Peramalan dengan Teknik Smoothing Situs ini adalah bagian dari objek pembelajaran JavaScript E-lab untuk pengambilan keputusan. JavaScript lain dalam seri ini dikategorikan dalam berbagai bidang aplikasi di bagian MENU di halaman ini. Seri waktu adalah urutan pengamatan yang dipesan tepat waktu. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan efek karena variasi acak. Teknik yang banyak digunakan adalah smoothing. Teknik-teknik ini, bila diterapkan dengan benar, menunjukkan lebih jelas tren dasarnya. Masukkan deret waktu Row-wise secara berurutan, mulai dari sudut kiri atas, dan parameternya, lalu klik tombol Hitung untuk mendapatkan peramalan satu periode di depan. Kotak kosong tidak termasuk dalam perhitungan tapi angka nol. Dalam memasukkan data Anda untuk berpindah dari sel ke sel di matriks data gunakan tombol Tab bukan panah atau masukkan kunci. Fitur deret waktu, yang mungkin terungkap dengan memeriksa grafiknya. Dengan nilai perkiraan, dan perilaku residual, pemodelan peramalan kondisi. Moving Averages: Moving averages rank antara teknik yang paling populer untuk preprocessing time series. Mereka digunakan untuk menyaring suara putih acak dari data, membuat rangkaian waktu lebih halus atau bahkan untuk menekankan komponen informasi tertentu yang terdapat dalam deret waktu. Exponential Smoothing: Ini adalah skema yang sangat populer untuk menghasilkan Time Series yang merapikan. Sedangkan dalam Moving Averages, pengamatan terakhir tertimbang secara merata, Exponential Smoothing memberikan bobot yang menurun secara eksponensial saat pengamatan bertambah tua. Dengan kata lain, observasi terakhir diberi bobot yang relatif lebih banyak dalam peramalan daripada pengamatan yang lebih tua. Double Exponential Smoothing lebih baik dalam menangani tren. Triple Exponential Smoothing lebih baik dalam menangani tren parabola. Rata-rata pergerakan tertimbang secara eksponensial dengan konstanta pemulusan a. Sesuai kira-kira dengan panjang rata-rata bergerak sederhana (yaitu periode) n, di mana a dan n dihubungkan oleh: a 2 (n1) ATAU n (2 - a) a. Jadi, misalnya, rata-rata bergerak tertimbang secara eksponensial dengan konstanta pemulusan sama dengan 0,1 akan sesuai kira-kira dengan rata-rata pergerakan 19 hari. Dan rata-rata pergerakan sederhana 40 hari akan sesuai kira-kira dengan rata-rata pergerakan tertimbang eksponensial dengan konstanta pemulusan sama dengan 0,04878. Holts Linear Exponential Smoothing: Misalkan deret waktunya tidak musiman namun memang menunjukkan tren. Metode Holts memperkirakan tingkat arus dan tren saat ini. Perhatikan bahwa rata-rata pergerakan sederhana adalah kasus khusus dari perataan eksponensial dengan menetapkan periode rata-rata bergerak ke bagian integer (Alpha 2). Untuk kebanyakan data bisnis, parameter Alpha yang lebih kecil dari 0,40 sering kali efektif. Namun, seseorang dapat melakukan pencarian grid dari ruang parameter, dengan 0,1 sampai 0,9, dengan penambahan 0,1. Kemudian alpha terbaik memiliki Mean Absolute Error terkecil (MA Error). Bagaimana membandingkan beberapa metode pemulusan: Meskipun ada indikator numerik untuk menilai keakuratan teknik peramalan, pendekatan yang paling banyak adalah menggunakan perbandingan visual beberapa perkiraan untuk menilai keakuratannya dan memilih di antara berbagai metode peramalan. Dalam pendekatan ini, seseorang harus merencanakan (menggunakan, misalnya Excel) pada grafik yang sama dengan nilai asli dari variabel deret waktu dan nilai prediksi dari beberapa metode peramalan yang berbeda, sehingga memudahkan perbandingan visual. Anda mungkin ingin menggunakan Prakiraan Masa Lalu oleh Teknik Smoothing JavaScript untuk mendapatkan perkiraan perkiraan masa lalu berdasarkan teknik pemulusan yang hanya menggunakan satu parameter tunggal. Metode Holt, dan Winters masing-masing menggunakan dua dan tiga parameter, oleh karena itu bukanlah tugas yang mudah untuk memilih nilai optimal, atau mendekati nilai optimal dengan trial and error untuk parameter. Pemulusan eksponensial tunggal menekankan perspektif jarak pendek yang menetapkan tingkat pada pengamatan terakhir dan didasarkan pada kondisi bahwa tidak ada kecenderungan. Regresi linier, yang sesuai dengan garis kuadrat terkecil terhadap data historis (atau data historis yang ditransformasikan), mewakili rentang panjang, yang dikondisikan pada tren dasarnya. Holts linear exponential smoothing menangkap informasi tentang tren terkini. Parameter dalam model Holts adalah level-parameter yang harus diturunkan bila jumlah variasi data besar, dan parameter tren harus ditingkatkan jika arah tren terkini didukung oleh faktor penyebab. Peramalan Jangka Pendek: Perhatikan bahwa setiap JavaScript di halaman ini memberikan perkiraan satu langkah di depan. Untuk mendapatkan ramalan dua langkah di depan. Cukup tambahkan nilai perkiraan ke akhir data deret waktu Anda lalu klik tombol Hitung yang sama. Anda dapat mengulangi proses ini beberapa kali untuk mendapatkan perkiraan jangka pendek yang dibutuhkan. Data pemindahan menghapus variasi acak dan menunjukkan tren dan komponen siklik. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan efek karena variasi acak. Teknik yang sering digunakan dalam industri adalah merapikan. Teknik ini, jika diterapkan dengan benar, mengungkapkan secara lebih jelas tren yang mendasari, komponen musiman dan siklik. Ada dua kelompok metode pemulusan yang berbeda Metode Rata-rata Metode Pemulusan Eksponensial Mengambil rata-rata adalah cara termudah untuk memperlancar data. Kami akan menyelidiki beberapa metode rata-rata, seperti rata-rata sederhana dari semua data sebelumnya. Seorang manajer sebuah gudang ingin mengetahui berapa banyak pemasok tipikal menghasilkan 1000 unit dolar. Heshe mengambil sampel dari 12 pemasok, secara acak, mendapatkan hasil sebagai berikut: Rata-rata atau rata-rata data yang dihitung 10. Manajer memutuskan untuk menggunakan ini sebagai perkiraan pengeluaran pemasok biasa. Apakah ini perkiraan yang baik atau buruk Mean squared error adalah cara untuk menilai seberapa bagus sebuah model. Kita akan menghitung kesalahan kuadrat rata-rata. Jumlah kesalahan sebenarnya dikeluarkan dikurangi taksiran jumlah. Kesalahan kuadrat adalah kesalahan di atas, kuadrat. SSE adalah jumlah kesalahan kuadrat. MSE adalah rata-rata kesalahan kuadrat. Hasil MSE misalnya Hasilnya adalah: Error dan Squared Errors Estimasi 10 Timbul pertanyaan: Bisakah kita menggunakan mean untuk meramalkan pendapatan jika kita menduga sebuah tren A melihat grafik di bawah ini menunjukkan dengan jelas bahwa kita seharusnya tidak melakukan ini. Rata-rata mempertimbangkan semua pengamatan di masa lalu secara merata. Singkatnya, kita nyatakan bahwa Rata-rata atau rata-rata sederhana dari semua pengamatan terakhir hanyalah perkiraan berguna untuk memperkirakan kapan tidak ada tren. Jika ada tren, gunakan perkiraan berbeda yang memperhitungkan tren. Rata-rata beratnya semua pengamatan di masa lalu sama. Sebagai contoh, rata-rata nilai 3, 4, 5 adalah 4. Kita tahu, tentu saja, bahwa rata-rata dihitung dengan menambahkan semua nilai dan membagi jumlah dengan jumlah nilai. Cara lain untuk menghitung rata-rata adalah dengan menambahkan setiap nilai dibagi dengan jumlah nilai, atau 33 43 53 1 1.3333 1.6667 4. Pengganda 13 disebut berat. Secara umum: bar frac sum kiri (frac kanan) x1 kiri (frac kanan) x2,. ,, Kiri (frac kanan) xn. The (left (frac right)) adalah bobot dan, tentu saja, jumlahnya ke 1.Moving Averages: What Are They Di antara indikator teknis yang paling populer, moving averages digunakan untuk mengukur arah dari trend saat ini. Setiap jenis moving average (biasanya ditulis dalam tutorial ini sebagai MA) adalah hasil matematis yang dihitung dengan rata-rata sejumlah titik data sebelumnya. Setelah ditentukan, rata-rata yang dihasilkan kemudian diplot ke bagan untuk memungkinkan pedagang melihat data yang merapikan daripada memusatkan perhatian pada fluktuasi harga sehari-hari yang melekat di semua pasar keuangan. Bentuk paling sederhana dari rata-rata bergerak, yang secara tepat dikenal sebagai moving average sederhana (SMA), dihitung dengan mengambil mean aritmetika dari serangkaian nilai yang diberikan. Misalnya, untuk menghitung rata-rata pergerakan 10 hari dasar, Anda akan menambahkan harga penutupan dari 10 hari terakhir dan kemudian membagi hasil dengan 10. Pada Gambar 1, jumlah harga selama 10 hari terakhir (110) adalah Dibagi dengan jumlah hari (10) sampai pada rata-rata 10 hari. Jika seorang pedagang ingin melihat rata-rata 50 hari, jenis perhitungan yang sama akan dilakukan, tapi itu akan mencakup harga selama 50 hari terakhir. Rata-rata yang dihasilkan di bawah (11) memperhitungkan 10 poin data terakhir untuk memberi gambaran kepada pedagang tentang bagaimana harga aset dibandingkan dengan 10 hari terakhir. Mungkin Anda bertanya-tanya mengapa pedagang teknis menyebut alat ini sebagai moving average dan bukan hanya mean biasa. Jawabannya adalah bahwa saat nilai baru tersedia, titik data tertua harus dikeluarkan dari himpunan dan titik data baru harus masuk untuk menggantikannya. Dengan demikian, kumpulan data terus bergerak untuk memperhitungkan data baru saat tersedia. Metode perhitungan ini memastikan bahwa hanya informasi terkini yang dipertanggungjawabkan. Pada Gambar 2, setelah nilai 5 yang baru ditambahkan ke himpunan, kotak merah (mewakili 10 titik data terakhir) bergerak ke kanan dan nilai terakhir 15 dijatuhkan dari perhitungan. Karena nilai yang relatif kecil dari 5 menggantikan nilai tinggi 15, Anda akan berharap untuk melihat rata-rata penurunan data, yang terjadi, dalam hal ini dari 11 sampai 10. Rata-rata Moving Averages Like Once MA telah dihitung, mereka diplot ke grafik dan kemudian terhubung untuk menciptakan garis rata-rata bergerak. Garis melengkung ini biasa ditemukan pada grafik pedagang teknis, tapi bagaimana penggunaannya dapat bervariasi secara drastis (lebih lanjut tentang ini nanti). Seperti yang dapat Anda lihat pada Gambar 3, adalah mungkin untuk menambahkan lebih dari satu moving average ke setiap grafik dengan menyesuaikan jumlah periode waktu yang digunakan dalam perhitungan. Garis melengkung ini mungkin tampak mengganggu atau membingungkan pada awalnya, tapi Anda akan terbiasa dengan mereka seiring berjalannya waktu. Garis merah hanya harga rata-rata selama 50 hari terakhir, sedangkan garis biru adalah harga rata-rata selama 100 hari terakhir. Sekarang setelah Anda memahami apa itu rata-rata bergerak dan seperti apa rasanya, perkenalkan jenis rata-rata bergerak yang berbeda dan periksa bagaimana perbedaannya dengan rata-rata bergerak sederhana yang disebutkan sebelumnya. Rata-rata pergerakan sederhana sangat populer di kalangan pedagang, namun seperti semua indikator teknis, memang ada kritiknya. Banyak orang berpendapat bahwa kegunaan SMA ini terbatas karena setiap titik dalam rangkaian data tertimbang sama, terlepas dari mana hal itu terjadi dalam urutan. Kritikus berpendapat bahwa data terbaru lebih signifikan daripada data yang lebih tua dan harus memiliki pengaruh lebih besar pada hasil akhir. Sebagai tanggapan atas kritik ini, para pedagang mulai memberi bobot lebih pada data terakhir, yang sejak saat ini menyebabkan penemuan berbagai tipe rata-rata baru, yang paling populer adalah Exponential Moving Average (EMA). (Untuk bacaan lebih lanjut, lihat Dasar-Dasar Rata-rata Bergerak Rata-rata dan Perbedaan antara SMA dan EMA) Rata-rata Moving Exponential Rata-rata pergerakan eksponensial adalah jenis rata-rata bergerak yang memberi bobot lebih pada harga terakhir dalam upaya untuk membuatnya lebih responsif. Untuk informasi baru Mempelajari persamaan yang agak rumit untuk menghitung EMA mungkin tidak perlu bagi banyak pedagang, karena hampir semua paket charting melakukan perhitungan untuk Anda. Namun, bagi Anda ahli matematika matematika di luar sana, inilah persamaan EMA: Bila menggunakan rumus untuk menghitung titik pertama EMA, Anda mungkin memperhatikan bahwa tidak ada nilai yang tersedia untuk digunakan sebagai EMA sebelumnya. Masalah kecil ini bisa diatasi dengan memulai perhitungan dengan simple moving average dan melanjutkan dengan rumus di atas dari sana. Kami telah menyediakan contoh spreadsheet yang mencakup contoh kehidupan nyata tentang bagaimana menghitung rata-rata bergerak sederhana dan rata-rata pergerakan eksponensial. Perbedaan Antara EMA dan SMA Sekarang setelah Anda memiliki pemahaman yang lebih baik tentang bagaimana SMA dan EMA dihitung, mari kita lihat bagaimana rata-rata ini berbeda. Dengan melihat perhitungan EMA, Anda akan melihat bahwa penekanan lebih banyak ditempatkan pada titik data terkini, menjadikannya sebagai jenis rata-rata tertimbang. Pada Gambar 5, jumlah periode waktu yang digunakan pada masing-masing rata-rata identik (15), namun EMA merespons lebih cepat terhadap harga yang berubah. Perhatikan bagaimana EMA memiliki nilai lebih tinggi saat harga naik, dan jatuh lebih cepat dari pada SMA ketika harganya sedang menurun. Responsivitas inilah yang menjadi alasan utama mengapa banyak trader lebih memilih untuk menggunakan EMA di atas SMA. Apa arti Hari yang Berbeda Berarti Moving averages adalah indikator yang benar-benar dapat disesuaikan, yang berarti bahwa pengguna dapat dengan bebas memilih kerangka waktu yang mereka inginkan saat membuat rata-rata. Periode waktu paling umum yang digunakan dalam moving averages adalah 15, 20, 30, 50, 100 dan 200 hari. Semakin pendek rentang waktu yang digunakan untuk menciptakan rata-rata, semakin sensitif akan perubahan harga. Semakin lama rentang waktu, kurang sensitif, atau lebih merapikan, rata-rata akan. Tidak ada kerangka waktu yang tepat untuk digunakan saat mengatur rata-rata bergerak Anda. Cara terbaik untuk mengetahui mana yang paling sesuai untuk Anda adalah bereksperimen dengan sejumlah periode waktu yang berbeda sampai Anda menemukan strategi yang sesuai dengan strategi Anda. Moving Averages: Bagaimana Menggunakannya?
No comments:
Post a Comment