średnia krocząca Termin analizy technicznej, czyli średnia cena papieru wartościowego w określonym czasie (najczęściej wynosi 20, 30, 50, 100 i 200 dni), stosowana w celu wykrycia tendencji cenowych poprzez spłaszczenie dużych fluktuacji. Jest to prawdopodobnie najczęściej stosowana zmienna w analizie technicznej. Dane średniej ruchomej służą do tworzenia wykresów pokazujących, czy cena akcji zmienia się w górę lub w dół. Mogą być używane do śledzenia wzorców dziennych, tygodniowych lub miesięcznych. Każda nowa liczba dni (lub tygodni lub miesięcy) jest dodawana do średniej, a najstarsze liczby są pomijane, a średnia z upływem czasu. Ogólnie. im krótszy okres czasu, tym bardziej niestabilne będą ceny, więc na przykład 20-dniowe średnie ruchome przesuwają się w górę lub w dół o więcej niż 200 dni średniej ruchomej. System wielozakresowy kijun Pasma STARC przesunięty ruchomy średni kanał Keltner Linia wyzwalacza oscylatora McClellana Prawa autorskie 2017 WebFinance, Inc. Wszelkie prawa zastrzeżone. Nieupoważnione powielanie, w całości lub w części, jest surowo zabronione. Dodaj trend lub średnią ruchomą linię do wykresu Dotyczy: Excel 2018 Word 2018 PowerPoint 2018 Excel 2017 Word 2017 Outlook 2017 PowerPoint 2017 Więcej. Mniej Aby wyświetlić trendy danych lub średnie ruchome na utworzonym wykresie. możesz dodać linię trendu. Można również rozszerzyć linię trendu poza rzeczywiste dane, aby pomóc przewidzieć przyszłe wartości. Na przykład następująca liniowa linia trendu prognozuje dwa kwartały do przodu i wyraźnie pokazuje trend wzrostowy, który wygląda obiecująco dla przyszłej sprzedaży. Możesz dodać linię trendu do wykresu 2D, który nie jest ułożony, w tym obszar, słup, kolumna, linia, magazyn, rozproszenie i dymek. Nie można dodać linii trendu do wykresu ułożonego, trójwymiarowego, radaru, wykresu kołowego, powierzchni lub pączka. Dodaj linię trendu Na wykresie kliknij serię danych, do której chcesz dodać linię trendu lub średnią kroczącą. Linia trendu rozpocznie się w pierwszym punkcie danych wybranych serii danych. Sprawdź pole linii trendu. Aby wybrać inny typ linii trendu, kliknij strzałkę obok linii trendu. a następnie kliknij Exponential. Prognoza liniowa. lub średnia dwugodzinna. Aby uzyskać dodatkowe linie trendu, kliknij Więcej opcji. Jeśli wybierzesz Więcej opcji. kliknij odpowiednią opcję w panelu Formatuj linię trendu w obszarze Opcje linii trendu. Jeśli wybierzesz wielomian. wprowadź najwyższą moc dla zmiennej niezależnej w polu zamówienia. Jeśli wybierzesz średnią ruchomą. wprowadź liczbę okresów do obliczenia średniej ruchomej w polu Okres. Wskazówka: Linia trendu jest najdokładniejsza, gdy jej wartość R-kwadratowa (liczba od 0 do 1, która pokazuje, jak blisko wartości szacunkowe dla linii trendu odpowiadają rzeczywistym danym) jest równa 1 lub zbliżona do 1. Po dodaniu linii trendu do danych , Excel automatycznie oblicza swoją wartość R-kwadrat. Możesz wyświetlić tę wartość na wykresie, zaznaczając wartość Wyświetl R-kwadrat na wykresie (Formatowanie panelu linii środkowej, opcje linii trendu). Możesz dowiedzieć się więcej o wszystkich opcjach linii trendu w poniższych sekcjach. Linearna linia trendu Użyj tego typu linii trendu, aby utworzyć najlepiej pasującą linię prostą dla prostych liniowych zestawów danych. Twoje dane są liniowe, jeśli wzór w punktach danych wygląda jak linia. Linearna linia trendu zwykle pokazuje, że coś rośnie lub maleje ze stałą szybkością. Linearna linia trendu używa tego równania do obliczenia najmniejszych kwadratów pasujących do linii: gdzie m jest nachyleniem, a b jest punktem przecięcia. Poniższa linearna linia trendu pokazuje, że sprzedaż lodówek stale rosła w ciągu 8 lat. Zauważ, że wartość R-kwadrat (liczba od 0 do 1, która pokazuje, jak bardzo wartości szacunkowe dla linii trendu odpowiadają twoim faktycznym danym) wynosi 0,9792, co jest dobrym dopasowaniem linii do danych. Pokazując najlepiej dopasowaną linię zakrzywioną, ta linia trendu jest przydatna, gdy szybkość zmian w danych wzrasta lub maleje szybko, a następnie się wyrównuje. Logarytmiczna linia trendu może wykorzystywać wartości ujemne i dodatnie. Logarytmiczna linia trendu używa tego równania do obliczania najmniejszych kwadratów dopasowanych przez punkty: gdzie cib są stałymi, a ln jest funkcją logarytmu naturalnego. Poniższa logarytmiczna linia trendu pokazuje przewidywany wzrost populacji zwierząt w obszarze o stałej powierzchni, gdzie populacja wyrównała się, gdy zmniejszyła się przestrzeń dla zwierząt. Zauważ, że wartość R-kwadrat wynosi 0,933, co jest relatywnie dobrym dopasowaniem linii do danych. Ta linia trendu jest przydatna, gdy twoje dane się zmieniają. Na przykład, gdy analizujesz zyski i straty w dużym zbiorze danych. Kolejność wielomianu można określić na podstawie liczby fluktuacji danych lub liczby zakrętów (wzgórz i dolin) na krzywej. Zazwyczaj wielomianowa linia trendu ma tylko jedno wzgórze lub dolinę, Zakon 3 ma jedno lub dwa wzgórza lub doliny, a Zakon 4 ma do trzech wzgórz lub dolin. Linia wielomianowa lub krzywoliniowa wykorzystuje to równanie do obliczenia najmniejszych kwadratów pasujących do punktów: gdzie b i są stałymi. Następująca wielomianowa linia trendu (jedno wzgórze) pokazuje zależność między prędkością jazdy a zużyciem paliwa. Zauważ, że wartość R-kwadrat wynosi 0,979, która jest bliska 1, więc linie dobrze pasują do danych. Pokazywanie zakrzywionej linii, ta linia trendu jest przydatna dla zestawów danych, które porównują pomiary, które wzrastają z określoną szybkością. Na przykład przyspieszenie samochodu wyścigowego w odstępach 1-sekundowych. Nie można utworzyć linii trendu siły, jeśli dane zawierają zero lub wartości ujemne. Linia trendu siłowego wykorzystuje to równanie do obliczania najmniejszych kwadratów pasujących do punktów: gdzie cib są stałymi. Uwaga: ta opcja nie jest dostępna, gdy dane zawierają wartości ujemne lub zerowe. Poniższy wykres pomiaru odległości pokazuje odległość w metrach na sekundę. Linia trendu mocy wyraźnie pokazuje rosnące przyspieszenie. Zauważ, że wartość R-kwadrat wynosi 0,986, co jest prawie idealnie dopasowane do linii danych. Pokazując linię zakrzywioną, ta linia trendu jest przydatna, gdy wartości danych wzrastają lub spadają w stale rosnących cenach. Nie można utworzyć wykładniczej linii trendu, jeśli dane zawierają zero lub wartości ujemne. Wykładnicza linia trendu używa tego równania do obliczania najmniejszych kwadratów dopasowanych przez punkty: gdzie cib są stałymi, a e jest podstawą logarytmu naturalnego. Następująca wykładnicza linia trendu pokazuje malejącą ilość węgla 14 w obiekcie w miarę jego starzenia się. Zauważ, że wartość R-kwadrat wynosi 0,990, co oznacza, że linia pasuje do danych niemal idealnie. Przenoszenie średniej linii trendu Ta linia trendu wyrównuje fluktuacje danych, aby wyraźniej pokazać wzór lub trend. Średnia ruchoma używa określonej liczby punktów danych (ustawionej przez opcję Okres), uśrednia je i wykorzystuje średnią wartość jako punkt w linii. Na przykład, jeśli okres jest ustawiony na 2, średnia z dwóch pierwszych punktów danych jest używana jako pierwszy punkt w średniej ruchomej linii trendu. Średnia z drugiego i trzeciego punktu danych jest używana jako drugi punkt w linii trendu itp. Średnia linia ruchoma używa tego równania: Liczba punktów w ruchomej średniej linii trendu jest równa całkowitej liczbie punktów w serii, minus numer określony dla okresu. Na wykresie punktowym linia trendu jest oparta na kolejności wartości x na wykresie. Aby uzyskać lepszy wynik, posortuj wartości x przed dodaniem średniej ruchomej. Poniższa średnia ruchoma linia trendu pokazuje wzór liczby sprzedanych domów w okresie 26 tygodni. Wprowadzenie do ARIMA: modele niesezonowe ARIMA (p, d, q) równanie prognostyczne: modele ARIMA są w teorii najbardziej ogólną klasą modele do prognozowania szeregów czasowych, które można przekształcić na 8220stacjonarne 8221 przez różnicowanie (jeśli to konieczne), być może w połączeniu z nieliniowymi przekształceniami, takimi jak rejestracja lub deflacja (w razie potrzeby). Zmienna losowa, która jest szeregiem czasowym, jest nieruchoma, jeśli jej właściwości statystyczne są stałe w czasie. Seria stacjonarna nie ma trendu, jej wahania wokół średniej mają stałą amplitudę i poruszają się w spójny sposób. tj. jego krótkoterminowe wzorce czasu losowego zawsze wyglądają tak samo w sensie statystycznym. Ten ostatni warunek oznacza, że jego autokorelacje (korelacje z jego własnymi wcześniejszymi odchyleniami od średniej) pozostają stałe w czasie, lub równoważnie, że jego widmo mocy pozostaje stałe w czasie. Zmienna losowa tej postaci może być oglądana (jak zwykle) jako kombinacja sygnału i szumu, a sygnał (jeśli jest widoczny) może być wzorem szybkiej lub wolnej średniej rewersji, lub sinusoidalnej oscylacji, lub szybkiej przemiany w znaku , a także może mieć składnik sezonowy. Model ARIMA może być postrzegany jako 8220filter8221, który próbuje oddzielić sygnał od szumu, a sygnał jest następnie ekstrapolowany w przyszłość w celu uzyskania prognoz. Równanie prognostyczne ARIMA dla stacjonarnych szeregów czasowych jest równaniem liniowym (to jest typu regresyjnym), w którym predyktory składają się z opóźnień zmiennej zależnej i opóźnień błędów prognoz. Oznacza to: Przewidywaną wartość Y stałej stałej lub ważoną sumę jednej lub więcej ostatnich wartości Y i lub ważoną sumę jednej lub więcej ostatnich wartości błędów. Jeśli predykatory składają się tylko z opóźnionych wartości Y., jest to model czysto autoregresyjny (8220a-regressed8221), który jest tylko szczególnym przypadkiem modelu regresji i który może być wyposażony w standardowe oprogramowanie regresyjne. Na przykład, autoregresyjny model pierwszego rzędu (8220AR (1) 8221) dla Y jest prostym modelem regresji, w którym zmienna niezależna jest po prostu Y opóźniona o jeden okres (LAG (Y, 1) w Statgraphics lub YLAG1 w RegressIt). Jeśli niektóre z predyktorów są opóźnieniami błędów, to model ARIMA NIE jest modelem regresji liniowej, ponieważ nie ma sposobu, aby określić 8220last okres8217s błąd8221 jako zmienną niezależną: błędy muszą być obliczane na podstawie okresu do okresu kiedy model jest dopasowany do danych. Z technicznego punktu widzenia problem z wykorzystaniem opóźnionych błędów jako czynników predykcyjnych polega na tym, że przewidywania model8217 nie są liniowymi funkcjami współczynników. mimo że są liniowymi funkcjami przeszłych danych. Współczynniki w modelach ARIMA, które zawierają opóźnione błędy, muszą być oszacowane przez nieliniowe metody optymalizacji (8220hill-climbing8221), a nie przez samo rozwiązanie układu równań. Akronim ARIMA oznacza Auto-Regressive Integrated Moving Average. Lagi z stacjonarnej serii w równaniu prognostycznym nazywane są "wartościami dodatnimi", opóźnienia błędów prognoz są nazywane "przesunięciem średniej", a szeregi czasowe, które muszą być różnicowane, aby stały się stacjonarne, są uważane za "podzielone" wersje stacjonarnej serii. Modele random-walk i random-tendencja, modele autoregresyjne i modele wygładzania wykładniczego są szczególnymi przypadkami modeli ARIMA. Niesezonowy model ARIMA jest klasyfikowany jako model DAIMIMA (p, d, q), gdzie: p to liczba terminów autoregresyjnych, d to liczba niesezonowych różnic potrzebnych do stacjonarności, a q to liczba opóźnionych błędów prognozy w równanie predykcji. Równanie prognostyczne jest skonstruowane w następujący sposób. Po pierwsze, niech y oznacza różnicę d Y. Oznacza to: Zwróć uwagę, że druga różnica Y (przypadek d2) nie jest różnicą od 2 okresów temu. Jest to raczej różnica między pierwszą a różnicą. który jest dyskretnym analogiem drugiej pochodnej, tj. lokalnym przyspieszeniem szeregu, a nie jego lokalnym trendem. Pod względem y. ogólne równanie prognostyczne jest następujące: Tutaj parametry średniej ruchomej (9528217 s) są zdefiniowane w taki sposób, że ich znaki są ujemne w równaniu, zgodnie z konwencją wprowadzoną przez Boxa i Jenkinsa. Niektórzy autorzy i oprogramowanie (w tym język programowania R) definiują je, aby zamiast tego mieli znaki plus. Kiedy rzeczywiste liczby są podłączone do równania, nie ma dwuznaczności, ale ważne jest, aby wiedzieć, którą konwencję używa twoje oprogramowanie podczas odczytu danych wyjściowych. Często parametry są tam oznaczone przez AR (1), AR (2), 8230 i MA (1), MA (2), 8230 itd. Aby zidentyfikować odpowiedni model ARIMA dla Y. zaczynasz od określenia kolejności różnicowania (d) konieczność stacjonowania serii i usunięcia ogólnych cech sezonowości, być może w połączeniu z transformacją stabilizującą warianty, taką jak rejestracja lub deflacja. Jeśli zatrzymasz się w tym momencie i będziesz przewidywał, że zróżnicowana seria jest stała, dopasowałeś jedynie model losowego spaceru lub losowego trendu. Jednak stacjonarne serie mogą nadal mieć błędy związane z auto - korelacjami, co sugeruje, że w równaniu prognostycznym potrzebna jest również pewna liczba terminów AR (p 8805 1) i kilka warunków MA (q 8805 1). Proces określania wartości p, d i q, które są najlepsze dla danej serii czasowej, zostanie omówiony w późniejszych sekcjach notatek (których linki znajdują się na górze tej strony), ale podgląd niektórych typów nietypowych modeli ARIMA, które są powszechnie spotykane, podano poniżej. ARIMA (1,0,0) Model autoregresyjny pierwszego rzędu: jeśli seria jest stacjonarna i autokorelowana, być może można ją przewidzieć jako wielokrotność jej poprzedniej wartości plus stałą. Równanie prognostyczne w tym przypadku wynosi 8230, co oznacza, że Y cofnął się sam w sobie o jeden okres. Jest to model 8220ARIMA (1,0,0) constant8221. Jeżeli średnia z Y wynosi zero, wówczas nie zostałoby uwzględnione stałe wyrażenie. Jeśli współczynnik nachylenia 981 1 jest dodatni i mniejszy niż 1 w skali (musi być mniejszy niż 1 waga, jeśli Y jest nieruchomy), model opisuje zachowanie polegające na odwróceniu średniej, w którym należy przypisać wartość kolejnego okresu 817 razy 981 razy jako daleko od średniej, jak ta wartość okresu. Jeżeli 981 1 jest ujemny, przewiduje zachowanie średniej odwrócenia z naprzemiennością znaków, tj. Przewiduje również, że Y będzie poniżej średniego następnego okresu, jeśli jest powyżej średniej tego okresu. W modelu autoregresyjnym drugiego rzędu (ARIMA (2,0,0)), po prawej stronie pojawi się również termin Y t-2 i tak dalej. W zależności od znaków i wielkości współczynników, model ARIMA (2,0,0) może opisywać układ, którego średnia rewersja zachodzi w sposób oscylacyjny sinusoidalnie, podobnie jak ruch masy na sprężynie poddanej losowym wstrząsom . Próba losowa ARIMA (0,1,0): Jeśli seria Y nie jest nieruchoma, najprostszym możliwym modelem jest model losowego spaceru, który można uznać za ograniczający przypadek modelu AR (1), w którym autoregresyjny Współczynnik jest równy 1, tzn. szeregowi z nieskończenie powolną średnią rewersją. Równanie predykcji dla tego modelu można zapisać jako: gdzie stałym terminem jest średnia zmiana okresu do okresu (tj. Dryf długoterminowy) w Y. Ten model może być dopasowany jako model regresji bez przechwytywania, w którym pierwsza różnica Y jest zmienną zależną. Ponieważ zawiera on (tylko) niesezonową różnicę i stały termin, jest klasyfikowany jako model DAIMA (0,1,0) ze stałą. Często Model bezładnego spaceru byłby ARIMA (0,1; 0) model bez stałego ARIMA (1,1,0) różny model autoregresyjny pierwszego rzędu: Jeśli błędy modelu losowego spaceru są autokorelowane, być może problem można rozwiązać, dodając jedno opóźnienie zmiennej zależnej do równania predykcji - - to znaczy przez regresję pierwszej różnicy Y, która sama w sobie jest opóźniona o jeden okres. To przyniosłoby następujące równanie predykcji: które można przekształcić w To jest autoregresyjny model pierwszego rzędu z jednym rzędem niesezonowego różnicowania i stałym terminem - tj. model ARIMA (1,1,0). ARIMA (0,1,1) bez stałego prostego wygładzania wykładniczego: Inna strategia korekcji błędów związanych z autokorelacją w modelu losowego spaceru jest zasugerowana przez prosty model wygładzania wykładniczego. Przypomnijmy, że w przypadku niektórych niestacjonarnych szeregów czasowych (na przykład takich, które wykazują głośne wahania wokół wolno zmieniającej się średniej), model spaceru losowego nie działa tak dobrze, jak średnia ruchoma wartości z przeszłości. Innymi słowy, zamiast brać ostatnią obserwację jako prognozę następnej obserwacji, lepiej jest użyć średniej z ostatnich kilku obserwacji w celu odfiltrowania hałasu i dokładniejszego oszacowania średniej lokalnej. Prosty model wygładzania wykładniczego wykorzystuje wykładniczo ważoną średnią ruchomą przeszłych wartości, aby osiągnąć ten efekt. Równanie predykcji dla prostego modelu wygładzania wykładniczego można zapisać w wielu matematycznie równoważnych formach. jedną z nich jest tak zwana forma 8220, korekta zera 8221, w której poprzednia prognoza jest korygowana w kierunku popełnionego błędu: Ponieważ e t-1 Y t-1 - 374 t-1 z definicji, można to przepisać jako : co jest równaniem ARIMA (0,1,1) - bez stałej prognozy z 952 1 1 - 945. Oznacza to, że możesz dopasować proste wygładzanie wykładnicze, określając je jako model ARIMA (0,1,1) bez stała, a szacowany współczynnik MA (1) odpowiada 1-minus-alfa w formule SES. Przypomnijmy, że w modelu SES średni wiek danych w prognozach z wyprzedzeniem 1 roku wynosi 1 945. Oznacza to, że będą one pozostawać w tyle za trendami lub punktami zwrotnymi o około 1 945 okresów. Wynika z tego, że średni wiek danych w prognozach 1-okresowych modelu ARIMA (0,1,1) - bez stałej wynosi 1 (1 - 952 1). Tak więc, na przykład, jeśli 952 1 0.8, średnia wieku wynosi 5. Ponieważ 952 1 zbliża się do 1, ARIMA (0,1,1) - bez stałego modelu staje się bardzo długookresową średnią ruchomą, a jako 952 1 zbliża się do 0, staje się modelem losowego chodzenia bez dryfu. Jaki jest najlepszy sposób korekcji autokorelacji: dodawanie terminów AR lub dodawanie terminów MA W dwóch poprzednich modelach omówionych powyżej, problem związanych z autokorelacją błędów w modelu losowego spaceru został ustalony na dwa różne sposoby: przez dodanie opóźnionej wartości różnej serii do równania lub dodanie opóźnionej wartości błędu prognozy. Które podejście jest najlepsze Zasada praktyczna dla tej sytuacji, która zostanie omówiona bardziej szczegółowo w dalszej części, polega na tym, że pozytywna autokorelacja jest zwykle najlepiej traktowana przez dodanie do modelu warunku AR, a negatywna autokorelacja jest zwykle najlepiej traktowana przez dodanie Termin magisterski. W biznesowych i ekonomicznych szeregach czasowych negatywna autokorelacja często pojawia się jako artefakt różnicowania. (Ogólnie rzecz biorąc, różnicowanie zmniejsza pozytywną autokorelację, a nawet może spowodować przełączenie z autokorelacji dodatniej na ujemną). Tak więc model ARIMA (0,1,1), w którym różnicowanie jest połączone z terminem MA, jest częściej używany niż Model ARIMA (1,1,0). ARIMA (0,1,1) o stałym prostym wygładzaniu wykładniczym ze wzrostem: Dzięki wdrożeniu modelu SES jako modelu ARIMA można uzyskać pewną elastyczność. Po pierwsze, szacowany współczynnik MA (1) może być ujemny. odpowiada to współczynnikowi wygładzania większemu niż 1 w modelu SES, co zwykle nie jest dozwolone w procedurze dopasowania modelu SES. Po drugie, masz możliwość włączenia stałego warunku w modelu ARIMA, jeśli chcesz, aby oszacować średni niezerowy trend. Model ARIMA (0,1,1) ze stałą ma równanie prognozy: prognozy jednokresowe z tego modelu są jakościowo podobne do tych z modelu SES, z tym że trajektoria prognoz długoterminowych jest zwykle linia nachylenia (której nachylenie jest równe mu) zamiast linii poziomej. ARIMA (0,2,1) lub (0,2,2) bez stałego liniowego wygładzania wykładniczego: liniowe modele wygładzania wykładniczego są modelami ARIMA, które wykorzystują dwie niesezonowe różnice w połączeniu z terminami MA. Druga różnica w serii Y nie jest po prostu różnicą między Y a nią opóźnioną o dwa okresy, ale raczej jest pierwszą różnicą pierwszej różnicy - a. e. zmiana w Y w okresie t. Tak więc druga różnica Y w okresie t jest równa (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Druga różnica funkcji dyskretnej jest analogiczna do drugiej pochodnej funkcji ciągłej: mierzy ona przyspieszenie cytadania lub inną krzywiznę w funkcji w danym punkcie czasu. Model ARIMA (0,2,2) bez stałej przewiduje, że druga różnica szeregu równa się funkcji liniowej dwóch ostatnich błędów prognozy: która może być uporządkowana jako: gdzie 952 1 i 952 2 to MA (1) i Współczynniki MA (2). Jest to ogólny liniowy model wygładzania wykładniczego. w zasadzie taki sam jak model Holt8217s, a model Brown8217s to szczególny przypadek. Wykorzystuje wykładniczo ważone średnie ruchome do oszacowania zarówno lokalnego poziomu, jak i lokalnego trendu w serii. Długoterminowe prognozy z tego modelu zbiegają się do linii prostej, której nachylenie zależy od średniej tendencji obserwowanej pod koniec serii. ARIMA (1,1,2) bez stałego liniowego tłumienia wykładniczego. Ten model jest zilustrowany na załączonych slajdach w modelach ARIMA. Ekstrapoluje lokalny trend pod koniec serii, ale spłaszcza go na dłuższych horyzontach prognozy, wprowadzając nutę konserwatyzmu, praktykę, która ma empiryczne wsparcie. Zobacz artykuł na ten temat: "Dlaczego działa Damped Trend" autorstwa Gardnera i McKenziego oraz artykuł "Zgodny z legendą" Armstronga i in. dla szczegółów. Ogólnie zaleca się trzymać modele, w których co najmniej jedno z p i q jest nie większe niż 1, tj. Nie próbować dopasować modelu takiego jak ARIMA (2,1,2), ponieważ może to prowadzić do przeuczenia oraz pytania o współczynniku równomolowym, które omówiono bardziej szczegółowo w uwagach dotyczących struktury matematycznej modeli ARIMA. Implementacja arkusza kalkulacyjnego: modele ARIMA, takie jak opisane powyżej, można łatwo wdrożyć w arkuszu kalkulacyjnym. Równanie predykcyjne jest po prostu równaniem liniowym, które odnosi się do przeszłych wartości pierwotnych szeregów czasowych i przeszłych wartości błędów. W ten sposób można skonfigurować arkusz kalkulacyjny prognozowania ARIMA, przechowując dane w kolumnie A, formułę prognozowania w kolumnie B i błędy (dane minus prognozy) w kolumnie C. Formuła prognozowania w typowej komórce w kolumnie B byłaby po prostu wyrażenie liniowe odnoszące się do wartości w poprzednich wierszach kolumn A i C, pomnożone przez odpowiednie współczynniki AR lub MA przechowywane w komórkach w innym miejscu arkusza kalkulacyjnego.
No comments:
Post a Comment