Moving Average Forecast Accuracy

Moving Average Forecasting Pendahuluan. Seperti yang Anda duga, kita melihat beberapa pendekatan yang paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksi guru Anda untuk skor tes Anda berikutnya Menurut Anda, apa yang diperkirakan prediksi teman Anda untuk skor tes Anda berikutnya Menurut Anda apa perkiraan orang tua Anda untuk skor tes berikutnya Anda? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu di area yang baru Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapat nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang terhilang dengan pikiran hebat ini telah membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengambil tes dan skor Anda sebenarnya adalah 89 Setiap orang, termasuk diri Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu memandu semua orang untuk membuat prediksi tentang bagaimana Anda akan melakukan tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk perkiraan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C6 sampai C11. Perhatikan bagaimana sekarang hanya dua data historis terbaru yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang penting diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictquote, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode untuk ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Data Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya sesuai dengan hal berikut. Rata-rata Pergerakan: Bagaimana Menggunakannya Beberapa fungsi utama dari rata-rata bergerak adalah untuk mengidentifikasi tren dan pembalikan. Mengukur kekuatan momentum aset dan menentukan area potensial dimana suatu aset akan menemukan support atau resistance. Pada bagian ini kita akan menunjukkan bagaimana periode waktu yang berbeda dapat memonitor momentum dan bagaimana moving averages dapat bermanfaat dalam menetapkan stop-loss. Selanjutnya, kami akan membahas beberapa kemampuan dan keterbatasan rata-rata bergerak yang harus dipertimbangkan saat menggunakannya sebagai bagian dari rutinitas perdagangan. Tren Mengidentifikasi tren adalah salah satu fungsi utama moving averages, yang digunakan oleh kebanyakan trader yang berusaha membuat trend teman mereka. Moving averages adalah indikator lagging. Yang berarti bahwa mereka tidak memprediksi tren baru, namun konfirmasikan tren begitu mereka telah terbentuk. Seperti yang dapat Anda lihat pada Gambar 1, saham dianggap berada dalam tren naik ketika harga berada di atas rata-rata bergerak dan rata-rata meluncur ke atas. Sebaliknya, trader akan menggunakan harga di bawah rata-rata miring ke bawah untuk mengkonfirmasi tren turun. Banyak trader hanya akan mempertimbangkan untuk memegang posisi long dalam sebuah aset ketika harga diperdagangkan di atas rata-rata bergerak. Aturan sederhana ini dapat membantu memastikan bahwa tren tersebut menguntungkan para pedagang. Momentum Banyak trader pemula bertanya bagaimana mengukur momentum dan bagaimana moving averages dapat digunakan untuk mengatasi hal tersebut. Jawabannya yang sederhana adalah dengan memperhatikan periode waktu yang digunakan dalam menciptakan rata-rata, karena setiap periode waktu dapat memberi wawasan berharga tentang berbagai jenis momentum. Secara umum, momentum jangka pendek dapat diukur dengan melihat moving averages yang fokus pada periode waktu 20 hari atau kurang. Melihat moving averages yang dibuat dengan jangka waktu 20 sampai 100 hari umumnya dianggap sebagai ukuran momentum jangka menengah yang baik. Akhirnya, setiap rata-rata bergerak yang menggunakan 100 hari atau lebih dalam perhitungan dapat digunakan sebagai ukuran momentum jangka panjang. Akal sehat harus memberi tahu Anda bahwa rata-rata pergerakan 15 hari adalah ukuran momentum jangka pendek yang lebih sesuai daripada rata-rata pergerakan 200 hari. Salah satu metode terbaik untuk menentukan kekuatan dan arah momentum aset adalah menempatkan tiga rata-rata bergerak ke dalam grafik dan kemudian memperhatikan bagaimana mereka menumpuk dalam kaitannya dengan satu sama lain. Tiga rata-rata bergerak yang umumnya digunakan memiliki kerangka waktu yang bervariasi dalam upaya untuk mewakili pergerakan harga jangka pendek, menengah dan jangka panjang. Pada Gambar 2, momentum ke atas yang kuat terlihat ketika rata-rata jangka pendek berada di atas rata-rata jangka panjang dan dua rata-rata divergen. Sebaliknya, bila rata-rata jangka pendek berada di bawah rata-rata jangka panjang, momentum berada dalam arah ke bawah. Dukungan Penggunaan umum moving average lainnya adalah dalam menentukan harga potensial. Tidak perlu banyak pengalaman dalam menghadapi pergerakan rata-rata untuk memperhatikan bahwa penurunan harga aset seringkali akan berhenti dan membalikkan arah pada tingkat yang sama dengan rata-rata yang penting. Misalnya, pada Gambar 3 Anda dapat melihat bahwa rata-rata pergerakan 200 hari mampu menopang harga saham setelah turun dari level tertinggi di dekat 32. Banyak pedagang akan mengantisipasi kenaikan rata-rata pergerakan utama dan akan menggunakan biaya lainnya. Indikator teknis sebagai konfirmasi dari pergerakan yang diharapkan. Perlawanan Setelah harga aset turun di bawah tingkat dukungan yang berpengaruh, seperti rata-rata pergerakan 200 hari, tidak biasa melihat rata-rata bertindak sebagai penghalang kuat yang mencegah investor mendorong harga di atas rata-rata itu. Seperti yang dapat Anda lihat dari grafik di bawah ini, resistensi ini sering digunakan oleh trader sebagai tanda untuk mengambil keuntungan atau untuk menutup posisi lama yang ada. Banyak penjual pendek juga akan menggunakan rata-rata ini sebagai entry point karena harga sering memantul dari resistance dan melanjutkan pergerakannya lebih rendah. Jika Anda adalah investor yang memegang posisi panjang dalam aset yang diperdagangkan di bawah rata-rata pergerakan utama, mungkin Anda berminat untuk menonton level ini dengan ketat karena hal itu dapat sangat mempengaruhi nilai investasi Anda. Stop-Kerugian Karakteristik pendukung dan ketahanan moving averages menjadikannya alat yang hebat untuk mengelola risiko. Kemampuan bergerak rata-rata untuk mengidentifikasi tempat-tempat strategis untuk menetapkan stop-loss orders memungkinkan trader untuk memotong posisi kehilangan sebelum mereka dapat tumbuh lebih besar. Seperti yang dapat Anda lihat pada Gambar 5, pedagang yang memegang posisi long dalam saham dan menetapkan stop-loss order mereka di bawah rata-rata berpengaruh dapat menghemat banyak uang. Menggunakan moving averages untuk menetapkan stop-loss order adalah kunci strategi trading yang sukses. Dalam praktiknya, rata-rata bergerak akan memberikan perkiraan yang baik tentang mean dari deret waktu jika mean konstan atau perlahan berubah. Dalam kasus mean konstan, nilai m terbesar akan memberikan perkiraan terbaik dari mean yang mendasarinya. Periode pengamatan yang lebih lama akan rata-rata menghasilkan efek variabilitas. Tujuan menyediakan m yang lebih kecil adalah memungkinkan perkiraan tersebut merespons perubahan dalam proses yang mendasarinya. Sebagai ilustrasi, kami mengusulkan sebuah kumpulan data yang menggabungkan perubahan pada rata-rata deret deret waktu. Angka tersebut menunjukkan deret waktu yang digunakan untuk ilustrasi bersamaan dengan permintaan rata-rata dari mana seri tersebut dihasilkan. Mean dimulai sebagai konstanta pada 10. Dimulai pada waktu 21, meningkat satu unit pada setiap periode sampai mencapai nilai 20 pada waktu 30. Maka akan menjadi konstan lagi. Data disimulasikan dengan menambahkan mean, noise acak dari distribusi Normal dengan mean nol dan deviasi standar 3. Hasil simulasi dibulatkan ke bilangan bulat terdekat. Tabel menunjukkan simulasi pengamatan yang digunakan untuk contoh. Saat kita menggunakan tabel, kita harus ingat bahwa pada suatu waktu, hanya data terakhir yang diketahui. Estimasi parameter model,, untuk tiga nilai m yang berbeda ditunjukkan bersamaan dengan mean deret waktu pada gambar di bawah ini. Angka tersebut menunjukkan perkiraan rata-rata pergerakan rata-rata pada setiap waktu dan bukan perkiraan. Prakiraan akan menggeser kurva rata-rata bergerak ke kanan menurut periode. Satu kesimpulan segera terlihat dari gambar tersebut. Untuk ketiga perkiraan, rata-rata bergerak tertinggal dari tren linier, dengan lag meningkat dengan m. Keterlambatan adalah jarak antara model dan estimasi dalam dimensi waktu. Karena lag, rata-rata bergerak meremehkan pengamatan karena rata-rata meningkat. Bias estimator adalah perbedaan pada waktu tertentu dalam nilai rata-rata model dan nilai rata-rata yang diprediksi oleh moving average. Bias ketika mean meningkat adalah negatif. Untuk mean yang menurun, biasnya positif. Keterlambatan waktu dan bias yang diperkenalkan dalam estimasi adalah fungsi m. Semakin besar nilai m. Semakin besar besarnya lag dan bias. Untuk seri yang terus meningkat dengan tren a. Nilai lag dan bias estimator mean diberikan dalam persamaan di bawah ini. Kurva contoh tidak cocok dengan persamaan ini karena model contoh tidak terus meningkat, melainkan dimulai sebagai perubahan konstan, berubah menjadi tren dan kemudian menjadi konstan lagi. Juga contoh kurva dipengaruhi oleh noise. Perkiraan rata-rata pergerakan periode ke masa depan ditunjukkan dengan menggeser kurva ke kanan. Kelemahan dan bias meningkat secara proporsional. Persamaan di bawah ini menunjukkan lag dan bias dari perkiraan periode ke masa depan bila dibandingkan dengan parameter model. Sekali lagi, formula ini untuk rangkaian waktu dengan tren linier konstan. Kita tidak perlu heran dengan hasil ini. Pengukur rata-rata bergerak didasarkan pada asumsi mean konstan, dan contohnya memiliki kecenderungan linier rata-rata selama sebagian periode penelitian. Karena deret real time jarang sekali menaati asumsi model apapun, kita harus siap untuk hasil seperti itu. Kita juga dapat menyimpulkan dari gambar bahwa variabilitas noise memiliki efek terbesar untuk m yang lebih kecil. Perkiraan ini jauh lebih fluktuatif untuk rata-rata pergerakan 5 dari rata-rata bergerak 20. Kami memiliki keinginan yang saling bertentangan untuk meningkatkan m untuk mengurangi efek variabilitas karena kebisingan, dan untuk menurunkan m untuk membuat perkiraan lebih responsif terhadap perubahan. Artinya. Kesalahan adalah perbedaan antara data aktual dan nilai perkiraan. Jika deret waktu benar-benar merupakan nilai konstan maka nilai kesalahan yang diharapkan adalah nol dan varians dari kesalahan tersebut terdiri dari sebuah istilah yang merupakan fungsi dari dan istilah kedua yaitu variansi dari noise,. Istilah pertama adalah varians dari mean yang diperkirakan dengan sampel pengamatan m, dengan mengasumsikan data berasal dari populasi dengan mean konstan. Istilah ini diminimalkan dengan membuat m seluas mungkin. Sebuah m besar membuat ramalan tidak responsif terhadap perubahan deret waktu yang mendasarinya. Untuk membuat perkiraan responsif terhadap perubahan, kami ingin m sekecil mungkin (1), namun ini meningkatkan varians kesalahan. Peramalan praktis membutuhkan nilai antara. Peramalan dengan Excel Peramalan Peramalan menerapkan rumus rata-rata bergerak. Contoh di bawah ini menunjukkan analisis yang diberikan oleh add-in untuk data sampel di kolom B. 10 observasi pertama diindeks -9 sampai 0. Dibandingkan dengan tabel di atas, indeks periode digeser oleh -10. Sepuluh observasi pertama memberikan nilai awal untuk estimasi dan digunakan untuk menghitung rata-rata pergerakan untuk periode 0. Kolom MA (10) (C) menunjukkan rata-rata bergerak yang dihitung. Parameter rata-rata bergerak m ada pada sel C3. Kolom Fore (1) (D) menunjukkan perkiraan untuk satu periode ke masa depan. Interval perkiraan ada di sel D3. Bila interval perkiraan diubah ke angka yang lebih besar, angka di kolom Fore digeser ke bawah. Kolom Err (1) menunjukkan perbedaan antara pengamatan dan perkiraan. Misalnya, pengamatan pada waktu 1 adalah 6. Nilai perkiraan yang dibuat dari moving average pada waktu 0 adalah 11.1. Kesalahannya adalah -5.1. Deviasi standar dan Mean Average Deviation (MAD) dihitung masing-masing sel E6 dan E7.