seychellesartprojects.org

EWMA (eksponentsiaalselt kaalutud liikuv keskmine) määratlus

Eksponentsiaalselt kaalutud liikuv keskmine (EWMA) viitab andmete keskmisele, mida kasutatakse portfelli liikumise jälgimiseks, kontrollides tulemusi ja väljundit, arvestades erinevaid tegureid, andes neile kaalu ja seejärel jälgides tulemusi, et tulemuslikkust hinnata ja teha parandusi

EWMA kaal vähendab iga minevikus kaugemale mineva perioodi jaoks eksponentsiaalselt. Kuna EWMA sisaldab varem arvutatud keskmist, on eksponentsiaalselt kaalutud liikuva keskmise tulemus kumulatiivne. Seetõttu panustavad kõik andmepunktid tulemusse, kuid järgmise perioodi EWMA arvutamisel väheneb panustegur.

Selgitus

See EWMA valem näitab liikuva keskmise väärtust ajahetkel t.

EWMA (t) = a * x (t) + (1-a) * EWMA (t-1)

Kus

• EWMA (t) = liikuv keskmine ajahetkel t
• a = segamisparameetri väärtuse vahemik 0 kuni 1
• x (t) = signaali x väärtus ajahetkel t

Selles valemis on toodud liikuva keskmise väärtus ajahetkel t. Siin on parameeter, mis näitab vanemate andmete arvutamise kiirust. A väärtus jääb vahemikku 0 kuni 1.

Kui a = 1, tähendab see, et EWMA mõõtmiseks on kasutatud ainult kõige värskemaid andmeid. Kui a läheneb 0-le, tähendab see vanematele andmetele suuremat kaalu ja kui a on 1 lähedal, tähendab see, et uuematele andmetele on antud rohkem kaalu.

EWMA näited

Allpool on toodud eksponentsiaalselt kaalutud liikuva keskmise näited

Selle EWMA Exceli malli saate alla laadida siit - EWMA Exceli mall

Näide 1

Vaatleme 5 andmepunkti vastavalt alltoodud tabelile:

Ja parameeter a = 30% või 0,3

Nii et EWMA (1) = 40

2. aja EWMA on järgmine

• EWMA (2) = 0,3 * 45 + (1-0,3) * 40,00
• = 41,5

Samamoodi arvutage eksponentsiaalselt kaalutud liikuv keskmine antud aegadel -

• EWMA (3) = 0,3 * 43 + (1-0,3) * 41,5 = 41,95
• EWMA (4) = 0,3 * 31 + (1-0,3) * 41,95 = 38,67
• EWMA (5) = 0,3 * 20 + (1-0,3) * 38,67 = 33,07

Näide 2

Meil on linna temperatuur Celsiuse kraadides pühapäevast laupäevani. Kasutades a = 10%, leiame temperatuuri liikuva keskmise igaks nädalapäevaks.

Kasutades a = 10% , leiame allolevast tabelist iga päeva eksponentsiaalselt kaalutud liikuva keskmise:

Allpool on graafik, mis näitab tegeliku temperatuuri ja EWMA võrdlust:

Nagu näeme, on silumine üsna tugev, kasutades = 10%. Samamoodi saame lahendada eksponentsiaalselt kaalutud liikuva keskmise mitut liiki aegridade või järjestikuste andmekogumite jaoks.

Eelised

• Seda saab kasutada keskmise leidmiseks, kasutades kogu andmete või väljundi ajalugu. Kõik muud diagrammid käsitlevad kõiki andmeid individuaalselt.
• Kasutaja saab igale andmepunktile kaalu anda vastavalt oma mugavusele. Erinevate keskmiste võrdlemiseks saab seda kaalu muuta.
• EWMA kuvab andmed geomeetriliselt. Seetõttu ei mõjuta need andmed kõrvaltoimete ilmnemisel palju.
• Iga eksponentsiaalselt kaalutud liikuva keskmise andmepunkt tähistab punktide liikuvat keskmist.

Piirangud

• Seda saab kasutada ainult siis, kui ajavahemiku jooksul on pidevalt andmeid saadaval.
• Seda saab kasutada ainult siis, kui tahame protsessis väikest nihet tuvastada.
• Seda meetodit saab kasutada keskmise arvutamiseks. Dispersiooni jälgimine nõuab, et kasutaja kasutaks mõnda muud tehnikat.

Olulised punktid

• Andmed, mille jaoks soovime saada eksponentsiaalselt kaalutud liikuva keskmise, tuleks aeg tellida.
• See on väga kasulik müra vähendamiseks lärmakates aegridade andmepunktides, mida võib nimetada sujuvaks.
• Igale väljundile antakse kaal. Värskemad andmed on suurim kaal, mida see saab.
• See on üsna hea väiksema nihke tuvastamiseks, kuid aeglasem suure nihke tuvastamiseks.
• Seda saab kasutada, kui alarühma valimi suurus on suurem kui 1.
• Reaalses maailmas saab seda meetodit kasutada keemilistes protsessides ja igapäevases raamatupidamisprotsessis.
• Seda saab kasutada ka veebisaitide külastajate kõikumiste kuvamiseks nädalapäevadel.

Järeldus

EWMA on tööriist ajaga seotud protsessi keskmiste väiksemate nihete tuvastamiseks. Samuti on kõrgelt uuritud eksponentsiaalselt kaalutud liikuvat keskmist ning selle põhjal leiti andmete liikuva keskmise leidmiseks mudel. See on väga kasulik ka varasemate andmete sündmuse põhjal prognoosimisel. Eksponentsiaalselt kaalutud liikuv keskmine on eeldus, et vaatlused jaotuvad tavaliselt. Ta kaalub varasemaid andmeid nende kaalude põhjal. Kuna andmed on rohkem minevikus, langeb nende kaal arvutamisel eksponentsiaalselt.

Kasutajad saavad ka varasematele andmetele kaalu anda, et teada saada EWMA-põhise erineva kaalu erinev komplekt. Ka geomeetriliselt kuvatud andmete tõttu ei mõjuta andmed välissuhete tõttu palju, seega on selle meetodi abil võimalik sujuvamaid andmeid saada.