Ich habe eine Liste von Datenpunkten,. meine Daten. Wenn ich sie plotze, ist die Kurve gezackt. Ich möchte die Kurve glätten und die beiden scharfen Ecken bewahren. Dies ist eine Auftragung der Rohdaten. Ich habe versucht, mit Tiefpassfilter für eine Woche, aber die Kurve ist immer noch nicht sehr gut. Meine Kurve hat viele Zickzacke. Das folgende ist meine Tiefpaßfilterfunktion. Nachdem ich den obigen Code ausgewertet habe, kann ich die drei Teile der Zickzackkurve separat glätten. Dann kombiniere ich sie. Wie ich schon sagte, die Kurve noch nicht gut genug. Einige Teile sind unangemessen geändert Was ich will, ist so etwas wie dieses, das durch eine Zeichnung erhalten wurde :). Ich möchte nur einige Mathematica Plot Tricks oder einen anderen Ansatz, die mir die glatte Kurve Ich suche zu verwenden. Fragte Okt 10 14 am 13:04 Nur einen erweiterten Kommentar zu starten. Ill versuchen, Follow-up mit einigen Code später heute oder über das Wochenende. Das klingt nach einem perfekten Job für einen Laguerre-Filter und höchstwahrscheinlich ein adaptiver, z. B. Laguerre Filter Eine Einführung. Sie können viele Informationen auf diesem online finden. Der Laguerre Filter glättet einen Datensatz basierend auf Laguerre-Polynomen. Sein erster Begriff, ein Exponential Moving Average, gefolgt von bestimmten Feedback-Begriffe. Die Glättung wird durch einen Alpha-Faktor gesteuert (Alpha für den Exponential Moving Average) und dämpft die weiteren Begriffe. Alpha kann von 1 bis zu den Daten fast genau auf 0 für eine sehr langsame Antwort. Das Ergebnis ergibt den gewichteten Mittelwert der vergangenen Werte. Ein adaptives Laguerre-Filter führt einen variablen Alpha-Faktor ein, basierend darauf, wie gut der Filter die vergangenen N-Werte verfolgt. Dies sollte dem Filter ermöglichen, den Daten sehr genau zu folgen, während er den Charakter über die Spannweite der x-Achse verändert. Mathematicas LaguerreL-Funktion kann dies ganz einfach. Aus der Dokumentation: Ill versuchen, einige Code später Post. Hallo, Jagra Vielen Dank für Ihre interessante Ich werde es auch versuchen Ich denke, dass MovingAverage diese Arbeit perfekt tun kann, wenn wir das Gewicht kontrollieren können, um den Durchschnitt an der oszillierenden Teil zu tun und folgen Sie meiner Kurve in der Nähe Die beiden Inversionspunkte. Wie Sie sehen können, mit meinem LowpassFilter oder kale39s GaussianFilter. Gibt es eine unangemessene Änderung im rechten Teil der Kurve, wo die ursprüngliche Kurve glatt oder gut genug ist. Ndash kann man mit GaussianFilter etwas anfangen: Zuerst eine Filterfunktion: Diese Funktion wendet einen Gaußschen Filter auf alle Daten an, die größer als ein bestimmter y-Wert sind. Wir können es wie folgt verwenden: Um mit den Werten zu spielen, können wir ein einfaches Manipulat-Programm aufbauen: Ich denke, der WienerFilter funktioniert besser: beantwortet Okt 10 14 am 13:52 Thanks kale Wie Sie sehen können, mit meinem LowpassFilter oder Ihrem GaussianFilter. Gibt es sowohl eine unangemessene Änderung im rechten Teil der Kurve, wo die ursprüngliche Kurve glatt oder gut genug ist. Ich finde dein WienerFilter ist relativ gut. Aber wir können es noch verbessern. Könnten Sie pls Post Ihre WienerFilter-Code ndash kann Oct 10 14 am 14:21 Ixy Ersetzen Sie einfach GaussianFilter mit WeinerFilter. Ndash kale Antwort # 1 am: Mai 23, 2010, 07:19:01 am »Ihre Antwort 2016 Stack Exchange, IncIm versuchen, die folgenden Daten mit Mathematica passen, aber leider im nicht immer keine anständigen Ergebnisse. Im unter der Annahme des folgenden Modells: Ich versuchte mit FindFit: Welche Fehler mit Ich versuchte NonlinearModelFit zu, aber i cant get it to work. Am Ende habe ich versucht mit WolframAlpha, die anständige Ergebnisse, aber i cant passen alle meine Daten in das Textfeld und es funktioniert nicht mit WolframAlpha Pro. Michael Seifert. I39d gehen weiter und argumentieren es ist völlig unangemessen, eine weitere Ziffer der Präzision zu erhalten. In der Tat, wegen der, was Sie zeigen, mit den Residuen (Beobachtungen in der Regel innerhalb von etwa 1 bis 2 des vorhergesagten Wert) sollte man höchstens 3 bis 4 Ziffern rechts von der Dezimalstelle genau zu sein (oder ein besseres Modell finden). Ndash Jim Baldwin Die ursprüngliche Ausgabe eines Mangels an Konvergenz ist wegen der sehr großen Werte der unabhängigen Variablen und die Verwendung der Standard-Startwerte (und mein Verständnis ist, dass die Standard-Startwert für alle Parameter Ist 1,0). Dies kann durch die Standardisierung der unabhängigen Variablen behoben werden. (Dies ist keine schlechte Praxis für fast jede Regressionsanalyse - aber Sie müssen daran denken, die Umwandlung wieder auf die ursprünglichen Einheiten zu machen.) Verwenden von Standard-Startwerte mit den ursprünglichen Daten. Klar nicht eine gute Antwort. Die Wahl besserer Ausgangswerte hilft, aber manchmal nur, wenn die Anzahl der Iterationen von der Voreinstellung erhöht wird. Wenn wir die unabhängige Variable standardisiert hätten, wäre es nicht notwendig gewesen, die Iterationen zu erhöhen oder eine gute Vermutung hinsichtlich der Ausgangswerte zu haben: Nachdem alle oben genannten Daten für diesen speziellen Datensatz einen besseren Ansatz gefunden haben, der der Restfehlerstruktur besser entspricht, Die Abnahme der Protokolle der abhängigen Variablen und die Durchführung einer linearen Regression wie Michael Seifert (aber Id verwenden LinearModelFit statt NonlinearModelFit - aber in diesem Fall sind die Ergebnisse gleichwertig). Verwenden LinearModelFit (oder NonlinearModelFit) bietet eine ganze Menge mehr Informationen über die Passform als FindFit. Auf diese Weise würde man sehen, dass die Anforderung weiterer Dezimalstellen in den Vorhersagen nicht besser geeignet ist und dass nur 3 oder vielleicht 4 Ziffern rechts vom Dezimaltrennzeichen angesichts der Qualität der Anpassung gerechtfertigt sind. Und mit nur 18 Datenpunkten ist ein komplexeres Modell mit einer besseren Anpassung an die beobachteten Daten nicht gerechtfertigt. Beantwortet Jul 6 15 am 22: 39Exponential Moving Average - EMA Laden des Spielers. BREAKING DOWN Exponential Moving Average - EMA Die 12- und 26-Tage-EMAs sind die beliebtesten Kurzzeitmittelwerte und werden verwendet, um Indikatoren wie die gleitende durchschnittliche Konvergenzdivergenz (MACD) und den prozentualen Preisoszillator (PPO) zu erzeugen. Im Allgemeinen werden die 50- und 200-Tage-EMAs als Signale von langfristigen Trends verwendet. Trader, die technische Analyse verwenden finden fließende Mittelwerte sehr nützlich und aufschlussreich, wenn sie richtig angewendet werden, aber Chaos verursachen, wenn sie falsch verwendet werden oder falsch interpretiert werden. Alle gleitenden Mittelwerte, die gewöhnlich in der technischen Analyse verwendet werden, sind von Natur aus nacheilende Indikatoren. Folglich sollten die Schlussfolgerungen aus der Anwendung eines gleitenden Durchschnitts auf ein bestimmtes Marktdiagramm eine Marktbewegung bestätigen oder ihre Stärke belegen. Sehr oft, bis eine gleitende durchschnittliche Indikatorlinie eine Änderung vorgenommen hat, um eine bedeutende Bewegung auf dem Markt zu reflektieren, ist der optimale Punkt des Markteintritts bereits vergangen. Eine EMA dient dazu, dieses Dilemma zu einem gewissen Grad zu lindern. Da die EMA-Berechnung mehr Gewicht auf die neuesten Daten setzt, umgibt sie die Preisaktion etwas fester und reagiert damit schneller. Dies ist wünschenswert, wenn ein EMA verwendet wird, um ein Handelseintragungssignal abzuleiten. Interpretation der EMA Wie alle gleitenden Durchschnittsindikatoren sind sie für Trendmärkte viel besser geeignet. Wenn der Markt in einem starken und anhaltenden Aufwärtstrend ist. Zeigt die EMA-Indikatorlinie auch einen Aufwärtstrend und umgekehrt einen Abwärtstrend. Ein wachsamer Händler achtet nicht nur auf die Richtung der EMA-Linie, sondern auch auf das Verhältnis der Änderungsgeschwindigkeit von einem Balken zum nächsten. Wenn zum Beispiel die Preisaktion eines starken Aufwärtstrends beginnt, sich zu verflachen und umzukehren, wird die EMA-Rate der Änderung von einem Balken zum nächsten abnehmen, bis zu dem Zeitpunkt, zu dem die Indikatorlinie flacht und die Änderungsrate null ist. Wegen der nacheilenden Wirkung, von diesem Punkt, oder sogar ein paar Takte zuvor, sollte die Preisaktion bereits umgekehrt haben. Daraus folgt, dass die Beobachtung einer konsequenten Abschwächung der Veränderungsrate der EMA selbst als Indikator genutzt werden könnte, der das Dilemma, das durch den nacheilenden Effekt von gleitenden Durchschnitten verursacht wird, weiter beheben könnte. Gemeinsame Verwendung der EMA-EMAs werden häufig in Verbindung mit anderen Indikatoren verwendet, um signifikante Marktbewegungen zu bestätigen und deren Gültigkeit zu messen. Für Händler, die intraday und schnelllebigen Märkten handeln, ist die EMA mehr anwendbar. Häufig benutzen Händler EMAs, um eine Handel Bias zu bestimmen. Zum Beispiel, wenn eine EMA auf einer Tages-Chart zeigt einen starken Aufwärtstrend, kann eine Intraday-Trader-Strategie, um nur von der langen Seite auf einem Intraday-Chart. Im in den Prozess der Schaffung eines Forex-Handel Algorithmus und wollte meinen Versuch zu versuchen Bei der Berechnung von EMA (Exponential Moving Averages). Meine Ergebnisse scheinen korrekt zu sein (im Vergleich zu den Berechnungen, die ich von Hand gemacht habe), so dass ich glaube, die folgende Methode funktioniert, aber wollte nur eine zusätzliche Menge von Augen, um sicherzustellen, dass im nicht fehlt etwas zu bekommen. Beachten Sie, dass dies nur die EMA für den letzten Preis zurückgibt, gibt es nicht ein Array von EMAs, wie das ist nicht das, was ich für meine Anwendung benötigen. Rekursion ist ein gutes Werkzeug für den richtigen Job, aber hier wird es verwendet, um einfaches Looping zu erreichen. Als solcher der Code. Ist schwerer zu lesen und zu begründen. Ist langsamer, da ein Großteil des Codes in ema nur einmal ausgeführt werden muss. Wird fehlschlagen mit groß genug Wert des Fensters durch überlaufende Python-Aufruf-Stack. Bitte dokumentieren Sie mindestens die Parameter jeder Funktion, zB. Dieses Fenster ist die Länge des Fensters, und diese Position zählt rückwärts vom Ende der Daten. (In der Tat wäre es klarer, wenn Position waren ein normaler Vorwärts-Index in Daten) Heben Sie eine Ausnahme, wenn Sie einen Parameter einen ungültigen Wert finden. Wenn Sie stattdessen nichts zurückgeben, wird dies später nur zu einer verwirrenden Ausnahme führen. In der Tat, wenn ich Indicators () versuchen. Ema (closeprices, 600) Ich bekomme unendliche Rekursion, weil sma keine zurückgibt. Das macht ema sma immer und immer wieder. Der vorhergehende Punkt zeigt auch, dass wenn len (data) lt window 2 nicht die richtige Gültigkeitsprüfung ist. Die 1 in data-window2 1: - window 1 scheint mir nicht richtig zu sein. Ich nehme an, Sie möchten data-window2: - window Die Anweisung return previousema ist an einem ungeraden Ort, da Sie an diesem Punkt haben Sie eine neue currentema berechnet. Dies ist der Basisfall der Rekursion, und es ist üblich, das Basisgehäuse zuerst zu behandeln. Mein Vorschlag für ema: antwortete am 26. November um 18:56 Hübsche flache Überprüfung: Sie müssen nicht eine Klasse für das, was Sie tun, schreiben (und ich schlage vor, Sie haben einen Blick auf dieses Video). Ihre Klasse kapselt keine Daten und Sie verwenden es nur, um Ihre Funktionen in einer gleichen Entität haben. Ich denke, Dinge wäre leichter zu verstehen, wenn Sie classmethod zu definieren, um es offensichtlich, dass Sie nicht wirklich auf irgendeine Instanz verlassen wollen. Eine noch bessere Möglichkeit wäre jedoch, Funktionen in einem Indikatormodul zu definieren. Antwortete Nov 24 14 am 18:04 Vielen Dank für die Vorschläge, die ich tatsächlich haben sie als classmethods und debattiert hin und her zwischen sogar mit einer Klasse oder einfach nur definieren Funktionen in einem Indikator-Modul (was ich jetzt tun). Ndash ChrisC Nov 25 14 am 19:12 Nur gerade das Video zu, große Sachen. Ndash ChrisC 25 November um 19:43 Ihre Antwort 2016 Stack Exchange, IncExponential Smoothing erklärt. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Wenn die Menschen zuerst den Begriff Exponential Smoothing begegnen sie denken, dass klingt wie eine Hölle von viel Glättung. Was Glättung ist. Sie beginnen dann eine komplizierte mathematische Berechnung vorstellen, die wahrscheinlich erfordert einen Abschluss in Mathematik zu verstehen, und hoffe, es ist eine eingebaute Excel-Funktion verfügbar, wenn sie es jemals tun müssen. Die Wirklichkeit der exponentiellen Glättung ist weit weniger dramatisch und weit weniger traumatisch. Die Wahrheit ist, ist exponentielle Glättung eine sehr einfache Berechnung, die eine ziemlich einfache Aufgabe erfüllt. Es hat nur einen komplizierten Namen, weil was technisch passiert als Folge dieser einfachen Berechnung ist eigentlich ein wenig kompliziert. Um zu verstehen, exponentielle Glättung, hilft es, mit dem allgemeinen Konzept der Glättung und ein paar andere gängige Methoden, um Glättung zu erreichen beginnen. Was ist Glättung Glättung ist ein sehr häufiger statistischer Prozess. Tatsächlich begegnen wir regelmäßig geglättete Daten in verschiedenen Formen in unserem Alltag. Jedes Mal, wenn Sie einen Durchschnitt verwenden, um etwas zu beschreiben, verwenden Sie eine geglättete Zahl. Wenn Sie darüber nachdenken, warum Sie einen Durchschnitt verwenden, um etwas zu beschreiben, werden Sie schnell verstehen, das Konzept der Glättung. So erlebten wir zum Beispiel den wärmsten Winter. Wie können wir das quantifizieren? Nun beginnen wir mit Datensätzen der täglichen hohen und niedrigen Temperaturen für den Zeitraum, den wir Winter für jedes Jahr in der aufgezeichneten Geschichte nennen. Aber das lässt uns mit einer Menge von Zahlen, die um einiges herumspringen (es ist nicht wie jeden Tag dieser Winter war wärmer als die entsprechenden Tage aus allen früheren Jahren). Wir brauchen eine Zahl, die alle diese Sprünge aus den Daten entfernt, so dass wir besser vergleichen können einen Winter zum nächsten. Das Entfernen der Sprünge in den Daten heißt Glättung, und in diesem Fall können wir einfach einen einfachen Durchschnitt verwenden, um die Glättung zu erreichen. In der Bedarfsprognose verwenden wir die Glättung, um zufällige Variation (Lärm) aus unserer historischen Nachfrage zu entfernen. Dies ermöglicht es uns, die Bedarfsmuster (vor allem die Trend - und Saisonalität) und die Nachfrage, die zur Abschätzung der zukünftigen Nachfrage genutzt werden können, besser zu identifizieren. Der Lärm in der Nachfrage ist das gleiche Konzept wie das tägliche Springen der Temperaturdaten. Nicht überraschend, die häufigste Art und Weise Menschen entfernen Rauschen aus der Nachfrage Geschichte ist es, einen einfachen Durchschnitt verwenden oder genauer, ein gleitender Durchschnitt. Ein gleitender Durchschnitt verwendet nur eine vordefinierte Anzahl von Perioden, um den Durchschnitt zu berechnen, und diese Perioden bewegen sich mit der Zeit. Zum Beispiel, wenn Im mit einem 4-Monats-gleitenden Durchschnitt, und heute ist der 1. Mai, Im mit einem Durchschnitt der Nachfrage, die im Januar, Februar, März und April aufgetreten. Am 1. Juni werde ich die Nachfrage von Februar, März, April und Mai nutzen. Gewichteter gleitender Durchschnitt. Wenn wir einen Durchschnitt verwenden, wenden wir die gleiche Wichtigkeit (Gewicht) auf jeden Wert im Datensatz an. Im gleitenden 4-Monatsdurchschnitt stellte jeder Monat 25 des gleitenden Durchschnitts dar. Bei der Verwendung der Nachfragegeschichte, um die zukünftige Nachfrage (und insbesondere die zukünftige Entwicklung) zu prognostizieren, ist es logisch, zu der Schlussfolgerung zu kommen, dass die jüngere Geschichte eine größere Auswirkung auf Ihre Prognose haben möchte. Wir können unsere gleitende durchschnittliche Berechnung anpassen, um verschiedene Gewichte auf jede Periode anzuwenden, um die gewünschten Ergebnisse zu erzielen. Wir geben diese Gewichte als Prozentsätze an, und die Summe aller Gewichte für alle Perioden muss zu 100 addieren. Wenn wir also entscheiden, dass wir 35 als Gewicht für die nächste Periode in unserem 4-monatigen gewichteten gleitenden Durchschnitt anwenden wollen, können wir Subtrahieren 35 von 100 zu finden, wir haben 65 übrig geblieben, um über die anderen 3 Perioden zu teilen. Zum Beispiel können wir am Ende mit einer Gewichtung von 15, 20, 30 und 35 für die 4 Monate (15 20 30 35 100). Exponentielle Glättung. Wenn wir auf das Konzept der Anwendung eines Gewichtes auf die jüngste Periode (wie z. B. 35 im vorigen Beispiel) und das Verbreiten des Restgewichts (berechnet durch Subtrahieren des letzten Periodengewichts von 35 von 100 auf 65) zurückgehen, haben wir Die Grundbausteine für unsere exponentielle Glättungsberechnung. Der Steuereingang der Exponentialglättungsberechnung ist als Glättungsfaktor (auch Glättungskonstante genannt) bekannt. Es handelt sich im Wesentlichen um die Gewichtung für die jüngsten Zeiträume Nachfrage. Wenn wir also 35 als Gewichtung für die letzte Periode in der gewichteten gleitenden Durchschnittsberechnung verwendeten, könnten wir auch 35 als Glättungsfaktor in unserer exponentiellen Glättungsberechnung verwenden, um einen ähnlichen Effekt zu erhalten. Der Unterschied zu der exponentiellen Glättungsberechnung ist, dass anstelle von uns auch herauszufinden, wie viel Gewicht auf jede vorhergehende Periode anzuwenden ist, der Glättungsfaktor verwendet, um das automatisch zu tun. Also hier kommt der exponentielle Teil. Wenn wir 35 als Glättungsfaktor verwenden, beträgt die Gewichtung der letzten Periodennachfrage 35. Die Gewichtung der nächsten letzten Periodennachfrage (der Zeitraum vor dem jüngsten) beträgt 65 von 35 (65 ergibt sich aus der Subtraktion von 35 von 100). Dies entspricht 22,75 Gewichtung für diesen Zeitraum, wenn Sie die Mathematik. Die nächste Nachfrage nach der letzten Zeit wird 65 von 65 von 35 sein, was 14,79 entspricht. Der Zeitraum davor wird gewichtet mit 65 von 65 von 65 von 35, was 9,61 entspricht, und so weiter. Und das geht zurück durch alle Ihre früheren Perioden den ganzen Weg zurück zum Anfang der Zeit (oder der Punkt, an dem Sie begonnen haben, exponentielle Glättung für das jeweilige Element). Youre wahrscheinlich denken, dass aussehen wie eine ganze Menge Mathe. Aber die Schönheit der exponentiellen Glättung Berechnung ist, dass, anstatt zu jeder vorherigen Periode neu berechnen müssen, jedes Mal, wenn Sie eine neue Perioden Nachfrage erhalten, verwenden Sie einfach die Ausgabe der exponentiellen Glättung Berechnung aus der vorherigen Periode, um alle vorherigen Perioden zu repräsentieren. Sind Sie noch verwirrt Dies wird mehr Sinn machen, wenn wir die tatsächliche Berechnung betrachten Normalerweise beziehen wir uns auf die Ausgabe der exponentiellen Glättung Berechnung als die nächste Periode Prognose. In Wirklichkeit braucht die endgültige Prognose etwas mehr Arbeit, aber für die Zwecke dieser spezifischen Berechnung werden wir sie als die Prognose bezeichnen. Die exponentielle Glättungsberechnung ist wie folgt: Die letzte Periodenforderung multipliziert mit dem Glättungsfaktor. PLUS Die Prognose der letzten Perioden multipliziert mit (minus Glättungsfaktor). D die letzten Perioden S den Glättungsfaktor, der in dezimaler Form dargestellt ist (also 35 als 0,35 dargestellt werden). F die letzten Periodenprognosen (die Ausgabe der Glättungsberechnung aus der vorherigen Periode). OR (unter Annahme eines Glättungsfaktors von 0,35) (D 0,35) (F 0,65) Es wird nicht viel einfacher als das. Wie Sie sehen können, benötigen wir für die Dateneingaben hier nur die jüngsten Zeiträume und die letzten Prognosezeiträume. Wir wenden den Glättungsfaktor (Gewichtung) auf die letzten Perioden an, die in der gewichteten gleitenden Durchschnittsberechnung dieselbe Weise erfordern. Anschließend legen wir die verbleibende Gewichtung (1 minus Glättungsfaktor) auf die jeweils aktuellsten Perioden an. Da die Prognose der letzten Perioden auf Basis der vorherigen Periodennachfrage und der vorherigen Periodenprognosen erstellt wurde, die auf der Nachfrage nach dem vorherigen Zeitraum und der Prognose für den Zeitraum vor der Prognose beruhte, der auf der Nachfrage für den Zeitraum zuvor beruhte Dass und die Prognose für den Zeitraum vor, dass auf der Grundlage der Zeitraum vor, dass. Gut, können Sie sehen, wie alle vorherigen Perioden Nachfrage sind in der Berechnung dargestellt, ohne tatsächlich zurück und Neuberechnung alles. Und das ist, was fuhr die anfängliche Popularität der exponentiellen Glättung. Es war nicht, weil es einen besseren Job des Glättens als gewogenen gleitenden Durchschnitt machte, war es, weil es einfacher war, in einem Computerprogramm zu berechnen. Und weil Sie didnt brauchen, um darüber nachzudenken, welche Gewichtung früheren Perioden zu geben oder wie viele vorherige Perioden zu verwenden, wie Sie in gewichteten gleitenden Durchschnitt. Und, weil es klang nur kühler als gewichtet gleitenden Durchschnitt. Tatsächlich könnte man argumentieren, dass der gewichtete gleitende Durchschnitt eine größere Flexibilität bietet, da Sie mehr Kontrolle über die Gewichtung früherer Perioden haben. Die Realität ist entweder von diesen können respektable Ergebnisse liefern, also warum nicht mit einfacher und kühler klingen gehen. Exponentielle Glättung in Excel Lets sehen, wie dies tatsächlich in einer Kalkulationstabelle mit realen Daten aussehen würde. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. In Abbildung 1A haben wir eine Excel-Tabelle mit 11 Wochen Nachfrage und eine exponentiell geglättete Prognose aus dieser Nachfrage berechnet. Ive verwendete einen Glättungsfaktor von 25 (0,25 in Zelle C1). Die aktuelle aktive Zelle ist Zelle M4, die die Prognose für Woche 12 enthält. In der Formelleiste sehen Sie die Formel (L3C1) (L4 (1-C1)). Die einzigen direkten Eingaben zu dieser Berechnung sind die vorherigen Periodennachfrage (Zelle L3), die vorherigen Periodenvorhersage (Zelle L4) und der Glättungsfaktor (Zelle C1, dargestellt als absolute Zelle Bezug C1). Wenn wir eine exponentielle Glättungsberechnung starten, müssen wir den Wert für die 1. Prognose manuell stecken. So in der Zelle B4, anstatt einer Formel, tippten wir nur in die Nachfrage aus dem gleichen Zeitraum wie die Prognose. In der Zelle C4 haben wir unsere erste exponentielle Glättungsberechnung (B3C1) (B4 (1-C1)). Wir können dann kopieren Cell C4 und fügen Sie es in den Zellen D4 bis M4, um den Rest unserer prognostizierten Zellen zu füllen. Sie können nun auf eine beliebige Prognosezelle doppelklicken, um zu sehen, dass sie auf der vorherigen Periodenprognosezelle und den vorherigen Periodennachfragezellen basiert. Somit erbt jede nachfolgende exponentielle Glättungsberechnung die Ausgabe der vorherigen exponentiellen Glättungsberechnung. Das ist, wie jede vorherige Periodenanforderung in der letzten Periodenrechnung dargestellt wird, obwohl diese Berechnung nicht direkt auf die vorherigen Perioden bezieht. Wenn Sie Lust bekommen wollen, können Sie Excels Trace Präzedenzfall-Funktion. Klicken Sie dazu auf Cell M4, klicken Sie dann in der Multifunktionsleiste (Excel 2007 oder 2010) auf die Registerkarte Formeln, und klicken Sie dann auf Vorverfolgung. Es wird Verbindungslinien auf die erste Ebene der Präzedenzfälle ziehen, aber wenn Sie auf Trace Precedents klicken, zieht es Verbindungslinien zu allen vorherigen Perioden, um Ihnen die vererbten Beziehungen anzuzeigen. Jetzt können Sie sehen, was exponentielle Glättung für uns getan hat. Abbildung 1B zeigt ein Liniendiagramm unserer Nachfrage und Prognose. Sie sehen, wie die exponentiell geglättete Prognose die meiste Zersiedelung (das Springen um) von der wöchentlichen Nachfrage entfernt, aber dennoch gelingt, dem zu folgen, was ein Aufwärtstrend bei der Nachfrage zu sein scheint. Youll auch bemerken, dass die geglättete Vorhersagelinie tendenziell niedriger als die Nachfrage Linie ist. Dies wird als Trendverzögerung bezeichnet und ist ein Nebeneffekt des Glättprozesses. Jedes Mal, wenn Sie Glättung verwenden, wenn ein Trend vorliegt, wird Ihre Prognose hinter dem Trend zurückbleiben. Dies gilt für jede Glättungstechnik. In der Tat, wenn wir diese Tabellenkalkulation fortsetzen und beginnen Eingabe niedrigeren Nachfrage-Nummern (einen Abwärtstrend) würden Sie sehen, die Nachfrage Linie fallen, und die Trendlinie über sie vor dem Beginn der Abwärtstrend folgen. Thats, warum ich zuvor erwähnt, die Ausgabe aus der exponentiellen Glättung Berechnung, die wir eine Prognose nennen, braucht noch etwas mehr Arbeit. Es gibt viel mehr zu prognostizieren als nur Glättung der Beulen in der Nachfrage. Wir müssen zusätzliche Anpassungen für Dinge wie Trend lag, Saisonalität, bekannte Ereignisse, die die Nachfrage beeinflussen können, etc. Aber alle, die über den Rahmen dieses Artikels. Sie werden wahrscheinlich auch in Begriffe wie double-exponentielle Glättung und Triple-exponentielle Glättung. Diese Begriffe sind ein wenig irreführend, da Sie nicht re-Glättung der Nachfrage mehrfach (Sie könnten, wenn Sie wollen, aber das ist nicht der Punkt hier). Diese Begriffe repräsentieren die Verwendung einer exponentiellen Glättung für zusätzliche Elemente der Prognose. Also mit einfacher exponentieller Glättung glätten Sie die Grundanforderung, aber mit doppelt exponentieller Glättung glätten Sie die Grundanforderung plus den Trend, und mit dreifach-exponentieller Glättung glätten Sie die Grundanforderung plus den Trend und die Saisonalität. Die andere am häufigsten gestellte Frage über exponentielle Glättung ist, wo bekomme ich meinen Glättungsfaktor Es gibt keine magische Antwort hier, müssen Sie verschiedene Glättungsfaktoren mit Ihren Nachfrage Daten testen, um zu sehen, was Ihnen die besten Ergebnisse zu testen. Es gibt Berechnungen, die den Glättungsfaktor automatisch einstellen (und ändern) können. Diese fallen unter den Begriff adaptive Glättung, aber Sie müssen vorsichtig mit ihnen sein. Es gibt einfach keine perfekte Antwort und Sie sollten nicht blind implementieren keine Berechnung ohne gründliche Prüfung und Entwicklung eines gründlichen Verständnis dessen, was die Berechnung tut. Sie sollten auch What-If-Szenarios ausführen, um zu sehen, wie diese Berechnungen auf Bedarfsänderungen reagieren, die möglicherweise nicht in den Bedarfsdaten vorhanden sind, die Sie für Tests verwenden. Das Datenbeispiel, das ich vorher verwendet habe, ist ein sehr gutes Beispiel für eine Situation, in der Sie wirklich einige andere Szenarien testen müssen. Dieses besondere Datenbeispiel zeigt einen etwas konsequenten Aufwärtstrend. Viele große Unternehmen mit sehr teuren Prognose-Software bekam in großen Schwierigkeiten in der nicht so fernen Vergangenheit, wenn ihre Software-Einstellungen, die für eine wachsende Wirtschaft gezwickt wurden nicht gut reagiert, wenn die Wirtschaft begann stagnieren oder schrumpfen. Dinge wie dieses passieren, wenn Sie nicht verstehen, was Ihre Berechnungen (Software) tatsächlich tun. Wenn sie ihr Prognosesystem verstanden, hätten sie gewußt, daß sie nötig waren, um zu springen und etwas zu ändern, als plötzliche dramatische Veränderungen an ihrem Geschäft auftraten. So dort haben Sie es die Grundlagen der exponentiellen Glättung erklärt. Wollen Sie mehr über die Verwendung exponentieller Glättung in einer aktuellen Prognose wissen, lesen Sie in meinem Buch Inventory Management Explained. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Dave Piasecki. Ist Eigentümer / Betreiber von Inventory Operations Consulting LLC. Ein Beratungsunternehmen, das Dienstleistungen im Zusammenhang mit Bestandsführung, Materialhandling und Lagerbetrieb anbietet. Er hat über 25 Jahre Erfahrung in der Betriebsführung und kann über seine Website (www. inventoryops) erreicht werden, wo er zusätzliche relevante Informationen unterhält. Mein Geschäft
No comments:
Post a Comment