ชี้แจง ถัว เฉลี่ยเคลื่อนที่ คำนวณ

การถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบเรขาคณิตค่าเฉลี่ย EWMA เป็นสถิติสำหรับการตรวจสอบกระบวนการที่ใช้ข้อมูลโดยเฉลี่ยในลักษณะที่ให้น้ำหนักน้อยและน้อยกว่าเมื่อนำข้อมูลออกไปใน timeparison ของแผนภูมิการควบคุม Shewhart และเทคนิคการควบคุม EWMA สำหรับการควบคุมแผนภูมิ Shewhart เทคนิคการตัดสินใจเกี่ยวกับสถานะของการควบคุมกระบวนการนี้ตลอดเวลา t ขึ้นอยู่กับการวัดล่าสุดจากกระบวนการนี้และแน่นอนว่าระดับความเป็นจริงของการประมาณค่าขีด จำกัด การควบคุมจากข้อมูลที่ผ่านมาสำหรับ EWMA เทคนิคการควบคุมการตัดสินใจขึ้นอยู่กับสถิติ EWMA ซึ่งเป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลทั้งหมดก่อนรวมทั้งการวัดล่าสุดโดยการเลือกปัจจัยการถ่วงน้ำหนัก lambda ขั้นตอนการควบคุม EWMA สามารถทำให้ความสำคัญกับขนาดเล็กหรือค่อยๆ ลอยในกระบวนการในขณะที่ขั้นตอนการควบคุม Shewhart สามารถตอบสนองเมื่อจุดข้อมูลล่าสุดอยู่นอกขีด จำกัด ของการควบคุม EWMA. The สถิติที่ คือ mbox t lambda Yt 1 - lambda mbox,,, mbox,,, t 1,, 2,, ldots,, n ที่ mbox 0 คือค่าเฉลี่ยของเป้าหมายข้อมูลที่ผ่านมา Yt คือการสังเกตเวลา t n คือจำนวนของการสังเกตการณ์ที่ต้องตรวจสอบรวมถึง mbox 0. การแปลกราฟการควบคุมของ EWMA จุดสีแดงเป็นข้อมูลดิบที่เส้นขรุขระเป็นสถิติ EWMA เมื่อเวลาผ่านไปแผนภูมินี้บอกเราว่ากระบวนการนี้อยู่ในการควบคุมเพราะ mbox t lie ระหว่างข้อ จำกัด ของการควบคุมอย่างไรก็ตามดูเหมือนว่าจะมีแนวโน้มเพิ่มขึ้นสำหรับช่วง 5 ครั้งที่ผ่านมาวิธีการคำนวณค่าเฉลี่ยถ่วงน้ำหนักใน Excel โดยใช้ Smoothing. Excel การวิเคราะห์ข้อมูลสำหรับ Dummies, 2nd Edition เครื่องมือ Exponential Smoothing ใน Excel คำนวณค่าเฉลี่ยเคลื่อนที่ อย่างไรก็ตามการคำนวณค่าเฉลี่ยเคลื่อนที่จะช่วยให้การคำนวณค่าเฉลี่ยเคลื่อนที่เป็นไปอย่างราบรื่นเพื่อให้ค่าล่าสุดมีผลมากขึ้นกับการคำนวณโดยเฉลี่ยและค่าเก่ามีผลน้อยลงการถ่วงน้ำหนักนี้ทำได้ผ่านค่าคงที่ที่ราบเรียบเพื่อแสดงให้เห็นว่าเครื่องมือ Exponential Smoothing ทำงานได้ดีเพียงใด สมมติว่าคุณกำลังดูข้อมูลอุณหภูมิเฉลี่ยรายวันอีกครั้งเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักโดยใช้การออกเสียงแบบเอ็กซ์โปเนนเชียล ทำตามขั้นตอนต่อไปนี้เมื่อต้องการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเรียงลำดับอย่างมากให้คลิกที่แท็บข้อมูลของปุ่มคำสั่งการวิเคราะห์ข้อมูลเมื่อ Excel แสดงกล่องโต้ตอบการวิเคราะห์ข้อมูลให้เลือกรายการ Smoothing แบบ Exponential จากรายการแล้วคลิก OK. Excel displays กล่องโต้ตอบ Smoothing Exponential ระบุข้อมูลหากต้องการระบุข้อมูลที่คุณต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ได้รับการอธิบายอย่างละเอียดให้คลิกในกล่องข้อความ Input Range จากนั้นระบุช่วงการป้อนข้อมูลโดยพิมพ์ที่อยู่ช่วงของเวิร์กชีตหรือเลือก หากช่วงอินพุตของคุณมีป้ายข้อความเพื่อระบุหรืออธิบายข้อมูลของคุณให้เลือกช่องทำเครื่องหมายป้ายข้อความระบุค่าคงที่ที่ราบเรียบป้อนค่าคงที่ที่ราบเรียบในกล่องข้อความ Damping Factor ไฟล์วิธีใช้ Excel จะแสดงให้เห็นว่าคุณใช้ค่าคงที่ที่ราบเรียบ ระหว่าง 0 2 ถึง 0 3 สมมุติ แต่ถ้าคุณใช้เครื่องมือนี้คุณมีความคิดของคุณเองเกี่ยวกับค่าคงที่ที่เรียบที่ถูกต้องคือถ้าคุณไม่เข้าใจ t คงที่การปรับให้ราบเรียบบางทีคุณอาจไม่ควรใช้เครื่องมือนี้ Excel Excel จะวางข้อมูลค่าเฉลี่ยโดยเฉลี่ยที่ใช้ในฟิลด์ Output Range เพื่อระบุช่วงของแผ่นงานที่คุณต้องการวางข้อมูลค่าเฉลี่ยเคลื่อนที่ในแผ่นงาน ตัวอย่างเช่นคุณวางข้อมูลค่าเฉลี่ยเคลื่อนที่ลงในช่วงเวิร์กชีท B2 B10 เลือกแผนภูมิข้อมูลที่ได้รับการจัดเรียงตามข้อมูลที่ได้รับการชี้แจงอย่างละเอียดจากนั้นให้เลือกช่องทำเครื่องหมายแผนภูมิ ตัวเลือกระบุว่าคุณต้องการคำนวณข้อมูลข้อผิดพลาดมาตรฐานเมื่อต้องการคำนวณข้อผิดพลาดมาตรฐานเลือกกล่องกาเครื่องหมายข้อผิดพลาดมาตรฐาน Excel จะวางค่าความผิดพลาดมาตรฐานถัดจากค่าเฉลี่ยเคลื่อนที่แบบเคลื่อนไหวที่ชี้แจงหลังจากเสร็จสิ้นการระบุว่าคุณต้องการคำนวณข้อมูลเฉลี่ยที่ต้องการและที่ใดที่คุณต้องการ วางไว้ให้คลิก OK คำนวณข้อมูลค่าเฉลี่ยเคลื่อนที่การคำนวณค่าเฉลี่ยความถนัดที่ถ่วงน้ำหนักเป็นตัวเลขเป็นตัววัดความเสี่ยงที่พบมากที่สุด แต่มีหลายรสชาติในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่าย บทความดูการใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตเราใช้ข้อมูลราคาหุ้นที่เกิดขึ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้นภายใน 30 วันในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบ EWMA Historical Vs ความผันผวนตามนัยแรกให้ s ใส่เมตริกนี้เป็นบิตของมุมมองมีสอง appr กว้าง oaches ความผันผวนทางประวัติศาสตร์และโดยนัยหรือโดยนัยวิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นบทนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นความเป็นไปได้ที่จะคาดการณ์ความผันผวนโดยนัยในมืออื่น ๆ ละเว้นประวัติศาสตร์ที่จะแก้ปัญหาความผันผวนโดยนัยตามราคาในตลาดมันหวังว่าตลาดรู้ ดีที่สุดและราคาในตลาดที่มีแม้โดยนัยประมาณการความสอดคล้องของความผันผวนสำหรับการอ่านที่เกี่ยวข้องให้ดูที่การใช้และข้อ จำกัด ของความผันผวนหากเรามุ่งเน้นเพียงสามวิธีทางประวัติศาสตร์ด้านซ้ายข้างต้นพวกเขามีสองขั้นตอนในการร่วมกัน คำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้สูตรการถ่วงน้ำหนักประการแรกเราคำนวณผลตอบแทนเป็นระยะ ๆ โดยปกติแล้วจะเป็นชุดของผลตอบแทนรายวันที่ผลตอบแทนแต่ละรายการจะแสดงด้วยคำที่ประกอบกันอย่างต่อเนื่องในแต่ละวันเราจะบันทึกล็อกอัตราส่วนของหุ้น ราคาคือวันนี้หารด้วยราคาเมื่อวานนี้และอื่น ๆ ซึ่งจะสร้างชุดของผลตอบแทนรายวันตั้งแต่ ui ไปจนถึง u im ขึ้นอยู่กับจำนวนวันที่เราวัด นี่เป็นวิธีที่สามวิธีแตกต่างกันในบทความก่อนหน้านี้การใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตแสดงให้เห็นว่าภายใต้สองข้อดีที่ยอมรับได้ค่าความแปรปรวนที่เรียบง่ายคือค่าเฉลี่ยของผลตอบแทนที่ได้จากการแปลงเป็นกำลังสอง แต่ละผลตอบแทนเป็นระยะจากนั้นหารจำนวนทั้งหมดด้วยจำนวนวันหรือข้อสังเกต m ดังนั้นจึงเป็นเพียงแค่ค่าเฉลี่ยของผลตอบแทนเป็นระยะ ๆ ทำให้เกิดความแตกต่างอีกวิธีหนึ่งผลตอบแทนแต่ละอันจะได้รับน้ำหนักเท่ากันดังนั้นถ้า alpha a เป็น weighting ปัจจัยโดยเฉพาะอย่างยิ่ง 1 เมตรแล้วความแปรปรวนง่ายมีลักษณะเช่นนี้ EWMA ปรับปรุงความแปรปรวนง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดจะได้รับน้ำหนักเดียวกันกลับวานนี้เมื่อเร็ว ๆ นี้ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าเดือนที่ผ่านมา s return ปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก EWMA ซึ่งเป็นผลตอบแทนที่มากขึ้นเมื่อเร็ว ๆ นี้มีน้ำหนักมากกว่าค่าความแปรปรวน EWMA ที่ถ่วงน้ำหนักแบบเมเยอร์ชี้แจง แนะนำแลมบ์ดาซึ่งเรียกว่าพารามิเตอร์การให้ราบเรียบแลมบ์ดาจะต้องมีค่าน้อยกว่าหนึ่งค่าภายใต้เงื่อนไขนั้นแทนน้ำหนักที่เท่ากันผลตอบแทนที่ได้รับจะเพิ่มขึ้นตามตัวคูณดังตัวอย่างต่อไปนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้ แลมบ์ดาจาก 0 94 หรือ 94 ในกรณีนี้ผลตอบแทนย้อนกลับเป็นระยะ ๆ เป็นครั้งแรกโดยมีการถ่วงน้ำหนักเป็น 1-0 94 94 0 6 ผลตอบแทนที่ได้จะเป็นตัวเลข lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5 64 และน้ำหนักของวันที่สามก่อนเท่ากับ 1-0 94 0 94 2 5 30. ความหมายของเลขยกกำลังใน EWMA แต่ละน้ำหนักเป็นตัวคูณที่คงที่เช่น lambda ซึ่งต้องน้อยกว่าหนึ่งในน้ำหนักของวันก่อนหน้านี้ ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google แสดงไว้ด้านล่างความผันผวนของตัวแปรจะมีผลต่อการฟื้นตัวของแต่ละช่วงโดย 0 196 เป็นแสดงในคอลัมน์ O เรามีสองปีของข้อมูลราคาหุ้นรายวันนั่นคือ 509 ผลตอบแทนรายวันและ 1 509 0 196 แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนักของ 6 แล้ว 5 64 แล้ว 5 3 และอื่น ๆ นั่นคือความแตกต่างระหว่าง ความแปรปรวนอย่างง่ายและ EWMA หลังจากที่เราสรุปชุดทั้งหมดในคอลัมน์ Q เรามีความแปรปรวนซึ่งเป็นค่าสแควร์ของส่วนเบี่ยงเบนมาตรฐานถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าให้ใช้รากที่สองของความแปรปรวนดังกล่าว ในความผันผวนรายวันระหว่างความแปรปรวนและ EWMA ในกรณีของ Google มันสำคัญตัวแปรง่ายทำให้เรามีความผันผวนรายวัน 2 4 แต่ EWMA ให้ความผันผวนรายวันเพียง 1 4 ดูสเปรดชีตเพื่อดูรายละเอียด Apparently, ความผันผวนของ Google ตัดสินลงมากขึ้น เมื่อเร็ว ๆ นี้ความแปรปรวนง่ายอาจจะสูงเทียมความแปรปรวนของวันนี้เป็นหน้าที่ของความแตกต่างของวัน Pior คุณจะสังเกตเห็นว่าเราจำเป็นต้องคำนวณชุดยาวของน้ำหนักลดลงชี้แจงเราชนะ t ทำคณิตศาสตร์ที่นี่ แต่หนึ่งในคุณสมบัติที่ดีที่สุด ของ EWMA คือชุดทั้งหมดจะลดลงเป็นสูตร recursive ซึ่งหมายความว่าการอ้างอิงความแปรปรวนในวันนี้คือฟังก์ชันของความแปรปรวนของวันก่อนหน้าคุณสามารถหาสูตรนี้ในสเปรดชีตได้ด้วยและจะให้ผลเหมือนกันกับ การคำนวณ longhand กล่าวว่าความแปรปรวนของวันนี้ภายใต้ EWMA เท่ากับความแปรปรวนของวานนี้ที่ถ่วงน้ำหนักโดย lambda บวกกับการเพิ่มกำลังสองของ squared เมื่อเทียบกับ lambda ลบอย่างใดอย่างหนึ่งสังเกตว่าเราเพิ่งเพิ่มเงื่อนไขสองข้อด้วยกันเมื่อวานนี้และมีการถ่วงน้ำหนักถ่วงน้ำหนักเมื่อวานนี้ เป็นพารามิเตอร์ที่ราบเรียบของเราแลมบ์ดาที่สูงกว่าเช่น RiskMetric s 94 บ่งชี้ว่าการสลายตัวช้าลงในซีรีส์ - ในแง่สัมพัทธ์เราจะมีจุดข้อมูลมากขึ้นในซีรีส์และจะลดลงอย่างช้าๆในทางกลับกันถ้าเรา ลดแลมบ์ดาเราบ่งชี้ว่าการสลายตัวที่สูงขึ้นทำให้น้ำหนักลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการผุกร่อนที่รวดเร็วใช้จุดข้อมูลน้อยลงในสเปรดชีต lambda เป็น inp ut เพื่อให้คุณสามารถทดลองกับความไวของมันความผันผวนของการเปลี่ยนแปลงในช่วงเวลาคือค่าส่วนเบี่ยงเบนมาตรฐานของหุ้นและเมตริกความเสี่ยงที่พบมากที่สุดนอกจากนี้ยังเป็นรากที่สองของการแปรปรวนเราสามารถวัดความแปรปรวนของความแปรปรวนในอดีตหรือโดยนัยได้เมื่อการวัดในอดีตวิธีที่ง่ายที่สุด เป็นความแปรปรวนง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากันดังนั้นเราจึงต้องเผชิญกับข้อ จำกัด ทางการค้าที่คลาสสิคเราต้องการข้อมูลมากขึ้นเสมอ แต่ข้อมูลที่มากขึ้นเรามีการคำนวณของเรามากขึ้นโดยเจือจางด้วยข้อมูลที่มีความเกี่ยวข้องน้อยกว่า ค่าเฉลี่ย EWMA ช่วยเพิ่มความแปรปรวนได้ง่ายโดยการกำหนดน้ำหนักให้ได้ผลตอบแทนเป็นระยะ ๆ โดยการทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์ในหัวข้อนี้โปรดไปที่ Bionic Turtle