เฉลี่ยเคลื่อนที่ แบบ

Moving Average ตัวอย่างนี้สอนวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้จุดสูงสุดและที่ราบสูงเป็นไปอย่างราบรื่นเพื่อให้ทราบถึงแนวโน้มต่างๆได้ง่ายขึ้นอันดับแรกลองดูที่ชุดข้อมูลเวลาของเรา คลิกการวิเคราะห์ข้อมูลคลิกที่นี่เพื่อโหลด Add-In Toolkit การวิเคราะห์ 3 เลือก Moving Average และคลิก OK.4 คลิกในกล่อง Input Range และเลือกช่วง B2 M2 5. คลิกที่ช่อง Interval และพิมพ์ 6.6 คลิกที่ Output Range และเลือกเซลล์ B3.8 วาดกราฟของค่าเหล่านี้การอธิบายเนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและ จุดข้อมูลปัจจุบันเป็นผลให้ยอดและหุบเขาถูกทำให้ราบเรียบกราฟแสดงแนวโน้มการเพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้มากพอ 9 ทำซ้ำตามขั้นตอนที่ 2 ถึง 8 สำหรับช่วง 2 และช่วงเวลา 4. บทสรุป The la ช่วงที่มีค่าน้อยกว่าค่าเฉลี่ยเคลื่อนที่ที่ใกล้เคียงกับค่าเฉลี่ยที่เกิดขึ้นจริง MA. BREAKING DOWN Moving Average - MA. เป็นตัวอย่าง SMA ให้พิจารณาความปลอดภัย โดยมีราคาปิดดังต่อไปนี้เกินกว่า 15 วันสัปดาห์ที่ 1 5 วัน 20, 22, 24, 25, 23.Week 2 5 วัน 26, 28, 26, 29, 27.Week 3 5 วัน 28, 30, 27, 29, 28 MA 10 วันโดยเฉลี่ยจะปิดราคาปิดสำหรับ 10 วันแรกเป็นจุดข้อมูลครั้งแรกจุดข้อมูลถัดไปจะลดราคาเริ่มต้นเพิ่มราคาในวันที่ 11 และใช้ค่าเฉลี่ยและอื่น ๆ ดังที่แสดงด้านล่าง ตามที่ระบุไว้ก่อนหน้านี้ MAs lag การกระทำราคาปัจจุบันเพราะพวกเขาจะขึ้นอยู่กับราคาที่ผ่านมาระยะเวลาที่ยาวสำหรับ MA, ยิ่งล่าช้าดังนั้น MA 200 วันจะมีระดับมากขึ้นของความล่าช้ากว่า MA 20 วันเพราะ มันมีราคาสำหรับ 200 วันที่ผ่านมาความยาวของ MA ที่จะใช้ขึ้นอยู่กับวัตถุประสงค์การค้าที่มีระยะเวลาสั้น ๆ ที่ใช้สำหรับการซื้อขายระยะสั้นและในระยะยาว MAs เหมาะสำหรับนักลงทุนระยะยาวนักลงทุนและผู้ค้าหุ้นมีการซื้อขายพันธบัตรระยะยาว 200 วันโดยมีส่วนแบ่งสูงกว่าหรือต่ำกว่าค่าเฉลี่ยเคลื่อนที่นี้ถือเป็นสัญญาณการซื้อขายที่สำคัญนอกจากนี้ MAs ยังให้สัญญาณการซื้อขายที่สำคัญด้วยตัวเองหรือเมื่อมีค่าเฉลี่ย 2 ค่า ข้าม MA เพิ่มขึ้นแสดงให้เห็นว่าการรักษาความปลอดภัยอยู่ในขาขึ้นในขณะที่ MA ลดลงบ่งชี้ว่ามันอยู่ในขาลงในทำนองเดียวกันโมเมนตัมเพิ่มขึ้นได้รับการยืนยันด้วยการข้ามตัวรั้นซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นข้ามเหนือระยะยาว MA ลดลง โมเมนตัมได้รับการยืนยันโดยการลดลงของไขว้ซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นทะลุต่ำกว่าระยะยาว MA.8 4 การเปลี่ยนแปลงแบบจำลองโดยเฉลี่ยแทนที่จะใช้ค่าที่ผ่านมาของตัวแปรพยากรณ์ในการถดถอย ข้อผิดพลาดในรูปแบบการถดถอยเหมือน yc et theta e theta e จุดที่ theta e. where et คือเสียงสีขาวเราอ้างถึงนี้เป็นรูปแบบ MA q แน่นอนเราไม่เห็นค่าของ et ดังนั้นจึงไม่ได้ถดถอยจริงๆในความรู้สึกปกติ ค่าเฉลี่ยของ yt สามารถใช้เป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อผิดพลาดในการคาดการณ์ที่ผ่านมาได้อย่างไรก็ตามแบบจำลองค่าเฉลี่ยเคลื่อนที่ไม่ควรสับสนกับการปรับค่าเฉลี่ยเคลื่อนที่ที่เรากล่าวไว้ในบทที่ 6 รูปแบบค่าเฉลี่ยเคลื่อนที่ใช้สำหรับพยากรณ์ค่าในอนาคต ใช้สำหรับประเมินแนวโน้มรอบของค่าในอดีตรูปที่ 8 6 ตัวอย่างสองตัวอย่างของข้อมูลจากโมเดลเฉลี่ยเคลื่อนที่ที่มีพารามิเตอร์ต่างกัน MA ซ้าย 1 ด้วย yt 20 และ 0 8e t-1 Right MA 2 กับ ytet - e t-1 0 8e t-2 ในทั้งสองกรณีและมีการแพร่กระจายสัญญาณรบกวนสีขาวตามปกติโดยมีค่าเฉลี่ยศูนย์และค่าความแปรปรวน 1 รูปที่ 8 6 แสดงข้อมูลบางส่วนจากรุ่น MA 1 และรุ่น MA 2 การเปลี่ยนพารามิเตอร์ theta1, dots, thetaq ในรูปแบบของชุดเวลาที่ต่างกัน เช่นเดียวกับโมเดลอัตถดถอยความแปรปรวนของ ระยะเวลาข้อผิดพลาด et จะเปลี่ยนขนาดของซีรีส์เท่านั้นไม่ใช่รูปแบบการเขียนแบบ AR p แบบคงที่ในรูปแบบ MA infty ตัวอย่างเช่นการใช้การทดแทนซ้ำเราสามารถแสดงให้เห็นถึงรูปแบบ AR1 ได้ เริ่ม yt phi1y และ phi1 phi1y e และ phi1 2y phi1 e และ phi1 3y phi1 2e phi1 e และ text end. Provided -1 phi1 1 ค่าของ phi1 k จะเล็กลงเมื่อ k มีขนาดใหญ่ขึ้นดังนั้นในที่สุดเราจึงได้ yt et phi1 e phi1 2 e phi1 3 e cdots. an MA infty process ผลย้อนกลับถือถ้าเรากำหนดข้อ จำกัด บางประการเกี่ยวกับพารามิเตอร์ MA แล้วโมเดล MA เรียกว่า invertible นั่นก็คือเราสามารถเขียนกระบวนการ MA invertible MA ใด ๆ ที่เป็น กระบวนการอาร์เรย์ AR ไม่สามารถแปลงได้จากรูปแบบของ MA ไปเป็นแบบ AR นอกจากนี้ยังมีคุณสมบัติทางคณิตศาสตร์บางอย่างที่ทำให้สามารถใช้งานได้ง่ายขึ้นในข้อปฏิบัติข้อ จำกัด ในการแย่งชิงกันมีความคล้ายคลึงกับข้อ จำกัด ของ stationary สำหรับ MA 1 รูปแบบ -1 theta1 1. สำหรับแบบจำลอง MA 2 -1 theta2 1 theta2 theta1 -1 theta1 - theta2 1. เงื่อนไขที่ซับซ้อนขึ้นสำหรับ q ge3 อีกครั้ง R จะดูแลข้อ จำกัด เหล่านี้เมื่อประมาณแบบจำลอง