Liikkuva Keskiarvo Econometrics

Liikkuva keskiarvo - MA. BREAKING DOWN Siirrettävä keskiarvo - MA. As SMA-esimerkkinä, harkitse tietoturvaa, jonka seuraavat sulkemishinnat ovat 15 päivää. Viikko 1 5 päivää 20, 22, 24, 25, 23. Viikko 2 5 päivää 26, 28 , 26, 29, 27. Viikko 3 5 päivää 28, 30, 27, 29, 28. 10 päivän MA keskimäärin ensimmäisten 10 päivän päätöskurssit ensimmäisen datapisteenä Seuraava datapiste alenisi aikaisintaan hinta, lisää hinta 11. päivänä ja noudata keskiarvoa, ja niin edelleen kuten alla. Kuten aiemmin on todettu, MA: t viivästyttävät nykyistä hintatoimintaa, koska ne perustuvat aikaisempaan hintaan, mitä kauemmin MA: n ajanjakso on, sitä suurempi lag 200 päivän MA: lla on huomattavasti pidempi viivästyminen kuin 20 päivän MA: ssa, koska se sisältää hintoja viimeisten 200 päivän aikana. Käyttämättömän MA: n pituus riippuu kaupankäynnin tavoitteista, lyhyemmät MA: t käytetään lyhytaikaisiin kaupankäyntiin ja pitempiaikaiset maat sopivat paremmin pitkän aikavälin sijoittajille 200 päivän MA noudattaa laajalti sijoittajia ja kauppiaita, joiden tauot ylittävät tämän liukuvan keskiarvon ovat tärkeitä kaupankäyntijasignaaleja. Myös malleja antavat tärkeitä kaupankäyntisignaaleja yksinään tai kun kaksi keskiarvoa ylittävät A nousevan MA: n, osoittaa, että turvallisuus on nousussa, kun taas laskeva MA osoittaa, että se on laskusuunnassa. Samoin nouseva vauhti on vahvistetaan nousevan nousun jälkeen, mikä ilmenee, kun lyhytkestoinen MA ylittää pidemmän aikavälin MA: n alaspäin suuntautuvan momentin, vahvistetaan laskevalla risteyksellä, joka ilmenee, kun lyhytaikainen MA ylittää pidemmän aikavälin MA: n. Kuvittele, että sinulla on tietoja useiden tuotteiden hinnoista. Jokaiselle tuotteelle tallennat viikoittain hintatiedot. Clear set obs 200.gen prodid n. Jokaisella tuotteella on ainutlaatuinen keskimääräinen hinta, joka on 5 prosenttia. Viikkohinnoista 200 viikkoa koskevat tiedot laajennetaan 200 sivua kohden. Myös kausivaihtelu on kausiluonteista 2 sin pi t 50. Sekä yleinen aikasuuntaus trendi t 005. Ensimmäinen havainto ei ole korreloitu minkään gen hinta-arvon kanssa 2 5 trendi rpoisson 10 10 jos t 1 korvaa hinta prodprice 2 trendi kausi 7 hinta n-1 3 rpoisson 10 10 jos t 2 korvaava hinta prodprice trendi kausi 5 hinta n-1 2 hinta n-2 3 rpoisson 10 10 jos t 3 korvaa hinta prodprice trendi kausi 3 hinta n-1 2 hinta n - 2 2 hinta n-3 3 rpoisson 10 10 jos t 4 korvaava hinta prodprice trendi kausi 3 hinta n-1 175 hinta n-2 125 hinta n-3 1 hinta n-4 3 rpoisson 10 10 jos t 4. Luo globabl tallenna maailmanlaajuinen twograph. forv i 1 6 maailmanlaajuinen kaksirivinen rivi hinta t jos prodid i. twoway twograph, legenda otsikosta Oikeat hintakehitys ensimmäisten kuuden tuotteen. Kuvittele nyt, että edellä tuotettu tieto on todellinen hintatieto, joka ei ole täysin havaittavissa. Sen sijaan sinulla on useita keräystietoja viikossa hinnoista, joista kukin vaihtelee jonkin satunnaisen lisävirheen mukaan. 3.bysort prodid t gen prodobs n. gen pricecollect hinta rnormal 25. Kuitenkin hintatieto, että sinulla on joitakin merkintöjä, että 10 on virheellisesti syötetty väärin. gen entryerror rbinomial 1, 1 gen scalarerror rnormal 1.gen priceobs pricecollect 1 entryerror scalarerror label var Priceobs Tallennettu hinta. Lisäksi hintatiedostojasi 35 ei koskaan kerätty. Gen puuttuvien rbinomial 1, 35.drop jos puuttuu. 1. Luo globabl tallentaa maailmanlaajuinen twograph. forv i 1 6 maailmanlaajuinen twoplin line priceobs t jos prodid i prodobs 1.twoway twograph, legenda pois otsikosta Havaitut hintakehitykset ensimmäisille kuudelle tuotteelle. keep t priceobs prodid entryerror Olen pitämässä merkintävirhettä datasarjassa vertailuvälineenä, vaikka sitä ei suoraan havaittaisi. Kysymys on. Voitko tällä epätavallisella tiedolla palauttaa hintatiedot, jotka ovat samankaltaisia ​​kuin alkuperäinen. Ensimmäinen asia, jota meidän pitäisi hyödyntää, on kaksoiskappaleen tallennettu data. scatter priceobs t jos prodid 1, otsikko On helppo nähdä yksittäisiä poikkeamia. Yksittäisiä poikkeamia on helppo nähdä, mutta emme halua käydä läpi kaikkia 200 tuotetta yksilöllisesti hinnoittelun yksilöimiseksi. Haluamme luoda järjestelmän, jolla tunnistetaan outliers. Olkoon s tuottava keskiarvo tuotteittain ja ajankohtana tuottamalla keskimääräinen hintahinta. Olkoon s lippu mikä tahansa havainto, joka on 120 suurempaa kuin keskiarvo tai 80 vähemmän kuin keskiyhdistyslippu. 1 2 pricemean priceobs 8. Katsotaan, kuinka se toimii kahdella scatter-hinnalla t jos prodid 1 hajottaa hintaobs t jos prodid 1 lippu 1 msymbol lgx title Jotkut outliers voidaan tunnistaa vain katsomalla keskiyhdistettä off. corr lippu entryerror Lippu on korreloinut noin 45 kanssa merkintä virheet Tämä on hyvä, mutta voimme tehdä paremmin. Ehdotan, että sen sijaan, että käytämme vain sitä, että rakennamme liikkuvan keskiarvon hintoja ja näemme, kuinka jokainen tulo poikkeaa keskimäärin. Ainoa ongelma on se, että liikkuva keskimääräinen komento vaatii xtset ja vaatii vain yhden merkinnän ajanjaksona. Joten sanon voimme muuttaa aika-muuttujaa ja lisätä sen niin kuin se olisi tallennettu viikon eri aikaan havainnointinumeroa. Meidän täytyy hiljattain tuottaa tuotoksia, koska emme tiedä, mitkä havainnot puuttuvat kustakin tuotteesta bysort prodid t gen prodobs n. gen t2 t 4 prodobs. xtset asettaa paneelin tiedot-paneelin id - ja aikasarjatasolle xtset prodid t2. Komento, jota käytämme, on tssmooth. Se on koodattu siten, että määrittämällä ma se tarkoittaa liukuvaa keskiarvoa ja ikkuna kertoo Statalle, kuinka monta aikaväliä on laskettava eteenpäin ja kuinka monta taaksepäin liikkuvassa ilmassa. Tämä komento voi kestää hetken aikaa, kun taas karttaohjelmien hintaobs, ikkuna 23 0 23 23 on vaikutus 5 viikkoa eteenpäin ja 5 viikon kuluttua. 0 kertoo olemaan sisällyttämättä tähän keskiarvoon. Liikkuva keskiarvo kahdella hajautusarvolla, jos 1-linjan karttatiedostoja käytetään vain 1 riviä, jos 1 otsikko Liikkuva keskiarvo on vähemmän hyväksyttävää poikkeuksille. Liikkuva keskiarvo on vakaampi kuin vain ajan keskiarvo. Let's try flagging käyttäen liikkuvaa keskimääräistä kapea pudota flag2 gen flag2 mapriceobs priceobs 1 2 mapriceobs priceobs 8.two scatter hintaobs t jos prodid 1 scatter hintaobs t jos prodid 1 flag2 1 msymbol lgx otsikko Moving Average voi myös olla hyödyllinen legenda off. corr flag2 entryerror. Pudota merkitty tietojen pudotus, jos flag2 1. Pienennä viikkotasolle romahtaa priceobs, jonka prodid t label var priceobs Keskimääräinen hinta havaittu. I 1 6 maailmanlaajuinen twograph scatter hintaobs t jos prodid i. twoway twograph, legenda otsikosta Havaitut hintakehitys ensimmäiset kuusi tuotetta Tiedot näyttävät paljon paremmilta, mutta silti meillä on selvästi joitain toivottuja outlierejä. Voisimme hyödyntää rajat ylittäviä tuotekehityk - siä, joiden avulla tunnistetaan tuotteiden ylimää - räiset hintatasot, jos ne ylittävät keskimääräisen hinta - hinnan. Priceobs aveprice jos prodid 1 ennustaa resid1, residual. reg priceobs aveprice jos prodid 2 ennustaa jäännös2, residual. reg priceobs aveprice jos prodid 3 ennustaa jäännöstä 3, jäljellä oleva kymmenesviivan jäännöstä, jos jakauma on 1 riviä, jos joudutaan 1 riviin jäännöstä, jos 2 riviä hintaa tuotetaan, jos 2 riviä jakaantuu, jos 3 riviä ruutu outliers legenda pois. Lopuksi pudotamme havaintoja jäännöksillä, jotka ovat suurempia kuin 1 5 keskihajonnia keskiarvosta. 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 3 4 5 keskimääräinen pudotuskerroin. Katsotaanpa, miten se toimii kahdella scatter hintaobs t jos prodid 2 hajottaa hintaobs t jos prodid 2 lippu 1 msymbol lgx otsikko Nyt vain yrittää poistaa joitakin lopullinen outliers legenda pois. Piirrä tuotteen 1 hinnoittelua suhteessa poikkeamiin maailmanlaajuinen twograph. forv i 1 6 maailmanlaajuinen twop-line priceobs t jos prodid i. Pudoten lopulta pudotusta lippua. Yksi viimeinen kuvaaja maailmanlaajuisesta twograph. forv i 1 6 maailmanlaajuisesta twograph scatter hintaobs t jos prodid i. twoway twograph, legenda otsikosta Havaitut hintakehitys ensimmäisille kuudelle tuotteelle. Ei ole yhtä puhdasta kuin ensimmäinen kaaviomme, mutta varmasti paljon parannettu. Keskimääräisten keskiarvojen laskeminen. Keskiarvojen siirtäminen. Tavallisten datasetien keskimääräinen arvo on usein ensimmäinen ja yksi hyödyllisimmistä yhteenvetotietojen laskemisesta. Kun datat ovat aikasarjan muodossa , sarjan keskiarvo on hyödyllinen toimenpide, mutta se ei heijasta tietojen dynaamista luonnetta. Keskimääräiset arvot, jotka on laskettu oikaisukausista joko nykyistä ajanjaksoa edeltävänä ajankohtana tai keskellä nykyistä ajanjaksoa, ovat usein hyödyllisiä. Koska tällaiset keskiarvot vaihtelevat, tai siirrä, koska nykyinen kausi siirtyy ajasta t2, t3 jne. ne tunnetaan liikkuvina keskiarvoina Mas Yksinkertainen liikkuva keskiarvo on tyypillisesti k: n aikaisempien arvojen painotettu keskiarvo Eksponentiaalisesti painotettu liikkuva keskiarvo on oleellisesti sama kuin yksinkertainen liikkuva keskiarvo, mutta niiden keskiarvoon painotettu niiden läheisyys nykyiseen ajankohtaan Koska ei ole yhtä, vaan koko joukko liikkuvia keskiarvoja millekään tietylle sarjalle, Mas-sarjaa voidaan itse piirtää kaavioita, jotka on analysoitu sarjaksi ja joita käytetään mallinnuksessa ja ennustamisessa Mallialueita voidaan rakentaa käyttäen liikkuvia keskiarvoja, ja niitä kutsutaan MA-malleiksi. Jos tällaisia ​​malleja yhdistetään autoregressiivisiin AR-malleihin, syntyvät komposiittimallit tunnetaan nimellä ARMA tai ARIMA malleja I on integroitu. Kompleksi liikkuvia keskiarvoja. Jos aikasarjaa voidaan pitää arvoryhmänä, t 1,2,3,4, n näiden arvojen keskiarvo voidaan laskea Jos oletamme, että n on melko suuri, ja me valitsemme kokonaislukun K, joka on paljon pienempi kuin n, voimme laskea joukon lohkojen keskiarvoja tai yksinkertaisia ​​keskimääräisiä k-arvoja. Jokainen mittari edustaa datajoukon keskiarvoa k-havaintojen väliin Huomaa, että ensimmäinen Mahdollinen tilauskanta k 0 on se, että tk Yleisemmin voimme pudottaa ylimääräisen indeksin yllä esitettyihin ilmaisuihin ja kirjoittaa. Tämä osoittaa, että arvioitu keskiarvo ajankohtana t on havaitun arvon yksinkertainen keskiarvo ajankohtana t ja edeltävät k - 1 aikaiset askelmat Jos painot ovat app valehtelevat, jotka heikentävät huomautusten vaikutusta, jotka ovat kauempana ajassa, liukuvan keskiarvon sanotaan olevan eksponentiaalisesti tasoitettu. Siirtyviä keskiarvoja käytetään usein ennusteina, jolloin sarjan arvioitu arvo ajankohtana t 1, S t 1 joka on otettu MA: ksi ajanjaksoon asti ja siihen asti, kun se on laskenut nykypäivän arvion, perustuu ennalta kirjattujen arvojen keskiarvoon päivittäiseen dataan asti ja eilisen s: n mukaan. Yksinkertaiset liikkuvat keskiarvot voidaan nähdä tasoitusmuodoksi Esimerkissä alla, tämän aiheen johdannossa esitettyä ilmaa saastuttavaa aineistoa on lisätty 7 päivän liukuvaan keskimääräiseen MA-linjaan, joka näkyy tässä punaisena. Kuten voidaan nähdä, MA-linja tasoittaa tietojen piikkien ja kourujen erittäin hyödyllistä tunnistaa suuntaukset Tavallinen eteenpäinlaskenta-kaava tarkoittaa, että ensimmäisillä k-1-pisteillä ei ole MA-arvoa, mutta tämän jälkeen laskelmat ulottuvat sarjan PM10 päivittäisiin keskimääräisiin arvoihin, Greenwich. source London Ilmanlaadun verkko. Yksi syy yksinkertaisten liikkuvien keskiarvojen laskemiseen selostetulla tavalla on, että se mahdollistaa arvojen laskemisen kaikkien aikavälien osalta ajasta tk aina tähän asti ja kun uusi mittaus saadaan ajasta t 1, aika t 1 voidaan lisätä jo laskettuun joukkoon Tämä on yksinkertainen menettely dynaamisille datasetsille. Tässä lähestymistavassa on kuitenkin joitakin ongelmia. On järkevää väittää, että keskimääräinen arvo viimeisten kolmen jakson aikana olisi sanottava ajallaan t -1, ei aika t ja MA yli parillisten jaksoiden aikana, ehkä se pitäisi sijaita keskipisteessä kahden aikajakson välillä. Tähän ongelmaan on ratkaisu käyttää keskitettyjä MA-laskelmia, on symmetrisen arvoryhmän keskiarvo t huolimatta siitä, että tätä lähestymistapaa ei yleisesti käytetä, koska se edellyttää, että tietoja on saatavilla tulevissa tapahtumissa, mikä ei ehkä ole tapaus Jos analyysit ovat kokonaan olemassa olevista sarjoista, käyttö Keskipitkän keskiarvon voidaan katsoa muodostavan tasoituksen, poistaa joitain aikasarjojen suurtaajuuskomponentteja ja korostaa, mutta ei poista trendejä samalla tavoin kuin digitaalisen suodatuksen yleinen käsitys. Todellakin, keskimääräiset liikkeet ovat Lineaarisen suodattimen muoto On mahdollista sovittaa liikkuvan keskiarvon laskenta jo tasoitettuun sarjaan eli tasoittamaan tai suodattamalla jo tasoitettua sarjaa. Esimerkiksi järjestyksessä 2 liikkuvan keskiarvon voimme katsoa sen olevan laskettuna käyttämällä painot, joten MA x 2 0 5 x 1 0 5 x 2 Samoin MA: ssa x 3 0 5 x 2 0 5 x 3 Jos käytämme toista tason tasoitusta tai suodatusta, meillä on 0 5 x 2 0 5 x 3 0 5 0 5 x 1 0 5 x 2 0 5 0 5 x 2 0 5 x 3 0 25 x 1 0 5 x 2 0 25 x 3 eli kaksivaiheinen suodatusprosessi tai konvoluutio on tuottanut vaihtelevasti painotetun symmetrisen liikuttavan keskimäärin painoilla Useat konvoluutiot voivat tuottaa melko monimutkaisia ​​painotettuja liukuvia keskiarvoja, joista osa on ollut fou Esimerkiksi, jos kuukausittaiset tiedot kausivaihteluista voidaan usein poistaa, mikäli tämä on tavoitteena on soveltaa symmetristä 12 kuukauden liukuvaa keskiarvoa kaikilla kuukausilla painotettuna yhtä suureksi, paitsi ensimmäisellä ja viimeisellä painotuksella 1 2 Tämä johtuu siitä, että symmetrisessä mallissa nykyinen aika on t 13 kuukautta. jakautunut 12: llä Samanlaisia ​​menetelmiä voidaan ottaa käyttöön mille tahansa hyvin määritellylle jaksolle. Exponential painotetut liikkuvat keskiarvot EWMA. Kaikki yksinkertainen liikkuva keskiarvo kaava. all havainnot ovat yhtä painotetut Jos kutsumme nämä samansuuruiset painot, kunkin k: n paino olisi 1 k joten painojen summa olisi 1 ja kaava olisi. Olemme jo nähneet, että tämän prosessin useat sovellukset johtavat painoihin, jotka vaihtelevat. Eksponentiaalisesti painotettu liikkuva keskiarvo että aikaisempaa paremmin havaittujen havaintojen keskimääräistä arvoa harkitaan vähennettynä, mikä korostaa viimeaikaisia ​​paikallisia tapahtumia. Olennaisesti tasoitusparametri 0 1 otetaan käyttöön ja kaava tarkistetaan. Tämän kaavan symmetrinen versio olisi Jos symmetrisessä mallissa olevat painot valitaan binomimahdollisuuksien ehtojen ehdoksi, 1 2 1 2 2q ne summaavat 1: een, ja koska q tulee suureksi, se vastaa likimääräistä jakautumista. Tämä on muoto ytimen painotus, kun binomiomi toimii ydinfunktiossa Edellisessä kappaleessa kuvattu kaksivaiheinen konvoluutio on juuri tämä järjestely, ql: llä, jolloin saadaan painot. Eksponenttisessa tasauksessa on käytettävä sarjaa painoja, jotka summaavat yhteen ja jotka pienentävät kokoa geometrisesti Käytettävät painot ovat tyypillisesti muotoa. Osoittaakseen, että nämä painot ovat summia 1, pitää laajentaa 1 sarjaksi. Voimme kirjoittaa. ja laajentaa lauseketta suluissa käyttäen binomi-kaava 1- xp, jossa x 1 ja p-1, joka antaa. Tämä antaa muodon painotetun liukuvan keskiarvon muodolle. Tämä summaus voidaan kirjoittaa uudelleenvirtaussuhteeksi, mikä yksinkertaistaa laskennan suuresti ja välttää ongelman että painotusjärjes - telmän tulisi olla ehdottomasti ääretön painojen summana 1: ksi pieniä arvoja varten, ei yleensä ole kyse Eri kirjoittajien käyttämä notaatio vaihtelee Jotkut käyttävät kirjainta S osoittamaan, että kaava on olennaisesti tasoitettu muuttuja ja kirjoittaa. Koska ohjausteorian kirjallisuus käyttää usein Z: tä pikemminkin kuin S: n eksponentiaalisesti painotettuihin tai tasoitettuihin arvoihin, katso esimerkiksi Lucas ja Saccucci, 1990, LUC1 ja NIST-verkkosivu lisää yksityiskohtia ja käytettyjä esimerkkejä. Edellä mainitut kaavat perustuvat Roberts 1959, ROB1, mutta Hunter 1986, HUN1 käyttää lomakkeen ilmentymistä, joka voi olla sopivampi käytettäväksi joissakin kontrollimenettelyissä 1: llä keskimääräinen estimaatti on yksinkertaisesti sen mitattu arvo tai arvon aikaisempi tietoyksikkö 0 5 arvio on nykyisen ja edellisen mittauksen yksinkertainen liukuva keskiarvo Ennusteiden mallin yhteydessä S t käytetään usein arvioiduksi tai ennustetuksi arvoksi seuraavalle ajanjaksolle eli x: n estimaattina aika t 1 Täten meillä on tämä. Tämä osoittaa, että ennustearvo ajankohtana t 1 on edellisen eksponentiaalisesti painotetun liikkumismuuttujan yhdistelmä ja komponentti, joka edustaa painotettua ennustevirheä ajankohtana t. Aikasarjojen saaminen ja ennuste vaaditaan, vaaditaan arvoa. Tämä voidaan arvioida olemassa olevasta datasta arvioimalla neliöityjen ennustusvirheiden summa, joka saadaan vaihtuvilla arvoilla kunkin t 2,3: n ollessa ensimmäisen arvion ollessa ensimmäinen havaintoarvo, x 1 In valvontasovellusten arvo on tärkeä, sillä sitä käytetään ylemmän ja alemman kontrollin raja-arvojen määrittämisessä ja vaikuttaa keskimääräiseen ajon pituuteen ARL, jota odotetaan ennen kuin nämä raja-arvot rikkoutuvat olettaen että aikasarja edustaa joukkoa satunnaisia, identtisesti jakamia riippumattomia muuttujia, joilla on yhteinen varianssi Näissä olosuhteissa kontrollitilaston varianssi on Lucas ja Saccucci, 1990. Ohjausrajat asetetaan yleensä tämän asymptoottisen varianssin kiinteiksi kerrannaisiksi, esim. - 3 kertaa standardipoikkeama Jos esimerkiksi 0 25 ja valvottavan datan oletetaan olevan Normal-jakauma, N 0,1, kun valvonnassa ohjausrajat ovat - 1 134 ja prosessi saavuttaa yhden tai useamman rajan 500 asteessa keskimäärin Lucas ja Saccucci 1990 LUC1 tuottavat ARL-arvot monille arvoille ja erilaisissa olettamuksissa käyttäen Markov-ketjun menetelmiä. Ne heijastavat tuloksia, mukaan lukien ARL-arvojen antaminen, kun kontrolliprosessin keskiarvo on siirretty standardipoikkeama Esimerkiksi 0 5-siirtymällä 0: llä ARL on alle 50 aika-astetta. Edellä kuvattu lähestymistapa tunnetaan yhtenä eksponentiaalisena tasoituksena, koska menetelmät ovat kerrotaan kerran aikasarjasta ja sitten suoritetaan analyysi - tai kontrolliprosessit tuloksena olevasta tasoitetusta datasivustosta. Jos datasarja sisältää trendin ja kausittaiset komponentit, voidaan käyttää kaksi - tai kolmivaiheista eksponentiaalista tasoitusta keinona poistaa näiden mallien eksplisiittinen mallintaminen Katso lisätietoja alla olevasta ennakoinnista ja NIST: n esimerkistä. CHA1 Chatfield C 1975 Times-sarjan teoria ja käytäntö Chapman ja Hall, Lontoo. HUN1 Hunter J S 1986 Laatustekniikan eksponentiaalisesti painotettu liikkuva keskiarvo J, 18, 203-210. LUC1 Lucas J M, Saccucci M S 1990 Eksponentiaalisesti painotetut liikkuvat keskiarvojärjestelmät Ominaisuudet ja parannukset Technometrics, 32 1, 1-12. ROB1 Roberts S W 1959 Ohjauskarttatestit Geometristen Moving Medien perusteella, Technometrics, 1, 239-250.