Weighted moving average sap

Média móvel Média de dados de séries temporais (observações igualmente espaçadas no tempo) de vários períodos consecutivos. Chamado de movimento porque é continuamente recalculado à medida que novos dados se tornam disponíveis, ele progride caindo o valor mais antigo e adicionando o valor mais recente. Por exemplo, a média móvel das vendas de seis meses pode ser calculada tomando a média das vendas de janeiro a junho, depois a média das vendas de fevereiro a julho, depois de março a agosto, e assim por diante. As médias móveis (1) reduzem o efeito de variações temporárias nos dados, (2) melhoram o ajuste dos dados para uma linha (um processo chamado suavização) para mostrar a tendência dos dados mais claramente e (3) realçam qualquer valor acima ou abaixo do valor tendência. Se você está calculando algo com variação muito alta o melhor que você pode ser capaz de fazer é descobrir a média móvel. Eu queria saber qual era a média móvel dos dados, então eu teria uma melhor compreensão de como estávamos fazendo. Quando você está tentando descobrir alguns números que mudam muitas vezes o melhor que você pode fazer é calcular a média móvel. O melhor de BusinessDictionary, entregue dailyWeighted média móvel O algoritmo de média móvel ponderada alisa os dados da série de tempo, dando mais significado a determinados períodos de tempo. É freqüentemente usado para criar uma previsão de vendas para produtos maduros com números de vendas bastante estáveis. Cálculo da média móvel ponderada (rolamento 3 períodos) Como com o algoritmo da média móvel simples, a média móvel ponderada analisa os dados da série temporal criando uma série de médias para diferentes subconjuntos de valores medidos em diferentes subconjuntos de períodos. No entanto, neste caso, as médias dos subconjuntos são calculadas pela multiplicação dos valores das cifras por pesos predefinidos ea soma destes valores multiplicados é dividida pela soma dos pesos. Assim, uma média ponderada é calculada como uma previsão ex post para um número fixo de períodos. Como um próximo passo, o algoritmo desloca o cálculo de um período para o futuro, ainda considerando m períodos para o cálculo. A média ponderada dos últimos m períodos históricos será a previsão para o primeiro período futuro. Cada valor histórico é ponderado com o peso respectivo desse período. A previsão resultante é um número constante ao qual alguns subconjuntos dos dados da série temporal contribuem mais do que outros. A previsão ex-post é assim calculada da seguinte forma: Cálculo das variáveis ​​de previsão ex post utilizadas: X1, X2. Xn valores da série de tempo m o tamanho do subconjunto W1, W2. Pesos de i m. N e 0 lt m n A previsão é calculada da seguinte forma: Cálculo das variáveis ​​de previsão utilizadas: X1, X2. Xn valores da série de tempo m o tamanho do subconjunto W1, W2. Pesos de i m. N e 0 lt mn Definições Para além de especificar os valores-chave para a previsão e para a previsão ex-post, é necessário efectuar as seguintes definições se pretender utilizar o algoritmo da média móvel ponderada no seu modelo: Fonte de Pesos O número-chave utilizado Para armazenar os pesos pelos quais o sistema deve multiplicar os dados da série de tempo Número de Períodos O comprimento dos subconjuntos na série temporal para a qual a média móvel é calculada. Por exemplo, se você selecionar 3 para esta configuração e definir a periodicidade para o mês, o algoritmo calcula a média dos meses 1, 2 e 3, depois para os meses 2, 3 e 4 e assim por diante, avançando no histórico horizonte. Prolongar o cálculo para períodos futuros Se você selecionar essa opção, a lógica da média móvel ponderada será transferida dos últimos períodos do passado para os períodos futuros. Definição de Modelo de Média Móvel Ponderada No modelo de média móvel ponderada (estratégia de previsão 14), cada valor histórico é ponderado com um fator do grupo de ponderação no perfil de previsão univariada . Fórmula para a Média Móvel Ponderada O modelo de média móvel ponderada permite que você pese dados históricos recentes mais pesadamente do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos da demanda futura do que os dados mais antigos. Portanto, o sistema é capaz de reagir mais rapidamente a uma mudança de nível. Uso A precisão deste modelo depende em grande parte de sua escolha de fatores de ponderação. Se o padrão da série de tempo mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos fatores de ponderação não precisa ser 100. Nenhuma previsão ex post é calculada com esta estratégia de previsão. Introdução Uma média móvel é uma técnica simples para suavizar dados aleatórios. Na maioria das vezes, encontramos médias móveis para analisar o movimento dos preços das ações, mas também os vemos em outras áreas de negócios e análise de dados. Esta é a primeira parte de uma série de dois artigos. Este artigo discute o que são médias móveis e como elas são calculadas. A segunda parte, em seguida, examina como implementar cálculos de média móvel no SAP BusinessObjects Web Intelligence. Se você já entender médias móveis, você pode pular para o segundo artigo sobre como implementar na Web Intelligence. Quais são as médias móveis Uma média móvel analisa um conjunto de pontos de dados calculando uma média em um conjunto menor de pontos de dados recentes. Por exemplo, ao analisar o preço das ações ao longo de um ano, podemos gerar uma média móvel que, para um determinado dia, é a média dos últimos 15 dias. A Figura 1 abaixo é um exemplo de uma média móvel simples gerada com o Google Finance. Este gráfico mostra o preço das ações do Google8217s no último ano ea linha vermelha é uma média móvel com um período de 15 dias. Figura 1. Gráfico do preço das ações do Google39 com média móvel simples Podemos ver, a partir do exemplo acima, que a média móvel (linha vermelha) suaviza o preço das ações flutuantes. Uma característica de uma média móvel é que ela fica atrás da curva original. Isso ocorre porque em cada ponto de dados é preciso uma média de um conjunto de pontos de dados anteriores. Para uma discussão mais aprofundada sobre como as médias móveis são usadas em finanças, consulte Médias Móveis em StockCharts. O objetivo de usar uma média móvel é reduzir flutuações de curto prazo e destacar tendências de longo prazo. Existem vários tipos diferentes de média móvel e abaixo vamos ver como calcular os exemplos mais comuns. Depois disso, verifique como implementar esses cálculos na Web Intelligence. Média Móvel Simples Uma Média Móvel Simples (SMA) como o nome sugere é a média móvel mais fácil de calcular. Para cada ponto de dados, calculamos a média em um número fixo de pontos de dados precedentes. A tabela abaixo ilustra esse cálculo onde estamos usando uma SMA do período 3. Como nosso período de nosso conjunto de dados de média móvel é 3, não calculamos os dois primeiros pontos de dados. Então, para cada ponto de dados, calculamos a média nos últimos três pontos de dados, incluindo o ponto de dados atual. Uma vez que, ao calcular a nossa média, o valor mais recente é adicionado à soma e o primeiro valor desce, podemos simplificar o nosso cálculo para, onde SMA (anterior) é o resultado previamente calculado, N é o tamanho do conjunto de dados de média móvel, p1 É o primeiro valor em nosso conjunto e pN é o último valor do conjunto. Uma desvantagem de um SMA é que ele trata todos os pontos de dados anteriores na média móvel definida igualmente e assim podemos descobrir que os pontos de dados mais antigos podem influenciar negativamente o cálculo. Para resolver isso, podemos usar médias ponderadas ou exponenciais. Média Móvel Ponderada A média móvel ponderada (WMA) aplica pesos aos pontos de dados na média móvel definidos de modo que os pontos de dados mais recentes tenham mais significado para o resultado global. Existem várias maneiras de aplicar pesos e o mais simples é usar um conjunto de pesos decrescentes, por exemplo, se tivermos um conjunto de dados de média móvel de 6 pontos de dados, então nossos pesos são 6,5,4,3,2,1 Aplicada a partir dos dados mais recentes até os primeiros. Nosso cálculo é um pouco mais complexo e para um conjunto de dados de média móvel de tamanho 6 é, Então aqui p6 é o nosso valor atual e nós multiplicamos isso por 6, então adicionamos 5 vezes o valor anterior, 4 vezes o valor anterior e em breve. Dividimos então isto por 6 (61) / 2. Este é o cálculo para um número triangular e Wikipedia tem uma explicação de como isso é derivado. A tabela abaixo ilustra o cálculo de uma WMA do período 3 para o mesmo conjunto de dados que usamos no exemplo SMA acima. Média Móvel Exponencial Uma média móvel exponencial (EMA) usa um conjunto exponencialmente decrescente de pesos. Na WMA acima nossos pesos diminuíram linearmente, um conjunto de pesos exponencialmente decrescente reduzem-se rapidamente no início e depois caem fora. Se nós produzimos um gráfico destes pesos que olharia algo como a figura 2 abaixo. Figura 2 Gráfico de pesos exponenciais decrescentes Um EMA fornece mais peso a valores recentes do que um WMA e também tem a vantagem adicional de ser mais facilmente calculado. Para calcular um EMA tomamos o valor EMA anterior e adicionamos a diferença entre o valor do ponto de dados atual eo EMA anterior multiplicado por uma constante 8216alpha8217, A constante alfa representa a escala de redução de ponderação e é um valor entre 0 a 1. Alterando este Valor altera a quantidade de suavização geral onde valores próximos de zero aplicam um alto grau de suavização e valores próximos de 1 produzem menos. A figura abaixo usa os mesmos pontos de dados, mas exibe um EMA de valor 0,7 e 0,1. Figura 3 dois gráficos mostram os mesmos dados de origem com uma média móvel exponencial usando valores diferentes de alfa Em nossos cálculos aplicamos somente o EMA a partir do ponto de dados 3º para o primeiro ponto de dados é costume definir isto para 0 ou nenhum valor e Para o 2º ponto de dados, ajustamos o valor para ser igual ao valor do 2º ponto de dados. A tabela abaixo é o cálculo de EMA para o nosso conjunto de dados de exemplo usando um valor alfa de 0,4 Introdução O artigo anterior analisou o que são médias móveis e como calculá-los. Este artigo agora examina como implementá-los no Web Intelligence. A fórmula usada aqui é compatível com a versão XIr3 do SAP BOE no entanto alguma fórmula pode funcionar em versões anteriores, se disponível. Vamos começar por olhar para como calcular uma média móvel simples antes de olhar para formas ponderadas e exponenciais. Exemplos Trabalhados Os exemplos abaixo usam o mesmo conjunto de dados que é de dados de preço de ações em um arquivo do Excel que você pode baixar. A primeira coluna no arquivo é o dia do preço da ação e, em seguida, as colunas do preço de abertura, preço mais alto no dia, preço mais baixo, preço de fechamento, volume e preço de fechamento ajustado. We8217ll usar o preço de fechamento em nossa análise abaixo juntamente com o objeto Date. Média Móvel Simples Há um par de maneiras pelas quais podemos calcular médias móveis simples. Uma opção é usar a função anterior para obter o valor de uma linha anterior. Por exemplo, a seguinte fórmula calcula uma média móvel no nosso preço de fechamento de ações para um conjunto de dados de média móvel de tamanho 3, Esta é uma fórmula bastante simples, no entanto, é óbvio que não é prático quando temos um grande número de períodos aqui podemos fazer Uso de fórmula de corrida e para um conjunto de dados de tamanho N temos Finalmente temos uma terceira técnica, que embora mais complicado pode ter melhor desempenho como ele está calculando o novo valor com base no valor anterior em vez de duas somas em execução sobre os dados completos conjunto. No entanto, esta fórmula só funciona após o ponto Nth no conjunto de dados globais e uma vez que se refere a um valor anterior, devemos também definir um valor inicial. Abaixo está a fórmula completa utilizada para a nossa análise de preços de ações, onde o nosso período médio móvel é de 15 dias, A data 1/25/2010 é o ponto 15 dados em nosso conjunto de dados e, portanto, para este ponto, calcular uma média normal usando o RunningSum. Para todas as datas além deste valor usamos a nossa fórmula SMA e deixamos em branco todas as datas anteriores a esta data. A Figura 1 abaixo é um gráfico do Web Intelligence exibindo nossos dados de preço de ações com uma média móvel simples. Figura 1. Documento da Web Intelligence exibindo uma Média Móvel Moderada Média Móvel Simples Uma fórmula de média móvel ponderada com um período de 3 é, Como com nossa primeira fórmula de média móvel simples acima, isso é apenas prático para um pequeno número de períodos. Eu ainda não fui capaz de encontrar uma fórmula simples que pode ser usado para períodos de maior média móvel. Matematicamente é possível, mas as limitações com Web Intelligence significa que essas fórmulas don8217t converter. Se alguém é capaz de fazer isso eu adoraria ouvir A figura abaixo é um WMA de período 6 implementado em Web Intelligence. Figura 2. Documento de Web Intelligence de uma Média Móvel Ponderada Média Móvel Exponencial Uma média móvel exponencial é bastante direta para implementar na Web Intelligence e por isso é uma alternativa adequada a uma Média Móvel Ponderada. A fórmula básica é Aqui we8217ve codificado 0,3 como nosso valor para alfa. Aplicamos apenas esta fórmula para períodos maiores que o nosso segundo período, para que possamos usar uma instrução if para filtrar esses resultados. Para o nosso primeiro e segundo período, podemos usar o valor anterior e, portanto, a nossa fórmula final para EMA é, Abaixo está um exemplo de um EMA aplicado aos nossos dados de estoque. Figura 3. Exibição de documentos da Web Intelligence com controles de entrada de média móvel exponencial Como nossa fórmula de EMA não depende do tamanho do período de média móvel e nossa única variável é alfa, podemos usar controles de entrada para permitir que o usuário ajuste o valor de alfa. Para isso, crie uma nova variável chamada 8216alpha8217 e defina a fórmula como: Atualize nossa fórmula EMA, Crie um novo controle de entrada selecionando nossa variável alfa como o objeto de relatório de controle de entrada Use um controle deslizante simples e defina as seguintes propriedades: Uma vez feito você Deve ser capaz de mover o controle deslizante e imediatamente ver as mudanças para a linha de tendência no gráfico Conclusão Nós olhamos como implementar três tipos de média móvel na Web Intelligence e, embora todos eram possíveis a média móvel exponencial é provavelmente o mais fácil e mais flexível . Espero que você encontrou este artigo interessante e como sempre qualquer feedback é muito bem-vindo. Post navigation Deixe uma resposta Cancelar resposta Você deve ser logado para postar um comentário. O truque para Weighted Moving Average (WMA) é que você tem que criar uma variável que representa os numeradores de WMA (veja Wikipedia para referência.) Isso deve se parecer com o seguinte: Anterior (Self) (n Close) 8211 (Previous (RunningSum ( Close)) 8211 Anterior (RunningSum (Close) n1) onde n é o número de períodos. Em seguida, a fórmula WMA8217s real seria como este: Numerator / (n (n 1) / 2) onde Numerator é a variável que criou anteriormente.