이동 평균 계절 지수

이동 평균. 이 예제는 Excel에서 시계열의 이동 평균을 계산하는 방법을 가르쳐줍니다. 이동 평균은 불규칙한 봉우리와 계곡을 부드럽게하여 경향을 쉽게 인식하는 데 사용됩니다 .1 먼저 시간 시리즈를 살펴 보겠습니다 .2 데이터 탭에서 데이터 분석을 클릭하십시오. 데이터 분석 단추를 찾을 수 없습니다. 여기를 클릭하여 분석 도구 추가 기능을로드하십시오 .3 이동 평균을 선택하고 확인을 클릭하십시오 .4 입력 범위 상자를 클릭하고 B2 M2 범위를 선택하십시오. 5 간격 상자를 클릭하고 6.6을 입력합니다. 출력 범위 상자를 클릭하고 셀 B3.8을 선택합니다. 이 값의 그래프를 플롯합니다. 설명 간격을 6으로 설정했기 때문에 이동 평균은 이전 5 개 데이터 포인트의 평균이고 현재 데이터 포인트 결과적으로 최고점과 최저점은 부드럽게됩니다. 그래프는 증가 추세를 보여줍니다. Excel은 이전 데이터 포인트가 충분하지 않기 때문에 처음 5 개 데이터 포인트에 대한 이동 평균을 계산할 수 없습니다 .9 간격 2에 대해 2 - 8 단계를 반복하십시오 및 간격 4. 결론 간격이 클수록 봉우리와 계곡이 더 매끄럽게됩니다. 간격이 작을수록 이동 평균이 실제 데이터 포인트에 가까워집니다. 계절 조정 및 지수 평활의 스프레드 시트 구현. 계절 조정 및 지수 평활화를 수행하는 것이 쉽습니다 Excel을 사용하는 모델 아래의 화면 이미지와 차트는 Outboard Marine의 다음 분기 별 판매 데이터에서 곱셈 계절 조정과 선형 지수 스무딩을 설명하기 위해 설정된 스프레드 시트에서 가져온 것입니다. 스프레드 시트 파일 사본을 얻으려면 여기를 클릭하십시오. 데모 용으로 여기에 사용되는 선형 지수 평활화 버전은 Brown s 버전입니다. 단 하나의 수식 열로 구현 될 수 있고 최적화 할 수있는 평활화 상수는 하나뿐이기 때문에 일반적으로 Holt s 버전을 사용하는 것이 좋습니다 수준 및 추세에 대해 별도의 다듬기 상수가 있습니다. 예측 프로세스는 다음과 같이 진행됩니다 ows i 먼저 데이터를 계절적으로 조정 ii 그런 다음 선형 지수 평활화를 통해 계절 조정 데이터에 대한 예측을 생성하고 iii 마지막으로 계절 조정 된 예측을 다시 계산하여 원래 시리즈에 대한 예측을 얻습니다. 계절 조정 프로세스는 D 열에서 G 열 . 계절 조정의 첫 번째 단계는 여기 열 D에서 수행 된 가운데 이동 평균을 계산하는 것입니다. 이는 서로에 대해 한주기만큼 오프셋 된 두 개의 1 년 전체 평균의 평균을 취함으로써 수행 할 수 있습니다. 두 개의 오프셋 계절의 수가 짝수 일 때 센터링을 위해 단일 평균이 아닌 평균이 필요합니다. 다음 단계는 이동 평균에 대한 비율을 계산하는 것입니다. 원래 데이터를 각 기간의 이동 평균으로 나누어 계산합니다. 여기에서 수행됩니다. 열 E 이것은 추세와 비즈니스 사이클 효과가 남아있는 모든 것으로 간주 될 수있는 한 패턴의 경향 순환 구성 요소라고도합니다. 1 년 동안의 평균 데이터를 평균 한 것은 물론 계절적 요인으로 인한 것이 아닌 월별 변화는 다른 많은 요인에 의해 결정될 수 있지만 12 개월 평균은 큰 차이를 보입니다. 예상 계절 지수 각 계절에 대한 평균 비율은 먼저 특정 계절에 대한 모든 비율을 평균하여 계산됩니다. 이 비율은 AVERAGEIF 공식을 사용하여 셀 G3-G6에서 수행됩니다. 평균 비율은 계절의 기간 수의 정확히 100 배가되도록 재조정됩니다. 또는 400의 경우 셀 H3-H6에서 수행됩니다. 열 F 아래에서 VLOOKUP 수식은 데이터 표의 각 행에 해당 계절 인덱스 값을 나타내는 데 사용되는 분기 연도에 따라 사용됩니다. 평균 및 계절적으로 조정 된 데이터는 이렇게 보입니다. 이동 평균은 일반적으로 계절적으로 조정 된 시리즈의 더 부드러운 버전처럼 보입니다. 양 끝이 더 짧습니다. 동일한 Excel 파일의 다른 워크 시트는 계절적으로 조정 된 데이터에 선형 지수 평활화 모델을 적용하여 평활 상수 알파의 GA 열에서 시작하여 셀 H9의 예측 열 위에 여기에 입력하고 편의상 범위 이름 Alpha가 지정됩니다. 이름 삽입 명령 삽입 첫 번째 두 예측을 계절 조정 시리즈의 첫 번째 실제 값과 같게 설정하여 LES 모델을 초기화합니다. 여기 LES 예측에 사용 된 공식은 Brown s 모델의 단일 방정식 순환 형식입니다. 이 공식을 입력합니다 여기에서 세 번째주기에 해당하는 셀에서 H15 셀을 복사 한 다음 아래쪽에서 복사합니다. 현재 기간에 대한 LES 예측은 앞의 두 관측 값과 앞의 두 예측 오차 및 알파 값을 참조합니다. 따라서 15 행의 예측 공식은 14 행 및 이전에 사용 가능한 데이터만을 참조합니다. 물론 선형 지수 스무드 대신 단순 지수를 사용하려는 경우 우리는 여기서 SES 공식을 대신 쓸 수 있습니다. Brown s LES 모델보다는 Holt s를 사용할 수 있습니다. 이 모델에서는 예측에 사용되는 레벨과 추세를 계산하기 위해 두 열을 더 필요로합니다. 오류는 다음 열은 실제 값에서 예측치를 뺀 J 열입니다. 평균 제곱 오류는 오류 분산의 제곱근에 평균의 제곱을 더한 값으로 계산됩니다. 이는 수학적 식별 값에서 따릅니다. MSE VARIANCE 오류 평균 오류 2 In 이 공식에서 오류의 평균과 분산을 계산하면 스프레드 시트의 세 번째 기간 행 15까지 모델이 실제로 예측을 시작하지 않기 때문에 처음 두 기간이 제외됩니다. 알파의 최적 값은 최소 RMSE가 발견되면 Solver를 사용하여 정확한 최소값을 구할 수 있습니다. Solver가 찾은 alpha 값은 여기에 표시됩니다. alpha 0 471. 일반적으로 좋은 아이디어입니다 o 변환 된 단위로 모델의 오차를 플롯하고 최대 1 개 시차의 시차에서 자기 상관을 계산하고 플롯합니다. 다음은 계절 조정 오차의 시계열 플롯입니다. 오차 자동 상관은 CORREL 함수를 사용하여 하나 이상의 마침표에 의해 지연된 오류와의 상관 관계 - 세부 정보는 스프레드 시트 모델에 표시됩니다. 처음 5 개 시차에 대한 오류의 자기 상관의 플롯이 있습니다. 1 ~ 3시 간에서의 자기 상관은 0에 매우 가깝습니다. 그러나 그 값이 035 인 지연 4에서의 스파이크는 약간 번거롭다. 이는 계절 조정 과정이 완전히 성공적이지 않았 음을 암시한다. 그러나 자기 상관이 0과 크게 다른지 여부를 테스트하는 데는 실제로 중요한 의미를 갖는 95 개의 유의 수준이있다 ± 2 SQRT nk, 여기에서 n은 샘플 크기이고 k는 지연입니다. 여기서 n은 38이고 k는 1에서 5까지 다양하기 때문에 제곱근의 n-minus-k는 약 6입니다. 이들 모두, 따라서 0에서의 편차의 통계적 유의성을 테스트하기위한 한계는 대략 ± 2 6 또는 0 33입니다. 이 Excel 모델에서 알파 값을 수동으로 변경하면 다음과 같은 결과가 나타납니다. 오류의 시계열 및 자기 상관 그래프뿐만 아니라 아래에 설명 될 제곱 평균 오류도 표시됩니다. 스프레드 시트의 맨 아래 실제 값에 대한 예측을 단순히 대체하여 예측 공식이 미래에 부트 스트랩됩니다 실제 데이터가 부족한 지점, 즉 미래가 시작되는 지점 미래의 데이터 값이 발생할 각 셀에서 해당 기간에 대한 예측을 가리키는 셀 참조가 삽입됩니다. 다른 모든 수식은 다음과 같습니다. 미래의 예측에 대한 오류가 모두 0으로 계산됨을 알립니다. 이는 실제 오류가 0이 될 것이라는 것을 의미하는 것이 아니라 오히려 예측의 목적을 위해 실제 오류가 0이 될 것이라는 것을 반영합니다. 미래 데이터는 평균 예측과 같을 것입니다. 계절 조정 데이터에 대한 LES 예측 결과는 다음과 같습니다 .1 기간 예측에 가장 적합한 알파의이 특정 값을 사용하면 예측 된 추세가 약간 상향되어 현지 지난 2 년 동안 관찰 된 추세 또는 그 밖의 다른 알파 값의 경우 매우 다른 경향 추이가 얻어 질 수 있습니다. 알파가 다양 할 때 장기 추세 예측에 어떤 현상이 발생 하는지를 확인하는 것이 좋습니다. 단기 예측에 가장 적합한 것은 더 먼 미래를 예측하는 데 반드시 최고의 가치는 아닐 것입니다. 예를 들어 알파 값을 수동으로 0으로 설정하면 얻은 결과가 있습니다. 예상되는 장기 추세는 다음과 같습니다. 현재는 긍정적보다는 오히려 부정 알파의 값이 작을수록 모델은 현재 수준 및 추세를 추정 할 때 이전 데이터에 더 많은 가중치를두고 있으며 장기 예측은 관찰 된 하향 추세를 반영합니다 최근의 상승 추세보다는 오히려 지난 5 년 동안이 도표는 알파 값이 더 작은 모델이 데이터의 전환점에 어떻게 반응하는지를 명확하게 보여 주므로 많은 기간 동안 동일한 부호의 오류를 만드는 경향이 있습니다 1 단계 사전 예측 오차는 RMSE가 RMSE가 아니라 RMSE가 274가 아닌 것보다 평균적으로 더 크고 강하게 긍정적으로 자기 상관된다. 0 56의 lag-1 자동 상관은 위에서 계산 된 033의 값을 크게 초과한다. 통계적으로 유의미한 편차 0에서 장기 예측에 더 보수주의를 도입하기 위해 알파 값을 낮추는 대안으로, 추세 감쇠 계수가 때때로 모델에 추가되어 예상 추세를 몇 시간 후에 평평하게 만듭니다 예측 모델을 구축하는 마지막 단계는 LES 예측에 적절한 계절 지수를 곱하여 LES 예측을 합산하는 것입니다. 따라서 I 열의 재순환 예측은 다음과 같습니다. 단순히 열 F의 계절 지수와 H 열의 계절 조정 된 LES 예측의 결과입니다. 이 모델에 의한 한 단계 앞선 예측에 대한 신뢰 구간을 계산하는 것은 상대적으로 쉽습니다. RMSE 제곱근 오차를 먼저 계산하십시오. 이는 MSE의 제곱근이며 RMSE의 두 배를 더하거나 뺍으로써 계절적으로 조정 된 예측에 대한 신뢰 구간을 계산합니다. 일반적으로 한 기간 예측에 대한 95 신뢰 구간은 대략 POS 예측과 같습니다 - 또는 - 오차 분포의 추정 표준 편차의 두 배, 오차 분포가 대략 정상이고 표본 크기가 20 또는 그보다 충분히 큰 경우 여기에서 오차의 표본 표준 편차보다는 RMSE가 미래 예측 오차의 표준 편차에 대한 최적 추정치는 편향성을 고려하므로 무작위 편차를 고려해야한다. 예측과 함께 알맞은 계절별 지표를 곱한 것입니다. 이 경우 RMSE는 27 4와 같고 첫 번째 미래 기간의 계절 조정 예측은 273 2이므로 계절적으로 조정 된 95 신뢰 구간은 273 2-2 27 4 218 4 ~ 273 2 2 27 4 328 0 12 월 계절 지수 인 68 61을 곱하여 12 월 93 포인트 예측 187 4를 중심으로 149 8 및 225 0의 상한 및 하한 신뢰도를 얻습니다. 계절적 요인뿐만 아니라 수준 및 추세에 대한 불확실성으로 인해 예측 기간이 증가함에 따라 일반적으로 예측 기간의 신뢰 한계가 넓어 지지만 일반적으로 분석 방법으로 계산하기는 어렵습니다. 적절한 계산 방법 LES 예측에 대한 신뢰 한계는 ARIMA 이론을 사용하는 것이지만 계절 지수의 불확실성은 또 다른 문제입니다. 한 기간 이상 예측에 대한 현실적인 신뢰 구간을 원한다면 모든 소스를 취합니다. f 오류를 고려하면 경험적 방법을 사용하는 것이 가장 좋습니다. 예를 들어 2 단계 앞당겨진 예측에 대한 신뢰 구간을 얻으려면 스프레드 시트에 다른 열을 만들어 모든 기간에 대한 2 단계 앞당기 기선을 계산할 수 있습니다. 한 단계 전진 예측을 부트 스트랩 그런 다음 2 단계 앞지 예측 오류의 RMSE를 계산하고이를 2 단계 앞선 신뢰 구간의 기초로 사용하십시오. 이동 평균 사용 방법 주요 기능 중 일부는 다음과 같습니다. 이동 평균은 자산의 모멘텀의 강도를 측정하고 자산이 지원 또는 저항을 찾을 수있는 잠재 영역을 결정하는 경향 및 역전을 식별하는 것입니다. 이 섹션에서는 다양한 기간이 모멘텀을 모니터링하고 이동 평균이 유익 할 수있는 방법을 지적합니다 stop-losses 설정에있어 더 나아가 우리는 이동 평균의 기능 및 제한 사항 중 일부를 거래 루틴의 일부로 사용할 때 고려해야 할 경향 동향 파악 동향은 핵심적인 fu 트렌드를 만들기 위해 노력하는 대부분의 거래자들이 사용하는 이동 평균의 이동 평균 이동 평균은 지연 경향 지표로서 새로운 경향을 예측하지는 않지만 일단 확립되면 추세를 확인한다는 것을 의미합니다. 그림 1에서 볼 수 있듯이, 주가가 이동 평균 이상이고 평균이 상승 할 때 상승 추세로 판단된다. 반대로, 상인은 하향 기울기 평균을 밑도는 가격을 사용하여 하락 추세를 확인한다. 많은 상인들은 가격이 이동 평균 이상으로 거래 될 때의 자산이 간단한 규칙은 거래자가 트렌드에 호의적으로 작용할 수 있도록 도와줍니다. 모멘텀 많은 초보 트레이더들은 모멘텀을 측정하고 이동 평균을 사용하여 그러한 업적을 해결하는 방법을 묻습니다 간단한 대답은 각 시간주기가 다른 유형의 운동량에 대한 유용한 통찰력을 제공 할 수 있으므로 평균 생성에 사용 된 시간에 세심한주의를 기울이는 것입니다. 일반적으로 단기 성과 ntum은 20 일 이하의 기간에 초점을 맞춘 이동 평균을보고 계측 할 수 있습니다. 20-100 일의 기간으로 생성 된 이동 평균을 보는 것은 일반적으로 중기 모멘텀의 좋은 척도로 간주됩니다. 마지막으로, 계산에서 100 일 이상을 사용하는 평균은 장기 모멘텀의 척도로 사용될 수 있습니다. 상식은 15 일 이동 평균이 200 일 이동 평균보다 단기 모멘텀의 더 적절한 측정이라고 말해야합니다 자산의 힘의 힘과 방향을 결정하는 가장 좋은 방법 중 하나는 3 개의 이동 평균을 차트에 놓은 다음 서로 관련하여 서로 겹쳐 쌓는 방법에 세심한주의를 기울이는 것입니다. 일반적으로 사용되는 3 개의 이동 평균은 단기적, 중기 적 및 장기간의 가격 변동을 나타 내기위한 다양한 시간 틀 그림 2에서 단기 평균은 장기 평균보다 높고 두 평균은 d 역설적으로, 단기 평균이 장기 평균보다 낮을 경우, 모멘텀은 하향 방향입니다. 지원 이동 평균의 또 다른 일반적인 사용은 잠재적 가격 지원을 결정하는 것입니다. 이동 평균을 다룰 때 많은 경험을하지 않습니다 자산의 하락 가격이 종종 평균 수준과 같은 수준으로 멈추고 방향을 바꾼다는 것을 알기를 바랍니다. 예를 들어, 그림 3에서 200 일 이동 평균이 주식 가격을 소급 할 수 있었던 것을 볼 수 있습니다 그것은 32 근처의 최고에서 떨어졌습니다. 많은 거래자들은 주요 이동 평균의 반등을 예상 할 것이며 예상되는 이동의 확인으로 다른 기술적 인 지표를 사용할 것입니다. 저항 자산의 가격이 200과 같은 영향력있는 지원 수준 아래로 떨어지면 일 평균 이동 평균, 투자자가 그 평균 이상으로 가격을 다시 밀어 내지 못하게하는 강력한 장벽으로 평균 행위를 보는 것은 드문 일이 아닙니다. 아래 차트에서 볼 수 있듯이, 저항은 흔히 이윤을 취하거나 기존의 긴 포지션을 끝내는 신호로 거래자에 의해 사용됩니다. 가격이 종종 저항에서 벗어나서 이동을 계속하기 때문에 많은 짧은 판매자는이 평균을 진입 점으로 사용합니다. 투자자 인 경우 주요 이동 평균 이하로 거래하는 자산에서 장기 포지션을 보유하고있는 고객은 투자 가치에 큰 영향을 줄 수 있으므로 이러한 레벨을주의 깊게 관찰하는 것이 가장 중요합니다. 정지 손실 이동의 지원 및 저항 특성 평균은 위험 관리를위한 훌륭한 도구가됩니다. 스톱 로스 주문을 설정하기 위해 전략적 장소를 파악하기 위해 평균 이동 능력을 사용하면 상인은 더 큰 규모로 성장하기 전에 상실 위치를 차단할 수 있습니다. 그림 5에서 볼 수 있듯이, 주식의 위치를 ​​결정하고 영향력있는 평균 이하의 스톱 로스 주문을 설정하면 많은 돈을 절약 할 수 있습니다. 이동 평균을 사용하여 스톱 로스 주문을 설정하는 것이 성공적인 거래의 핵심입니다 딩 전략.