ง่าย เฉลี่ยเคลื่อนที่ ตัวอย่าง การพยากรณ์

Moving Average ตัวอย่างนี้สอนวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้จุดสูงสุดและที่ราบสูงเป็นไปอย่างราบรื่นเพื่อให้ทราบถึงแนวโน้มต่างๆได้ง่ายขึ้นอันดับแรกลองดูที่ชุดข้อมูลเวลาของเรา คลิกการวิเคราะห์ข้อมูลคลิกที่นี่เพื่อโหลด Add-In Toolkit การวิเคราะห์ 3 เลือก Moving Average และคลิก OK.4 คลิกในกล่อง Input Range และเลือกช่วง B2 M2 5. คลิกที่ช่อง Interval และพิมพ์ 6.6 คลิกที่ Output Range และเลือกเซลล์ B3.8 วาดกราฟของค่าเหล่านี้การอธิบายเนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและ จุดข้อมูลปัจจุบันเป็นผลให้ยอดและหุบเขาถูกทำให้ราบเรียบกราฟแสดงแนวโน้มการเพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้มากพอ 9 ทำซ้ำตามขั้นตอนที่ 2 ถึง 8 สำหรับช่วง 2 และช่วงเวลา 4. บทสรุป The la rger ช่วงเวลาที่มากขึ้น peaks และหุบเขาจะเรียบออกช่วงที่มีขนาดเล็กที่ใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่จุดข้อมูลที่เกิดขึ้นจริงหมายเหตุ - OR เป็นชุดของบันทึกเบื้องต้นในหัวข้อที่อยู่ภายใต้หัวข้อกว้างของเขตข้อมูล ของการวิจัยการดำเนินงานหรือพวกเขาถูกนำมาใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่ Imperial College พวกเขากำลังพร้อมใช้งานสำหรับนักเรียนและครูที่สนใจในหรือตามเงื่อนไขต่อไปนี้รายการเต็มรูปแบบของหัวข้อที่มีอยู่ใน OR - สามารถดูตัวอย่างได้ที่นี่ตัวอย่างเช่นการสาธิตตัวอย่างเช่นการทดสอบ UG ในปี 1996 ความต้องการผลิตภัณฑ์ในแต่ละเดือนที่ผ่านมาแสดงไว้ด้านล่างใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6. เติมความเรียบง่ายขึ้น มีความราบเรียบคงที่ของ 0 9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือน 6.Which ของทั้งสองคาดการณ์ที่คุณชอบและทำไมสองเดือนเฉลี่ยเคลื่อนที่สำหรับเดือนที่สองถึงห้าจะได้รับโดยการคาดการณ์สำหรับ m ค่าเฉลี่ยของเดือนที่หกเป็นค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือนที่ 5 m 5 2350 โดยใช้การคำนวณหาค่าเฉลี่ยที่ราบเรียบเป็น 0 9 เราได้รับเมื่อก่อนการคาดการณ์สำหรับเดือนที่ 6 เป็นค่าเฉลี่ยของเดือนที่ 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์ที่เราคำนวณหาค่าส่วนเบี่ยงเบนเฉลี่ย MSD ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ MSD 15 - 19 18 - 23 21 - 24 3 16 67. และสำหรับค่าเฉลี่ยที่ได้รับการชี้แจงอย่างเด่นชัดด้วย a คาคงที่รอยละ 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44 โดยรวมแลวเราเห็นวาการแกปญหาแบบเสนขอบจะเปนการคาดการณ์ที่ดีที่สุด 1 เดือนเนื่องจากมี MSD ต่ําลง ชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการจัดเรียบเรียงอธิบายตัวอย่างเช่นการสำรวจ UG ในปี 1994 UG ตารางด้านล่างแสดงความต้องการ aftershave ใหม่ในร้านค้าสำหรับแต่ละ 7 เดือนคำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สอง เจ็ดสิ่งที่คาดหวังของคุณสำหรับความต้องการในแปดเดือนสมัคร การเพิ่มขึ้นของเลขแจงที่มีค่าคงที่ที่ราบเรียบของ 0 1 เพื่อให้ได้การคาดการณ์สำหรับความต้องการในเดือนที่แปดซึ่งคาดการณ์ไว้สำหรับเดือนที่สองของเดือนที่คุณชอบและทำไมผู้ดูแลร้านเชื่อว่าลูกค้าจะเปลี่ยนไปใช้ aftershave ใหม่จากแบรนด์อื่น ๆ อภิปราย วิธีที่คุณอาจจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่ 2-7 จะได้รับโดยการคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือนที่ 7 m 7 46 อ้างอิงจากการเพิ่มขึ้นของการแจกแจงแบบเรียบและมีค่าคงที่ที่ราบเรียบของ 0 1 เราได้รับก่อนที่การคาดการณ์สำหรับเดือนที่แปดจะเป็นค่าเฉลี่ยสำหรับเดือน 7 M 7 31 11 31 เนื่องจากเราไม่สามารถ มีความต้องการเป็นเศษส่วนเมื่อต้องการเปรียบเทียบสองการคาดการณ์ที่เราคำนวณค่าความเบี่ยงเบนถัวเฉลี่ย MSD ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการชี้แจงโดยพลวัตโดยมีค่าคงที่ที่ราบเรียบจาก 0 1.Ove rall แล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนดูเหมือนจะให้ดีที่สุดคาดการณ์หนึ่งเดือนข้างหน้าเนื่องจากมี MSD ต่ำกว่าดังนั้นเราชอบคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อตรวจสอบการเปลี่ยนเราจะต้อง ใช้โมเดลกระบวนการ Markov โดยที่แบรนด์ของรัฐและเราต้องการข้อมูลสถานะเบื้องต้นและการเปลี่ยนความน่าจะเป็นของลูกค้าจากแบบสำรวจเราจะต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีแบบอย่างที่เหมาะสมหรือไม่ระหว่างแบบจำลองกับพฤติกรรมทางประวัติศาสตร์ตัวอย่างเช่น 1992 UG ตารางด้านล่างแสดงความต้องการสำหรับตราสินค้ามีดโกนเฉพาะในร้านค้าสำหรับแต่ละงวดเก้าเดือนคำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้าสิ่งที่คาดการณ์ไว้สำหรับความต้องการของคุณในเดือนสิบ เรียบด้วยความราบเรียบคงที่ของ 0 3 ที่จะได้รับการคาดการณ์สำหรับความต้องการในเดือนสิบซึ่งคาดการณ์ของทั้งสองสำหรับเดือนสิบที่คุณชอบและทำไมค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับ 3-9 เดือนคือ giv en by. การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 9 m 9 20 33. เนื่องจากเราไม่สามารถคาดการณ์ได้ในเดือนที่ 10 เท่ากับ 20Applying การปรับให้เรียบโดยใช้ a ค่อยๆคงที่ของ 0 3 เราได้รับเป็นก่อนที่จะคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยสำหรับเดือน 9 M 9 18 57 19 ที่เราไม่สามารถมีความต้องการที่เป็นเศษส่วนเพื่อเปรียบเทียบสองการคาดการณ์ที่เราคำนวณค่าเฉลี่ยเบี่ยงเบน MSD ถ้าเราทำเช่นนี้ เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยเฉลี่ยมีค่าคงที่การปรับให้เรียบอยู่ที่ 0 3. จากนั้นเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำกว่า การคาดการณ์ของ 20 ที่ได้รับการผลิตโดยเดือนที่สาม moving average. Forecasting ตัวอย่าง 1991 UG สอบตารางด้านล่างแสดงความต้องการสำหรับแบรนด์เฉพาะของเครื่องแฟกซ์ในห้างสรรพสินค้าในแต่ละสิบสองเดือนล่าสุดคำนวณสี่เดือน MOV ค่าเฉลี่ยสำหรับเดือนที่ 4 ถึง 12 การคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13. ใช้การคำนวณหาค่าเฉลี่ยที่ราบเรียบด้วยค่าคงที่ที่ราบเรียบจาก 0 2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งคุณคาดการณ์ไว้สำหรับเดือนที่ 13 ชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟ็กซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะถูกกำหนดโดย 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 ม. 8 33 32 30 27 4 30 5 ม 9 37 33 32 30 4 33 ม. 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25 การคาดการณ์ของเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 46 25 เนื่องจากเราไม่สามารถมีได้ ความต้องการเป็นเศษเล็กเศษน้อยของการคาดการณ์สำหรับเดือนที่ 13 เป็น 46. การใช้การเพิ่มความล้าสมัยที่มีความราบเรียบคงที่ของ 0 2 ที่เราได้รับเมื่อก่อนการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือน 12 M 12 38 618 39 เป็น w e ไม่สามารถมีความต้องการเศษเล็กเศษน้อยเมื่อต้องการเปรียบเทียบสองการคาดการณ์ที่เราคำนวณเบี่ยงเบนเฉลี่ย MSD ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยของค่าเฉลี่ยที่ราบรื่นด้วยค่าคงที่ที่ราบเรียบของ 0 2. จากนั้นเราจะเห็นว่า ค่าเฉลี่ยเคลื่อนที่ 4 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้า 1 เดือนเนื่องจากมีอัตราการเติบโตที่ลดลงดังนั้นเราจึงชอบประมาณการที่ 46 ซึ่งเกิดขึ้นจากการเปลี่ยนแปลงราคาตลาดเฉลี่ยเดือนที่สี่โดยรวมทั้งแบรนด์และแบรนด์อื่น ๆ สถานการณ์ทางเศรษฐกิจโดยทั่วไปสถานการณ์ที่เกิดขึ้นใหม่ตัวอย่างเช่นการวิเคราะห์ UG ในปี 1989 ตารางด้านล่างแสดงความต้องการแบรนด์เฉพาะของเตาอบไมโครเวฟในห้างสรรพสินค้าในแต่ละสิบสองเดือนคำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือนสิ่งที่จะเป็น การคาดการณ์ของคุณสำหรับความต้องการในเดือน 13.Apply เรียบชี้แจงกับราบรื่นคงที่ของ 0 7 ที่จะได้รับการคาดการณ์สำหรับความต้องการในเดือน 13. ซึ่งทั้งสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้ เราไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่ได้ 6 เดือนจนกว่าจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปดังนั้นเราจึงมีขนาด 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17 การคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38 17. เนื่องจากเราไม่สามารถมีความต้องการเศษเสี้ยวได้ การคาดการณ์สำหรับเดือนที่ 13 คือ 38. ใช้การอธิบายแบบเรียบด้วยค่าคงที่ที่ราบเรียบของ 0 7 เราได้ค่าเฉลี่ยเคลื่อนที่อย่างเรียบง่าย - SMA BREAKING DOWN Average Moving Average - SMA ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายสามารถปรับแต่งได้โดยสามารถคำนวณได้จากค่าต่างๆ จำนวนช่วงเวลาโดยการเพิ่มราคาปิดของการรักษาความปลอดภัยเป็นเวลาหลายช่วงเวลาและหารจำนวนรวมทั้งหมดนี้ตามจำนวนช่วงเวลาซึ่งจะทำให้ราคาเฉลี่ยของ การรักษาความปลอดภัยในช่วงเวลาค่าเฉลี่ยเคลื่อนที่ที่เรียบช่วยขจัดความผันผวนและทำให้สามารถดูแนวโน้มราคาของการรักษาความปลอดภัยได้ง่ายขึ้นหากค่าเฉลี่ยเคลื่อนที่ขึ้นเล็กน้อยหมายความว่าราคาของระบบรักษาความปลอดภัยจะเพิ่มขึ้น ราคาของระบบรักษาความปลอดภัยกำลังลดลงระยะเวลาของค่าเฉลี่ยเคลื่อนที่ที่ยาวนานยิ่งขึ้นค่าเฉลี่ยเคลื่อนที่ที่เรียบขึ้นค่าเฉลี่ยเคลื่อนที่ระยะสั้นมีความผันผวนมากขึ้น แต่การอ่านมีความใกล้เคียงกับข้อมูลต้นฉบับมากขึ้นความสำคัญเชิงนัยสาคัญค่าเฉลี่ยขั้นต่ำเป็นสิ่งสำคัญ เครื่องมือวิเคราะห์ที่ใช้ในการระบุแนวโน้มราคาปัจจุบันและศักยภาพในการเปลี่ยนแปลงแนวโน้มที่เป็นรูปแบบที่ง่ายที่สุดในการใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายในการวิเคราะห์กำลังใช้เพื่อระบุว่าการรักษาความปลอดภัยอยู่ในขาขึ้นหรือขาลงหรือไม่ เครื่องมือวิเคราะห์ที่ซับซ้อนคือการเปรียบเทียบคู่ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆกับแต่ละเฟรมเวลาที่ต่างกันถ้าค่าเฉลี่ยเคลื่อนที่ที่สั้นกว่ามีค่าสูงกว่าค่า t ค่าเฉลี่ยระยะสั้นที่คาดว่าจะเป็นขาขึ้นในทางกลับกันค่าเฉลี่ยระยะยาวที่สูงกว่าค่าเฉลี่ยระยะสั้นจะส่งสัญญาณการเคลื่อนไหวลงในแนวโน้มรูปแบบการซื้อขายที่เป็นที่แพร่หลายรูปแบบการค้าที่เป็นที่นิยมซึ่งใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ ได้แก่ การตายและ เครื่องหมายกากบาทสีเหลืองความตายเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ 50 วันที่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันนี่ถือเป็นสัญญาณหยาบคายว่าความเสียหายที่เกิดขึ้นอยู่ในร้านโกลเด้นครอสเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ระยะสั้นอยู่เหนือระดับความยาว ค่าเฉลี่ยถ่วงน้ำหนัก - ค่าเฉลี่ยเคลื่อนที่ (Rebound) เนื่องจากปริมาณการซื้อขายที่เพิ่มสูงขึ้น