Moving Average Contoh ini mengajarkan cara menghitung moving average dari deret waktu di Excel. Rata-rata bergerak digunakan untuk memperlancar penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-in Analisis ToolPak. 3. Pilih Moving Average dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak Interval dan ketik 6. 6. Klik pada kotak Output Range dan pilih sel B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita mengatur interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan titik data saat ini. Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang semakin meningkat. Excel tidak bisa menghitung moving average untuk 5 poin data pertama karena tidak ada cukup data point sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk interval 2 dan interval 4. Kesimpulan: Semakin besar interval, semakin puncak dan lembah dihaluskan. Semakin kecil interval, semakin dekat rata-rata bergerak ke titik data aktual. Model rata-rata dan pemulusan eksponensial sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan menggunakan Model moving-average atau smoothing. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Kembali ke atas halaman.) Mengapa strategi bergerak rata-rata berisiko Ini adalah yang kedua dalam rangkaian tiga bagian. Baca bagian 1 di sini. CHAPEL HILL, N. C. (MarketWatch) Strategi rata-rata bergerak berisiko. Itulah asesmen yang menyesatkan yang saya perkenalkan di kolom saya yang muncul awal minggu ini, berdasarkan penelitian mendalam yang saya lakukan selama beberapa bulan terakhir mengenai kembalinya berbagai strategi rata-rata bergerak. Seperti yang dijanjikan di kolom awal seri tiga bagian ini, berikut adalah pembahasan yang lebih rinci mengenai masing-masing dari empat kesimpulan umum yang saya capai. Menemukan 1: Bahkan strategi rata-rata bergerak terbaik pun tidak selalu berhasil. Untuk memahami mengapa strategi pergerakan rata-rata berisiko, penting untuk dipahami bahwa ada lebih dari satu cara untuk menentukan risiko. Menurut definisi tradisional tentang risiko sebagai volatilitas, strategi moving-average memang kurang berisiko dibandingkan pasar. Tapi ada juga risiko lain, berkaitan dengan berapa lama strategi itu mungkin berada di bawah air. Dan ketika melihat dengan cara ini, strategi rata-rata bergerak cukup berisiko: Bahkan dalam kondisi ideal, strategi rata-rata bergerak terbaik masih cenderung kurang baik dalam jangka waktu lama beberapa dekade. Pertimbangkan rata-rata pergerakan 200 hari, mungkin versi yang paling banyak digunakan. Bila diterapkan pada indeks SampP 500 SPX, 0,15 dan saat menggunakannya bersamaan dengan amplop 5 trading, strategi ini adalah satu dari sedikit yang menghasilkan lebih banyak uang daripada pasar sejak akhir 1920an bahkan setelah komisi. (Saya akan lebih banyak membahas amplop perdagangan dalam sekejap). Strategi khusus ini, bagaimanapun, menghabiskan lebih dari setengah waktu selama 80 tahun terakhir di belakang buy and hold, seperti yang dirangkum dalam tabel berikut. Perhatikan dengan seksama bahwa hasil yang menyedihkan ini berlaku untuk strategi yang paling menguntungkan dari strategi moving-average yang saya pelajari. Dari periode panjang ini dipelajari (pada basis tahun kalender bergulir) di mana strategi rata-rata bergerak menghasilkan lebih sedikit uang daripada pasar itu sendiri di mana rata-rata strategi moving average Sharpe Ratio kurang dari pasar Pertanyaan untuk diajukan kepada diri sendiri saat Anda membaca dengan teliti hasil ini: Seberapa mungkin Apakah Anda tetap berpegang pada strategi penentuan waktu pasar yang berjalan 20, 10 atau bahkan lima tahun tanpa mengalahkan pasar Hasil saya menunjukkan keberatan yang berpotensi lebih serius terhadap strategi rata-rata bergerak: Sebagian besar strategi rata-rata bergerak yang saya uji Mengalahkan pasar selama abad terakhir telah mengimbanginya sejak tahun 1990, dan ini mungkin lebih dari sekedar periode periodik di mana strategi rata-rata bergerak berjuang untuk bertahan. Blake LeBaron, seorang profesor keuangan di Universitas Brandies, menduga bahwa cara perdagangan yang lebih murah ke dalam dan di luar pasar telah menyebabkan meningkatnya jumlah investor yang mengikuti strategi rata-rata bergerak, dan pada gilirannya telah menyebabkan keuntungan mereka berkurang dan bahkan hilang di pasar. Beberapa dekade terakhir. Menambah kepercayaan pada hipotesis Prof. LeBarons adalah bahwa, yang juga dimulai pada awal tahun 1990an, strategi moving-average berhenti bekerja di pasar mata uang asing. Menemukan 2: Komisi menyabot bahkan strategi terbaik, sehingga mengurangi frekuensi transaksi sangat penting Sebagian besar studi terdahulu mengenai moving averages mengasumsikan bahwa investor dapat melakukan perdagangan tanpa komisi atau biaya transaksi lainnya. Begitu Anda menyingkirkan asumsi yang tidak realistis ini, kebanyakan strategi rata-rata bergerak tertinggal dalam buy-and-hold oleh jumlah yang signifikan. Itu terutama terjadi di pasar yang bergejolak, ketika banyak strategi rata-rata bergerak terutama yang mengandalkan panjang rata-rata pendek tidak jarang menghasilkan banyak sinyal dalam setahun. Menentukan apa itu komisi yang adil tentu saja tidak mudah. Perlu diingat bahwa, untuk sebagian besar abad yang lalu, tidak ada dana yang diperdagangkan di bursa yang tersedia yang memungkinkan investor membeli 30 saham Dow dalam satu kesempatan, apalagi beberapa ratus saham yang merupakan bagian dari Indeks Komposit Samping. Juga tidak ada dana pasar uang di mana Anda dapat segera dan dengan mudah memarkir hasil penjualan tunai dari penjualan apapun. Selanjutnya, pada tanggal 1 Mei 1975 (Big Bang), komisi perantara tersebut tidak diatur sebelumnya, komisi tersebut tetap dan substansial. Ketika menghitung seberapa besar hit yang dilakukan oleh strategi rata-rata bergerak karena komisi, saya berasumsi bahwa saya harus dibayar untuk setiap pembelian atau penjualan sebelum Big Bang 0,5 sampai pada akhir tahun 1999 dan 0,1 setiap jalan sejak saat itu. . Twitter: Bagaimana 1.000 orang diinvestasikan dalam teknologi dapat melunasi Dengan IPO gangbuster Twitter, pada hari Kamis, berapa banyak uang yang bisa Anda hasilkan dengan 1.000 jika Anda masuk dengan harga mulai Apa teknolog IPO lainnya telah terbayar dengan hebat Bagaimana hebatnya Jason Bellini dari TheShortAnswer. Gambar: Associated Press Salah satu cara untuk menghargai betapa pentingnya biaya transaksi untuk menilai keefektifan strategi ini adalah sebagai berikut: Bila dengan asumsi tidak ada biaya transaksi, banyak strategi rata-rata bergerak yang saya pantau mengalahkan pasar selama periode waktu dimana data Tersedia. Namun, setelah memasukkan biaya transaksi, hampir semuanya tertinggal. Oleh karena itu, mengurangi frekuensi transaksi sangat penting bagi strategi rata-rata bergerak. Meskipun ada lebih dari satu cara untuk melakukannya, mungkin yang paling sederhana dan paling umum adalah menggunakan amplop yang disebut. Metode ini memungkinkan investor untuk memilih jumlah yang sewenang-wenang sehingga indeks pasar perlu bergerak di atas atau di bawah rata-rata bergerak untuk menghasilkan transaksi. Misalnya, jika Anda menggunakan amplop 1 dan sudah ada di pasaran, maka indeks harus turun lebih dari 1 di bawah rata-rata bergerak untuk menghasilkan uang. Sebaliknya, jika Anda memiliki uang tunai, maka Anda hanya akan beralih kembali ke pasar hanya jika indeks naik ke level terendah di atas rata-rata bergeraknya. Saya menguji berbagai ukuran amplop yang berbeda. Dalam hampir semua kasus, saya menemukan bahwa amplop seukuran optimal adalah 5. Bila menggunakan rata-rata pergerakan 200 hari untuk Dow, misalnya, frekuensi transaksi turun dari rata-rata enam per tahun (atau setiap dua bulan sekali, rata-rata ) Hanya sekali per tahun, yang menghasilkan tingkat pengembalian bersih komisi yang jauh lebih tinggi. Menemukan komisi 3: Sans, MA jangka pendek mengalahkan MA jangka panjang Jika komisi bukan faktor, rata-rata bergerak jangka pendek umumnya lebih baik: Studi saya menunjukkan bahwa sebagai aturan umum, kinerja pra-transaksi-biaya menurun saat Anda meningkatkan Panjang rata-rata bergerak. Namun, setelah memasukkan asumsi komisi yang realistis, rata-rata pergerakan jangka panjang keluar di depan. Bahkan saat menggunakan amplop untuk mengurangi frekuensi transaksi untuk moving average jangka pendek, strategi moving-average jangka panjang umumnya akan terus berlanjut. Perhatikan dengan hati-hati, bagaimanapun, bahwa tidak ada panjang rata-rata bergerak yang harus Anda pekerjakan secara optimal. Norman Fosback, editor Fosbacks Fund Forecaster, dan mantan kepala Institut Penelitian Ekonometrik, mengatakannya di buku teksnya Logika Pasar Saham: Tidak ada angka ajaib dalam mengikuti tren. Beberapa panjang rata-rata bergerak mungkin telah bekerja paling baik di masa lalu, namun bagaimanapun, ada sesuatu yang harus bekerja paling baik di masa lalu dan dengan menguji segala sesuatunya, bagaimana mungkin seseorang bisa membantu kecuali menemukannya. Ini harus menjadi persyaratan dasar dari setiap tren rata-rata bergerak mengikuti sistem yang hampir semua panjang rata-rata bergerak berhasil memprediksi tingkat yang lebih besar atau kurang. Jika hanya satu atau dua kali bekerja, kemungkinannya lebih tinggi daripada hasil yang berhasil diperoleh secara kebetulan. Menemukan 4: Tidak semua indeks diciptakan sama dengan strategi pergerakan rata-rata Anda mungkin berpikir bahwa tidak masalah indeks pasar yang Anda gunakan saat menghitung moving average. Tapi Anda salah: Ada perbedaan yang ditandai dengan kembalinya strategi rata-rata bergerak bergantung pada apakah Anda menggunakan Dow, SampP 500 atau Nasdaq untuk menghasilkan sinyal beli dan jual. Perhatikan rata-rata pergerakan 200 hari ditambah dengan amplop 1. Saat mendasarkan strategi ini pada Dow Industrials, sejak tahun 1990 telah menghasilkan 100 transaksi terpisah dengan rata-rata empat per tahun. Namun bila diterapkan pada SampP 500, strategi yang identik ini telah menyebabkan 68 transaksi rata-rata kurang dari tiga per tahun. Dengan dasar yang disesuaikan dengan risiko, strategi ini telah mengalahkan buy-and-hold dalam kasus SampP 500 namun bukan Dow. Perbedaan yang luas seperti yang sering dijumpai dalam penelitian saya. Catatan peringatan fosbacks yang saya sebutkan di atas juga sangat relevan di sini. Nate Vernon adalah seorang senior di University of Rochester jurusan ekonomi keuangan. Musim panas yang lalu, dia adalah magang untuk Intisari Hulbert Financial. Dia juga anggota tim bola basket di University of Rochester. Hak Cipta copy2017 MarketWatch, Inc. Semua hak dilindungi undang-undang. Data Intraday yang disediakan oleh ENAM Informasi Keuangan dan tunduk pada persyaratan penggunaan. Data akhir dan akhir sejarah terkini yang disediakan oleh ENAM Informasi Keuangan. Data intraday tertunda per persyaratan pertukaran. Indeks SampPDow Jones (SM) dari Dow Jones amp Company, Inc. Semua penawaran ada di bursa lokal. Data penjualan terakhir real time yang disediakan oleh NASDAQ. Informasi lebih lanjut tentang simbol NASDAQ yang diperdagangkan dan status keuangan mereka saat ini. Data intraday tertunda 15 menit untuk Nasdaq, dan 20 menit untuk bursa lainnya. Indeks SampPDow Jones (SM) dari Dow Jones amp Company, Inc. Data intraday SEHK disediakan oleh ENAM Informasi Keuangan dan paling lambat 60 menit tertunda. Semua kutipan ada dalam waktu pertukaran lokal. Tidak ada hasil yang ditemukan
No comments:
Post a Comment