Muda média ponderada seiva

Definição No modelo de média móvel ponderada (estratégia de previsão 14), cada valor histórico é ponderado com um fator do grupo de ponderação no perfil de previsão univariada. Fórmula para a Média Móvel Ponderada O modelo de média móvel ponderada permite que você pese dados históricos recentes mais pesadamente do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos da demanda futura do que os dados mais antigos. Portanto, o sistema é capaz de reagir mais rapidamente a uma mudança de nível. A precisão desse modelo depende em grande parte da escolha dos fatores de ponderação. Se o padrão da série de tempo mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos fatores de ponderação não precisa ser 100. Nenhuma previsão ex post é calculada com esta estratégia de previsão. Introdução Uma média móvel é uma técnica simples para suavizar dados aleatórios. Na maioria das vezes encontramos médias móveis para analisar o movimento dos preços das ações, mas também os vemos em outras áreas de negócios e análise de dados. Esta é a primeira parte de uma série de dois artigos. Este artigo discute o que são médias móveis e como eles são calculados. A segunda parte, em seguida, examina como implementar cálculos de média móvel no SAP BusinessObjects Web Intelligence. Se você já entender médias móveis, você pode pular para o segundo artigo sobre como implementar na Web Intelligence. Quais são as médias móveis Uma média móvel analisa um conjunto de pontos de dados calculando uma média em um conjunto menor de pontos de dados recentes. Por exemplo, ao analisar o preço das ações ao longo de um ano, podemos gerar uma média móvel que para um dado dia é a média dos últimos 15 dias. A Figura 1 abaixo é um exemplo de uma média móvel simples gerada com o Google Finance. Este gráfico mostra o preço das ações do Google8217s no ano passado ea linha vermelha é uma média móvel com um período de 15 dias. Figura 1. Gráfico do preço das ações do Google39 com média móvel simples Podemos ver, a partir do exemplo acima, que a média móvel (linha vermelha) suaviza o preço das ações flutuantes. Uma característica de uma média móvel é que ela fica atrás da curva original. Isso ocorre porque em cada ponto de dados é preciso uma média de um conjunto de pontos de dados anteriores. Para uma discussão mais aprofundada sobre como as médias móveis são usadas em finanças, consulte Médias Móveis em StockCharts. O objetivo de usar uma média móvel é reduzir flutuações de curto prazo e destacar tendências de longo prazo. Existem vários tipos diferentes de média móvel e abaixo vamos ver como calcular os exemplos mais comuns. Depois disso, veremos como implementar esses cálculos na Web Intelligence. Média Móvel Simples Uma Média Móvel Simples (SMA) como o nome sugere é a média móvel mais fácil de calcular. Para cada ponto de dados, calculamos a média em um número fixo de pontos de dados precedentes. A tabela abaixo ilustra esse cálculo em que estamos usando uma SMA do período 3. Como nosso período de nosso conjunto de dados de média móvel é 3, não calculamos os dois primeiros pontos de dados. Então, para cada ponto de dados, calculamos a média nos últimos três pontos de dados, incluindo o ponto de dados atual. Uma vez que, ao calcular a nossa média, o valor mais recente é adicionado à soma e o primeiro valor desce, podemos simplificar o nosso cálculo para, onde SMA (anterior) é o resultado previamente calculado, N é o tamanho do conjunto de dados de média móvel, p1 É o primeiro valor em nosso conjunto e pN é o último valor do conjunto. Uma desvantagem de um SMA é que ele trata todos os pontos de dados anteriores na média móvel definida igualmente e assim podemos descobrir que os pontos de dados mais antigos podem influenciar negativamente o cálculo. Para resolver isso, podemos usar médias ponderadas ou exponenciais. Média Móvel Ponderada A média móvel ponderada (WMA) aplica pesos aos pontos de dados na média móvel definidos de tal forma que os pontos de dados mais recentes têm mais significado para o resultado global. Existem várias maneiras de aplicar pesos e o mais simples é usar um conjunto de pesos decrescentes, por exemplo, se tivermos um conjunto de dados de média móvel de 6 pontos de dados, então nossos pesos são 6,5,4,3,2,1 Aplicada a partir dos dados mais recentes até os primeiros. Nosso cálculo é um pouco mais complexo e para um conjunto de dados de média móvel de tamanho 6 é, então aqui p6 é o nosso valor atual e nós multiplicamos isso por 6, então adicionamos 5 vezes o valor anterior, 4 vezes o valor anterior e em breve. Dividimos então isto por 6 (61) 2. Este é o cálculo de um número triangular e Wikipedia tem uma explicação de como isso é derivado. A tabela abaixo ilustra o cálculo de uma WMA do período 3 para o mesmo conjunto de dados que usamos no exemplo SMA acima. Média Móvel Exponencial Uma média móvel exponencial (EMA) usa um conjunto exponencialmente decrescente de pesos. Na WMA acima, nossos pesos diminuíram linearmente, um conjunto exponencialmente decrescente de pesos reduziu rapidamente no início e, em seguida, sai. Se nós produzimos um gráfico destes pesos que olharia algo como a figura 2 abaixo. Figura 2 Tabela de pesos exponenciais decrescentes Um EMA fornece mais peso a valores recentes do que um WMA e também tem a vantagem adicional de ser mais facilmente calculado. Para calcular um EMA tomamos o valor EMA anterior e adicionamos a diferença entre o valor do ponto de dados atual eo EMA anterior multiplicado por uma constante 8216alpha8217, A constante alfa representa a escala de redução de ponderação e é um valor entre 0 a 1. Alterando este Valor altera a quantidade de suavização geral onde valores próximos de zero aplicam um alto grau de suavização e valores próximos a 1 produzem menos. A figura abaixo usa os mesmos pontos de dados, mas exibe um EMA de valor 0,7 e 0,1. Figura 3 dois gráficos exibem os mesmos dados de origem com uma média móvel exponencial usando diferentes valores de alfa Em nossos cálculos aplicamos somente o EMA a partir do ponto de dados 3º para o primeiro ponto de dados, é costume definir isto para 0 ou nenhum valor e Para o 2º ponto de dados, ajustamos o valor para ser igual ao valor do 2º ponto de dados. A tabela abaixo é o cálculo da EMA para o nosso conjunto de dados de exemplo usando um valor alfa de 0.4SAP Consulting Platinum Level SAP Consultants Com uma média de mais de 10 anos de implementação SAP e experiência da equipe de projeto, nossa equipe de Platinum Level SAP consultores irão juntar o seu Equipe de projeto e fornecer melhores serviços de consultoria em classe. Ao desenhar a partir de seus anos de experiência e ter visto tudo, eles irão ajudá-lo a navegar através de leitura complicada para descobrir qual método de previsão SAP para usar O jogo de adivinhação complicado revelou. Eu tenho uma confissão. Tenho ensinado o Planejamento Baseado em Consumo SAP como parte da minha classe de Gerenciamento de Materiais que eu ensinei há mais de uma década e quando chego à visão de Previsão do mestre de materiais, digo a meus alunos que eles precisam ser um estatístico para entender verdadeiramente Todos os campos. Eu tenho desenvolvido uma nova classe para um cliente durante a semana passada e eu tive que finalmente morder a bala e mergulhar mais profundamente nestes campos obscuros. Agora, eu sou um engenheiro industrial e de operações por grau e eu passei estatísticas na faculdade com um sólido A, na verdade. Mas eu nunca realmente apliquei os conceitos no mundo real. Meu professor manteve a nossa atenção, relacionando todas as estatísticas usadas em métodos de previsão de apostas uma abordagem única, mas funcionou Se eu tivesse ido a Las Vegas e aplicado o que eu aprendi, eu não posso estar escrevendo este blog, eu provavelmente estaria relaxando em um Praia em algum lugar. Mas, agora eu preciso aplicar esses conceitos para a previsão de inventário. Nesta série de artigos, definirei os campos-chave na visualização Previsão do Mestre de Material e, em seguida, forneço um exemplo de cada tipo de Modelo de Previsão. Na visualização Material Master Forecasting, há um campo chamado Forecast Model, veja abaixo: As opções do modelo de previsão são vistas na captura de tela abaixo: Cada dia desta semana, vou postar outro blog nos vários modelos com alguns exemplos do mundo real de quando Para usá-los. Antes de saltar para os modelos, vamos primeiro mergulhar neste tipo de planejamento de previsão e quando você usá-lo. Então, se você optou por usar VV, lembre-se de que, se a demanda picos, não será capaz de reagir a esse pico que vai continuar a planejar com base na previsão. A VV fornece a automatização muito preferida quando você permite que a SAP gere sua previsão com base no consumo histórico, mas é necessário usar as ferramentas fornecidas para verificar quão precisas foram suas previsões. Analisar o total de erros nos resultados da previsão permitirá que você determine como a previsão é diferente do consumo histórico. É calculado subtraindo os valores de previsão anteriores do que foi consumido. Um total de erro grande deve indicar que você pode não ter selecionado o modelo de previsão correto. Também visto na tela de resultados de previsão é o Desvio Médio Absoluto (MAD). Fornece uma medida de quanto o consumo real se desvia da previsão. No slide acima, você pode ver o cálculo de MAD. Tome um minuto e considere a pergunta do desafio. Pronto para a resposta Quanto menor o MAD, melhor a previsão era menor o desvio médio, melhor. O próximo campo que vou discutir é o limite de rastreamento, mostrado na tela abaixo: O sinal de rastreamento é calculado dividindo o valor de previsão (FS) para o período pelo MAD. Quando o limite de rastreamento excede o sinal de rastreamento, uma mensagem de exceção é acionada. É possível que o sistema use uma nova seleção de modelo automaticamente quando isso acontecer. Nos próximos artigos do blog, vou fornecer exemplos detalhados dos seguintes métodos de previsão: Constante modelo constante com modelo de alisamento Modelo de tendência Modelo sazonal Modelo de tendência sazonal Modelo de média móvel Modelo de média móvel ponderado Seleção automática de modelo Eu também postar outro artigo sobre previsão Configuração de O seguinte: Grupos de ponderação para a média móvel ponderada Definir a divisão dos requisitos de previsões para MRP Partilhe este: Escrito por Jocelyn Hayes Fundador do Platinum ERP, Jocelyn personifica as habilidades e experiência de um Platinum SAP Consultant e Trainer. Nos últimos 15 anos, ela tem transferido seu vasto conhecimento SAP para clientes SAP através de treinamento tradicional, eLearning, oficinas virtuais, conferências, coaching individual e consultoria. Jocelyn também é certificada para facilitar ERPsim SAP Simulation jogo eventos globalmente e fortemente sente o jogo deve ser o primeiro passo em todos os usuários SAP caminho de aprendizagem. Jocelyn decidiu iniciar Platinum ERP, a fim de transição e compartilhar suas técnicas com outros consultores de nível platina e desenvolver uma empresa de classe mundial conhecimento SAP. Jocelyn pode ser alcançado em Jocelyn. HayesPlatinumERP. Introdução O artigo anterior analisou o que são médias móveis e como calculá-los. Este artigo agora examina como implementá-los no Web Intelligence. A fórmula usada aqui é compatível com a versão XIr3 do SAP BOE no entanto alguma fórmula pode funcionar em versões anteriores, se disponível. Vamos começar por olhar para como calcular uma média móvel simples antes de olhar para formas ponderadas e exponenciais. Exemplos Trabalhados Os exemplos abaixo usam o mesmo conjunto de dados que é de dados de preço de ações em um arquivo do Excel que você pode baixar. A primeira coluna no arquivo é o dia do preço da ação e, em seguida, as colunas do preço de abertura, preço mais alto no dia, preço mais baixo, preço de fechamento, volume e preço de fechamento ajustado. We8217ll usar preço de fechamento em nossa análise abaixo juntamente com o objeto Date. Média Móvel Simples Existem algumas maneiras pelas quais podemos calcular médias móveis simples. Uma opção é usar a função anterior para obter o valor de uma linha anterior. Por exemplo, a seguinte fórmula calcula uma média móvel no nosso preço de fechamento de ações para um conjunto de dados de média móvel de tamanho 3, Esta é uma fórmula bastante simples, no entanto, é óbvio que não é prático quando temos um grande número de períodos aqui podemos fazer Uso de fórmula de corrida e para um conjunto de dados de tamanho N temos Finalmente temos uma terceira técnica, que embora mais complicado ele pode ter melhor desempenho como ele está calculando o novo valor com base no valor anterior em vez de duas somas em execução sobre os dados completos conjunto. No entanto, esta fórmula só funciona após o ponto Nth no conjunto de dados globais e uma vez que se refere a um valor anterior, devemos também definir um valor inicial. Abaixo está a fórmula completa utilizada para a nossa análise de preços de ações, onde a nossa média móvel período é de 15 dias, A data 1252018 é o 15 º ponto de dados em nosso conjunto de dados e, portanto, para este ponto, calcular uma média normal usando o RunningSum. Para todas as datas além desse valor, usamos nossa fórmula SMA e deixamos em branco todas as datas anteriores a essa data. A Figura 1 abaixo é um gráfico na Web Intelligence exibindo nossos dados de preço de ações com uma média móvel simples. Figura 1. Documento da Web Intelligence exibindo uma Média Móvel Moderada Média Móvel Simples Uma fórmula de média móvel ponderada com um período de 3 é, Como com nossa primeira fórmula de média móvel simples acima, isso é apenas prático para um pequeno número de períodos. Eu ainda não fui capaz de encontrar uma fórmula simples que pode ser usado para maiores períodos de média móvel. Matematicamente é possível, mas as limitações com Web Intelligence significa que essas fórmulas don8217t converter. Se alguém é capaz de fazer isso eu adoraria ouvir A figura abaixo é um WMA de período 6 implementado em Web Intelligence. Figura 2. Documento da Web Intelligence de uma Média Móvel Ponderada Média Móvel Exponencial Uma média móvel exponencial é bastante simples para implementar na Web Intelligence e por isso é uma alternativa adequada a uma Média Móvel Ponderada. A fórmula básica é Aqui we8217ve codificado 0,3 como nosso valor para alfa. Aplicamos apenas esta fórmula para períodos maiores do que o nosso segundo período, para que possamos usar uma instrução if para filtrar esses resultados. Para o nosso primeiro e segundo período, podemos usar o valor anterior e, portanto, a nossa fórmula final para EMA é, Abaixo está um exemplo de um EMA aplicado aos nossos dados de estoque. Figura 3. Exibição de documentos da Web Intelligence com controles de entrada de média móvel exponencial Como nossa fórmula de EMA não depende do tamanho do período de média móvel e nossa única variável é alfa, podemos usar controles de entrada para permitir que o usuário ajuste o valor de alfa. Para fazer isso, crie uma nova variável chamada 8216alpha8217 e defina a fórmula como 8282, Atualize nossa fórmula EMA para, Crie um novo controle de entrada selecionando nossa variável alfa como o objeto de relatório de controle de entrada Use um controle deslizante simples e defina as seguintes propriedades, Deve ser capaz de mover o controle deslizante e imediatamente ver as mudanças para a linha de tendência no gráfico Conclusão Nós olhamos como implementar três tipos de média móvel na Web Intelligence e, embora todos eram possíveis a média móvel exponencial é provavelmente o mais fácil e mais flexível . Eu espero que você encontrou este artigo interessante e como sempre todo o feedback é muito bem-vindo. Post navigation Deixe uma resposta Cancelar resposta Você deve ser logado para postar um comentário. O truque para a média móvel ponderada (WMA) é que você tem que criar uma variável que representa os numeradores de WMA (veja Wikipedia para referência.) Isso deve se parecer com o seguinte: Anterior (Self) (n Close) 8211 (Previous (RunningSum ( Close)) 8211 Anterior (RunningSum (Close) n1) onde n é o número de períodos. Em seguida, a fórmula WMA8217s real seria como este: Numerator (n (n 1) 2) onde Numerator é a variável que criou anteriormente.