सरल चलती - औसत - दृष्टिकोण

सरल मूविंग एवरेज - एसएमए ब्रेकिंग डाउन सरल मूविंग एवरेज - एसएमए सरल चलने वाला औसत अनुकूलन योग्य है जिसमें इसे समय की एक अलग संख्या के लिए गणना की जा सकती है, बस समय की कई अवधि के लिए सुरक्षा के समापन मूल्य को जोड़कर और फिर विभाजित कर सकता है यह समयावधि की संख्या से कुल, जो समय की अवधि के दौरान सुरक्षा की औसत कीमत देता है। एक सरल चलती औसत में अस्थिरता से मुंह निकल जाता है, और सुरक्षा की कीमत की प्रवृत्ति को देखना आसान बनाता है। यदि सरल चलती औसत अंक ऊपर, इसका मतलब है कि सुरक्षा मूल्य बढ़ रहा है। यदि यह इंगित कर रहा है तो इसका मतलब है कि सुरक्षा मूल्य कम हो रहा है। चलती औसत के लिए समय सीमा, चिकनी सरल चलती औसत। एक छोटी अवधि की चलती औसत अधिक अस्थिर है, लेकिन इसके पढ़ने स्रोत डेटा के करीब है। विश्लेषणात्मक महत्व मूविंग एवरेज एक महत्वपूर्ण विश्लेषणात्मक उपकरण है जो वर्तमान मूल्य रुझानों की पहचान करता है और एक स्थापित प्रवृत्ति में बदलाव के लिए संभावित है। विश्लेषण में सरल चलने वाले औसत का उपयोग करने का सबसे आसान तरीका इसका उपयोग तेजी से पहचानने के लिए किया जा रहा है कि कोई सुरक्षा अपट्रेंड या डाउनट्रेन्ड में है या नहीं। एक और लोकप्रिय, हालांकि थोड़ा और जटिल विश्लेषणात्मक उपकरण, अलग-अलग फ़्रेमों को कवर करने के साथ सरल चलती औसत की एक जोड़ी की तुलना करना है। अगर एक छोटी अवधि की सरल चलती औसत एक लंबी अवधि के औसत से ऊपर है, तो एक अपट्रेंड की उम्मीद है। दूसरी ओर, कम अवधि के औसत से ऊपर एक दीर्घकालिक औसत प्रवृत्ति में एक निम्न आंदोलन का संकेत करता है। लोकप्रिय ट्रेडिंग पैटर्न सरल चलती औसत में इस्तेमाल होने वाले दो लोकप्रिय व्यापारिक पैटर्नों में मौत को पार और एक सुनहरा क्रॉस शामिल है। एक मौत पार तब होता है जब 50-दिन की सरल चलती औसत 200-दिवसीय चलती औसत से कम हो जाती है। यह एक मंदी का संकेत माना जाता है, जो कि आगे नुकसान स्टोर में है। गोल्डन क्रॉस तब होता है जब एक दीर्घकालिक चलती औसत के ऊपर एक अल्पकालिक चल औसत औसत टूट जाता है। उच्च व्यापारिक संस्करणों द्वारा प्रबलित, यह संकेत कर सकता है कि आगे लाभ स्टोर में हैं। क्या 0,03 9 चल औसत और भारित चल औसत के बीच का अंतर एक 5-अवधि की चलती औसत, ऊपर की कीमतों के आधार पर, निम्न सूत्र का उपयोग करके गणना की जाएगी: समीकरण के आधार पर ऊपर, ऊपर सूचीबद्ध अवधि के औसत मूल्य 90.66 था। चलती औसत का उपयोग करना, मजबूत मूल्य में उतार-चढ़ाव को नष्ट करने के लिए एक प्रभावी तरीका है। मुख्य सीमा यह है कि डेटा डेटा की शुरुआत के निकट डेटा पॉइंट के मुकाबले पुराने आंकड़ों के आंकड़ों के मुकाबले किसी भी तरह से अलग नहीं किया जाता है। यह वह जगह है जहां भारित चलती औसत खेलने में आते हैं। भारित औसत अधिक वर्तमान डेटा बिंदुओं को भारी भार देते हैं, क्योंकि वे दूर के समय में डेटा बिंदुओं की तुलना में अधिक प्रासंगिक हैं। भार का योग 1 (या 100) तक जोड़ना चाहिए सरल चलती औसत के मामले में, वेटिंग समान रूप से वितरित की जाती है, यही कारण है कि वे उपरोक्त तालिका में नहीं दिखाए जाते हैं। एएपीएलएलट्स का समापन मूल्य कहता है कि मेरे पास एक नमूना डेटा है (यहां सिर्फ 10 संख्याएं हैं, असली में मेरे पास लगभग 10000 माप परिणाम हैं)। फिर, मैं यह देखना चाहता हूं कि डेटा स्थिर है या साधारण औसत विधि का उपयोग नहीं कर रहा है। उदाहरण के लिए, मेरे डेटा के आकार का आकार N 10: मैं गणना की औसत (विंडो 3): इस सूत्र के साथ: और उन्हें उपरोक्त SAM तालिका में डाल दिया। फिर, मेरी औसत की तुलना में अंतर की गणना, सैमी 1 सैमी और मुझे एक अंतर तालिका मिली: 1 1 1 1 1 1 1 जिसमें से मैं देखता हूं कि मतलब (औसत) के बीच का अंतर स्थिर है (इसकी हमेशा 1)। क्या मैं यह मान सकता हूँ कि इस सरल परीक्षण के साथ मेरा डेटा एक्स स्थिर है, 16 दिसंबर को 18:01 बजे पूछा गया यदि आपके पहले मतभेद स्थिर हैं तो आपका डेटा स्थिर नहीं है, क्योंकि समय के साथ मतलब बढ़ रहा है। आपका पहला अंतर वास्तव में 1 विचरण 0 के साथ स्थिर है। समय श्रृंखला डेटा के साथ, सबसे महत्वपूर्ण प्रश्नों में से एक यह है कि कैसे डेटा स्थिर बनाने के लिए (एक यह तर्क दे सकता है कि यह समय श्रृंखला विश्लेषण का संपूर्ण बिंदु है)। अभ्यास में इसमें प्रवृत्ति की पहचान, मौसम संबंधी पहलुओं, स्टोचैस्टिक ड्रिफ्ट और ऑटोोकॉरेरलेशन शामिल होते हैं। इसके लिए चलती औसत की तुलना में अधिक आवश्यकता होगी जो कि स्वयं को प्रदान कर सकती है। हालांकि, यदि आप कोई मोटा पुष्टि करना चाहते हैं कि कोई प्रवृत्ति या आवधिकता नहीं है, तो संभवत: आप चलती औसत लाभ का उपयोग कर सकते हैं इस मामले में, आप चलती हुई औसत को चिकनाई डिवाइस के रूप में उपयोग कर रहे हैं। आप बस अपने डेटा को बनाम समय निकाल सकते हैं और देखें कि क्या सबसे अच्छी फिट लाइन में बड़ी ढलान है, यदि नहीं, तो आपके पास एक मजबूत रेखीय प्रवृत्ति नहीं है इसके अलावा, यदि आप लाइन के बारे में किसी भी बढ़ोतरी या किसी समयसीमा (डेटा के ढंकते हुए डेटा के बाद के आंकड़े या तंग क्लंप के बारे में कोई बढ़ोतरी नहीं देखते हैं) तो आपने पुष्टि की है कि पहले सेकंड की प्रवृत्ति और समयसीमा बड़ी मात्रा में मौजूद नहीं है किसी भी अधिक मात्रात्मक पाने के लिए आपको अधिक परिष्कृत टूल की आवश्यकता होगी। यह अनिवार्य रूप से एक समय श्रृंखला विश्लेषण है, जो आंकड़ों का एक पूरा क्षेत्र है। उस क्षेत्र का एक बड़ा हिस्सा स्थिरता स्थापित करने और परीक्षण करने के लिए समर्पित है, मैं इसे इस छोटे अंतरिक्ष में न्याय नहीं कर सकता यह कहने के लिए पर्याप्त है कि युरो प्रश्न समय-सीमा विश्लेषण में शोधकर्ताओं द्वारा भारी अध्ययन कर रहा है। यह कुछ बुनियादी पृष्ठभूमि के लिए देखें। उत्तर के लिए धन्यवाद 16 दिसंबर को 18:41 उत्तर के लिए धन्यवाद मुझे लगता है कि मैं इसे गलत समझता हूं मैं मतभेदों पर न नजर डालूंगा, परन्तु बस परिकलित अर्थों पर वे स्थिर नहीं होते हैं, जैसा कि आपने देखा है, इसलिए मेरे डेटा में वृद्धि नहीं हुई है, स्थिर नहीं है, इसका मतभेद के साथ कुछ नहीं करना है ndash nullpointer Dec 16 13 18:45 nullpointer सही ndash user31668 16 दिसंबर 13 18:46 बस एक और सवाल अगर आप दिमाग न करें तो मेरे डेटा को स्थिर होने के लिए, मेरी एसएएम सारणी इस तरह दिखनी चाहिए: सैम (या ऐसा कुछ) - मुद्दा यह है, चलती औसत मूल्यों को स्थिर होना चाहिए, उनके मतभेदों के आधार पर नहीं (और मुझे विचरण के लिए भी जांचना चाहिए या सिर्फ इसका अर्थ है पर्याप्त) ndash nullpointer 16 दिसंबर को 18: 48 सरलतम दृष्टिकोण जनवरी के माध्यम से मार्च तक औसत लेना होगा और इसका इस्तेमाल अप्रैल 8217 की बिक्री का अनुमान लगाया जाएगा: (12 9 134 122) 3 128.333 इसलिए, जनवरी के माध्यम से बिक्री के आधार पर मार्च, आप अनुमान लगाते हैं कि अप्रैल में बिक्री 128,333 होगी एक बार अप्रैल 8217 की वास्तविक बिक्री आती है, तो आप मई के पूर्वानुमान की गणना करेंगे, इस बार फरवरी के माध्यम से फरवरी का उपयोग करते हुए। औसत पूर्वानुमान की ओर बढ़ने के लिए आपके द्वारा उपयोग की जाने वाली समयावधि की संख्या के अनुरूप होना चाहिए आपके चलते औसत पूर्वानुमानों में आपके द्वारा उपयोग की जाने वाली समयावधि अनियमित हैं, आप केवल दो-अवधि या पांच या छह अवधि का प्रयोग कर सकते हैं, जो आप अपने पूर्वानुमान उत्पन्न करने की इच्छा रखते हैं। उपरोक्त दृष्टिकोण एक सरल चलती औसत है। कभी-कभी, हाल के महीनों में 8217 की बिक्री आने वाले महीने 8217 की बिक्री के प्रभावशाली प्रभावशाली हो सकती है, इसलिए आप अपने पूर्वानुमान मॉडल में उन महीनों के अधिक वजन देना चाहते हैं। यह एक भारित चलती औसत है और समय की संख्या की तरह, आपके द्वारा जो वजन सौंपा गया है वह पूरी तरह मनमाना है। Let8217 का कहना है कि आप मार्च 8217 की बिक्री 50 वज़न, फरवरी 8217 के 30 वज़न और जनवरी 8217 से 20 देना चाहते थे। फिर अप्रैल के लिए आपका पूर्वानुमान 127,000 (122.50) (134.30) (12 9 .20) 127 होगा। मूविंग औसत तरीकों की सीमाएं औसत चलने वाली एक औसत 8220smoothing8221 पूर्वानुमान तकनीक माना जाता है। क्योंकि आप 8217 के समय के साथ औसत ले रहे हैं, आप डेटा के भीतर अनियमित घटनाओं के प्रभाव को नरम कर रहे हैं (या चौरसाई कर रहे हैं) नतीजतन, ऋतुमान, व्यापारिक चक्र और अन्य यादृच्छिक घटनाओं के प्रभाव नाटकीय रूप से पूर्वानुमान की त्रुटि को बढ़ा सकते हैं। एक पूर्ण वर्ष 8217 के मूल्य के आंकड़ों पर गौर करें, और 3-अवधि की चलती औसत और 5-अवधि की चलती औसत की तुलना करें: ध्यान दें कि इस उदाहरण में मैंने पूर्वानुमान नहीं बनाया, बल्कि चलती औसतों को केंद्रित किया। पहला 3 महीने की चलती औसत फरवरी के लिए है, और जनवरी, फरवरी और मार्च की औसत संख्या 8217 है। मैं भी 5 महीने की औसत के लिए समान था। अब निम्नलिखित चार्ट पर एक नज़र डालें: आप क्या देखते हैं तीन महीने की चलती हुई औसत श्रृंखला वास्तविक बिक्री श्रृंखला की तुलना में अधिक चिकनी नहीं है और यह पांच महीने के औसत औसत It8217 के बारे में भी आसान है। इसलिए, आपके चलती औसत में जितनी अधिक समय आप उपयोग करते हैं, चिकनी आपके समय श्रृंखला इसलिए, पूर्वानुमान के लिए, एक सरल चलती औसत शायद सबसे सटीक विधि न हो। औसत तरीकों को आगे बढ़ाना काफी मूल्यवान साबित होता है जब आप 8217re पुनरावृत्ति और एआरआईएए जैसे उन्नत पूर्वानुमान के तरीकों के लिए एक समय श्रृंखला के मौसमी, अनियमित, और चक्रीय घटकों को निकालने की कोशिश कर रहे हैं, और एक समय श्रृंखला को कमजोर करने में औसत चलने के उपयोग को बाद में संबोधित किया जाएगा श्रंखला में। एक मूविंग औसत मॉडल की शुद्धता को निर्धारित करना आम तौर पर, आप एक पूर्वानुमान की विधि चाहते हैं, जिसमें वास्तविक और अनुमानित परिणाम के बीच कम से कम त्रुटि हो। भविष्यवाणी सटीकता के सबसे सामान्य उपायों में से एक मीन निरपेक्ष विचलन (एमएडी) है इस दृष्टिकोण में, समय अवधि में प्रत्येक अवधि के लिए, जिसके लिए आपने पूर्वानुमान बनाया था, आप उस अवधि 8217 के वास्तविक और पूर्वानुमानित मानों (विचलन) के बीच के अंतर का पूर्ण मूल्य लेते हैं। फिर आप उन पूर्ण विचलनों को औसत करते हैं और आप को मैड का एक उपाय मिलता है। मैड आपकी औसत अवधि की संख्या तय करने में सहायक हो सकता है, और प्रत्येक अवधि में आपके द्वारा कितनी वज़न में रखा जाता है आम तौर पर, आप उस एक को चुनते हैं जो सबसे कम एमएडी में होता है। यहां 8217 का उदाहरण दिया गया है कि कैसे एमएडी की गणना की जाती है: एमएडी केवल 8, 1, और 3 का औसत है। चलते हुए औसत: रीकैप पूर्वानुमान के लिए चलती औसत का उपयोग करते समय, याद रखें: मूविंग एवरेज सरल या भारित हो सकते हैं आपके द्वारा उपयोग किए जाने वाले समय की संख्या औसत और आप प्रत्येक के लिए जो भी वजन देते हैं, कड़ाई से मनमाने हैं मूविंग एवल टाइम सीरीज़ डेटा में अनियमित पैटर्न को आसान बनाते हैं, प्रत्येक डाटा पॉइंट के लिए इस्तेमाल की जाने वाली समयावधि की संख्या जितनी बड़ी होनी चाहिए, चौरसाई प्रभाव के कारण, अगले महीने 8217 की बिक्री की भविष्यवाणी सबसे हालिया कुछ महीना 8217 की बिक्री के कारण डेटा में मौसम, चक्रीय और अनियमित पैटर्न की वजह से बड़े विचलन का परिणाम हो सकता है और चलती औसत विधि की चौरसाई क्षमताओं को अधिक उन्नत पूर्वानुमान विधियों के लिए एक समय श्रृंखला कमजोर करने में उपयोगी हो सकता है। अगले सप्ताह: घातीय चिकनाई अगले सप्ताह में 8217s पूर्वानुमान शुक्रवार। हम घातीय चौरसाई विधियों पर चर्चा करेंगे, और आप देखेंगे कि वे औसत पूर्वानुमानकारी विधियों को आगे बढ़ने से कहीं बेहतर हैं। अभी भी don8217t पता है कि क्यों हमारे पूर्वानुमान शुक्रवार पदों गुरुवार को दिखाई देते हैं पर बाहर खोजें: tinyurl26cm6ma इस तरह: पोस्ट नेविगेशन एक उत्तर दें छोड़ दो उत्तर रद्द मैं 2 सवाल थे: 1) आप पूर्वानुमान या सिर्फ मौसम के लिए हटाने के लिए केंद्रित एमए दृष्टिकोण का उपयोग कर सकते हैं 2) जब आप साधारण टी (टी -1 टी -2टी-कश्मीर) कश्मीर एमए का उपयोग एक अवधि का पूर्वानुमान करने के लिए करते हैं, क्या 1 से अधिक अवधि की भविष्यवाणी करना संभव है, तो मुझे लगता है कि आपका भविष्य अगले अंक में खाने वाले अंकों में से एक होगा। धन्यवाद। जानकारी और आपके स्पष्टीकरण I8217m से आपको खुशी है कि ब्लॉग I8217m को बहुत खुशी है कि कई विश्लेषकों ने पूर्वानुमान के लिए केन्द्रित एमए दृष्टिकोण का इस्तेमाल किया है, लेकिन मैं व्यक्तिगत रूप से नहीं, क्योंकि इस दृष्टिकोण से दोनों छोरों पर टिप्पणियों के नुकसान में परिणाम होता है। यह वास्तव में तब आपके दूसरे प्रश्न में संबंध है आम तौर पर, साधारण एमए का उपयोग केवल एक अवधि का पूर्वानुमान करने के लिए किया जाता है, लेकिन कई विश्लेषक 8211 और मैं भी कभी-कभी 8211 मेरे एक-अवधि के पहले पूर्वानुमान का इस्तेमाल दूसरी अवधि के लिए एक इनपुट के रूप में करेंगे। यह याद रखने के लिए महत्वपूर्ण है कि भविष्य में आप भविष्य की ओर अग्रसर होने की कोशिश कर रहे हैं, पूर्वानुमान पूर्वानुमान का अधिक बड़ा जोखिम। यही कारण है कि मैं 8211 की भविष्यवाणी करने के लिए केन्द्रित एमए की सिफारिश नहीं करता, अंत में टिप्पणियों की हानि का मतलब है कि खोए गए अवलोकनों के पूर्वानुमान के साथ ही आगे की अवधि (भविष्यओं) के पूर्वानुमानों पर भरोसा करना है, इसलिए पूर्वानुमान त्रुटि की अधिक संभावना है। पाठकों: आप इस पर तौलना करने के लिए आमंत्रित किए गए हैं I8217। क्या आपके इस ब्रायन पर कोई विचार या सुझाव है, आपकी टिप्पणी के लिए धन्यवाद और ब्लॉग पर आपकी तारीफ अच्छा पहल और अच्छी व्याख्या है। यह वास्तव में मददगार है मैं किसी ग्राहक के लिए कस्टम मुद्रित सर्किट बोर्डों का पूर्वानुमान करता हूं जो किसी भी पूर्वानुमान नहीं देता। मैंने चलती औसत का इस्तेमाल किया है, हालांकि यह बहुत सटीक नहीं है क्योंकि उद्योग ऊपर और नीचे जा सकता है हम साल के अंत तक गर्मियों के बीच की तरफ देखते हैं कि शिपिंग पीसीबी 8217 के ऊपर है। तब हम साल की शुरुआत में देखते हैं नीचे की तरफ धीमा कर देते हैं कैटरीना मेरे डेटा से मैं कैसे ज्यादा सटीक हो सकता हूं, यह बताता है कि आपका मुद्रित सर्किट बोर्ड की बिक्री में एक मौसमी घटक है। मैं कुछ अन्य पूर्वानुमानों के शुक्रवार के पदों में मौसम का पता लगाता हूं। एक और तरीका जो आप उपयोग कर सकते हैं, जो बहुत आसान है, होल्ट-विंटर्स एल्गोरिथ्म है, जो खाते की मौसमी स्थिति में ले जाता है आप यहां इसका एक अच्छा स्पष्टीकरण पा सकते हैं। यह निर्धारित करना सुनिश्चित करें कि आपके मौसमी पैटर्न गुणनीय या योजक हैं, क्योंकि प्रत्येक के लिए एल्गोरिदम थोड़ा अलग है यदि आप कुछ वर्षों से अपने मासिक डेटा को साजिश करते हैं और देखते हैं कि वर्ष के एक ही समय में मौसमी रूपांतरों को वर्ष में निरंतर वर्ष लगता है, तो मौसम ऋतु जोड़ती है अगर समय के साथ मौसमी विविधताएं बढ़ रही हैं, तो ऋतुमान होता है गुणक। सबसे मौसमी समय श्रृंखला गुणक होगी यदि संदेह में है, तो गुणात्मक मान लें नमस्ते वहाँ, उन पद्धतियों के बीच: नाव का पूर्वानुमान मीन को अपडेट करना औसत लंबाई चलाना या तो लम्बाई के औसत भारोत्तोलन औसत या एक्सपेंनेलीय स्माइटिंग जो डेटा अपडेट करने के लिए आप का उपयोग करते हुए उन मॉडलों को अपडेट करते हैं, मेरी राय के लिए, मैं मूविंग औसत के बारे में सोच रहा हूं। लेकिन मैं don8217t जानता हूं कि इसे कैसे साफ़ और संरचित किया जाए यह वास्तव में आपकी डेटा और आपकी पूर्वानुमानित क्षितिज (दीर्घकालिक, मध्य अवधि या अल्पकालिक) की मात्रा और गुणवत्ता पर निर्भर करता है।