ชี้แจง เคลื่อนไหว เฉลี่ย ตัวอย่าง

Exponential Smoothing Explained. Copyright เนื้อหาในลิขสิทธิ์ได้รับการคุ้มครองและไม่สามารถใช้ได้สำหรับการเผยแพร่เมื่อคนแรกพบคำ Smoothing Exponential ระยะที่พวกเขาอาจคิดว่าเสียงเหมือนนรกของจำนวนมากเรียบอะไรเรียบคือพวกเขาก็เริ่มวาดภาพทางคณิตศาสตร์ที่ซับซ้อน การคำนวณที่อาจต้องใช้การศึกษาระดับปริญญาในวิชาคณิตศาสตร์เพื่อทำความเข้าใจและหวังว่าจะมีฟังก์ชั่น Excel ที่มีอยู่ในตัวหากจำเป็นต้องทำมันความจริงของการทำให้เรียบเป็นทวีคูณน้อยกว่าที่น่าทึ่งและไม่ค่อยเจ็บปวดมากนักความจริงคือการทำให้เรียบเป็นทวีคูณ การคำนวณที่เรียบง่ายซึ่งทำได้ดีกว่างานง่ายๆมันมีชื่อที่ซับซ้อนเนื่องจากสิ่งที่เกิดขึ้นในทางเทคนิคอันเป็นผลมาจากการคำนวณแบบง่ายๆนี้เป็นเพียงเล็กน้อยที่ซับซ้อนเพื่อให้เข้าใจถึงการเรียบขึ้นเรื่อย ๆ จะช่วยให้เริ่มต้นด้วยแนวคิดทั่วไปในการทำให้เรียบและ คู่ของวิธีการทั่วไปอื่น ๆ ที่ใช้เพื่อให้บรรลุ smoothing smoothing คืออะไร smoothing เป็น p สถิติทั่วไป rocess ในความเป็นจริงเรามักพบข้อมูลที่ราบรื่นในรูปแบบต่างๆในชีวิตประจำวันของเราทุกครั้งที่คุณใช้ค่าเฉลี่ยในการอธิบายบางสิ่งบางอย่างคุณกำลังใช้ตัวเลขที่ราบรื่นถ้าคุณคิดว่าเหตุผลที่คุณใช้ค่าเฉลี่ยในการอธิบายอะไรบางอย่างคุณ อย่างรวดเร็วจะเข้าใจแนวคิดของการเรียบตัวอย่างเช่นเราเพิ่งมีประสบการณ์ฤดูหนาวที่หนาวที่สุดในบันทึกเราจะสามารถวัดปริมาณนี้ได้ดีเราเริ่มต้นด้วย datasets ของอุณหภูมิสูงและต่ำประจำวันสำหรับช่วงที่เราเรียกฤดูหนาวสำหรับแต่ละปีในประวัติศาสตร์ที่บันทึกไว้ ที่ปล่อยให้เรามีพวงของตัวเลขที่กระโดดไปรอบ ๆ ค่อนข้างน้อยมันไม่เหมือนทุกวันในฤดูหนาวนี้คืออุ่นกว่าวันที่สอดคล้องกันจากปีก่อนหน้าทั้งหมดเราต้องเป็นตัวเลขที่เอาทั้งหมดนี้กระโดดจากข้อมูลเพื่อให้เราสามารถได้ง่ายขึ้น เปรียบเทียบฤดูหนาวกับฤดูถัดไปการลบการกระโดดไปรอบ ๆ ในข้อมูลเรียกว่าการทำให้ราบเรียบและในกรณีนี้เราสามารถใช้ค่าเฉลี่ยที่เรียบง่ายเพื่อให้บรรลุการปรับให้เรียบในการคาดการณ์ความต้องการเราใช้การทำให้ราบรื่นเพื่อนำออก ความแตกต่างของเสียงแบบสุ่มจากความต้องการในอดีตของเราสิ่งนี้ช่วยให้เราสามารถระบุรูปแบบความต้องการได้ดียิ่งขึ้นแนวโน้มและฤดูกาลและระดับความต้องการที่สามารถใช้ในการประมาณการความต้องการในอนาคตความต้องการเสียงดังกล่าวเป็นแนวคิดเดียวกับการกระโดดรายวันของข้อมูลอุณหภูมิ วิธีที่คนทั่วไปเอาเสียงรบกวนออกจากประวัติความต้องการคือการใช้ค่าเฉลี่ยที่เรียบง่ายหรือโดยเฉพาะอย่างยิ่งค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่จะใช้จำนวนที่กำหนดไว้ล่วงหน้าของช่วงเวลาในการคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านั้นจะเลื่อนตามเวลาที่ผ่านไปตัวอย่างเช่นถ้า ฉันใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคมฉันใช้ค่าเฉลี่ยความต้องการที่เกิดขึ้นในเดือนมกราคมกุมภาพันธ์มีนาคมและเมษายนในวันที่ 1 มิถุนายนฉันจะใช้ความต้องการตั้งแต่เดือนกุมภาพันธ์มีนาคมเมษายน, และค่าเฉลี่ยถ่วงน้ำหนักเฉลี่ยของเดือนพฤษภาคมเมื่อใช้ค่าเฉลี่ยที่เราใช้น้ำหนักความสำคัญเดียวกันกับแต่ละค่าในชุดข้อมูลในค่าเฉลี่ยเคลื่อนที่ 4 เดือนแต่ละเดือนมีค่าเฉลี่ยเคลื่อนที่ 25 ค่าเมื่อใช้ h istory เพื่อคาดการณ์ความต้องการในอนาคตและแนวโน้มในอนาคตโดยเฉพาะอย่างยิ่งมันเป็นเหตุผลที่จะมาสรุปว่าคุณต้องการประวัติล่าสุดที่จะมีผลกระทบมากขึ้นในการคาดการณ์ของคุณเราสามารถปรับการคำนวณโดยเฉลี่ยของเราย้ายไปใช้น้ำหนักต่างๆในแต่ละงวดเพื่อให้ได้ ผลลัพธ์ที่ต้องการเราแสดงน้ำหนักเหล่านี้เป็นเปอร์เซ็นต์และน้ำหนักรวมทั้งหมดสำหรับทุกช่วงเวลาต้องเพิ่มขึ้น 100 ดังนั้นหากเราตัดสินใจว่าเราต้องการใช้ 35 เป็นน้ำหนักในช่วงเวลาใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก 4 เดือนของเรา เราสามารถหัก 35 จาก 100 เพื่อหาว่าเรามีเหลืออีก 65 รายการในช่วงเวลาอื่น ๆ อีก 3 งวดตัวอย่างเช่นเราอาจจบลงด้วยการให้น้ำหนัก 15, 20, 30 และ 35 ตามลำดับเป็นเวลา 4 เดือน 15 20 30 35 100.Exponential smoothing ถ้าเรากลับไปใช้แนวความคิดในการใช้น้ำหนักกับงวดล่าสุดเช่น 35 ในตัวอย่างก่อนหน้านี้และการกระจายน้ำหนักที่เหลือคำนวณโดยการหักน้ำหนักงวดล่าสุดของ 35 จาก 100 เป็น 65 เรามีพื้นฐาน สร้าง ing block สำหรับการคำนวณการคำนวณแบบเรียบของเราการคำนวณการป้อนข้อมูลของการคำนวณการคำนวณแบบเรียบเป็นที่รู้จักกันว่าเป็นปัจจัยการปรับให้ราบเรียบหรือที่เรียกว่า smoothing constant ค่าความถ่วงน้ำหนักที่ใช้กับความต้องการของช่วงเวลาล่าสุดคือดังนั้นเราจึงใช้ 35 เป็นน้ำหนักสำหรับ ระยะเวลาล่าสุดในการคำนวณถัวเฉลี่ยถ่วงน้ำหนักเรายังสามารถเลือกที่จะใช้ 35 เป็นปัจจัยการทำให้ราบเรียบในการคำนวณการเรียบของเราชี้แจงเพื่อให้ได้ผลที่คล้ายกันความแตกต่างกับการคำนวณเรียบชี้แจงคือว่าแทนที่จะต้องมีการคิดออกเท่าไร น้ำหนักที่จะใช้กับแต่ละช่วงเวลาก่อนหน้านี้ปัจจัยการทำให้ราบเรียบถูกใช้เพื่อทำโดยอัตโนมัติดังนั้นที่นี่จะมีส่วนที่อธิบายเป็นส่วนถ้าเราใช้ 35 เป็นปัจจัยการปรับให้เรียบการถ่วงน้ำหนักของความต้องการของช่วงเวลาล่าสุดจะเป็น 35 การถ่วงน้ำหนักต่อไป ระยะเวลาล่าสุดของความต้องการช่วงก่อนที่จะล่าสุดจะ 65 จาก 35 65 มาจากหัก 35 จาก 100 นี้เท่ากับ 22 75 สำหรับช่วงเวลานั้นถ้าคุณทำคณิตศาสตร์ความต้องการของระยะเวลาต่อไปในครั้งต่อไปจะเท่ากับ 65 จาก 65 จาก 35 ซึ่งเท่ากับ 14 79 ระยะเวลาก่อนหน้านั้นจะมีน้ำหนัก 65 ถึง 65 จาก 65 ใน 35 ซึ่งเท่ากับ 9 61 และอื่น ๆ สิ่งนี้จะย้อนกลับไปในทุกช่วงเวลาก่อนหน้าของคุณไปตลอดช่วงเวลาหรือจุดเริ่มต้นของการใช้ smoothing แบบเอ็กซเรนแนนเชียลสำหรับไอเท็มที่เฉพาะเจาะจงคุณอาจจะคิดว่าดูเหมือนว่าทั้งหมด จำนวนมากของคณิตศาสตร์ แต่ความงามของการคำนวณการคำนวณความเร่งด่วนคือแทนที่จะต้องคำนวณใหม่กับแต่ละช่วงเวลาก่อนหน้านี้ทุกครั้งที่คุณได้รับความต้องการของช่วงเวลาใหม่คุณก็ใช้ผลลัพธ์ของการคำนวณการคำนวณความเร่งจากงวดก่อนหน้าเพื่อแสดงข้อมูลทั้งหมดก่อนหน้านี้ periods. Are คุณสับสนยังจะทำให้รู้สึกมากขึ้นเมื่อเราดูที่การคำนวณที่เกิดขึ้นจริงโดยปกติเราจะอ้างถึงผลลัพธ์ของการคำนวณการคำนวณเรียบเป็นประมาณการระยะเวลาต่อไปในความเป็นจริงการคาดการณ์ที่ดีที่สุด ต้องการทำงานเล็กน้อย แต่สำหรับวัตถุประสงค์ของการคำนวณเฉพาะนี้เราจะเรียกมันว่าเป็นคาดการณ์การคำนวณการคำนวณหาผลคูณเป็นดังนี้ความต้องการของช่วงเวลาล่าสุดของคูณด้วยปัจจัยการปรับให้เรียบ PLUS การคาดการณ์ของช่วงเวลาล่าสุด คูณด้วยหนึ่งลบราบเรียบ factor. D ความต้องการของช่วงเวลาล่าสุด S ปัจจัยการทำให้ราบรื่นเป็นตัวแทนในรูปแบบทศนิยมดังนั้น 35 จะแสดงเป็น 0 35 F ในช่วงเวลาล่าสุดคาดการณ์ผลผลิตของการคำนวณการปรับให้เรียบจากงวดก่อนหน้านี้สมมติว่า เป็นปัจจัยที่ราบรื่นของ 0 35. มัน doesn t รับง่ายมากกว่า that. s ที่คุณสามารถดูทั้งหมดที่เราต้องการสำหรับการป้อนข้อมูลที่นี่เป็นความต้องการของช่วงเวลาล่าสุดและการคาดการณ์ของช่วงเวลาล่าสุดเราใช้ปัจจัยการทำให้ราบรื่นที่มีน้ำหนัก ระยะเวลาล่าสุดของความต้องการเช่นเดียวกับที่เราจะคำนวณค่าเฉลี่ยถ่วงน้ำหนักจากนั้นเราจะใช้การถ่วงน้ำหนักที่เหลืออยู่ 1 ลบปัจจัยที่ราบเรียบไปยังการคาดการณ์ของรอบระยะเวลาล่าสุดนับตั้งแต่ล่าสุด การคาดการณ์ของช่วงเวลาเกิดขึ้นจากความต้องการของช่วงก่อนหน้าและการคาดการณ์ของงวดก่อนหน้าซึ่งเป็นไปตามความต้องการของช่วงก่อนหน้านั้นและการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับความต้องการของช่วงก่อนหน้านั้น และการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับช่วงเวลาก่อนหน้านั้นคุณสามารถดูว่าความต้องการของช่วงเวลาก่อนหน้านี้ทั้งหมดเป็นอย่างไรในการคำนวณโดยไม่ต้องย้อนกลับและคำนวณอะไรใหม่และนั่นคือสิ่งที่ผลักดันความนิยมเริ่มต้น ของการทำให้เรียบเป็นทวีคูณไม่ได้เพราะมันเป็นงานที่ดีกว่าการปรับให้เรียบกว่าค่าเฉลี่ยถ่วงน้ำหนักเนื่องจากการคำนวณในโปรแกรมคอมพิวเตอร์ได้ง่ายขึ้นและเนื่องจากคุณไม่จำเป็นต้องคิดถึงการถ่วงน้ำหนักในช่วงเวลาก่อนหน้านี้หรือกี่ครั้ง ช่วงก่อนหน้าที่จะใช้เป็นคุณจะมีค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักและเพราะมันฟังดูเย็นกว่าค่าเฉลี่ยถ่วงน้ำหนักจริงในความเป็นจริงก็อาจจะแย้งว่าค่าเฉลี่ยถ่วงน้ำหนักให้ gr eater เนื่องจากคุณสามารถควบคุมน้ำหนักของช่วงเวลาที่ผ่านมาได้มากขึ้นความเป็นจริงอาจเป็นผลให้เกิดความน่าเชื่อถือดังนั้นทำไมคุณถึงไม่ไปกับเสียงที่นุ่มนวลและเรียบง่ายขึ้น Exponential Smoothing ใน Excel ลองดูว่านี่จะเป็นอย่างไรในกระดาษคำนวณ มีเนื้อหาที่แท้จริงลิขสิทธิ์เนื้อหาบนมีการป้องกันลิขสิทธิ์และไม่สามารถเผยแพร่ได้ในรูปที่ 1A เรามีสเปรดชีต Excel ที่มีความต้องการใช้งานเป็นเวลา 11 สัปดาห์และมีการคาดการณ์ที่ราบเรียบตามการคำนวณซึ่งคำนวณจากความต้องการดังกล่าว 0 25 ในเซลล์ C1 เซลล์ที่ใช้งานปัจจุบันเป็นเซลล์ M4 ซึ่งมีการคาดการณ์สำหรับสัปดาห์ที่ 12 คุณสามารถดูได้ในแถบสูตรสูตรคือ L3 C1 L4 1- C1 ดังนั้นปัจจัยการผลิตโดยตรงเพียงอย่างเดียวในการคำนวณนี้คือความต้องการของช่วงเวลาก่อนหน้า เซลล์ L3 ช่วงเวลาก่อนหน้าที่พยากรณ์ Cell L4 และปัจจัยการทำให้ราบรื่น Cell C1 แสดงเป็นค่าการอ้างอิงเซลล์สัมบูรณ์ C1 เมื่อเราเริ่มคำนวณค่าการคำนวณความเร่งด่วนเราจำเป็นต้องเสียบค่าด้วยตนเองสำหรับ 1 วินาที t forecast ดังนั้นใน Cell B4 แทนที่จะเป็นสูตรเราจึงพิมพ์ความต้องการจากช่วงเวลาเดียวกันกับที่คาดการณ์ไว้ใน Cell C4 เรามีการคำนวณการเกิดเลข 1 ของเราที่เรียบง่ายขึ้น B3 C1 B4 1- C1 จากนั้นเราจะคัดลอกเซลล์ C4 และวางข้อมูล ในเซลล์ D4 ผ่าน M4 เพื่อเติมส่วนที่เหลือของเซลล์คาดการณ์ของเราตอนนี้คุณสามารถดับเบิลคลิกที่เซลล์คาดการณ์ใด ๆ เพื่อดูข้อมูลได้จากช่วงคาดการณ์ของเซลล์ที่คาดการณ์ไว้และเซลล์ความต้องการของช่วงก่อนหน้า ผลลัพธ์ของการคำนวณการคำนวณหาค่าความละเอียดที่อธิบายไว้ก่อนหน้านี้เป็นความต้องการของแต่ละช่วงเวลาก่อนหน้าในการคำนวณช่วงเวลาล่าสุดแม้ว่าการคำนวณดังกล่าวจะไม่ได้อ้างอิงถึงช่วงเวลาก่อนหน้านี้ก็ตาม แต่ถ้าคุณต้องการความนึกคิดคุณสามารถใช้ตัวอย่างก่อนหน้านี้ของ Excel เมื่อต้องการทำเช่นนี้ให้คลิกที่เซลล์ M4 จากนั้นบนแถบเครื่องมือริบบิ้น Excel 2007 หรือ 2010 คลิกแท็บสูตรจากนั้นคลิก Trace Precedents จะวาดเส้นเชื่อมต่อไปยังระดับที่ 1 ของ precedents แต่ถ้า คุณให้คลิก Trace Precedents มันจะวาดเส้นเชื่อมต่อไปยังงวดก่อนหน้าทั้งหมดเพื่อแสดงความสัมพันธ์ที่สืบทอดขณะนี้ให้ดูว่าการทำให้เรียบเรียบขึ้นได้อย่างไรสำหรับเรารูปที่ 1B แสดงกราฟเส้นของความต้องการและการคาดการณ์ของเราคุณเห็นว่าการเรียบแบบทวีคูณ คาดการณ์ว่าจะขยับตัวส่วนใหญ่ของความขรุขระที่กระโดดออกจากความต้องการรายสัปดาห์ แต่ยังคงสามารถทำตามสิ่งที่ดูเหมือนจะเป็นความต้องการที่สูงขึ้นนอกจากนี้คุณยังสังเกตเห็นว่าเส้นคาดการณ์ที่ราบเรียบมีแนวโน้มที่จะต่ำกว่าเส้นความต้องการนี้เรียกได้ว่าเป็นแนวโน้ม ล่าช้าและเป็นผลข้างเคียงของกระบวนการทำให้ราบเรียบเวลาที่คุณใช้เรียบใด ๆ เมื่อมีแนวโน้มเป็นที่คาดการณ์ของคุณจะล้าหลังแนวโน้มนี้เป็นจริงสำหรับเทคนิคการทำให้ราบเรียบใด ๆ ในความเป็นจริงถ้าเราจะดำเนินการต่อสเปรดชีตนี้และเริ่มใส่ตัวเลขความต้องการลดลง ทำให้แนวโน้มลดลงคุณจะเห็นความต้องการวางสายและเส้นแนวโน้มย้ายไปข้างต้นก่อนที่จะเริ่มทำตามแนวโน้มลดลงนั่นคือเหตุผลที่ผมเคยกล่าวถึง OU tput จากการคำนวณการคำนวณแบบเรียบที่เราเรียกว่าการคาดการณ์ยังคงต้องทำงานเพิ่มเติมบางอย่างมีมากขึ้นในการคาดการณ์มากกว่าเพียงแค่เรียบออกกระแทกในความต้องการเราจำเป็นต้องทำการปรับเพิ่มเติมสำหรับสิ่งที่ต้องการล่าช้าแนวโน้ม seasonality รู้จักเหตุการณ์ที่อาจ ความต้องการผลกระทบ ฯลฯ แต่ทั้งหมดที่อยู่นอกเหนือขอบเขตของบทความนี้คุณอาจจะยังใช้เป็นคำเช่นการเพิ่มความเรียบแบบเป็นสองเท่าและการปรับให้เรียบแบบสามเท่าคำศัพท์เหล่านี้ล้วนเป็นเนื้อหาที่ทำให้เข้าใจผิดเนื่องจากคุณไม่ได้ปรับความต้องการตามความต้องการหลายครั้ง อาจเป็นไปได้ถ้าคุณต้องการ แต่นั่นไม่ใช่จุดที่นี่ข้อตกลงเหล่านี้แสดงถึงการใช้การเพิ่มความลําชี้แจงเป็นทวีคูณในองค์ประกอบเพิ่มเติมของการคาดการณ์ดังนั้นด้วยการเรียบแบบเรียบง่ายทำให้คุณเรียบลื่นตามความต้องการพื้นฐาน แต่ด้วยการปรับให้เรียบแบบทวีคูณแบบทวีคูณ แนวโน้มและด้วยการเรียบเรียบแบบสามขั้นตอนคุณจะราบเรียบความต้องการพื้นฐานบวกแนวโน้มบวก seasonality. The คำถามที่ถามบ่อยอื่น ๆ เกี่ยวกับ exp onential smoothing เป็นที่ที่ฉันได้รับปัจจัยการทำให้ราบรื่นของฉันไม่มีคำตอบขลังที่นี่คุณจะต้องทดสอบปัจจัยต่างๆราบเรียบกับข้อมูลความต้องการของคุณเพื่อดูสิ่งที่ทำให้คุณได้ผลลัพธ์ที่ดีที่สุดมีการคำนวณที่สามารถตั้งค่าและเปลี่ยนปัจจัยการปรับให้เรียบโดยอัตโนมัติ แต่คุณต้องระมัดระวังกับพวกเขาไม่มีเพียงคำตอบที่สมบูรณ์แบบและคุณไม่ควรสุ่มสี่สุ่มห้าใช้การคำนวณใด ๆ โดยไม่มีการทดสอบอย่างละเอียดและพัฒนาความเข้าใจอย่างถ่องแท้ในสิ่งที่คำนวณไม่ได้คุณควรใช้สถานการณ์ what-if ดูวิธีการคำนวณเหล่านี้ตอบสนองต่อการเปลี่ยนแปลงความต้องการที่อาจไม่อยู่ในข้อมูลความต้องการที่คุณกำลังใช้สำหรับการทดสอบตัวอย่างข้อมูลที่ผมใช้ก่อนหน้านี้เป็นตัวอย่างที่ดีมากสำหรับสถานการณ์ที่คุณต้องการทดสอบสถานการณ์อื่น ๆ บางอย่างตัวอย่างข้อมูลเฉพาะ แสดงให้เห็นถึงแนวโน้มการเติบโตที่สอดคล้องกันค่อนข้างมาก บริษัท ขนาดใหญ่หลายแห่งที่มีซอฟต์แวร์คาดการณ์ราคาแพงมีปัญหาใหญ่ในธุรกิจที่ไม่ได้ใช้งาน มดที่ผ่านมาเมื่อการตั้งค่าซอฟต์แวร์ของตนที่ถูกปรับแต่งเพื่อการเติบโตทางเศรษฐกิจ didn t ตอบสนองได้ดีเมื่อเศรษฐกิจเริ่มซบเซาหรือหดตัวสิ่งต่างๆเช่นนี้เกิดขึ้นเมื่อคุณ don t เข้าใจว่าซอฟต์แวร์คำนวณของคุณกำลังทำอะไรอยู่ถ้าพวกเขาเข้าใจระบบการคาดการณ์ของพวกเขาพวกเขาจะมี ที่รู้จักกันดีพวกเขาต้องการที่จะกระโดดและเปลี่ยนแปลงอะไรบางอย่างเมื่อมีการเปลี่ยนแปลงอย่างรวดเร็วฉับพลันเพื่อธุรกิจของพวกเขาดังนั้นมีคุณมีพื้นฐานของการอธิบายเรียบอธิบายต้องการทราบเพิ่มเติมเกี่ยวกับการใช้เรียบชี้แจงในการคาดการณ์ที่เกิดขึ้นจริงตรวจสอบหนังสือของฉันการจัดการสินค้าคงคลังอธิบาย เนื้อหาที่เป็นลิขสิทธิ์มีลิขสิทธิ์และไม่มีให้บริการสำหรับการตีพิมพ์ David Piasecki เป็นผู้ดำเนินการเจ้าของ Inventory Operations Consulting LLC บริษัท ที่ปรึกษาที่ให้บริการเกี่ยวกับการจัดการสินค้าคงคลังการจัดการวัสดุและการดำเนินงานคลังสินค้าเขามีประสบการณ์มากกว่า 25 ปีในการบริหารจัดการการดำเนินงาน และสามารถเข้าถึงได้ผ่านทางเว็บไซต์ของเขาซึ่งเขายังคงรักษาเพิ่มเติม ข้อมูลที่เกี่ยวข้องธุรกิจของฉัน Simple Vs Exponential Moving Averages. Moving เฉลี่ยมากกว่าการศึกษาลำดับของตัวเลขในลำดับต่อเนื่องผู้ประกอบการในช่วงต้นของการวิเคราะห์ชุดเวลาเป็นจริงมากขึ้นที่เกี่ยวข้องกับตัวเลขแต่ละชุดเวลากว่าที่พวกเขาด้วยการแก้ไขของที่ ข้อมูล Interpolation ในรูปแบบของทฤษฎีความน่าจะเป็นและการวิเคราะห์มามากภายหลังเป็นรูปแบบได้รับการพัฒนาและ correlations ค้นพบเมื่อเข้าใจเส้นโค้งรูปร่างต่างๆและเส้นถูกวาดตามลำดับเวลาในการพยายามที่จะคาดการณ์ที่จุดข้อมูลอาจไป ตอนนี้ถือว่าเป็นวิธีการขั้นพื้นฐานที่ใช้ในปัจจุบันโดยการวิเคราะห์ทางเทคนิคผู้ค้าการวิเคราะห์แผนภูมิสามารถโยงย้อนกลับไปยังศตวรรษที่ 18 ในประเทศญี่ปุ่นได้อย่างไรและเมื่อค่าเฉลี่ยเคลื่อนที่ถูกนำมาใช้ครั้งแรกกับราคาตลาดยังคงเป็นความลึกลับเป็นที่เข้าใจกันโดยทั่วไปว่าค่าเฉลี่ยเคลื่อนที่ง่าย SMA ถูกใช้มานานก่อนที่จะมีการชี้แจง ย้าย EMA โดยเฉลี่ยเนื่องจาก EMA สร้างขึ้นจาก SMA framework และ SMA continuum w เป็นที่เข้าใจได้ง่ายขึ้นสำหรับการวางแผนและการติดตามวัตถุประสงค์คุณต้องการอ่านพื้นหลังเล็กน้อยตรวจสอบค่าเฉลี่ยเคลื่อนที่สิ่งที่พวกเขา Simple Moving Average SMA ค่าเฉลี่ยเคลื่อนที่ง่ายกลายเป็นวิธีที่ต้องการในการติดตามราคาตลาดเนื่องจากรวดเร็วในการคำนวณและเข้าใจง่าย Early ผู้ประกอบการตลาดดำเนินการโดยไม่ต้องใช้ตัวชี้วัดแผนภูมิที่ซับซ้อนในการใช้งานในปัจจุบันดังนั้นพวกเขาอาศัยหลักในราคาตลาดเป็นคำแนะนำ แต่เพียงผู้เดียวของพวกเขาพวกเขาคำนวณราคาตลาดด้วยมือและกราฟราคาเหล่านั้นเพื่อแสดงแนวโน้มและทิศทางตลาดกระบวนการนี้ค่อนข้างน่าเบื่อ แต่ พิสูจน์ได้ว่าค่อนข้างมีผลกำไรกับการยืนยันการศึกษาต่อไปการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันเพียงแค่เพิ่มราคาปิดของ 10 วันที่ผ่านมาและหารด้วย 10 ค่าเฉลี่ยเคลื่อนที่ 20 วันคำนวณโดยการเพิ่มราคาปิดเหนือช่วง 20- วันและหารด้วย 20 และอื่น ๆ สูตรนี้ไม่ได้เป็นเพียงขึ้นอยู่กับราคาปิด แต่ผลิตภัณฑ์ที่เป็นค่าเฉลี่ยของราคา - Mov เซตย่อย โดยเฉลี่ยจะเรียกว่าย้ายเนื่องจากกลุ่มของราคาที่ใช้ในการคำนวณย้ายไปตามจุดในแผนภูมิซึ่งหมายความว่าวันเก่าจะลดลงในความโปรดปรานของราคาปิดวันใหม่ดังนั้นการคำนวณใหม่จำเป็นเสมอที่สอดคล้องกับกรอบเวลาของ ใช้ค่าเฉลี่ยดังนั้นค่าเฉลี่ย 10 วันจะคำนวณใหม่โดยการเพิ่มวันใหม่และลดลงวันที่ 10 และวันที่เก้าจะลดลงในวันที่สองสำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการใช้แผนภูมิในการซื้อขายสกุลเงินโปรดดูขั้นตอนการสำรวจพื้นฐานเกี่ยวกับ Chart Exponential Moving Average EMA ค่าเฉลี่ยเคลื่อนที่เชิงเลขได้รับการปรับแต่งและใช้กันอย่างแพร่หลายตั้งแต่ทศวรรษที่ 1960 เนื่องจากการทดลองกับคอมพิวเตอร์ก่อนหน้านี้ EMA ใหม่จะมุ่งเน้นที่ราคาล่าสุดมากกว่าในชุดข้อมูลยาว ๆ ค่าเฉลี่ยของ EMA XMA ของ EMA ก่อนหน้านี้ปัจจัยที่สำคัญที่สุดคือค่าคงที่ที่ราบเรียบที่ 2 1 N โดยที่ N จำนวนวัน EMA 10 วัน 2 10 1 18 8. นี่หมายถึง EMA 10 งวดซึ่งเป็นราคาล่าสุด 18 8, EMA 9 52 และ 50 วัน EMA 3 92 20 วันล่าสุด EMA ใช้ความแตกต่างระหว่างระยะเวลาปัจจุบัน s ราคาและ EMA ก่อนหน้าและการเพิ่มผลให้ EMA ก่อนระยะเวลาที่สั้นมากขึ้นน้ำหนักมากขึ้นใช้กับราคาล่าสุดสายการผลิตโดยการคำนวณเหล่านี้จุดจะพล็อตเผยให้เห็นสายกระชับข้อต่อสายด้านบนหรือด้านล่างของตลาด ราคาบ่งบอกว่าค่าเฉลี่ยเคลื่อนที่ทั้งหมดเป็นตัวชี้วัดที่ล้าหลังและใช้เป็นหลักสำหรับแนวโน้มดังต่อไปนี้พวกเขา don t ทำงานได้ดีกับตลาดช่วงและช่วงเวลาของความแออัดเนื่องจากสายกระชับไม่แสดงถึงแนวโน้มเนื่องจากการขาดความชัดเจนสูงหรือต่ำกว่าที่เห็นได้ชัด Plus, สายการติดตั้งมีแนวโน้มที่จะยังคงอยู่อย่างต่อเนื่องโดยไม่ต้องมีคำแนะนำทิศทางสายพอดีขึ้นที่ด้านล่างของตลาดหมายถึงยาวในขณะที่สายการปรับตัวที่ตกลงมาเหนือตลาดหมายสั้นสำหรับคำแนะนำฉบับสมบูรณ์อ่าน Moving Average Tutorial ของเรา pur การใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆคือการหาจุดและวัดแนวโน้มโดยการทำให้ข้อมูลมีความเรียบโดยใช้วิธีการของกลุ่มราคาหลายกลุ่มมีแนวโน้มที่จะได้รับการคาดการณ์และคาดการณ์ไว้ในคาดการณ์สมมติฐานคือการเคลื่อนไหวของแนวโน้มก่อนหน้าจะยังคงดำเนินต่อไป แนวโน้มระยะยาวสามารถพบและปฏิบัติตามได้ง่ายกว่า EMA โดยมีข้อสันนิษฐานที่สมเหตุสมผลว่าสายพอดีจะมีแนวรับที่แข็งแกร่งกว่าเส้น EMA เนื่องจากการมุ่งเน้นที่ราคาเฉลี่ยมากกว่า EMA ใช้เพื่อจับภาพการเคลื่อนไหวที่สั้นลงเนื่องจาก การให้ความสำคัญกับราคาล่าสุดโดยวิธีนี้ EMA ควรจะลดความล่าช้าใด ๆ ในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเพื่อให้เส้นที่เหมาะสมจะกอดราคาใกล้กว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายปัญหาเกี่ยวกับ EMA เป็นเช่นนี้แนวโน้มที่จะมีการแบ่งราคาโดยเฉพาะอย่างยิ่งในช่วง ตลาดที่รวดเร็วและช่วงความผันผวน EMA ทำงานได้ดีจนกว่าราคาจะพังทลายลงในช่วงที่ตลาดมีความผันผวนสูงขึ้นคุณสามารถพิจารณาเพิ่มความยาวของค่าเฉลี่ยเคลื่อนที่ได้ จาก EMA ไปยัง SMA เนื่องจาก SMA ช่วยให้ข้อมูลดีขึ้นกว่า EMA เนื่องจากมุ่งเน้นไปที่วิธีการในระยะยาวตัวบ่งชี้การกระจุกตัวของการฟื้นตัวเนื่องจากตัวบ่งชี้ที่อยู่ข้างหลังค่าเฉลี่ยเคลื่อนที่จะดีขึ้นเป็นเส้นค่าเฉลี่ยและค่าความต้านทาน ต่ำกว่าแนวรับ 10 วันที่มีแนวโน้มสูงขึ้นมีโอกาสดีที่แนวโน้มขาขึ้นอาจลดลงหรืออย่างน้อยตลาดอาจรวมตัวหากราคาพุ่งขึ้นเหนือเส้นค่าเฉลี่ย 10 วันในทิศทางขาลงแนวโน้มอาจลดลงหรือ consolidating ในกรณีเหล่านี้ให้ใช้ค่าเฉลี่ยเคลื่อนที่ 10 และ 20 วันพร้อมกันและรอให้เส้น 10 วันข้ามด้านบนหรือด้านล่างบรรทัด 20 วันซึ่งจะกำหนดทิศทางระยะสั้นต่อไปสำหรับราคาสำหรับระยะเวลาที่ยาวขึ้น ดูค่าเฉลี่ยเคลื่อนที่ 100 และ 200 วันสำหรับทิศทางในระยะยาวตัวอย่างเช่นการใช้ค่าเฉลี่ยเคลื่อนที่ 100 และ 200 วันหากค่าเฉลี่ยเคลื่อนที่ 100 วันต่ำกว่าค่าเฉลี่ย 200 วันจะเรียกว่าการเสียชีวิต และมีความผันผวนมากสำหรับราคาเฉลี่ยเคลื่อนที่ 100 วันที่ ค่าเฉลี่ยที่สูงกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันเรียกว่ากากบาทสีทองและมีความผันผวนมากสำหรับราคาไม่เป็นไรหากมีการใช้ SMA หรือ EMA เนื่องจากทั้งสองตัวบ่งชี้แนวโน้มมีดังต่อไปนี้เท่านั้นในระยะสั้น SMA มีความคลาดเคลื่อนเล็กน้อยจากคู่สัญญา EMA ข้อสรุปค่าเฉลี่ยเคลื่อนที่เป็นพื้นฐานของการวิเคราะห์แบบแผนภูมิและเวลาการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเรียบง่ายและค่าเฉลี่ยเคลื่อนที่เชิงเลขที่ซับซ้อนมากขึ้นจะช่วยให้เห็นภาพแนวโน้มโดยการปรับราคาการเคลื่อนไหวของราคาให้ผันผวนการวิเคราะห์ทางเทคนิคบางครั้งเรียกว่าศิลปะ แทนที่จะเป็นวิทยาศาสตร์ซึ่งทั้งสองใช้เวลาหลายปีในการเรียนรู้ข้อมูลเพิ่มเติมในการวิเคราะห์ทางเทคนิคของเรา Tutorial. EMA วิธีการคำนวณ it. Calculating Exponential Moving Average - กวดวิชา EMA เฉลี่ยถ่วงน้ำหนักโดยประมาณเป็นตัวบ่งชี้ที่ใช้มากที่สุดในการวิเคราะห์ทางเทคนิค วันนี้ แต่คุณจะคำนวณได้ด้วยตัวคุณเองโดยใช้กระดาษและปากกาหรือต้องการโปรแกรมสเปรดชีตที่คุณเลือกให้ลองหาคำอธิบายเกี่ยวกับการคำนวณ EMA Calalcula ting Exponential Moving Average EMA เป็นหลักสูตรที่ทำโดยอัตโนมัติโดยซอฟต์แวร์การค้าและการวิเคราะห์ทางเทคนิคมากที่สุดในปัจจุบันนั่นคือวิธีการคำนวณด้วยตนเองซึ่งจะช่วยเพิ่มความเข้าใจเกี่ยวกับวิธีการทำงานด้วยเช่นกันเราจะคำนวณ EMA ในราคาที่เหมาะสม ของหุ้นเราต้องการ EMA 22 วันซึ่งเป็นกรอบเวลาที่ใช้กันทั่วไปสำหรับ EMA ที่ยาวนานสูตรสำหรับการคำนวณ EMA มีดังต่อไปนี้ราคา EMA TM y 1 kt วันนี้ y วันนี้ N จำนวนวันใน EMA k 2 N 1. ใช้ขั้นตอนต่อไปนี้เพื่อคำนวณ EMA 22 วัน 1. เริ่มต้นด้วยการคำนวณ k สำหรับช่วงเวลาที่กำหนด 2 22 1 0,0869.2 เพิ่มราคาปิดบัญชีสำหรับ 22 วันแรกเข้าด้วยกันและแบ่งตาม 22.3 ตอนนี้คุณพร้อมแล้ว เริ่มต้นรับวันอีเอ็มเอเป็นวันแรกโดยใช้ราคาปิดวันถัดไป 23 คูณด้วย k จากนั้นคูณค่าเฉลี่ยของการเคลื่อนไหวของวันก่อนหน้าโดย 1-k และเพิ่มสอง 4 ทำขั้นตอนที่ 3 ซ้ำแล้วซ้ำอีกในแต่ละวันตามที่ได้รับ เต็มรูปแบบของ EMA นี้สามารถนำไปใส่ใน Excel หรืออื่น ๆ ซอฟต์แวร์สเปรดชีตเพื่อให้กระบวนการของการคำนวณ EMA กึ่งอัตโนมัติเพื่อให้คุณดูอัลกอริทึมเกี่ยวกับวิธีการนี้สามารถทำได้ดูด้านล่าง float สาธารณะ CalculateEMA float todaysPrice float numberOfDays float เมื่อวานนี้ float k 2 numberOfDays 1 return todaysPrice k EMAY วานนี้ 1 k วิธีนี้มักถูกเรียกจากลูปผ่านข้อมูลของคุณกำลังมองหาบางอย่างเช่น this. foreach DailyRecord sdr ใน DataRecords เรียกเลข EMA คำนวณ EMA numberOfDays เมื่อวาน EMA ใส่ ema ที่คำนวณได้ในอาร์เรย์ ema ตรวจสอบให้แน่ใจว่าเมื่อวานนี้ EMA เต็มไปด้วย EMA ที่เรา ใช้เวลาประมาณวานนี้ EMA em โปรดทราบว่านี่เป็นรหัสของ psuedo คุณมักจะต้องส่งค่า CLOSE เมื่อวานนี้เมื่อวานนี้ EMA จนกระทั่งเมื่อวานนี้ EMA คำนวณจาก EMA วันนี้ที่เกิดขึ้นเฉพาะหลังจากที่ลูปใช้เวลามากกว่าวันนับจากวัน คุณได้คำนวณ EMA ของคุณสำหรับ EMA 22 วันเท่านั้นในเวลา 23 ครั้งในลูปและหลังจากนั้นเมื่อวานนี้ EMA ถูกต้อง Thi s ไม่มีเรื่องใหญ่เพราะคุณจะต้องมีข้อมูลจากอย่างน้อย 100 วันทำการสำหรับวันที่ 22 EMA จะถูกต้องบทความที่เกี่ยวข้อง