Verschieben von Durchschnittswerten - Einfache und exponentielle Verschiebungsdurchschnitte - Einfache und exponentielle Einleitung Durchgehende Mittelwerte vervollständigen die Preisdaten, um einen Trend zu bilden. Sie prognostizieren nicht die Preisrichtung, sondern definieren die aktuelle Richtung mit einer Verzögerung. Umzugsdurchschnitte verzögern, weil sie auf vergangenen Preisen basieren. Trotz dieser Verzögerung, gleitende Durchschnitte helfen glatte Preis-Aktion und filtern die Lärm. Sie bilden auch die Bausteine für viele andere technische Indikatoren und Overlays wie Bollinger Bands. MACD und der McClellan Oszillator. Die beiden beliebtesten Arten von gleitenden Durchschnitten sind der Simple Moving Average (SMA) und der Exponential Moving Average (EMA). Diese gleitenden Durchschnitte können genutzt werden, um die Richtung des Trends zu identifizieren oder mögliche Unterstützungs - und Widerstandsniveaus zu definieren. Hier ist ein Diagramm mit einem SMA und einem EMA darauf: Einfache bewegliche Durchschnittsberechnung Ein einfacher gleitender Durchschnitt wird durch die Berechnung des Durchschnittspreises einer Sicherheit über eine bestimmte Anzahl von Perioden gebildet. Die meisten gleitenden Durchschnitte basieren auf Schlusskursen. Ein 5-tägiger einfacher gleitender Durchschnitt ist die Fünf-Tage-Summe der Schlusskurse geteilt durch fünf. Wie der Name schon sagt, ist ein gleitender Durchschnitt ein Durchschnitt, der sich bewegt. Alte Daten werden gelöscht, da neue Daten verfügbar sind. Dies bewirkt, dass sich der Durchschnitt entlang der Zeitskala bewegt. Unten ist ein Beispiel für einen 5-tägigen gleitenden Durchschnitt, der sich über drei Tage entwickelt. Der erste Tag des gleitenden Durchschnitts deckt einfach die letzten fünf Tage ab. Der zweite Tag des gleitenden Durchschnitts sinkt den ersten Datenpunkt (11) und fügt den neuen Datenpunkt (16) hinzu. Der dritte Tag des gleitenden Mittels setzt sich fort, indem er den ersten Datenpunkt (12) fällt und den neuen Datenpunkt (17) addiert. Im obigen Beispiel steigen die Preise allmählich von 11 auf 17 über insgesamt sieben Tage. Beachten Sie, dass der gleitende Durchschnitt auch von 13 auf 15 über einen Zeitraum von drei Tagen steigt. Beachten Sie auch, dass jeder gleitende Mittelwert knapp unter dem letzten Preis liegt. Zum Beispiel ist der gleitende Durchschnitt für Tag eins gleich 13 und der letzte Preis ist 15. Preise der vorherigen vier Tage waren niedriger und dies bewirkt, dass der gleitende Durchschnitt zu verzögern. Exponentielle Verschiebung Durchschnittliche Berechnung Exponentielle gleitende Durchschnitte reduzieren die Verzögerung, indem sie mehr Gewicht auf die jüngsten Preise anwenden. Die Gewichtung, die auf den jüngsten Preis angewendet wird, hängt von der Anzahl der Perioden im gleitenden Durchschnitt ab. Es gibt drei Schritte zur Berechnung eines exponentiellen gleitenden Durchschnitts. Zuerst berechnen Sie den einfachen gleitenden Durchschnitt. Ein exponentieller gleitender Durchschnitt (EMA) muss irgendwann anfangen, so dass ein einfacher gleitender Durchschnitt als vorhergehende Periode verwendet wird039s EMA in der ersten Berechnung. Zweitens berechnen Sie den Gewichtungsmultiplikator. Drittens berechnen Sie den exponentiellen gleitenden Durchschnitt. Die folgende Formel gilt für eine 10-tägige EMA. Ein 10-stelliger exponentieller gleitender Durchschnitt gilt eine 18,18 Gewichtung auf den letzten Preis. Eine 10-Perioden-EMA kann auch als 18.18 EMA bezeichnet werden. Eine 20-Punkte-EMA wendet ein 9,52-Gewicht auf den letzten Preis an (2 (201) .0952). Beachten Sie, dass die Gewichtung für den kürzeren Zeitraum mehr als die Gewichtung für den längeren Zeitraum ist. In der Tat, die Gewichtung sinkt um die Hälfte jedes Mal, wenn die gleitende durchschnittliche Periode verdoppelt. Wenn Sie uns einen bestimmten Prozentsatz für eine EMA wünschen, können Sie diese Formel verwenden, um sie in Zeiträume umzuwandeln und diesen Wert als den EMA039s-Parameter einzugeben: Unten ist ein Tabellenkalkulationsbeispiel für einen 10-tägigen, einfachen gleitenden Durchschnitt und einen 10- Tag exponentieller gleitender Durchschnitt für Intel. Einfache gleitende Durchschnitte sind einfach und erfordern wenig Erklärung. Der 10-Tage-Durchschnitt bewegt sich einfach, wenn neue Preise verfügbar sind und die alten Preise fallen. Der exponentielle gleitende Durchschnitt beginnt mit dem einfachen gleitenden Mittelwert (22.22) in der ersten Berechnung. Nach der ersten Berechnung übernimmt die normale Formel. Weil eine EMA mit einem einfachen gleitenden Durchschnitt anfängt, wird ihr wahrer Wert erst 20 Jahre später realisiert. Mit anderen Worten, der Wert auf der Excel-Tabelle kann sich aufgrund der kurzen Rückblickzeit von dem Diagrammwert unterscheiden. Diese Kalkulationstabelle geht nur zurück 30 Perioden, was bedeutet, dass der Einfluss des einfachen gleitenden Durchschnittes 20 Perioden hat, um zu zerstreuen. StockCharts geht zurück mindestens 250-Perioden (typischerweise viel weiter) für seine Berechnungen, so dass die Effekte des einfachen gleitenden Durchschnitts in der ersten Berechnung vollständig zerstreut sind. Der Lag-Faktor Je länger der gleitende Durchschnitt, desto mehr die Lag. Ein 10-tägiger, exponentieller gleitender Durchschnitt wird die Preise ganz genau verkleinern und kurz nach dem Preis drehen. Kurze bewegte Durchschnitte sind wie Schnellboote - flink und schnell zu ändern. Im Gegensatz dazu enthält ein 100-Tage-Gleitender Durchschnitt viele vergangene Daten, die ihn verlangsamen. Längere gleitende Durchschnitte sind wie Ozean-Tanker - lethargisch und langsam zu ändern. Es dauert eine größere und längere Preisbewegung für einen 100-tägigen gleitenden Durchschnitt, um den Kurs zu wechseln. Die obige Grafik zeigt die SampP 500 ETF mit einer 10-tägigen EMA genau nach den Preisen und einem 100-Tage-SMA-Schleifen höher. Sogar mit dem Januar-Februar-Rückgang hielt die 100-Tage-SMA den Kurs und ging nicht ab. Die 50-Tage-SMA passt irgendwo zwischen den 10 und 100 Tage gleitenden Durchschnitten, wenn es um den Lagfaktor geht. Einfache vs exponentielle Verschiebungsdurchschnitte Auch wenn es deutliche Unterschiede zwischen einfachen gleitenden Durchschnitten und exponentiellen gleitenden Durchschnitten gibt, ist man nicht unbedingt besser als die andere. Exponentielle gleitende Durchschnitte haben weniger Verzögerung und sind daher empfindlicher gegenüber den jüngsten Preisen - und die jüngsten Preisänderungen. Exponentielle gleitende Durchschnitte werden sich vor einfachen gleitenden Durchschnitten drehen. Einfache gleitende Durchschnitte stellen dagegen einen wahren Durchschnittspreis für den gesamten Zeitraum dar. Als solche können einfache gleitende Durchschnitte besser geeignet sein, um Unterstützung oder Widerstand Ebenen zu identifizieren. Die Verschiebung der durchschnittlichen Präferenz hängt von den Zielen, dem analytischen Stil und dem Zeithorizont ab. Chartisten sollten mit beiden Arten von gleitenden Durchschnitten sowie verschiedene Zeitrahmen experimentieren, um die beste Passform zu finden. Die folgende Grafik zeigt IBM mit dem 50-Tage-SMA in Rot und der 50-Tage-EMA in grün. Beide erreichten Ende Januar, aber der Rückgang der EMA war schärfer als der Rückgang der SMA. Die EMA tauchte Mitte Februar auf, aber die SMA setzte sich bis Ende März fort. Beachten Sie, dass die SMA über einen Monat nach der EMA auftauchte. Längen und Zeitrahmen Die Länge des gleitenden Durchschnitts hängt von den analytischen Zielen ab. Kurze bewegte Durchschnitte (5-20 Perioden) eignen sich am besten für kurzfristige Trends und Handel. Chartisten, die sich für mittelfristige Trends interessieren, würden sich für längere gleitende Durchschnitte entscheiden, die sich über 20-60 Perioden erstrecken könnten. Langfristige Investoren bevorzugen gleitende Durchschnitte mit 100 oder mehr Perioden. Einige gleitende durchschnittliche Längen sind beliebter als andere. Der 200-Tage-Gleitender Durchschnitt ist vielleicht der beliebteste. Wegen seiner Länge ist dies eindeutig ein langfristiger gleitender Durchschnitt. Als nächstes ist der 50-Tage-Gleitender Durchschnitt für den mittelfristigen Trend sehr beliebt. Viele Chartisten verwenden die 50-Tage - und 200-Tage-Gruppendurchschnitte zusammen. Kurzfristig war ein 10-tägiger gleitender Durchschnitt in der Vergangenheit sehr beliebt, weil es leicht zu berechnen war. Man hat einfach die Zahlen hinzugefügt und den Dezimalpunkt verschoben. Trend Identifikation Die gleichen Signale können mit einfachen oder exponentiellen gleitenden Durchschnitten erzeugt werden. Wie oben erwähnt, hängt die Präferenz von jedem einzelnen ab. In diesen Beispielen werden sowohl einfache als auch exponentielle gleitende Durchschnitte verwendet. Der Begriff Gleitender Durchschnitt gilt für einfache und exponentielle gleitende Mittelwerte. Die Richtung des gleitenden Durchschnitts vermittelt wichtige Informationen über die Preise. Ein steigender gleitender Durchschnitt zeigt, dass die Preise im Allgemeinen zunehmen. Ein fallender gleitender Durchschnitt zeigt an, dass die Preise im Durchschnitt fallen. Ein steigender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Aufwärtstrend wider. Ein fallender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Abwärtstrend wider. Die obige Grafik zeigt 3M (MMM) mit einem 150-Tage-exponentiellen gleitenden Durchschnitt. Dieses Beispiel zeigt, wie gut bewegte Mittelwerte arbeiten, wenn der Trend stark ist. Die 150-tägige EMA hat sich im November 2007 und wieder im Januar 2008 abgelehnt. Beachten Sie, dass es einen Rückgang der Rückkehr in die Richtung dieses gleitenden Durchschnittes gab. Diese nacheilenden Indikatoren identifizieren Trendumkehrungen, wie sie auftreten (am besten) oder nachdem sie auftreten (im schlimmsten Fall). MMM setzte sich im März 2009 fort und stieg dann 40-50 an. Beachten Sie, dass die 150-Tage-EMA erst nach diesem Anstieg auftauchte. Sobald es so war, fuhr MMM in den nächsten zwölf Monaten weiter an. Durchgehende Durchschnitte arbeiten brillant in starken Trends. Double Crossovers Zwei gleitende Mittelwerte können zusammen verwendet werden, um Crossover-Signale zu erzeugen. In der technischen Analyse der Finanzmärkte. John Murphy nennt dies die doppelte Crossover-Methode. Doppelte Übergänge beinhalten einen relativ kurzen gleitenden Durchschnitt und einen relativ langen gleitenden Durchschnitt. Wie bei allen gleitenden Durchschnitten definiert die allgemeine Länge des gleitenden Durchschnitts den Zeitrahmen für das System. Ein System mit einer 5-tägigen EMA und 35-Tage-EMA wäre kurzfristig. Ein System, das eine 50-Tage-SMA - und 200-Tage-SMA verwendet, wäre mittelfristig, vielleicht sogar langfristig. Ein bullish crossover tritt auf, wenn der kürzere gleitende Durchschnitt über dem längeren gleitenden Durchschnitt kreuzt. Dies ist auch als goldenes Kreuz bekannt. Eine bärige Überkreuzung tritt auf, wenn der kürzere gleitende Durchschnitt unter dem längeren gleitenden Durchschnitt liegt. Dies ist bekannt als ein totes Kreuz. Durchgehende durchschnittliche Crossover produzieren relativ späte Signale. Schließlich verwendet das System zwei nacheilende Indikatoren. Je länger die gleitenden Mittelperioden sind, desto größer ist die Verzögerung der Signale. Diese Signale funktionieren gut, wenn ein guter Trend greift. Allerdings wird ein gleitendes durchschnittliches Crossover-System in der Abwesenheit eines starken Trends viele Peitschen produzieren. Es gibt auch eine Triple-Crossover-Methode, die drei gleitende Durchschnitte umfasst. Wieder wird ein Signal erzeugt, wenn der kürzeste gleitende Durchschnitt die beiden längeren Durchschnitte überschreitet. Ein einfaches Triple-Crossover-System könnte 5-tägige, 10-tägige und 20-tägige gleitende Durchschnitte beinhalten. Die Grafik oben zeigt Home Depot (HD) mit einer 10-Tage EMA (grüne gepunktete Linie) und 50-Tage EMA (rote Linie). Die schwarze Linie ist die tägliche Schließung. Mit einem gleitenden durchschnittlichen Crossover hätte drei Whipsaws zu einem guten Handel geführt. Die 10-tägige EMA brach unterhalb der 50-Tage-EMA Ende Oktober (1), aber das dauerte nicht lange, als die 10-Tage nach oben Mitte (2) zurückblieben. Dieses Kreuz dauerte länger, aber die nächste Baisse Crossover im Januar (3) trat in der Nähe Ende November Preisniveau, was zu einer anderen Whipsaw. Dieses bärische Kreuz dauerte nicht lange, als die 10-tägige EMA über die 50-Tage ein paar Tage später (4) zurückging. Nach drei schlechten Signalen zeigte das vierte Signal einen starken Zug, als die Aktie über 20 vorrückte. Es gibt zwei Takeaways hier. Zuerst sind Crossover anfällig für peitschen. Ein Preis - oder Zeitfilter kann angewendet werden, um Whipsaw zu verhindern. Trader könnten verlangen, dass die Crossover bis 3 Tage vor dem Handeln oder verlangen die 10-Tage-EMA, um über die 50-Tage-EMA um einen bestimmten Betrag vor dem Handeln zu bewegen. Zweitens kann MACD verwendet werden, um diese Crossover zu identifizieren und zu quantifizieren. MACD (10,50,1) zeigt eine Linie, die die Differenz zwischen den beiden exponentiellen gleitenden Mittelwerten darstellt. MACD dreht sich positiv während eines goldenen Kreuzes und negativ während eines toten Kreuzes. Der Prozentsatz-Preis-Oszillator (PPO) kann auf die gleiche Weise verwendet werden, um prozentuale Unterschiede zu zeigen. Beachten Sie, dass MACD und das PPO auf exponentiellen gleitenden Durchschnitten basieren und nicht mit einfachen gleitenden Durchschnitten übereinstimmen. Diese Grafik zeigt Oracle (ORCL) mit der 50-Tage-EMA, 200-Tage EMA und MACD (50.2001). Es gab vier gleitende durchschnittliche Übergänge über einen Zeitraum von 2 12 Jahren. Die ersten drei führten zu Whipsaws oder schlechten Trades. Eine anhaltende Tendenz begann mit dem vierten Crossover als ORCL bis Mitte der 20er Jahre. Noch einmal, gleitende durchschnittliche Übergänge funktionieren gut, wenn der Trend stark ist, aber produzieren Verluste in der Abwesenheit eines Trends. Preis-Crossovers Moving-Mittelwerte können auch verwendet werden, um Signale mit einfachen Preis-Crossover zu generieren. Ein bullisches Signal wird erzeugt, wenn sich die Preise über dem gleitenden Durchschnitt bewegen. Ein bärisches Signal wird erzeugt, wenn die Preise unter dem gleitenden Durchschnitt liegen. Preisübergänge können kombiniert werden, um im größeren Trend zu handeln. Der längere gleitende Durchschnitt setzt den Ton für den größeren Trend und der kürzere gleitende Durchschnitt wird verwendet, um die Signale zu erzeugen. Man würde bullish Preiskreuze nur dann suchen, wenn die Preise bereits über dem längeren gleitenden Durchschnitt liegen. Dies würde im Einklang mit dem größeren Trend handeln. Zum Beispiel, wenn der Preis über dem 200-Tage-Gleitender Durchschnitt liegt, würden sich die Chartisten nur auf Signale konzentrieren, wenn der Preis über den 50-Tage-Gleitender Durchschnitt geht. Offensichtlich würde ein Umzug unter dem 50-Tage-Gleitender Durchschnitt einem solchen Signal vorausgehen, aber solche bärigen Kreuze würden ignoriert werden, weil der größere Trend auf ist. Ein bärisches Kreuz würde einfach einen Pullback in einem größeren Aufwärtstrend vorschlagen. Eine Kreuzung über dem 50-Tage-Gleitender Durchschnitt würde einen Aufschwung der Preise und die Fortsetzung des größeren Aufwärtstrends signalisieren. Die nächste Grafik zeigt Emerson Electric (EMR) mit der 50-Tage-EMA und 200-Tage-EMA. Die Aktie bewegte sich oben und hielt über dem 200-Tage gleitenden Durchschnitt im August. Es gab Dips unter der 50-Tage-EMA Anfang November und wieder Anfang Februar. Die Preise sind schnell über die 50-Tage-EMA zurückgekehrt, um bullische Signale (grüne Pfeile) im Einklang mit dem größeren Aufwärtstrend zu liefern. MACD (1,50,1) wird im Indikatorfenster angezeigt, um Preiskreuze über oder unter der 50-Tage-EMA zu bestätigen. Die 1-tägige EMA entspricht dem Schlusskurs. MACD (1,50,1) ist positiv, wenn das Schließen über dem 50-Tage-EMA liegt und negativ ist, wenn das Schließen unterhalb der 50-Tage-EMA liegt. Unterstützung und Widerstand Bewegliche Mittelwerte können auch als Unterstützung in einem Aufwärtstrend und Widerstand in einem Abwärtstrend dienen. Ein kurzfristiger Aufwärtstrend könnte Unterstützung in der Nähe des 20-tägigen einfachen gleitenden Durchschnitts finden, der auch in Bollinger Bands verwendet wird. Ein langfristiger Aufwärtstrend könnte Unterstützung in der Nähe der 200-Tage einfachen gleitenden Durchschnitt, die die beliebtesten langfristigen gleitenden Durchschnitt ist. Wenn die Tatsache, die 200-Tage gleitenden Durchschnitt kann Unterstützung oder Widerstand bieten, nur weil es so weit verbreitet ist. Es ist fast wie eine sich selbst erfüllende Prophezeiung. Die Grafik oben zeigt die NY Composite mit dem 200-Tage einfachen gleitenden Durchschnitt von Mitte 2004 bis Ende 2008. Die 200-Tage-Unterstützung unterstützt mehrmals während des Vormarsches. Sobald der Trend mit einer doppelten Top-Support-Pause umgekehrt, fuhr der 200-Tage-Gleitender Durchschnitt als Widerstand um 9500. Erwarten Sie nicht genaue Unterstützung und Widerstand Ebenen von bewegten Durchschnitten, vor allem längere gleitende Durchschnitte. Die Märkte werden von Emotionen angetrieben, was sie zu Überschwemmungen macht. Anstelle von exakten Ebenen können gleitende Mittelwerte verwendet werden, um Stütz - oder Widerstandszonen zu identifizieren. Schlussfolgerungen Die Vorteile der Verwendung von gleitenden Durchschnitten müssen gegen die Nachteile gewogen werden. Durchgehende Durchschnitte sind Trendfolgen oder Nachlauf, Indikatoren, die immer ein Schritt dahinter sein werden. Das ist aber nicht unbedingt eine schlechte Sache. Immerhin ist der Trend dein Freund und es ist am besten, in Richtung des Trends zu handeln. Durchgehende Durchschnitte versichern, dass ein Händler mit dem aktuellen Trend übereinstimmt. Auch wenn der Trend Ihr Freund ist, verbringen die Wertpapiere viel Zeit in Handelsbereichen, die gleitende Durchschnitte ineffektiv machen. Einmal in einem Trend, bewegte Durchschnitte halten Sie in, aber auch späte Signale. Don039t erwarten, an der Spitze zu verkaufen und an der Unterseite zu kaufen, indem bewegte Durchschnitte. Wie bei den meisten technischen Analysewerkzeugen sollten gleitende Durchschnitte nicht allein verwendet werden, sondern in Verbindung mit anderen komplementären Werkzeugen. Chartisten können gleitende Durchschnitte verwenden, um den Gesamttrend zu definieren und dann RSI zu verwenden, um überkaufte oder überverkaufte Ebenen zu definieren. Hinzufügen von Moving Averages zu StockCharts Charts Verschieben von Durchschnittswerten sind als Preisüberlagerungsfunktion auf der SharpCharts Workbench verfügbar. Mit dem Dropdown-Menü Overlays können Benutzer entweder einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt wählen. Mit dem ersten Parameter wird die Anzahl der Zeiträume eingestellt. Ein optionaler Parameter kann hinzugefügt werden, um festzulegen, welches Preisfeld in den Berechnungen verwendet werden soll - O für das Open, H für das Hoch, L für das Niedrige und C für das Schließen. Ein Komma wird verwendet, um Parameter zu trennen. Ein weiterer optionaler Parameter kann hinzugefügt werden, um die gleitenden Mittelwerte nach links (vergangene) oder rechts (Zukunft) zu verschieben. Eine negative Zahl (-10) würde den gleitenden Durchschnitt nach links verschieben 10 Perioden. Eine positive Zahl (10) würde den gleitenden Durchschnitt auf die richtigen 10 Perioden verschieben. Mehrere gleitende Durchschnitte können das Preisplot überlagert werden, indem man einfach eine weitere Overlay-Linie zur Workbench hinzufügt. StockCharts-Mitglieder können die Farben und den Stil ändern, um zwischen mehreren gleitenden Durchschnitten zu unterscheiden. Nach Auswahl eines Indikators öffnen Sie die erweiterten Optionen, indem Sie auf das kleine grüne Dreieck klicken. Erweiterte Optionen können auch verwendet werden, um eine gleitende durchschnittliche Überlagerung zu anderen technischen Indikatoren wie RSI, CCI und Volume hinzuzufügen. Klicken Sie hier für eine Live-Chart mit mehreren verschiedenen gleitenden Durchschnitten. Mit Moving Averages mit StockCharts Scans Hier sind einige Beispiel-Scans, die StockCharts-Mitglieder verwenden können, um für verschiedene gleitende durchschnittliche Situationen zu scannen: Bullish Moving Average Cross: Diese Scans sucht nach Aktien mit einem steigenden 150-Tage-einfachen gleitenden Durchschnitt und einem bullish Kreuz der 5 - Tag EMA und 35-Tage-EMA. Der 150-Tage-Gleitender Durchschnitt steigt, solange er über seinem Niveau vor fünf Tagen gehandelt wird. Ein bullisches Kreuz tritt auf, wenn die 5-Tage-EMA über die 35-Tage-EMA auf überdurchschnittliche Lautstärke bewegt. Bearish Moving Average Cross: Diese Scans suchen nach Aktien mit einem fallenden 150-Tage-einfachen gleitenden Durchschnitt und einem bärischen Kreuz der 5-tägigen EMA und 35-Tage-EMA. Der 150-Tage-Gleitender Durchschnitt fällt, solange er unter seinem Niveau vor fünf Tagen gehandelt wird. Ein bärisches Kreuz tritt auf, wenn die 5-tägige EMA unterhalb der 35-Tage-EMA auf überdurchschnittlichem Volumen bewegt. Weitere Studie John Murphy039s Buch hat ein Kapitel gewidmet, um die Durchschnitte und ihre verschiedenen Verwendungen gewidmet. Murphy deckt die Vor-und Nachteile der gleitenden Durchschnitte. Darüber hinaus zeigt Murphy, wie bewegte Mittelwerte mit Bollinger Bands und kanalbasierten Handelssystemen arbeiten. Technische Analyse der Finanzmärkte John MurphySimple Moving Average - SMA BREAKING DOWN Einfacher Moving Average - SMA Ein einfacher gleitender Durchschnitt ist anpassbar, da er für eine andere Anzahl von Zeiträumen berechnet werden kann, einfach durch Hinzufügen des Schlusskurses der Sicherheit für ein Anzahl der Zeiträume und dann die Aufteilung dieser Summe um die Anzahl der Zeiträume, die den Durchschnittspreis der Sicherheit über den Zeitraum gibt. Ein einfacher gleitender Durchschnitt glättet die Volatilität und macht es einfacher, die Preisentwicklung eines Wertpapiers zu sehen. Wenn der einfache gleitende Durchschnitt aufblickt, bedeutet dies, dass der Sicherheitspreis steigt. Wenn es nach unten zeigt, bedeutet dies, dass der Wert der Sicherheit abnimmt. Je länger der Zeitrahmen für den gleitenden Durchschnitt, desto glatter der einfache gleitende Durchschnitt. Ein kürzerfristiger gleitender Durchschnitt ist volatiler, aber sein Lesen ist näher an den Quelldaten. Analytische Bedeutung Durchgehende Durchschnitte sind ein wichtiges analytisches Instrument, um die aktuellen Preisentwicklungen und das Potenzial für eine Veränderung eines etablierten Trends zu identifizieren. Die einfachste Form der Verwendung eines einfachen gleitenden Durchschnittes in der Analyse ist es, um schnell zu identifizieren, ob eine Sicherheit in einem Aufwärtstrend oder Abwärtstrend ist. Ein weiteres beliebtes, wenn auch etwas komplexeres analytisches Werkzeug ist es, ein Paar einfacher gleitender Durchschnitte zu vergleichen, wobei jeder unterschiedliche Zeitrahmen abdeckt. Wenn ein kurzfristiger einfacher gleitender Durchschnitt über einem längerfristigen Durchschnitt liegt, wird ein Aufwärtstrend erwartet. Auf der anderen Seite signalisiert ein langfristiger Durchschnitt über einem kürzeren Durchschnitt eine Abwärtsbewegung im Trend. Beliebte Trading Patterns Zwei beliebte Trading-Muster, die einfache gleitende Durchschnitte verwenden, gehören das Todeskreuz und ein goldenes Kreuz. Ein Todeskreuz tritt auf, wenn der 50-tägige, einfach gleitende Durchschnitt unter dem 200-Tage-Gleitender Durchschnitt liegt. Dies gilt als bärisches Signal, dass weitere Verluste auf Lager sind. Das goldene Kreuz tritt auf, wenn ein kurzfristiger gleitender Durchschnitt über einen langfristig gleitenden Durchschnitt bricht. Verstärkt durch hohe Handelsvolumina, kann dies signalisieren, dass weitere Gewinne im Laden sind. Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es sind zwölf Methoden zur Berechnung von Prognosen verfügbar. Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel könnte das Gewicht der letzten historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten angegeben werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für die Dauer von drei Monaten (Verarbeitungsoption 19 3), die dann für prozentuale Genauigkeit und mittlere Absolutabweichungsberechnungen verwendet wird (tatsächlicher Umsatz im Vergleich zur simulierten Prognose). A.2 Prognoseleistungsbewertungskriterien Abhängig von Ihrer Auswahl an Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden besser als andere für einen bestimmten historischen Datensatz durchgeführt. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die auf einer Stufe des Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind mittlere Absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum. Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt (PBF). Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der nächsten Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. A.3 Methode 1 - angegebener Prozentsatz über letztes Jahr Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Anwender angegebenen Faktor, zB 1,10 für 10 Zunahme oder 0,97 für 3 Abnahmen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen zur Auswertung der Prognoseleistung (Verarbeitungsoption 19). A.4.1 Prognoseberechnung Umfang des Verkaufsverlaufs bei der Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate des Jahres 2005: 114 119 137 370 Summe der gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0.9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0.9367 119.8036 oder ca. 120. Februar 2005 Umsatz 117 0.9367 109.5939 oder ca. 110. März 2005 Umsatz 115 0.9367 107.7205 oder ca. 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, September): 129 140 131 400 Summe der gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnen der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozent der Genauigkeitsberechnung 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 diesem Jahr Diese Methode Kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung der Prognoseleistung festgelegten Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einbezogen werden sollen (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar-Prognose: 114 119 137 370, 370 3 123.333 oder 123 Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Vorhersage: 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 Dezember 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 Mittleres Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsdaten. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Die Anzahl der Perioden, die in die Regression einbezogen werden (Verarbeitungsoption 5a), plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung (Verarbeitungsoption 19). A.8.1 Prognoseberechnung Anzahl der Perioden, die in die Regression einbezogen werden sollen (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose fügen Sie die Zunahme 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 betrachtet (114 1) (119 2) (137 3) 763 Unterschied zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( 12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 232 11,5 Wert2 Durchschnitt - Wert1 Verhältnis 123.3333 - 11.5 2 100.3333 Prognose (1 n) Wert1 Wert2 4 11.5 100.3333 146.333 oder 146 Prognose 5 11.5 100.3333 157.8333 oder 158 Prognose 6 11.5 100.3333 169.3333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit Gewicht (129 1) (140 2) (131 3) 802 Unterschied zwischen den Werte 802 - 133.3333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133.3333 - 1 2 131.3333 Prognose (1 n) Wert1 Wert2 4 1 131.3333 135.3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) 3 128.3333 Zusammenfassung der letzten drei Monate mit Gewichtsbetrachtung (140 1) (131 2) (114 3) 744 Unterschied zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 UnterschiedRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121.3333 (1 2 3) -11.9999 Wert1 DifferenzRatio -11.99992 -5.9999 Wert2 Durchschnitt - Wert1 Verhältnis 121.3333 - (-5.9999) 2 133.3333 Prognose 4 (- 5,9999) 133,3333 109,333 A,8,3 Prozent 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 - Zweite Grad Approximation Lineare 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. Dieses Verfahren bestimmt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Daher ist diese Methode nur kurzfristig sinnvoll. Prognosevorgaben: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu passen. Sie spezifizieren n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt, Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Anzahl der zu berücksichtigenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Verwenden Sie die vorherigen (3 n) Monate in dreimonatigen Blöcken: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (wobei X 1) abc (2) Q2 verwendet werden soll A bX cX2 (wobei X 2) a 2b 4c (3) Q3 a bX cX2 (wobei X 3) a 3b 9c die drei Gleichungen gleichzeitig lösen, um b, a und c zu finden: Subtrahieren Sie Gleichung (1) aus Gleichung (2) Und lösen für b (2) - (1) Q2 - Q1 b 3c Ersetzen Sie diese Gleichung für b in Gleichung (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schließlich ersetzen 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 (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (3) (3) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Vorhersage (X4): (322 340 - 368) 3 2943 98 pro Periode April bis Juni Vorhersage (X5): ( 322 425 - 575) 3 57.333 oder 57 pro Periode Juli bis September Vorhersage (X6): (322 510 - 828) 3 1,33 oder 1 pro Periode Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: 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) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mittelwert Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden vervielfachen Verkaufsdaten aus einem früheren Zeitraum durch einen vom Benutzer angegebenen Faktor, dann projektieren sie 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 denselben Zeitraum im letzten Jahr anzugeben, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie zum Beispiel 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15 zu erhöhen. Basisperiode. Beispielsweise wird n 3 die erste Prognose auf die Verkaufsdaten im Oktober 2005 stützen. Mindestverkaufsgeschichte: Der Benutzer spezifizierte die Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichungsberechnung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie mit dem Weighted Moving Average den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA besser auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. 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 (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, wird aber langsam zu einer Verschiebung des Umsatzniveaus kommen. Auf der anderen Seite wird ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Ebene des Umsatzes reagieren, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen auf 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuordnen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten 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 kurzfristig eine Projektion zu erreichen. Wie bei allen linearen gleitenden durchschnittlichen Prognosetechniken zutreffend, treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in 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 den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Zum Beispiel, wenn n 3, wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für einen Zeitraum vor 3 (n2 n) 2 3 (32 3) 2 36 0,5 Verhältnis für zwei Perioden vorher 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Verhältnis für drei Perioden vor 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar-Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Vorhersage: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133.6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119.3333 A.12.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (vorherige Istverkäufe) (1 - a) vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) ist das Gewicht für die Vorhersage für die vorherige Periode angewendet. Gültige Werte für einen Bereich von 0 bis 1 und liegen in der Regel zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden der Verkaufshistorie basiert. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zu reduzieren, die zur Überprüfung der Ergebnisse erforderlich sind. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden sollen (Verarbeitungsoption 11a) 3 und Alpha-Faktor (Verarbeitungsoption 11b) leer in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1, wenn alpha angegeben ist Ein Faktor für die 2. ältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha angegeben ist ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) oder alpha, wenn alpha angegeben ist ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober aktuell) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November Tatsächlich) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember aktuell) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Vorhersage Januar Vorhersage 127 März Vorhersage Januar Vorhersage 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136.3333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004 Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119.6666 November Sm. Durchschn. 24 119 24 119.6666 119.3333 Dezember 2004 Verkauf Sep Sm. Durchschn. 119.3333 A.13.3 Prozent der Genauigkeitsberechnung 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 darin, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1. b Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta-Bereich von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderliche Verkaufsgeschichte: zwei Jahre plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 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 generieren. Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden soll. Das System wertet automatisch die Leistung für jede der von Ihnen ausgewählten Prognosemethoden aus und für jede der prognostizierten Produkte. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Prozent der Genauigkeit (POA) wählen. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten fit (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es werden in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum bestehen. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum. Die Vorhersagemethode, die die beste Übereinstimmung (beste Passform) zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums herstellt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. 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 Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. 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 normal verteilt sind, gibt es 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) Prozent der Genauigkeit (POA) ist Ein Maß für die Prognose-Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. 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 Negativfehler von 8 und 2 abgebrochen. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose unvoreingenommen ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, da es darum geht, unvoreingenommene Prognosen zu erzeugen. Doch in der Dienstleistungsbranche wäre die obige Situation als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. Die Summation über die Holdout-Periode 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 unvoreingenommen ist, wird das POA-Verhältnis 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 am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Content-Navigation, ändert aber den Inhalt nicht in irgendeiner Weise.
No comments:
Post a Comment