ชี้แจง ถัว เฉลี่ยเคลื่อนที่ อัลฟา

การสำรวจความผันผวนเฉลี่ยโดยการย้ายน้ำหนักถ่วงน้ำหนักเชิงตัวเลขเป็นการวัดความเสี่ยงที่พบมากที่สุด แต่มีหลายรสชาติ ในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่าย เราใช้ข้อมูลราคาหุ้นที่เกิดขึ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้นภายใน 30 วัน ในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบทวีคูณ (EWMA) Historical Vs ความผันแปรเบื้องต้นก่อนอื่นให้วางเมตริกนี้ไว้ในมุมมองเล็กน้อย มีสองแนวทางที่กว้าง: ความผันผวนในอดีตและโดยนัย (หรือโดยนัย) วิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ ในทางตรงกันข้ามความผันผวนโดยนัยจะละเลยประวัติความเป็นมาซึ่งจะช่วยแก้ปัญหาความผันผวนโดยนัยตามราคาตลาด หวังว่าตลาดจะรู้ได้ดีที่สุดและราคาในตลาดมีแม้กระทั่งโดยนัยประมาณการความผันผวน ถ้าเรามุ่งเน้นไปที่สามวิธีทางประวัติศาสตร์ (ด้านซ้ายด้านบน) พวกเขามีสองขั้นตอนที่เหมือนกัน: คำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้สูตรการถ่วงน้ำหนักก่อนอื่นเรา คำนวณผลตอบแทนเป็นระยะ ๆ โดยทั่วไปแล้วผลตอบแทนรายวันจะได้รับผลตอบแทนแต่ละรายการในแง่บวก สำหรับแต่ละวันเราจะบันทึกล็อกอัตราส่วนราคาหุ้น (เช่นราคาในปัจจุบันหารด้วยราคาเมื่อวานนี้เป็นต้น) นี่เป็นการสร้างผลตอบแทนรายวันจาก u i to u i-m ขึ้นอยู่กับจำนวนวัน (m วัน) ที่เราวัด ที่ทำให้เราก้าวไปสู่ขั้นตอนที่สอง: นี่คือแนวทางที่แตกต่างกันสามวิธี ในบทความก่อนหน้า (ใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคต) เราพบว่าภายใต้สอง simplifications ยอมรับความแปรปรวนง่ายคือค่าเฉลี่ยของผลตอบแทนที่เป็นกำลังสอง: ขอให้สังเกตว่าผลรวมนี้แต่ละผลตอบแทนเป็นระยะจากนั้นแบ่งทั้งหมดโดย จำนวนวันหรือสังเกตการณ์ (ม.) ดังนั้นจริงๆมันเป็นเพียงเฉลี่ยของผลตอบแทนเป็นระยะ ๆ squared ใส่อีกวิธีหนึ่งแต่ละยกกำลังสองจะได้รับน้ำหนักเท่ากัน ดังนั้นถ้า alpha (a) เป็นปัจจัยการถ่วงน้ำหนัก (โดยเฉพาะ 1m) ความแปรปรวนแบบง่ายๆมีลักษณะดังนี้: EWMA ช่วยเพิ่มความแปรปรวนอย่างง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน การกลับมาเมื่อวาน (ล่าสุด) ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมา ปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณ (EWMA) ซึ่งผลตอบแทนที่มากขึ้นล่าสุดมีน้ำหนักมากขึ้นในการแปรปรวน ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลัง (EWMA) แนะนำ lambda ซึ่งเรียกว่าพารามิเตอร์การให้ราบเรียบ แลมบ์ดาต้องมีค่าน้อยกว่าหนึ่ง ภายใต้เงื่อนไขดังกล่าวแทนที่จะใช้น้ำหนักที่เท่ากันผลตอบแทนที่ได้รับจะเพิ่มขึ้นตามตัวคูณดังนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้ lambda เท่ากับ 0.94 หรือ 94 ในกรณีนี้เป็นครั้งแรก (1-0.94) (. 94) 0 6. ผลตอบแทนที่ได้จะเป็นตัวเลข lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5.64 และสามวันก่อนหน้ามีน้ำหนักเท่ากับ (1-0.94) (0.94) 2 5.30 นั่นคือความหมายของเลขยกกำลังใน EWMA: แต่ละน้ำหนักเป็นตัวคูณคงที่ (เช่น lambda ซึ่งต้องน้อยกว่าหนึ่ง) ของน้ำหนักก่อนหน้า เพื่อให้แน่ใจว่ามีความแปรปรวนที่ถ่วงน้ำหนักหรือลำเอียงไปยังข้อมูลล่าสุด (หากต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google) ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google จะแสดงไว้ด้านล่าง ความผันผวนอย่างง่ายมีผลต่อการกลับคืนเป็นระยะ ๆ ทุกๆ 0.196 ตามที่แสดงไว้ในคอลัมน์ O (เรามีข้อมูลราคาหุ้นย้อนหลังเป็นเวลา 2 ปีนั่นคือผลตอบแทน 509 วันและ 1509 0.196) แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนัก 6, 5.64 แล้ว 5.3 และอื่น ๆ Thats ความแตกต่างระหว่างความแปรปรวนง่ายและ EWMA โปรดจำไว้ว่า: หลังจากที่เราสรุปชุดข้อมูลทั้งหมด (ในคอลัมน์ Q) เรามีความแปรปรวนซึ่งเป็นค่าสแควร์ของส่วนเบี่ยงเบนมาตรฐาน ถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าให้ใช้รากที่สองของความแปรปรวนนั้น ความแตกต่างของความแปรปรวนรายวันระหว่างค่าความแปรปรวนและ EWMA ในกรณีของ Googles มีความหมาย: ความแปรปรวนง่ายทำให้เรามีความผันผวนรายวันอยู่ที่ 2.4 แต่ EWMA มีความผันผวนรายวันเพียง 1.4 (ดูสเปรดชีตเพื่อดูรายละเอียด) เห็นได้ชัดว่าความผันผวนของ Googles ตกลงไปเมื่อไม่นานมานี้ดังนั้นความแปรปรวนที่เรียบง่ายอาจเป็นจำนวนเทียมสูง ความแปรปรวนวันนี้เป็นฟังก์ชันของความแตกต่างของวัน Pior คุณจะสังเกตเห็นว่าเราจำเป็นต้องคำนวณชุดน้ำหนักลดลงอย่างมาก เราจะไม่ใช้คณิตศาสตร์ที่นี่ แต่คุณลักษณะที่ดีที่สุดของ EWMA คือชุดผลิตภัณฑ์ทั้งหมดสามารถลดสูตร recursive ได้อย่างง่ายดาย: Recursive หมายถึงการอ้างอิงความแปรปรวนในปัจจุบัน (คือฟังก์ชันของความแปรปรวนในวันก่อนหน้า) คุณสามารถหาสูตรนี้ในสเปรดชีตได้ด้วยและจะให้ผลเหมือนกันกับการคำนวณแบบ longhand กล่าวว่าค่าความแปรปรวนวันนี้ (ต่ำกว่า EWMA) เท่ากับความแปรปรวนของ yesterdays (weighted by lambda) บวกกับค่า yesterdays squared return (ชั่งน้ำหนักโดยลบหนึ่งแลมบ์ดา) แจ้งให้เราทราบว่าเรากำลังเพิ่มคำสองคำลงท้ายด้วยกันอย่างไร: ความแปรปรวนที่ถ่วงน้ำหนักในวันอังคารและเมื่อวานถ่วงน้ำหนัก แม้กระนั้นแลมบ์ดาก็คือพารามิเตอร์ที่ราบเรียบของเรา แลมบ์ดาที่สูงขึ้น (เช่น RiskMetrics 94) บ่งชี้การสลายตัวช้าลงในซีรีย์ - ในแง่สัมพัทธ์เราจะมีจุดข้อมูลมากขึ้นในซีรีส์และพวกเขาจะลดลงอย่างช้าๆ ในทางกลับกันถ้าเราลดแลมบ์ดาเราจะบ่งชี้ว่าการสลายตัวที่สูงขึ้น: น้ำหนักจะลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการผุกร่อนที่รวดเร็วใช้จุดข้อมูลน้อยลง (ในสเปรดชีตแลมบ์ดาเป็นอินพุตดังนั้นคุณจึงสามารถทดสอบความไวแสงได้) ความผันผวนโดยสรุปคือส่วนเบี่ยงเบนมาตรฐานของหุ้นและความเสี่ยงที่พบมากที่สุด นอกจากนี้ยังเป็นรากที่สองของความแปรปรวน เราสามารถวัดความแปรปรวนในอดีตหรือโดยนัย (ความผันผวนโดยนัย) เมื่อวัดในอดีตวิธีที่ง่ายที่สุดคือความแปรปรวนที่เรียบง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน ดังนั้นเราจึงต้องเผชิญกับข้อเสียแบบคลาสสิก: เราต้องการข้อมูลเพิ่มเติม แต่ข้อมูลที่เรามีมากขึ้นการคำนวณของเราจะเจือจางด้วยข้อมูลที่อยู่ไกล (ไม่เกี่ยวข้อง) ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) ช่วยเพิ่มความแปรปรวนอย่างง่ายโดยกำหนดน้ำหนักให้กับผลตอบแทนเป็นงวด เมื่อทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด (หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้โปรดไปที่ Bionic Turtle) การเสนอราคาครั้งแรกในสินทรัพย์ของ บริษัท ที่ล้มละลายจากผู้ซื้อที่สนใจที่ได้รับเลือกโดย บริษัท ที่ล้มละลาย จากกลุ่มผู้เสนอราคา ข้อ 50 คือข้อตกลงการเจรจาต่อรองและข้อยุติในสนธิสัญญา EU ที่ระบุขั้นตอนที่จะต้องดำเนินการสำหรับประเทศใด ๆ ที่ เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ฉันมีชุดข้อมูลเวลาที่มีค่าเฉลี่ยเคลื่อนที่แบบเสวนาและฉันต้องการคำนวณการกลับมาของ EMA ในช่วงม. ที่ผ่านมา (เช่นผลตอบแทนจากการเคลื่อนไหวที่ราบเรียบ) Y (t) คือค่าของชุดเวลาในช่วงเวลา t S (t) คือค่าของ EMA ของ Y ในช่วงเวลา t Now R (t) เป็นผลตอบแทนของ EMA ในช่วงเวลา m ล่าสุด: คำถามคือระยะเวลาที่ควรใช้การคำนวณ EMA สำหรับ m ที่ระบุได้อย่างแม่นยำถ้า EMA คำนวณโดยใช้ S (t) alpha Y (t) (1-alpha) S (t-1) และ alpha ตั้งไว้ที่ 2 (N1) ดังนั้นควร N ขึ้นอยู่กับ m Im สมมติว่า N ควรมีค่าน้อยกว่า m เพื่อป้องกันการทับซ้อนกันของค่า Y ที่ใช้ในการคำนวณ S (t) และ S (tm) ทฤษฎีใด ๆ หรือแนวทางปฏิบัติที่ดีที่สุดเกี่ยวกับเรื่องนี้นี่เป็นปัญหาที่ค่อนข้างซับซ้อน มีบางแนวทางที่คุณสามารถมองเข้าไปได้ วิธีหนึ่งที่แนะนำโดยทั่วไปในวรรณคดีพยากรณ์คือการเพิ่มประสิทธิภาพสำหรับข้อผิดพลาดในการคาดการณ์ หากคุณมีแอพพลิเคชันเฉพาะเจาะจงคุณสามารถกำหนดฟังก์ชันค่าใช้จ่ายของคุณเองเพื่อเพิ่มประสิทธิภาพได้ มุมมองที่แตกต่างกันนี้คือการมอง EWMA เป็นรูปแบบพื้นที่ของรัฐแล้วปัญหาก็เท่ากับการตั้งค่าตัวกรอง Kalman ที่เหมาะสมซึ่งคุณสามารถทำได้ด้วย MLE ดูเช่นการวิเคราะห์อนุกรมเวลาด้วย State Space Methods มีคำแนะนำอื่น ๆ คุณสามารถไป แต่ฉันคิดว่านี้จะทำให้คุณมีความคิดการทำแผนที่โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs เรียนรู้วัตถุสำหรับการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้จัดอยู่ในพื้นที่ต่างๆของแอ็พพลิเคชันในส่วน MENU ในหน้านี้ ชุดเวลาเป็นลำดับของข้อสังเกตที่ได้รับคำสั่งในเวลา การรวบรวมข้อมูลที่เกิดขึ้นในช่วงเวลาหนึ่ง ๆ เป็นรูปแบบของรูปแบบสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม ใช้เทคนิคที่ใช้กันอย่างแพร่หลาย เทคนิคเหล่านี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มที่ชัดเจนมากขึ้น ป้อนลำดับเวลาชุดคำสั่งแบบแถวเรียงลำดับจากมุมซ้ายบนและพารามิเตอร์จากนั้นคลิกปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบ ช่องว่างเปล่าไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ คุณลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดยการตรวจสอบกราฟ กับค่าคาดการณ์และพฤติกรรมที่เหลือรูปแบบการพยากรณ์สภาพ ค่าเฉลี่ยเคลื่อนที่: การย้ายอันดับเฉลี่ยเป็นหนึ่งในเทคนิคที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลา ใช้เพื่อกรองสัญญาณรบกวนสีขาวแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลาทำงานราบรื่นขึ้นหรือแม้แต่เพื่อเน้นองค์ประกอบข้อมูลที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing: นี่เป็นรูปแบบที่ได้รับความนิยมมากในการผลิต Time Series เรียบ ในขณะที่ Moving Average การสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing จะกำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการแนวโน้มพาราโบลา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก exponenentially กับราบเรียบคง a. หมายถึงประมาณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของความยาว (ระยะเวลา) n โดยที่ a และ n มีความสัมพันธ์กันโดย: a 2 (n1) หรือ n (2 - a) a. ดังนั้นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่อธิบายด้วยค่าความยาวคลื่นและค่าคงที่การให้ราบเรียบเท่ากับ 0.1 จะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ 19 วัน และค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณและมีค่าคงที่ที่ราบเรียบเท่ากับ 0.04878 การจัดแจงแบบเสียดสีเชิงเส้นของ Holts: สมมติว่าซีรี่ส์เวลาไม่ใช่ตามฤดูกาล แต่ไม่แสดงแนวโน้ม วิธีการของ Holts ประเมินทั้งระดับปัจจุบันและแนวโน้มในปัจจุบัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการทำให้เรียบโดยการตั้งค่าระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่า (2 อัลฟ่า) สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟาที่มีขนาดเล็กกว่า 0.40 มักมีประสิทธิภาพ อย่างไรก็ตามหนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0.1 ถึง 0.9 โดยเพิ่มขึ้นเป็น 0.1 จากนั้นอัลฟาที่ดีที่สุดมีค่า Mean Absolute Error (MA Error) น้อยที่สุด วิธีการเปรียบเทียบวิธีการเรียบ: แม้ว่าจะมีตัวชี้วัดตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพการคาดการณ์ต่างๆเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆ ในวิธีนี้ผู้ใช้จะต้องพล็อต (ใช้เช่น Excel) บนกราฟเดียวกันค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการพยากรณ์อากาศต่างๆซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้ คุณอาจต้องการใช้การคาดการณ์ในอดีตโดยใช้เทคนิคการทำให้เรียบ JavaScript เพื่อรับค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองและข้อผิดพลาดของพารามิเตอร์ การเรียบแบบเอกพจน์เป็นแบบเดี่ยวจะเน้นย้ำมุมมองในระยะสั้นที่กำหนดระดับไว้เป็นข้อสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้ม การถดถอยเชิงเส้นซึ่งเหมาะกับเส้นสี่เหลี่ยมจัตุรัสน้อยที่สุดต่อข้อมูลทางประวัติศาสตร์ (หรือเปลี่ยนข้อมูลทางประวัติศาสตร์) หมายถึงช่วงยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐาน การคำนวณหาค่าความละเอียดเชิงเส้นแบบ Holts จับข้อมูลเกี่ยวกับแนวโน้มล่าสุด พารามิเตอร์ในรูปแบบ Holts คือพารามิเตอร์ระดับซึ่งควรจะลดลงเมื่อจำนวนของการแปรปรวนข้อมูลมีขนาดใหญ่และควรเพิ่มพารามิเตอร์ของเทรนด์หากทิศทางแนวโน้มล่าสุดได้รับการสนับสนุนจากสาเหตุบางประการ การคาดการณ์ในระยะสั้น: โปรดสังเกตว่า JavaScript ทุกหน้าจะให้การคาดการณ์ล่วงหน้าเพียงอย่างเดียว เพื่อให้ได้การคาดการณ์ล่วงหน้าสองขั้นตอน เพียงเพิ่มค่าที่คาดการณ์ไว้ในตอนท้ายของข้อมูลชุดข้อมูลตามเวลาและจากนั้นคลิกที่ปุ่ม Calculate เดียวกัน คุณสามารถทำซ้ำขั้นตอนนี้ได้สองถึงสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็น repo นี้ให้ขั้นตอนวิธีการถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบยกกำลังหรือ EWMA เป็นระยะสั้นโดยพิจารณาจากการพูดคุยเกี่ยวกับพฤติกรรมเชิงปริมาณเชิงปริมาณของเรา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเชิงตัวเลข (Exponentially Weighted Moving Average) ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบเลขยกกำลัง (exponentially weighted moving average) เป็นวิธีการคำนวณค่าเฉลี่ยของตัวเลขเป็นตัวเลขต่อเนื่องเมื่อตัวเลขมาถึง หลังจากที่มีการเพิ่มค่าในชุดค่าเฉลี่ยแล้วน้ำหนักในค่าเฉลี่ยจะลดลงเป็นทวีคูณตามช่วงเวลา นี่เป็นข้ออ้างเกี่ยวกับข้อมูลล่าสุด EWMA มีประโยชน์เนื่องจากเหตุผลหลายประการซึ่งส่วนใหญ่เป็นค่าใช้จ่ายในการคำนวณและหน่วยความจำที่ไม่แพงรวมถึงข้อเท็จจริงที่ว่าพวกเขาแสดงถึงแนวโน้มของชุดค่านิยมล่าสุดของภาคกลาง อัลกอริทึม EWMA ต้องการปัจจัยการสลายตัวอัลฟา อัลฟาที่ใหญ่กว่าค่าเฉลี่ยจะมีความลำเอียงต่อประวัติล่าสุด อัลฟาต้องอยู่ระหว่าง 0 ถึง 1 และโดยปกติจะเป็นตัวเลขที่ค่อนข้างเล็กเช่น 0.04 เราจะพูดถึงทางเลือกของอัลฟาในภายหลัง อัลกอริธึมทำงานใน pseudocode: คูณเลขต่อไปในชุดข้อมูลโดย alpha คูณค่าปัจจุบันของค่าเฉลี่ยโดย 1 ลบ alpha เพิ่มผลลัพธ์จากขั้นตอนที่ 1 และ 2 และเก็บค่าเป็นค่าปัจจุบันใหม่ของค่าเฉลี่ย ทำซ้ำสำหรับแต่ละหมายเลขในชุด มีพฤติกรรมพิเศษสำหรับวิธีการเริ่มต้นค่าปัจจุบันและแตกต่างกันไประหว่างการใช้งาน วิธีหนึ่งคือการเริ่มต้นด้วยค่าแรกในชุดอีกค่าหนึ่งคือเฉลี่ย 10 ค่าแรกในซีรีส์โดยใช้ค่าเฉลี่ยเลขคณิตและจากนั้นเริ่มต้นการอัปเดตค่าเฉลี่ยที่เพิ่มขึ้นของค่าเฉลี่ย แต่ละวิธีมีข้อดีและข้อเสีย มันอาจช่วยให้มองไปที่มัน pictorially สมมติว่าชุดมีตัวเลขห้าตัวและเราเลือก alpha ให้เท่ากับ 0.50 สำหรับความเรียบง่าย นี่เป็นชุดที่มีตัวเลขอยู่ในละแวก 300 ซึ่งตอนนี้ให้ใช้ค่าเฉลี่ยเคลื่อนที่ของตัวเลขเหล่านี้ อันดับแรกเราตั้งค่าเฉลี่ยเป็นค่าของหมายเลขแรก ต่อไปเราจะคูณเลขถัดไปตาม alpha คูณค่าปัจจุบันโดย 1-alpha และเพิ่มค่าเหล่านี้เพื่อสร้างค่าใหม่ นี้จะดำเนินต่อไปจนกว่าเราจะทำ สังเกตว่าแต่ละค่าในชุดจะลดลงครึ่งหนึ่งของแต่ละครั้งที่มีการเพิ่มค่าใหม่และด้านบนของแถบในส่วนล่างของภาพจะแสดงขนาดของค่าเฉลี่ยเคลื่อนที่ เป็นแบบเรียบหรือต่ำผ่านเฉลี่ยของชุดเดิม พิจารณาค่าเฉลี่ยเคลื่อนที่แบบเลื่อนของหน้าต่างแบบเลื่อนลอย (ไม่ใช่ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแทน) ที่ค่าเฉลี่ยของตัวอย่าง N ก่อนหน้า อายุเฉลี่ยของแต่ละตัวอย่างคืออะไร N2 สมมติว่าคุณต้องการสร้าง EWMA ซึ่งตัวอย่างมีอายุเฉลี่ยเท่ากัน สูตรในการคำนวณอัลฟาที่จำเป็นสำหรับนี้คือ alpha 2 (N1) หลักฐานแสดงอยู่ในหนังสือการผลิตและการวิเคราะห์การดำเนินงานโดย Steven Nahmias ตัวอย่างเช่นถ้าคุณมีชุดเวลากับตัวอย่างหนึ่งครั้งต่อวินาทีและคุณต้องการให้มีค่าเฉลี่ยเคลื่อนที่มากกว่านาทีก่อนหน้าคุณควรใช้ alpha เท่ากับ. 032786885 นี้โดยวิธีการที่เป็นค่าคงที่อัลฟาที่ใช้สำหรับพื้นที่เก็บข้อมูล SimpleEWMA นี้ พื้นที่เก็บข้อมูลนี้มีการใช้งานของอัลกอริธึม EWMA สองชุดโดยมีคุณสมบัติต่างกัน implementations ทั้งหมดสอดคล้องกับ MovingAverage อินเทอร์เฟซและ constructor ส่งกลับชนิดนั้น การใช้งานปัจจุบันสมมติช่วงเวลาโดยนัย 1.0 ระหว่างตัวอย่างทุกตัวที่เพิ่ม นั่นคือเวลาผ่านไปจะถือว่าเหมือนกับว่ามันเหมือนกับการมาถึงของกลุ่มตัวอย่าง หากคุณต้องการการสลายตัวตามเวลาเมื่อตัวอย่างไม่ได้มาถึงอย่างแม่นยำในช่วงเวลาที่กำหนดแพคเกจนี้จะไม่สนับสนุนความต้องการของคุณในปัจจุบัน SimpleEWMA ออกแบบมาสำหรับการใช้หน่วยความจำและหน่วยความจำต่ำ จะมีพฤติกรรมที่แตกต่างจาก VariableEWMA ด้วยเหตุผลหลายประการ ไม่มีเวลาอุ่นเครื่องและใช้การสลายตัวตลอดเวลา คุณสมบัติเหล่านี้ช่วยให้ใช้หน่วยความจำน้อยลง นอกจากนี้ยังจะทำหน้าที่แตกต่างกันเมื่อมีค่าเป็นศูนย์ซึ่งถือว่าไม่ได้ตั้งใจดังนั้นหากค่าที่แท้จริงเป็นศูนย์เป็นระยะ ๆ ค่าที่ไม่ใช่ศูนย์จะทำให้เกิดการกระโดดที่คมชัดแทนที่จะเป็นการเปลี่ยนแปลงเล็ก ๆ ซึ่งแตกต่างจาก SimpleEWMA ซึ่งสนับสนุนอายุที่กำหนดเองซึ่งต้องจัดเก็บไว้และใช้หน่วยความจำมากขึ้น นอกจากนี้ยังมีเวลาอุ่นเครื่องเมื่อคุณเริ่มเพิ่มค่าลงไป จะรายงานค่า 0.0 จนกว่าคุณจะเพิ่มจำนวนตัวอย่างที่ต้องการลงไป ใช้หน่วยความจำบางส่วนในการจัดเก็บตัวอย่างจำนวนที่เพิ่มเข้าไป ด้วยเหตุนี้จึงใช้หน่วยความจำ SimpleEWMA มากกว่าสองเท่า ดูเอกสารที่สร้างโดย GoDoc ที่นี่ เรายอมรับเฉพาะคำขอดึงสำหรับการแก้ไขหรือการปรับปรุงเล็กน้อย ซึ่งรวมถึง: แก้ไขข้อบกพร่องเล็ก ๆ พิมพ์เอกสารหรือความคิดเห็นโปรดเปิดประเด็นเพื่อหารือเกี่ยวกับคุณลักษณะใหม่ ๆ คำขอดึงข้อมูลคุณลักษณะใหม่จะถูกปฏิเสธดังนั้นเราขอแนะนำให้คุณแก้ไขที่เก็บข้อมูลและทำการเปลี่ยนแปลงส้อมสำหรับกรณีการใช้งานของคุณ พื้นที่เก็บข้อมูลนี้เป็นลิขสิทธิ์ (c) 2013 VividCortex, Inc. สงวนลิขสิทธิ์ มีใบอนุญาตภายใต้ใบอนุญาตของ MIT โปรดดูไฟล์ใบอนุญาตสำหรับข้อกำหนดสิทธิการใช้งานที่เกี่ยวข้อง