Moyenne Mobile Pondérée Alpha

Prévision par Smoothing Techniques Ce site fait partie des objets d'apprentissage JavaScript E-Labs pour la prise de décision. Les autres JavaScript de cette série sont classés dans différents domaines d'application dans la section MENU de cette page. Une série chronologique est une séquence d'observations qui sont ordonnées dans le temps. Inherente à la collecte de données prises dans le temps est une forme de variation aléatoire. Il existe des procédés pour réduire l'annulation de l'effet dû à une variation aléatoire. Les techniques largement utilisées sont le lissage. Ces techniques, lorsqu'elles sont correctement appliquées, révèlent plus clairement les tendances sous-jacentes. Saisissez la série chronologique en ordre, en commençant par le coin supérieur gauche et le ou les paramètres, puis cliquez sur le bouton Calculer pour obtenir une prévision à une période. Les cases en blanc ne sont pas incluses dans les calculs mais les zéros sont. Lorsque vous entrez vos données pour passer d'une cellule à une cellule dans la matrice de données, utilisez la touche Tabulation et non la flèche ou entrez les touches. Caractéristiques des séries temporelles, qui pourraient être révélées en examinant son graphique. Avec les valeurs prévues, et le comportement des résidus, la prévision des conditions de modélisation. Moyennes mobiles: Les moyennes mobiles se classent parmi les techniques les plus populaires pour le prétraitement des séries chronologiques. Ils sont utilisés pour filtrer le bruit blanc aléatoire à partir des données, pour rendre la série temporelle plus lisse ou même pour souligner certains composants informatifs contenus dans la série chronologique. Lissage exponentiel: Il s'agit d'un schéma très populaire pour produire une série chronologique lissée. Alors que dans les moyennes mobiles les observations passées sont pondérées également, le lissage exponentiel attribue des poids exponentiellement décroissants à mesure que l'observation vieillit. En d'autres termes, les observations récentes donnent relativement plus de poids dans les prévisions que les observations plus anciennes. Double lissage exponentiel est mieux à la manipulation des tendances. Triple Exponential Smoothing est mieux à la manipulation des tendances parabole. Une moyenne mobile exponentiellement pondérée avec une constante de lissage a. Correspond approximativement à une moyenne mobile simple de longueur (c'est-à-dire période) n, où a et n sont liés par: a 2 (n1) OR n (2 - a) a. Ainsi, par exemple, une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,1 correspondrait approximativement à une moyenne mobile de 19 jours. Et une moyenne mobile simple de 40 jours correspondrait approximativement à une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,04878. Holts Linear Exponential Smoothing: Supposons que la série temporelle soit non saisonnière mais affiche la tendance. Holts méthode estime à la fois le niveau actuel et la tendance actuelle. Notons que la moyenne mobile simple est un cas particulier du lissage exponentiel en définissant la période de la moyenne mobile sur la partie entière de (2-Alpha) Alpha. Pour la plupart des données commerciales, un paramètre Alpha inférieur à 0,40 est souvent efficace. Cependant, on peut effectuer une recherche de grille de l'espace des paramètres, avec 0,1 à 0,9, avec des incréments de 0,1. Ensuite, le meilleur alpha a la plus petite erreur absolue moyenne (erreur MA). Comment comparer plusieurs méthodes de lissage: Bien qu'il existe des indicateurs numériques pour évaluer la précision de la technique de prévision, l'approche la plus répandue consiste à utiliser la comparaison visuelle de plusieurs prévisions pour évaluer leur exactitude et choisir parmi les différentes méthodes de prévision. Dans cette approche, on doit tracer (en utilisant par exemple Excel) sur le même graphe les valeurs d'origine d'une variable de série temporelle et les valeurs prédites à partir de plusieurs méthodes de prévision différentes, facilitant ainsi une comparaison visuelle. Vous pouvez utiliser les prévisions passées par Smoothing Techniques JavaScript pour obtenir les valeurs de prévisions antérieures basées sur des techniques de lissage qui n'utilisent qu'un seul paramètre. Holt et Winters utilisent deux et trois paramètres, respectivement, donc il n'est pas facile de sélectionner les valeurs optimales, voire presque optimales par essai et les erreurs pour les paramètres. Le lissage exponentiel simple met l'accent sur la perspective à courte portée qu'il définit le niveau à la dernière observation et est basé sur la condition qu'il n'y a pas de tendance. La régression linéaire, qui correspond à une ligne de moindres carrés aux données historiques (ou aux données historiques transformées), représente la longue portée, conditionnée par la tendance de base. Le lissage linéaire linéaire de Holts capture des informations sur la tendance récente. Les paramètres dans le modèle de Holts sont les niveaux-paramètres qui devraient être diminués quand la quantité de variation de données est grande et les tendances-paramètre devraient être augmentés si la direction de tendance récente est soutenue par le causal certains facteurs. Prévision à court terme: Notez que chaque JavaScript sur cette page fournit une prévision à un pas. Obtenir une prévision en deux étapes. Ajoutez simplement la valeur prévue à la fin de vos données chronologiques et cliquez sur le même bouton Calculer. Vous pouvez répéter ce processus pour quelques fois afin d'obtenir les prévisions à court terme nécessaires. J'ai une série chronologique avec une moyenne mobile exponentielle et je veux calculer un retour en mouvement de l'EMA au cours des dernières m périodes (quelque chose comme un Retour en mouvement lissé). (T) est la valeur de la série temporelle à la période t (t) est la valeur d'une EMA de Y à la période t Maintenant R (t) est le retour de l'EMA sur les dernières m périodes de temps: Si l'EMA est calculée en utilisant S (t) alpha Y (t) (1-alpha) S (t-1) et l'alpha est fixé à 2 (N1), alors comment N doit-il dépendre de m Im en supposant que N soit suffisamment inférieur à m pour éviter le chevauchement des valeurs de Y qui sont utilisées dans le calcul de S (t) et S (tm). Toutes les théories ou les meilleures pratiques à ce sujet C'est en fait un problème assez complexe. Il ya quelques directions que vous pouvez examiner. Un moyen, généralement recommandé dans la littérature de prévision, est d'optimiser pour l'erreur de prévision. Si vous avez une application spécifique à l'esprit, vous pouvez définir votre propre fonction de coût pour optimiser. Une vue différente à ce sujet est de regarder l'EWMA comme un modèle d'espace d'état, puis le problème est équivalent à la mise en place d'un filtre approprié de Kalman que vous pouvez faire avec MLE, voir par exemple Time Series Analysis by State Space Methods Il ya d'autres directions Vous pouvez aller, mais je pense que cela vous donnera une idée. Lexplorer la volatilité exponentiellement pondérée Moyenne mobile est la mesure la plus commune de risque, mais il est disponible en plusieurs saveurs. Dans un article précédent, nous avons montré comment calculer la volatilité historique simple. Nous avons utilisé les données réelles sur les actions de Googles afin de calculer la volatilité quotidienne basée sur 30 jours de données sur les actions. Dans cet article, nous améliorerons la volatilité simple et discuterons de la moyenne mobile exponentiellement pondérée (EWMA). Historique vs. Volatilité implicite Tout d'abord, mettons cette métrique dans un peu de perspective. Il existe deux grandes approches: la volatilité historique et implicite (ou implicite). L'approche historique suppose que le passé est prologue, nous mesurons l'histoire dans l'espoir qu'elle est prédictive. La volatilité implicite, d'autre part, ignore l'histoire qu'elle résout pour la volatilité impliquée par les prix du marché. Elle espère que le marché le sait mieux et que le prix du marché contient, même implicitement, une estimation de la volatilité. Si l'on se concentre uniquement sur les trois approches historiques (à gauche ci-dessus), elles ont deux étapes en commun: Calculer la série de retours périodiques Appliquer un schéma de pondération D'abord, nous Calculer le rendement périodique. C'est généralement une série de rendements quotidiens où chaque retour est exprimé en termes continuellement composés. Pour chaque jour, nous prenons le log naturel du ratio des prix des actions (c'est-à-dire le prix aujourd'hui divisé par le prix d'hier, et ainsi de suite). Cela produit une série de rendements quotidiens, de u i à u i-m. Selon le nombre de jours (m jours) que nous mesurons. Cela nous amène à la deuxième étape: c'est là que les trois approches diffèrent. Dans l'article précédent (Utilisation de la volatilité pour mesurer le risque futur), nous avons montré que, sous quelques simplifications acceptables, la variance simple est la moyenne des rendements au carré: Notez que ceci récapitule chacun des rendements périodiques, puis divise ce total par Nombre de jours ou observations (m). Donc, c'est vraiment juste une moyenne des rendements périodiques au carré. Autrement dit, chaque retour au carré reçoit un poids égal. Ainsi, si l'alpha (a) est un facteur de pondération (spécifiquement, un 1m), alors une variance simple ressemble à ceci: L'EWMA améliore la variance simple La faiblesse de cette approche est que tous les retours gagnent le même poids. Le retour hier (très récent) n'a plus d'influence sur la variance que le rendement des derniers mois. Ce problème est résolu en utilisant la moyenne mobile exponentiellement pondérée (EWMA), dans laquelle les rendements plus récents ont un poids plus important sur la variance. La moyenne mobile exponentiellement pondérée (EWMA) introduit lambda. Qui est appelé le paramètre de lissage. Lambda doit être inférieur à un. Sous cette condition, au lieu de pondérations égales, chaque rendement au carré est pondéré par un multiplicateur comme suit: Par exemple, RiskMetrics TM, une société de gestion des risques financiers, a tendance à utiliser un lambda de 0,94 ou 94. Dans ce cas, le premier La plus récente) le rendement périodique au carré est pondéré par (1-0.94) (. 94) 0 6. Le prochain rendement au carré est simplement un multiple lambda du poids antérieur dans ce cas 6 multiplié par 94 5.64. Et le troisième jour antérieur, le poids est égal à (1-0,94) (0,94) 2 5,30. C'est le sens de l'exponentielle dans EWMA: chaque poids est un multiplicateur constant (c'est-à-dire lambda, qui doit être inférieur à un) du poids des jours précédents. Cela garantit une variance pondérée ou biaisée vers des données plus récentes. (Pour en savoir plus, consultez la feuille de calcul Excel pour la volatilité de Googles.) La différence entre la volatilité et l'EWMA pour Google est illustrée ci-dessous. La volatilité simple pèse efficacement chaque rendement périodique de 0.196 comme indiqué dans la colonne O (nous avions deux années de données quotidiennes sur les cours des actions, soit 509 déclarations journalières et 1509 0.196). Mais notez que la colonne P attribue un poids de 6, puis 5.64, puis 5.3 et ainsi de suite. C'est la seule différence entre la variance simple et EWMA. Rappelez-vous: Après avoir additionné toute la série (dans la colonne Q), nous avons la variance, qui est le carré de l'écart-type. Si nous voulons la volatilité, nous devons nous rappeler de prendre la racine carrée de cette variance. Quelle est la différence entre la volatilité quotidienne entre la variance et l'EWMA dans l'affaire Googles? Sa significative: La variance simple nous a donné une volatilité quotidienne de 2,4 mais l'EWMA a donné une volatilité quotidienne de seulement 1,4 (voir la feuille de calcul pour plus de détails). Apparemment, la volatilité de Googles s'est installée plus récemment donc, une simple variance pourrait être artificiellement élevée. La variation d'aujourd'hui est une fonction de la variation des jours Pior Vous remarquerez que nous devions calculer une longue série de poids exponentiellement en déclin. Nous ne ferons pas les calculs ici, mais l'une des meilleures caractéristiques de l'EWMA est que la série entière se réduit commodément à une formule récursive: Recursive signifie que les références de variance d'aujourd'hui (c'est-à-dire une fonction de la variance des jours précédents). La variance d'aujourd'hui (sous EWMA) équivaut à la variance d'hier (pondérée par lambda) plus le rendement au carré d'hier (pesé par un lambda négatif). Remarquez comment nous ajoutons simplement deux termes ensemble: la variance pondérée d'hier et la pondération pondérée hier, au carré. Même si, lambda est notre paramètre de lissage. Un lambda plus élevé (par exemple, comme RiskMetrics 94) indique une diminution plus lente dans la série - en termes relatifs, nous allons avoir plus de points de données dans la série et ils vont tomber plus lentement. En revanche, si l'on réduit le lambda, on indique une décroissance plus élevée: les poids diminuent plus rapidement et, en résultat direct de la décroissance rapide, on utilise moins de points de données. (Dans la feuille de calcul, lambda est une entrée, donc vous pouvez expérimenter avec sa sensibilité). Résumé La volatilité est l'écart-type instantané d'un stock et la métrique de risque la plus courante. C'est aussi la racine carrée de la variance. Nous pouvons mesurer la variance historiquement ou implicitement (volatilité implicite). Lors de la mesure historique, la méthode la plus simple est la variance simple. Mais la faiblesse avec la variance simple est tous les retours obtenir le même poids. Nous sommes donc confrontés à un compromis classique: nous voulons toujours plus de données, mais plus nous avons de données, plus notre calcul est dilué par des données distantes (moins pertinentes). La moyenne mobile pondérée exponentiellement (EWMA) améliore la variance simple en attribuant des pondérations aux rendements périodiques. En faisant cela, nous pouvons utiliser une grande taille d'échantillon mais aussi donner plus de poids à des retours plus récents. (Pour voir un tutoriel sur ce sujet, visitez la Tortue Bionique.)