Gewichteter Gleitender Durchschnitt Sap

Gewichteter gleitender Durchschnitt Der gewichtete gleitende Mittelalgorithmus glättet die Zeitreihendaten, während er bestimmten Zeitperioden eine größere Bedeutung gibt. Es wird oft für die Erstellung einer Umsatzprognose für reife Produkte mit ziemlich stabilen Verkaufszahlen verwendet. Gewichteter gleitender Durchschnitt (rollierende 3 Perioden) Berechnung Wie bei dem einfachen gleitenden Durchschnittsalgorithmus analysiert der gewichtete gleitende Durchschnitt die Zeitreihendaten, indem eine Reihe von Durchschnittswerten für verschiedene Teilmengen von Werten erstellt wird, die in verschiedenen Teilmengen von Perioden gemessen werden. Jedoch werden in diesem Fall die Mittelwerte für die Teilmengen berechnet, indem die Kennzahlenwerte mit vordefinierten Gewichten multipliziert werden und die Summe dieser multiplizierten Werte durch die Summe der Gewichte dividiert wird. Somit wird ein gewichteter Durchschnitt als Ex-post-Prognose für eine feste Anzahl von Perioden berechnet. Als nächsten Schritt verschiebt der Algorithmus die Berechnung eine Periode in die Zukunft, wobei noch m Perioden für die Berechnung berücksichtigt werden. Der gewichtete Durchschnitt der letzten m historischen Perioden wird die Prognose für die erste künftige Periode sein. Jeder historische Wert wird mit dem jeweiligen Gewicht dieser Periode gewichtet. Die resultierende Prognose ist eine konstante Zahl, zu der einige Teilmengen der Zeitreihendaten mehr beitragen als andere. Die Ex-post-Prognose wird daher wie folgt berechnet: Berechnung der verwendeten Ex-post Prognosevariablen: X1, X2. Xn Zeitreihenwerte m die Größe der Teilmenge W1, W2. Wn Gewichte i m. N und 0 lt m n Die Prognose berechnet sich wie folgt: Berechnung der prognostizierten Variablen: X1, X2. Xn Zeitreihenwerte m die Größe der Teilmenge W1, W2. Wn Gewichte i m. N und 0 lt mn Abgesehen von der Angabe der Kennzahlen für die Prognose und die Ex-post-Prognose müssen Sie folgende Einstellungen vornehmen, wenn Sie den gewichteten gleitenden Durchschnittsalgorithmus in Ihrem Modell verwenden möchten: Quelle der Gewichte Die Kennzahl, die verwendet wird Speichern der Gewichtungen, mit denen das System die Zeitreihendaten multiplizieren soll Anzahl der Perioden Die Länge der Teilmengen in der Zeitreihe, für die der gleitende Durchschnitt berechnet wird. Wenn Sie z. B. 3 für diese Einstellung auswählen und die Periodizität auf Monat einstellen, berechnet der Algorithmus den Durchschnitt für die Monate 1, 2 und 3, dann für die Monate 2, 3 und 4 und so weiter innerhalb der Historie Horizont. Berechnung auf zukünftige Perioden verlängern Wenn Sie diese Option auswählen, wird die gewichtete gleitende Durchschnittslogik von den letzten Perioden in der Vergangenheit auf die zukünftigen Perioden übertragen. Weitere Informationen finden Sie in der Beschreibung derselben Einstellung in Simple Moving Average. Einleitung Ein gleitender Durchschnitt ist eine einfache Methode zum Glätten von Zufallsdaten. Meistens finden wir bewegte Durchschnitte, um die Bewegung der Aktienkurse zu analysieren, aber wir sehen sie auch in anderen Bereichen der Geschäfts - und Datenanalyse. Dies ist der erste Teil einer Serie von zwei Artikeln. Dieser Artikel beschreibt, was sind gleitende Durchschnitte und wie sie berechnet werden. Im zweiten Teil wird untersucht, wie gleitende Durchschnittsberechnungen in SAP BusinessObjects Web Intelligence implementiert werden können. Wenn Sie bereits bewegliche Durchschnitte verstehen, können Sie zum zweiten Artikel über die Implementierung in Web Intelligence überspringen. Was sind Moving Averages Ein gleitender Durchschnitt analysiert einen Satz von Datenpunkten, indem er einen Durchschnitt über einen kleineren Satz neuer Datenpunkte berechnet. Zum Beispiel bei der Analyse der Aktienkurs über ein Jahr können wir einen gleitenden Durchschnitt zu generieren, dass für einen bestimmten Tag ist der Durchschnitt der letzten 15 Tage. Abbildung 1 unten ist ein Beispiel für einen einfachen gleitenden Durchschnitt, der mit Google Finance generiert wird. Diese Grafik zeigt Google8217s Aktienkurs über dem letzten Jahr und die rote Linie ist ein gleitender Durchschnitt mit einem Zeitraum von 15 Tagen. Abbildung 1. Chart des Google39s-Aktienkurses mit einfachem gleitendem Durchschnitt Wir sehen aus dem obigen Beispiel, dass der gleitende Durchschnitt (rote Linie) den fluktuierenden Aktienkurs glättet. Ein Merkmal eines gleitenden Durchschnitts ist, dass es hinter der ursprünglichen Kurve zurückbleibt. Dies liegt daran, dass es an jedem Datenpunkt einen Durchschnitt einer Menge von vorherigen Datenpunkten benötigt. Für eine weiterführende Diskussion, wie sich die gleitenden Durchschnitte im Finanzbereich bewegen, finden Sie unter Bewegungsdurchschnitte bei StockCharts. Das Ziel, einen gleitenden Durchschnitt zu verwenden, besteht darin, kurzfristige Schwankungen zu reduzieren und langfristige Trends hervorzuheben. Es gibt verschiedene Arten von gleitendem Durchschnitt und darunter, wie man die häufigsten Beispiele berechnen kann. Danach untersuchen wir, wie diese Berechnungen in Web Intelligence implementiert werden können. Einfacher gleitender Durchschnitt Ein einfacher gleitender Durchschnitt (SMA), wie es der Name vermuten lässt, ist der einfachste gleitende Durchschnitt. Für jeden Datenpunkt berechnen wir den Mittelwert über eine feste Anzahl von vorhergehenden Datenpunkten. Die folgende Tabelle veranschaulicht eine solche Berechnung, bei der ein SMA der Periode 3 verwendet wird. Da unsere Periode unseres gleitenden Durchschnittsdatensatzes 3 ist, berechnen wir die ersten beiden Datenpunkte. Dann berechnen wir für jeden Datenpunkt den Mittelwert über die letzten drei Datenpunkte einschließlich des aktuellen Datenpunktes. Da bei der Berechnung unseres Durchschnittswertes der letzte Wert zur Summe addiert wird und der erste Wert abfällt, können wir unsere Berechnung vereinfachen, wobei SMA (vorhergehend) das vorher berechnete Ergebnis ist, N die Größe des gleitenden Durchschnittsdatensatzes p1 ist Ist der erste Wert in unserem Satz und pN ist der letzte Wert des Satzes. Ein Zurückziehen einer SMA ist, dass sie alle vorherigen Datenpunkte in dem gleitenden Durchschnittssatz gleichmäßig behandelt, und so können wir feststellen, dass ältere Datenpunkte die Berechnung negativ beeinflussen können. Um dies zu lösen, können wir gewichtete oder exponentielle gleitende Mittelwerte verwenden. Gewichteter gleitender Durchschnitt Ein gewichteter gleitender Durchschnitt (WMA) wendet Gewichte auf die Datenpunkte in dem gleitenden Durchschnittssatz an, so dass neuere Datenpunkte eine größere Bedeutung für das Gesamtergebnis haben. Es gibt mehrere Möglichkeiten, Gewichte anzuwenden und das einfachste ist, einen abnehmenden Satz von Gewichten zu verwenden, zum Beispiel, wenn wir einen gleitenden Durchschnittsdatensatz von 6 Datenpunkten haben, dann sind unsere Gewichte 6,5,4,3,2,1 Angewendet von den jüngsten Daten bis zum frühesten. Unsere Berechnung ist ein wenig komplexer und für einen gleitenden Durchschnittsdatensatz der Größe 6 ist es so, dass hier p6 unser aktueller Wert ist, und wir multiplizieren diesen mit 6, dann addieren wir dann 5 mal den vorherigen Wert, den 4-fachen Wert vor dem und bald. Dann teilen wir diese mit 6 (61) 2 auf. Dies ist die Berechnung für eine dreieckige Zahl und Wikipedia hat eine Erklärung, wie diese abgeleitet ist. Die folgende Tabelle veranschaulicht die Berechnung eines WMA der Periode 3 für denselben Datensatz, wie wir ihn im obigen SMA-Beispiel verwendet haben. Exponential Moving Average Ein exponentieller gleitender Durchschnitt (EMA) verwendet einen exponentiell abnehmenden Satz von Gewichten. In der WMA oberhalb unserer Gewichte sinkt linear, ein exponentiell abnehmender Satz von Gewichten verringert sich zunächst rasch und fällt dann ab. Wenn wir ein Diagramm dieser Gewichte produzieren, würde es wie in Abbildung 2 unten aussehen. Abbildung 2 Diagramm der abnehmenden exponentiellen Gewichte Ein EMA bietet mehr Gewicht auf die jüngsten Werte als ein WMA und es hat auch den weiteren Vorteil, leichter berechnet werden. Um eine EMA zu berechnen, nehmen wir den vorherigen EMA-Wert und addieren die Differenz zwischen dem aktuellen Datenpunktwert und dem vorherigen EMA multipliziert mit einer Konstante 8216alpha8217, wobei die Konstante alpha die Skalierung der Gewichtungsabnahme darstellt und ein Wert zwischen 0 und 1 ist Wert ändert den Betrag der Gesamtglättung, wobei Werte nahe bei Null einen hohen Glättungsgrad anwenden und Werte, die näher 1 sind, weniger erzeugen. Die folgende Abbildung verwendet dieselben Datenpunkte, zeigt aber eine EMA mit dem Wert 0.7 und 0.1 an. Fig. 3 zwei Diagramme zeigen dieselben Quelldaten mit einem exponentiellen gleitenden Mittelwert unter Verwendung von verschiedenen Werten von alpha In unseren Berechnungen verwenden wir nur die EMA von dem dritten Datenpunkt an für den ersten Datenpunkt, den es üblich ist, diesen Wert auf 0 oder keinen Wert zu setzen, und Für den zweiten Datenpunkt setzen wir den Wert gleich dem Wert des zweiten Datenpunktes. Die nachstehende Tabelle ist die Berechnung von EMA für unseren Beispieldatensatz mit einem Alpha-Wert von 0.4Einführung Der vorherige Artikel befasste sich mit den gleitenden Durchschnitten und deren Berechnung. Dieser Artikel untersucht nun, wie diese in Web Intelligence implementiert werden. Die hier verwendete Formel ist mit der XIr3-Version von SAP BOE kompatibel, jedoch kann eine Formel in früheren Versionen funktionieren, falls verfügbar. Wir beginnen mit der Betrachtung, wie man einen einfachen gleitenden Durchschnitt berechnet, bevor man auf gewichtete und exponentielle Formen schaut. Bearbeitete Beispiele Die Beispiele unten alle verwenden den gleichen Datensatz, der von Aktienkurs Daten in einer Excel-Datei, die Sie herunterladen können. Die erste Spalte in der Akte ist der Tag des Aktienkurses und dann Spalten des Eröffnungskurses, des höchsten Preises am Tag, des niedrigsten Preises, des Schlusskurses, des Volumens und des angepassten Schlusskurses. We8217ll verwenden Schlusskurs in unserer Analyse unten zusammen mit dem Date-Objekt. Simple Moving Average Es gibt ein paar Möglichkeiten, mit denen wir einfache gleitende Durchschnitte berechnen können. Eine Option ist, die vorherige Funktion zu verwenden, um den Wert einer vorherigen Zeile zu erhalten. Zum Beispiel die folgende Formel berechnet einen gleitenden Durchschnitt auf unseren Schlusskurs für einen gleitenden durchschnittlichen Datensatz der Größe 3, Dies ist eine ganz einfache Formel aber es ist offensichtlich, dass es nicht praktisch ist, wenn wir eine große Anzahl von Perioden haben hier können wir machen Verwendung von RunningSum Formel und für einen Datensatz der Größe N haben wir Schließlich haben wir eine dritte Technik, die zwar komplizierter kann es eine bessere Leistung, da es die Berechnung der neuen Wert auf der Grundlage von früheren Wert anstelle von zwei laufenden Summen über die vollständige Daten Set. Allerdings funktioniert diese Formel nur nach dem N-ten Punkt im Gesamtdatensatz und da sie sich auf einen vorherigen Wert bezieht, müssen wir auch einen Startwert setzen. Unten ist die vollständige Formel für unsere Aktienkursanalyse verwendet, wo unsere gleitende durchschnittliche Periode 15 Tage ist, Das Datum 1252010 ist der 15. Datenpunkt in unserem Datensatz und so für diesen Punkt berechnen wir einen normalen Durchschnitt mit dem RunningSum. Für alle Daten jenseits dieses Wertes verwenden wir unsere SMA Formel und wir lassen alle Daten vor diesem Datum frei. Abbildung 1 unten ist ein Diagramm in Web Intelligence, das unsere Aktienkursdaten mit einem einfachen gleitenden Durchschnitt anzeigt. Abbildung 1. Web Intelligence-Dokument mit einem einfachen gleitenden durchschnittlichen gewichteten gleitenden Durchschnitt Eine gewichtete gleitende Durchschnittsformel mit einer Periode von 3 ist wie bei unserer ersten einfachen gleitenden Durchschnittsformel oben nur für eine kleine Anzahl von Perioden praktisch. Ich habe noch nicht in der Lage, eine einfache Formel, die für größere gleitende durchschnittliche Perioden verwendet werden kann, zu finden. Mathematisch ist es möglich, aber Einschränkungen mit Web Intelligence bedeutet, dass diese Formeln don8217t konvertieren. Wenn jemand in der Lage, dies zu tun Ich würde gerne hören Die Abbildung unten ist ein WMA von Periode 6 in Web Intelligence implementiert. Abbildung 2. Web Intelligence-Dokument eines gewichteten Moving Average Exponential Moving Average Ein exponentieller gleitender Durchschnitt ist relativ einfach, um in Web Intelligence zu implementieren und ist somit eine geeignete Alternative zu einem Weighted Moving Average. Die grundlegende Formel ist hier hart codiert 0,3 als unser Wert für Alpha. Wir verwenden diese Formel nur für Perioden, die größer sind als unsere zweite Periode, so dass wir eine if-Anweisung verwenden können, um diese auszufiltern. Für unsere erste und zweite Periode können wir den vorherigen Wert verwenden und so unsere abschließende Formel für EMA ist, ist unten ein Beispiel einer EMA, die auf unsere Bestandsdaten angewendet wird. Abbildung 3. Web Intelligence Dokument zeigt eine Exponential Moving Average Eingabesteuerung Wie unsere EMA Formel doesn8217t auf die Größe der gleitenden durchschnittlichen Periode verlassen und unsere einzige Variable ist alpha können wir Input-Steuerelemente verwenden, damit der Benutzer den Wert von Alpha anpassen können. Um dies zu tun, erstellen Sie eine neue Variable mit dem Namen 8216alpha8217 und definieren it8217s Formel wie, Aktualisieren Sie unsere EMA Formel auf, Erstellen Sie ein neues Eingabesteuerelement, das unsere Alphavariable als das Eingabesteuerungsberichtobjekt auswählt Verwenden Sie einen einfachen Schieberegler und legen Sie die folgenden Eigenschaften fest Sollte in der Lage, den Schieber bewegen und sehen sofort die Änderungen an der Trendlinie in der Grafik Fazit Wir sahen, wie die Umsetzung drei Arten von gleitenden Durchschnitt in Web Intelligence und obwohl alle möglich waren, ist der Exponential Moving Average wahrscheinlich die einfachste und flexibelste . Ich hoffe, Sie fanden diesen Artikel interessant und wie immer jedes Feedback ist sehr willkommen. Post navigation Lassen Sie eine Antwort Antworten abbrechen Sie müssen in der angemeldet um einen Kommentar schreiben. Der Trick zu Weighted Moving Average (WMA) ist es, eine Variable zu erstellen, die die Zähler von WMA repräsentiert (siehe Wikipedia als Referenz.) Dies sollte wie folgt aussehen: Previous (Self) (n Close) 8211 (Previous (RunningSum ( Dann ist die aktuelle WMA8217s-Formel wie folgt: Numerator (n (n 1) 2) wobei Numerator die Variable ist, die Sie zuvor erstellt haben.