Ruby eenvoudige bewegende gemiddelde

Ek probeer om bewegende gemiddeldes (eenvoudige en eksponensiële) te bereken en ek het oor die simplestatistics juweel, wat perfek is vir my behoeftes kom. Ek probeer om die kode van hierdie skakel verander: Hoe om eenvoudige bewegende gemiddelde te bereken) vir my doeleindes. GOAL: Ek het 'n into soos hierdie wat historiese pryse lys vir 'n enkele voorraad oor 'n lang tydperk: Om hierdie, sou ek graag wou bewegende gemiddeldes te voeg vir elke dag (eenvoudige en eksponensiële - wat die simplestatistics juweel lyk maklik doen) vir 20, en 50 dae gemiddeldes (en ander soos vereis) so dit sou so iets verskyn vir elke dag: Ek sou verkies om die yahoofinance gebruik, en simplestatistics juwele en dan voeg die uitset na die oorspronklike into as ek het 'n gevoel dat sodra Ek kry 'n beter begrip, sal dit makliker vir my om te verander nie. Op die oomblik is, Im nog te lees oor hoe ek dit sal doen (enige hulp sal waardeer word) Hieronder is my poging om 'n 20 dag eenvoudig bewegende gemiddelde vir Microsoft (nie die geval werk) te bereken. Op hierdie manier (met behulp van HistoricalQuotesdays) lyk om te aanvaar dat die begindatum is vandag, wat werk vir my algehele doelwit gewoond. UPDATE: Ek dont werklik nodig het om YahooFinance juweel gebruik soos ek reeds die data in 'n into het. Wat ek nie weet hoe om dit te doen is trek uit die into skikking, maak die berekeninge met behulp van die simplestatistics juweel, en voeg dan die nuwe data in die oorspronklike into. gevra 28 Oktober 12 aan 07:28 Die gebruik van die juweel, sien ek twee maniere om jou data te kry. Hier is hulle (let op hulle albei kan 'n blok te neem): wat 'n verskeidenheid van YahooFinance terug :: HistoricalQuote voorwerpe met die volgende metodes: wat 'n verskeidenheid van waardes terugkeer van die dokumentasie: En 'n gemiddelde (eenvoudige bewegende gemiddelde) neem, moet jy kan maklik doen: Waar êre die waardes sou hou om gemiddeld (moet dryf of dit sal verdeel integer) die. Om die eksponensiële bewegende gemiddelde doen, net gebruik maak van die volgende formule: Waar naby is die aandele naby, previousema is yesterdays ema, en amountofdaysago is die omvang van die gemiddelde in die verlede, byvoorbeeld 20 (dae). wysig Ek kan nie skryf 'n hele begin Ruby gids, maar die basiese beginsels vir wat jy nodig het is Hash en skikking. Kyk op hoe om Ruby hashes en skikkings, en dis waarskynlik 'n goeie 30 van Ruby programmeringstaal net daar gebruik. Byvoorbeeld om die into voorwerpe in 'n verskeidenheid te kry en dan kry net die toemaak, kan jy gebruik Arraymap soos so: hoop dat kry wat jy begin het N baie geluk AJ, dankie vir jou hulp. Ek weet vir baie parsing into maklik. Ek het wel die berekeninge vir STDEV (nie met behulp van die uwe, I39m doen 'n N-1 STDEV). Ek het hierdie calc op papier (en meer dikwels Excel) gedoen, maar don39t weet hoe om dit te omskep in Ruby (wat is die rede waarom I39m behulp simplestats). Ek weet dat om into Ek kan JSON. parse into doen nie, maar hoe om dit te bereken vir elke dag in die skikking en dan terug die resultate van 'n nuwe into skep steeds ontwyk my ontleed (Ek wil graag meer van 'n dummys gids - as jy kan wys my enige tutoriale aanlyn sou dit wonderlik wees). Nogmaals dankie vir jou hulp, ek waardeer dit ndash gcubed 28 Oktober 12 aan 18: 57I is besig met 'n program wat Yahoo Finansies API gebruik om die historiese naby data in te samel vir die aantal aandele aangegaan en dan voort te gaan en te bereken eenvoudige bewegende gemiddelde ( SMA) vir die data vir n tydperk van 30 dae. Ek het die volgende tot dusver: Hierdie kode gee my die noue waardes vir voorrade vir die gespesifiseerde reeks. Ek het twee vrae: Op die oomblik is hq. close hou waardes vir alle aandele. Hoe kan ek hierdie waardes in 'n skikking sodat ek 'n berekening kan doen op dit om 'n SMA bereken vir elke voorraaditem data Ek het probeer om so iets te doen: Maar dit gee net die waarde van die eerste voorraad in myval. Ek weet ek het 'n lus hier sit. Ek het probeer om Maar dit gee my 'n fout: Hoe kan ek bereken 'n SMA in Ruby Hi, Dankie vir die uitwys van die tikfout fout. Maar selfs nadat regstelling, ek nog steeds dieselfde fout. Ek dink aan 'n ander benadering. Sedert hq. close lys van voorraad simbole bevat met hul sluiting waardes, kan ek doen twee sirkelroetes op hierdie voorwerp, eerste vir iterating oor die voorwerp na die aantal lyste en tweede by die onderskeie waardes te kry in die lys. Ek weet dit is baie moontlik in Java. Is daar enige manier om dit te doen in Ruby Verskaf asseblief 'n voorbeeld uitvoering maak user1745117 14 Oktober 12 by 17:05 1 Antwoord Youve gevra twee vrae hier, so laat spreek hulle een op 'n slag. Eerstens, hierdie kode: sal die volgende hash in SLUIT produseer. wat ek verstaan ​​is in die formaat wat jy wil: In die tweede plek, wat jy wil om 'n eenvoudige bewegende gemiddelde te bereken - wat vir finansiële programme is net die gemiddelde van die waardes. Daar is 'n juweel genoem simplestatistics wat dit kan doen. produseer die volgende hash in gemiddeldes: Om die geweegde bewegende gemiddelde groei van 'n numeriese volgorde bereken .. om dit uit te druk as 'n persentasie wat ons kan skryf: (Die MIT-lisensie) Kopiereg 2010 Craig Davidson ltcraigcraigdavidson. co. ukgt Toestemming word hiermee verleen, gratis lading, aan enige persoon 'n kopie van hierdie sagteware en daarvan dokumentasie (die sagteware), om te gaan in die sagteware sonder beperking, insluitend sonder beperking die reg om te gebruik, kopieer, aanpas, kombinering, publiseer, versprei, sublisensieer, en / of te verkoop kopieë van die sagteware, en om persone aan wie die Software is lewer om dit te doen, onderhewig aan die volgende voorwaardes toegelaat: die bogenoemde kopieregkennisgewing en hierdie kennisgewing toestemming sal in alle kopieë of aansienlike gedeeltes van die sagteware word ingesluit. DIE SAGTEWARE WORD AS verskaf word, SONDER WAARBORG VAN ENIGE AARD, uitdruklik of geïmpliseer, INSLUITEND MAAR NIE BEPERK TOT DIE WAARBORGE VAN VERHANDELBAARHEID, GESKIKTHEID VIR 'N SPESIFIEKE DOEL en sekuriteit. In geen geval sal die skrywers OR KOPIEREGHOUERS aanspreeklik wees vir enige eis, skade of ander aanspreeklikheid, hetsy in 'Aksie VAN KONTRAK, DELIK OF ANDERS, VOORTSPRUITEND UIT, VAN OF IN VERBAND MET DIE SAGTEWARE OF DIE GEBRUIK VAN OF ANDER HANDELINGEN IN DIE SOFTWARE.2.4: Trend en antieke termyn van waarskuwing met die bedreiging van skade op die ergste Seisoene komponente Fore 133.an en onsekerheid op sy beste, om diegene binne potensiaal bereik. Gooi 133 dien tot 'n projektiel die onsigbare en gewoonlik onbekend onder die misleidende oppervlak skatting. . 'n waarskuwing aan diegene wat dit gebruik. 'n belydenis van onsekerheid (of misleiding) word deur diegene wat dit skep. 'n bedreiging van skade aan diegene in sy pad van Tom Brown in om die meeste van die voorspelling 2.1: Inleiding tot vooruitskatting Hoewel die kwantitatiewe metodes van besigheid kan bestudeer word as onafhanklike modules, ek glo dit gepas dat die teks plaas die vooruitskatting materiaal direk na is besluit analise. Onthou in ons besluit analise probleme, die state van die natuur in die algemeen verwys na verskillende vlakke van die vraag of 'n ander onbekende veranderlike in die toekoms. Die voorspelling, met 'n mate van akkuraatheid of betroubaarheid, wat die vlakke van die vraag sal wees, is ons volgende onderwerp. Voorspellings is meer as eenvoudige ekstrapolasies van verlede data in die toekoms met behulp van wiskundige formules, of byeenkoms tendense van experts133. Voorspellings is meganismes van aankoms by maatreëls vir die beplanning van die toekoms. Wanneer jy klaar is korrek, hulle bied 'n ouditspoor en 'n mate van hul akkuraatheid. Wanneer dit nie korrek gedoen, hulle het ons herinner aan Tom Browns slim uiteensetting van die term herhaal by die opening van hierdie notas. Nie net voorspellings help beplan, hulle help ons geld Ek is bewus van 'n maatskappy wat sy belegging in voorraad 28000000-22.000.000 verminder deur die aanneming van 'n formele vooruitskatting metode wat voorspel fout verminder deur 10. Dit spaar is 'n voorbeeld van 'n voorspelling help produk maatskappye vervang inventaris met inligting, wat nie net spaar geld maar verbeter reaksie kliënt en diens. Wanneer ons die term vooruitskatting in 'n kwantitatiewe metodes natuurlik, is ons oor die algemeen verwys na kwantitatiewe tydreeks vooruitskatting metodes. Hierdie modelle is toepaslik wanneer: 1) verlede inligting oor die veranderlike wese voorspelling is beskikbaar, 2) die inligting gekwantifiseer kan word, en 3) word aanvaar dat patrone in die historiese data sal voortgaan om in die toekoms. As die historiese data is beperk tot die verlede waardes van die reaksie veranderlike van belang is, is die voorspelling prosedure bekend as 'n tydreeks metode. Byvoorbeeld, baie verkope voorspellings staatmaak op die klassieke tyd reeks metodes wat ons sal dek in hierdie module. Wanneer die voorspelling is gegrond op vorige verkope, ons het 'n tydreeks vooruitskatting. 'N kant nota: Hoewel ek gesê verkope bo, waar moontlik, probeer ons om verkope te voorspel op grond van vorige vraag eerder as sales133 waarom Veronderstel jy die eienaar van 'n T-hemp winkel op die strand. Jy voorraad 100 Spring Break 2000 T-hemde gereed vir die lente breek. Verdere veronderstel dat 110 Lente Breakers tik jou winkel Spring Break 2000 T-hemde te koop. Wat is jou verkope Dis reg, 100. Maar wat is jou vraag weer regs, 110. Jy sal wil hê dat die figuur vraag gebruik, eerder as om die verkoopsyfer in die voorbereiding vir volgende jaar as die verkoopsyfers nie jou voorraad outs te vang. So hoekom doen baie maatskappye maak enige vooruitskatting gegrond op vorige verkope en nie eis die hoof rede is koste - verkope word maklik vasgevang op die tjek uit stasie, maar jy 'n paar ekstra funksie moet op jou bestuursinligtingstelsel vraag vang. Terug na die bekendstelling. Die ander groot kategorie van vooruitskatting metodes wat staatmaak op vorige data is regressiemodelle. dikwels na verwys as oorsaaklike modelle soos in ons teks. Hierdie modelle baseer hul voorspelling van toekomstige waardes van die reaksie veranderlike, verkope byvoorbeeld op verwante veranderlikes soos besteebare persoonlike inkomste, geslag, en miskien ouderdom van die verbruiker. Jy bestudeer regressiemodelle in die statistieke Natuurlik, so ons sal hulle nie bedek in hierdie kursus. Maar ek wil sê dat ons die term oorsaaklike moet gebruik word met omsigtigheid, ouderdom, geslag, of besteebare persoonlike inkomste kan hoogs verband hou met verkope, maar ouderdom, geslag of besteebare persoonlike inkomste kan nie verkoop veroorsaak. Ons kan net bewys oorsaak in 'n eksperiment. Die finale groot kategorie van voorspellingsmodelle sluit kwalitatiewe metodes wat algemeen gebruik deskundige oordeel behels die voorspelling ontwikkel. Hierdie metodes is nuttig wanneer ons nie historiese data, soos die geval wanneer ons die launch van 'n nuwe produk lyn sonder vorige ondervinding het. Hierdie metodes is ook nuttig wanneer ons maak vooruitskattings in die verre toekoms. Ons bied dekking vir een van die kwalitatiewe modelle in hierdie inleiding. In die eerste plek kan kyk na 'n eenvoudige klassifikasie skema vir algemene riglyne by die keuse van 'n vooruitskatting metode, en dan dek 'n paar basiese beginsels van vooruitskatting. Die keuse van 'n vooruitskatting Metode Die volgende tabel illustreer die algemene riglyne vir die kies van 'n vooruitskatting metode wat gebaseer is op tydsverloop en doel kriteria. Tendens Projeksie bewegende gemiddelde Eksponensiële Smoothing asseblief verstaan ​​dat dit is algemene riglyne. Jy kan 'n maatskappy met behulp van tendens projeksie betroubare voorspellings te maak vir die produk verkoop 3 jaar in die toekoms te vind. Dit moet ook op gelet word dat sedert maatskappye gebruik rekenaarsagteware tydreeks vooruitskatting pakkette eerder as hand berekeninge, kan hulle verskillende tegnieke probeer en kies die tegniek wat die beste maatstaf van akkuraatheid (laagste fout) het. Soos ons die verskillende tegnieke, en hul eienskappe, aannames en beperkings bespreek, ek hoop dat jy 'n waardering vir die bogenoemde klassifikasie skema sal kry. Vooruitskatting Beginsels Klassifikasieskemas soos die een hierbo is nuttig om te help kies voorspelling metodes wat geskik is vir die tydsduur en doel aan die hand. Daar is ook 'n paar algemene beginsels wat oorweeg moet word wanneer ons voor te berei en te gebruik voorspellings, veral dié wat gebaseer is op tyd reeks metodes. Oliver W. Wight in produksie en voorraad kontrole in die rekenaar ouderdom. en Thomas H. Fuller in Mikrorekenaars in Produksie en voorraad-bestuur ontwikkel 'n stel beginsels vir die produksie en voorraad beheer gemeenskap 'n rukkie terug wat ek glo het universele toepassing. 1. Tensy die metode is 100 akkurate, moet dit eenvoudig genoeg wees sodat mense wat dit gebruik weet hoe om dit intelligent gebruik (verstaan, te verduidelik, en herhaal dit). 2. Elke voorspelling moet vergesel word deur 'n skatting van die fout (die maatstaf van die akkuraatheid). 3. voorspellings Langtermyn moet dek die grootste moontlike groep items beperk individuele item voorspellings aan die kort termyn. 4. Die belangrikste element van enige vooruitsig skema is dat die ding tussen die klawerbord en die stoel. Die eerste beginsel dui daarop dat jy kan kry deur met die behandeling van 'n voorspelling metode as 'n swart boks, solank dit is 100 akkurate. Dit is, as 'n ontleder net voed historiese data in die rekenaar en aanvaar en implementeer die voorspelling uitset sonder enige idee hoe die berekeninge gemaak dat ontleder is die behandeling van die voorspelling metode as 'n swart boks. Dit is ok, solank die voorspelling fout (werklike waarneming - voorspel waarneming) is nul. As die voorspelling is nie betroubaar nie (hoë fout), moet die ontleder wees, ten minste, hoogs skaam nie in staat is om te verduidelik wat verkeerd geloop het. Daar kan 'n veel erger gevolge as verleentheid as begrotings en ander beplanning gebeure swaar gesteun op die verkeerde skatting. Die tweede beginsel is baie belangrik. In afdeling 2.2 sal ons 'n eenvoudige manier bekend te stel aan voorspelling fout te meet, die verskil tussen wat werklik plaasvind en wat voorspel om plaas te vind vir elke voorspelling tydperk. Hier is die idee. Veronderstel 'n motor maatskappy voorspel verkope van 30 motors aanstaande maand met behulp Metode A. Metode B kom ook met 'n voorspelling van 30 motors. Sonder om te weet wat die maat van akkuraatheid van die twee metodes, sou ons onverskillig oor hul keuse wees. Maar as ons geweet het dat die saamgestelde fout vir Metode A / - 2 motors oor 'n toepaslike tyd horison en die saamgestelde fout vir Metode B is / - 10 motors, sou ons beslis kies Metode A oor Metode B. Hoekom sou 'n mens metode het soveel fout in vergelyking met 'n ander wat sal een van ons leerdoelwitte in hierdie module wees. Dit mag wees omdat ons 'n glad metode eerder as 'n metode wat tendens projeksie as ons nie behoort te hê inkorporeer gebruik - soos wanneer die data toon 'n groei tendens. Glad metodes soos eksponensiële gladstryking, lag altyd tendense wat lei tot voorspelling fout. Die derde beginsel kan die beste geïllustreer deur 'n voorbeeld. Veronderstel jy is direkteur van operasies vir 'n hospitaal, en jy is verantwoordelik vir die voorspelling vraag na pasiënt beddens. As jou voorspelling gaan wees vir kapasiteit beplanning drie jaar van nou af, kan jy dalk te voorspel totale pasiënt beddens vir die jaar 2003. Aan die ander kant, as jy op pad was om die vraag na pasiënt beddens voorspel vir April 2000, skedulering doeleindes , dan sal jy 'n afsonderlike voorspellings te maak vir 'n noodgeval kamer pasiënt beddens, chirurgie herstel pasiënt beddens, OB pasiënt beddens, en dies meer. Wanneer veel besonderhede word verlang nie, hou by 'n korttermyn voorspelling horison saamvoeg jou produk lyne / tipe pasiënte / ens. wanneer langtermyn voorspellings. Dit verminder die algemeen die voorspelling fout in beide situasies. Ons moet die laaste beginsel is van toepassing op enige kwantitatiewe metode. Daar is altyd ruimte vir veroordelend aanpassings aan ons kwantitatiewe voorspellings. Ek hou van hierdie aanhaling uit Alfred North Whitehead in 'n Inleiding tot Wiskunde. 1911: 91T93here is nie meer algemene fout as om te aanvaar dat, omdat langdurige en akkurate wiskundige berekeninge gemaak is, die toepassing van die resultaat 'n paar feite van die natuur is absoluut seker. Natuurlik, kan oordeel af te wees. Hoe gaan dit met hierdie voorspelling gemaak in 1943 deur IBM voorsitter Thomas Watson: Ek dink Theres 'n wêreldmark vir sowat vyf rekenaars. Hoe kan ons die verbetering van die toepassing van die reg Dit is ons volgende onderwerp. Die Delphi Metode van voorspelling van die Delphi Metode van vooruitskatting is 'n kwalitatiewe tegniek gewild gemaak deur die Rand Corporation. Dit behoort tot die familie van tegnieke wat metodes soos Grassroots, Marknavorsing paneel, Historiese analogie kundige oordeel, en Sales Force Saamgestelde sluit. Die ding in gemeen met hierdie benaderings is die gebruik van die menings van kundiges, eerder as historiese data, om voorspellings en voorspellings te maak. Die vakke van hierdie voorspellings is gewoonlik die voorspelling van politieke, sosiale, ekonomiese en tegnologiese ontwikkelings wat nuwe programme, produkte, of antwoorde van die organisasie borg van die Delphi studie kan raai. My eerste ervaring met kundige oordeel voorspelling tegnieke was by my laaste opdrag tydens my vorige loopbaan in die Verenigde State van Amerika Lugmag. In daardie opdrag, was ek Direkteur van Vervoer programme by die Pentagon. Een keer per jaar, sou my baas, die Direkteur van Vervoer, senior leierskap (en hul optrede beamptes) in te samel op 'n konferensie te vervoer planne en programme te formuleer vir die volgende vyf jaar. Hierdie programme is dan die basis vir begroting, aankope, en dies meer. Een van die oefeninge wat ons gedoen het, was 'n Delphi Metode om ontwikkelings wat beduidende impak op Lugmag Vervoer programme sal voorspel. Ek onthou een van die ontwikkelings wat ons voorspel op 'n konferensie in die vroeë 1980's was die versnelde beweging van gedesentraliseerde om gesentraliseerde strategiese vervoer stelsels in die weermag. As gevolg hiervan, het ons begin om die Lugmag houding vir die verenigde vervoer opdrag 'n paar jaar voor dit 'n werklikheid geword. Stap 1. Die Delphi Metode van vooruitskatting, soos die ander oordeel tegnieke, begin met die kies van die kenners. Natuurlik, dit is waar hierdie tegnieke kan misluk - wanneer die kenners is regtig nie kenners nie. Dalk is dit die baas is ingesluit as 'n deskundige vir die Delphi studie, maar terwyl die baas is groot op die bestuur van hulpbronne, kan hy of sy verskriklike by die lees van die omgewing en die voorspelling van ontwikkelings wees. Stap 2. Die eerste formele stap is om 'n anonieme voorspelling oor die onderwerp van belang te bekom. Dit staan ​​bekend as Round 1. Hier, sou die kenners gevra word om 'n politieke, ekonomiese, sosiale of tegnologiese ontwikkelings van belang is vir die organisasie borg die Delphi Metode voorsien. Die anonieme voorspellings kan versamel deur middel van 'n webwerf, via e-pos of deur vraelys. Hulle kan ook versamel in 'n lewendige groep instelling, maar die stralekrans-effek kan die vrye vloei van die voorspellings onderdruk. Byvoorbeeld, sou dit algemeen vir die groep van kundiges wat versamel is by die Pentagon om algemene beamptes insluit. Verskeie van die generaals was groot leiers in die veld, maar nie groot visionairen wanneer dit kom by logistieke ontwikkelinge. Aan die ander kant, hulle lt. kol aksie beamptes was baie goeie denkers en geweet veel oor wat op die horison vir logistiek en vervoer stelsels. As gevolg van die klassieke respek vir rang, die jonger offisiere dalk nie komende het as ons nie 'n anonieme metode gebruik het om die eerste ronde van 'n voorspelling te kry. Stap 3. Die derde stap in die Delphi metode behels die groep fasiliteerder op te som en die herverdeling van die resultate van die Round Een voorspellings. Dit is tipies 'n wassery lys van ontwikkelings. Die kenners is toe gevra om te reageer op die Round Een wasgoed lys deur aan te dui die jaar waarin hulle geglo het die ontwikkeling sal plaasvind of om te sê hierdie ontwikkeling sal nooit plaasvind nie. Dit staan ​​bekend as Round 2. Stap 4. Die vierde stap, Round 3. behels die groep fasiliteerder op te som en die herverdeling van die resultate van die tweede ronde. Dit sluit in 'n eenvoudige statistiese vertoning, tipies die mediaan en interkwartielvariasiewydte, vir die data (jare 'n ontwikkeling sal plaasvind) van Round 2. Die opsomming sal ook die persent van kundiges rapporteer nooit gebeur vir 'n bepaalde ontwikkeling in te sluit. In hierdie ronde, is die kenners gevra om te verander, as hulle wil, hul voorspellings. Die kundiges is ook die geleentheid gegee om argumente uitdagende of ondersteuning van die nooit voorspellings vir 'n bepaalde ontwikkeling voorkom, en uit te daag of ondersteun die jaar buite die interkwartielvariasiewydte voorsien. Stap 5. Die vyfde stap, Round 4. herhalings Round 3 - die kenners ontvang 'n nuwe statistiek vertoning met argumente - en word versoek om nuwe voorspellings en / of teenargumente te voorsien. Stap 6. Round 4 herhaal totdat konsensus daaroor gevorm, of ten minste, 'n betreklik klein verspreiding van menings. My ondervinding is dat deur Round 4, ons het 'n goeie idee van die ontwikkelinge wat ons moet fokus op. As die oorspronklike doel van die Delphi metode is om 'n aantal eerder as 'n ontwikkeling tendens, produseer dan Round 1 vra net die kenners vir hul eerste voorspelling. Dit kan wees om die vraag produk vir 'n nuwe produk lyn vir 'n consumer maatskappy voorspel of om die DJIA uit voorspel 'n jaar vir 'n onderlinge fonds maatskappy bestuur van 'n prima indeksfonds. Kom ons doen 'n vir die pret (nie gegradeer en suiwer vrywilliger) Delphi Oefening. Veronderstel jy is 'n mark deskundige en wil die ander kenners sluit in ons klas in die voorspelling van wat die DJIA sal wees op 16 April 2001 (so naby aan belasting sperdatum as moontlik). Ek sal plaas 'n konferensie Forum genoem DJIA Voorspellings oor die loop Web Raad, binne die Module 2 konferensie. Beantwoord die konferensie onderwerp deur net te stel wat jy dink die DJIA sluit om op 16 April 2001 Reageer asseblief deur 27 Januarie 2001, so ek kan plaas die opsommingstatistiek voor ons vertrek die vooruitskatting materiaal op 3 Februarie. Ons sal nou begin ons bespreking van kwantitatiewe tydreeks vooruitskatting metodes. 2.2: Smoothing Metodes In hierdie afdeling wil ons dek die komponente van 'n tydreeks naïef, bewegende gemiddelde en eksponensiële gladstryking metodes van vooruitskouing en meet akkuraatheid Voorspelling vir elk van die bekendgestel metodes. Stop and Reflect Onthou dat daar drie algemene klasse van vooruitskatting of voorspelling modelle. Kwalitatiewe metodes, insluitend die Delphi, staatmaak op die oordeel en opinie deskundige, nie historiese data. Regressiemodelle staatmaak op historiese inligting oor beide voorspeller veranderlikes en die reaksie veranderlike van belang. Kwantitatiewe tydreeks vooruitskatting metodes staatmaak op historiese numeriese inligting oor die veranderlike van belang en aanvaar patrone in die verlede sal voortgaan om in die toekoms. Hierdie afdeling begin ons studie van die tydreeks modelle, wat begin met patrone of komponente van tydreekse. Komponente van 'n tydreeks Die patrone wat ons kan vind in 'n tydreeks van historiese data sluit die gemiddelde, tendens, seisoenale, sikliese en onreëlmatige komponente. Die gemiddelde is eenvoudig die gemiddelde van die historiese data. Tendens beskryf reële groei of afname in die gemiddelde vraag of ander veranderlike van belang, en verteenwoordig 'n verskuiwing in die gemiddelde. Die seisoenale komponent weerspieël 'n patroon wat herhaal word binne die totale tyd van belang. Byvoorbeeld, 15 jaar gelede in die suidweste van Florida, lugredery verkeer was baie hoër in Januarie - April hoogtepunt in Maart. Oktober was die lae maand. Dit seisoenale patroon herhaal deur 1988. Tussen 1988 en 1992, Januarie-April voortgegaan om elke jaar so hoog maande herhaal, maar die pieke was nie so hoog soos voorheen nie, en die af-seisoen dale so laag as voorheen, veel tot die genot van die hotel en toerisme nywerhede. Die punt is, seisoenale pieke herhaal binne die tydraamwerk van belang - gewoonlik maandeliks of kwartaalliks seisoene binne 'n jaar, maar daar daagliks seisoenaliteit in die aandelemark kan wees (Maandae en Vrydae toon hoër sluiting gemiddeldes as Dinsdae - Donderdae) as 'n voorbeeld. Die sikliese komponent toon herhalende waardes van die veranderlike van belang bo of onder die gemiddelde of lang termyn tendens lyn oor 'n meer jarige beplanningshorison. Die lengte van siklusse is nie konstant, soos met die lengte van seisoenale pieke en dale, maak die ekonomiese siklusse baie moeiliker om te voorspel. Sedert die patrone is nie konstant, verskeie veranderlike modelle soos ekonometriese en meervoudige regressie modelle is beter geskik vir sikliese draaipunte voorspel as tydreeksmodelle. Die laaste komponent is whats links die onreëlmatige komponent is die ewekansige variasie in die vraag wat onverklaarbare deur die gemiddelde, tendens, seisoenale en / of sikliese komponente van 'n tydreeks. Soos in regressiemodelle, probeer ons om die ewekansige variasie so laag as moontlik te maak. Kwantitatiewe modelle is ontwerp om die verskillende komponente hierbo gedek te spreek. Dit is duidelik dat, sal die tendens projeksie tegniek die beste werk met die tyd reeks wat 'n historiese tendens patroon uit te stal. Tydreeks ontbinding, wat die tendens en seisoenale komponente van 'n tydreeks ontbind, werk die beste met tye reeks met tendens en seisoenale patrone. Waar kom dit laat ons eerste stel tegnieke, glad metodes Eintlik glad metodes werk goed in die teenwoordigheid van gemiddelde en onreëlmatige komponente. Ons begin met hulle volgende. Voordat ons begin, kan 'n paar data. Hierdie keer reeks bestaan ​​uit kwartaallikse vraag na 'n produk. Historiese data is beskikbaar vir 12/4, of drie jaar. Tabel 2.2.1 bied die geskiedenis. Figuur 2.2.1 bied 'n grafiek van die tydreeks. Hierdie grafiek is bereid om in Excel behulp van die diagram Wizards Line Plot grafiek assistent. Dit is nie belangrik watter sagteware word gebruik om die historiese tydreekse die grafiek - maar dit is belangrik om te kyk na die data. Selfs 'n pen en papier skets is nuttig om 'n gevoel te kry vir die data, en kyk of daar tendens en / of seisoenale komponente in die tyd reeks kan wees. Metode van bewegende gemiddeldes 'n Eenvoudige tegniek wat goed werk met data wat geen tendens, seisoenaliteit het nie sikliese komponente is die bewegende gemiddelde metode. Toegegee, hierdie voorbeeld datastel het tendens (let op die algehele groeikoers van tydperk 1 tot 12), en seisoenaliteit (let op dat elke derde kwartaal weerspieël 'n afname in historiese vraag). Maar laat die bewegende gemiddelde tegniek toe te pas om hierdie inligting sodat ons 'n basis vir 'n vergelyking met ander metodes later sal hê. 'N Drie tydperk bewegende gemiddelde voorspelling is 'n metode wat drie periodes van data vind en skep 'n gemiddelde. Dat die gemiddelde is die voorspelling vir die volgende tydperk. Vir hierdie datastel, die eerste skatting ons kan bereken is vir Periode 4, met behulp van werklike historiese data van Periodes 1, 2 en 3 (sedert sy 'n drie tydperk bewegende gemiddelde). Dan, na Periode 4 voorkom, kan ons 'n voorspelling vir Tydperk 5 maak, met behulp van historiese data van Periodes 2, 3, en 4. Let daarop dat Periode 1 afgelaai, vandaar die term bewegende gemiddelde. Hierdie tegniek veronderstel dan dat werklike historiese data in die verre verlede, is nie so nuttig soos meer huidige historiese data in die maak van voorspellings. Voordat toon die formules en hierdie voorbeeld illustreer, laat ek 'n paar simbole. In hierdie module, sal ek met behulp van die simbool F t om 'n voorspelling vir tydperk t verteenwoordig. Dus, sou die voorspelling vir tydperk 4 getoon word as F 4. Ek sal gebruik maak van die simbool Y t ​​om die werklike historiese waarde van die veranderlike van belang, soos die vraag te stel, in tydperk t. Dus, sou die werklike vraag na tydperk 1 getoon word as Y 1. Nou om voort te dra die berekeninge vir 'n drie tydperk bewegende gemiddelde. Die voorspelling vir n tydperk van vier is: die voorspelling te genereer vir n tydperk van vyf: Ons gaan voort deur middel van die historiese data tot ons by die einde van die tydperk 12 en maak ons ​​voorspelling vir Tydperk 13 gebaseer op werklike vraag van Periodes 10, 11 en 12. Sedert tydperk van 12 is die laaste tydperk waarvoor ons het data, dit eindig ons berekeninge. As iemand belangstel in die maak van 'n voorspelling vir tydperke 14, 15, en 16, asook Tydperk 13 was, die beste wat gedoen kan word met die bewegende gemiddelde metode sou wees om die uit tydperk voorspellings dieselfde as die mees onlangse voorspelling te maak. Dit is waar, omdat bewegende gemiddelde metodes nie kan groei of te reageer op tendens. Dit is die hoof rede waarom hierdie tipe metodes is beperk tot kwartaal aansoeke kort, soos wat die vraag na die volgende tydperk. Die voorspelling berekeninge word opgesom in Tabel 2.2.2. Aangesien ons belangstel in die meting van die grootte van die fout om voorspelling akkuraat bepaal is, daarop te let dat ek blokkie word die fout om die plus en minus tekens te verwyder. Dan het ons eenvoudige gemiddelde die kwadraat foute. Om 'n gemiddelde of 'n gemiddelde, eerste s um die e quared e rrors (SSE) bereken. dan verdeel deur die aantal foute aan die m EAN s quared e rror (MSE) kry. dan neem die vierkantswortel van die fout om die R OOT M EAN S quare E rror (RMSE) kry. SSE (235,1 608,4. 625,0 455,1) 9061,78 MSE 9061,78 / 9 1006,86 RMSE Square Root (1006,86) 31,73 Van jou statistieke kursus (se), jy sal die RMSE erken as bloot die standaard afwyking van voorspelling foute en die MSE is eenvoudig die variansie van die voorspelling foute. Soos die standaardafwyking, hoe laer die RMSE hoe meer akkuraat die skatting. Dus, kan die RMSE baie nuttig in die keuse tussen voorspelling modelle wees. Ons kan ook die RMSE gebruik om 'n paar waarskynlikheid analise te doen. Sedert die RMSE is die standaardafwyking van die voorspelling fout, kan ons die voorspelling te hanteer as die gemiddelde van 'n verdeling, en die belangrike empiriese reël toe te pas. veronderstelling dat voorspelling foute word normaalweg versprei. Ek sal wed dat sommige van julle onthou hierdie reël: 68 van die waarnemings in 'n klokvormige simmetriese verdeling lê binne die gebied: gemiddelde / - 1 standaardafwyking 95 van die waarnemings lê binne: gemiddelde / - 2 standaardafwykings 99,7 (byna al van die waarnemings) lê binne: gemiddelde / - 3 standaardafwykings Sedert die gemiddelde is die voorspelling, en die standaardafwyking is die RMSE, kan ons die empiriese reël uit te druk soos volg: 68 van werklike waardes verwagting binne te val: Voorspelling / - 1 RMSE 454,3 / - 31,73 423-486 95 van die werklike waardes verwagting binne te val: Voorspelling / - 2 RMSE 454,3 / - (231,73) 391-518 99,7 van die werklike waardes verwagting binne te val: Voorspelling / - 3 RMSE 454,3 / - (331,73) 359-549 Soos in die studie van die gemiddelde en standaardafwyking in beskrywende statistiek, dit is baie belangrik en het soortgelyke programme. Een ding wat ons kan doen is om te gebruik die 3 RMSE waardes te bepaal of ons enige uitskieters in ons data wat vervang moet word. Enige voorspelling wat meer as 3 RMSEs van die werklike syfer (of het 'n fout groter as die absolute waarde van 3 31,73 of 95 is 'n uitskieter. Dit waarde moet verwyder word omdat dit die RMSE blaas. Die eenvoudigste manier om 'n uitskieter in verwyder 'n tydreeks is om dit te vervang deur die gemiddeld van die waarde net voor die uitskieter en net na die uitskieter. Nog 'n baie hand gebruik vir die RMSE is in die omgewing van veiligheid aandele in voorraad situasies. Kom ons trek uit die 2 RMSE streek van die empiriese reël vir hierdie vooruitsig: 2,5 95 2,5 359. 391. 454. 518. 549 Sedert die middel 95 van die waarnemings val tussen 391 en 518, 5 van die waarnemings val onder 391 en bo 518. die aanvaarding van die verspreiding is klokkie vormige, 2.5 van die waarnemings val onder 391 en 2.5 val bo 518. Nog 'n manier verklaar dit is dat 97,5 van die waarnemings val onder 518 (wanneer meet af aan negatiewe oneindigheid, hoewel die werklike data moet stop by 359. bottom line. As die firma verwag werklike vraag te wees 518 (2 RMSEs bo die voorspelling), dan deur die kous 'n inventaris van 518 hulle sal dek 97,5 van die werklike eise wat teoreties kan voorkom. Dit wil sê, die is wat teen 'n 97,5 kliëntediens vlak. In net 2.5 van die vraag gevalle moet hulle verwag dat 'n voorraad uit. Dis regtig gladde, isnt dit. Na aanleiding van die dieselfde metode as die firma aandele 549 items, of 3 RMSEs bo die voorspelling, is dit feitlik verseker hulle sal nie 'n voorraad uit, tensy iets baie ongewone plaasvind (ons noem dit 'n uitskieter is statistieke). Ten slotte, as die firma aandele 486 items (2 RMSEs bo die voorspelling), hulle sal 'n voorraad het in 16 van die gevalle, of dek 84 van die eise wat moet plaasvind (100-16). In hierdie geval, is dit wat teen 'n 84 kliëntediens vlak. 16 68 16 359. 423. 454. 486. 549 Ons kan ander waarskynlikhede wat verband hou met ander gebiede onder die kurwe bereken deur die vind van die kumulatiewe waarskynlikheid vir Z tellings, Z (waarneming - voorspel) / RMSE (onthou jy dat van die stat loop (e)). Vir ons doeleindes hier, dit is net belangrik om die aansoek van die statistieke natuurlik illustreer. Met behulp van die Bestuur Scientist Softwarepakket Ons sal gebruik word om die bestuur Scientist Vooruitskatting Module om die werklike voorspellings en RMSE berekeninge te doen. Om die pakket vir die eerste voorbeeld illustreer, kliek Windows Start / Program / Die Bestuur Scientist / Die Bestuur Scientist simbool / Hou / Select Module 11 vooruitskatting / OK / lêer / Nuwe en jy is gereed om die voorbeeld probleem te laai. Die volgende dialoog skerm vra jou om die aantal tydperke betree - dit is hoeveel waarnemings jy - 12 in hierdie geval. Klik op OK. en begin die begin van jou data (getalle en desimale punte net - die dialoog skerm sal nie alfa karakters of kommas toelaat).