Labview For Moving Durchschnitt

Berechnen des gleitenden Durchschnitts Dieses VI berechnet und zeigt den gleitenden Durchschnitt mit einer vorgewählten Zahl an. Zunächst initialisiert das VI zwei Schieberegister. Das obere Schieberegister wird mit einem Element initialisiert und fügt dann kontinuierlich den vorherigen Wert mit dem neuen Wert hinzu. Dieses Schieberegister hält die Summe der letzten x Messungen. Nach dem Teilen der Ergebnisse der Add-Funktion mit dem vorgewählten Wert berechnet das VI den gleitenden Mittelwert. Das untere Schieberegister enthält ein Array mit der Dimension Average. Dieses Schieberegister hält alle Werte der Messung. Die Ersatzfunktion ersetzt nach jeder Schleife den neuen Wert. Dieses VI ist sehr effizient und schnell, weil es die replace-Element-Funktion innerhalb der while-Schleife verwendet, und es initialisiert das Array, bevor es die Schleife eintritt. Dieses VI wurde in LabVIEW 6.1 erstellt. Bookmark amp ShareMoving durchschnittliche und exponentielle Glättungsmodelle Als ein erster Schritt zum Überfahren von Mittelwertsmodellen, Zufallswegmodellen und linearen Trendmodellen können nicht-saisonale Muster und Trends mittels eines gleitenden Durchschnitts - oder Glättungsmodells extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam ändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-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 "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird auf den Zeitraum t (m1) 2 zentriert, was impliziert, daß die Schätzung des lokalen Mittels dazu tendiert, hinter dem wahr zu bleiben Wert des lokalen Mittels um etwa (m1) 2 Perioden. Somit ist das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu der Periode, für die die Prognose berechnet wird, angegeben: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten der Daten zu liegen . Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Weg Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige Wandermodell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt sie einen Großteil der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-Term einfach gleitenden Durchschnitt versuchen, erhalten wir sogar noch bessere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. 945 bezeichnen eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Serie L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer 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 bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell entspricht einem zufälligen Weg-Modell (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang.) Das Durchschnittsalter der Daten in der Simple-Exponential-Smoothing-Prognose beträgt 1 945, bezogen auf den Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1 945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das durchschnittliche Alter der Daten in dieser Prognose beträgt 10.2961 3,4 Perioden, was ähnlich wie bei einem 6-term einfachen gleitenden Durchschnitt ist. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Reihe etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird ein ARIMA-Modell mit einer nicht sonderbaren Differenz und einem MA (1) - Term mit konstantem, d. H. Einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel in Ordnung ist oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), 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 das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns 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 weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, so würde dies die Prognose für Y in der Periode t1 sein.) Dann sei Squot die doppelt geglättete Folge, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, 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. Holt8217s Lineare Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die er anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstanten 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 ist der Auffassung, dass die ferne Zukunft sehr unsicher ist, da Fehler bei der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. Analog zur Vorstellung des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1 946, wenn auch nicht exakt gleich . In diesem Fall erweist sich dies als 10.006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, sondern sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist Mittelung über eine ziemlich große Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter 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 mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Seitenanfang.) Verschieben von durchschnittlichen Umschlägen Verschieben von durchschnittlichen Umschlägen Einleitung Verschieben von durchschnittlichen Umschlägen sind prozentuale Umschläge, die oberhalb und unterhalb eines gleitenden Durchschnitts festgelegt sind. Der gleitende Durchschnitt, der die Basis für diesen Indikator bildet, kann ein einfacher oder exponentieller gleitender Durchschnitt sein. Jede Hüllkurve wird dann denselben Prozentsatz über oder unter dem gleitenden Durchschnitt eingestellt. Dies schafft parallel Bands, die Preis-Aktion folgen. Mit einem gleitenden Durchschnitt als Basis kann Moving Average Envelopes als Trend-Indikator verwendet werden. Dieser Indikator ist jedoch nicht nur auf den folgenden Trend beschränkt. Die Umschläge können auch verwendet werden, um überkaufte und überverkauft Ebenen identifizieren, wenn der Trend relativ flach ist. Berechnung Berechnung für Gleitende Durchschnittliche Umschläge ist direkt. Wählen Sie zunächst einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt aus. Einfache gleitende Durchschnitte gewichten jeden Datenpunkt (Preis) gleichmäßig. Exponentielle gleitende Durchschnitte setzen mehr Gewicht auf die jüngsten Preise und haben weniger Verzögerung. Als zweites wählen Sie die Anzahl der Zeitperioden für den gleitenden Durchschnitt aus. Drittens legen Sie den Prozentsatz für die Umschläge. Ein gleitender Durchschnitt von 20 Tagen mit einer 2,5-Hüllkurve würde die folgenden zwei Zeilen zeigen: Die obige Tabelle zeigt IBM mit einem 20-Tage-SMA und 2,5 Umschlägen. Beachten Sie, dass die 20-Tage-SMA zu diesem SharpChart als Referenz hinzugefügt wurde. Beachten Sie, wie sich die Umschläge parallel zur 20-tägigen SMA bewegen. Sie bleiben konstant 2,5 über und unter dem gleitenden Durchschnitt. Interpretation Indikatoren, die auf Kanälen, Bändern und Umschlägen basieren, sollen die meisten Preisaktionen umfassen. Daher bewegen Bewegungen über oder unter den Umschlägen Aufmerksamkeit. Trends beginnen oft mit starken Bewegungen in die eine oder andere Richtung. Ein Anstieg oberhalb der oberen Hüllkurve zeigt eine außerordentliche Stärke, während ein Absturz unterhalb der unteren Hüllkurve eine außerordentliche Schwäche aufweist. Solche starken Bewegungen können das Ende eines Trends und den Anfang eines anderen signalisieren. Mit einem gleitenden Durchschnitt als Grundlage, Moving Average Umschläge sind eine natürliche Trend folgenden Indikator. Wie mit gleitenden Durchschnitten, werden die Umschläge Preis-Aktion. Die Richtung des gleitenden Mittelwerts diktiert die Richtung des Kanals. Im Allgemeinen ist ein Abwärtstrend vorhanden, wenn sich der Kanal nach unten bewegt, während ein Aufwärtstrend vorhanden ist, wenn sich der Kanal höher bewegt. Der Trend ist flach, wenn sich der Kanal seitwärts bewegt. Manchmal ist ein starker Trend nicht greifen, nachdem eine Hüllkurve und Preise bewegen sich in eine Handelsspanne. Solche Handelsbereiche sind durch einen relativ flachen gleitenden Durchschnitt gekennzeichnet. Die Umschläge können dann verwendet werden, um überkaufte und überverkaufte Ebenen für Handelszwecke zu identifizieren. Eine Bewegung oberhalb der oberen Hüllkurve bezeichnet eine überkaufte Situation, während eine Bewegung unterhalb der unteren Hüllkurve einen überverkauften Zustand markiert. Parameter Die Parameter für die Moving Average Umschläge hängen von Ihren Zielsetzungen und den Charakteristika des jeweiligen Wertpapiers ab. Trader werden wahrscheinlich kürzere (schneller) gleitende Durchschnittswerte und relativ enge Umschläge verwenden. Investoren dürften längere (langsamere) gleitende Durchschnittswerte mit breiteren Umschlägen bevorzugen. Eine security039s-Volatilität wird auch die Parameter beeinflussen. Bollinger-Bänder und Keltner-Kanäle haben Mechanismen eingebaut, die sich automatisch an eine Volatilität von security039s anpassen. Bollinger-Bänder verwenden die Standardabweichung, um die Bandbreite einzustellen. Keltner Channels verwenden den Average True Range (ATR), um die Kanalbreite einzustellen. Diese passen sich automatisch der Volatilität an. Chartisten müssen unabhängig voneinander für die Volatilität bei der Einstellung der Moving Average Umschläge. Wertpapiere mit hoher Volatilität erfordern breitere Banden, um die meisten Preisaktionen zu umfassen. Wertpapiere mit geringer Volatilität können schmalere Bänder verwenden. Bei der Auswahl der richtigen Parameter, hilft es oft, überlagern ein paar verschiedene Moving Average Umschläge und zu vergleichen. Die Grafik oben zeigt die SampP 500 ETF mit drei Moving Average Umschlägen auf der Basis der 20-Tage SMA. Die 2,5 Umschläge (rot) wurden mehrmals berührt, die 5 Umschläge (grün) wurden nur während des Juli-Anstiegs berührt. Die 10 Umschläge (rosa) wurden nie berührt, was bedeutet, dass diese Band zu breit ist. Ein mittelfristiger Trader könnte die 5 Umschläge verwenden, während ein kurzfristiger Trader die 2,5 Umschläge verwenden könnte. Aktienindizes und ETFs erfordern festere Umschläge, weil sie typischerweise weniger volatil sind als einzelne Aktien. Die Alcoa-Tabelle hat die gleichen Moving Average Umschläge wie die SPY-Diagramm. Allerdings bemerken, dass Alcoa die 10 Umschläge mehrmals verletzt hat, weil es volatiler ist. Trend Identification Moving Average Umschläge können verwendet werden, um starke Bewegungen zu identifizieren, die den Beginn eines erweiterten Trends signalisieren. Der Trick, wie immer, ist die Kommissionierung der richtigen Parameter. Dies erfordert Praxis, Versuch und Irrtum. Die nachstehende Tabelle zeigt Dow Chemical (DOW) mit den Moving Average Umschlägen (20,10). Die Schlusskurse werden verwendet, da die gleitenden Durchschnittswerte mit Schlusskursen berechnet werden. Einige Chartisten bevorzugen Bars oder Leuchter, um die Intraday Day hoch und niedrig zu nutzen. Beachten Sie, wie DOW Mitte Juli über die obere Hülle stieg und über diesen Umschlag bis Anfang August weiter bewegte. Das zeigt eine außergewöhnliche Kraft. Beachten Sie auch, dass die Moving Average Umschläge erschienen und folgte dem Vorschuss. Nach einem Wechsel von 14 auf 23 war die Aktie deutlich überkauft. Dieser Schritt führte jedoch zu einem starken Präzedenzfall, der den Beginn einer erweiterten Tendenz markierte. Nachdem DOW bald nach der Gründung seines Aufwärtstrends überkauft wurde, war es an der Zeit, auf einen spielbaren Pullback zu warten. Trader können für Pullbacks mit Basis-Chart-Analyse oder mit Indikatoren zu suchen. Pullbacks kommen oft in Form von fallenden Flaggen oder Keilen. DOW bildete ein Bild perfekt fallende Flagge im August und brach Widerstand im September. Eine weitere Flagge bildete Ende Oktober mit einem Ausbruch im November. Nach dem November-Anstieg zog die Aktie mit einer fünfwöchigen Flagge im Dezember zurück. Im Indikatorfenster wird der Commodity Channel Index (CCI) angezeigt. Verschiebungen unter -100 zeigen Überverkaufsablesungen. Wenn der größere Trend erreicht ist, können überverkauft Messwerte verwendet werden, um Pullbacks zu identifizieren, um das Risiko-Risiko-Profil für einen Handel zu verbessern. Momentum wird bullish wieder, wenn CCI zurück in positives Gebiet (grüne gepunktete Linien) bewegt. Die inverse Logik kann für einen Abwärtstrend angewendet werden. Eine starke Bewegung unterhalb der unteren Hüllkurve signalisiert eine außerordentliche Schwäche, die einen ausgeprägten Abwärtstrend voraussagen kann. Die nachstehende Grafik zeigt die internationale Spiel-Technologie (IGT), die unterhalb des 10 Umschlags bricht, um einen Abwärtstrend Ende Oktober 2009 zu begründen. Weil die Aktie nach diesem starken Rückgang ziemlich überverkauft war, wäre es klug gewesen, auf einen Bounce zu warten. Wir können dann Grundpreisanalyse oder einen anderen Impulsindikator verwenden, um Bounces zu identifizieren. Das Indikatorfenster zeigt den stochastischen Oszillator, der verwendet wird, um überkaufte Bounces zu identifizieren. Eine Bewegung über 80 gilt als überkauft. Einmal über 80 können die Chartisten dann nach einem Chart-Signal oder einem Rücklauf unter 80 suchen, um einen Abschwung zu signalisieren (rote gestrichelte Linien). Das erste Signal wurde mit einer Unterbrechung bestätigt. Das zweite Signal führte zu einem Whipsaw (Verlust), weil die Aktie bewegt über 20 ein paar Wochen später. Das dritte Signal wurde mit einem Trendlinienbruch bestätigt, der zu einem starken Rückgang führte. Ähnlich dem Preis-Oszillator Bevor Sie auf überkaufte und überverkaufte Ebenen zu bewegen, ist es sinnvoll, darauf hinzuweisen, dass Moving Average Umschläge sind ähnlich wie die Prozent-Preis-Oszillator (PPO). Moving Average Umschläge sagen uns, wenn ein Wertpapier einen bestimmten Prozentsatz über einem bestimmten gleitenden Durchschnitt handelt. PPO zeigt die prozentuale Differenz zwischen einem kurzen exponentiellen gleitenden Durchschnitt und einem längeren exponentiellen gleitenden Durchschnitt. PPO (1,20) zeigt die prozentuale Differenz zwischen einer 1-Perioden-EMA und einer 20-Perioden-EMA. Eine 1-Tage-EMA ist gleich der Nähe. 20-Periode Exponential Moving Average Umschläge entsprechen den gleichen Informationen. Die Grafik oben zeigt die Russell 2000 ETF (IWM) mit PPO (1,20) und 2,5 Exponential Moving Average Umschläge. Horizontale Linien wurden auf 2,5 und -2,5 auf dem PPO gesetzt. Beachten Sie, dass sich die Preise über der 2,5-Hüllkurve bewegen, wenn sich PPO über 2,5 (gelbe Schattierung) bewegt und die Preise unterhalb der 2,5-Hüllkurve liegen, wenn sich PPO unter -2,5 bewegt (orange Schattierung). PPO ist ein Impuls-Oszillator, der verwendet werden kann, um überkaufte und überverkaufte Ebenen zu identifizieren. Durch die Erweiterung können auch "Moving Average Envelopes" verwendet werden, um überkaufte und überverkaufte Level zu identifizieren. PPO verwendet exponentielle gleitende Durchschnitte, so dass es mit Moving Average Umschläge mit EMAs, nicht SMAs verglichen werden muss. Überkauft Oversold Measuring überkauft und überverkauft Bedingungen ist schwierig. Wertpapiere können überkauft werden und in einem starken Aufwärtstrend überkauft bleiben. Ebenso können Wertpapiere überverkauft werden und in einem starken Abwärtstrend überverkauft bleiben. In einem starken Aufwärtstrend bewegen sich die Preise oft über die obere Hüllkurve und über diese Linie weiter. Tatsächlich wird die obere Hülle steigen, wenn der Preis über die obere Hüllkurve hinausgeht. Dies scheint technisch überkauft, aber es ist ein Zeichen der Stärke, überkauft zu bleiben. Das umgekehrte gilt für überverkauft. Überkauft und überverkauft Lesungen sind am besten verwendet, wenn der Trend abflacht. Die Karte für Nokia hat alles. Die rosa Linien repräsentieren die Moving Average Umschläge (50,10). Ein 50-Tage einfacher gleitender Durchschnitt ist in der Mitte (rot). Die Umschläge sind über und unter diesem gleitenden Durchschnitt. Die Tabelle beginnt mit einem überkauften Niveau, das überkauft blieb, da ein starker Trend im April-Mai auftauchte. Price action turned choppy from June to April, which is the perfect scenario for overbought and oversold levels. Overbought levels in September and mid March foreshadowed reversals. Similarly, oversold levels in August and late October foreshadowed advances. The chart ends with an oversold condition that remains oversold as a strong downtrend emerges. Overbought and oversold conditions should serve as alerts for further analysis. Overbought levels should be confirmed with chart resistance. Chartists can also look for bearish patterns to reinforce reversal potential at overbought levels. Similarly, oversold levels should be confirmed with chart support. Chartist can also look for bullish patterns to reinforce reversal potential at oversold levels. Conclusions Moving Average Envelopes are mostly used as a trend following indicator, but can also be used to identify overbought and oversold conditions. After a consolidation period, a strong envelope break can signal the start of an extended trend. Once an uptrend is identified, chartists can turn to momentum indicators and other techniques to identify oversold readers and pullbacks within that trend. Overbought conditions and bounces can be used as selling opportunities within a bigger downtrend. In the absence of strong trend, the Moving Average Envelopes can be used like the Percent Price Oscillator. Moves above the upper envelope signal overbought readings, while moves below the lower envelope signal oversold readings. It is also important to incorporate other aspects of technical analysis to confirm overbought and oversold reading. Resistance and bearish reversals patterns can be used to corroborate overbought readings. Support and bullish reversal patterns can be used to affirm oversold conditions. SharpCharts Moving Average Envelopes can be found in SharpCharts as a price overlay. As with a moving average, the envelopes should be shown on top of a price plot. Upon selecting the indicator from the drop down box, the default setting will appear in the parameters window (20,2.5). MA Envelopes are based on a simple moving average. EMA Envelopes are based on an exponential moving average. The first number (20) sets the periods for the moving average. The second number (2.5) sets the percentage offset. Benutzer können die Parameter entsprechend ihrer Charting-Anforderungen ändern. The corresponding moving average can be added as separate overlay. Klicken Sie hier für ein Live-Beispiel. Oversold after Break above Upper Envelope: This scan looks for stocks that broke above their upper exponential Moving Average Envelope (50,10) twenty days ago to affirm or establish an uptrend. The current 10-period CCI is below -100 to indicate a short-term oversold condition. Overbought after Break below Lower Envelope: This scan looks for stocks that broke below their lower exponential Moving Average Envelope (50,10) twenty days ago to affirm or establish a downtrend. The current 10-period CCI is above 100 to indicate a short-term overbought condition. Further Study Trend Trading for a Living Thomas Carr