Exponentiell utjämning Detta exempel beskriver hur man applicerar exponentiell utjämning till en tidsserie i Excel. Exponentiell utjämning 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! Det går inte att hitta knappen Data Analysis Klicka här för att ladda verktyget Analysis ToolPak. 3. Välj Exponentiell utjämning och klicka på OK. 4. Klicka i rutan Inmatningsområde och välj intervallet B2: M2. 5. Klicka i rutan Dämpningsfaktor och skriv 0,9. Litteratur talar ofta om utjämningskonstanten (alfa). Värdet (1) kallas dämpningsfaktorn. 6. Klicka i rutan Utmatningsområde och välj cell B3. 8. Skriv en graf över dessa värden. Förklaring: Eftersom vi sätter alfa till 0,1, ges den tidigare datapunkten en relativt liten vikt medan det tidigare utjämnade värdet ges en stor vikt (dvs 0,9). Som ett resultat utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna det släta värdet för den första datapunkten eftersom det inte finns någon tidigare datapunkt. Det jämnvärda värdet för den andra datapunkten motsvarar den föregående datapunkten. 9. Upprepa steg 2 till 8 för alfa 0,3 och alfa 0,8. Slutsats: Den mindre alfa (större dämpningsfaktorn), ju mer topparna och dalarna utjämnas. Den större alfa (mindre dämpningsfaktorn), ju närmare de släta värdena är till de faktiska datapunkterna. Dubbelt exponentiellt rörligt genomsnitt Förklarat Traders har åberopat glidande medelvärden som hjälper till att fastställa hög sannolikhet för handelens inträdespunkter och lönsamma utgångar i många år. Ett välkänt problem med glidande medelvärden är dock den allvarliga fördröjningen som finns i de flesta typer av glidande medelvärden. Det dubbla exponentiella glidande genomsnittet (DEMA) ger en lösning genom att beräkna en snabbare medelvärdesmetodik. Historia för dubbel exponentiell rörlig genomsnittsnivå I teknisk analys. termen glidande medel avser ett genomsnitt av priset för ett visst handelsinstrument under en viss tidsperiod. Ett 10-dagars glidande medel beräknar till exempel genomsnittskursen för ett visst instrument de senaste 10 tio dagarna, ett 200-dagars glidande medelvärde beräknar genomsnittspriset för de senaste 200 dagarna. Varje dag går utkikningsperioden till basberäkningar under det sista X-antalet dagar. Ett rörligt medelvärde framträder som en jämn kurvlinje som ger en visuell representation av den långsiktiga trenden i ett instrument. Snabbare rörliga medelvärden, med kortare utkikningsperioder, är snabbare långsammare glidande medelvärden, med längre avkänningsperioder, är mjukare. Eftersom ett glidande medelvärde är en bakåtblickande indikator, suger den. Dubbel exponentiell glidande medelvärde (DEMA), som visas i Figur 1, utvecklades av Patrick Mulloy i ett försök att minska mängden fördröjningstid som finns i traditionella glidande medelvärden. Det introducerades först i februari 1994, Technical Analysis of Stocks Amp Commodities-tidningen i Mulloys artikel Utjämning av data med snabbare rörliga genomsnittsvärden. (För en primer på teknisk analys, ta en titt på vår Tekniska Analys Handledning.) Figur 1: Detta ett minuters diagram av e-mini Russell 2000 terminsavtal visar två olika dubbla exponentiella glidande medelvärden en 55-period visas i blått, en 21-årig i rosa färg. Beräkning av en DEMA Som Mulloy förklarar i sin ursprungliga artikel är DEMA inte bara en dubbel EMA med två gånger fördröjningstiden för en enda EMA men är en kompositimplementering av enkla och dubbla EMA-enheter som producerar en annan EMA med mindre lag än något av originalet två. Med andra ord är DEMA inte bara två EMA-enheter kombinerade, eller ett rörligt medelvärde för ett glidande medelvärde, men är en beräkning av både enkla och dubbla EMA. Nästan alla handelsanalysplattformar har DEMA som en indikator som kan läggas till diagram. Därför kan handlare använda DEMA utan att veta matematiken bakom beräkningarna och utan att behöva skriva eller mata in någon kod. Att jämföra DEMA med traditionella rörliga medelvärden Flytta genomsnitt är en av de mest populära metoderna för teknisk analys. Många handlare använder dem för att upptäcka trendbackbacks. speciellt i ett glidande medelvärde, där två rörliga medelvärden av olika längder placeras på ett diagram. Poäng där de glidande medelvärdena överstiger kan innebära köp - eller försäljningsmöjligheter. DEMA kan hjälpa näringsidkare att komma tillbaka omedelbart eftersom det är snabbare att svara på förändringar i marknadsaktiviteten. Figur 2 visar ett exempel på e-mini Russell 2000 terminsavtal. Denna ett minutdiagram har fyra rörliga medelvärder: 21-period DEMA (rosa) 55-period DEMA (mörkblå) 21-period MA (ljusblå) 55-period MA (ljusgrön) Figur 2: Detta en minuts diagram över e-mini Russell 2000 futures kontrakt illustrerar DEMAs snabbare svarstid när de används i en crossover. Lägg märke till hur DEMA crossover i båda fallen visas betydligt tidigare än MA crossovers. Den första DEMA-korsningen visas kl 12:29 och nästa stapel öppnas till ett pris av 663.20. MA crossover å andra sidan bildar klockan 12:34 och nästa bar öppningspriset är 660,50. I nästa uppsättning övergångar visas DEMA-korsningen på 1:33 och nästa stapel öppnas vid 658. MA, däremot, bildar klockan 1:43, och nästa bar öppnas på 662.90. I varje fall ger DEMA crossover en fördel att komma in i trenden tidigare än MA crossover. (För mer insikt, läs Moving Averages Tutorial.) Handel med en DEMA Ovanstående rörliga genomsnittliga crossover-exempel illustrerar effektiviteten av att använda det snabbare dubbla exponentiella glidande medlet. Förutom att använda DEMA som en fristående indikator eller i en crossover-inställning, kan DEMA användas i en rad olika indikatorer där logiken baseras på ett glidande medelvärde. Tekniska analysverktyg som Bollinger Bands. Flyttande genomsnittlig konvergeradivergens (MACD) och triple exponentiell glidande medelvärde (TRIX) baseras på glidande medeltyper och kan modifieras för att införliva en DEMA i stället för andra mer traditionella typer av glidande medelvärden. Att ersätta DEMA kan hjälpa handlare att upptäcka olika köp - och försäljningsmöjligheter som ligger framför de som tillhandahålls av de MA eller EMA som traditionellt används i dessa indikatorer. Självklart leder det sig oftare till en trend snarare än senare, vilket leder till högre vinster. Figur 2 illustrerar denna princip - om vi skulle använda övergångarna som köp och sälja signaler. vi skulle gå in i branschen betydligt tidigare när vi använde DEMA crossover i motsats till MA crossover. Bottom Line Traders och investerare har länge använt glidande medelvärden i sin marknadsanalys. Flytta medelvärden är ett allmänt använt tekniskt analysverktyg som ger möjlighet att snabbt betrakta och tolka den långsiktiga trenden i ett visst handelsinstrument. Eftersom glidande medelvärden av sin natur är slående indikatorer. Det är till hjälp att tweak det rörliga genomsnittet för att beräkna en snabbare och mer responsiv indikator. Det dubbla exponentiella glidande genomsnittet ger handlare och investerare en bild av den långsiktiga trenden, med den fördelen att det är ett snabbare rörligt medelvärde med mindre fördröjningstid. (För relaterad läsning, ta en titt på Moving Average MACD Combo och Simple vs Exponential Moving Average.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. DebtEquity Ratio är skuldkvoten som används för att mäta en företags039s ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. Hur man beräknar vägtrafikmedel i Excel med hjälp av exponentiell utjämning Excel-dataanalys för dummies, 2: a utgåvan Exponentiell utjämning i Excel beräknar rörelsen genomsnitt. Exponentiell utjämning väger emellertid värdena som ingår i de glidande medelberäkningarna så att de senaste värdena har större effekt på medelberäkningen och gamla värden har en mindre effekt. Denna viktning åstadkommes genom en utjämningskonstant. För att illustrera hur verktyget för exponentiell utjämning fungerar, antar att du8217re ser igen på den genomsnittliga dagtemperaturinformationen. För att beräkna vägda glidmedel med hjälp av exponentiell utjämning, gör följande steg: För att beräkna ett exponentiellt jämnt glidande medelvärde, klicka först på kommandoknappen Data tab8217s dataanalys. När Excel visar dialogrutan Dataanalys väljer du alternativet Exponentiell utjämning från listan och klickar sedan på OK. Excel visar dialogrutan Exponentiell utjämning. Identifiera data. För att identifiera de data som du vill beräkna ett exponentiellt jämn glidande medelvärde för, klickar du i textrutan Inmatningsområde. Identifiera sedan ingångsintervallet, antingen genom att skriva in en arbetsbladets intervalladress eller genom att välja arbetsbladets intervall. Om ditt inmatningsområde innehåller en textetikett för att identifiera eller beskriva dina data markerar du kryssrutan Etiketter. Ge utjämningskonstanten. Ange utjämningskonstantvärdet i textrutan Dämpningsfaktor. Excel-hjälpfilen föreslår att du använder en utjämningskonstant på mellan 0,2 och 0,3. Förmodligen, om du använder det här verktyget, har du egna idéer om vad den korrekta utjämningskonstanten är. (Om you8217re clueless om utjämningskonstanten, kanske du shouldn8217t använda det här verktyget.) Berätta Excel var du placerar de exponentiellt jämnaste glidande genomsnittliga data. Använd textrutan Utmatningsområde för att identifiera det arbetsarksintervall som du vill placera den rörliga genomsnittsdata för. I exemplet på arbetsbladet placerar du exempelvis den glidande genomsnittliga data i arbetsarkets intervall B2: B10. (Valfritt) Diagram Exponentially smoothed data. För att kartlägga exponentiellt jämna data, markera kryssrutan Diagramutmatning. (Valfritt) Anger att du vill beräkna standard felinformation. För att beräkna standardfel markerar du kryssrutan Standardfel. Excel placerar standardfelvärden bredvid de exponentiellt jämnaste glidande medelvärdena. När du är klar med att ange vilken glidande medelinformation du vill ha beräknad och var du vill placera den, klicka på OK. Excel beräknar glidande medelinformation. Möjning och filtrering är två av de vanligaste tidsserieteknikerna för att ta bort ljud från underliggande data för att hjälpa till att avslöja viktiga funktioner och komponenter (t ex trend, säsonglighet, etc.). Vi kan emellertid också använda utjämning för att fylla i saknade värden och eller göra en prognos. I denna fråga kommer vi att diskutera fem (5) olika utjämningsmetoder: viktat glidande medelvärde (WMA i), enkel exponentiell utjämning, dubbel exponentiell utjämning, linjär exponentiell utjämning och trippel exponentiell utjämning. Varför bör vi bry sig? Utjämning används ofta (och missbrukas) i branschen för att göra en snabb visuell undersökning av dataegenskaperna (t ex trend, säsongsmässighet etc.), passa in i saknade värden och genomföra en snabb out-of-sample prognos. Varför har vi så många utjämningsfunktioner Som vi ser i det här dokumentet fungerar varje funktion för ett annat antagande om underliggande data. Exempelvis förutsätter enkel exponentiell utjämning att data har ett stabilt medelvärde (eller åtminstone ett långsamt rörligt medelvärde), så enkel exponentiell utjämning kommer dåligt att förutse data som uppvisar säsongsmässighet eller en trend. I det här dokumentet kommer vi att gå över varje utjämningsfunktion, belysa dess antaganden och parametrar och visa dess tillämpning genom exempel. Vägat rörligt medelvärde (WMA) Ett rörligt medelvärde används vanligen med tidsseriedata för att utjämna kortvariga fluktuationer och markera långsiktiga trender eller cykler. Ett viktat glidande medel har multiplikationsfaktorer för att ge olika vikter till data vid olika positioner i provfönstret. Det vägda glidande medlet har ett fast fönster (d. v.s. N) och faktorerna väljs typiskt för att ge större vikt till de senaste observationerna. Fönsterstorleken (N) bestämmer antalet poäng i genomsnitt varje gång så en större fönsterstorlek är mindre mottaglig för nya ändringar i de ursprungliga tidsserierna och ett litet fönsterstorlek kan orsaka att den släta utsignalen blir bullriga. För av prognosprognoser: Exempel 1: Låt oss överväga månadsförsäljning för Company X, med hjälp av ett 4 månaders (lika viktat) glidande medelvärde. Observera att det rörliga genomsnittet alltid ligger bakom data och prognosen utanför proverna överensstämmer med ett konstant värde. Låt oss försöka använda ett viktningsschema (se nedan) som lägger större vikt vid den senaste observationen. Vi plottade det lika viktiga glidande medlet och WMA på samma graf. WMA verkar mer mottagligt för de senaste ändringarna och prognosprognosen för konvergeringen överensstämmer med samma värde som det rörliga genomsnittet. Exempel 2: Låt oss undersöka WMA i närvaro av trend och säsong. För det här exemplet, använd de internationella passagerarfartygens data. Det glidande medelfönstret är 12 månader. MA och WMA håller trenden med trenden, men prognosen för prognoser flattar. Dessutom, trots att WMA uppvisar viss säsonglighet, ligger det alltid bakom de ursprungliga uppgifterna. (Browns) Enkel exponentiell utjämning Enkel exponentiell utjämning liknar WMA med det undantaget att fönsterstorleken om oändlig och viktningsfaktorerna minskar exponentiellt. Som vi har sett i WMA är den enkla exponentialen lämpad för tidsserier med stabilt medelvärde, eller åtminstone ett mycket långsamt rörligt medelvärde. Exempel 1: Låt oss använda månadsförsäljningsdata (som vi gjorde i WMA-exemplet). I exemplet ovan valde vi utjämningsfaktorn att vara 0,8, vilken frågar frågan: Vad är det bästa värdet för utjämningsfaktorn Beräkna det bästa värdet från data Använda TSSUB-funktionen (för att beräkna felet), SUMSQ och Excel datatabeller, beräknade vi summan av kvadrerade fel (SSE) och ritade resultaten: SSE når sitt lägsta värde runt 0,8, så vi valde detta värde för utjämning. (Holt-Winters) Dubbel exponentiell utjämning Enkel exponentiell utjämning går inte bra i närvaro av en trend, så flera metoder utarbetas under dubbelt exponentiellt paraply föreslås hantera denna typ av data. NumXL stöder Holt-Winters dubbel exponentiell utjämning, som tar följande formulering: Exempel 1: Låt oss undersöka de internationella passagerarnas flygdata Vi valde ett alfa-värde på 0,9 och ett beta av 0,1. Observera att även om dubbla utjämningar spårar de ursprungliga uppgifterna väl är prognosen utanför provet sämre än det enkla glidande medlet. Hur hittar vi de bästa utjämningsfaktorerna Vi tar en liknande inställning till vårt enkla exponentiella utjämningsexempel, men modifieras för två variabler. Vi beräknar summan av de kvadratiska felen konstruera en tvåvariabel datatabell och välja de alfa - och betavärden som minimerar den totala SSE. (Browns) Linjär exponentiell utjämning Detta är en annan metod för dubbla exponentiella utjämningsfunktioner, men den har en utjämningsfaktor: Browns dubbel exponentiell utjämning tar en parameter mindre än Holt-Winters-funktionen, men det kan inte erbjuda så bra passform som den funktionen. Exempel 1: Låt oss använda samma exempel i Holt-Winters dubbla exponentiella och jämföra den optimala summan av kvadreringsfelet. Browns dubbla exponentiella passar inte provdata såväl som Holt-Winters-metoden, men det externa provet (i det här fallet) är bättre. Hur hittar vi den bästa utjämningsfaktorn () Vi använder samma metod för att välja alfa-värdet som minimerar summan av kvadratfelet. För exempeldatauppgifterna är alfabetet att vara 0,8. (Winters) Trippel exponentiell utjämning Den tredubbla exponentiella utjämningen tar hänsyn till säsongsförändringar såväl som trender. Denna metod kräver 4 parametrar: Formuleringen för trippel exponentiell utjämning är mer involverad än någon av de tidigare. Var god och kolla vår online referenshandbok för den exakta formuleringen. Med hjälp av de internationella passagerarnas flygdata kan vi tillämpa vintrar tredubbla exponentiella utjämningar, hitta optimala parametrar och utföra en prognos för prognoser. Självklart är Winters tredubbla exponentiella utjämning bäst tillämpad för detta dataprov, eftersom det spårar värdena bra och det externa prognosprognosen uppvisar säsongsmässighet (L12). Hur hittar vi den bästa utjämningsfaktorn () Återigen måste vi välja de värden som minimerar den totala summan av kvadrerade fel (SSE), men datatabellerna kan användas för mer än två variabler, så vi tillgriper Excel lösare: (1) Konfigurera minimeringsproblemet, med SSE som verktyget funktion (2) Begränsningarna för detta problem Slutsats stöd filer
No comments:
Post a Comment