مرشح متوسط الحركة المرجح أضعافا مضاعفة

استكشاف معدل التذبذب المتوسط ​​المرجح أضعافا مضاعفة هو مقياس الأكثر شيوعا من المخاطر، لكنه يأتي في العديد من النكهات. في مقال سابق، أظهرنا كيفية حساب التقلبات التاريخية البسيطة. (لقراءة هذه المقالة، راجع استخدام التقلب لقياس المخاطر المستقبلية.) استخدمنا بيانات سعر السهم الفعلي من غوغل من أجل احتساب التقلبات اليومية استنادا إلى بيانات 30 يوما من بيانات المخزون. في هذه المقالة، سوف نحسن التقلبات البسيطة ونناقش المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما). تاريخي مقابل التقلب الضمني أولا، يتيح وضع هذا المقياس في القليل من المنظور. هناك نهجان واسعان: التقلب التاريخي والضمني (أو الضمني). يفترض النهج التاريخي أن الماضي هو مقدمة نقيس التاريخ على أمل أن يكون التنبؤي. ومن ناحية أخرى، يتجاهل التقلب الضمني التاريخ الذي يحل فيه التقلبات التي تنطوي عليها أسعار السوق. وهي تأمل أن يعرف السوق أفضل وأن سعر السوق يتضمن، حتى ولو ضمنا، تقديرا للآراء بشأن التقلب. (للاطلاع على القراءة ذات الصلة، انظر استخدامات وحدود التقلب). إذا ركزنا على النهج التاريخية الثلاثة فقط (على اليسار أعلاه)، فإن لديهم خطوتين مشتركتين: حساب سلسلة العوائد الدورية تطبيق مخطط الترجيح أولا، نحن حساب العائد الدوري. ثاتس عادة سلسلة من العوائد اليومية حيث يتم التعبير عن كل عودة في مصطلحات معقدة باستمرار. لكل يوم، ونحن نأخذ السجل الطبيعي لنسبة أسعار الأسهم (أي السعر اليوم مقسوما على السعر أمس، وهلم جرا). هذا ينتج سلسلة من العوائد اليومية، من ش أنا ش أنا م. اعتمادا على عدد الأيام (م أيام) نحن قياس. وهذا يقودنا إلى الخطوة الثانية: هذا هو المكان الذي تختلف فيه النهج الثلاثة. في المقالة السابقة (باستخدام التقلب لقياس المخاطر المستقبلية)، أظهرنا أنه في ظل اثنين من التبسيط المقبول، التباين البسيط هو متوسط ​​العوائد التربيعية: لاحظ أن هذا المبلغ كل من الإرجاع الدوري، ثم يقسم المجموع بواسطة عدد الأيام أو الملاحظات (م). لذلك، في الواقع مجرد متوسط ​​من المربعات الدورية المربعة. وبعبارة أخرى، يعطى كل مربع مربعة وزن متساو. لذلك إذا كان ألفا (a) عامل ترجيح (على وجه التحديد، 1m)، فإن التباين البسيط يبدو شبيها بهذا: إوما يحسن على التباين البسيط ضعف هذا النهج هو أن جميع العوائد تكسب نفس الوزن. يوم أمس (الأخيرة جدا) عودة ليس لها تأثير أكثر على الفرق من الأشهر الماضية العودة. يتم إصلاح هذه المشكلة باستخدام المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما)، حيث يكون لعوائد أكثر حداثة وزنا أكبر على التباين. المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما) يدخل لامدا. والتي تسمى المعلمة تمهيد. يجب أن يكون لامبدا أقل من واحد. وبموجب هذا الشرط، بدلا من الأوزان المتساوية، يتم ترجيح كل عائد مربعة بمضاعف على النحو التالي: على سبيل المثال، ريسكمتريكس تم، وهي شركة لإدارة المخاطر المالية، تميل إلى استخدام لامدا 0.94، أو 94. في هذه الحالة، (0-1.94) (.94) 0 6. العائد التربيعي التالي هو ببساطة مضاعف لامدا للوزن السابق في هذه الحالة 6 مضروبا في 94 5.64. والثالث أيام السابقة الوزن يساوي (1-0.94) (0.94) 2 5.30. ثاتس معنى الأسي في إوما: كل وزن هو مضاعف ثابت (أي لامدا، التي يجب أن تكون أقل من واحد) من وزن الأيام السابقة. وهذا يضمن التباين المرجح أو المنحاز نحو المزيد من البيانات الحديثة. (لمعرفة المزيد، راجع ورقة عمل إكسيل لتقلب غوغل.) يظهر أدناه الفرق بين تقلب ببساطة و إوما ل غوغل. التقلبات البسيطة تزن بشكل فعال كل عائد دوري بمقدار 0.196 كما هو موضح في العمود O (كان لدينا عامين من بيانات أسعار الأسهم اليومية، أي 509 عائد يومي و 1509 0.196). ولكن لاحظ أن العمود P تعيين وزن 6، ثم 5.64، ثم 5.3 وهلم جرا. هذا الفرق الوحيد بين التباين البسيط و إوما. تذكر: بعد أن نجمع السلسلة بأكملها (في العمود س) لدينا التباين، وهو مربع الانحراف المعياري. إذا أردنا التقلب، علينا أن نتذكر أن تأخذ الجذر التربيعي لهذا التباين. ما هو الفرق في التقلب اليومي بين التباين و إوما في حالة غوغل لها أهمية: التباين البسيط أعطانا تقلب يومي من 2.4 ولكن إوما أعطى تقلب يومي فقط 1.4 (انظر جدول البيانات لمزيد من التفاصيل). على ما يبدو، استقرت تقلبات غوغل في الآونة الأخيرة وبالتالي، قد يكون التباين البسيط مرتفع بشكل مصطنع. فارق اليوم هو وظيفة من بيور تباين أيام ستلاحظ أننا بحاجة إلى حساب سلسلة طويلة من الأثقال الهبوط أضعافا مضاعفة. لن نفعل الرياضيات هنا، ولكن واحدة من أفضل ملامح إوما هو أن السلسلة بأكملها يقلل بسهولة إلى صيغة عودية: ريكورسيف يعني أن المراجع التباين اليوم (أي وظيفة من التباين أيام سابقة). يمكنك أن تجد هذه الصيغة في جدول البيانات أيضا، وتنتج نفس النتيجة بالضبط كما حساب لونغاند يقول: التباين اليوم (تحت إوما) يساوي التباين الأمس (مرجحة من لامدا) بالإضافة إلى الأمتار مربعة العودة (وزنه من قبل ناقص لامدا). لاحظ كيف نحن مجرد إضافة فترتين معا: يوم أمس التباين المرجح والأمثلة المرجحة، مربعا العودة. ومع ذلك، لامدا هو لدينا تمهيد المعلمة. يشير ارتفاع اللامدا (مثل ريسكمتريكس 94) إلى انحطاط بطيء في السلسلة - من الناحية النسبية، سيكون لدينا المزيد من نقاط البيانات في السلسلة، وسوف تسقط ببطء أكثر. من ناحية أخرى، إذا قلنا من لامدا، فإننا نشير إلى انحلال أعلى: الأوزان تسقط بسرعة أكبر، ونتيجة مباشرة للتسوس السريع، يتم استخدام نقاط بيانات أقل. (في جدول البيانات، لامدا هو المدخلات، حتى تتمكن من تجربة مع حساسية لها). سوماري التقلب هو الانحراف المعياري لحظية من الأسهم ومقياس المخاطر الأكثر شيوعا. وهو أيضا الجذر التربيعي للتباين. يمكننا قياس التباين تاريخيا أو ضمنيا (التقلب الضمني). عند قياس تاريخيا، وأسهل طريقة هو التباين البسيط. ولكن الضعف مع التباين بسيط هو كل عوائد الحصول على نفس الوزن. لذلك نحن نواجه مفاضلة الكلاسيكية: نحن نريد دائما المزيد من البيانات ولكن المزيد من البيانات لدينا أكثر يتم تخفيف الحساب لدينا عن بعد (أقل أهمية) البيانات. ويحسن المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما) على التباين البسيط بتخصيص أوزان للعائدات الدورية. من خلال القيام بذلك، يمكننا على حد سواء استخدام حجم عينة كبيرة ولكن أيضا إعطاء المزيد من الوزن لعوائد أكثر حداثة. (لعرض فيلم تعليمي حول هذا الموضوع، قم بزيارة سلحفاة بيونيك.) المتوسط ​​المتحرك ونماذج التماسك الأسي كخطوة أولى في التحرك خارج النماذج المتوسطة، نماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استقراء الأنماط والاتجاهات غير التقليدية باستخدام متحرك متوسط ​​أو تمهيد نموذج. الافتراض الأساسي وراء المتوسطات ونماذج التمهيد هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير ببطء. وبالتالي، فإننا نأخذ متوسطا متحركا (محلي) لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامه كمؤشر للمستقبل القريب. ويمكن اعتبار ذلك بمثابة حل توفيقي بين النموذج المتوسط ​​ونموذج المشي العشوائي بدون الانجراف. ويمكن استخدام نفس الاستراتيجية لتقدير الاتجاه المحلي واستقراءه. وعادة ما يطلق على المتوسط ​​المتحرك نسخة كوتسموثيدكوت من السلسلة الأصلية لأن المتوسط ​​على المدى القصير له تأثير على إزالة المطبات في السلسلة الأصلية. من خلال تعديل درجة التمهيد (عرض المتوسط ​​المتحرك)، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائي. أبسط نوع من نموذج المتوسط ​​هو. المتوسط ​​المتحرك البسيط (بالتساوي المرجح): تقدر قيمة قيمة Y في الوقت t1 التي يتم إجراؤها في الوقت t بالمتوسط ​​البسيط لآخر ملاحظات m: (هنا وفي مكان آخر سأستخدم الرمز 8220Y-hat8221 للوقوف للتنبؤ بالسلسلة الزمنية Y التي أجريت في أقرب موعد ممكن من قبل نموذج معين.) ويتركز هذا المتوسط ​​في الفترة t - (m1) 2، مما يعني أن تقدير المتوسط ​​المحلي سوف تميل إلى التخلف عن صحيح قيمة المتوسط ​​المحلي بنحو (m1) فترتين. وبالتالي، نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو (m1) 2 بالنسبة إلى الفترة التي يتم فيها احتساب التوقعات: هذا هو مقدار الوقت الذي تميل التنبؤات إلى التخلف عن نقاط التحول في البيانات . على سبيل المثال، إذا كنت تقوم بحساب متوسط ​​القيم الخمس الأخيرة، فإن التوقعات ستكون حوالي 3 فترات متأخرة في الاستجابة لنقاط التحول. ويلاحظ أنه في حالة M1، فإن نموذج المتوسط ​​المتحرك البسيط (سما) يساوي نموذج المشي العشوائي (بدون نمو). وإذا كانت m كبيرة جدا (مماثلة لطول فترة التقدير)، فإن نموذج سما يعادل النموذج المتوسط. وكما هو الحال مع أي معلمة لنموذج التنبؤ، من العرفي أن تعدل قيمة k من أجل الحصول على أفضل قيمة ممكنة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. وفيما يلي مثال لسلسلة يبدو أنها تظهر تقلبات عشوائية حول متوسط ​​متغير ببطء. أولا، يتيح محاولة لتناسب ذلك مع نموذج المشي العشوائي، وهو ما يعادل متوسط ​​متحرك بسيط من 1 مصطلح: نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في هذه السلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من كوتنويسكوت في البيانات (التقلبات العشوائية) وكذلك كوتسيغنالكوت (المتوسط ​​المحلي). إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات: المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة. متوسط ​​عمر البيانات في هذه التوقعات هو 3 ((51) 2)، بحيث تميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات. (على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التوقعات لا تتحول حتى عدة فترات في وقت لاحق). لاحظ أن التوقعات على المدى الطويل من نموذج سما هي خط مستقيم أفقي، تماما كما في المشي العشوائي نموذج. وبالتالي، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات. ومع ذلك، في حين أن التنبؤات من نموذج المشي العشوائي هي ببساطة مساوية للقيمة الملاحظة الأخيرة، والتنبؤات من نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. إن حدود الثقة المحسوبة من قبل ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ. ومن الواضح أن هذا غير صحيح لسوء الحظ، لا توجد نظرية إحصائية أساسية تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج. ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة للتنبؤات الأطول أجلا. على سبيل المثال، يمكنك إعداد جدول بيانات سيتم فيه استخدام نموذج سما للتنبؤ بخطوتين إلى الأمام، و 3 خطوات إلى الأمام، وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل أفق للتنبؤ، ومن ثم بناء فترات ثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر من تأثير متخلف: متوسط ​​العمر هو الآن 5 فترات ((91) 2). إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزيد إلى 10: لاحظ أن التوقعات تتخلف الآن عن نقاط التحول بنحو 10 فترات. أي كمية من التجانس هو الأفضل لهذه السلسلة هنا جدول يقارن إحصاءات الخطأ، بما في ذلك أيضا متوسط ​​3 المدى: نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أقل قيمة رمز بهامش صغير على 3 المتوسطات و 9-المدى، وإحصاءاتهم الأخرى متطابقة تقريبا. لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل استجابة أكثر قليلا أو أكثر قليلا نعومة في التوقعات. (العودة إلى أعلى الصفحة.) براونز بسيط الأسي تمهيد (المتوسط ​​المتحرك المرجح أضعافا) نموذج المتوسط ​​المتحرك البسيط المذكورة أعلاه لديها الخاصية غير المرغوب فيها أنه يعامل الملاحظات k الماضية بالتساوي تماما ويتجاهل جميع الملاحظات السابقة. بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، يجب أن تحصل على الملاحظة الأخيرة أكثر قليلا من الوزن الثاني من أحدث، و 2 أحدث يجب الحصول على وزن أكثر قليلا من 3 أحدث، و هكذا. نموذج التمهيد الأسي بسيط (سيس) يحقق هذا. اسمحوا 945 تدل على كونتسموثينغ كونستانتكوت (عدد بين 0 و 1). طريقة واحدة لكتابة النموذج هو تعريف سلسلة L التي تمثل المستوى الحالي (أي القيمة المتوسطة المحلية) من السلسلة كما يقدر من البيانات حتى الوقت الحاضر. يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا: وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث 945 تسيطر على التقارب من قيمة محرف إلى الأحدث الملاحظة. التوقعات للفترة القادمة هي ببساطة القيمة الملساء الحالية: على نحو مماثل، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية. في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة: في النسخة الثانية، ويتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق من قبل كمية كسور 945. هو الخطأ المحرز في الوقت t. أما في النسخة الثالثة، فإن التنبؤ هو المتوسط ​​المتحرك المرجح ألسعاره (أي مخفضة) مع عامل الخصم 1- 945: إصدار الاستكمال الداخلي لصيغة التنبؤ هو أبسط الاستخدام إذا كنت تنفذ النموذج على جدول بيانات: خلية واحدة ويحتوي على مراجع الخلية مشيرا إلى التوقعات السابقة، الملاحظة السابقة، والخلية حيث يتم تخزين قيمة 945. لاحظ أنه إذا كان 945 1، فإن نموذج سيس يساوي نموذج المشي العشوائي (بدون نمو). وإذا كان 945 0، فإن نموذج سيس يعادل النموذج المتوسط، على افتراض أن القيمة الملساء الأولى موضوعة تساوي المتوسط. (العودة إلى أعلى الصفحة). يبلغ متوسط ​​عمر البيانات في توقعات التمهيد الأسي البسيط 945 1 بالنسبة للفترة التي يتم فيها حساب التوقعات. (وهذا ليس من المفترض أن يكون واضحا، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية). وبالتالي، فإن متوسط ​​المتوسط ​​المتحرك بسيط يميل إلى التخلف عن نقاط التحول بنحو 1 945 فترات. على سبيل المثال، عندما يكون 945 0.5 الفارق الزمني هو فترتين عندما يكون 945 0.2 الفارق الزمني هو 5 فترات عندما يكون 945 0.1 الفارق الزمني هو 10 فترات، وهكذا. وبالنسبة إلى متوسط ​​عمر معين (أي مقدار التأخير)، فإن توقعات التمهيد الأسي البسيط تفوق إلى حد ما توقعات المتوسط ​​المتحرك البسيط (سما) لأنها تضع وزنا أكبر نسبيا على الملاحظة الأخيرة - أي. هو أكثر قليلا كوريبرسونسيفكوت إلى التغييرات التي تحدث في الماضي القريب. على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 945 0.2 على حد سواء لديها متوسط ​​عمر 5 للبيانات في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما وفي في الوقت نفسه فإنه don8217t تماما 8220forget8221 حول قيم أكثر من 9 فترات القديمة، كما هو مبين في هذا المخطط: ميزة أخرى هامة من نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد التي هي متغيرة باستمرار، لذلك يمكن بسهولة الأمثل باستخدام خوارزمية كوتسولفيركوت لتقليل متوسط ​​الخطأ التربيعي. وتبين القيمة المثلى ل 945 في نموذج سيس لهذه السلسلة 0.2961، كما هو مبين هنا: متوسط ​​عمر البيانات في هذا التنبؤ هو 10.2961 3.4 فترات، وهو ما يشبه متوسط ​​المتوسط ​​المتحرك البسيط لمدة 6. والتنبؤات الطويلة الأجل من نموذج الخدمة الاقتصادية والاجتماعية هي خط مستقيم أفقي. كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو. ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة لنموذج المشي العشوائي. ويفترض نموذج سيس أن المسلسل إلى حد ما يمكن التنبؤ به أكثر من ذلك لا نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما. وبالتالي فإن النظرية الإحصائية لنماذج أريما توفر أساسا سليما لحساب فترات الثقة لنموذج سيس. على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو ما (1) المدى، وليس هناك مصطلح ثابت. والمعروف باسم كوتاريما (0،1،1) نموذج دون كونستانتكوت. معامل ما (1) في نموذج أريما يتوافق مع الكمية 1- 945 في نموذج سيس. على سبيل المثال، إذا كنت تناسب نموذج أريما (0،1،1) دون ثابت لسلسلة تحليلها هنا، فإن ما المقدرة (1) معامل تبين أن يكون 0.7029، وهو تقريبا تقريبا واحد ناقص 0.2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس. للقيام بذلك، مجرد تحديد نموذج أريما مع اختلاف واحد نونسونالونال و ما (1) المدى مع ثابت، أي أريما (0،1،1) نموذج مع ثابت. وعندئذ سيكون للتنبؤات الطويلة الأجل اتجاه يساوي متوسط ​​الاتجاه الذي لوحظ خلال فترة التقدير بأكملها. لا يمكنك القيام بذلك بالتزامن مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عند تعيين نوع النموذج إلى أريما. ومع ذلك، يمكنك إضافة اتجاه أسي ثابت على المدى الطويل إلى نموذج بسيط الأسي تمهيد (مع أو بدون تعديل موسمي) باستخدام خيار تعديل التضخم في إجراء التنبؤ. ويمكن تقدير معدل كوتينفلاتيونكوت المناسب (نسبة النمو) لكل فترة على أنها معامل الانحدار في نموذج الاتجاه الخطي المجهز بالبيانات بالتزامن مع تحول لوغاريتم طبيعي، أو يمكن أن يستند إلى معلومات مستقلة أخرى تتعلق باحتمالات النمو على المدى الطويل . (العودة إلى أعلى الصفحة). البني الخطي (أي مزدوج) تجانس الأسي نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات (التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا لمدة 1- والتنبؤ بالمتابعة عندما تكون البيانات صاخبة نسبيا)، ويمكن تعديلها لإدراج اتجاه خطي ثابت كما هو مبين أعلاه. ماذا عن الاتجاهات على المدى القصير إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة للتنبؤ أكثر من 1 فترة المقبلة، ثم قد يكون تقدير الاتجاه المحلي أيضا قضية. ويمكن تعميم نموذج التمهيد الأسي البسيط للحصول على نموذج تمهيد أسي خطي (ليس) يحسب التقديرات المحلية لكل من المستوى والاتجاه. أبسط نموذج الاتجاه المتغير بمرور الوقت هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم سلسلتين مختلفتين تمهيدهما تتمركزان في نقاط مختلفة من الزمن. وتستند صيغة التنبؤ إلى استقراء خط من خلال المركزين. (ويمكن مناقشة الشكل الأكثر تطورا من هذا النموذج، هولت 8217s أدناه). ويمكن التعبير عن شكل جبري من نموذج التجانس الأسي الخطي البني 8217s، مثل نموذج التجانس الأسي البسيط، في عدد من الأشكال المختلفة ولكن المكافئة. وعادة ما يعبر عن الشكل المعياري للنموذج من هذا النموذج على النحو التالي: اسمحوا S تدل على سلسة سلسة السلسلة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y. وهذا هو، يتم إعطاء قيمة S في الفترة t من قبل: (أذكر أنه تحت بسيطة الأسفل، وهذا سيكون التنبؤ ل Y في الفترة t1.) ثم اسمحوا سكوت تدل على سلسلة مضاعفة مضاعفة التي تم الحصول عليها من خلال تطبيق التمهيد الأسي بسيطة (باستخدام نفس 945) لسلسلة S: وأخيرا، والتوقعات ل تك تك. عن أي kgt1، تعطى بواسطة: هذه الغلة e 1 0 (أي الغش قليلا، والسماح للتوقعات الأولى تساوي الملاحظة الأولى الفعلية)، و e 2 Y 2 8211 Y 1. وبعد ذلك يتم توليد التنبؤات باستخدام المعادلة أعلاه. وهذا يعطي نفس القيم المجهزة كالصيغة المستندة إلى S و S إذا كانت الأخيرة قد بدأت باستخدام S 1 S 1 Y 1. يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمية. هولت 8217s الخطي الأسي تمهيد البني 8217s نموذج ليس يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أنه يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب: المستوى والاتجاه لا يسمح لها أن تختلف بمعدلات مستقلة. ويعالج نموذج هولت 8217s ليس هذه المسألة عن طريق تضمين اثنين من الثوابت تمهيد، واحدة للمستوى واحد للاتجاه. في أي وقت t، كما هو الحال في نموذج Brown8217s، هناك تقدير ل t من المستوى المحلي وتقدير t ر للاتجاه المحلي. وهنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة في الوقت t والتقديرات السابقة للمستوى والاتجاه من خلال معادلتين تنطبقان على تمهيد أسي لها بشكل منفصل. وإذا كان المستوى المقدر والاتجاه في الوقت t-1 هما L t82091 و T t-1. على التوالي، فإن التنبؤ ب Y تشي الذي كان سيجري في الوقت t-1 يساوي L t-1 T t-1. وعند ملاحظة القيمة الفعلية، يحسب التقدير المحدث للمستوى بصورة متكررة بالاستكمال الداخلي بين Y تشي وتوقعاته L t-1 T t-1 باستعمال أوزان 945 و1-945. والتغير في المستوى المقدر، وهي L t 8209 L t82091. يمكن تفسيرها على أنها قياس صاخبة للاتجاه في الوقت t. ثم يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t 8209 L t82091 والتقدير السابق للاتجاه T t-1. وذلك باستخدام أوزان 946 و 1-946: تفسير ثابت ثابت تمهيد 946 مماثل لتلك التي من ثابت مستوى تمهيد 945. نماذج ذات قيم صغيرة من 946 نفترض أن الاتجاه يتغير ببطء شديد مع مرور الوقت، في حين أن النماذج مع أكبر 946 تفترض أنها تتغير بسرعة أكبر. ويعتقد نموذج مع كبير 946 أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة المقبلة. (العودة إلى أعلى الصفحة). ويمكن تقدير ثوابت التنعيم 945 و 946 بالطريقة المعتادة من خلال تقليل الخطأ المتوسط ​​التربيعي للتنبؤات ذات الخطوة الأولى. عندما يتم ذلك في ستاترافيكس، وتظهر التقديرات إلى أن 945 0.3048 و 946 0.008. القيمة الصغيرة جدا 946 تعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل. وبالمقارنة مع فكرة متوسط ​​عمر البيانات المستخدمة في تقدير المستوى المحلي للسلسلة، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1 946، وإن لم يكن يساويها بالضبط . في هذه الحالة تبين أن تكون 10.006 125. هذا هو 8217t عدد دقيق جدا بقدر دقة تقدير 946 isn8217t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حيث حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير هذا الاتجاه. ويبين مخطط التنبؤ الوارد أدناه أن نموذج ليس يقدر اتجاه محلي أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج سيترند. كما أن القيمة التقديرية ل 945 تكاد تكون مطابقة لتلك التي تم الحصول عليها من خلال تركيب نموذج سيس مع أو بدون اتجاه، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت 8220eyeball8221 هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحولت إلى أسفل في نهاية السلسلة ما حدث المعلمات من هذا النموذج قد تم تقديرها من خلال تقليل الخطأ المربعة للتنبؤات 1-خطوة إلى الأمام، وليس التنبؤات على المدى الطويل، في هذه الحالة لا يوجد 8217t الاتجاه الكثير من الفرق. إذا كان كل ما كنت تبحث في 1-خطوة قبل الأخطاء، كنت لا ترى الصورة الأكبر للاتجاهات أكثر (مثلا) 10 أو 20 فترات. من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط الأساس أقصر لتقدير الاتجاه. على سبيل المثال، إذا اخترنا تعيين 946 0.1، ثم متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، وهو ما يعني أننا متوسط ​​متوسط ​​الاتجاه على مدى تلك الفترات 20 الماضية أو نحو ذلك. Here8217s ما مؤامرة توقعات يبدو وكأننا وضعنا 946 0.1 مع الحفاظ على 945 0.3. هذا يبدو معقولا بشكل حدسي لهذه السلسلة، على الرغم من أنه من المحتمل أن يستقضي هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إحصائيات الخطأ هنا هو مقارنة نموذج للنموذجين المبينين أعلاه وكذلك ثلاثة نماذج سيس. القيمة المثلى 945. لنموذج سيس هو تقريبا 0.3، ولكن يتم الحصول على نتائج مماثلة (مع استجابة أكثر قليلا أو أقل، على التوالي) مع 0.5 و 0.2. (A) هولتس الخطي إكس. تمهيد مع ألفا 0.3048 وبيتا 0.008 (B) هولتس الخطية إكس. تمهيد مع ألفا 0.3 و بيتا 0.1 (C) تمهيد الأسي بسيط مع ألفا 0.5 (D) تمهيد الأسي بسيطة مع ألفا 0.3 (E) بسيطة الأسي تمهيد مع ألفا 0.2 احصائياتهم متطابقة تقريبا، لذلك نحن حقا يمكن 8217t جعل الاختيار على أساس من 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات. وعلينا أن نعود إلى الاعتبارات الأخرى. إذا كنا نعتقد اعتقادا قويا أنه من المنطقي أن يستند تقدير الاتجاه الحالي على ما حدث على مدى السنوات ال 20 الماضية أو نحو ذلك، يمكننا أن نجعل من حالة لنموذج ليس مع 945 0.3 و 946 0.1. إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، فإن أحد نماذج سيس قد يكون من الأسهل تفسيره، كما أنه سيوفر المزيد من توقعات منتصف الطريق للفترات الخمس أو العشر القادمة. (العودة إلى أعلى الصفحة). أي نوع من الاستقراء هو الأفضل: أدلة أفقية أو خطية تشير إلى أنه إذا تم تعديل البيانات (إذا لزم الأمر) للتضخم، فقد يكون من غير الحكمة استقراء الخطي القصير الأجل الاتجاهات بعيدة جدا في المستقبل. إن الاتجاهات الواضحة اليوم قد تتراجع في المستقبل بسبب أسباب متنوعة مثل تقادم المنتج، وزيادة المنافسة، والانكماش الدوري أو التحولات في صناعة ما. لهذا السبب، تجانس الأسي بسيط غالبا ما يؤدي أفضل من خارج العينة مما قد يكون من المتوقع خلاف ذلك، على الرغم من كوتنيفيكوت الاتجاه الأفقي الاستقراء. وكثيرا ما تستخدم أيضا تعديلات الاتجاه المخففة لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات الاتجاه. ويمكن تطبيق نموذج ليس المائل للاتجاه ليس كحالة خاصة لنموذج أريما، ولا سيما نموذج أريما (1،1،2). ومن الممكن حساب فترات الثقة حول التنبؤات طويلة الأجل التي تنتجها نماذج التمهيد الأسي، من خلال اعتبارها حالات خاصة لنماذج أريما. (حذار: لا تحسب جميع البرامج فترات الثقة لهذه النماذج بشكل صحيح). يعتمد عرض فترات الثقة على (1) خطأ رمز في النموذج، (2) نوع التجانس (بسيط أو خطي) (3) القيمة (ق) من ثابت ثابت (ق) و (4) عدد الفترات المقبلة كنت التنبؤ. بشكل عام، انتشرت الفترات بشكل أسرع مع 945 يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما يتم استخدام خطية بدلا من تجانس بسيط. ويناقش هذا الموضوع بمزيد من التفصيل في قسم نماذج أريما من الملاحظات. (العودة إلى أعلى الصفحة). الفلتر الأسي تصف هذه الصفحة الفلترة الأسية، وهي أبسط وأكثر المرشحات شعبية. هذا هو جزء من القسم التصفية التي هي جزء من دليل للكشف عن خطأ والتشخيص .. نظرة عامة، ثابت الوقت، والمعادل التناظرية أبسط فلتر هو مرشح الأسي. لديها معلمة ضبط واحدة فقط (بخلاف الفاصل الزمني للعينة). وهو يتطلب تخزين متغير واحد فقط - الإخراج السابق. وهو مرشح إر (الانحدار الذاتي) - آثار تغيير المدخلات تسوس أضعافا مضاعفة حتى حدود شاشات العرض أو الكمبيوتر الحساب إخفاء ذلك. في مختلف التخصصات، ويشار إلى استخدام هذا الفلتر أيضا باسم 8220 استثنائية التمهيد 8221. في بعض التخصصات مثل تحليل الاستثمار، يسمى الفلتر الأسي 8220 المتوسط ​​المتحرك المتوسط ​​المرجح 8221 (إوما)، أو 8220 فقط المتحرك المتحرك المتوسط ​​8221 (إما). هذا يساء التقليدية أرما 8220moving المتوسط ​​8221 المصطلحات من تحليل سلسلة زمنية، لأنه لا يوجد تاريخ المدخلات التي يتم استخدامها - فقط المدخلات الحالية. وهو يعادل الوقت المنفصل ل 8220 فيرست النظام lag8221 يشيع استخدامها في النمذجة التناظرية من أنظمة التحكم في الوقت المستمر. في الدوائر الكهربائية، مرشح أرسي (مرشح مع المقاوم واحد ومكثف واحد) هو تأخر الدرجة الأولى. عند التشديد على التناظرية الدوائر التناظرية، معلمة ضبط واحد هو 8220time ثابت 8221، وعادة ما تكتب كما في حالة الحروف اليونانية تاو (). في الواقع، والقيم في أوقات عينة منفصلة تتطابق تماما مع الزمن المتساوي المستمر مع نفس الوقت ثابت. وترد العلاقة بين التنفيذ الرقمي والثابت الزمني في المعادلات أدناه. معادلات التصفية الأسية والتهيئة التصفية الأسية هي مزيج مرجح من التقدير السابق (الإخراج) مع أحدث بيانات المدخلات، مع مجموع الأوزان يساوي 1 بحيث الإخراج يطابق الإدخال في حالة مستقرة. بعد ترشيح المرشح الذي تم إدخاله بالفعل: y (k) أي (k-1) (1-a) x (k) حيث x (k) هي المدخلات الأولية في الخطوة الزمنية k (k) هي المخرجات المصفاة عند الخطوة الزمنية كا هو ثابت بين 0 و 1، وعادة ما بين 0.8 و 0.99. (a-1) أو يسمى أحيانا 8220smoothing ثابت 8221. بالنسبة إلى الأنظمة ذات الخطوة الزمنية الثابتة T بين العينات، يتم حساب الثبات 8220a8221 وتخزينه للراحة فقط عندما يحدد مطور التطبيق قيمة جديدة للوقت المطلوب. وبالنسبة إلى الأنظمة التي تحتوي على عينات من البيانات على فترات غير منتظمة، يجب استخدام الدالة الأسية أعلاه مع كل خطوة زمنية، حيث T هو الوقت منذ العينة السابقة. وعادة ما يتم تهيئة خرج المرشح لتتناسب مع المدخلات الأولى. كما يقترب الوقت الثابت 0، يذهب إلى الصفر، لذلك ليس هناك تصفية 8211 الإخراج يساوي المدخلات الجديدة. كما يحصل الوقت ثابت كبير جدا، نهج 1، بحيث يتم تجاهل المدخلات الجديدة تقريبا 8211 تصفية الثقيلة جدا. ويمكن إعادة ترتيب معادلة الفلتر أعلاه إلى المعادل التالي للمصحح للتنبؤ: ويجعل هذا النموذج أكثر وضوحا أن تقدير المتغير (خرج المرشاح) يتوقع أنه لم يتغير عن التقدير السابق y (k-1) زائدا مصطلح تصحيح على 8220innovation 8221 غير متوقعة - الفرق بين المدخلات الجديدة x (ك) والتنبؤ ذ (ك -1). هذا النموذج هو أيضا نتيجة اشتقاق المرشح الأسي كحالة خاصة بسيطة لمرشح كالمان. وهو الحل الأمثل لمشكلة تقدير مع مجموعة معينة من الافتراضات. استجابة الخطوة طريقة واحدة لتصور تشغيل المرشح الأسي هو رسم ردها مع مرور الوقت إلى إدخال خطوة. وهذا هو، بدءا من المدخلات والمخرجات مرشح في 0، يتم تغيير قيمة المدخلات فجأة إلى 1. يتم رسم القيم الناتجة أدناه: في المؤامرة المذكورة أعلاه، يتم تقسيم الوقت على الوقت تاو ثابت التصفية حتى تتمكن من التنبؤ بسهولة أكبر نتائج أي فترة زمنية، لأي قيمة من الوقت مرشح الوقت. بعد وقت يساوي ثابت الوقت، يرتفع خرج المرشح إلى 63.21 من قيمته النهائية. بعد وقت يساوي 2 الثوابت الوقت، ترتفع القيمة إلى 86.47 من قيمته النهائية. النواتج بعد مرات تساوي 3،4، والثوابت 5 الوقت هي 95.02، 98.17، و 99.33 من القيمة النهائية، على التوالي. وبما أن المرشح خطي، فهذا يعني أن هذه النسب المئوية يمكن استخدامها لأي حجم من تغير الخطوة، وليس فقط لقيمة 1 المستخدمة هنا. على الرغم من أن الاستجابة خطوة من الناحية النظرية يأخذ وقتا لانهائي، من الناحية العملية، والتفكير في المرشح الأسي كما 98-99 8220done8221 الاستجابة بعد وقت يساوي 4 إلى 5 الثوابت الوقت مرشح. الاختلافات على الفلتر الأسي هناك تباين في المرشح الأسي يسمى الفلتر الأسي 8220nonlineear8221 ويبر، 1980. يهدف إلى تصفية الضوضاء بشكل كبير ضمن سعة 8220typical8221 معينة، ولكن بعد ذلك يستجيب بسرعة أكبر للتغييرات الأكبر حجما. حقوق الطبع والنشر 2010 - 2013، غريغ ستانلي شارك هذه الصفحة: