이동 평균과 지수 이동의 차이

간단한 이동 평균과 지수 이동 평균의 차이점은 무엇입니까? 이러한 두 가지 유형의 이동 평균 간의 유일한 차이점은 계산에 사용 된 데이터의 변화에 ​​대한 각각의 민감도입니다. 특히 지수 이동 평균 EMA는 SMA는 모든 가중치에 동일한 가중치를 할당하는 반면 단순 이동 평균보다 더 높은 가중치를 가짐 SMA는 모든 값에 동일한 가중치를 할당 두 평균은 동일한 방식으로 해석되고 가격 변동을 완화하기 위해 기술 거래자가 일반적으로 사용하기 때문에 유사합니다. SMA는 기술 분석가가 사용하는 가장 일반적인 평균 유형이며 일련의 가격 합계를 시리즈에서 발견 된 총 가격 수로 나누어 계산합니다. 예를 들어, 7 기간 이동 평균은 다음 7 가지 가격을 합친 다음 결과를 7로 나눈 결과를 산술 평균 평균이라고도합니다. 예 : 다음과 같은 일련의 pri 10, 11, 12, 16, 17, 19, 20 SMA 계산은 다음과 같습니다. 10 11 12 16 17 19 20 105 7 기간 SMA 105 7 15. EMA는 이전 데이터보다 최근 데이터에 더 높은 가중치를 적용하기 때문에 , 그들은 SMA보다 최신 가격 변화에 더 민감합니다. 이는 EMA 결과를보다시의 적절하게 만들고 많은 EMA가 EMA가 선호하는 평균치 인 이유를 설명합니다. 아래 차트에서 알 수 있듯이 단기적 관점 두 평균의 차이는 보통 센트의 문제이기 때문에 어떤 평균이 사용되는지는 신경 쓰지 않아도된다. 반면에 장기적 관점을 가진 거래자는 가치가 달라질 수 있기 때문에 그들이 사용하는 평균을 더 고려해야한다. 몇 달러 정도면 충분합니다. 궁극적으로 실현 수익률에 영향을 미칠 수 있습니다. 특히 많은 양의 주식을 거래 할 때 그렇습니다. 모든 기술적 지표와 마찬가지로 상인이 성공을 보장하기 위해 사용할 수있는 평균은 없습니다 , 그러나 t를 사용함으로써 실수 및 실수로 모든 유형의 지표를 통해 안락함을 향상시킬 수 있으며 결과적으로 현명한 거래 결정을 내릴 확률이 높아집니다. 이동 평균에 대한 자세한 내용은 평균 이동 평균 및 가중 평균에 대한 기본 사항을 참조하십시오. 미국 노동 통계국 (Bureau of Labor Statistics)이 일자리를 측정하는 데 도움이되는 조사 고용주로부터 데이터를 수집합니다. 미국이 돈을 최대한 빌릴 수있는 금액 부채 한도액은 제 2의 자유 채권법에 따라 작성되었습니다. 기관은 연방 준비 은행에서 유지하는 자금을 다른 예금 기관에 대출한다 .1 주어진 증권 또는 시장 지수에 대한 수익 분산의 통계적 척도 변동성은 측정 될 수있다. 1933 년 미국 의회가 은행법 (Banking Act) 상업 은행의 투자 참여. 비농업 급여는 농장, 개인 가계 및 비영리 부문 이외의 모든 일을 나타냅니다. U S 이동국. 단순한 Vs 지수 이동 평균. 이동 평균은 순차적 인 수열의 연구보다 더 낫다. 시계열 분석의 초기 실무자는 사실 그 시간의 데이터를 보간하는 것보다 개별 시계열 수에 더 많은 관심을 가졌다. 확률 이론과 분석의 형태로 보간은 패턴이 개발되고 상관 관계가 발견됨에 따라 훨씬 나중에 나타났습니다. 이해되면 다양한 시점의 곡선과 선을 데이터 계열의 위치를 ​​예측하기 위해 시계열을 따라 그렸습니다. 기술 분석 상인이 현재 사용하고있는 기본 방법으로 간주 차트 분석은 18 세기 일본으로 거슬러 올라갑니다. 그러나 이동 평균을 처음 시장 가격에 적용한 방법과시기는 여전히 수수께끼입니다. 단순 이동 평균 SMA는 지수 이동 전부터 오래 사용되었습니다. EMA는 SMA 프레임 워크를 기반으로하고 SMA 연속체가 더 쉽게 U 플로팅 및 추적 목적에 대한 이해 배경을 조금 읽으시겠습니까? 평균 이동 수표 란 무엇입니까? 간단한 이동 평균 SMA 간단한 이동 평균은 계산하기 쉽고 이해하기 쉽기 때문에 시장 가격을 추적하는 데 선호되는 방법이었습니다. 초기 시장 종사자가 운영되었습니다. 오늘날 사용되는 정교한 차트 지표를 사용하지 않았기 때문에 주로 시장 가격을 유일한 지침으로 사용했습니다. 그들은 손으로 시장 가격을 계산하고 추세와 시장 방향을 나타내는 가격을 그래프로 나타 냈습니다. 이 프로세스는 상당히 지루했지만 매우 수익성이있었습니다. 10 일 간단한 이동 평균을 계산하려면 지난 10 일의 종가를 더하고 10으로 나누십시오. 20 일 이동 평균은 20 일 기간의 종가를 더하여 계산됩니다. 20 등으로 나눕니다. 이 공식은 종가 기준입니다 만, 제품은 가격의 평균입니다 - 하위 집합 이동 평균은 계산에 사용 된 가격 그룹이 차트의 요점에 따라 이동하기 때문에 이동이라는 용어가 붙었습니다. 이것은 종가가 새로운 종가 일에 유리하게된다는 것을 의미하므로 항상 평균 계산 시간의 새 계산이 필요합니다. 10 일 평균은 새로운 요일을 추가하고 10 일을 마침으로써 다시 계산되며, 9 일은 둘째 날에 삭제됩니다. 통화 거래에서 차트가 사용되는 방법에 대한 자세한 내용은 차트 기본 연습을 참조하십시오. 지수 이동 평균 EMA 지수 이동 평균은 1960 년대부터 컴퓨터 사용 경험이있는 초기 실험자 덕분에 더욱 정교 해지고 널리 사용되었습니다. 새로운 EMA는 간단한 이동 평균이 요구됨에 따라 긴 일련의 데이터 포인트보다는 최신 가격에 더 초점을 맞 춥니 다. . 현재 EMA 가격 현재 - 이전 EMA X 곱셈기 이전 EMA. 가장 중요한 요소는 2 1 N 여기서 N은 일 수입니다. 10 일 EMA 2 10 1 18 8.이 수단 10 기간 EMA가 가장 최근의 가격에 가중치 18 8, 20 일 EMA 9 52 및 50 일 EMA 3 92 가장 최근 날짜의 가중치 EMA는 현재 기간 가격과 이전 EMA 가격의 차이에 가중치를 적용하여 작동합니다 , 그 결과를 이전 EMA에 더한다. 기간이 짧을수록 가장 최근의 가격에 더 많은 가중치가 적용된다. 피팅 라인이 계산에 의해 포인트가 그려지고 피팅 라인이 표시된다. 시장 가격보다 높거나 낮은 피팅 라인은 모든 이동 평균은 지체 표시기이며 주로 추종 추세를 위해 사용됩니다. 피팅 라인이 고점 또는 저 최저치의 부족으로 인해 추세를 나타낼 수 없기 때문에 범위 시장 및 정체 기간과 잘 작동하지 않습니다. 또한 피팅 라인이 남아있는 경향이 있습니다 시장 방향 아래에 올라가는 피팅 라인은 긴 것을 의미하고, 시장 위의 떨어지는 피팅 라인은 짧은 것을 의미합니다. 전체 가이드는 이동 평균 튜토리얼을 참조하십시오. employin 가 단순 이동 평균은 여러 그룹의 가격 수단을 사용하여 데이터를 다듬어 추세를 파악하고 측정하는 것입니다. 추세가 예측되어 예측으로 추측됩니다. 이전 추세 이동이 계속 될 것이라는 가정입니다. 단순 이동 평균의 경우 장기 경향은 평균 가격에 더 긴 초점 때문에 피팅 라인이 EMA 라인보다 강하게 유지 될 것이라는 합리적인 가정하에 EMA보다 훨씬 쉽게 발견되고 따라 올 수 있습니다. EMA는 단기적인 추세 이동을 포착하는데 사용됩니다. 가장 최근의 가격이 방법으로 EMA는 단순 이동 평균의 시간 지연을 줄이기로되어있어 피팅 라인이 단순 이동 평균보다 가격을 더 가깝게 잡을 것입니다. EMA의 문제점은 다음과 같습니다. 특히 빠른 시장 및 변동성의 기간 EMA는 가격이 피팅 라인을 깰 때까지 잘 작동합니다. 변동성이 높은 시장에서는 이동 평균 기간의 길이를 늘릴 수 있습니다. EMA 그 이유는 SMA가 장기적인 수단에 초점을 맞추기 때문에 EMA보다 데이터를 훨씬 더 원활하게 처리하기 때문입니다. 뒤를 따라가는 지표 지연되는 지표로서 이동 평균은 지원 및 저항선 역할을합니다. 하락 추세에있는 10 일 이동 평균 이상으로 가격이 떨어지면 추세가 약화되거나 통합 될 가능성이있다. 이 경우 10 일 이동 평균과 20 일 이동 평균을 함께 사용하고 10 일 선이 20 일 선의 위 또는 아래를 통과 할 때까지 기다립니다. 이는 다음 단기 가격 결정을 결정합니다. 장기적인 경우에는 100 - 장기 이동 방향에 대한 200 일 이동 평균 예를 들어 100 일 이동 평균과 200 일 이동 평균을 사용하면 100 일 이동 평균이 200 일 평균보다 낮 으면 사망 교차를 호출하고 매우 약하다 가격은 100 일 이동 평균보다 200 일 이동 평균은 황금 십자가이며 가격에 매우 완고하다. SMA 또는 EMA가 사용되는 경우 두 가지 모두 경향 추종 지표이기 때문에 문제가되지 않는다. 단기적으로 SMA의 경미한 편차가있다 결론 이동 평균은 차트 및 시계열 분석의 기초입니다. 단순 이동 평균 및보다 복잡한 지수 이동 평균은 가격 이동을 원활하게하여 추세를 시각화하는 데 도움이됩니다. 기술 분석은 때로는 과학, 둘 다 주인에게 수 년이 걸릴 우리의 기술 분석 자습서에서 자세히 알아보십시오. 노동 통계의 미국 협회에 의해 수행 된 조사는 고용주로부터 데이터를 수집합니다. 그것은 미국이 빌릴 수있는 돈의 최대 금액입니다. 부채 한도액은 제 2의 자유 채권법에 따라 작성되었습니다. 예금 기관이 연방 준비 은행에서 다른 예금 기관으로 자금을 대출하는 이자율 1 주어진 안보 또는 시장 지수에 대한 수익 분산의 통계적 척도 변동성을 측정 할 수있다. 1933 년 미국 의회가 상업 은행이 투자에 참여하는 것을 금지하는 은행법 (Banking Act)을 통과시켰다. 민간 가계 및 비영리 부문 이외의 모든 일에 미국 노동국. 평균 및 지수 평활화 모델 이동 평균 모델, 무작위 걸음 모델 및 선형 추세 모델을 벗어나는 첫 번째 단계로서 비 계절적 패턴 및 추세는 이동 평균 또는 평활 모델을 사용하여 외삽 할 수 있습니다. 평균화 및 평활화 모델의 기본 가정은 시계열이 천천히 변하는 평균을 사용하여 국부적으로 고정된다는 것입니다. 따라서 평균의 현재 값을 추정하기 위해 이동하는 지역 평균을 취한 다음 이것은 가까운 미래에 대한 예측으로서 이것은 평균 모델과 드리프트없는 무작위 모델 간의 절충으로 간주 될 수 있습니다. 동일한 전략 ca n 로컬 트렌드를 추정하고 외삽하는 데 사용됩니다. 이동 평균은 원래 시리즈의 매끄러운 버전이라고도합니다. 단기 평균은 원래 시리즈의 범프를 부드럽게하는 효과가 있기 때문입니다. 이동 평균, 우리는 평균 및 무작위 도보 모델의 성능 간의 최적의 균형을 이루기를 희망 할 수 있습니다. 평균화 모델의 가장 단순한 종류는 단순 동등 가중 이동 평균입니다. 시간 t 1에서 Y 값에 대한 예측 그것은 시간 t에서 만들어진 가장 최근의 m 관측치의 단순 평균과 같습니다. 여기 그리고 다른 곳에서 주어진 모델에 의해 가능한 가장 빠른 이전 날짜에 만들어진 시계열 Y의 예측을 나타 내기 위해 기호 Y-hat을 사용할 것입니다. 이 평균은 t-1 2에 집중되어 있습니다. 지역 평균은 국부 평균의 실제 값보다 약 m 2주기 늦어지는 경향이있다. 따라서 단순 이동 평균의 데이터의 평균 연령은 예측이 계산되는 기간에 비해 m 2이다 이것은 예측이 데이터의 전환점보다 뒤쳐지는 경향이있는 시간입니다. 예를 들어, 마지막 5 개의 값을 평균 할 경우 예측은 전환점에 응답하는 데 약 3 기간 늦을 것입니다. m 1, 단순 이동 평균 SMA 모델은 성장없는 무작위 도보 모델과 동일합니다. m이 추정 기간의 길이와 비교할 때 매우 큰 경우 SMA 모델은 평균 모델과 같습니다. 예측 모델의 모든 매개 변수와 마찬가지로 관례입니다 기의 가치를 조정하는 n 순서에 따라 데이터에 가장 잘 맞는 것을 얻습니다. 즉 평균적으로 가장 작은 예측 오류입니다. 천천히 변하는 평균 주위의 무작위 변동을 나타내는 시리즈의 예가 있습니다. 먼저 임의의 보행에 맞춰 봅니다. 모델로, 1 기간의 간단한 이동 평균과 같습니다. 랜덤 워크 모델은 시리즈의 변경 사항에 매우 신속하게 응답하지만, 이렇게하면 데이터의 노이즈가 많은 부분을 비롯하여 임의의 변동 및 신호가 로컬에서 발생합니다 평균 대신 5 용어의 간단한 이동 평균을 시도하면 우리는보다 매끄러운 예측 세트를 얻습니다. 이 용어의 무작위 도보 모델보다 5 term 간단한 이동 평균이 훨씬 적은 오류를 산출합니다. 예측은 3 5 1 2이므로 전환 시점보다 3 기간 지연되는 경향이 있습니다. 예를 들어, 기간 21에 침체가 발생한 것으로 보이지만 몇 기간 후에 예측이 돌아 가지 않습니다. SMA 모드에서의 장기 예측 el은 임의의 보행 모델에서와 같이 수평의 직선이다. 따라서 SMA 모델은 데이터에 추세가 없다고 가정한다. 그러나 무작위 걸음 모델의 예측은 단순히 마지막으로 관측 된 값과 동일하지만, SMA 모델은 최근 값의 가중 평균과 동일합니다. Statgraphics가 계산 한 신뢰 한계는 단순 이동 평균의 장기 예측에 대해 예측 지평선이 증가함에 따라 더 넓지 않습니다. 분명히 올바르지 않습니다. 불행히도 근본적인 원인은 없습니다 신뢰 구간을 어떻게 확장해야하는지 알려주는 통계 이론 그러나 장거리 예측에 대한 신뢰 한계의 경험적 추정치를 계산하는 것은 그리 어렵지 않습니다. 예를 들어, SMA 모델을 사용하는 스프레드 시트를 설정할 수 있습니다 이력 데이터 샘플 내에서 앞으로 2 단계, 3 단계 앞당기 등을 예측하는 데 사용됩니다. 그런 다음 각 예측에서 오류의 샘플 표준 편차를 계산할 수 있습니다. h orzone을 선택하고 적절한 표준 편차의 배수를 더하거나 뺍으로써 장기 예측에 대한 신뢰 구간을 구축하십시오. 우리가 9 항의 간단한 이동 평균을 시도하면보다 부드러운 예측과 지연 효과를 얻을 수 있습니다. 평균 연령은 현재 5 개 기간 9 1 2 19 개 이동 평균을 취하면 평균 연령이 10 세로 증가합니다. 실제로 예측은 현재 약 10 기간으로 전환점보다 뒤떨어져 있습니다. 이 시리즈의 경우 스무딩 양이 가장 좋습니다. 다음은 3 학기 평균을 포함하여 오류 통계를 비교하는 표입니다. 5 학기 이동 평균 인 모델 C는 3 학기 및 9 학기 평균보다 약간 작은 RMSE 값을 산출하고 그들의 다른 통계는 거의 동일합니다. 따라서 매우 유사한 오류 통계를 가진 모델 중에서 예측에서 조금 더 응답 성을 높이거나 좀 더 부드러움을 선호할지 여부를 선택할 수 있습니다. 페이지 위쪽으로 돌아갑니다. 단순 지수 기수 평준화 지수 가중치 위에서 설명한 단순 이동 평균 모델은 마지막 k 관측 값을 똑같이 처리하고 이전 관측 값을 완전히 무시한다는 바람직하지 않은 특성을 가지고 있습니다. 직관적으로 과거 데이터는보다 점진적인 방식으로 할인되어야합니다. 예를 들어 가장 최근 관측 값은 가장 최근의 것보다 조금 더 많은 가중치를 얻으십시오. 가장 최근의 두 번째 것은 가장 최근의 세 번째 것보다 약간 더 많은 가중치를가집니다. 간단한 지수 스무딩 SES 모델은 this를 수행합니다. 0과 1 사이의 수를 매끄럽게 표시하십시오. 모델을 작성하는 한 가지 방법은 현재 레벨, 즉 데이터에서 현재까지 추정 된 일련의 로컬 평균 값을 나타내는 계열 L을 정의하는 것입니다. 시간 t에서 L의 값은 이와 같이 이전의 자체 값에서 재귀 적으로 계산됩니다. 따라서, 현재의 평활화 된 값은 이전의 평활화 된 값과 현재의 관찰 사이의 보간법이며, 여기서 가장 보간 된 값에 대한 보간 된 값의 근접성을 제어한다 센티미터 관측 다음 기간에 대한 예측은 단순히 현재의 평활화 된 값입니다. 또한, 다음과 같은 버전의 이전 예측 및 이전 관측과 관련하여 다음 예측을 직접 표현할 수 있습니다. 첫 번째 버전에서 예측은 보간 두 번째 버전에서는 이전 오류의 방향으로 이전 예측을 분수로 조정하여 다음 예측을 얻습니다. 시간 t에서 발생한 오류는 세 번째 버전에서 예측은 지수 가중치, 즉 할인율 1로 할인 된 이동 평균 예측 공식의 보간 버전은 스프레드 시트에서 모델을 구현하는 경우 가장 단순합니다. 이 모델은 단일 셀에 적합하고 이전 예측을 가리키는 셀 참조를 포함합니다. 관측치, 값이 저장되는 셀 등이 있습니다. 1이면 SES 모델이 무작위 도보 모델과 같습니다. hout growth 0 일 경우 SES 모델은 첫 번째 평활 값이 평균 페이지 상단으로 돌아 가기로 설정되었다고 가정하고 평균 모델과 같습니다. 단순 지수 평활화 예측의 데이터 평균 나이는 1입니다. 예측이 계산되는 기간이 기간은 분명하지는 않으나 무한 시리즈를 평가하여 쉽게 표시 할 수 있습니다. 따라서 단순 이동 평균 예측은 전환 시점보다 약 1 기간 지연되는 경향이 있습니다. 예를 들어, 0 5 지연은 0 2 지연이 10주기 인 0 일 때 5주기 인 등 2주기입니다. 주어진 평균 연령 즉 지연의 양에 대해 간단한 지수 스무딩 SES 예측은 단순 이동보다 다소 우수합니다 평균 SMA 예측은 가장 최근의 관찰에 상대적으로 더 많은 가중치를 부여하기 때문입니다 - 최근 과거에 발생한 변화에 약간 더 반응합니다. 예를 들어, 9 개의 용어가있는 SMA 모델과 0 2가있는 SES 모델 모두 평균 연령 5에 대한 다 그러나 SES 모델은 SMA 모델보다 세 번째 값에 더 많은 가중치를 주지만 동시에이 차트에 표시된 바와 같이 9 시간보다 오래된 값을 완전히 잊지는 않습니다. SMA 모델의 SES 모델은 SES 모델이 지속적으로 가변적 인 스무딩 매개 변수를 사용하므로 평균 제곱 오류를 최소화하기위한 솔버 알고리즘을 사용하여 쉽게 최적화 할 수 있습니다. 이 시리즈의 SES 모델에서 최적 값은 이 예측에서 데이터의 평균 연령은 6 개월 간단한 이동 평균과 비슷한 1 0 2961 3 4 마침표입니다. SES 모델의 장기 예측은 다음과 같습니다. SMA 모델과 성장없는 무작위 걸음 모델과 같은 수평 직선 그러나 Statgraphics에 의해 계산 된 신뢰 구간은 합리적으로 보이는 방식으로 이제는 발산하고 rand에 대한 신뢰 구간보다 실질적으로 좁은 것을 유의하십시오 옴 워크 모델 SES 모델은 무작위 걸음 모델보다 일련이 더 예측 가능하다고 가정합니다. SES 모델은 실제로 ARIMA 모델의 특수 사례이므로 ARIMA 모델의 통계 이론은 SES 모델 특히, SES 모델은 하나의 비 계절적 차이, MA 1 용어 및 상수 용어가없는 ARIMA 모델입니다. 상수가없는 ARIMA 0,1,1 모델 ARIMA 모델의 MA 1 계수는 수량 1 - SES 모델 예를 들어, 여기서 분석 한 시리즈에 상수가없는 ARIMA 0,1,1 모델을 맞춘 경우 MA 1 계수 추정치는 0 7029로 거의 정확히 1에서 0 2961입니다. 0이 아닌 일정한 선형 추세의 가정을 SES 모델에 추가하는 것이 가능합니다. 이렇게하려면 비 계절 차이가 하나 있고 상수가 MA 1 인 ARIMA 모델, 즉 ARIMA 0,1,1 모델을 지정하면됩니다 일정한 장기 전망 전체 견적 기간 동안 관측 된 평균 추세와 같은 추세를 가짐 모델 유형이 ARIMA로 설정된 경우 계절 조정 옵션이 사용 불가능하기 때문에 계절 조정과 함께 할 수는 없습니다. 그러나 일정 길이를 추가 할 수 있습니다 예측 과정에서 인플레이션 조정 옵션을 사용하여 계절 조정이 있거나없는 단순한 지수 평활화 모델로의 지수 기하학 기간 당 적절한 인플레이션 비율 증가율은 다음과 같은 데이터에 맞는 선형 추세 모델의 기울기 계수로 추정 할 수 있습니다. 자연 로그 변환과 함께 사용하거나 장기 성장 전망에 관한 다른 독립적 인 정보를 기반으로 할 수 있습니다. 맨 위로 돌아 가기. Brown s Linear 즉 double Exponential Smoothing. SMA 모델과 SES 모델은 다음과 같은 추세가 없다고 가정합니다. 데이터가 상대적으로 노우즈 일 때 1 단계 전방 예측에 대해 일반적으로 정상이거나 적어도 좋지는 않은 데이터의 모든 종류 sy와 같으며 위에서 보인 바와 같이 일정한 선형 추세를 통합하도록 수정할 수 있습니다 단기간 추세는 무엇인가 시리즈가 다양한 성장 속도 또는 순환 패턴을 명확하게 나타내며 소음에 대해 분명하게 나타낼 경우 앞으로 1 기간 이상 예측할 경우 지역 경향을 추정하는 것도 중요한 문제가 될 수 있습니다. 간단한 지수 평활화 모델을 일반화하여 수준 및 추세에 대한 지역 추정치를 계산하는 선형 지수 평활화 LES 모델을 얻을 수 있습니다. 가장 간단한 시간 변화 추세 모델은 Brown s 선형 지수 평활화 모델로, 서로 다른 시점에 집중되는 두 개의 다른 매끄러운 계열을 사용합니다. 예측 공식은 두 센터를 통한 선 외삽을 기반으로합니다. 이 모델의보다 정교한 버전 인 Holt s는 다음과 같습니다. 브라운의 선형 지수 평활화 모델의 대수적 형태는 단순한 지수 평활화 모델의 것과 유사하지만 여러 가지로 표현 될 수 있지만 e quivalent forms이 모델의 표준 형태는 보통 다음과 같이 표현된다. S는 간단한 지수 스무딩을 계열 Y에 적용하여 얻은 단일 평활 연속열을 나타냅니다. 즉, 기간 t에서의 S 값은로 주어집니다. 간단한 지수 적 평활화 하에서, 이것은 기간 t 1에서의 Y에 대한 예측이 될 것임을 상기하자. S는 시리즈 S와 동일한 지수 평활화를 적용함으로써 얻어진 이중 평활 연속열을 나타낸다. 최종적으로, 임의의 것에 대한 Y tk에 대한 예측 k1은 다음과 같이 주어진다. 이것은 e1 0 즉, 약간의 속임수를 낳고 첫 번째 예측을 실제 첫 번째 관찰과 같게 만들고 e2 Y2 Y1 후에 위의 등식을 사용하여 예측을 생성한다. S와 S를 기반으로 한 수식은 S 1 S 1 Y 1을 사용하여 시작됩니다. 이 모델의 버전은 지수 조정과 계절 조정의 조합을 보여주는 다음 페이지에서 사용됩니다. 선형의 선형 지수 스무딩. 브러시 LES 모델은 최근 데이터를 평활화하여 레벨 및 추세에 대한 지역 추정치를 계산하지만, 단일 스무딩 매개 변수를 사용하여이를 수행한다는 사실은 레벨에 맞출 수있는 데이터 패턴에 대한 제한을 두며 추세가 달라지지 않도록합니다 ~에서 독립 속도 Holt s LES 모델은 두 개의 평활 상수를 하나의 레벨과 추세에 포함시켜이 문제를 해결합니다. Brown s 모델에서와 같이 언제든지 t는 지역 수준의 추정치 L t와 추정치 T가 있습니다 여기서 t는 시간 t에서 관측 된 Y의 값과 그것들에 대해 지수 평활을 적용하는 두 방정식에 의한 이전의 추정치와 추세로부터 재귀 적으로 계산된다. 시간 t-1에서의 추정 된 수준과 경향 가 각각 t 1 및 t t-1 인 경우, 시간 t-1에서 이루어진 Y t에 대한 예측은 L t-1 T t-1과 동일하다. 실제 값이 관찰 될 때, 레벨은 Y t와 그 예측 L t-1 T t-1 사이의 가중치와 1을 사용하여 보간법에 의해 재귀 적으로 계산된다. 추정 된 레벨의 변화, 즉 L t L t 1은 트렌드의 추세 업데이트 된 트렌드 추정치는 L 사이의 보간법에 의해 재귀 적으로 계산됩니다 t L t 1과 가중치 1의 이전 추정치 T t-1. 경향 평활화 상수의 해석은 수준 평활화 상수의 해석과 유사합니다. 작은 값을 갖는 모델은 추세가 변하는 것으로 가정합니다 시간이 지남에 따라 서서히 느리게 만 진행되는 반면, 큰 모델은 더 빠르게 변하는 것으로 가정합니다. 큰 모델은 미래의 예측이 매우 불확실하다고 믿습니다. 추세 예측의 오류는 앞으로 1 년 이상 예측할 때 매우 중요합니다. 평활화 상수는 1 단계 사전 예측의 평균 제곱 오차를 최소화함으로써 일반적인 방법으로 추정 할 수 있습니다. Statgraphics에서이를 수행하면 추정값은 0 3048 및 0 008으로 나타납니다. 모델이 한 기간에서 다음 기간으로의 추세에 거의 변화가 없다는 것을 의미하므로 기본적으로이 모델은 장기 추세를 추정하려고합니다. t를 추정하는 데 사용되는 데이터의 평균 연령 개념과 유사합니다 그 시리즈의 지역 수준, 지역 추세를 추정하는데 사용되는 데이터의 평균 연령은 정확히 1과 비례하지 만 1에 비례합니다. 이 경우 1 0 006 125 이것은 매우 정확한 숫자입니다 추정치의 정확도가 실제로 소수점 세 자리까지 오지는 않지만 표본 크기가 100 인 것과 동일한 일반적인 순서이기 때문에이 모델은 추세를 추정하는 데 상당히 많은 역사를 평균합니다 예측 기획 아래에서 LES 모델은 SES 추세 모델에서 추정 된 일정 추세보다 시리즈 마지막 부분에서 약간 더 큰 국소 추세를 추정한다는 것을 보여줍니다. 또한 추산 값은 SES 모델을 추세와 함께 또는 축없이 맞추어 얻은 값과 거의 같습니다 그래서 이것은 거의 동일한 모델입니다. 자, 지역 경향을 예측할 것으로 예상되는 모델에 대한 합리적인 예측처럼 보입니까? 이 플롯에 안구를 찍은 경우, 지역 경향이 끝 부분에서 아래쪽으로 향한 것처럼 보입니다. 시리즈 Wh at has has happen이 모델의 매개 변수는 장기 예측이 아닌 1 단계 앞선 예측의 제곱 오류를 최소화하여 추정되었습니다. 이 경우 추세는 많은 차이를 만듭니다. 보고있는 모든 것이 1 일 경우 10 단계 또는 20 단계의 추세에 대한 더 큰 그림을 볼 수 없습니다. 이 모델을 데이터의 눈알 외삽으로 더 조정하려면 추세 평활화 상수를 수동으로 조정하여 추세 예측에 더 짧은 기준선 사용 예를 들어, 0 1로 설정하면 지역 경향 추산에 사용 된 데이터의 평균 연령은 10 기간으로, 이는 지난 20 기간 동안의 경향 평균을 의미합니다 우리가 0을 1로 설정하면 예측 음모가 어떻게 생겼습니까 0 3이 시리즈는 직관적으로 합리적인 것처럼 보입니다. 향후 10 년 동안이 추세를 추정하는 것은 위험 할 수 있습니다. 오류 통계는 다음과 같습니다. 모델 비교 f 또는 위의 두 모델과 세 가지 SES 모델 SES 모델의 최적 값은 약 0 3이지만, 약간 더 반응성이 다소 적은 유사한 결과는 각각 0 5 및 0 2로 얻어집니다. 홀트의 선형 적분 평활화 알파 0 3048 및 베타 0 008 B 홀트의 선형 exp 평활화 알파 0 3 및 베타 0 1. C 단순한 지수 평활화 α 0 5. D 단순 지수 해 평활화 α 0 3. E 단순한 지수 평활화 α 0 2 . 이들 통계는 거의 동일하므로 데이터 샘플 내의 1 단계 사전 예측 오류를 기준으로 선택을 할 수 없습니다. 다른 고려 사항으로 돌아 가야합니다. 현재의 기준을 기반으로하는 것이 타당하다고 믿는다면 지난 20 개 기간 동안 일어난 일에 대한 추세 평가, 우리는 0 3과 0 1로 LES 모델에 대한 사례를 만들 수 있습니다. 지역 경향이 있는지 여부에 대해 불가지론을 원한다면 SES 모델 중 하나가 설명하기 쉽고 더 많은 middl을 줄 것이다. 다음 5 또는 10 기간에 대한 e-of-the-road 예측 페이지 맨 위로 돌아갑니다. 추세 외삽의 유형이 가장 수평 또는 선형이 가장 좋습니다. 경험적 증거에 따르면, 인플레이션에 필요한 경우 데이터가 이미 조정 된 경우 향후 단기간의 선형 추세를 추정하는 것이 현명하지 않을 수 있습니다. 제품 노후화, 경쟁 심화 및주기적인 경기 침체 또는 산업의 호황과 같은 다양한 원인으로 인해 오늘날 명백한 추세가 미래에 완화 될 수 있습니다. 스무딩은 순진한 수평 추세 외삽에도 불구하고 기대했던 것보다 더 나은 샘플 밖 샘플을 수행하는 경우가 많음 선형 지수 평활화 모델의 감쇠 추세 수정은 실제로 경향 추세에 보수주의 메모를 삽입하는 데 종종 사용됩니다. 감쇠 추세 LES 모델은 ARIMA 모델의 특별한 경우, 특히 ARIMA 1,1,2 모델로 구현 될 수 있습니다. 신뢰 구간을 계산하는 것이 가능합니다 지수 평활화 모델이 ARIMA 모델의 특수한 경우로 간주하여 장기간 예측을 생성합니다. 모든 소프트웨어가이 모델에 대한 신뢰 구간을 올바르게 계산하지는 않는지 확인하십시오. 신뢰 구간의 폭은 i 모델의 RMS 오차, ii 유형 평활화의 단순화 또는 선형화 iii 평활화 상수의 값 s 및 iv 예측 전의 기간 수 일반적으로 SES 모델에서 더 커짐에 따라 간격이 더 빠르게 퍼지고 간격은 단순하지 않고 선형보다 훨씬 빠르게 퍼집니다 smoothing is used이 주제는 노트의 ARIMA 모델 섹션에서 더 자세히 논의됩니다.