Calculadora da média móvel ponderada Dada uma lista de dados seqüenciais, você pode construir a média móvel ponderada do ponto n (ou a média móvel ponderada) ao encontrar a média ponderada de cada conjunto de n pontos consecutivos. Por exemplo, suponha que você tenha o conjunto de dados ordenados 10, 11, 15, 16, 14, 12, 10, 11 e o vetor de ponderação é 1, 2, 5, onde 1 é aplicado ao termo mais antigo, 2 é aplicado a O termo intermediário e 5 é aplicado ao termo mais recente. Em seguida, a média móvel ponderada de 3 pontos é 13.375, 15.125, 14.625, 13, 11, 10.875 As médias móveis ponderadas são usadas para alisar os dados seqüenciais, ao mesmo tempo em que dão mais significância a certos termos. Algumas médias ponderadas colocam mais valor em termos centrais, enquanto outras favorecem termos mais recentes. Os analistas de ações costumam usar uma média móvel n-pontual linearmente ponderada na qual o vetor de ponderação é 1, 2. n-1. N. Você pode usar a calculadora abaixo para calcular a média ponderada contínua de um conjunto de dados com um determinado vetor de pesos. (Para a calculadora, insira pesos como uma lista separada por vírgulas de números sem o e parênteses.) Número de termos em uma média móvel ponderada de ponto n Se o número de termos no conjunto original for d e o número de termos usados em Cada média é n (ou seja, o comprimento do vetor de peso é n), então o número de termos na seqüência da média móvel será, por exemplo, se você tiver uma seqüência de 120 preços das ações e tomar uma média móvel ponderada de 21 dias Dos preços, a sequência média de rolamento ponderada terá 120 - 21 1 100 pontos de dados. Com uma série de tempo xi, quero calcular uma média móvel ponderada com uma janela de N pontos médios, onde as ponderações favorecem valores mais recentes sobre Valores mais antigos. Ao escolher os pesos, estou usando o fato familiar de que uma série geométrica converge para 1, ou seja, soma (frac) k, desde que sejam tomadas infinitamente muitos termos. Para obter um número discreto de pesos que somam a unidade, eu simplesmente estou tomando os primeiros N termos da série geométrica (frac) k e depois normalizando por sua soma. Quando N4, por exemplo, isso dá os pesos não normalizados que, após a normalização por sua soma, dão. A média móvel é então simplesmente a soma do produto dos últimos 4 valores em relação a esses pesos normalizados. Este método generaliza a maneira óbvia de mover janelas de comprimento N, e também parece computacionalmente fácil. Existe algum motivo para não usar essa maneira simples de calcular uma média móvel ponderada usando pesos exponenciais que pergunto porque a entrada da Wikipedia para EWMA parece mais complicada. O que me faz me perguntar se a definição do livro de texto do EWMA talvez tenha algumas propriedades estatísticas que a definição simples acima não seja ou são de fato equivalentes pediram 28 de novembro às 23:53 Para começar, você está assumindo 1) que não existem valores incomuns E sem mudanças de nível e sem tendências de tempo e sem dummies sazonais 2) que a média ponderada ideal tem pesos que caem em uma curva suave descritível por 1 coeficiente 3) que a variância do erro é constante que não há séries causais conhecidas Por que todos os premissas. Ndash IrishStat 1 de outubro 14 às 21:18 Ravi: No exemplo dado, a soma dos quatro primeiros termos é 0.9375 0.06250.1250.250.5. Assim, os primeiros quatro termos detém 93,8 do peso total (6,2 na cauda truncada). Use isso para obter pesos normalizados que somem a unidade por meio de uma atualização (dividindo) por 0.9375. Isto dá 0.06667, 0.1333, 0.2667, 0.5333. Ndash Assad Ebrahim 1 de outubro 14 às 22:21 Eu descobri que a computação de médias correntes ponderadas exponetially usando overline leftarrow overline alpha (x-overline), alphalt1 é um método simples de uma linha, que é facilmente, se apenas aproximadamente, interpretável em termos de Um número efetivo de amostras Nalpha (compare este formulário com o formulário para calcular a média de execução), requer apenas o datum atual (e o valor médio atual) e é numericamente estável. Tecnicamente, essa abordagem incorpora toda a história na média. As duas principais vantagens em usar a janela completa (em oposição ao truncado discutido na questão) são que, em alguns casos, pode facilitar a caracterização analítica da filtragem e reduz as flutuações induzidas se um dado muito grande (ou pequeno) O valor é parte do conjunto de dados. Por exemplo, considere o resultado do filtro se os dados são todos zero, exceto por um dado cujo valor é 106. respondido 29 de novembro às 0:33
No comments:
Post a Comment