Gatlinburg Burning: Hvordan et Tennessee Wildfire Spread Så Rask Great Smoky Mountain National Park stengt etter et brannslukke omgjort til en raskt spredende inferno mandag kveld (28. november 2016). Kreditt: National Park Service Great Smoky Mountain National Park er stengt, og tusenvis av innbyggere i de nærliggende byene Gatlinburg og Pigeon Forge, Tennessee, har flyktet hjem etter at et brann fra parken ble omgjort til en raskt spredende inferno i går kveld (nov. 28). Minst 14 000 mennesker har evakuert fra de to feriestedene, og hundrevis av strukturer har blitt skadet eller ødelagt, ifølge Tennessee Emergency Management Agency. Men hvordan spredte en skogbrann så raskt at den fanget noen besøkende i et lokalt hotell, filmet flammene mens brannen kom nær parkeringsplassen. Naturkatastrofer: Topp 10 amerikanske trusler To ord: tørke og vind. De fleste av Øst-Tennessee har vært i eksepsjonell eller alvorlig tørke hele sommeren, sa Sam Roberts, meteorolog ved National Weather Service-prospektkontoret i Morristown, Tennessee. På Knoxville, Tennessee, flyplass overvåkning stasjon, nedbør er ned 10,29 inches (26 centimeter) fra årlige gjennomsnitt, Roberts fortalte Live Science. I statens Tri-Cities-område, ca 80 miles (130 kilometer) fra Gatlinburg, er nedbør ned 9,65 tommer (25 cm) over det årlige gjennomsnittet. Og i Chattanooga i det sørøstlige hjørnet av staten, har nedbør vært en jevn 21,5 tommer (55 cm) under gjennomsnittet. Hvis de ikke får for mye mer regn, vil dette bli det tørreste året på rekord for dem, sier Roberts. En høyde med høyt atmosfærisk trykk parkert over USA Sørøst har holdt regn i sjakk om sommeren, sa Roberts, som satte scenen for den nåværende forbrenningen. Fra og med 23. november er en liten del av det nordøstlige hjørnet av Tennessee i moderat tørke, mens resten av staten sliter med alvorlig, ekstrem eller eksepsjonell tørke, ifølge U. S. Drought Monitor. Tørr og døende: Bilder av tørke Sudden spredt Wildfire-aktivitet har vært over normal i østlige delstaten, sa Roberts, men selv uten nedbør syntes brannslukningsarbeid å ha kontrollert situasjonen de siste dagene. I løpet av den siste uken har ting begynt å slå seg ned, sier han. Det var de hadde til mandag kveld. På søndag startet en brann på Chimney Tops, en populær turstopp inne i Great Smoky Mountains National Park. Brannen hadde spredd seg til rundt 500 dekar i størrelse da en sterk frontreise fra sørvest brakte vindstråler til området, sa Roberts. quotThey fikk gusts opp der til 40, 50, 60 mph 64 til 97 kmh, sier han. Siden drivstoffene var så tørre på grunn av tørken, aksepterte vinden bare disse brannene i et veldig raskt tempo. Kvotene sendte også brannkonkurransen nedover, noe som er relativt sjeldent, sa Brad Panovich, sjefmeteorolog ved WCNC - NBC TV i Charlotte, North Carolina. quotHeat stiger og så har du en tendens til å få ild som brenner opp bakken, sier Panovich. Sitat har en tendens til å brenne nedovergående, virkelige sakte. Men i Gatlinburg sendte tvillingtrykkene av vind og blåser tørre blader brannen nedoverbakke, med flammende blader som brann brannene spredt. Vinden slår også over kraftledninger, sparker nye branner, sa Panovich til Live Science. Naturen tilbød et stykke lettelse mellom midnatt og 7:00 lokal tid i dag, da Gatlinburg fikk mellom en tomme og tre fjerdedel inches regn 1,3 til 2 centimeter, sa Roberts. At nedbør bidro til å dempe jordbrensel som bladkull, men store logger, tømmer og strukturer er fortsatt varme, sa han. "Nå er ting i mye bedre form enn de var i går kveld, men de jobber fortsatt med noen hotspots, sier Roberts. Den største faren for Gatlinburg og omkringliggende områder er nå en annen front som vil bringe vindkast på mellom 15 og 30 km / t i kveld (29. november), sa Roberts. Kanskje en tommers regn vil følge disse vindene, som starter etter midnatt, og dette burde hjelpe brannslukning, sa han. citerte nedbør vil komme inn, sier Roberts. Det er bare at vi må håndtere vindene først. Quot Editor039s anbefalinger En test for å finne den beste, flytende gjennomsnittlige salgsstrategien av Dr. Winton Felt For å utvikle eller forfine våre handelssystemer og algoritmer, gjennomfører våre handelsmenn ofte eksperimenter, tester , optimaliseringer og så videre. Vi har testet flere salgsstrategier og deler nå noen av disse funnene. R. Donchian, populariserte systemet der et salg oppstår hvis 5-dagers glidende gjennomsnitt krysser under 20-dagers glidende gjennomsnitt. R. C. Allen populariserte systemet der et salg oppstår hvis 9-dagers glidende gjennomsnitt krysser under 18-dagers glidende gjennomsnitt. Noen handelsfolk føler at de gir mindre av gevinster de oppnår hvis de bruker et kortere, langvarig gjennomsnitt. Disse menneskene foretrekker å selge dersom 5-dagers glidende gjennomsnitt krysser under 10-dagers glidende gjennomsnitt. Traders har brukt variasjoner på disse ideene (noen foruting fordelene med en variasjon og andre tiluting fordelene med en annen). En forhandler fortalte oss om crossover av 7-dagers og 13-dagers eksponentielle glidende gjennomsnitt. Fordi systemet syntes å ha noen fortrinn, ble det inkludert i testene for sammenligningsformål. Strategiene som omfattes av denne spesielle serien av tester, inkluderte alle doble systemer der det kortere glidende gjennomsnittet var mellom 4 dager og 50 dager, og lengre glidende gjennomsnitt var mellom det korte glidende gjennomsnittet i lengden og 200 dager. Her rapporterer vi om noen av de mest populære systemene og om variasjoner av disse systemene. Selg om stockrsquos enkle 9-dagers glidende gjennomsnitt krysser under det enkle 18-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 10-dagers glidende gjennomsnitt krysser under det enkle 18-dagers glidende gjennomsnittet, Selg om stockrsquos enkelt 10-dagers glidende gjennomsnitt krysser under det enkle 19-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 9-dagers glidende gjennomsnitt krysser under det enkle 19-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 9-dagers glidende gjennomsnitt krysser under det enkle 20-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 10-dagers glidende gjennomsnitt krysser under det enkle 20-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 4-dagers glidende gjennomsnitt krysser under det enkle 18-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 5-dagers glidende gjennomsnitt krysser under det enkle 18-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 4-dagers glidende gjennomsnitt krysser under det enkle 20-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 5-dagers glidende gjennomsnitt krysser under sin enkle 20-dagers glidende gjennomsnitt e, Selg om stockrsquos enkle 5-dagers glidende gjennomsnitt krysser under det enkle 9-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 4-dagers glidende gjennomsnitt krysser under det enkle 9-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 4-dagers Flytte gjennomsnittlige kryss under det enkle 10-dagers glidende gjennomsnittet, Selg om stockrsquos enkle 5-dagers glidende gjennomsnitt krysser under det enkle 10-dagers glidende gjennomsnittet, Selg om stockrsquos eksponentielle 7-dagers glidende gjennomsnitt krysser under eksponensiell 13-dagers bevegelse gjennomsnittlig, Selg om stockrsquos eksponentielle 7-dagers glidende gjennomsnitt krysser under eksponentielt 14-dagers glidende gjennomsnitt. Vi ønsket å unngå quotcurve-fitting. quot Vi ønsket å teste disse strategiene over et bredt spekter av aksjer som representerer en rekke bransjer og markedssektorer. Også, vi ønsket å teste over en rekke markedsforhold. Derfor har vi testet strategiene på hver av ca 3000 aksjer over en periode på ca 9 år (eller i løpet av perioden hvor aksjene handles dersom det handles i mindre enn 9 år), factoring i provisjoner, men ikke quotslippage. quot Slippresultat når salgsordren er for 30, men prisen som salget utføres på er 29.99. I dette tilfellet vil slippingen være en krone en andel. Den samme quotbuyquot-strategien ble konsekvent brukt for hver test. Den eneste variabelen var regelen for salg. For hver strategi utgjorde vi avkastningen på alle aksjer. Vi utførte totalt 47.312 tester. Tanken bak dette forsøket var å finne ut hvilke av disse salgsdiscipliner som oppnådde de beste resultatene mesteparten av tiden for de fleste aksjer. Husk at lønnsomheten til et system som brukes på en enkelt aksje (selv om dette gjentas for 3000 aksjer som i vår test), maler ikke hele bildet. Lønnsomhet pr. Tidsenhet investert er en bedre måte å sammenligne systemer med. Ved gjennomføring av denne testen på lagerdisiplinene krevde vi at hvert system måtte vente på et nytt kjøpssignal i den aktuelle aksjen som ble testet. I virkeligheten kan en handelsmann hoppe til en annen aksje umiddelbart etter et salg. Derfor vil næringsdrivende ha liten eller ingen quotedad timequot mens de venter på å gjøre neste kjøp. Et system som er mindre lønnsomt, men som går ut av en stilling tidligere, kan derfor generere større overskudd i løpet av et år ved å reinvestere i en annen sikkerhet så snart den første er solgt. På den annen side ville det være en dårligere utøver hvis det måtte vente på neste kjøpssignal på samme lager mens et annet langsommere system fortsatt holdt og tjente penger. Et system som fanger 10 gevinster om 20 dager, kan derfor ikke sammenligne godt med et annet system som fanger kun 7 overskudd i de første 10 dagene av det samme trekket, og selger deretter for å ta en annen stilling andre steder. De ulike salgssystemene er arrangert nedenfor i henhold til lønnsomheten. Den venstre kolonnen er det korte glidende gjennomsnittet og midtkolonnen er det lange glidende gjennomsnittet. Selgesignalene ble generert når det korte gjennomsnittet krysset under det lange gjennomsnittet. Den høyre kolonnen er total lønnsomhet for alle bestodte aksjer. Nøkkelelementet til sammenligning er ikke den faktiske størrelsen på gevinsten for hvert salgssystem. Dette vil variere betydelig med forskjellige quotbuyquot og quotsellquot systemkombinasjoner. Vi testet ikke for lønnsomheten til et komplett system, men for den relative verdien av de ulike quotsellquot-systemene isolert fra deres respektive optimale quotbuyquot-disipliner. Som du ser fra bordet, solgte når 9-dagers glidende gjennomsnitt krysset under 18-dagers glidende gjennomsnitt var ikke så lønnsomt som å selge da 10-dagers glidende gjennomsnitt krysset under 20-dagers glidende gjennomsnitt. Donchianrsquos 5-dagers glidende gjennomsnittskors av 20-dagers gjennomsnittet var også mer lønnsomt enn 9-dagers gjennomsnittskryss av 18-dagers gjennomsnittet. Alle tester var identiske. Den eneste variabelen var kombinasjonen av bevegelige gjennomsnitt som ble valgt. De to eksponentielle systemene var nederst på listen i lønnsomhet. Ikke les denne rapporten uten å lese oppfølgingsrapporten ved å klikke på linken under tabellen. Tabellen gir bare en del av historien. Også denne studien var ikke et forsøk på å måle den relative effekten av komplette systemer. For eksempel, R. C. Allen39s system (som et komplett system) kan godt overgå noen av systemene over det på følgende tabell. Inngangspunktet for et system har mye å gjøre med fortjenesten oppnådd ved utgangspunktet til et system. Inngangspunktene til de ulike systemene er blitt ignorert i denne studien. Denne studien støtter tanken om at selgesiden av et tredelt glidende gjennomsnittssystem basert på 5-, 10- og 20-dagers glidende gjennomsnitt er sannsynligvis mer lønnsomt enn selgesiden av den tilsvarende 4-9, 18 - dag glidende gjennomsnittlig kombinasjon. Den har den ekstra fordelen at vi kan overvåke nedoverkrysset av det 5-dagers glidende gjennomsnittet i forhold til 20-dagers glidende gjennomsnitt. Sistnevnte er Donchianrsquos system, og det er et sterkt system i seg selv (Det gir også tidligere signaler enn enten 9-18 eller 10-20 kombinasjonene). Derfor, inkludert 5-, 10- og 20-dagers glidende gjennomsnitt på våre diagrammer, gir vi oss et ekstra valg. Vi kan bruke 5-, 10- og 20-dagers tredobbelte glidende gjennomsnittssystemet for å generere våre salgssignaler, eller vi kan bruke Donchianrsquos 5-, 20-dagers dobbeltrørende gjennomsnittssystem. Hvis aksjemønsteret ikke ser eller kvitterer rett til oss, vil 5-dagers glidende gjennomsnittskors gi oss en tidligere utgang. Ellers kan vi vente på 10-20 crossover. Mens vi kunne skille forskjeller mellom toppsystemene, må det huskes at forskjellene i netto totalavkastning over hele testperioden var svært små prosentvis. For eksempel utgjorde forskjellen mellom topprangerte systemet og den på åttendeplass bare rundt 2,4. Hvis du sprer det ut over hele studietiden, vil du se at årlige forskjeller er egentlig ganske små. Med hensyn til komplette systemer kan 9, 18-dages systemet være mer lønnsomt enn enten 10, 20-dagers systemet eller Donchian-systemet. For de overveksten og andre kommentarer og informasjon, se oppfølgingsrapporten: En test for å finne den beste, flytende gjennomsnittlige salgsstrategien: Kommentarer og observasjoner. Få mer på dette, og se en liste over veiledning på disipliner for investorer og forhandlere. Copyright copy 2008 - 2016 av StockDisciplines aka Stock Disciplines, LLC Dr. Winton Felt opprettholder en rekke gratis opplæringsprogrammer, lagervarsler og skannerresultater på lagerdisipliner har en markedsoversiktsside på stockdisciplinesmarket-review har informasjon og illustrasjoner knyttet til pre-surge quotsetupsquot på lagerdisiplinesstock-varsler og informasjon og videoer om volatilitetsjusterte stoppfall ved stockdisciplinesstop-tap Merknad til webmastere Hvis du ønsker å publisere denne artikkelen på bloggen din eller nettstedet ditt, kan du gjøre det hvis og bare hvis du overholder våre Publisher39s bruksvilkår og avtaler. Ved å publisere denne artikkelen, godtar du dermed å overholde og være bundet av våre Publisher39s bruksvilkår og avtaler. Du kan lese Publisher39s vilkår for bruk og avtaler ved å klikke på den følgende blå quotTermsquot-lenken. Vilkår Alle sider på denne nettsiden er beskyttet av copyright Opphavsretts kopi 2008 - 2016 av StockDisciplines Ingen del av denne publikasjonen kan reproduseres eller distribueres i noen form på noen måte. - StockDisciplines 1590 Adams Avenue 4400 Costa Mesa, CA 92628 USA. Trading andor investerer i verdipapirmarkedene innebærer risiko for tap. Dette nettstedet anbefaler ALDRI at ALLE personer kjøper eller selger noen verdipapirer. Det gir ikke individuelle investeringsråd. og ingenting her skal tolkes som om det gjør det. Lesere av innholdet på dette nettstedet bør søke råd fra en lisensiert profesjonell om deres personlige investeringer. StockDisciplines vil ikke være ansvarlig for tap som skyldes bruk av informasjon gitt på denne nettsiden. VIKTIG MELDING Ved å bruke dette nettstedet, godtar du våre Vilkår for bruk og Personvern. Se dem ved å klikke på linkene i nærheten av bunnen av menyen på venstre side av hver side. Gjennomgang av gjennomsnittlige og eksponensielle utjevningsmodeller Som et første skritt i å bevege seg utover gjennomsnittlige modeller, kan tilfeldige gangmodeller og lineære trendmodeller, nonseasonal mønstre og trender ekstrapoleres bruker en flytende gjennomsnitt eller utjevningsmodell. Den grunnleggende forutsetningen bak gjennomsnittlige og utjevningsmodeller er at tidsserien er lokalt stasjonær med et sakte varierende middel. Derfor tar vi et flytende (lokalt) gjennomsnitt for å anslå dagens verdi av gjennomsnittet, og deretter bruke det som prognosen for nær fremtid. Dette kan betraktes som et kompromiss mellom den gjennomsnittlige modellen og den tilfeldige-walk-uten-drift-modellen. Den samme strategien kan brukes til å estimere og ekstrapolere en lokal trend. Et glidende gjennomsnitt kalles ofte en quotsmoothedquot-versjon av den opprinnelige serien, fordi kortsiktig gjennomsnittsverdi medfører utjevning av støtene i den opprinnelige serien. Ved å justere graden av utjevning (bredden på det bevegelige gjennomsnittet), kan vi håpe å finne en slags optimal balanse mellom ytelsen til de gjennomsnittlige og tilfeldige turmodellene. Den enkleste typen gjennomsnittlig modell er. Enkel (likevektet) Flytende gjennomsnitt: Værvarselet for verdien av Y på tidspunktet t1 som er laget på tidspunktet t, er det enkle gjennomsnittet av de nyeste m-observasjonene: (Her og andre steder vil jeg bruke symbolet 8220Y-hat8221 til å stå for en prognose av tidsserien Y som ble gjort så tidlig som mulig ved en gitt modell.) Dette gjennomsnittet er sentrert ved period-t (m1) 2, noe som innebærer at estimatet av det lokale middel vil ha en tendens til å ligge bak den sanne verdien av det lokale gjennomsnittet med ca. (m1) 2 perioder. Således sier vi at gjennomsnittsalderen for dataene i det enkle glidende gjennomsnittet er (m1) 2 i forhold til perioden for prognosen beregnes. Dette er hvor lang tid det vil være å prognostisere prognoser bak vendepunkter i dataene . For eksempel, hvis du er gjennomsnittlig de siste 5 verdiene, vil prognosene være ca 3 perioder sent i å svare på vendepunkter. Merk at hvis m1, den enkle glidende gjennomsnittlige (SMA) modellen er lik den tilfeldige turmodellen (uten vekst). Hvis m er veldig stor (sammenlignbar med lengden på estimeringsperioden), svarer SMA-modellen til den gjennomsnittlige modellen. Som med hvilken som helst parameter i en prognosemodell, er det vanlig å justere verdien av k for å oppnå den beste kvote kvoten til dataene, dvs. de minste prognosefeilene i gjennomsnitt. Her er et eksempel på en serie som ser ut til å vise tilfeldige svingninger rundt et sakte varierende middel. Først kan vi prøve å passe den med en tilfeldig walk-modell, noe som tilsvarer et enkelt bevegelige gjennomsnitt på 1 sikt: Den tilfeldige turmodellen reagerer veldig raskt på endringer i serien, men i så måte velger den mye av kvotenivået i data (tilfeldige svingninger) samt quotsignalquot (det lokale gjennomsnittet). Hvis vi i stedet prøver et enkelt glidende gjennomsnitt på 5 termer, får vi et smidigere sett med prognoser: Det 5-tiden enkle glidende gjennomsnittet gir betydelig mindre feil enn den tilfeldige turmodellen i dette tilfellet. Gjennomsnittsalderen for dataene i denne prognosen er 3 ((51) 2), slik at den har en tendens til å ligge bak vendepunktene med tre perioder. (For eksempel ser det ut til at en nedtur har skjedd i perioden 21, men prognosene vender seg ikke til flere perioder senere.) Legg merke til at de langsiktige prognosene fra SMA-modellen er en horisontal rettlinje, akkurat som i tilfeldig gang modell. Således antar SMA-modellen at det ikke er noen trend i dataene. Mens prognosene fra den tilfeldige turmodellen ganske enkelt er lik den siste observerte verdien, er prognosene fra SMA-modellen lik et veid gjennomsnitt av de siste verdiene. De konfidensgrenser som beregnes av Statgraphics for de langsiktige prognosene for det enkle glidende gjennomsnittet, blir ikke større da prognoseperioden øker. Dette er åpenbart ikke riktig. Dessverre er det ingen underliggende statistisk teori som forteller oss hvordan konfidensintervallene skal utvide seg for denne modellen. Det er imidlertid ikke så vanskelig å beregne empiriske estimater av konfidensgrensene for lengre horisontprognoser. For eksempel kan du sette opp et regneark der SMA-modellen skulle brukes til å prognose 2 trinn foran, 3 trinn fremover, etc. i den historiske dataprøven. Du kan deretter beregne utvalgsstandardavvikene til feilene i hver prognosehorisont, og deretter konstruere konfidensintervaller for langsiktige prognoser ved å legge til og trekke ut multipler av riktig standardavvik. Hvis vi prøver et 9-sikt enkelt glidende gjennomsnitt, får vi enda jevnere prognoser og mer av en bremseeffekt: Gjennomsnittsalderen er nå 5 perioder (91) 2). Hvis vi tar et 19-årig glidende gjennomsnitt, øker gjennomsnittsalderen til 10: Legg merke til at prognosene nå faller bakom vendepunkter med ca 10 perioder. Hvilken mengde utjevning er best for denne serien Her er et bord som sammenligner feilstatistikken sin, også et gjennomsnitt på tre sikt: Modell C, 5-års glidende gjennomsnitt, gir den laveste verdien av RMSE med en liten margin over 3 term og 9-sikt gjennomsnitt, og deres andre statistikker er nesten identiske. Så, blant modeller med svært like feilstatistikk, kan vi velge om vi foretrekker litt mer respons eller litt mer glatt i prognosene. (Tilbake til toppen av siden.) Browns Simple Exponential Smoothing (eksponentielt vektet glidende gjennomsnitt) Den enkle glidende gjennomsnittsmodellen beskrevet ovenfor har den uønskede egenskapen som den behandler de siste k-observasjonene, like og fullstendig ignorerer alle foregående observasjoner. Intuitivt bør tidligere data diskonteres på en mer gradvis måte - for eksempel bør den siste observasjonen få litt mer vekt enn 2. siste, og den 2. siste skal få litt mer vekt enn den 3. siste, og så videre. Den enkle eksponensielle utjevning (SES) - modellen oppnår dette. La 945 betegne en quotsmoothing constantquot (et tall mellom 0 og 1). En måte å skrive modellen på er å definere en serie L som representerer dagens nivå (dvs. lokal middelverdi) av serien som estimert fra data til nå. Verdien av L ved tid t beregnes rekursivt fra sin egen tidligere verdi slik: Således er den nåværende glattede verdien en interpolering mellom den forrige glattede verdien og den nåværende observasjonen, hvor 945 styrer nærheten til den interpolerte verdien til den nyeste observasjon. Forventningen for neste periode er bare den nåværende glatte verdien: Tilsvarende kan vi uttrykke neste prognose direkte i forhold til tidligere prognoser og tidligere observasjoner, i en hvilken som helst av de tilsvarende versjoner. I den første versjonen er prognosen en interpolasjon mellom forrige prognose og tidligere observasjon: I den andre versjonen blir neste prognose oppnådd ved å justere forrige prognose i retning av den forrige feilen med en brøkdel av 945. Er feilen gjort ved tid t. I den tredje versjonen er prognosen et eksponentielt vektet (dvs. nedsatt) glidende gjennomsnitt med rabattfaktor 1-945: Interpolasjonsversjonen av prognoseformelen er den enkleste å bruke hvis du implementerer modellen på et regneark: det passer inn i en enkeltcelle og inneholder cellehenvisninger som peker på forrige prognose, forrige observasjon og cellen der verdien av 945 er lagret. Merk at hvis 945 1 er SES-modellen tilsvarer en tilfeldig turmodell (uten vekst). Hvis 945 0 er SES-modellen ekvivalent med den gjennomsnittlige modellen, forutsatt at den første glattede verdien er satt lik gjennomsnittet. (Gå tilbake til toppen av siden.) Gjennomsnittsalderen for dataene i prognosen for enkel eksponensiell utjevning er 1 945 i forhold til perioden for prognosen beregnes. (Dette skal ikke være åpenbart, men det kan enkelt vises ved å vurdere en uendelig serie.) Derfor har den enkle, glidende gjennomsnittlige prognosen en tendens til å ligge bak vendepunktene med rundt 1 945 perioder. For eksempel, når 945 0,5 lag er 2 perioder når 945 0.2 lag er 5 perioder når 945 0,1 lag er 10 perioder, og så videre. For en gitt gjennomsnittlig alder (det vil si mengden lag), er prognosen for enkel eksponensiell utjevning (SES) noe bedre enn SMA-prognosen (Simple Moving Average) fordi den legger relativt mer vekt på den siste observasjonen - dvs. det er litt mer quotresponsivequot for endringer som oppstod i den siste tiden. For eksempel har en SMA-modell med 9 vilkår og en SES-modell med 945 0,2 begge en gjennomsnittlig alder på 5 for dataene i prognosene, men SES-modellen legger mer vekt på de siste 3 verdiene enn SMA-modellen og ved Samtidig er det ikke 8220forget8221 om verdier som er mer enn 9 år gamle, som vist i dette diagrammet. En annen viktig fordel ved SES-modellen over SMA-modellen er at SES-modellen bruker en utjevningsparameter som er kontinuerlig variabel, slik at den lett kan optimaliseres ved å bruke en quotsolverquot-algoritme for å minimere den gjennomsnittlige kvadratfeilen. Den optimale verdien av 945 i SES-modellen for denne serien viser seg å være 0,2961, som vist her: Gjennomsnittsalderen for dataene i denne prognosen er 10,2961 3,4 perioder, noe som ligner på et 6-sikt enkelt glidende gjennomsnitt. De langsiktige prognosene fra SES-modellen er en horisontal rett linje. som i SMA-modellen og den tilfeldige turmodellen uten vekst. Vær imidlertid oppmerksom på at konfidensintervallene som beregnes av Statgraphics, divergerer nå på en rimelig måte, og at de er vesentlig smalere enn konfidensintervallene for den tilfeldige turmodellen. SES-modellen antar at serien er noe mer forutsigbar enn den tilfeldige turmodellen. En SES-modell er faktisk et spesielt tilfelle av en ARIMA-modell. slik at den statistiske teorien om ARIMA-modeller gir et solid grunnlag for beregning av konfidensintervall for SES-modellen. Spesielt er en SES-modell en ARIMA-modell med en ikke-sesongforskjell, en MA (1) og ikke en konstant periode. ellers kjent som en quotARIMA (0,1,1) modell uten constantquot. MA (1) - koeffisienten i ARIMA-modellen tilsvarer mengden 1-945 i SES-modellen. For eksempel, hvis du passer på en ARIMA (0,1,1) modell uten konstant til serien analysert her, viser den estimerte MA (1) - koeffisienten seg å være 0,7029, som er nesten nøyaktig en minus 0,2961. Det er mulig å legge til antagelsen om en konstant lineær trend uten null som en SES-modell. For å gjøre dette oppgir du bare en ARIMA-modell med en ikke-sesongforskjell og en MA (1) - sikt med en konstant, dvs. en ARIMA-modell (0,1,1) med konstant. De langsiktige prognosene vil da ha en trend som er lik den gjennomsnittlige trenden observert over hele estimeringsperioden. Du kan ikke gjøre dette i forbindelse med sesongjustering, fordi sesongjusteringsalternativene er deaktivert når modelltypen er satt til ARIMA. Du kan imidlertid legge til en konstant langsiktig eksponensiell trend for en enkel eksponensiell utjevningsmodell (med eller uten sesongjustering) ved å bruke inflasjonsjusteringsalternativet i prognoseprosedyren. Den aktuelle kvoteringskvoten (prosentvekst) per periode kan estimeres som hellingskoeffisienten i en lineær trendmodell som er montert på dataene i forbindelse med en naturlig logaritme transformasjon, eller det kan være basert på annen uavhengig informasjon om langsiktige vekstutsikter . (Tilbake til toppen av siden.) Browns Lineær (dvs. dobbel) Eksponensiell utjevning SMA-modellene og SES-modellene antar at det ikke er noen trend av noe slag i dataene (som vanligvis er OK eller i det minste ikke altfor dårlig for 1- trinnvise prognoser når dataene er relativt støyende), og de kan modifiseres for å inkorporere en konstant lineær trend som vist ovenfor. Hva med kortsiktige trender Hvis en serie viser en varierende vekstnivå eller et syklisk mønster som skiller seg tydelig ut mot støyen, og hvis det er behov for å prognose mer enn 1 periode framover, kan estimering av en lokal trend også være et problem. Den enkle eksponensielle utjevningsmodellen kan generaliseres for å oppnå en lineær eksponensiell utjevning (LES) modell som beregner lokale estimater av både nivå og trend. Den enkleste tidsvarierende trendmodellen er Browns lineær eksponensiell utjevningsmodell, som bruker to forskjellige glatte serier som er sentrert på forskjellige tidspunkter. Forutsigelsesformelen er basert på en ekstrapolering av en linje gjennom de to sentrene. (En mer sofistikert versjon av denne modellen, Holt8217s, blir diskutert nedenfor.) Den algebraiske form av Brown8217s lineær eksponensiell utjevningsmodell, som den enkle eksponensielle utjevningsmodellen, kan uttrykkes i en rekke forskjellige, men liknende former. Denne standardmodellen er vanligvis uttrykt som følger: La S betegne den enkeltglattede serien som er oppnådd ved å anvende enkel eksponensiell utjevning til serie Y. Dvs. verdien av S ved period t er gitt av: (Husk at, under enkle eksponensiell utjevning, dette ville være prognosen for Y ved periode t1.) Lad deretter Squot betegne den dobbeltslettede serien oppnådd ved å anvende enkel eksponensiell utjevning (ved hjelp av samme 945) til serie S: Endelig prognosen for Y tk. for noe kgt1, er gitt av: Dette gir e 1 0 (det vil si lure litt, og la den første prognosen være den samme første observasjonen) og e 2 Y 2 8211 Y 1. hvoretter prognosene genereres ved å bruke ligningen ovenfor. Dette gir de samme monterte verdiene som formelen basert på S og S dersom sistnevnte ble startet med S 1 S 1 Y 1. Denne versjonen av modellen brukes på neste side som illustrerer en kombinasjon av eksponensiell utjevning med sesongjustering. Holt8217s Lineær eksponensiell utjevning Brown8217s LES-modell beregner lokale estimater av nivå og trend ved å utjevne de siste dataene, men det faktum at det gjør det med en enkelt utjevningsparameter, stiller en begrensning på datamønstrene som den kan passe: nivået og trenden er ikke tillatt å variere til uavhengige priser. Holt8217s LES-modellen løser dette problemet ved å inkludere to utjevningskonstanter, en for nivået og en for trenden. Til enhver tid t, som i Brown8217s modell, er det et estimat L t på lokalt nivå og et estimat T t av den lokale trenden. Her beregnes de rekursivt fra verdien av Y observert ved tid t og de forrige estimatene av nivået og trenden ved to likninger som gjelder eksponensiell utjevning til dem separat. Hvis estimert nivå og trend ved tid t-1 er L t82091 og T t-1. henholdsvis, da var prognosen for Y tshy som ville vært gjort på tidspunktet t-1, lik L t-1 T t-1. Når den faktiske verdien er observert, beregnes det oppdaterte estimatet av nivået rekursivt ved å interpolere mellom Y tshy og dens prognose, L t-1 T t 1, med vekt på 945 og 1- 945. Forandringen i estimert nivå, nemlig L t 8209 L t82091. kan tolkes som en støyende måling av trenden på tidspunktet t. Det oppdaterte estimatet av trenden beregnes deretter rekursivt ved å interpolere mellom L t 8209 L t82091 og det forrige estimatet av trenden, T t-1. ved bruk av vekter av 946 og 1-946: Fortolkningen av trend-utjevningskonstanten 946 er analog med den for nivåutjevningskonstanten 945. Modeller med små verdier på 946 antar at trenden bare endrer seg veldig sakte over tid, mens modeller med større 946 antar at det endrer seg raskere. En modell med en stor 946 mener at den fjerne fremtiden er veldig usikker, fordi feil i trendberegning blir ganske viktig når det regnes med mer enn en periode framover. (Tilbake til toppen av siden.) Utjevningskonstantene 945 og 946 kan estimeres på vanlig måte ved å minimere gjennomsnittlig kvadratfeil i de 1-trinns prognosene. Når dette gjøres i Statgraphics, viser estimatene seg å være 945 0.3048 og 946 0.008. Den svært små verdien av 946 betyr at modellen tar svært liten endring i trenden fra en periode til den neste, så i utgangspunktet prøver denne modellen å estimere en langsiktig trend. I analogi med begrepet gjennomsnittlig alder av dataene som brukes til å estimere det lokale nivået i serien, er gjennomsnittsalderen for dataene som brukes til estimering av lokal trenden, proporsjonal med 1 946, men ikke akkurat lik den . I dette tilfellet viser det seg å være 10 006 125. Dette er et svært nøyaktig tall, forutsatt at nøyaktigheten av estimatet av 946 er virkelig 3 desimaler, men det er av samme generelle størrelsesorden som prøvestørrelsen på 100, så denne modellen er i gjennomsnitt over ganske mye historie i estimering av trenden. Prognoseplanet nedenfor viser at LES-modellen anslår en litt større lokal trend i slutten av serien enn den konstante trenden som er estimert i SEStrend-modellen. Også den estimerte verdien på 945 er nesten identisk med den som oppnås ved å montere SES-modellen med eller uten trend, så dette er nesten den samme modellen. Nå ser disse ut som rimelige prognoser for en modell som skal estimere en lokal trend. Hvis du 8220eyeball8221 ser dette, ser det ut som om den lokale trenden har vendt nedover på slutten av serien. Hva har skjedd Parametrene til denne modellen har blitt estimert ved å minimere den kvadriske feilen på 1-trinns prognoser, ikke langsiktige prognoser, i hvilket tilfelle trenden gjør ikke en stor forskjell. Hvis alt du ser på er 1-trinns feil, ser du ikke det større bildet av trender over (si) 10 eller 20 perioder. For å få denne modellen mer i tråd med øyehals ekstrapoleringen av dataene, kan vi manuelt justere trendutjevningskonstanten slik at den bruker en kortere basislinje for trendestimering. Hvis vi for eksempel velger å sette 946 0,1, er gjennomsnittsalderen for dataene som brukes til å estimere den lokale trenden 10 perioder, noe som betyr at vi gjennomsnittsverdi trenden over de siste 20 perioder eller så. Here8217s hva prognosen tomten ser ut hvis vi setter 946 0,1 mens du holder 945 0.3. Dette ser intuitivt fornuftig ut på denne serien, selv om det er sannsynlig farlig å ekstrapolere denne trenden mer enn 10 perioder i fremtiden. Hva med feilstatistikken Her er en modell sammenligning for de to modellene vist ovenfor, samt tre SES-modeller. Den optimale verdien av 945. For SES-modellen er ca. 0,3, men tilsvarende resultater (med henholdsvis litt mer responstid) oppnås med 0,5 og 0,2. (A) Holts lineær eksp. utjevning med alfa 0,3048 og beta 0,008 (B) Holts lineær eksp. utjevning med alfa 0,3 og beta 0,1 (C) Enkel eksponensiell utjevning med alfa 0,5 (D) Enkel eksponensiell utjevning med alfa 0,3 (E) Enkel eksponensiell utjevning med alfa 0,2 Deres statistikk er nesten identisk, slik at vi virkelig kan velge på grunnlag av 1-trinns prognosefeil i dataprøven. Vi må falle tilbake på andre hensyn. Hvis vi sterkt tror at det er fornuftig å basere dagens trendoverslag på hva som har skjedd i løpet av de siste 20 perioder eller så, kan vi gjøre en sak for LES-modellen med 945 0,3 og 946 0,1. Hvis vi ønsker å være agnostiker om det er en lokal trend, kan en av SES-modellene være enklere å forklare, og vil også gi mer mid-of-the-road prognoser for de neste 5 eller 10 periodene. (Tilbake til toppen av siden.) Hvilken type trend-ekstrapolering er best: Horisontal eller lineær Empirisk bevis tyder på at hvis dataene allerede er justert (om nødvendig) for inflasjon, kan det være uhensiktsmessig å ekstrapolere kortsiktig lineær trender veldig langt inn i fremtiden. Trender som tyder på i dag, kan løsne seg i fremtiden på grunn av ulike årsaker som forverring av produkt, økt konkurranse og konjunkturnedganger eller oppgang i en bransje. Av denne grunn utfører enkle eksponensielle utjevning ofte bedre ut av prøven enn det ellers kunne forventes, til tross for sin kvadratiske kvadratiske horisontal trend-ekstrapolering. Dampede trendmodifikasjoner av den lineære eksponensielle utjevningsmodellen brukes også i praksis til å introdusere en konservatismeddel i sine trendprognoser. Den demonstrede LES-modellen kan implementeres som et spesielt tilfelle av en ARIMA-modell, spesielt en ARIMA-modell (1,1,2). Det er mulig å beregne konfidensintervall rundt langsiktige prognoser produsert av eksponentielle utjevningsmodeller, ved å betrakte dem som spesielle tilfeller av ARIMA-modeller. (Pass på: ikke alle programmer beregner konfidensintervaller for disse modellene riktig.) Bredden på konfidensintervaller avhenger av (i) RMS-feilen i modellen, (ii) type utjevning (enkel eller lineær) (iii) verdien (e) av utjevningskonstanten (e) og (iv) antall perioder fremover du forutsetter. Generelt sprer intervallene raskere da 945 blir større i SES-modellen, og de sprer seg mye raskere når lineær snarere enn enkel utjevning brukes. Dette emnet blir diskutert videre i ARIMA-modellene i notatene. (Gå tilbake til toppen av siden.)
No comments:
Post a Comment