie init aufrufen Und übergibt einen Datensatz, der eine Reihe von Datenpunkten enthält, wobei die Zeitvariable initialisiert ist, 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-Tage-Tag Gleitender 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 Hut kann effektiv prognostiziert werden Mit einem 50 Tage gleitenden Durchschnitt, dann können wir nicht vernünftigerweise - mit jedem Grad der Genauigkeit - prognostizieren mehr als 50 Tage über die letzte Periode, für die Daten verfügbar ist Dies kann vorteilhafter sein als, sagen wir eine 10-Tage-Zeitraum, Wo wir nur 10 Tage jenseits der letzten Periode prognostizieren konnten. Parameter Zeitraum - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Konstruiert ein neues gleitendes durchschnittliches Prognosemodell, wobei der Vorname als die unabhängige Variable und die angegebene Periode verwendet wird. Parameter unabhängigVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Zur Initialisierung des gleitenden Durchschnittsmodells Diese Methode muss vor jeder anderen Methode in der Klasse aufgerufen werden Das gleitende Durchschnittsmodell legt keine Gleichung für die Prognose ab, diese Methode verwendet das eingegebene DataSet, um Prognosewerte für alle gültigen Werte des unabhängigen ti zu berechnen Ich variabel. Specified by init in der Schnittstelle PrognoseModell Overrides init in der Klasse AbstractTimeBasedModel Parameter dataSet - ein Datensatz von Beobachtungen, die verwendet werden können, um die Prognoseparameter des Prognosemodells zu initialisieren. Returns ein oder zwei Wortnamen dieser Art von Prognosemodell Keep Diese kurze Eine längere Beschreibung sollte in der toString-Methode implementiert werden. Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zur Verfügung zu stellen, einschließlich, soweit möglich, alle abgeleiteten Parameter verwendet. Spezifiziert durch toString in der Schnittstelle PrognoseModel Overrides toString in der Klasse WeightedMovingAverageModel Gibt ein String-Darstellung des aktuellen Prognosemodells und dessen Parameter.