SIMPLE MOVING MOYENNE Problèmes d'utilisation de la moyenne mobile simple comme outil de prévision: La moyenne mobile est le suivi des données réelles, mais il est toujours en retard par rapport à lui. La moyenne mobile n'atteindra jamais les sommets ou les vallées des données réelles. Il lisse les données. Il ne vous dit pas grand-chose sur l'avenir. Cependant, cela ne rend pas la moyenne mobile inutile151. Il vous suffit d'être conscient de ses problèmes. Pour résumer, pour une moyenne mobile simple ou une seule moyenne mobile, nous avons vu des problèmes avec l'utilisation de la moyenne mobile simple comme outil de prévision. La moyenne mobile est suivi des données réelles, mais sa toujours en retard par rapport à elle. La moyenne mobile n'atteindra jamais les sommets ou les vallées des données réelles, car elle permet de lisser les données, et cela ne vous dit pas grand-chose sur l'avenir, car il ne fait que prévoir une période à l'avance et cette prévision est censée représenter la meilleure Valeur pour la période future, une période à l'avance, mais il ne vous dit pas beaucoup au-delà. Cela ne rend pas la moyenne mobile simple inutilisable en fait, vous voyez un moyen de déplacement simple. Méthode MovingAverageModel Un modèle de prévision de moyenne mobile est basé sur une série temporelle artificiellement construite dans laquelle la valeur pour une période donnée est remplacée par la moyenne de Cette valeur et les valeurs pour un certain nombre de périodes de temps précédentes et suivantes. Comme vous l'avez peut-être deviné à partir de la description, ce modèle convient le mieux aux données de séries chronologiques, c'est-à-dire aux données qui changent au fil du temps. Par exemple, de nombreux graphiques de stocks individuels sur le marché boursier montrent des moyennes mobiles de 20, 50, 100 ou 200 jours comme un moyen de montrer les tendances. Puisque la valeur de prévision pour une période donnée est la moyenne des périodes précédentes, alors la prévision semblera toujours être en retard par rapport aux augmentations ou aux baisses des valeurs observées (dépendantes). Par exemple, si une série de données a une tendance à la hausse notable, alors une prévision moyenne mobile fournira généralement une sous-estimation des valeurs de la variable dépendante. La méthode de la moyenne mobile a un avantage par rapport aux autres modèles de prévision en ce qu'elle permet de lisser les pics et les creux (ou les vallées) dans un ensemble d'observations. Cependant, il présente également plusieurs inconvénients. En particulier, ce modèle ne produit pas d'équation réelle. Par conséquent, il n'est pas tout ce qui est utile comme moyen de prévision à moyen terme. Il ne peut être utilisé de manière fiable que pour prévoir une ou deux périodes dans le futur. Le modèle de la moyenne mobile est un cas particulier de la moyenne mobile pondérée plus générale. Dans la moyenne mobile simple, tous les poids sont égaux. Depuis: 0.3 Auteur: Steven R. Gould Champs hérités de la classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Construit un nouveau modèle de prévision de la moyenne mobile. MovingAverageModel (période int) Construit un nouveau modèle de prévision de la moyenne mobile, en utilisant la période spécifiée. GetForecastType () Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. Init (DataSet dataSet) Utilisé pour initialiser le modèle de moyenne mobile. ToString () Cela doit être remplacé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Méthodes héritées de la classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile. Pour qu'un modèle valide soit construit, vous devez appeler init et passer dans un ensemble de données contenant une série de points de données avec la variable de temps initialisée pour identifier la variable indépendante. MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile, utilisant le nom donné comme variable indépendante. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. MovingAverageModel Crée un nouveau modèle de prévision de la moyenne mobile, en utilisant la période spécifiée. Pour qu'un modèle valide soit construit, vous devez appeler init et passer dans un ensemble de données contenant une série de points de données avec la variable de temps initialisée pour identifier la variable indépendante. La valeur de la période est utilisée pour déterminer le nombre d'observations à utiliser pour calculer la moyenne mobile. Par exemple, pour une moyenne mobile de 50 jours où les points de données sont des observations quotidiennes, la période devrait être fixée à 50. Cette période sert également à déterminer le nombre de périodes futures qui peuvent être effectivement prévues. Avec une moyenne mobile de 50 jours, nous ne pouvons raisonnablement - avec un degré de précision - prévoir plus de 50 jours au-delà de la dernière période pour laquelle les données sont disponibles. Cela peut être plus avantageux que, par exemple, une période de 10 jours, où nous ne pouvions raisonnablement prévoir 10 jours au-delà de la dernière période. Paramètres: période - le nombre d'observations à utiliser pour calculer la moyenne mobile. MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile, en utilisant le nom donné comme variable indépendante et la période spécifiée. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. Période - le nombre d'observations à utiliser pour calculer la moyenne mobile. Utilisé pour initialiser le modèle de moyenne mobile. Cette méthode doit être appelée avant toute autre méthode de la classe. Puisque le modèle de moyenne mobile ne dérive aucune équation de prévision, cette méthode utilise le DataSet d'entrée pour calculer les valeurs de prévision pour toutes les valeurs valides de la variable de temps indépendante. Spécifié par: init dans l'interface ForecastingModel Overrides: init dans la classe AbstractTimeBasedModel Paramètres: dataSet - ensemble de données d'observations pouvant être utilisées pour initialiser les paramètres de prévision du modèle de prévision. GetForecastType Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. Gardez ce court. Une description plus longue doit être implémentée dans la méthode toString. Cela devrait être annulé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Spécifié par: toString dans l'interface ForecastingModel Overrides: toString dans la classe WeightedMovingAverageModel Renvoie: une représentation en chaîne du modèle de prévision actuel et ses paramètres.2.3 Quelques méthodes de prévision simples beer2 lt - window 40 ausbeer, début 1992. fin 2006 - .1 41 beerfit1 Lt - meanf 40 bière2, h 11 41 beerfit2 ltnaive 40 beer2, h 11 41 beerfit3 lt - snaive 40 beer2, h 11 41 parcelle 40 beerfit1, parcelle. Conf FALSE, principale quotPrévisions pour la production trimestrielle de bière 41 lignes 40 beerfit2mean, col 2 41 lignes 40 beerfit3mean, col 3 41 légende 40 quottoprightquot, lty 1. col c 40 4. 2. 3 41, légende c 40 Méthode Moyenne. QuotNaive methodquot. Méthode naïve saisonnière 41 41 Dans la figure 2.14, les méthodes non saisonnières ont été appliquées à une série de 250 jours de l'indice Dow Jones. Dj2 lt - fenêtre 40 dj, fin 250 41 tracé 40 dj2, principal QuotDow Jones Index (fin quotidien 15 juil 94) quot, ylab quotquot, xlab quotDayquot, xlim c 40 2. 290 41 41 lignes 40 moyenne de 40 dj2, h 42 41 Moyenne, col 4 41 lignes 40 rwf 40 dj2, h 42 41 moyenne, col 2 41 lignes 40 rwf 40 dj2, dérive TRUE, h 42 41 moyenne, col 3 41 légende 40 quottopleftquot, lty 1. col c 40 4. 2. 3 41, légende c 40 Méthode moyenne. QuotNaive methodquot. QuotDrift methodquot 41 41 Parfois, une de ces méthodes simples sera la meilleure méthode de prévision disponible. Mais dans de nombreux cas, ces méthodes serviront de repères plutôt que la méthode de choix. C'est-à-dire, quelles que soient les méthodes de prévision que nous développons, ils seront comparés à ces méthodes simples pour s'assurer que la nouvelle méthode est meilleure que ces alternatives simples. Sinon, la nouvelle méthode ne vaut pas la peine d'être considérée.
No comments:
Post a Comment