Weighted Moving Averages Die Basics. Over die Jahre haben Techniker zwei Probleme mit dem einfachen gleitenden Durchschnitt gefunden Das erste Problem liegt im Zeitrahmen des gleitenden Durchschnittes MA Die meisten technischen Analysten glauben, dass Preisaktion der Eröffnungs - oder Schlusskurs der Aktien nicht ausreicht Auf denen für die ordnungsgemäße Vorhersage von Kauf oder Verkauf von Signalen der MA s Crossover-Aktion abhängen Um nun dieses Problem zu lösen, weisen die Analysten jetzt mehr Gewicht auf die neuesten Preisdaten zu, indem sie den exponentiell geglätteten gleitenden Durchschnitt verwenden EMA Erfahren Sie mehr in Exploring The Exponentially Weighed Moving Average. Ein Beispiel Zum Beispiel, mit einem 10-Tage-MA, würde ein Analytiker den Schlusskurs des 10. Tages nehmen und diese Zahl um 10, den neunten Tag um neun, den achten Tag um acht und so weiter zum ersten der MA Sobald die Summe bestimmt worden ist, würde der Analytiker dann die Zahl durch die Addition der Multiplikatoren dividieren Wenn Sie die Multiplikatoren des 10-Tage-MA-Beispiels hinzufügen, ist die Zahl 55. Dieser Indikator ist bekannt S der linear gewichtete gleitende Durchschnitt Für verwandte Lesung, check out Simple Moving Averages machen Trends Stand Out. Many Techniker sind feste Gläubige in der exponentiell geglätteten gleitenden Durchschnitt EMA Dieser Indikator wurde in so vielen verschiedenen Möglichkeiten erklärt, dass es Studenten und Investoren gleichermaßen verwechselt Vielleicht Die beste Erklärung kommt von John J Murphys s Technische Analyse der Finanzmärkte, veröffentlicht von der New York Institute of Finance, 1999. Die exponentiell geglätteten gleitenden Durchschnitt adressiert beide Probleme mit dem einfachen gleitenden Durchschnitt verbunden Zuerst wird der exponentiell geglättete Durchschnitt zugeordnet Ein größeres Gewicht für die neueren Daten Daher ist es ein gewichteter gleitender Durchschnitt. Aber während es den vergangenen Preisdaten eine geringere Bedeutung zuweist, beinhaltet er in der Berechnung alle Daten im Leben des Instruments. Darüber hinaus kann der Benutzer in der Lage sein Anpassung der Gewichtung, um mehr oder weniger Gewicht auf die jüngsten Tag s Preis, die zu einem Prozentsatz von hinzugefügt wird Der Wert des vorherigen Tages Die Summe der beiden Prozentwerte addiert sich zu 100. Zum Beispiel könnte der letzte Tag s Preis ein Gewicht von 10 10 zugewiesen werden, was zu den vorherigen Tagen hinzugefügt wird 90 90 Dies gibt den letzten Tag 10 Der Gesamtgewichtung Dies wäre das Äquivalent zu einem 20-Tage-Durchschnitt, indem sie den letzten Tage Preis einen kleineren Wert von 5 05.Figure 1 Exponentiell geglättete Moving Average. Die obige Grafik zeigt den Nasdaq Composite Index von der ersten Woche im Aug. 2000 bis 1. Juni 2001 Wie Sie deutlich sehen können, hat die EMA, die in diesem Fall die Schlusskursdaten über einen Neun-Tage-Zeitraum verwendet, definitive Verkaufssignale am 8. September, die durch einen schwarzen Pfeil markiert sind. Dies war der Tag Dass der Index unter dem 4.000-Level unterbrochen wurde Der zweite schwarze Pfeil zeigt ein weiteres Down-Bein, dass die Techniker tatsächlich erwartet haben Die Nasdaq konnte nicht genug Volumen und Interesse von den Einzelhandelsanlegern erzeugen, um die 3.000 Mark zu brechen. Dann tauchte sie wieder nach unten auf 1619 58 Am 4. April Der Aufwärtstrend von Apr 12 ist durch einen Pfeil markiert Hier der Index schloss bei 1.961 46, und Techniker begannen zu institutionellen Fondsmanagern zu beginnen, um einige Schnäppchen wie Cisco, Microsoft und einige der energiebezogenen Fragen abzurufen Lesen Sie unsere verwandten Artikel Moving Average Envelopes Refining A Beliebtes Trading-Tool und Moving Average Bounce. A Prognose Berechnung Beispiele. A 1 Prognose Berechnung Methoden. Tuch-Methoden der Berechnung von Prognosen sind verfügbar Die meisten dieser Methoden bieten für begrenzte Benutzer Kontrolle Zum Beispiel das Gewicht auf aktuelle historische Daten oder die Datumsbereich von gesetzt Historische Daten, die in den Berechnungen verwendet werden, können spezifiziert werden Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei eine identische historische Daten vorliegen. Die folgenden Beispiele verwenden dieselben 2004 und 2005 Verkaufsdaten, um eine 2006 Umsatzprognose zu erzeugen Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für eine dreimonatige Holdout-Periode Ssing Option 19 3, die dann für Prozent der Genauigkeit verwendet wird und mittlere Absolutabweichung Berechnungen tatsächlichen Umsatz im Vergleich zu simulierten Prognose. A 2 Prognose Performance Evaluation Criteria. D Je nach Auswahl der Verarbeitungsoptionen und auf die Trends und Muster, die in den Verkaufsdaten, Einige Prognosemethoden werden besser als andere für einen gegebenen historischen Datensatz ausführen Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium des Lebens des Produkts liefert Zyklus wird während des gesamten Lebenszyklus angemessen bleiben. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind die mittlere Absolute Abweichung MAD und der Prozentsatz der Genauigkeits-POA Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen bestimmten Benutzer Zeitraum Diese Zeitspanne wird als Haltezeit oder Perioden am besten passt PBF Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der Erstellung der nächsten Prognoseprojektion verwendet werden. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden Prognoseleistungsbewertungsmethoden Werden in den Seiten nach den Beispielen der zwölf Prognosemethoden demonstriert. 3 Methode 1 - Festgelegter Prozentsatz über letztes Jahr. Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem benutzerdefinierten Faktor, zB 1 10 für 10 Zunahme oder 0 97 für eine 3 Abnahme. Required Verkäufe Geschichte Ein Jahr für die Berechnung der Prognose plus der Benutzer angegebene Anzahl von Zeiträumen für die Bewertung der Prognose Performance Processing-Option 19.A 4 1 Prognose Berechnung. Range der Umsatz Geschichte bei der Berechnung der Wachstumsfaktor Verarbeitung Option verwenden 2a 3 in diesem Beispiel. Sum die letzten drei Monate des Jahres 2005 114 119 137 370.Sum die gleichen drei Monate für das Vorjahr 123 139 133 395. berechnet Schauspieler 370 395 0 9367.Calculate die Prognosen. Januar, 2005 Umsatz 128 0 9367 119 8036 oder etwa 120.Februar, 2005 Umsatz 117 0 9367 109 5939 oder etwa 110.März, 2005 Umsatz 115 0 9367 107 7205 oder etwa 108.A 4 2 Simulierte Prognoseberechnung. Sum die drei Monate des Jahres 2005 vor der Halteperiode Juli, August, September 129 140 131 400.Sum die gleichen drei Monate für das Vorjahr.141 128 118 387.Der berechnete Faktor 400 387 1 033591731. Berechnen Sie simulierte Prognose. Oktober, 2004 Umsatz 123 1 033591731 127 13178.November 2004 Umsatz 139 1 033591731 143 66925.December, 2004 Umsatz 133 1 033591731 137 4677.A 4 3 Prozent der Genauigkeit Berechnung. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Mittlere Absolutabweichungsberechnung. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Methode 3 - Letztes Jahr zu Dieses Jahr. Diese Methode kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung von t Er prognostiziert plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistungsverarbeitungsoption angegeben wurden. 19. 6 1 Prognoseberechnung. Zahl der Perioden, die in die durchschnittliche Verarbeitungsoption 4a 3 in diesem Beispiel aufgenommen werden sollen. Für jeden Monat der Prognose durchschnittlich die vorherige Drei monatige Daten. Januarprognose 114 119 137 370, 370 3 123 333 oder 123.Februarprognose 119 137 123 379, 379 3 126 333 oder 126.Märzvorhersage 137 123 126 379, 386 3 128 667 oder 129.A 6 2 Simulierte Prognoseberechnung. Oktober 2005 Umsatz 129 140 131 3 133 3333.November 2005 Umsatz 140 131 114 3 128 3333.Dekember 2005 Umsatz 131 114 119 3 121 3333.A 6 3 Prozent der Genauigkeitsberechnung. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Mittlere Absolute Abweichungsberechnung. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Methode 5 - Lineare Approximation. Linear Die Approximation berechnet einen Trend, der auf zwei Erfolgsdaten beruht Punkte. Diese beiden Punkte definieren eine gerade Trendlinie, die projiziert wird In die Zukunft Verwenden Sie diese Methode mit Vorsicht, da Langstrecken-Prognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Benötigte Verkaufsgeschichte Die Anzahl der Perioden, die in die Regressionsverarbeitungsoption 5a gehören, plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognose Performance-Verarbeitungsoption 19.A 8 1 Prognoseberechnung. Zahl der Perioden, die in der Regressionsverarbeitungsoption 6a 3 in diesem Beispiel enthalten sind. Für jeden Monat der Prognose fügen Sie die Erhöhung oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu. Durchschnitt der letzten drei Monate 114 119 137 3 123 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 114 1 119 2 137 3 763.Differenz zwischen den Werten. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 23 2 11 5.Value2 Durchschnitt - Wert1 Verhältnis 123 3333 - 11 5 2 100 3333.Forecast 1 n Wert1 Wert2 4 11 5 100 3333 146 333 oder 146.Forecast 5 11 5 100 3333 157 8333 oder 158.Forecast 6 11 5 100 3333 169 3333 oder 169.A 8 2 Simulierte Prognoseberechnung. Oktober 2004 sales. Average der letzten drei Monate . 129 140 131 3 133 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 129 1 140 2 131 3 802.Differenz zwischen den Werten. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 2 2 1.Value2 Durchschnitt - Wert1 Verhältnis 133 3333 - 1 2 131 3333.Forecast 1 n Wert1 Wert2 4 1 131 3333 135 3333.November 2004 sales. Average der letzten drei Monate. 140 131 114 3 128 3333.Befestigung der letzten drei Monate mit Gewicht berücksichtigt. 140 1 131 2 114 3 744.Differenz zwischen den Werten 744 - 128 3333 1 2 3 -25 9999.Value1 Differenzverhältnis -25 9999 2 -12 9999.Value2 Durchschnitt - Wert1 Verhältnis 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Dekember 2004 sales. Average der letzten drei Monate. 131 114 119 3 121 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 131 1 114 2 119 3 716.Differenz zwischen den Werten. 716 - 121 3333 1 2 3 -11 9999.Value1 Differenzverhältnis -11 9999 2 -5 9999.Value2 Durchschnitt - Wert1 Verhältnis 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prozentsatz der Genauigkeitsberechnung. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Mittlere Absolutabweichungsberechnung. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Methode 7 - Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich Diese Methode bestimmt jedoch Werte für a, b und c in Die Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsgeschichtsdaten anzupassen Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Wenn beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt wird , Kann sich die Umsatzentwicklung beschleunigen. Aufgrund der zweiten Bestellung kann sich die Prognose schnell nähern Unendlichkeit oder Tropfen auf Null, je nachdem, ob der Koeffizient c positiv oder negativ ist. Daher ist diese Methode nur kurzfristig nützlich. Forecast-Spezifikationen Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, um sich in jeden der drei Punkte zu akkumulieren In diesem Beispiel n 3 Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen Und Oktober bis Dezember Summe auf Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufshistorie 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. Number of Perioden, um die Verarbeitungsoption 7a 3 in diesem Beispiel aufzunehmen. Verwenden Sie die vorherigen 3 n Monate in dreimonatigen Blocks. Qu1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Der nächste Schritt beinhaltet c Wobei die drei Koeffizienten a, b und c in der Vorhersageformel Y a bX cX 2 verwendet werden. 1 Q1 a bX cX 2 wobei X 1 a b c ist. 2 Q2 a bX cX 2 wobei X 2 a 2b 4c 3 Q3 a bX cX 2 wobei X 3 a 3b 9c die drei Gleichungen gleichzeitig analysieren, um b, a und c zu finden. Gleichung Gleichung 1 aus Gleichung 2 zu addieren und für b zu lösen. Diese Gleichung für b in Gleichung 3 einzustellen. 3 Q3 a 3 Q2 - Q1 - 3c c. Schließen Sie diese Gleichungen für a und b in Gleichung 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Die zweite Grad Approximation Methode berechnet A, b und c wie folgt. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Januar bis März Vorhersage X 4. 322 340 - 368 3 294 3 98 pro Periode. April bis Juni Prognose X 5. 322 425 - 575 3 57 333 oder 57 pro Zeitraum. Juli bis September Prognose X 6. 322 510 - 828 3 1 33 oder 1 pro Zeitraum. Oktober bis Dezember X 7. 322 595 - 1127 3 -70.A 9 2 Simulierte Prognose Berechnung. Oktober, November Und Dezember 2004 sales. Q1 Jan - Mar 360.Q2 Apr - Jun 384.Q3 Jul - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Prozent der Genauigkeitsberechnung. POA 136 136 136 114 119 137 100 110 27.A 9 4 Mittlere Absolutabweichungsberechnung. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Methode 8 - Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne durch einen vom Benutzer angegebenen Faktor , Dann projizieren Sie das Ergebnis in die Zukunft In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als den gleichen Zeitraum des Vorjahres anzugeben Verwendung als Grundlage für die Berechnungen. Multiplikationsfaktor Geben Sie z. B. 1 15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15.Basisperiode zu erhöhen. Beispielsweise wird n 3 die erste Prognose auf Verkaufsdaten in Oktober 2005.Minimum Verkaufsgeschichte Der Benutzer angegebene Nummer o F Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. 10 4 Mittlere Absolute Abweichungsberechnung. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Methode 9 - Gewichtetes Verschieben Durchschnittlich Die gewichtete Moving Average WMA Methode ähnelt Methode 4, Moving Average MA Mit dem Weighted Moving Average können Sie den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um eine Projektion für die Kurzfristig Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen im Umsatzniveau reagiert. Allerdings treten prognostizierte Bias und systematische Fehler immer noch auf, wenn die Produktverkäufe Geschichte starken Trend oder saisonalen Mustern aufweist Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n die Anzahl der Perioden der Verkaufsgeschichte zu verwenden in Die Prognoseberechnung Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Umsatzhistorie Es ergibt eine stabile Prognose , Aber wird langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Auf der anderen Seite wird ein kleiner Wert für n wie 3 reagieren schneller auf Verschiebungen in der Ebene des Umsatzes, aber die Prognose kann so weit schwanken, dass die Produktion nicht reagieren kann Die Variationen. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist, muss die zugewiesene Gewichte auf 1 00 betragen. Wenn z. B. n 3 Gewichte von 0 6, 0 3 und 0 1 zugewiesen werden, wobei die letzten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Methode 10 - Lineare Glättung. Diese Methode ist ähnlich Methode 9, gewichtete bewegliche durchschnittliche WMA Wie Sogar, anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige zu gelangen Echt von allen linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierten Vorurteilen und systematischen Fehlern treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für kurze Reichweitenprognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebens Zyklus. n die Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die Nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n 3 die s Ystem wird Gewichte von 0 5, 0 3333 und 0 1 zuordnen, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung PBF erforderlich sind. 12 1 Prognoseberechnung. Anzahl der Perioden, die in der Glättung der durchschnittlichen Verarbeitungsoption 10a 3 in diesem Beispiel enthalten sind. Ratio für einen Zeitraum vor 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio für zwei Perioden vorher 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio für drei Perioden vor 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januarprognose 137 0 5 119 1 3 114 1 6 127 16 oder 127.Februarprognose 127 0 5 137 1 3 119 1 6 129.Märzvorhersage 129 0 5 127 1 3 137 1 6 129 666 oder 130.A 12 2 Simulierte Prognoseberechnung. Oktober 2004 Umsatz 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Umsatz 140 1 6 131 2 6 114 3 6 124Dezember 2004 Umsatz 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mittlere Absolutabweichung Berechnung. WÜTEND 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Methode 11 - Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In der linearen Glättung weist das System den historischen Daten, die linear abfallen, Gewichte zu. Bei der exponentiellen Glättung , Das System ordnet Gewichte, die exponentiell abklingen Die exponentielle Glättung Vorhersage Gleichung ist. Forecast eine vorherige tatsächliche Umsatz 1 - a vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsatz aus der vorherigen Periode und die Prognose aus der vorherigen Periode a ist die Gewicht auf die tatsächlichen Verkäufe für die vorherige Periode 1 - a ist das Gewicht auf die Prognose für die vorherige Periode angewendet Gültige Werte für einen Bereich von 0 bis 1 und in der Regel fallen zwischen 0 1 und 0 4 Die Summe der Gewichte ist 1 00 a 1 - a 1.Sie sollten einen Wert für die Glättungskonstante zuweisen, a Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der Anzahl der Perioden des Verkaufsverlaufs D in der Verarbeitungsoption 11aa die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für einen Bereich von 0 bis 1.n der Bereich der Verkaufsgeschichte Daten, um in die Berechnungen enthalten In der Regel ein Jahr Der Verkaufsgeschichte Daten reichen aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für nn 3 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie eine historische basiert Datenpunkt. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. A 13 1 Prognoseberechnung. Zahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 11a 3 und die Alpha-Faktor-Verarbeitungsoption 11b in diesem enthalten sind Beispiel ein Faktor für die ältesten Verkaufsdaten 2 1 1 oder 1, wenn alpha angegeben ist. ein Faktor für die 2. ältesten Verkaufsdaten 2 1 2 oder alpha, wenn alpha angegeben ist. ein Faktor Für die 3. ältesten Verkaufsdaten 2 1 3 oder alpha, wenn alpha angegeben ist. ein Faktor für die letzten Verkaufsdaten 2 1 n oder alpha, wenn alpha angegeben ist. November Sm Avg a Oktober Tatsächlich 1 - ein Oktober Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - ein November Sm Avg 2 3 119 1 3 114 117 3333.Januar Prognose a Dezember Tatsächlich 1 - ein Dezember Sm Avg 2 4 137 2 4 117 3333 127 16665 oder 127.Februarprognose Januar Vorhersage 127.März Prognose Januar Vorhersage 127.A 13 2 Simulierte Prognose Berechnung. Juli 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.Oktober, 2004 Umsatz Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.Oktober Sm Avg 2 4 114 2 4 134 124.November 2004 Verkauf Sep Sm Durchschn. 124.September 2004 Sm Avg 2 2 131 131.Oktober Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 Umsatz Sep Sm Avg 119 3333.A 13 3 Prozent Der Genauigkeitskalkula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mittlere Absolutabweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Methode 12 - Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung, da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Term in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen In der Verarbeitungsoption wird die Prognose auch für die Saisonalität angepasst. a die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1.b die Glättungskonstante, die bei der Berechnung des geglätteten verwendet wird Durchschnitt für die Trendkomponente der Prognose Gültige Werte für Beta-Bereich von 0 bis 1.Wenn ein saisonaler Index auf die Prognose angewendet wird. a und b unabhängig voneinander sind, müssen sie nicht zu 1 0.Min hinzufügen Imum erforderliche Verkaufsgeschichte zwei Jahre plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. Method 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen 1 Prognoseberechnung A. Ein exponentiell geglätteter Durchschnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Auswertung der Prognosen. Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu erzeugen. Jede Prognose Methode wird wahrscheinlich eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung darüber zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet automatisch die Leistung für jede der Prognosemethoden aus Dass Sie wählen, und für jede der Produkte prognostiziert Sie können zwischen zwei Leistungskriterien wählen, Mean Absolute Deviation MAD und Prozent von Accur Acy POA MAD ist ein Maß für den Prognosefehler POA ist ein Maß für die Prognose-Bias Beide dieser Performance-Evaluationstechniken erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten passt PBF. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es gibt normalerweise Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Holdout-Zeitraum. Wenn mehrere Prognosemethoden ausgewählt werden, Tritt für jede Methode auf Mehrere Prognosen werden für die Halteperiode berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum Die Vorhersagemethode, die die beste Übereinstimmung liefert, die am besten zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums passt, wird zur Verwendung empfohlen In Ihren Plänen Diese Empfehlung ist für jedes Produkt spezifisch und könnte von einer Prognoseerzeugung auf die ne ändern Xt. A 16 Mittlere Absolute Abweichung MAD. MAD ist der Mittelwert oder Durchschnitt der Absolutwerte oder Größe der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und Daten Historie Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler aufgehoben. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler sind normal verteilt, es gibt eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error. A 16 1 Prozent der Genauigkeit POA. Percent der Genauigkeit POA ist ein Maß für die Prognose Bias Wenn Prognosen konsequent sind Zu hoch, Vorräte sammeln und Inventar Kosten steigen Wenn Prognosen konsequent zwei niedrig sind, werden Vorräte verbraucht und Kundendienst sinken S Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 aufgehoben. Error Actual - Forecast. Wenn ein Produkt Kann im Inventar gespeichert werden, und wenn die Prognose ist unparteiisch, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, wie es ist, um unvoreingenommene Prognosen zu generieren Aber in Dienstleistungsindustrien , Würde die obige Situation als drei Fehler angesehen werden Der Dienst würde in der ersten Periode unterbesetzt sein, dann überstaffed für die nächsten zwei Perioden In Dienstleistungen ist die Größe der Prognosefehler in der Regel wichtiger als die Vorhersage Bias. Die Summation über die Holdout Zeitraum Ermöglicht positive Fehler, um negative Fehler zu annullieren Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100 Natürlich ist es unmöglich, mehr als 100 genau zu sein Wenn eine Prognose unbias ist Ed, das POA-Verhältnis wird 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100.Scripting auf dieser Seite ist, verbessert die Inhaltsnavigation, aber nicht Ändere den Inhalt in irgendeiner Weise. Weighted Moving Average Prognose Methoden Pros und Cons. Hi, LOVE Ihre Post Wurde, ob Sie weiter ausarbeiten könnten Wir verwenden SAP In es gibt eine Auswahl, die Sie wählen können, bevor Sie Ihre Prognose namens Initialisierung ausführen Wenn Sie überprüfen Diese Option erhalten Sie ein Prognoseergebnis, wenn Sie im selben Zeitraum erneut Prognose ausführen und die Initialisierung nicht auf die Ergebnisänderungen überprüfen. Ich kann nicht herausfinden, was die Initialisierung meint, ich meine, mathmatisch welches Prognoseergebnis am besten zu speichern und zu verwenden ist Zum Beispiel Die Änderungen zwischen den beiden sind nicht in der prognostizierten Menge, sondern in der MAD und Error, Sicherheitsbestand und ROP Mengen Nicht sicher, wenn Sie SAP. hi danke für die Erklärung so effecient seine zu gd danke wieder Jaspreet. Leave eine Antwort Abbrechen Antwort. About Shmula. Pete Abilla ist der Gründer von Shmula und der Charakter, Kanban Cody Er hat Unternehmen wie Amazon, Zappos, eBay, Backcountry und andere reduziert Kosten und verbessern die Kundenerfahrung Er tut dies durch Eine systematische Methode zur Erkennung von Schmerzpunkten, die den Kunden und das Unternehmen beeinflussen, und ermutigt eine breite Teilnahme von den Firmenpartnern, um ihre eigenen Prozesse zu verbessern. Diese Website ist eine Sammlung seiner Erfahrungen, die er mit Ihnen teilen möchte. Beginnen Sie mit kostenlosen Downloads.
No comments:
Post a Comment