Moyennes mobiles simples font ressortir les tendances Les moyennes mobiles (MA) sont l'un des indicateurs techniques les plus populaires et souvent utilisés. La moyenne mobile est facile à calculer et, une fois tracée sur un graphique, est un puissant outil de repérage visuel. Vous entendrez souvent parler de trois types de moyenne mobile: simple. Exponentielle et linéaire. Le meilleur endroit pour commencer est de comprendre le plus élémentaire: la moyenne mobile simple (SMA). Permet de jeter un oeil à cet indicateur et comment il peut aider les commerçants suivre les tendances vers des profits plus importants. (Pour en savoir plus sur les moyennes mobiles, consultez notre didacticiel Forex.) Tendances Il ne peut y avoir une compréhension complète des moyennes mobiles sans une compréhension des tendances. Une tendance est tout simplement un prix qui continue de se déplacer dans une certaine direction. Il n'y a que trois tendances réelles qu'une sécurité peut suivre: une tendance haussière. Ou la tendance haussière, signifie que le prix est en mouvement plus élevé. Une tendance baissière. Ou tendance baissière, signifie que le prix se déplace plus bas. Une tendance latérale. Où le prix se déplace latéralement. La chose importante à retenir sur les tendances est que les prix se déplacent rarement en ligne droite. Par conséquent, les lignes de moyenne mobile sont utilisées pour aider un commerçant à identifier plus facilement la direction de la tendance. Construction de moyenne mobile La définition de moyenne mobile d'une moyenne mobile est un prix moyen pour une valeur de sécurité à l'aide d'une période de temps spécifiée. Pour plus d'informations sur ce sujet, consultez la rubrique Principes fondamentaux des bandes de Bollinger et des enveloppes mobiles moyennes. Prenons la moyenne mobile très populaire de 50 jours comme exemple. Une moyenne mobile de 50 jours est calculée en prenant les cours de clôture des 50 derniers jours de tout titre et en les ajoutant ensemble. Le résultat du calcul d'addition est alors divisé par le nombre de périodes, dans ce cas 50. Pour continuer à calculer la moyenne mobile sur une base quotidienne, remplacez le plus ancien numéro par le cours de clôture le plus récent et faites le même calcul. Peu importe la longueur ou la longueur d'une moyenne mobile que vous cherchez à tracer, les calculs de base restent les mêmes. Le changement sera dans le nombre de prix de clôture que vous utilisez. Ainsi, par exemple, une moyenne mobile de 200 jours est le prix de clôture pour 200 jours additionnés puis divisé par 200. Vous verrez toutes sortes de moyennes mobiles, à partir de moyennes mobiles de deux jours à 250 jours des moyennes mobiles. Il est important de se rappeler que vous devez avoir un certain nombre de prix de clôture pour calculer la moyenne mobile. Si un titre est neuf ou seulement un mois, vous ne serez pas en mesure de faire une moyenne mobile de 50 jours parce que vous n'aurez pas un nombre suffisant de points de données. De plus, il est important de noter que nous avons choisi d'utiliser les cours de clôture dans les calculs, mais les moyennes mobiles peuvent être calculées en utilisant les prix mensuels, les prix hebdomadaires, les prix d'ouverture ou même les prix intraday. Figure 1: Une moyenne mobile simple dans Google Inc. La figure 1 est un exemple d'une moyenne mobile simple sur un graphique boursier de Google Inc. (Nasdaq: GOOG). La ligne bleue représente une moyenne mobile de 50 jours. Dans l'exemple ci-dessus, vous pouvez voir que la tendance a été en baisse plus bas depuis fin 2007. Le prix des actions Google est tombé en dessous de la moyenne mobile de 50 jours en Janvier 2008 et a continué à la baisse. Lorsque le prix passe au-dessous d'une moyenne mobile, il peut être utilisé comme un simple signal de trading. Un mouvement au-dessous de la moyenne mobile (comme indiqué ci-dessus) suggère que les ours contrôlent l'action de prix et que l'actif se déplacera probablement plus bas. Inversement, une croix au-dessus d'une moyenne mobile suggère que les taureaux sont dans le contrôle et que le prix peut se préparer à faire un mouvement plus élevé. Autres façons d'utiliser les moyennes mobiles Moyennes mobiles sont utilisés par de nombreux commerçants non seulement pour identifier une tendance actuelle, mais aussi comme une stratégie d'entrée et de sortie. L'une des stratégies les plus simples repose sur le franchissement de deux moyennes mobiles ou plus. Le signal de base est donné lorsque la moyenne à court terme passe au-dessus ou au-dessous de la moyenne mobile à plus long terme. Deux ou plusieurs moyennes mobiles vous permettent de voir une tendance à plus long terme par rapport à une moyenne mobile à court terme, il est également une méthode facile pour déterminer si la tendance est de gagner en force ou si elle est sur le point de renverser. Figure 2: Une moyenne mobile à long terme et à plus court terme dans Google Inc. La figure 2 utilise deux moyennes mobiles, une à long terme (50 jours, illustrée par la figure 2). Ligne bleue) et l'autre terme plus court (15 jours, indiqué par la ligne rouge). Il s'agit du même graphique Google montré à la figure 1, mais avec l'addition des deux moyennes mobiles pour illustrer la différence entre les deux longueurs. Vous remarquerez que la moyenne mobile de 50 jours est plus lente pour s'adapter aux changements de prix. Car il utilise plus de points de données dans son calcul. D'autre part, la moyenne mobile de 15 jours est rapide pour répondre aux changements de prix, parce que chaque valeur a une plus grande pondération dans le calcul en raison de l'horizon de temps relativement court. Dans ce cas, en utilisant une stratégie croisée, vous devriez regarder pour la moyenne de 15 jours pour passer en dessous de la moyenne mobile de 50 jours comme une entrée pour une position courte. Figure 3: Une période de trois mois Le tableau ci-dessus est un graphique trimestriel de United States Oil (AMEX: USO) avec deux moyennes mobiles simples. La ligne rouge représente la moyenne mobile la plus courte de 15 jours, alors que la ligne bleue représente la moyenne mobile la plus longue de 50 jours. La plupart des commerçants utilisent la croix de la moyenne mobile à court terme au-dessus de la moyenne mobile à plus long terme pour lancer une position longue et d'identifier le début d'une tendance haussière. (En savoir plus sur l'application de cette stratégie dans Trading The MACD Divergence.) Le soutien est établi quand un prix est tendance vers le bas. Il ya un point où la pression de vente diminue et les acheteurs sont prêts à intervenir. En d'autres termes, un plancher est établi. La résistance se produit quand un prix tend vers le haut. Il arrive un moment où la force d'achat diminue et les vendeurs interviennent. Cela établirait un plafond. Dans les deux cas, une moyenne mobile peut être en mesure de signaler un support précoce ou un niveau de résistance. Par exemple, si une sécurité est à la dérive plus bas dans une tendance haussière établie, alors il ne serait pas surprenant de voir le soutien stock trouver à long terme 200 jours moyenne mobile. D'autre part, si le prix tend vers le bas, de nombreux commerçants regarderont pour le stock de rebondir sur la résistance des moyennes mobiles majeures (50, 100 jours, 200 jours SMA). (Pour en savoir plus sur l'utilisation du support et la résistance à identifier les tendances, lisez Trend-Spotting avec la ligne de collecte. Distribution.) Conclusion Les moyennes mobiles sont des outils puissants. Une simple moyenne mobile est facile à calculer, ce qui lui permet d'être utilisé assez rapidement et facilement. Moyens mobiles une plus grande force est sa capacité à aider un commerçant d'identifier une tendance actuelle ou de repérer une inversion de tendance possible. Les moyennes mobiles peuvent également identifier un niveau de support ou de résistance pour la sécurité, ou agir comme un simple signal d'entrée ou de sortie. La façon dont vous choisissez d'utiliser les moyennes mobiles est entièrement à vous. Le ratio de Sharpe est une mesure pour calculer le rendement ajusté au risque, et ce ratio est devenu la norme de l'industrie pour de tels. Le fonds de roulement est une mesure à la fois de l'efficacité d'une entreprise et de sa santé financière à court terme. Le fonds de roulement est calculé. L'Environmental Protection Agency (EPA) a été créée en décembre 1970 sous la présidence du président américain Richard Nixon. Le. Un règlement mis en œuvre le 1er janvier 1994, qui a diminué et a finalement éliminé les tarifs douaniers pour encourager l'activité économique. Une norme permettant de mesurer la performance d'un titre, d'un fonds commun de placement ou d'un gestionnaire de placements. Le portefeuille mobile est un portefeuille virtuel qui stocke les informations de carte de paiement sur un appareil mobile. Méthodes de séries chronologiques Les méthodes de séries chronologiques sont des techniques statistiques qui utilisent des données historiques accumulées sur une période de temps. Les méthodes de séries chronologiques supposent que ce qui s'est passé dans le passé continuera à se produire à l'avenir. Comme le suggère le nom des séries chronologiques, ces méthodes relient la prévision à un seul facteur - temps. Ils incluent la moyenne mobile, le lissage exponentiel et la ligne de tendance linéaire et ils sont parmi les méthodes les plus populaires pour la prévision à courte portée parmi les entreprises de services et de fabrication. Ces méthodes supposent que des tendances historiques identifiables ou des tendances de la demande au fil du temps se reproduiront. Moyenne mobile Une prévision de séries chronologiques peut être aussi simple que d'utiliser la demande dans la période en cours pour prédire la demande au cours de la période suivante. C'est ce qu'on appelle parfois une prévision naïve ou intuitive. 4 Par exemple, si la demande est de 100 unités cette semaine, la prévision pour les prochaines semaines demande est de 100 unités si la demande se révèle être de 90 unités à la place, puis la demande des semaines suivantes est de 90 unités, et ainsi de suite. Ce type de méthode de prévision ne prend pas en compte le comportement historique de la demande, il ne dépend que de la demande dans la période courante. Il réagit directement aux mouvements normaux et aléatoires de la demande. La méthode de la moyenne mobile simple utilise plusieurs valeurs de demande au cours du passé récent pour élaborer une prévision. Cela tend à amortir, ou à lisser, les augmentations et les baisses aléatoires d'une prévision qui n'utilise qu'une seule période. La moyenne mobile simple est utile pour la prévision de la demande qui est stable et ne montre pas de comportement prononcé de la demande, comme une tendance ou un schéma saisonnier. Les moyennes mobiles sont calculées pour des périodes spécifiques, comme trois mois ou cinq mois, selon la mesure dans laquelle le prévisionniste désire lisser les données de la demande. Plus la période de la moyenne mobile est longue, plus elle sera lisse. La formule pour calculer la moyenne mobile simple est de calculer une moyenne mobile simple La société de fournitures de bureau Instant Paper Clip vend et fournit des fournitures de bureau aux entreprises, écoles et agences dans un rayon de 50 milles de son entrepôt. L'offre de fournitures de bureau est concurrentielle et la capacité de livrer rapidement des commandes est un facteur qui permet d'obtenir de nouveaux clients et de conserver les anciens. (Les bureaux ne commandent généralement pas quand ils manquent de fournitures, mais quand ils sont complètement épuisés. Par conséquent, ils ont besoin de leurs commandes immédiatement.) Le gestionnaire de la société veut être certain que les conducteurs et les véhicules sont disponibles pour livrer les commandes rapidement et Ils ont un inventaire adéquat en stock. Par conséquent, le gestionnaire souhaite pouvoir prévoir le nombre d'ordres qui se produiront au cours du mois suivant (c'est-à-dire prévoir la demande pour les livraisons). À partir des enregistrements des ordres de livraison, la direction a accumulé les données suivantes pour les 10 derniers mois, à partir de laquelle il veut calculer des moyennes mobiles de 3 et 5 mois. Supposons que c'est la fin d'octobre. La prévision résultant soit de la moyenne mobile à 3 ou 5 mois est généralement pour le mois suivant dans la séquence, qui dans ce cas est Novembre. La moyenne mobile est calculée à partir de la demande pour les ordres pour les 3 mois précédents dans la séquence selon la formule suivante: La moyenne mobile sur 5 mois est calculée à partir des données de la demande précédente de 5 mois comme suit: Les 3 et 5 mois Les prévisions de moyenne mobile pour tous les mois de données sur la demande sont présentées dans le tableau suivant. En fait, seule la prévision pour novembre, basée sur la plus récente demande mensuelle, serait utilisée par le gestionnaire. Cependant, les prévisions antérieures pour les mois précédents nous permettent de comparer la prévision avec la demande réelle pour voir à quel point la méthode de prévision est précise, c'est-à-dire comment elle fonctionne. Moyennes de trois et cinq mois Les deux prévisions de la moyenne mobile dans le tableau ci-dessus tendent à lisser la variabilité des données réelles. Cet effet de lissage peut être observé dans la figure suivante où les moyennes sur 3 mois et sur 5 mois ont été superposées à un graphique des données originales: La moyenne mobile sur 5 mois de la figure précédente lisse les fluctuations dans une plus grande mesure que La moyenne mobile de 3 mois. Toutefois, la moyenne sur 3 mois reflète plus fidèlement les données les plus récentes dont dispose le gestionnaire de l'offre de bureau. En général, les prévisions utilisant la moyenne mobile à plus longue période sont plus lentes à réagir aux changements récents de la demande que ne le feraient les moyennes mobiles à plus courte période. Les périodes supplémentaires de données ralentissent la vitesse avec laquelle la prévision répond. L'établissement du nombre approprié de périodes à utiliser dans une prévision moyenne mobile nécessite souvent une certaine quantité d'essais expérimentaux. L'inconvénient de la méthode de la moyenne mobile est qu'il ne réagit pas aux variations qui se produisent pour une raison, comme les cycles et les effets saisonniers. Les facteurs qui provoquent des changements sont généralement ignorés. Il s'agit essentiellement d'une méthode mécanique, qui reflète les données historiques d'une manière cohérente. Cependant, la méthode de la moyenne mobile présente l'avantage d'être facile à utiliser, rapide et relativement peu coûteuse. En général, cette méthode peut fournir une bonne prévision à court terme, mais elle ne doit pas être poussée trop loin dans l'avenir. Moyenne mobile pondérée La méthode de la moyenne mobile peut être ajustée pour refléter plus étroitement les fluctuations des données. Dans la méthode de la moyenne mobile pondérée, les pondérations sont affectées aux données les plus récentes selon la formule suivante: Les données de demande pour PM Computer Services (indiquées dans le tableau de l'exemple 10.3) semblent suivre une tendance linéaire croissante. L'entreprise veut calculer une ligne de tendance linéaire pour voir si elle est plus précise que le lissage exponentiel et les prévisions de lissage exponentielles ajustées développées dans les exemples 10.3 et 10.4. Les valeurs requises pour les calculs des moindres carrés sont les suivantes: En utilisant ces valeurs, les paramètres de la ligne de tendance linéaire sont calculés comme suit: Pour calculer une prévision pour la période 13, soit x 13 dans la droite linéaire Ligne de tendance: Le graphique suivant montre la ligne de tendance linéaire par rapport aux données réelles. La ligne de tendance semble refléter étroitement les données réelles - c'est-à-dire être un bon ajustement - et serait donc un bon modèle de prévision pour ce problème. Cependant, un inconvénient de la ligne de tendance linéaire est qu'il ne s'adaptera pas à un changement dans la tendance, comme c'est le cas pour les méthodes de prévision exponentielle du lissage, on suppose que toutes les prévisions futures suivront une ligne droite. Cela limite l'utilisation de cette méthode à un délai plus court dans lequel vous pouvez être relativement certain que la tendance ne changera pas. Ajustements saisonniers Un schéma saisonnier est une augmentation et une diminution répétitives de la demande. De nombreux articles de demande présentent un comportement saisonnier. Les ventes de vêtements suivent les tendances saisonnières annuelles, la demande de vêtements chauds augmentant à l'automne et à l'hiver et diminuant au printemps et en été alors que la demande de vêtements plus froids augmente. La demande pour de nombreux articles de vente au détail, y compris les jouets, les équipements sportifs, les vêtements, les appareils électroniques, les jambons, les dindes, le vin et les fruits, augmente pendant la période des Fêtes. La demande de carte de voeux augmente parallèlement à des jours spéciaux tels que le jour de la Saint Valentin et la fête des Mères. Les profils saisonniers peuvent également se produire sur une base mensuelle, hebdomadaire, ou même quotidienne. Certains restaurants ont une demande plus élevée dans la soirée que le déjeuner ou le week-end par opposition à la semaine. Le trafic - donc les ventes - dans les centres commerciaux reprend vendredi et samedi. Il existe plusieurs méthodes pour refléter les tendances saisonnières dans une série chronologique. Nous allons décrire une des méthodes plus simples utilisant un facteur saisonnier. Un facteur saisonnier est une valeur numérique qui est multipliée par la prévision normale pour obtenir une prévision désaisonnalisée. Une méthode pour développer une demande de facteurs saisonniers consiste à diviser la demande pour chaque période saisonnière par la demande annuelle totale, selon la formule suivante: Les facteurs saisonniers résultants entre 0 et 1,0 sont en fait la part de la demande annuelle totale attribuée à chaque saison. Ces facteurs saisonniers sont multipliés par la demande annuelle prévue pour produire des prévisions ajustées pour chaque saison. Calculer une prévision avec des ajustements saisonniers Wishbone Farms cultive des dindes pour vendre à une entreprise de transformation de la viande tout au long de l'année. Cependant, sa période de pointe est évidemment au cours du quatrième trimestre de l'année, d'octobre à décembre. La demande de dindons pour les trois dernières années est la suivante: Puisque nous disposons de trois années de données sur la demande, nous pouvons calculer les facteurs saisonniers en divisant la demande trimestrielle totale pour les trois années par la demande totale pour les trois années : Ensuite, nous voulons multiplier la demande prévue pour l'année prochaine, 2000, par chacun des facteurs saisonniers pour obtenir la demande prévue pour chaque trimestre. Pour ce faire, nous avons besoin d'une prévision de la demande pour 2000. Dans ce cas, puisque les données sur la demande dans le tableau semblent afficher une tendance généralement croissante, nous calculons une ligne de tendance linéaire pour les trois années de données dans le tableau pour obtenir un Estimation de prévision: Ainsi, la prévision pour 2000 est 58.17, ou 58.170 dindes. En comparant ces prévisions trimestrielles avec les valeurs réelles de la demande dans le tableau, ces prévisions annuelles semblent être relativement bonnes, reflétant à la fois les variations saisonnières des données et La tendance générale à la hausse. 10-12. Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel 10-13. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage 10-14. Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel 10-15. Ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté 10-16. Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle au cours de la première période. Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. 10-17. Comment le modèle de prévision de ligne de tendance linéaire diffère-t-il d'un modèle de régression linéaire pour les prévisions 10-18. Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Quels avantages le lissage exponentiel ajusté a-t-il sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance 4 K. Kahn et J. T. Mentzer, Prévisions dans les marchés de consommation et industriels, The Journal of Business Forecasting 14, no. 2 (été 1995): 21-28.Préparation de l'ajustement saisonnier et du lissage exponentiel Il est facile d'effectuer un ajustement saisonnier et d'ajuster des modèles de lissage exponentiels à l'aide d'Excel. Les images et diagrammes d'écran ci-dessous sont tirés d'une feuille de calcul qui a été configurée pour illustrer l'ajustement saisonnier multiplicatif et le lissage exponentiel linéaire sur les données de ventes trimestrielles suivantes de Outboard Marine: Pour obtenir une copie du fichier de feuille de calcul lui-même, cliquez ici. La version de lissage linéaire exponentielle qui sera utilisée ici à des fins de démonstration est la version Brown8217s, simplement parce qu'elle peut être implémentée avec une seule colonne de formules et qu'il n'y a qu'une seule constante de lissage à optimiser. Habituellement, il est préférable d'utiliser la version Holt8217s qui dispose de constantes de lissage distinctes pour le niveau et la tendance. Le processus de prévision se déroule comme suit: (i) d'abord les données sont désaisonnalisées (ii) ensuite les prévisions sont générées pour les données désaisonnalisées par lissage exponentiel linéaire et (iii) enfin les prévisions désaisonnalisées sont quasiment saisonnalisées pour obtenir des prévisions pour la série originale . Le processus d'ajustement saisonnier est effectué dans les colonnes D à G. La première étape de l'ajustement saisonnier est de calculer une moyenne mobile centrée (effectuée ici dans la colonne D). Cela peut se faire en prenant la moyenne de deux moyennes sur une année qui sont compensées par une période l'une par rapport à l'autre. (Une combinaison de deux moyennes de décalage plutôt qu'une moyenne simple est nécessaire pour des fins de centrage lorsque le nombre de saisons est pair.) L'étape suivante consiste à calculer le rapport à la moyenne mobile - ie. Les données originales sont divisées par la moyenne mobile dans chaque période - ce qui est réalisé ici dans la colonne E. (On appelle également cette composante du cycle quottrend-cycle, dans la mesure où les effets de tendance et de cycle d'affaires peuvent être considérés comme étant tout ce que Il est évident que les variations mensuelles qui ne sont pas dues à la saisonnalité pourraient être déterminées par de nombreux autres facteurs, mais la moyenne sur douze mois les lisse dans une large mesure. L'indice saisonnier estimé pour chaque saison est calculé en faisant la moyenne d'abord de tous les ratios pour cette saison particulière, qui est effectuée dans les cellules G3-G6 en utilisant une formule AVERAGEIF. Les ratios moyens sont alors redimensionnés de sorte qu'ils totalisent exactement 100 fois le nombre de périodes dans une saison, ou 400 dans ce cas, ce qui est fait dans les cellules H3-H6. Dans la colonne F, les formules VLOOKUP sont utilisées pour insérer la valeur d'indice saisonnier appropriée dans chaque ligne du tableau de données, en fonction du trimestre de l'année où il est représenté. La moyenne mobile centrée et les données désaisonnalisées se terminent comme suit: Notez que la moyenne mobile ressemble généralement à une version plus lisse de la série désaisonnalisée et qu'elle est plus courte aux deux extrémités. Une autre feuille de calcul dans le même fichier Excel montre l'application du modèle de lissage exponentiel linéaire aux données désaisonnalisées, commençant dans la colonne G. Une valeur pour la constante de lissage (alpha) est entrée au-dessus de la colonne de prévision (ici, dans la cellule H9) et Pour plus de commodité, on lui attribue le nom de la plage quotAlpha. quot (Le nom est attribué à l'aide de la commande quotInsertNameCreatequot). Le modèle LES est initialisé en définissant les deux premières prévisions égales à la première valeur réelle de la série désaisonnalisée. La formule utilisée ici pour la prévision des LES est la forme récursive à une seule équation du modèle Brown8217s: Cette formule est saisie dans la cellule correspondant à la troisième période (ici, cellule H15) et copiée à partir de là. On remarque que les prévisions ERP pour la période courante se réfèrent aux deux observations précédentes et aux deux erreurs de prévision précédentes, ainsi qu'à la valeur de alpha. Ainsi, la formule de prévision de la rangée 15 se réfère uniquement aux données qui étaient disponibles dans la rangée 14 et antérieures. (Bien sûr, si on voulait utiliser le lissage exponentiel linéaire plutôt que linéaire, nous pourrions remplacer la formule SES ici.) On pourrait aussi utiliser Holt8217s plutôt que le modèle LES de Brown8217s, ce qui nécessiterait deux autres colonnes de formules pour calculer le niveau et la tendance Qui sont utilisés dans la prévision). Les erreurs sont calculées dans la colonne suivante (ici, colonne J) en soustrayant les prévisions des valeurs réelles. L'erreur quadratique moyenne est calculée comme étant la racine carrée de la variance des erreurs plus le carré de la moyenne. (Cela résulte de l'identité mathématique: VARIANCE MSE (erreurs) (AVERAGE (erreurs)) 2). Dans le calcul de la moyenne et de la variance des erreurs dans cette formule, les deux premières périodes sont exclues parce que le modèle ne commence effectivement à prévoir que La troisième période (ligne 15 sur le tableur). La valeur optimale de alpha peut être trouvée soit en changeant manuellement alpha jusqu'à ce que le RMSE minimum soit trouvé, soit vous pouvez utiliser le quotSolverquot pour effectuer une minimisation exacte. La valeur de alpha que le Solver a trouvée est affichée ici (alpha0.471). C'est généralement une bonne idée de tracer les erreurs du modèle (en unités transformées) et aussi de calculer et de tracer leurs autocorrélations à des décalages de jusqu'à une saison. Voici une courbe chronologique des erreurs (désaisonnalisées): Les autocorrélations d'erreur sont calculées à l'aide de la fonction CORREL () pour calculer les corrélations des erreurs avec elles-mêmes retardées par une ou plusieurs périodes - les détails sont indiqués dans le modèle de feuille de calcul . Voici une trame des autocorrélations des erreurs aux cinq premiers décalages: Les autocorrélations aux intervalles 1 à 3 sont très proches de zéro, mais la pointe au retard 4 (dont la valeur est 0,35) est légèrement gênante - elle suggère que la Le processus d'ajustement saisonnier n'a pas été complètement réussi. Cependant, il n'est en fait que marginalement significatif. 95 pour déterminer si les autocorrélations sont significativement différentes de zéro sont approximativement plus-ou-moins 2SQRT (n-k), où n est la taille de l'échantillon et k le retard. Ici n est 38 et k varie de 1 à 5, donc la racine carrée de - n-moins-k est d'environ 6 pour tous, et donc les limites pour tester la signification statistique des écarts à partir de zéro sont plus ou moins plus - Ou-moins 26 ou 0,33. Si vous modifiez la valeur de l'alpha à la main dans ce modèle Excel, vous pouvez observer l'effet sur la série temporelle et les diagrammes d'autocorrélation des erreurs, ainsi que sur l'erreur quadratique moyenne qui sera illustrée ci-dessous. Au bas de la feuille de calcul, la formule de prévision est quotbootstrappée à l'avenir en substituant simplement les prévisions aux valeurs réelles au point où les données réelles s'épuisent, c'est-à-dire. Où l'avenir commence. (En d'autres termes, dans chaque cellule où une future valeur de données se produirait, une référence de cellule est insérée qui pointe vers la prévision faite pour cette période.) Toutes les autres formules sont simplement copiées vers le bas depuis le dessus: Notez que les erreurs pour les prévisions de L'avenir sont tous calculés à zéro. Cela ne signifie pas que les erreurs réelles seront nulles, mais plutôt que cela reflète simplement le fait qu'à des fins de prédiction, nous supposons que les données futures seront égales aux prévisions en moyenne. Les prévisions des ERP résultant pour les données désaisonnalisées ressemblent à ceci: Avec cette valeur particulière de alpha, qui est optimale pour les prévisions à une période d'avance, la tendance projetée est légèrement à la hausse, reflétant la tendance locale qui a été observée au cours des 2 dernières années Ou plus. Pour d'autres valeurs d'alpha, une projection de tendance très différente pourrait être obtenue. C'est généralement une bonne idée de voir ce qui arrive à la projection de tendance à long terme lorsque alpha est varié, parce que la valeur qui est la meilleure pour la prévision à court terme ne sera pas nécessairement la meilleure valeur pour prédire l'avenir plus lointain. Par exemple, voici le résultat qui est obtenu si la valeur de alpha est réglée manuellement à 0.25: La tendance à long terme projetée est maintenant négative plutôt que positive Avec une plus petite valeur d'alpha, le modèle place plus de poids sur les données plus anciennes Son estimation du niveau et de la tendance actuels et ses prévisions à long terme reflètent la tendance à la baisse observée au cours des cinq dernières années plutôt que la tendance à la hausse plus récente. Ce diagramme illustre également clairement comment le modèle avec une plus petite valeur d'alpha est plus lent à répondre aux points de quotturning dans les données et tend donc à faire une erreur du même signe pendant de nombreuses périodes d'affilée. Ses erreurs de prévision à 1 pas sont plus élevées en moyenne que celles obtenues avant (RMSE de 34,4 plutôt que 27,4) et fortement positivement autocorrélées. L'autocorrélation lag-1 de 0,56 dépasse de beaucoup la valeur de 0,33 calculée ci-dessus pour un écart statistiquement significatif par rapport à zéro. Comme alternative à la réduction de la valeur de l'alpha afin d'introduire plus de conservatisme dans les prévisions à long terme, un facteur quottrend d'amortissement est parfois ajouté au modèle afin de rendre la tendance projetée aplatir après quelques périodes. La dernière étape de la construction du modèle de prévision consiste à quantifier les prévisions ERP en les multipliant par les indices saisonniers appropriés. Ainsi, les prévisions saisonnières de la colonne I ne sont que le produit des indices saisonniers de la colonne F et des prévisions des prévisions saisonnières corrigées des variations saisonnières dans la colonne H. Il est relativement facile de calculer les intervalles de confiance pour les prévisions à une étape de ce modèle: Calculer le RMSE (erreur quadratique moyenne équivaut à la racine carrée du MSE), puis calculer un intervalle de confiance pour la prévision désaisonnalisée en ajoutant et en soustrayant deux fois le RMSE. (En général, un intervalle de confiance de 95 pour une prévision à une période d'avance est approximativement égal à la prévision de point plus ou moins deux fois l'écart type estimé des erreurs de prévision, en supposant que la distribution des erreurs est approximativement normale et que la taille de l'échantillon Est assez grand, disons, 20 ou plus. Ceci, le RMSE plutôt que l'écart type de l'échantillon des erreurs est la meilleure estimation de l'écart-type des erreurs de prévisions futures car il prend le biais ainsi que les variations aléatoires en compte.) Les limites de confiance Pour les prévisions corrigées des variations saisonnières sont ensuite recalées. Ainsi que les prévisions, en les multipliant par les indices saisonniers appropriés. Dans ce cas, le RMSE est égal à 27,4 et la prévision désaisonnalisée pour la première période future (décembre 93) est de 273,2. De sorte que l'intervalle de confiance corrigé des variations saisonnières est de 273,2-227,4 218,4 à 273,227,4 328,0. Multipliant ces limites par Decembers indice saisonnier de 68,61. Nous obtenons des limites de confiance inférieures et supérieures de 149,8 et 225,0 autour de la prévision ponctuelle de 187,4 déc-93. Les limites de confiance pour les prévisions plus d'une période à venir s'élargiront généralement à mesure que l'horizon de prévision augmente, en raison de l'incertitude concernant le niveau et la tendance ainsi que les facteurs saisonniers, mais il est difficile de les calculer en général par des méthodes analytiques. (La méthode appropriée pour calculer les limites de confiance pour la prévision des ERI est en utilisant la théorie ARIMA, mais l'incertitude dans les indices saisonniers est une autre question.) Si vous voulez un intervalle de confiance réaliste pour une prévision plus d'une période à venir, en prenant toutes les sources de , Il vaut mieux utiliser des méthodes empiriques: par exemple, pour obtenir un intervalle de confiance pour une prévision à deux étapes, vous pouvez créer une autre colonne sur le tableur pour calculer une prévision à 2 étapes pour chaque période ( En amorçant la prévision en une étape). Calculez ensuite le RMSE des erreurs de prévision à 2 pas et utilisez ceci comme base pour un intervalle de confiance en 2 étapes.
No comments:
Post a Comment