Menjelajahi Volatilitas Bergerak yang Tertimbang Tertimbang Secara Eksponensial adalah ukuran risiko yang paling umum, namun ada beberapa rasa. Dalam artikel sebelumnya, kami menunjukkan bagaimana cara menghitung volatilitas historis sederhana. (Untuk membaca artikel ini, lihat Menggunakan Volatilitas untuk Mengukur Risiko Masa Depan.) Kami menggunakan data harga saham Googles aktual untuk menghitung volatilitas harian berdasarkan data stok 30 hari. Pada artikel ini, kami akan memperbaiki volatilitas sederhana dan membahas rata-rata bergerak tertimbang eksponensial (eksploitatif tertimbang rata-rata) (EWMA). Sejarah Vs. Volatilitas Tersirat Pertama, mari kita letakkan metrik ini menjadi sedikit perspektif. Ada dua pendekatan yang luas: volatilitas historis dan tersirat (atau implisit). Pendekatan historis mengasumsikan bahwa masa lalu adalah prolog kita mengukur sejarah dengan harapan itu bersifat prediktif. Sebaliknya, volatilitas tersirat mengabaikan sejarah yang memecahkan volatilitas yang diimplikasikan oleh harga pasar. Ia berharap pasar tahu yang terbaik dan bahwa harga pasar mengandung, bahkan jika secara implisit, perkiraan konsensus volatilitas. (Untuk pembacaan yang terkait, lihat Kegunaan dan Batas Volatilitasnya.) Jika kita berfokus hanya pada tiga pendekatan historis (di sebelah kiri di atas), mereka memiliki dua kesamaan: Hitunglah serangkaian pengembalian periodik Terapkan skema pembobotan Pertama, kita Hitung kembali periodik. Itu biasanya serangkaian pengembalian harian dimana masing-masing imbal hasil dinyatakan dalam istilah yang terus bertambah. Untuk setiap hari, kita mengambil log natural dari rasio harga saham (yaitu harga hari ini dibagi dengan harga kemarin, dan seterusnya). Ini menghasilkan serangkaian pengembalian harian, dari u i sampai u i-m. Tergantung berapa hari (m hari) yang kita ukur. Itu membawa kita ke langkah kedua: Di sinilah ketiga pendekatan berbeda. Pada artikel sebelumnya (Menggunakan Volatilitas Untuk Mengukur Risiko Masa Depan), kami menunjukkan bahwa di bawah beberapa penyederhanaan yang dapat diterima, varians sederhana adalah rata-rata pengembalian kuadrat: Perhatikan bahwa jumlah ini masing-masing dari pengembalian periodik, kemudian dibagi total oleh Jumlah hari atau pengamatan (m). Jadi, yang benar-benar hanya rata-rata kuadrat periodik kembali. Dengan kata lain, setiap kuadrat kembali diberi bobot yang sama. Jadi, jika alpha (a) adalah faktor pembobotan (khusus, 1m), maka varians sederhana terlihat seperti ini: EWMA Meningkatkan Varians Sederhana Kelemahan pendekatan ini adalah bahwa semua pengembalian mendapatkan bobot yang sama. Kembali ke masa lalu (sangat baru) tidak berpengaruh lagi terhadap varians daripada return bulan lalu. Masalah ini diperbaiki dengan menggunakan rata-rata pergerakan tertimbang eksponensial (EWMA), di mana pengembalian yang lebih baru memiliki bobot yang lebih besar pada variansnya. Rata-rata bergerak tertimbang secara eksponensial (EWMA) memperkenalkan lambda. Yang disebut parameter smoothing. Lambda harus kurang dari satu. Dengan kondisi seperti itu, daripada bobot yang sama, setiap kuadrat kembali dibobot oleh pengganda sebagai berikut: Misalnya, RiskMetrics TM, perusahaan manajemen risiko keuangan, cenderung menggunakan lambda 0,94, atau 94. Dalam kasus ini, Paling akhir) kuadrat periodik kembali ditimbang oleh (1-0.94) (94) 0 6. Kuadrat berikutnya kembali hanyalah lambda-kelipatan dari berat sebelumnya dalam kasus ini 6 dikalikan 94 5.64. Dan hari ketiga berat sama dengan (1-0.94) (0.94) 2 5.30. Itulah makna eksponensial dalam EWMA: setiap bobot adalah pengganda konstan (yaitu lambda, yang harus kurang dari satu) dari berat hari sebelumnya. Hal ini memastikan varians yang berbobot atau bias terhadap data yang lebih baru. (Untuk mempelajari lebih lanjut, lihat Lembar Kerja Excel untuk Volatilitas Google). Perbedaan antara hanya volatilitas dan EWMA untuk Google ditunjukkan di bawah ini. Volatilitas sederhana secara efektif membebani setiap return periodik sebesar 0,199 seperti yang ditunjukkan pada Kolom O (kami memiliki data harga saham dua tahun. Itu adalah 509 return harian dan 1509 0.196). Tapi perhatikan bahwa Kolom P memberi bobot 6, lalu 5.64, lalu 5.3 dan seterusnya. Itulah satu-satunya perbedaan antara varians sederhana dan EWMA. Ingat: Setelah kita menghitung keseluruhan rangkaian (di Kolom Q), kita memiliki varians, yang merupakan kuadrat dari standar deviasi. Jika kita ingin volatilitas, kita perlu ingat untuk mengambil akar kuadrat varians itu. Apa perbedaan dalam volatilitas harian antara varians dan EWMA dalam kasus Googles yang signifikan: Variance sederhana memberi volatilitas harian sebesar 2,4 namun EWMA memberikan volatilitas harian hanya 1,4 (lihat spreadsheet untuk rinciannya). Rupanya, volatilitas Googles baru-baru ini turun, oleh karena itu, varians sederhana mungkin sangat tinggi secara artifisial. Todays Varians Adalah Fungsi Varian Jurus Hari Ini, kami akan mempertimbangkan untuk menghitung deret berat badan yang menurun secara eksponensial. Kami tidak akan melakukan matematika di sini, tapi salah satu fitur terbaik dari EWMA adalah keseluruhan rangkaian mudah direduksi menjadi formula rekursif: Rekursif berarti referensi varians hari ini (yaitu fungsi dari varian hari sebelumnya). Anda dapat menemukan formula ini di dalam spreadsheet juga, dan menghasilkan hasil yang sama persis dengan perhitungan longhand yang dikatakan: Variasi hari ini (di bawah EWMA) sama dengan varians kemarin (tertimbang oleh lambda) ditambah kembalinya kuadran kemarin (ditimbang oleh satu minus lambda). Perhatikan bagaimana kita hanya menambahkan dua istilah bersama: varians berbobot kemarin dan kemarin berbobot, kuadrat kembali. Meski begitu, lambda adalah parameter penghalusan kita. Lambda yang lebih tinggi (misalnya RiskMetrics 94) mengindikasikan peluruhan lambat dalam rangkaian - secara relatif, kita akan memiliki lebih banyak titik data dalam rangkaian dan akan jatuh lebih lambat. Di sisi lain, jika kita mengurangi lambda, kita mengindikasikan peluruhan yang lebih tinggi: bobotnya akan jatuh lebih cepat dan, sebagai akibat langsung dari pembusukan yang cepat, lebih sedikit titik data yang digunakan. (Dalam spreadsheet, lambda adalah masukan, jadi Anda bisa bereksperimen dengan sensitivitasnya). Ringkasan Volatilitas adalah deviasi standar instan dari stok dan metrik risiko yang paling umum. Ini juga merupakan akar kuadrat dari varians. Kita dapat mengukur varians secara historis atau implisit (volatilitas tersirat). Saat mengukur secara historis, metode termudah adalah varians sederhana. Tapi kelemahan dengan varians sederhana adalah semua kembali mendapatkan bobot yang sama. Jadi kita menghadapi trade-off klasik: kita selalu menginginkan lebih banyak data tapi semakin banyak data yang kita miliki, semakin banyak perhitungan kita yang terdilusi oleh data yang jauh (kurang relevan). Rata-rata pergerakan tertimbang eksponensial (EWMA) meningkat dengan varians sederhana dengan menetapkan bobot ke tingkat pengembalian periodik. Dengan melakukan ini, kita berdua bisa menggunakan ukuran sampel yang besar namun juga memberi bobot lebih besar pada hasil yang lebih baru. (Untuk melihat tutorial film mengenai topik ini, kunjungi Penyu Bionik.) Memindahkan model pemulusan rata-rata dan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan menggunakan Model moving-average atau smoothing. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Kembali ke atas halaman.) Filter Eksponensial Halaman ini menjelaskan penyaringan eksponensial, filter paling sederhana dan paling populer. Ini adalah bagian dari bagian Penyaringan yang merupakan bagian dari A Guide to Fault Detection and Diagnosis .. Ikhtisar, konstanta waktu, dan analog yang setara Filter yang paling sederhana adalah filter eksponensial. Ini hanya memiliki satu parameter tuning (selain interval sampel). Hal ini membutuhkan penyimpanan hanya satu variabel - output sebelumnya. Ini adalah filter IIR (autoregresif) - efek dari peluruhan perubahan masukan secara eksponensial sampai batas tampilan atau aritmatika komputer menyembunyikannya. Dalam berbagai disiplin ilmu, penggunaan filter ini juga disebut sebagai smoothing8221 yang berespon. Dalam beberapa disiplin ilmu seperti analisis investasi, filter eksponensial disebut sebagai 8220Exponentially Weighted Moving Average8221 (EWMA), atau hanya 8220Exponential Moving Average8221 (EMA). Ini menyalahgunakan rata-rata ARMA 8220moving average8221 terminologi time series, karena tidak ada sejarah masukan yang digunakan - hanya masukan saat ini. Ini adalah waktu diskrit yang setara dengan urutan pertama urutan kedua yang sering digunakan dalam pemodelan analog sistem kontrol kontinyu. Di sirkuit listrik, filter RC (filter dengan satu resistor dan satu kapasitor) adalah jeda orde pertama. Saat menekankan analogi pada sirkuit analog, parameter tuning tunggal adalah konstanta waktu 82208, biasanya ditulis sebagai huruf kecil huruf Yunani Tau (). Sebenarnya, nilai pada waktu sampel diskrit sama persis dengan jeda waktu kontinyu yang setara dengan konstanta waktu yang sama. Hubungan antara implementasi digital dan konstanta waktu ditunjukkan pada persamaan di bawah ini. Persamaan dan inisialisasi filter eksponensial Filter eksponensial adalah kombinasi tertimbang dari perkiraan sebelumnya (output) dengan data masukan terbaru, dengan jumlah bobot sama dengan 1 sehingga output sesuai dengan input pada kondisi tunak. Setelah notasi filter sudah diperkenalkan: y (k) ay (k-1) (1-a) x (k) di mana x (k) adalah input mentah pada langkah waktu ky (k) adalah output yang disaring pada waktu step ka Adalah konstanta antara 0 dan 1, biasanya antara 0,8 dan 0,99. (A-1) atau kadang-kadang disebut konstanta 8220moothing8221. Untuk sistem dengan selang waktu tetap T antara sampel, konstanta 8220a8221 dihitung dan disimpan untuk kenyamanan hanya bila pengembang aplikasi menentukan nilai baru dari konstanta waktu yang diinginkan. Untuk sistem dengan sampling data pada interval tidak beraturan, fungsi eksponensial di atas harus digunakan setiap langkah waktu, di mana T adalah waktu sejak sampel sebelumnya. Output filter biasanya diinisialisasi agar sesuai dengan input pertama. Sebagai pendekatan konstan waktu 0, a pergi ke nol, jadi tidak ada penyaringan 8211 output sama dengan input baru. Seiring konstanta waktu menjadi sangat besar, sebuah pendekatan 1, sehingga input baru hampir mengabaikan 8211 penyaringan yang sangat berat. Persamaan saringan di atas dapat disusun ulang menjadi ekuivalen prediktor-korektor berikut: Bentuk ini membuatnya lebih jelas bahwa perkiraan variabel (keluaran filter) diprediksi tidak berubah dari perkiraan sebelumnya y (k-1) ditambah dengan istilah koreksi Pada tak terduga 8220innovation8221 - perbedaan antara input baru x (k) dan prediksi y (k-1). Bentuk ini juga merupakan hasil dari derover filter eksponensial sebagai kasus khusus sederhana dari filter Kalman. Yang merupakan solusi optimal untuk masalah estimasi dengan seperangkat asumsi tertentu. Langkah respons Salah satu cara untuk memvisualisasikan pengoperasian filter eksponensial adalah dengan merencanakan responsnya dari waktu ke waktu ke langkah masukan. Artinya, dimulai dengan input dan output filter pada 0, nilai input tiba-tiba berubah menjadi 1. Nilai yang dihasilkan diplotkan di bawah ini: Pada plot di atas, waktu dibagi dengan waktu filter konstan tau sehingga anda bisa lebih mudah memprediksi. Hasil untuk jangka waktu tertentu, untuk nilai konstanta waktu filter. Setelah waktu sama dengan konstanta waktu, output filter naik menjadi 63,21 dari nilai akhirnya. Setelah waktu sama dengan 2 konstanta waktu, nilainya meningkat menjadi 86,47 dari nilai akhirnya. Output setelah kali sama dengan 3,4, dan 5 konstanta waktu masing-masing adalah 95,02, 98,17, dan 99,33 dari nilai akhir. Karena filternya linier, ini berarti bahwa persentase ini dapat digunakan untuk besarnya perubahan langkah, tidak hanya untuk nilai 1 yang digunakan di sini. Meskipun respons langkah dalam teori membutuhkan waktu yang tidak terbatas, dari sudut pandang praktis, pikirkan filter eksponensial sebagai 98 sampai 99 8220done8221 yang merespons setelah waktu yang sama dengan 4 sampai 5 konstanta waktu filter. Variasi pada filter eksponensial Ada variasi filter eksponensial yang disebut filter eksponensial 8220nonlinear8221 Weber, 1980. dimaksudkan untuk menyaring suara dengan sangat dalam amplitudo 8220typical8221 tertentu, namun kemudian merespons lebih cepat perubahan yang lebih besar. Hak Cipta 2010 - 2013, Greg Stanley Bagikan halaman ini:
No comments:
Post a Comment