Odkrywanie ważonej wykładniczo ruchomej średniej Zmienność jest najczęstszą miarą ryzyka, ale występuje w kilku smakach. W poprzednim artykule pokazaliśmy, jak obliczyć prostą zmienność historyczną. (Aby przeczytać ten artykuł, zobacz Używanie zmienności do wyznaczania przyszłego ryzyka.) Wykorzystaliśmy rzeczywiste dane o cenach akcji w Googles w celu obliczenia dziennej zmienności na podstawie 30 dni danych o stanie. W tym artykule poprawimy prostą zmienność i omówimy wykładniczą średnią ważoną średnią (EWMA). Historyczne Vs. Zmienność implikowana Najpierw podzielmy te dane na nieco perspektywy. Istnieją dwa szerokie podejścia: zmienność historyczna i domniemana (lub domniemana). Historyczne podejście zakłada, że przeszłość jest prologiem, w którym mierzymy historię w nadziei, że jest ona przewidywalna. Implikowana zmienność ignoruje historię, którą rozwiązuje ze względu na zmienność wynikającą z cen rynkowych. Ma nadzieję, że rynek wie najlepiej, a cena rynkowa zawiera, nawet w sposób dorozumiany, konsensusowy szacunek zmienności. (Aby zapoznać się z treścią tego rozdziału, zobacz Wykorzystywanie i ograniczenia zmienności). Jeśli skupimy się tylko na trzech historycznych podejściach (po lewej stronie), mają one dwa wspólne etapy: Oblicz cykl okresowych powrotów Zastosuj schemat ważenia Najpierw oblicz okresowy powrót. Jest to zwykle seria codziennych powrotów, gdzie każdy zwrot wyrażany jest w ciągłych słowach złożonych. Dla każdego dnia bierzemy dziennik naturalny stosunku cen akcji (tj. Cena dzisiaj podzielona przez cenę wczoraj, i tak dalej). Powoduje to szereg codziennych powrotów, od ui do u i-m. w zależności od tego ile dni (m dni) mierzymy. To prowadzi nas do drugiego kroku: tutaj trzy podejścia różnią się. W poprzednim artykule (Używanie Zmienności do wyznaczania przyszłego ryzyka) wykazaliśmy, że w ramach kilku akceptowalnych uproszczeń prosta wariancja jest średnią z kwadratów: Zwróć uwagę, że sumuje ona każdy z okresowych zwrotów, a następnie dzieli tę sumę przez liczba dni lub obserwacji (m). Tak więc jest to naprawdę tylko średnia kwadratowych okresowych zwrotów. Innymi słowy, każdy kwadratowy powrót ma taką samą wagę. Jeśli więc alfa (a) jest czynnikiem ważącym (konkretnie 1m), to prosta wariancja wygląda mniej więcej tak: EWMA poprawia prostą wariancję Słabością tego podejścia jest to, że wszystkie powroty przynoszą taką samą wagę. Wczorajsze (bardzo niedawne) zwroty nie mają większego wpływu na wariancję niż powrót ostatnich miesięcy. Ten problem jest rozwiązywany za pomocą ważonej ruchomą średnią z wykładnikami (EWMA), w której nowsze wyniki mają większą wagę dla wariancji. Obliczona wykładniczo średnia ruchoma (EWMA) wprowadza lambdę. który jest nazywany parametrem wygładzania. Lambda musi być mniejsza niż jeden. Pod tym warunkiem, zamiast równych wag, każdy kwadratowy zwrot jest ważony przez mnożnik w następujący sposób: Na przykład RiskMetrics TM, firma zarządzająca ryzykiem finansowym, używa lambda na poziomie 0,94 lub 94. W tym przypadku pierwsza ( ostatnia) Kwadratowy okresowy powrót ważony jest przez (1-0.94) (.94) 0 6. Kolejny kwadratowy powrót to po prostu wielokrotność lambda poprzedniej wagi w tym przypadku 6 pomnożona przez 94 5,64. Trzeci ciężar w poprzednich dniach wynosi (1-0,94) (0,94) 2 5,30. Jest to znaczenie wykładnicze w EWMA: każda waga jest mnożnikiem stałym (tj. Lambda, który musi być mniejszy niż jeden) wagi poprzedniego dnia. Zapewnia to odchylenie, które jest ważone lub stronnicze w kierunku bardziej aktualnych danych. (Aby dowiedzieć się więcej, zapoznaj się z arkuszem kalkulacyjnym Excel dotyczącym zmienności Google.) Różnicę między po prostu zmiennością a EWMA dla Google pokazano poniżej. Prosta zmienność skutecznie waży każdy okresowy zwrot o 0.196, jak pokazano w kolumnie O (mieliśmy dwa lata codziennych danych o cenach akcji, to jest 509 dziennych zwrotów i 1509 0.196). Ale zauważ, że Kolumna P przypisuje wagę 6, potem 5,64, potem 5.3 i tak dalej. To jedyna różnica między prostą wariancją a EWMA. Pamiętaj: po zsumowaniu całej serii (w kolumnie Q) mamy wariancję, która jest kwadratem odchylenia standardowego. Jeśli chcemy niestabilności, musimy pamiętać, aby wziąć pierwiastek kwadratowy z tej wariancji. Jaka jest różnica w codziennej zmienności między wariancją a EWMA w przypadku Googles? Znaczące: Prosta wariancja dała nam codzienną zmienność na poziomie 2,4, ale EWMA podawała dzienną zmienność tylko 1,4 (szczegóły w arkuszu kalkulacyjnym). Najwyraźniej wahania Googlesa ustabilizowały się ostatnio, więc prosta wariancja może być sztucznie zawyżona. Dzisiejsza wariancja jest funkcją zmiennej dni Piora Zauważ, że musieliśmy obliczyć długą serię malejących wykładniczo wag. Nie będziemy tutaj wykonywać matematyki, ale jedną z najlepszych cech EWMA jest to, że cała seria wygodnie redukuje się do rekursywnej formuły: rekursywna oznacza, że obecne odniesienia do wariancji (tj. Są funkcją wariancji z poprzedniego dnia). Możesz znaleźć tę formułę również w arkuszu kalkulacyjnym i daje ona dokładnie taki sam wynik, jak obliczenie długu. Mówi: Współczynnik wariancji (pod EWMA) jest równy wariancji z wczoraj (ważonej przez lambda) plus wczorajszy powrót do kwadratu (ważony o jeden minus lambda). Zwróć uwagę, że właśnie dodajemy dwa terminy: wczorajsze ważone odchylenie i wczorajsze ważone, kwadraty powrotu. Mimo to lambda jest naszym parametrem wygładzania. Wyższa wartość lambda (np. Podobnie jak w przypadku RiskMetrics 94) wskazuje na wolniejszy spadek w serii - w kategoriach względnych, będziemy mieć więcej punktów danych w serii i będą one spadać wolniej. Z drugiej strony, jeśli zredukujemy wartość lambda, wskazujemy na wyższą wartość zanikania: masy wypadną szybciej i, w bezpośrednim efekcie gwałtownego rozpadu, wykorzystuje się mniej punktów danych. (W arkuszu kalkulacyjnym lambda jest wejściem, więc możesz eksperymentować z jego czułością). Podsumowanie Zmienność jest chwilowym odchyleniem standardowym podstawowego i najczęściej występującego wskaźnika ryzyka. Jest to także pierwiastek kwadratowy wariancji. Możemy mierzyć wariancję historycznie lub pośrednio (implikowana zmienność). Podczas historycznego pomiaru najłatwiejszą metodą jest prosta wariancja. Ale słabość z prostą wariancją polega na tym, że wszystkie powroty mają tę samą wagę. Mamy więc klasyczny kompromis: zawsze chcemy więcej danych, ale im więcej danych mamy, tym bardziej nasze obliczenia są rozcieńczane przez odległe (mniej istotne) dane. Wartość średnia ważona wykładniczo (EWMA) poprawia się na podstawie prostej wariancji, przypisując wagę okresowym zwrotom. Dzięki temu możemy zarówno użyć dużego rozmiaru próby, jak i nadać większą wagę nowszym powrotom. (Aby obejrzeć film instruktażowy na ten temat, odwiedź Bionic Turtle.) Modele wygładzania średniej i wykładniczej. Jako pierwszy krok w wychodzeniu poza modele średnie, modele spacerów losowych i modele trendów liniowych, wzorce i trendy niesezonowe można ekstrapolować za pomocą model średniej ruchomej lub wygładzający. Podstawowym założeniem modeli uśredniania i wygładzania jest to, że szeregi czasowe są lokalnie stacjonarne z wolno zmieniającą się średnią. W związku z tym bierzemy średnią ruchomą (lokalną), aby oszacować aktualną wartość średniej, a następnie wykorzystać ją jako prognozę na najbliższą przyszłość. Można to uznać za kompromis pomiędzy modelem średnim a modelem losowego chodzenia bez dryftu. Ta sama strategia może zostać wykorzystana do oszacowania i ekstrapolacji lokalnego trendu. Średnia ruchoma jest często nazywana wersją quotsmoothedquot oryginalnej serii, ponieważ krótkoterminowe uśrednianie ma wpływ na wygładzenie nierówności w oryginalnej serii. Dostosowując stopień wygładzenia (szerokość średniej ruchomej) możemy mieć nadzieję na uzyskanie optymalnej równowagi między wydajnością modeli średniej i losowej. Najprostszym rodzajem modelu uśredniającego jest. Prosta (równo ważona) Średnia ruchoma: Prognoza wartości Y w czasie t1, która jest dokonywana w czasie t, jest równa prostej średniej z ostatnich obserwacji: (Tu i gdzie indziej będę używał symbolu 8220Y-hat8221, aby stać dla prognozy szeregu czasowego Y dokonanego najwcześniej jak to możliwe wcześniej przez dany model.) Ta średnia jest wyśrodkowana w okresie t - (m1) 2, co oznacza, że oszacowanie średniej lokalnej będzie opóźniać się w stosunku do rzeczywistej wartości wartość średniej lokalnej o około (m1) 2 okresy. Tak więc, mówimy, że średni wiek danych w prostej średniej kroczącej wynosi (m1) 2 w stosunku do okresu, dla którego obliczana jest prognoza: jest to ilość czasu, o którą prognozy będą opóźniać się za punktami zwrotnymi w danych . Na przykład, jeśli uśrednisz 5 ostatnich wartości, prognozy będą o około 3 opóźnienia w odpowiedzi na punkty zwrotne. Zauważ, że jeśli m1, model prostej średniej ruchomej (SMA) jest równoważny modelowi chodzenia swobodnego (bez wzrostu). Jeśli m jest bardzo duże (porównywalne z długością okresu szacowania), model SMA jest równoważny modelowi średniemu. Podobnie jak w przypadku każdego parametru modelu prognostycznego, zwyczajowo koryguje się wartość k, aby uzyskać najlepsze dopasowanie do danych, tj. Średnio najmniejsze błędy prognozy. Oto przykład serii, która wydaje się wykazywać losowe fluktuacje wokół wolno zmieniającej się średniej. Po pierwsze, spróbujmy dopasować go do modelu losowego spaceru, który jest odpowiednikiem prostej średniej kroczącej z 1 słowa: model losowego spaceru bardzo szybko reaguje na zmiany w serii, ale czyniąc to, wybiera dużą część dane (fluktuacje losowe), a także quotsignalquot (średnia miejscowa). Jeśli zamiast tego spróbujemy prostej średniej kroczącej z 5 terminów, otrzymamy gładszy zestaw prognoz: Pięciokrotna prosta średnia ruchoma daje znacznie mniejsze błędy niż model losowego spaceru w tym przypadku. Średni wiek danych w tej prognozie wynosi 3 ((51) 2), więc ma tendencję do pozostawania w tyle za punktami zwrotnymi o około trzy okresy. (Na przykład, pogorszenie koniunktury zdaje się mieć miejsce w okresie 21, ale prognozy nie zmieniają się aż do kilku kolejnych okresów.) Zwróć uwagę, że długoterminowe prognozy z modelu SMA są prostą poziomą, tak jak w przypadku losowego spaceru Model. Tak więc model SMA zakłada, że nie ma trendu w danych. Jednakże, podczas gdy prognozy z modelu losowego spaceru są po prostu równe ostatniej obserwowanej wartości, prognozy z modelu SMA są równe średniej ważonej ostatnich wartości. Limity ufności obliczone przez Statgraphics dla długoterminowych prognoz prostej średniej kroczącej nie rosną wraz ze wzrostem horyzontu prognozy. To oczywiście nie jest poprawne Niestety, nie istnieje żadna podstawowa teoria statystyczna, która mówi nam, w jaki sposób przedziały ufności powinny poszerzyć się dla tego modelu. Jednak nie jest zbyt trudno obliczyć empiryczne szacunki limitów zaufania dla prognoz o dłuższym horyzoncie. Można na przykład skonfigurować arkusz kalkulacyjny, w którym model SMA byłby używany do prognozowania 2 kroków do przodu, 3 kroków do przodu itp. W próbie danych historycznych. Następnie można obliczyć standardowe odchylenia standardowe błędów w każdym horyzoncie prognozy, a następnie skonstruować przedziały ufności dla prognoz długoterminowych, dodając i odejmując wielokrotności odpowiedniego odchylenia standardowego. Jeśli spróbujemy 9-dniowej prostej średniej kroczącej, otrzymamy jeszcze bardziej wygładzone prognozy i więcej efektu opóźnienia: średni wiek wynosi teraz 5 okresów ((91) 2). Jeśli weźmiemy 19-dniową średnią kroczącą, średni wiek wzrośnie do 10: Należy zauważyć, że faktycznie prognozy są teraz opóźnione o punkty zwrotne o około 10 okresów. Jaka ilość wygładzania jest najlepsza dla tej serii Oto tabela, która porównuje ich statystyki błędów, w tym także średnią 3-dniową: Model C, 5-punktowa średnia ruchoma, daje najniższą wartość RMSE o niewielki margines w porównaniu z 3 - term i 9-term średnich, a ich inne statystyki są prawie identyczne. Tak więc, wśród modeli z bardzo podobnymi statystykami błędów, możemy zdecydować, czy wolimy nieco szybszą reakcję, czy nieco większą płynność w prognozach. (Powrót do początku strony.) Browns Simple Exponential Smoothing (wykładniczo ważona średnia ruchoma) Opisany powyżej prosty model średniej ruchomej ma niepożądaną właściwość, że traktuje ostatnie k obserwacji równo i całkowicie ignoruje wszystkie poprzednie obserwacje. Intuicyjnie, przeszłe dane powinny być dyskontowane w bardziej stopniowy sposób - na przykład, ostatnia obserwacja powinna uzyskać nieco większą wagę niż druga ostatnia, a druga ostatnia powinna mieć nieco większą wagę niż trzecia ostatnia; wkrótce. Wykonywany jest prosty model wygładzania wykładniczego (SES). Niech 945 oznacza stałą kwotową (liczbę od 0 do 1). Jednym ze sposobów napisania modelu jest zdefiniowanie serii L, która reprezentuje aktualny poziom (tj. Miejscową średnią wartość) serii oszacowanej na podstawie danych do chwili obecnej. Wartość L w czasie t jest obliczana rekurencyjnie z jego własnej poprzedniej wartości w następujący sposób: Zatem bieżącą wygładzoną wartością jest interpolacja między poprzednią wygładzoną wartością a bieżącą obserwacją, gdzie 945 kontroluje bliskość interpolowanej wartości do najnowszej. obserwacja. Prognoza na następny okres jest po prostu bieżącą wygładzoną wartością: Równoważnie, możemy wyrazić następną prognozę bezpośrednio w odniesieniu do wcześniejszych prognoz i poprzednich obserwacji, w dowolnej z następujących równoważnych wersji. W pierwszej wersji prognoza jest interpolacją między poprzednią prognozą a poprzednią obserwacją: w drugiej wersji następna prognoza jest uzyskiwana przez dostosowanie poprzedniej prognozy w kierunku poprzedniego błędu o wartość 945. jest błąd popełniony przy czas t. W trzeciej wersji prognozą jest ważona ruchoma średnia ważona wykładniczo (tj. Zdyskontowana) ze współczynnikiem dyskontowym 1- 945: Wersja interpolacyjna formuły prognostycznej jest najprostsza do zastosowania, jeśli wdraża się model w arkuszu kalkulacyjnym: pasuje on do pojedyncza komórka i zawiera odwołania do komórek wskazujące poprzednią prognozę, poprzednią obserwację i komórkę, w której przechowywana jest wartość 945. Należy zauważyć, że jeśli model 945 1, model SES jest równoważny modelowi chodzenia swobodnego (bez wzrostu). Jeśli 945 0, model SES jest równoważny modelowi średniemu, przy założeniu, że pierwsza wygładzona wartość jest równa średniej. (Powrót do początku strony.) Średni wiek danych w prognozie wygładzania prostego wykładniczego wynosi 1 945 w stosunku do okresu, dla którego obliczana jest prognoza. (To nie powinno być oczywiste, ale można je łatwo wykazać, oceniając nieskończoną serię.) Dlatego prosta prognoza średniej ruchomej ma tendencję do pozostawania w tyle za punktami zwrotnymi o około 1 945 okresów. Na przykład, gdy 945 0,5 opóźnienie wynosi 2 okresy, gdy 945 ± 0,2 opóźnienie wynosi 5 okresów, gdy 945 ± 0,1 opóźnienie wynosi 10 okresów, i tak dalej. Dla danego średniego wieku (to jest ilości opóźnienia), prosta prognoza wygładzania wykładniczego (SES) jest nieco lepsza od prognozy prostej średniej ruchomej (SMA), ponieważ umieszcza względnie większą wagę w najnowszej obserwacji - ie. jest nieco bardziej obojętny na zmiany zachodzące w niedawnej przeszłości. Na przykład model SMA z 9 terminami i model SES z 945 0.2 mają średnią wieku 5 lat dla danych w swoich prognozach, ale model SES przykłada większą wagę do ostatnich 3 wartości niż model SMA i do w tym samym czasie nie ma on całkowicie 8220forget8222 o wartościach dłuższych niż 9 okresów, jak pokazano na tym wykresie: Kolejną ważną zaletą modelu SES w porównaniu z modelem SMA jest to, że model SES używa parametru wygładzania, który jest nieustannie zmienny, dzięki czemu można go łatwo zoptymalizować za pomocą algorytmu quotsolverquot, aby zminimalizować błąd średniokwadratowy. Optymalna wartość 945 w modelu SES dla tej serii okazuje się być 0,2961, jak pokazano tutaj: Średni wiek danych w tej prognozie wynosi 10,2961 3,4 okresów, co jest podobne do 6-okresowej prostej średniej kroczącej. Prognozy długoterminowe z modelu SES są prostą poziomą. jak w modelu SMA i modelu chodzenia bez wzrostu. Należy jednak zauważyć, że przedziały ufności obliczone przez Statgraphics teraz rozchodzą się w rozsądny sposób, i że są one znacznie węższe niż przedziały ufności dla modelu losowego spaceru. Model SES zakłada, że seria jest w pewnym stopniu przewidywalna, podobnie jak model losowego spaceru. Model SES jest w rzeczywistości szczególnym przypadkiem modelu ARIMA. więc teoria statystyczna modeli ARIMA zapewnia solidną podstawę do obliczania przedziałów ufności dla modelu SES. W szczególności model SES jest modelem ARIMA z jedną niesezonową różnicą, terminem MA (1) i nie ma stałego okresu. inaczej znany jako model DAIMA (0,1,1) bez stałej wartości. Współczynnik MA (1) w modelu ARIMA odpowiada ilości 1-945 w modelu SES. Na przykład, jeśli dopasujesz model ARIMA (0,1,1) bez stałej do analizowanej tutaj serii, szacowany współczynnik MA (1) okaże się równy 0,7029, czyli prawie dokładnie jeden minus 0,2961. Możliwe jest dodanie do modelu SES założenia niezerowego stałego trendu liniowego. Aby to zrobić, po prostu określ model ARIMA z jedną niesezonową różnicą i terminem MA (1) ze stałą, tj. Model ARIMA (0,1,1) ze stałą. Prognozy długoterminowe będą miały tendencję równą średniej tendencji obserwowanej w całym okresie szacowania. Nie można tego zrobić w połączeniu z korektą sezonową, ponieważ opcje korekty sezonowej są wyłączone, gdy typ modelu jest ustawiony na ARIMA. Można jednak dodać stały, długotrwały trend wykładniczy do prostego modelu wygładzania wykładniczego (z korektą sezonową lub bez niego) za pomocą opcji korekty inflacji w procedurze prognozowania. Odpowiednia stopa inflacji (procent wzrostu) na okres może być oszacowana jako współczynnik nachylenia w liniowym modelu trendu dopasowany do danych w połączeniu z logarytmem naturalnym, lub może być oparty na innych, niezależnych informacjach dotyczących długoterminowych perspektyw wzrostu . (Powrót do początku strony.) Browns Linear (tzn. Podwójnie) Exponential Smoothing Modele SMA i modele SES zakładają, że nie ma żadnego trendu w danych (co jest zwykle w porządku lub przynajmniej nie jest zbyt złe dla 1- prognozy wyprzedzające, gdy dane są stosunkowo hałaśliwe) i mogą być modyfikowane w celu włączenia stałego trendu liniowego, jak pokazano powyżej. A co z trendami krótkoterminowymi Jeśli w serii pojawiają się zmienne stopy wzrostu lub cykliczny wzór, który wyraźnie odróżnia się od hałasu, i jeśli istnieje potrzeba przewidywania z wyprzedzeniem dłuższym niż 1 okres, wówczas można również oszacować trend lokalny. problem. Prosty model wygładzania wykładniczego można uogólnić, aby uzyskać liniowy model wygładzania wykładniczego (LES), który oblicza lokalne oszacowania zarówno poziomu, jak i trendu. Najprostszym modelem trendu zmiennym w czasie jest liniowy model wygładzania wykładniczego Browns, który wykorzystuje dwie różne wygładzone serie, które są wyśrodkowane w różnych punktach czasowych. Formuła prognozowania opiera się na ekstrapolacji linii przez dwa ośrodki. (Bardziej wyrafinowana wersja tego modelu, Holt8217s, jest omówiona poniżej.) Algebraiczna postać liniowego modelu wygładzania wykładniczego Brown8217, podobnie jak model prostego wykładniczego wygładzania, może być wyrażana w wielu różnych, ale równoważnych formach. "Norma" w tym modelu jest zwykle wyrażana następująco: Niech S oznacza serie wygładzone pojedynczo, otrzymane przez zastosowanie prostego wygładzania wykładniczego dla szeregu Y. Oznacza to, że wartość S w okresie t jest określona przez: (Przypomnijmy, że w prostym wygładzanie wykładnicze, to byłaby prognoza dla Y w okresie t1.) Następnie pozwól oznaczać wygładzoną podwójnie serię uzyskaną przez zastosowanie prostego wygładzania wykładniczego (używając tego samego 945) do serii S: Wreszcie, prognozy dla Y tk. dla każdego kgt1, jest podana przez: To daje e 1 0 (to jest trochę oszukiwać, i niech pierwsza prognoza równa się faktycznej pierwszej obserwacji), i e 2 Y 2 8211 Y 1. po którym prognozy są generowane za pomocą równania powyżej. Daje to takie same dopasowane wartości, jak formuła oparta na S i S, jeśli te ostatnie zostały uruchomione przy użyciu S 1 S 1 Y 1. Ta wersja modelu jest używana na następnej stronie ilustrującej połączenie wygładzania wykładniczego z korektą sezonową. Holt8217s Linear Exponential Smoothing Brown8217s Model LES oblicza lokalne oszacowania poziomu i trendu, wygładzając najnowsze dane, ale fakt, że robi to za pomocą pojedynczego parametru wygładzania, nakłada ograniczenia na wzorce danych, które może dopasować: poziom i trend nie mogą się różnić w niezależnych stawkach. Model LES Holt8217s rozwiązuje ten problem, włączając dwie stałe wygładzania, jedną dla poziomu i drugą dla trendu. W każdej chwili t, jak w modelu Brown8217s, istnieje oszacowanie Lt poziomu lokalnego i oszacowanie T t trendu lokalnego. Tutaj są one obliczane rekurencyjnie od wartości Y obserwowanej w czasie t oraz poprzednich oszacowań poziomu i trendu za pomocą dwóch równań, które oddzielnie stosują wygładzanie wykładnicze. Jeżeli szacowany poziom i tendencja w czasie t-1 to L t82091 i T t-1. odpowiednio, wówczas prognoza dla Y tshy, która zostałaby dokonana w czasie t-1, jest równa L t-1 T t-1. Gdy obserwowana jest wartość rzeczywista, zaktualizowana estymacja poziomu jest obliczana rekurencyjnie poprzez interpolację między Y tshy i jej prognozą L t-1 T t-1, przy użyciu wag o wartości 945 i 1-945. Zmiana szacowanego poziomu, mianowicie L t 8209 L t82091. można interpretować jako hałaśliwy pomiar trendu w czasie t. Zaktualizowane oszacowanie trendu jest następnie obliczane rekursywnie przez interpolację pomiędzy L t 8209 L t82091 a poprzednim oszacowaniem trendu, T t-1. używając ciężarów 946 i 1-946: Interpretacja stałej wygładzania trendu 946 jest analogiczna do stałej wygładzania poziomu 945. Modele o małych wartościach 946 przyjmują, że trend zmienia się bardzo powoli w czasie, natomiast modele z większe 946 zakłada, że zmienia się szybciej. Model z dużym 946 uważa, że odległe jutro jest bardzo niepewne, ponieważ błędy w oszacowaniu trendów stają się dość ważne przy prognozowaniu na więcej niż jeden okres. (Powrót do początku strony.) Stałe wygładzania 945 i 946 można oszacować w zwykły sposób, minimalizując średni błąd kwadratowy prognoz 1-krokowych. Po wykonaniu tej czynności w Statgraphics, szacunkowe wartości wynoszą 945 0,3048 i 946 0,008. Bardzo mała wartość 946 oznacza, że model przyjmuje bardzo niewielką zmianę trendu z jednego okresu na następny, więc w zasadzie ten model próbuje oszacować długoterminowy trend. Analogicznie do pojęcia średniego wieku danych, które są używane do oszacowania lokalnego poziomu serii, średni wiek danych wykorzystywanych do oszacowania lokalnego trendu jest proporcjonalny do 1 946, chociaż nie jest dokładnie taki sam jak ten. . W tym przypadku okazuje się, że jest to 10.006 125. Nie jest to bardzo dokładna liczba, ponieważ dokładność oszacowania 946 wynosi 2182 tak naprawdę 3 miejsca po przecinku, ale jest tego samego ogólnego rzędu wielkości co wielkość próby 100, więc model ten uśrednia dość długą historię w szacowaniu trendu. Poniższy wykres prognozy pokazuje, że model LES szacuje nieco większy lokalny trend na końcu serii niż stały trend oszacowany w modelu SEStrend. Szacowana wartość 945 jest prawie identyczna z wartością uzyskaną przez dopasowanie modelu SES z trendem lub bez niego, więc jest to prawie ten sam model. Teraz, czy wyglądają one jak rozsądne prognozy dla modelu, który ma oszacować lokalny trend Jeśli wyobrazisz sobie 8220eyeball8221 ten wykres, wygląda na to, że lokalny trend spadł na końcu serii Co się stało Parametry tego modelu zostały oszacowane poprzez zminimalizowanie błędu kwadratów prognoz 1-krok naprzód, a nie prognoz długoterminowych, w którym to przypadku trend doesn8217t robi dużą różnicę. Jeśli wszystko, na co patrzysz, to błędy 1-etapowe, nie widzisz większego obrazu trendów w ciągu (powiedzmy) 10 lub 20 okresów. Aby uzyskać ten model lepiej dopasowany do ekstrapolacji danych przez gałkę oczną, możemy ręcznie dostosować stałą wygładzania trendu, aby wykorzystała krótszą linię podstawową do oszacowania trendu. Na przykład, jeśli zdecydujemy się ustawić 946 0,1, średnia wieku danych używanych do oszacowania trendu lokalnego wynosi 10 okresów, co oznacza, że uśredniamy trend w ciągu ostatnich 20 okresów. W tym przypadku wygląda wykres prognozy, jeśli ustawimy 946 0,1, zachowując 945 0,3. Jest to intuicyjnie uzasadnione dla tej serii, chociaż prawdopodobnie ekstrapolowanie tego trendu prawdopodobnie nie będzie dłuższe niż 10 okresów w przyszłości. A co ze statystykami błędów? Oto porównanie modeli dla dwóch modeli pokazanych powyżej oraz trzech modeli SES. Optymalna wartość 945. Dla modelu SES wynosi około 0,3, ale podobne wyniki (z odpowiednio mniejszą lub większą reaktywnością) uzyskuje się przy 0,5 i 0,2. (A) Holts linear exp. wygładzanie z alfa 0,3048 i beta 0,008 (B) Holts linear exp. wygładzanie z alfa 0.3 i beta 0.1 (C) Proste wygładzanie wykładnicze z alfa 0.5 (D) Proste wygładzanie wykładnicze z alfa 0.3 (E) Proste wykładnicze wygładzanie z alfa 0.2 Ich statystyki są prawie identyczne, więc naprawdę nie możemy dokonać wyboru na podstawie błędów prognozy 1-krokowej z wyprzedzeniem w próbie danych. Musimy odwołać się do innych kwestii. Jeśli mocno wierzymy, że oparcie obecnego szacunku trendu na tym, co wydarzyło się w ciągu ostatnich 20 okresów, ma sens, możemy postawić argumenty za modelem LES z 945 0,3 i 946 0,1. Jeśli chcemy być agnostyczni w kwestii, czy istnieje lokalny trend, to jeden z modeli SES może być łatwiejszy do wyjaśnienia, a także dałby więcej prognoz z centrum drogi na następne 5 lub 10 okresów. (Powrót do początku strony.) Który rodzaj ekstrapolacji trendów jest najlepszy: poziomy lub liniowy Dowody empiryczne sugerują, że jeśli dane zostały już skorygowane (w razie potrzeby) o inflację, może być nieostrożnością ekstrapolować krótkoterminowe liniowe trendy bardzo daleko w przyszłość. Dzisiejsze trendy mogą się w przyszłości zanikać ze względu na różne przyczyny, takie jak starzenie się produktów, zwiększona konkurencja i cykliczne spadki lub wzrosty w branży. Z tego powodu proste wygładzanie wykładnicze często zapewnia lepszą pozapróbkę, niż można by się było tego spodziewać, pomimo cytowania ekwiwalentu trendów poziomych. Tłumione modyfikacje trendów liniowego modelu wygładzania wykładniczego są również często stosowane w praktyce, aby wprowadzić nutę konserwatyzmu do swoich projekcji trendów. Model LES z tłumioną tendencją może być zaimplementowany jako specjalny przypadek modelu ARIMA, w szczególności modelu ARIMA (1,1,2). Możliwe jest obliczenie przedziałów ufności wokół długoterminowych prognoz generowanych przez modele wygładzania wykładniczego, poprzez uznanie ich za szczególne przypadki modeli ARIMA. (Uwaga: nie wszystkie programy poprawnie obliczają przedziały ufności dla tych modeli). Szerokość przedziałów ufności zależy od (i) błędu RMS modelu, (ii) rodzaju wygładzania (prostego lub liniowego) (iii) wartości (s) stałej (ów) wygładzania (-ych) i (iv) liczbę okresów, które prognozujesz. Ogólnie rzecz biorąc, interwały rozkładają się szybciej, gdy 945 staje się większy w modelu SES i rozprzestrzeniają się znacznie szybciej, gdy stosuje się liniowe zamiast prostego wygładzania. Ten temat jest omówiony dalej w sekcji modeli ARIMA notatek. (Powrót do początku strony.) Filtr wykładniczy Ta strona opisuje filtrowanie wykładnicze, najprostszy i najpopularniejszy filtr. Jest to część sekcji Filtrowanie, która jest częścią A Guide to Fault Detection and Diagnosis. Przegląd, stała czasowa i ekwiwalent analogowy Najprostszym filtrem jest filtr wykładniczy. Ma tylko jeden parametr strojenia (inny niż interwał próbki). Wymaga przechowywania tylko jednej zmiennej - poprzedniego wyjścia. Jest to filtr IIR (autoregresyjny) - efekty zmiany wejścia zanikają w postępie geometrycznym do momentu, w którym kryją się ograniczenia wyświetlania lub arytmetyki komputerowej. W różnych dyscyplinach użycie tego filtra jest również określane jako 8220 wygładzanie wykładnicze 8221. W niektórych dyscyplinach, takich jak analiza inwestycji, filtr wykładniczy jest nazywany 8220 średnią ważoną średnią ruchomą 8221 (EWMA) lub tylko 8220 średnią ruchomą 8221 (EMA). To nadużywa tradycyjnej terminologii ARMA 8220 o średniej 8221 analizy szeregów czasowych, ponieważ nie ma historii wejściowej, która jest używana - tylko bieżące wejście. Jest to dyskretny odpowiednik czasu 8220 pierwszego rzędu lag8221 powszechnie stosowanego w analogowym modelowaniu systemów sterowania w czasie ciągłym. W obwodach elektrycznych filtr RC (filtr z jednym rezystorem i jeden kondensator) jest opóźnieniem pierwszego rzędu. Podkreślając analogię do obwodów analogowych, pojedynczym parametrem strojenia jest stała 8220time 8221, zwykle zapisywana jako mała litera grecka Tau (). W rzeczywistości wartości w dyskretnych czasach próbki dokładnie odpowiadają równoważnemu ciągłemu opóźnieniu czasowemu z tą samą stałą czasową. Związek pomiędzy implementacją cyfrową a stałą czasową pokazano w równaniach poniżej. Wykładnicze równania filtrów i inicjalizacja Filtr wykładniczy jest ważoną kombinacją poprzedniego oszacowania (wyniku) z najnowszymi danymi wejściowymi, z sumą wag równą 1, aby wyjście dopasowało dane wejściowe w stanie ustalonym. Po wprowadzonej już notacji filtra: y (k) ay (k-1) (1-a) x (k) gdzie x (k) to surowe wejście w kroku czasowym ky (k) to przefiltrowane wyjście w kroku czasowym ka jest stałą między 0 a 1, zwykle od 0,8 do 0,99. (a-1) lub a jest czasami nazywane stałą 8220smoothing8221. W systemach ze stałym przedziałem czasowym T między próbkami stała 8220a8221 jest obliczana i przechowywana dla wygody tylko wtedy, gdy twórca aplikacji określa nową wartość pożądanej stałej czasowej. W przypadku systemów z próbkowaniem danych w nieregularnych odstępach czasu, funkcja wykładnicza powyżej musi być stosowana z każdym krokiem czasu, gdzie T jest czasem od poprzedniej próbki. Wyjście filtra jest zwykle inicjowane w celu dopasowania do pierwszego wejścia. Gdy stała czasowa zbliża się do 0, a przechodzi do zera, więc nie ma filtrowania 8211, wynik jest równy nowemu sygnałowi wejściowemu. Ponieważ stała czasowa staje się bardzo duża, podejście 1, tak że nowe wejście jest prawie ignorowane 8211 bardzo intensywne filtrowanie. Powyższe równanie filtru można przestawić na następujący odpowiednik korektor-predykator: Ta forma sprawia, że bardziej zrozumiałe jest, że oszacowanie zmiennej (dane wyjściowe filtru) jest przewidywane jako niezmienione względem poprzedniego oszacowania y (k-1) plus składnik oparty na korekcie na nieoczekiwanym 8220innovation8221 - różnica między nowym wejściem x (k) a prognozą y (k-1). Ta forma jest również wynikiem wyprowadzenia filtru wykładniczego jako prostego specjalnego przypadku filtra Kalmana. który jest optymalnym rozwiązaniem problemu estymacji z określonym zestawem założeń. Reakcja krokowa Jednym ze sposobów wizualizacji działania filtra wykładniczego jest wykreślenie jego reakcji w czasie do wejścia krokowego. Oznacza to, że począwszy od wejścia i wyjścia filtra na 0, wartość wejściowa zostaje nagle zmieniona na 1. Wynikowe wartości są przedstawione poniżej: Na powyższym wykresie czas jest podzielony przez stałą czasową filtra tau, aby można było łatwiej przewidzieć wyniki dla dowolnego okresu, dla dowolnej wartości stałej czasowej filtra. Po czasie równym stałej czasowej wydajność filtra wzrasta do 63,21 wartości końcowej. Po czasie równym 2 wartościom czasowym wartość wzrasta do 86,47 wartości końcowej. Wyjścia po czasach równych 3,4 i 5 stałych czasowych wynoszą odpowiednio 95,02, 98,17 i 99,33 wartości końcowej. Ponieważ filtr jest liniowy, oznacza to, że te wartości procentowe mogą być użyte dla dowolnej wielkości zmiany kroku, nie tylko dla wartości 1 użytej w tym miejscu. Chociaż reakcja skokowa w teorii zabiera nieskończony czas, z praktycznego punktu widzenia, myślę o filtrze wykładniczym jako od 98 do 99 8220done8221 odpowiadającemu po czasie równym 4 do 5 stałych czasowych filtrowania. Wariacje na filtrze wykładniczym Istnieje odmiana filtru wykładniczego o nazwie 8220 nieliniowy filtr wykładniczy8221 Weber, 1980. przeznaczony do silnego filtrowania szumów o pewnej 8220typowej amplitudzie 8221, ale następnie szybciej reaguje na większe zmiany. Copyright 2017 - 2017, Greg Stanley Udostępnij tę stronę:
No comments:
Post a Comment