Modelo de previsão de média móvel simples no Brasil

Net. sourceforge. openforecast. models Classe MovingAverageModel Um modelo de previsão de média móvel é baseado em uma série temporal artificialmente construída em que o valor para um dado período de tempo é substituído pela média desse valor e os valores para algum número de tempo precedente e sucessivo Períodos. Como você pode ter adivinhado a partir da descrição, este modelo é mais adequado para dados de séries temporais, ou seja, dados que muda ao longo do tempo. Por exemplo, muitos gráficos de ações individuais no mercado de ações mostram médias de movimento de 20, 50, 100 ou 200 dias como uma forma de mostrar tendências. Uma vez que o valor da previsão para um determinado período é uma média dos períodos anteriores, então a previsão sempre parecerá ficar aquém de aumentos ou diminuições nos valores observados (dependentes). Por exemplo, se uma série de dados tem uma tendência ascendente notável, então uma previsão média móvel geralmente irá fornecer uma subestimação dos valores da variável dependente. O método da média móvel tem uma vantagem sobre outros modelos de previsão, na medida em que suaviza os picos e depressões (ou vales) num conjunto de observações. No entanto, ele também tem várias desvantagens. Em particular, este modelo não produz uma equação real. Portanto, não é tudo isso útil como uma ferramenta de previsão de médio e longo alcance. Ele só pode ser usado de forma confiável para prever um ou dois períodos no futuro. O modelo de média móvel é um caso especial da média móvel ponderada mais geral. Na média móvel simples, todos os pesos são iguais. Desde: 0.3 Autor: Steven R. Gould Campos herdados da classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Constrói um novo modelo de previsão de média móvel. MovingAverageModel (período int) Constrói um novo modelo de previsão de média móvel, usando o período especificado. GetForecastType () Retorna um nome de uma ou duas palavras desse tipo de modelo de previsão. Init (DataSet dataSet) Usado para inicializar o modelo de média móvel. ToString () Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, quando possível, qualquer parâmetro derivado usado. Métodos herdados da classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Constrói um novo modelo de previsão de média móvel. Para um modelo válido a ser construído, você deve chamar init e passar em um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializado para identificar a variável independente. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como variável independente. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o período especificado. Para um modelo válido a ser construído, você deve chamar init e passar em um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializado para identificar a variável independente. O valor do período é usado para determinar o número de observações a serem usadas para calcular a média móvel. Por exemplo, para uma média móvel de 50 dias onde os pontos de dados são observações diárias, então o período deve ser definido como 50. O período também é usado para determinar a quantidade de períodos futuros que podem efetivamente ser previstos. Com uma média móvel de 50 dias, não podemos razoavelmente - com qualquer grau de precisão - prever mais de 50 dias para além do último período para o qual os dados estão disponíveis. Isso pode ser mais benéfico do que, digamos, um período de 10 dias, onde nós só poderia razoavelmente prever 10 dias para além do último período. Parâmetros: período - o número de observações a ser usado para calcular a média móvel. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como a variável independente eo período especificado. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. - o número de observações a utilizar para calcular a média móvel. Usado para inicializar o modelo de média móvel. Esse método deve ser chamado antes de qualquer outro método na classe. Como o modelo de média móvel não obtém qualquer equação para a previsão, este método usa o DataSet de entrada para calcular os valores de previsão para todos os valores válidos da variável de tempo independente. Especificado por: init na interface ForecastingModel Overrides: init na classe AbstractTimeBasedModel Parâmetros: dataSet - um conjunto de dados de observações que podem ser usados ​​para inicializar os parâmetros de previsão do modelo de previsão. GetForecastType Retorna um nome de uma ou duas palavras desse tipo de modelo de previsão. Mantenha este short. Uma descrição mais longa deve ser implementada no método toString. Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, quando possível, qualquer parâmetro derivado utilizado. Especificado por: toString na interface ForecastingModel Substitui: toString na classe WeightedMovingAverageModel Retorna: uma representação de seqüência de caracteres do modelo de previsão atual e seus parâmetros. Como você pode imaginar, estamos olhando para algumas das abordagens mais primitivas para a previsão. Mas espero que estas sejam pelo menos uma introdução que vale a pena para algumas das questões de computação relacionadas com a implementação de previsões em planilhas. Neste sentido, vamos continuar a partir do início e começar a trabalhar com previsões de média móvel. Previsões médias móveis. Todo mundo está familiarizado com as previsões de média móvel, independentemente de eles acreditam que são. Todos os estudantes universitários fazê-los o tempo todo. Pense nos seus resultados de teste em um curso onde você vai ter quatro testes durante o semestre. Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua pontuação do segundo teste O que você acha que seu professor iria prever para a sua próxima pontuação de teste O que você acha que seus amigos podem prever para a sua próxima pontuação de teste O que você acha que seus pais podem prever para a sua próxima pontuação de teste Todo o blabbing você pôde fazer a seus amigos e pais, eles e seu professor são muito prováveis ​​esperar que você comece algo na área dos 85 você apenas começ. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestimar-se e figura que você pode estudar menos para o segundo teste e assim você começa um 73. Agora o que são todos os interessados ​​e despreocupado vai Antecipar você vai chegar em seu terceiro teste Existem duas abordagens muito provável para eles desenvolver uma estimativa, independentemente de se eles vão compartilhar com você. Eles podem dizer a si mesmos: "Esse cara está sempre soprando fumaça sobre sua inteligência. Hes que vai obter outro 73 se hes afortunado. Talvez os pais tentem ser mais solidários e dizer: "Bem, até agora você conseguiu um 85 e um 73, então talvez você deva imaginar sobre como obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festas E werent abanando a doninhas em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. Ambos estas estimativas são, na verdade, a média móvel previsões. O primeiro é usar apenas sua pontuação mais recente para prever o seu desempenho futuro. Isso é chamado de média móvel usando um período de dados. O segundo é também uma previsão média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus quotalliesquot. Você toma o teste e sua pontuação é realmente um 89 Todos, incluindo você mesmo, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. Qual você acha que é o apito mais preciso enquanto trabalhamos. Agora vamos voltar para a nossa nova empresa de limpeza iniciada por sua meia irmã distante chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiro, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Ive incluído o quotpast previsões, porque vamos usá-los na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C6 a C11. Observe como agora apenas as duas mais recentes peças de dados históricos são usados ​​para cada previsão. Mais uma vez eu incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância notar. Para uma previsão média móvel de m-período, apenas os m valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel do período m, ao fazer previsões quotpast, observe que a primeira predição ocorre no período m 1. Ambas as questões serão muito significativas quando desenvolvemos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usado de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho que você deseja. Função MovingAverage (Histórico, NumberOfPeriods) Como Único Declarar e inicializar variáveis ​​Dim Item Como Variante Dim Counter Como Inteiro Dim Acumulação como Único Dim HistoricalSize As Inteiro Inicializando variáveis ​​Counter 1 Acumulação 0 Determinando o tamanho da Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulação NumberOfPeriods O código será explicado na classe. Você quer posicionar a função na planilha de forma que o resultado da computação apareça onde ele deve gostar da seguinte forma. SIMPLE MOVING AVERAGE Problemas com o uso da média móvel simples como uma ferramenta de previsão: A média móvel está rastreando dados reais, mas é Sempre atrasado. A média móvel nunca alcançará os picos ou vales dos dados atuais. Isso suaviza os dados. Não lhe diz muito sobre o futuro. No entanto, isso não faz com que a média móvel seja inútil. Só precisa estar ciente de seus problemas. Para resumir, para uma média móvel simples ou uma única média móvel, vimos alguns problemas com o uso da média móvel simples como uma ferramenta de previsão. A média móvel está rastreando os dados reais, mas está sempre atrasada por trás dele. A média móvel nunca atingirá os picos ou vales dos dados reais, pois suaviza os dados, e realmente não lhe diz muito sobre o futuro, porque é simplesmente previsão de um período de antecedência, e essa previsão é assumida como representando o melhor Valor para o período futuro, um período de antecedência, mas não dizer muito além disso. Isso não faz a média movente simples useless151 na verdade você vê médias móveis simples