What039s der Unterschied zwischen gleitendem Durchschnitt und gewichtetem gleitendem Durchschnitt Ein gleitender 5-Periodendurchschnitt, der auf den oben genannten Preisen basiert, würde nach folgender Formel berechnet: Basierend auf der obigen Gleichung betrug der Durchschnittspreis der oben genannten Periode 90,66. Die Verwendung von gleitenden Durchschnitten ist eine wirksame Methode zur Beseitigung starker Preisschwankungen. Die Schlüsselbegrenzung besteht darin, dass Datenpunkte von älteren Daten nicht anders gewichtet werden als Datenpunkte nahe dem Anfang des Datensatzes. Hier kommen gewichtete gleitende Mittelwerte ins Spiel. Gewichtete Mittelwerte weisen eine höhere Gewichtung auf aktuellere Datenpunkte zu, da sie relevanter sind als Datenpunkte in der fernen Vergangenheit. Die Summe der Gewichtung sollte bis zu 1 (oder 100) addieren. Im Fall des einfachen gleitenden Durchschnitts sind die Gewichtungen gleichmäßig verteilt, weshalb sie in der obigen Tabelle nicht dargestellt sind. Schlusskurs AAPL Der gewichtete Durchschnitt wird durch Multiplikation des gegebenen Preises mit der zugehörigen Gewichtung und anschließenden Summierung der Werte berechnet. Im obigen Beispiel wäre der gewichtete 5-Tage-Gleitende Durchschnitt 90,62. In diesem Beispiel wurde dem jüngsten Datenpunkt die höchste Gewichtung aus willkürlichen 15 Punkten gegeben. Sie können die Werte aus jedem beliebigen Wert wiegen. Der niedrigere Wert aus dem gewogenen Durchschnitt über dem einfachen Durchschnitt deutet darauf hin, dass der jüngste Verkaufsdruck bedeutender sein könnte, als einige Händler erwarten. Für die meisten Händler ist die populärste Wahl, wenn gewichtete gleitende Durchschnitte verwendet werden, eine höhere Gewichtung für die jüngsten Werte zu verwenden. (Weitere Informationen finden Sie in der Moving Average Tutorial) Lesen Sie über den Unterschied zwischen exponentiellen gleitenden Durchschnitten und gewichteten gleitenden Durchschnitten, zwei Glättungsindikatoren, die. Read Answer Der einzige Unterschied zwischen diesen beiden Arten von gleitenden Durchschnitt ist die Empfindlichkeit, die jeder zeigt, um Änderungen in den Daten verwendet. Read Answer Erfahren Sie mehr über die Berechnung und Interpretation gewichteter Durchschnitte, einschließlich der Berechnung eines gewogenen Durchschnitts mit Microsoft. Antwort lesen Sehen Sie, warum bewegte Durchschnitte sich als vorteilhaft für Händler und Analytiker erwiesen haben und nützlich, wenn sie auf Preisdiagramme angewendet werden und. Read Answer Erfahren Sie, wie Händler und Investoren gewichtetes Alpha verwenden, um die Dynamik eines Aktienkurses zu identifizieren und ob sich die Preise weiter verschieben. Read Answer Erfahren Sie über einige der inhärenten Einschränkungen und mögliche falsche Anwendungen der gleitenden durchschnittlichen Analyse innerhalb der technischen Lager. Lesen Sie Antwort Gleitende Durchschnitte: Was sind sie Unter den beliebtesten technischen Indikatoren werden gleitende Mittelwerte verwendet, um die Richtung des aktuellen Trends zu messen. Jede Art durchschnittlich bewegen (allgemein in diesem Tutorial als MA geschrieben) ist ein mathematisches Ergebnis, das durch Mittelung einer Anzahl vergangener Datenpunkte berechnet. Sobald bestimmt ist, wird der resultierende Mittelwert dann auf einem Diagramm aufgetragen, um Händler zu ermöglichen, bei geglätteten Daten zu suchen, anstatt sich auf den Tag-zu-Tag Preisschwankungen, die in allen Finanzmärkten inhärent sind. Die einfachste Form eines gleitenden Durchschnitts, in geeigneter Weise als ein einfacher gleitender Durchschnitt (SMA) bekannt ist, wird berechnet, indem das arithmetische Mittel aus einer gegebenen Menge von Werten berechnet. Um zum Beispiel eine grundlegende 10-Tage gleitenden Durchschnitt zu berechnen würden Sie die Schlusskurse aus den letzten 10 Tagen addieren und dann teilen Sie das Ergebnis durch 10. In Abbildung 1 ist die Summe der Preise für die letzten 10 Tage (110) Geteilt durch die Anzahl von Tagen (10), um den 10-Tage-Durchschnitt zu erreichen. Wenn ein Trader einen 50-Tage-Durchschnitt sehen möchte, würde die gleiche Art der Berechnung gemacht, aber er würde auch die Preise in den letzten 50 Tagen enthalten. Der resultierende Durchschnitt unter (11) berücksichtigt die letzten 10 Datenpunkte, um den Händlern eine Vorstellung zu geben, wie ein Gewinn für den letzten 10 Tagen relativ preiswert ist. Vielleicht fragen Sie sich, warum technische Händler nennen dieses Tool einen gleitenden Durchschnitt und nicht nur ein normaler Durchschnitt. Die Antwort ist, dass, wenn neue Werte verfügbar werden, die ältesten Datenpunkte aus dem Satz fallen gelassen werden müssen und neue Datenpunkte hereinkommen müssen, um sie zu ersetzen. Somit bewegt sich der Datensatz ständig auf neue Daten, sobald er verfügbar ist. Diese Berechnungsmethode stellt sicher, dass nur die aktuellen Informationen berücksichtigt werden. Wenn in Fig. 2 der neue Wert von 5 zu dem Satz hinzugefügt wird, bewegt sich das rote Feld (das die letzten 10 Datenpunkte darstellt) nach rechts und der letzte Wert von 15 wird aus der Berechnung entfernt. Weil der relativ kleine Wert von 5 den hohen Wert von 15 ersetzt, würden Sie erwarten, dass der Durchschnitt des Datensatzabbaus zu sehen, was er tut, in diesem Fall von 11 bis 10. Wie sehen sich die gleitenden Mittelwerte aus? MA berechnet worden sind, werden sie auf ein Diagramm aufgetragen und dann verbunden, um eine gleitende mittlere Linie zu erzeugen. Diese Kurvenlinien sind auf den Diagrammen der technischen Händler üblich, aber wie sie verwendet werden, können drastisch variieren (mehr dazu später). Wie Sie in Abbildung 3 sehen können, ist es möglich, mehr als einen gleitenden Durchschnitt zu irgendeinem Diagramm hinzuzufügen, indem man die Anzahl der Zeitperioden, die in der Berechnung verwendet werden, anpasst. Diese kurvenreichen Linien scheinen vielleicht ablenkend oder verwirrend auf den ersten, aber youll wachsen Sie daran gewöhnt, wie die Zeit vergeht. Die rote Linie ist einfach der durchschnittliche Preis in den letzten 50 Tagen, während die blaue Linie der durchschnittliche Preis in den letzten 100 Tagen ist. Nun, da Sie verstehen, was ein gleitender Durchschnitt ist und wie es aussieht, stellen Sie auch eine andere Art von gleitenden Durchschnitt ein und untersuchen, wie es sich von der zuvor genannten einfachen gleitenden Durchschnitt unterscheidet. Die einfache gleitende Durchschnitt ist sehr beliebt bei den Händlern, aber wie alle technischen Indikatoren, hat es seine Kritiker. Viele Personen argumentieren, dass die Nützlichkeit der SMA begrenzt ist, da jeder Punkt in der Datenreihe gleich gewichtet wird, unabhängig davon, wo er in der Sequenz auftritt. Kritiker argumentieren, dass die neuesten Daten bedeutender sind als die älteren Daten und sollten einen größeren Einfluss auf das Endergebnis haben. Als Reaktion auf diese Kritik begannen die Händler, den jüngsten Daten mehr Gewicht zu verleihen, was seitdem zur Erfindung verschiedener Arten von neuen Durchschnittswerten geführt hat, wobei der populärste der exponentielle gleitende Durchschnitt (EMA) ist. (Für weitere Informationen siehe Grundlagen der gewichteten gleitenden Mittelwerte und was ist der Unterschied zwischen einer SMA und einer EMA) Exponentieller gleitender Durchschnitt Der exponentielle gleitende Durchschnitt ist eine Art von gleitendem Durchschnitt, die den jüngsten Preisen mehr Gewicht verleiht, um sie reaktionsfähiger zu machen Zu neuen Informationen. Das Erlernen der etwas komplizierten Gleichung für die Berechnung einer EMA kann für viele Händler unnötig sein, da fast alle Kartierungspakete die Berechnungen für Sie durchführen. Jedoch für Sie Mathegeeks heraus dort, ist hier die EMA-Gleichung: Wenn Sie die Formel verwenden, um den ersten Punkt der EMA zu berechnen, können Sie feststellen, dass es keinen Wert gibt, der als das vorhergehende EMA benutzt werden kann. Dieses kleine Problem kann gelöst werden, indem man die Berechnung mit einem einfachen gleitenden Durchschnitt beginnt und mit der obigen Formel fortfährt. Wir haben Ihnen eine Beispielkalkulationstabelle zur Verfügung gestellt, die praktische Beispiele enthält, wie Sie sowohl einen einfachen gleitenden Durchschnitt als auch einen exponentiellen gleitenden Durchschnitt berechnen können. Der Unterschied zwischen der EMA und SMA Nun, da Sie ein besseres Verständnis haben, wie die SMA und die EMA berechnet werden, können wir einen Blick darauf werfen, wie sich diese Mittelwerte unterscheiden. Mit Blick auf die Berechnung der EMA, werden Sie feststellen, dass mehr Wert auf die jüngsten Datenpunkte gelegt wird, so dass es eine Art von gewichteten Durchschnitt. In Abbildung 5 sind die Anzahl der Zeitperioden, die in jedem Durchschnitt verwendet werden, identisch (15), aber die EMA reagiert schneller auf die sich ändernden Preise. Beachten Sie, wie die EMA einen höheren Wert hat, wenn der Preis steigt, und fällt schneller als die SMA, wenn der Preis sinkt. Diese Reaktionsfähigkeit ist der Hauptgrund, warum viele Händler es vorziehen, die EMA über die SMA zu verwenden. Was sind die verschiedenen Tage Durchschnittliche Mittelwerte sind eine völlig anpassbare Indikator, was bedeutet, dass der Benutzer frei wählen können, was Zeitrahmen sie wollen, wenn die Schaffung der Durchschnitt. Die häufigsten Zeitabschnitte, die bei gleitenden Durchschnitten verwendet werden, sind 15, 20, 30, 50, 100 und 200 Tage. Je kürzer die Zeitspanne, die verwendet wird, um den Durchschnitt zu erzeugen, desto empfindlicher wird es für Preisänderungen sein. Je länger die Zeitspanne, desto weniger empfindlich, oder mehr geglättet, wird der Durchschnitt sein. Es gibt keinen richtigen Zeitrahmen für die Einrichtung Ihrer gleitenden Durchschnitte. Der beste Weg, um herauszufinden, welche am besten für Sie arbeitet, ist es, mit einer Reihe von verschiedenen Zeitperioden zu experimentieren, bis Sie eine finden, die zu Ihrer Strategie passt. Moving Averages: So verwenden Sie Them Subscribe to News Für die neuesten Erkenntnisse und Analysen verwenden Danke für die Anmeldung zu Investopedia Insights - News zu verwenden. Wie kalkuliere ich einen gleitenden Durchschnitt Ian Lurie Mai 4 2009 Mein mom8217s ein PHD-Physiker. Mein Vater, ein PHD-Ingenieur. Als ich 13 Jahre alt war, verabschiedeten sie sich von irgendwelchen Träumen, dass ich ein Mathegenie war, und hoffte, dass ich endlich auf 20 zählen würde, ohne meine Schuhe zu entfernen. Also, wenn ich 8216publish8217 für diesen Beitrag, I8217m gehen, ein wenig zucken, warten auf jemanden who8217s eigentlich mathematisch-kompetent, rufen Sie mich als der Betrug, den ich bin. Aber I8217m schreibt dies trotzdem, denn einige Leute reagierten auf die letzte Woche8217s 11 Things Post, indem sie Sachen wie 8220OK, weise Arsch, erklären, einige dieser stuff.8221 What8217s ein Rolling Average Ein einfacher gleitender Durchschnitt (auch als gleitenden Durchschnitt, wenn Sie wollten Zu wissen) ist das ungewichtete Mittel der letzten n Werte. Meine erste Reaktion, wenn ich eine Definition wie das las, war 8220Buh8221. Vielleicht war es sinnvoll für dich, aber für mich war es total mathinese. Here8217s meine Definition eines einfachen rollenden Durchschnitts: ein Durchschnitt der letzten n Werte in einem Datensatz, zeilenweise angewendet, so dass Sie eine Reihe von Durchschnitten erhalten. Buh OK, versuchen Sie dieses Beispiel. Die Spalte auf der rechten Seite ist der rollende Durchschnitt: Sehen Sie, wie das funktioniert I8217m nur unter dem Durchschnitt der letzten 7 Zeilen, den ganzen Weg hinunter die Spalte. That8217s ein einfaches rollenden Durchschnitt. Und vertrauen Sie mir, ich stoppe bei 8216simple8217. Wenn Sie mehr komplexe gleitende Durchschnitte lernen möchten, lesen Sie die Wikipedia-Seite. Warum ein Rolling Average ein Rolling Average kann Ihnen helfen, Trends, die sonst schwer zu erkennen. Mit den Daten von oben, erhalten Sie eine Grafik, die wie folgt aussieht: That8217s nicht schrecklich hilfreich als Trend-Detektor. Es sieht aus wie meine Website bekam einen Fall der Schluckauf. Verwenden Sie einen gleitenden Durchschnitt, und Sie beginnen zu sehen, ein Muster auftauchen, mit Peaks passiert immer öfter: That8217s, warum Rolling Average sind so nützlich: Wenden Sie sie zur richtigen Zeit und Sie können eine Vorstellung von aufkommenden Trends zu bekommen, auch wenn Diese Trends sind wegen der plötzlichen Sprünge in Ihren Daten geschehen. Ich bleibe stehen. Mathe-kompetente Leute, fühlen Sie sich frei, endlose Kommentare über, wie ich nur Ihre Lieblings-Konzept verkürzte verlassen.8230 CEO Ian Lurie ist CEO und Gründer von Portent Inc. Hes aufgenommen Ausbildung für Lynda, schreibt regelmäßig für die Portent Blog und wurde auf AllThingsD, Forbes veröffentlicht Und TechCrunch. Ian spricht auf Konferenzen rund um die Welt, darunter SearchLove, MozCon, SIC und ad: Tech. Folgen Sie ihm auf Twitter bei portentint. Er auch nur ein Buch über Strategie für Dienstleistungen Unternehmen veröffentlicht: Ein Trick Ponies Get Shot. Verfügbar auf Kindle. Lesen Sie weiter 6 Kommentare Ganz einfach der nützlichste Blog-Post habe ich in einer sehr langen Zeit gelesen. Ich vermute, dass die meisten von uns im Marketing Mathe-Idioten sind Ich persönlich bin ein gescheiterter Ingenieur Aber Ihre Erklärung des rollenden Durchschnitts und was es tun kann, um zu helfen, Trends zu identifizieren ist excellent8211very nützliche Informationen. Vielen Dank für die Zeit nehmen, um es zu teilen Eine absolut brillante Post Rolling Durchschnitte helfen uns zu verfolgen und zu analysieren Progression Ebenen für fast jede gegebene Metrik. Es gibt ein realistischeres Bild als die Standard-Durchschnitt, so dass wir Korrekturmaßnahmen ergreifen, wie und wenn nötig. Rolling-Durchschnitte sind besonders nützlich bei der Prognose des Umsatzes. Sorry, ich kann ein Mathe-Idiot mich sein. Ein absolut genialer Beitrag Rollendurchschnitte helfen uns, Progressionsniveaus für fast jede gegebene Metrik zu verfolgen und zu analysieren. Es gibt ein realistischeres Bild als die Standard-Durchschnitt, so dass wir Korrekturmaßnahmen ergreifen, wie und wenn nötig. Rolling-Durchschnitte sind besonders nützlich bei der Prognose des Umsatzes. Sorry, ich kann ein Mathe-Idiot mich sein. Guilherme Aug 19 2009, 07:35:50 Ich habe nie in Blogs kommentieren so bär mit mir, wenn ich etwas aus dem gewöhnlichen oder eine beschissene Struktur zu sagen. Ich möchte Ihnen für die Informationen in diesem Blog danken, da neue zu vielen der Marketing-Konzepte präsentiert die leicht verständlichen Einsichten sind sehr geschätzt. Halten Sie sich die gute Arbeit und da niemand erwähnt hat, ich denke, wenn Sie die volle Tabelle, die die Grafik, die für die Mathe-kompetente Leute nett sein könnte, aber andere als diese große Post präsentiert. Silvia Sep 29 2009, 03:35:57 Hi there Großer Beitrag, that8217s sicher Nur vor einem Monat habe ich auch didn8217t über die Funktionalität der rollenden Durchschnitte wissen. Eigentlich kommen sie praktisch, wenn mit Trends Berichte in Web-Analytics. Ein einfacher Weg, um den rollenden Durchschnitt zu betrachten ist, wenn eine Trendlinie für Ihre Websites Traffic über einen Monat zeigt Ihnen den Trend als eine gerade Linie nach oben oder unten lehnen, möchten Sie vielleicht in die Tiefe gehen und entdecken Sie wöchentliche Trends innerhalb der monatlichen Trend . Also, was Sie tun, ist, wählen Sie einen gleitenden Durchschnitt von 7 Tagen, und Sie können sehen, wie in Ihrem monatlichen Trend Ihre wöchentlichen Trend fortschreitet. -) Hallo Ian, ich war vertraut mit allen anderen Konzepten in Ihrem 11 Punkte Artikel und I8217ve sogar ein paar Statistiken Klassen zurück in der Schule. Irgendwie8230 Ich vermisste den rollenden Durchschnitt. Dies ist ganz einfach einer der am meisten sofortige Marketing-Artikel I8217ve je gelesen. Informieren Sie Ihren GM Ich unterschreibe auf 1000 exp als Dankeschön für upping mein Spiel. Dimitri Kommentare sind geschlossen. Moving durchschnittliche und exponentielle Glättung Modelle Als ein erster Schritt, um über die Mittel-Modelle, zufällige gehen Modelle und lineare Trend-Modelle, nicht saisonale Muster und Trends können mit einem gleitenden Durchschnitt oder Glättung Modell extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird in der Periode t (m1) / 2 zentriert, was bedeutet, daß die Schätzung des lokalen Mittels dazu tendiert, hinter dem Wert zu liegen Wahren Wert des lokalen Mittels um etwa (m1) / 2 Perioden. Das durchschnittliche Alter der Daten im einfachen gleitenden Durchschnitt ist also (m1) / 2 relativ zu der Periode, für die die Prognose berechnet wird: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten in der Daten. Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Fußmodell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige Fußmodell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt er viel von der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das durchschnittliche Alter der Daten in dieser Prognose beträgt 3 ((51) / 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-term einfachen gleitenden Durchschnitt ausprobieren, erhalten wir sogar noch bessere Prognosen und mehr eine nacheilende Wirkung: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) / 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-term gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. 945 bezeichnen eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell entspricht einem zufälligen Weg-Modell (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang) Das Durchschnittsalter der Daten in der Simple-Exponential-Glättungsprognose beträgt 1/945 relativ zu dem Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1/945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 / 0,2961 3,4 Perioden, was ähnlich wie bei einem 6-Term-Simple Moving ist durchschnittlich. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird ein ARIMA-Modell mit einer nicht sonderbaren Differenz und einem MA (1) - Term mit konstantem, d. H. Einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keine Tendenzen gibt (die in der Regel in Ordnung sind oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), und sie können modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, dies wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit, und die erste Prognose ist gleich der tatsächlichen ersten Beobachtung) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineares Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die er anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstante 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Durchschnittsalter der Daten, die für die Schätzung der lokalen Ebene der Serie verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1/946, wenn auch nicht exakt gleich es. In diesem Falle ergibt sich 1 / 0,006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, sondern dieselbe von der gleichen Größenordnung wie die Stichprobengröße von 100 ist , So dass dieses Modell ist im Durchschnitt über eine ganze Menge Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Seitenanfang.) Wie Sie einen Rolling Average berechnen Um mit dem Berechnen eines Rolling Average zu beginnen, laden Sie bitte das Basic Rolling Average Forecast Beispiel herunter. Wie es für die Erläuterung der Berechnungen in diesem Abschnitt verwendet wird. Die erste Entscheidung, die ein Unternehmen bei der Berechnung eines rollierenden Durchschnitts machen muss, ist, wie viele Perioden durchschnittlich als n bezeichnet werden. Im Beispiel n 4 Perioden. Das heißt, vier Perioden von historischen Daten werden verwendet, um den rollenden Durchschnitt zu entwickeln. Ein Unternehmen muss die Anzahl der Perioden, die sie durchschnittlich zu wählen, basierend auf, wie reaktiv wollen sie die rollenden Durchschnitt mit aufgezeichneten Datenänderungen zu wählen. Je mehr Zeiträume gemittelt, desto weniger reaktive die Rolling-Mittelwerte werden, die Mittel mit nur ein paar Perioden, wie ein oder zwei, wird sehr reaktive rollende Mittelwerte bieten, aber dann mit diesen kleinen Daten, können Sie auch nur einen Standard-Durchschnitt verwenden. Die Berechnung eines rollierenden Durchschnitts erfordert Daten, die über mehrere konsistente Zeiträume aufgezeichnet wurden. Gewöhnlich werden historische Daten wie historische Verkäufe, Produktion oder sogar Gewinne verwendet. Dieser rollende Durchschnitt ergibt einen zukünftigen Wert, der als Prognose bekannt ist. Eine Prognose ist eine berechnete Vorhersage jeglicher Art von künftigen Daten für den nächsten Geschäftszeitraum, einschließlich täglicher, wöchentlicher oder monatlicher Prognosen, basierend auf der letzten Anzahl von Perioden, n, von historisch aufgezeichneten Daten, die bei der Berechnung verwendet werden. Genauer kann ein Rollmittelwert als ein kontinuierlich bewegter, berechneter Durchschnitt der jüngsten Anzahl von Perioden n definiert werden, die durch das Unternehmen definiert ist. Werfen wir einen Blick auf das Beispiel, um zu sehen, wie diese Berechnung funktioniert. In Tabelle 1 des Beispiels ist die erste berechnete Prognose für den Zeitraum 5, der 775 beträgt, berechnet worden. Dies wurde berechnet, indem die vier jüngsten historischen Datenstücke vor der fünften Periode mit roten Häkchen gemittelt wurden, da n 4 Perioden für dieses Beispiel. Die detaillierten Berechnungen der Prognoseperioden sind in Tabelle 2 dargestellt. Sobald die tatsächlichen Daten für Zeitraum fünf gesammelt und in der Tabelle aufgezeichnet werden, kann die Prognose für Zeitraum sechs berechnet werden. Die fortlaufende durchschnittliche Prognose für die Periode sechs wird auf der Basis der vier letzten historischen Datenelemente vor der sechsten Periode eines Durchschnitts der historischen Daten für die Perioden 2 bis 5, die mit blauen Häkchen angegeben sind, berechnet. Die Prognose wird dann in der Tabelle dokumentiert, die die blaue 825-Prognose für Periode sechs in Tabelle 1 in dem Beispiel ist. Um die detaillierten Berechnungen für die Prognose der sechsten Perioden zu sehen, sehen Sie in der zweiten Zeile der Tabelle 2 im Beispiel. Um herauszufinden, wie Sie eine durchschnittliche Durchschnittsprognose mit zwei Variablen berechnen können, lesen Sie bitte auf Seite 2 weiter. Erfahren Sie, wie Sie einen gleitenden Durchschnitt berechnen, um eine Prognose zu entwickeln. Dieser Abschnitt enthält einen Leitfaden für die Berechnung einer durchschnittlichen Produktionsprognose und die Berechnung einer durchschnittlichen Umsatzprognose mit Arbeitsbeispielen für beide Abteilungen eines Unternehmens. Berechnung Rolling Average Manufacturing Forecasts Die Herstellungsprognose kann berechnen, wie viele Artikel zu produzieren, um die Nachfrage der Unternehmen Käufer, bekannt als Produktionsplanung oder zu berechnen, wie viele Elemente auf Lager in einem Geschäft, bekannt als Nachfrage-Planung. Um zu befolgen, wie zu berechnen rollenden durchschnittlichen Herstellungsprognosen, downloaden Sie Computing Rolling Average Manufacturing Prognosen eine Microsoft Excel-Datei mit zwei Arbeitsbeispielen einer rollenden durchschnittlichen Produktionsprognose Berechnungen. Die Produktionsplanung - (Seite 1) Die Produktionsplanung in einer Fertigungsanlage hängt von der Menge der von den Käufern prognostizierten Einheiten in der Zukunft ab. Wie auf Seite 1 zu sehen. Um eine rollende durchschnittliche Produktionsplanungsvorhersage zu berechnen, um vorauszusagen, wie viele Einheiten zur Herstellung eines Unternehmens wissen müssen, wie viele Einheiten in den letzten n Perioden gefordert wurden. Die jüngste Anzahl von n Perioden wird gemittelt, um eine Prognose zu erstellen. Wenn ein weiterer Monat abgeschlossen ist, wird die Anzahl von n Perioden gemittelt, um die letzten n Perioden zu mitteln. Dies ist am Beispiel zu sehen. Die Anzahl der verwendeten Perioden beträgt vier Perioden, wie durch n4 Perioden angegeben. Die Periode fünf wird durch die Mittelung von Perioden, die eine bis vier Perioden sechs prognostiziert werden, durch Mittelungsperioden von zwei bis fünf prognostiziert. Wenn mehr Zeiträume verwendet werden, um eine durchschnittliche durchschnittliche Prognose zu berechnen, wird die Prognose weniger reagieren. Die Verwendung von nur zwei bis vier Perioden ist üblicherweise die normale Anzahl von Perioden, die Produktionsunternehmen zur Berechnung von Produktionsplanungsvorhersagen verwenden. Die Bedarfsplanung - (Seite 2) Nach eingehender Analyse Page 1. Kann das Demand Planning Forecast Beispiel auf Seite 2 eine sehr ähnliche Ähnlichkeit aufweisen. Die Beispiele auf beiden Seiten sind praktisch die gleichen aber in der Nachfrageplanung historische Daten der Anzahl der Einheiten an Käufer oder Kunden verkauft werden die beste Metrik, um eine rollende durchschnittliche Nachfrage Planung Prognose genauer zu berechnen. Wie zu berechnen Moving Average Sales Forecasts Eine gleitende durchschnittliche Umsatzprognose berechnet wird, die gleiche Weise wie eine Produktion Prognose. Um eine gleitende durchschnittliche Umsatzprognose zu sehen, laden Sie das Beispiel einer gleitenden durchschnittlichen Verkaufsprognose herunter. Dies ist auch eine Excel-Datei, wie die Computing Rolling Average Manufacturing Forecasts im vorherigen Abschnitt, aber diese Datei hat drei Seiten. Die zwei zusätzlichen Seiten enthalten Beispiele für gewichtete gleitende durchschnittliche Verkaufsprognosen und exponentielle Glättungsverkäufe. Weitere Informationen zu allen drei Prognose-Beispielen, die im Beispiel einer gleitenden durchschnittlichen Verkaufsprognose aufgeführt sind, finden Sie in dem Arbeitsbeispiel für eine Verkaufsprognose für 3 Prognosemethoden. Quellen Berry, W. L. Jacobs, F. R. Vollmann, T. E. Whybark, D. Clark. Fertigungsplanung und Steuerung für Supply Chain Management. (2005). Kapitel 2: Bedarfsmanagement (S. 17-52) Bilder: Erstellt durch den Autor dieses Artikels, Christopher Kochan. Mediendateien: Alle Mediendateien in diesem Artikel wurden von dem Autor, Christopher Kochan speziell für die Leser dieses Artikels erstellt.
No comments:
Post a Comment