genomsnitt i anderen Sprachen: Woumlrterbuch Englisch rarr Deutsch: genomsnittlig Uumlbersetzung 1 - 50 von 429 gtgt En 2017-01-27: En A är inte bra för genomsnittet) En 2017-01-26: Den genomsnittliga användaren kommer inte att läsa. En 2017-01-19: komfortzonen bildad enligt. A 2016-06-09: genomsnittlig grödan A 2016-06-09: genomsnittlig skörd genomsnittlig mängd h. F 2016-03-07: lowaveragehigh anchor A 2015-10-28: Din 13:27 nyheter om. F 2015-07-15: var den genomsnittliga rullande 12 månaders data A 2015-06-19: rimlig (här) ganska bra, f. En 2015-05-16: glidande medellag A 2015-03-18: Varje enskilt paket har en väga. A 2015-03-18: Genomsnitt eller max F 2015-03-18: genomsnittlig vikt av till 30,0 kg A 2014-12-26: zoologer har förmodligen en annan skillnad. F 2014-08-10: Betygsgenomsnitt (GPA): hur. En 2013-11-19: Engelska-Finska var nästan fyra ti. En 2013-11-04: Hochbegabt innebär inte på något sätt. F 2013-09-09: Genomsnittlig Bear - Ein Witz, den ich n. En 2013-09-06: Den genomsnittliga tyska Autofahrer mt. En 2012-12-11: Jag är rädd att jag inte gillar mindre än. raquo Im Forum nach average suchen raquo Jag Forum nach average fragen Kennest du Uumlbersetzungen, die noch nicht in diesem Woumlrterbuch enthalten sind Här kan du se vorschlagen Bitte immer nur genau eine Deutsch-Englisch-Uumlbersetzung eintragen (Formatierung siehe Guidelines), moumlglichst mit einem guten Beleg im Kommentarfeld. Wichtig: Bitte hilf auch bei der Pruumlfung anderer Uumlbersetzung svorschlaumlge mit Dieses Deutsch-Englisch-Woumlrterbuch basiert von der Idee der Freien Weitergabe von Wissen. Mehr Informationen Enthaumllt Uumlbersetzungen von der Chemnitz. sowie Honeys Business Dictionary (EnglischDeutsch). Vielen Dank dafuumlr Länkar till döden Förstasidan eller enbart Uumlbersetzungen sind herzlich kommerkommen Fragen und AntwortenIntroduktion till ARIMA: nonseasonal modeller ARIMA (p, d, q) prognoser ekvation: ARIMA-modeller är i teorin den vanligaste klassen av modeller för prognoser för en tidsserie vilket kan göras för att vara 8220stationary8221 genom differentiering (om nödvändigt), kanske i samband med olinjära transformationer såsom loggning eller deflatering (om nödvändigt). En slumpmässig variabel som är en tidsserie är stationär om dess statistiska egenskaper är konstanta över tiden. En stationär serie har ingen trend, dess variationer kring dess medelvärde har en konstant amplitud, och det vinklar på ett konsekvent sätt. d. v.s. dess kortsiktiga slumpmässiga tidsmönster ser alltid ut i statistisk mening. Det sistnämnda tillståndet betyder att dess autokorrelationer (korrelationer med sina egna tidigare avvikelser från medelvärdet) förblir konstanta över tiden, eller likvärdigt, att dess effektspektrum förblir konstant över tiden. En slumpmässig variabel i denna blankett kan ses som en kombination av signal och brus, och signalen (om en är uppenbar) kan vara ett mönster av snabb eller långsam mean reversion eller sinusformig oscillation eller snabb växling i tecken , och det kan också ha en säsongskomponent. En ARIMA-modell kan ses som en 8220filter8221 som försöker separera signalen från bruset, och signalen extrapoleras därefter i framtiden för att få prognoser. ARIMA-prognosekvationen för en stationär tidsserie är en linjär (d. v.s. regressionstyp) ekvation där prediktorerna består av lags av de beroende variabla andorlagren av prognosfel. Det vill säga: Förutsatt värdet på Y är en konstant och en viktad summa av ett eller flera nya värden av Y och eller en vägd summa av ett eller flera nya värden av felen. Om prediktorerna endast består av fördröjda värden på Y. Det är en ren autoregressiv (8220self-regressed8221) modell, som bara är ett speciellt fall av en regressionsmodell och som kan förses med standard regressionsprogram. Exempelvis är en första-order-autoregressiv (8220AR (1) 8221) modell för Y en enkel regressionsmodell där den oberoende variabeln bara Y är försenad med en period (LAG (Y, 1) i Statgraphics eller YLAG1 i RegressIt). Om en del av prediktorerna är felaktiga, är en ARIMA-modell inte en linjär regressionsmodell, eftersom det inte går att ange 8220last period8217s error8221 som en oberoende variabel: felen måste beräknas periodvis när modellen är monterad på data. Tekniskt sett är problemet med att använda fördröjda fel som prediktorer att modellen8217s förutsägelser inte är linjära funktioner för koefficienterna. även om de är linjära funktioner i tidigare data. Så koefficienter i ARIMA-modeller som innehåller försenade fel måste uppskattas genom olinjära optimeringsmetoder (8220hill-climbing8221) istället för att bara lösa ett system av ekvationer. Akronymet ARIMA står för Auto-Regressive Integrated Moving Average. Lags av den stationära serien i prognosen ekvationen kallas quotautoregressivequot termer, lags av prognosfel kallas quotmoving averagequot termer och en tidsserie som behöver differentieras för att göras stationär sägs vara en quotintegratedquot-version av en stationär serie. Slumpmässiga och slumpmässiga modeller, autoregressiva modeller och exponentiella utjämningsmodeller är alla speciella fall av ARIMA-modeller. En nonseasonal ARIMA-modell klassificeras som en quotARIMA (p, d, q) kvotmodell där: p är antalet autoregressiva termer, d är antalet icke-säsongsskillnader som behövs för stationaritet och q är antalet fördröjda prognosfel i prediksionsekvationen. Prognosekvationen är konstruerad enligt följande. Först, låt y beteckna d: s skillnad på Y. Det betyder: Observera att den andra skillnaden i Y (d2-fallet) inte är skillnaden från 2 perioder sedan. Det är snarare den första skillnaden-av-första skillnaden. vilken är den diskreta analogen av ett andra derivat, dvs den lokala accelerationen av serien i stället för dess lokala trend. När det gäller y. Den allmänna prognostiseringsekvationen är: Här definieras de rörliga genomsnittsparametrarna (9528217s) så att deras tecken är negativa i ekvationen, enligt konventionen införd av Box och Jenkins. Vissa författare och programvara (inklusive R-programmeringsspråket) definierar dem så att de har plustecken istället. När faktiska siffror är anslutna till ekvationen finns det ingen tvetydighet, men det är viktigt att veta vilken konvention din programvara använder när du läser utmatningen. Ofta anges parametrarna av AR (1), AR (2), 8230 och MA (1), MA (2), 8230 etc. För att identifiera lämplig ARIMA-modell för Y. börjar du med att bestämma sorteringsordningen (d) behöver stationera serierna och ta bort säsongens bruttoegenskaper, kanske i kombination med en variationsstabiliserande transformation, såsom loggning eller avflöde. Om du slutar vid denna tidpunkt och förutsäger att den olika serien är konstant, har du bara monterat en slumpmässig promenad eller slumpmässig trendmodell. Den stationära serien kan emellertid fortfarande ha autokorrelerade fel, vilket tyder på att vissa antal AR-termer (p 8805 1) och eller några nummer MA-termer (q 8805 1) också behövs i prognosekvationen. Processen att bestämma värdena p, d och q som är bäst för en given tidsserie kommer att diskuteras i senare avsnitt av anteckningarna (vars länkar finns längst upp på denna sida), men en förhandsvisning av några av de typerna av nonseasonal ARIMA-modeller som vanligtvis förekommer ges nedan. ARIMA (1,0,0) första ordningens autoregressiva modell: Om serien är stationär och autokorrelerad kanske den kan förutsägas som en multipel av sitt eget tidigare värde plus en konstant. Prognosekvationen i detta fall är 8230, som Y är regresserad i sig själv fördröjd med en period. Detta är en 8220ARIMA (1,0,0) constant8221 modell. Om medelvärdet av Y är noll, skulle den konstanta termen inte inkluderas. Om lutningskoefficienten 981 1 är positiv och mindre än 1 i storleksordningen (den måste vara mindre än 1 i storleksordningen om Y är stillastående), beskriver modellen medelåterkallande beteende där nästa period8217s värde bör förutses vara 981 1 gånger som långt ifrån medelvärdet som detta period8217s värde. Om 981 1 är negativ förutspår det medelåterkallande beteende med teckenväxling, dvs det förutspår också att Y kommer att ligga under den genomsnittliga nästa perioden om den är över medelvärdet denna period. I en andra-ordningsautoregressiv modell (ARIMA (2,0,0)) skulle det finnas en Y t-2 term till höger också, och så vidare. Beroende på tecken och storheter på koefficienterna kan en ARIMA (2,0,0) modell beskriva ett system vars medföljande reversering sker på ett sinusformigt oscillerande sätt, som en massans rörelse på en fjäder som utsätts för slumpmässiga stötar . ARIMA (0,1,0) slumpmässig promenad: Om serien Y inte är stillastående är den enklaste möjliga modellen för en slumpmässig promenadmodell, vilken kan betraktas som ett begränsande fall av en AR (1) - modell där den autogegrativa koefficienten är lika med 1, dvs en serie med oändligt långsam medelbackning. Förutsägningsekvationen för denna modell kan skrivas som: där den konstanta termen är den genomsnittliga period-till-period-förändringen (dvs. den långsiktiga driften) i Y. Denna modell kan monteras som en icke-avlyssningsregressionsmodell där första skillnaden i Y är den beroende variabeln. Eftersom den innehåller (endast) en nonseasonal skillnad och en konstant term, klassificeras den som en quotARIMA (0,1,0) modell med constant. quot. Den slumpmässiga walk-without-drift-modellen skulle vara en ARIMA (0,1, 0) modell utan konstant ARIMA (1,1,0) annorlunda första ordningens autoregressiva modell: Om fel i en slumpmässig promenadmodell är autokorrelerade kanske problemet kan lösas genom att lägga en lag av den beroende variabeln till prediktionsekvationen - - ie genom att regressera den första skillnaden av Y på sig själv fördröjd med en period. Detta skulle ge följande förutsägelsesekvation: som kan omordnas till Detta är en första-orders autregressiv modell med en ordning av icke-säsongsskillnader och en konstant term, dvs. en ARIMA (1,1,0) modell. ARIMA (0,1,1) utan konstant enkel exponentiell utjämning: En annan strategi för korrigering av autokorrelerade fel i en slumpmässig promenadmodell föreslås av den enkla exponentiella utjämningsmodellen. Minns att för några icke-stationära tidsserier (t ex de som uppvisar bullriga fluktuationer kring ett långsamt varierande medelvärde), utförs slumpmässiga promenadmodellen inte lika bra som ett glidande medelvärde av tidigare värden. Med andra ord, istället för att ta den senaste observationen som prognosen för nästa observation, är det bättre att använda ett genomsnitt av de sista observationerna för att filtrera bort bullret och mer exakt uppskatta det lokala medelvärdet. Den enkla exponentiella utjämningsmodellen använder ett exponentiellt vägt glidande medelvärde av tidigare värden för att uppnå denna effekt. Förutsägningsekvationen för den enkla exponentiella utjämningsmodellen kan skrivas i ett antal matematiskt ekvivalenta former. varav den ena är den så kallade 8220error correction8221-formen, där den föregående prognosen justeras i riktning mot det fel som det gjorde: Eftersom e t-1 Y t-1 - 374 t-1 per definition kan det skrivas om som : vilket är en ARIMA (0,1,1) - utan konstant prognosekvation med 952 1 1 - 945. Det innebär att du kan passa en enkel exponentiell utjämning genom att ange den som en ARIMA (0,1,1) modell utan konstant, och den uppskattade MA (1) - koefficienten motsvarar 1-minus-alfa i SES-formeln. Minns att i SES-modellen är den genomsnittliga åldern för data i prognoserna för 1-tiden framåt 1 945. Det betyder att de tenderar att ligga bakom trender eller vändpunkter med cirka 1 945 perioder. Det följer att den genomsnittliga åldern för data i de 1-prognos framåt av en ARIMA (0,1,1) utan konstant modell är 1 (1 - 952 1). Så, till exempel, om 952 1 0,8 är medelåldern 5. När 952 1 närmar sig 1 blir ARIMA (0,1,1) utan konstant modell ett mycket långsiktigt rörligt medelvärde och som 952 1 närmar sig 0 blir det en slumpmässig promenad utan driftmodell. What8217s det bästa sättet att korrigera för autokorrelation: Lägga till AR-termer eller lägga till MA-termer I de tidigare två modellerna som diskuterats ovan fixades problemet med autokorrelerade fel i en slumpmässig promenadmodell på två olika sätt: genom att lägga till ett fördröjt värde av de olika serierna till ekvationen eller lägga till ett fördröjt värde av prognosfelet. Vilket tillvägagångssätt är bäst En tumregel för denna situation, som kommer att diskuteras mer i detalj senare, är att positiv autokorrelation vanligtvis behandlas bäst genom att addera en AR-term till modellen och negativ autokorrelation behandlas vanligtvis bäst genom att lägga till en MA term. I affärs - och ekonomiska tidsserier uppstår negativ autokorrelation ofta som en artefakt av differentiering. (I allmänhet minskar differentieringen positiv autokorrelation och kan även orsaka en växling från positiv till negativ autokorrelation.) Således används ARIMA (0,1,1) - modellen, i vilken skillnad åtföljs av en MA-term, oftare än en ARIMA (1,1,0) modell. ARIMA (0,1,1) med konstant enkel exponentiell utjämning med tillväxt: Genom att implementera SES-modellen som en ARIMA-modell får du viss flexibilitet. För det första får den uppskattade MA (1) - koefficienten vara negativ. Detta motsvarar en utjämningsfaktor som är större än 1 i en SES-modell, vilket vanligtvis inte är tillåtet med SES-modellproceduren. För det andra har du möjlighet att inkludera en konstant term i ARIMA-modellen om du vill, för att uppskatta en genomsnittlig trendfri noll. ARIMA-modellen (0,1,1) med konstant har förutsägelsesekvationen: Prognoserna från den här modellen är kvalitativt likartade som i SES-modellen, förutom att banan för de långsiktiga prognoserna typiskt är en sluttande linje (vars lutning är lika med mu) snarare än en horisontell linje. ARIMA (0,2,1) eller (0,2,2) utan konstant linjär exponentiell utjämning: Linjära exponentiella utjämningsmodeller är ARIMA-modeller som använder två icke-säsongsskillnader i samband med MA-termer. Den andra skillnaden i en serie Y är inte bara skillnaden mellan Y och sig själv i två perioder, men det är snarare den första skillnaden i den första skillnaden, dvs. Y-förändringen i Y vid period t. Således är den andra skillnaden av Y vid period t lika med (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. En andra skillnad av en diskret funktion är analog med ett andra derivat av en kontinuerlig funktion: det mäter kvotccelerationquot eller quotcurvaturequot i funktionen vid en given tidpunkt. ARIMA-modellen (0,2,2) utan konstant förutspår att den andra skillnaden i serien motsvarar en linjär funktion av de två sista prognosfel: som kan omordnas som: där 952 1 och 952 2 är MA (1) och MA (2) koefficienter. Detta är en generell linjär exponentiell utjämningsmodell. väsentligen samma som Holt8217s modell, och Brown8217s modell är ett speciellt fall. Den använder exponentiellt vägda glidande medelvärden för att uppskatta både en lokal nivå och en lokal trend i serien. De långsiktiga prognoserna från denna modell konvergerar till en rak linje vars lutning beror på den genomsnittliga trenden som observerats mot slutet av serien. ARIMA (1,1,2) utan konstant dämpad trend linjär exponentiell utjämning. Denna modell illustreras i de bifogade bilderna på ARIMA-modellerna. Den extrapolerar den lokala trenden i slutet av serien men plattar ut på längre prognoshorisonter för att presentera en konservatismskampanj, en övning som har empiriskt stöd. Se artikeln om varför Damped Trend worksquot av Gardner och McKenzie och artikeln "Rulequot Rulequot" av Armstrong et al. för detaljer. Det är i allmänhet lämpligt att hålla fast vid modeller där minst en av p och q inte är större än 1, dvs försök inte passa en modell som ARIMA (2,1,2), eftersom det här sannolikt kommer att leda till övermontering och quotcommon-factorquot-problem som diskuteras närmare i noterna om den matematiska strukturen för ARIMA-modeller. Implementering av kalkylark: ARIMA-modeller som de som beskrivs ovan är enkla att implementera på ett kalkylblad. Förutsägningsekvationen är helt enkelt en linjär ekvation som refererar till tidigare värden av ursprungliga tidsserier och tidigare värden av felen. Således kan du ställa in ett ARIMA-prognoskalkylblad genom att lagra data i kolumn A, prognosformeln i kolumn B och felen (data minus prognoser) i kolumn C. Förutsättningsformeln i en typisk cell i kolumn B skulle helt enkelt vara ett linjärt uttryck som hänvisar till värdena i föregående rader av kolumnerna A och C multiplicerat med lämpliga AR - eller MA-koefficienter som lagras i celler på annat håll i kalkylbladet. Hur använder du MACD-indikatorn är MACD en akronym för M oving En Verage C-överensstämmelse D ivergence . Detta verktyg används för att identifiera glidande medelvärden som indikerar en ny trend, huruvida it8217s är hausse eller baisse. När allt kommer omkring är vår högsta prioritet inom handel att kunna hitta en trend, för det är där de flesta pengar görs. Med ett MACD-diagram ser du vanligen tre nummer som används för dess inställningar. Den första är antalet perioder som används för att beräkna det snabbare rörliga genomsnittet. Den andra är antalet perioder som används i det långsammare glidande medlet. Och det tredje är antalet barer som används för att beräkna det rörliga genomsnittet av skillnaden mellan de snabbare och långsammare glidande medelvärdena. Om du till exempel skulle se 822012, 26, 98221 som MACD-parametrarna (som vanligtvis är standardinställningen för de flesta kartläggningspaket), så här tolkar du den: 12 representerar de tidigare 12 staplarna i det snabbare glidande medlet . 26 representerar de tidigare 26 staplarna av det långsammare glidande medlet. 9 representerar de föregående 9 staplarna av skillnaden mellan de två glidande medelvärdena. Detta ritas av vertikala linjer som heter ett histogram (de gröna linjerna i diagrammet ovan). Det finns en vanlig missuppfattning när det gäller linjerna i MACD. De två linjerna som dras är INTE glidande medeltal av priset. Istället är de rörliga medelvärdena för skillnaden mellan två glidande medelvärden. I vårt exempel ovan är det snabbare rörliga genomsnittet det rörliga genomsnittet av skillnaden mellan 12 och 26-åriga glidande medelvärden. Det långsammare glidande medelvärdet plottar genomsnittet av föregående MACD-linje. Återigen, från vårt exempel ovan skulle detta vara ett 9-års glidande medelvärde. Det innebär att vi tar medeltalet de senaste 9 perioderna i den snabbare MACD-linjen och plottar den som vårt långsammare glidande medelvärde. Detta släpper ut originallinjen ännu mer, vilket ger oss en mer exakt linje. Histogrammet uppfattar helt enkelt skillnaden mellan det snabba och långsamma genomsnittet. Om du tittar på vårt ursprungliga diagram kan du se att, eftersom de två glidande medelvärdena separeras, blir histogrammet större. Detta kallas divergens eftersom det snabbare rörliga medlet är 8220diverging8221 eller flyttar sig från det långsammare glidande medlet. När de rörliga medelvärdena närmar sig varandra blir histogrammet mindre. Detta kallas konvergens eftersom det snabbare rörliga medlet är 8220converging8221 eller närmar sig det långsammare glidande medlet. Och det, min vän, är hur du får namnet, M oving En storlek C-överensstämmelse D ivergence Whew, vi måste knäcka våra knogar efter det Ok, så nu vet du vad MACD gör. Nu visar vi8217ll vad MACD kan göra för DIG. Så här handlar du med MACD Eftersom det finns två glidande medelvärden med olika 8220speeds8221 kommer det snabbare att bli snabbare att reagera på prisrörelsen än den långsammare. När en ny trend uppstår kommer snabblinjen att reagera först och så småningom passera den långsammare linjen. När denna 8220crossover8221 inträffar, och den snabba linjen börjar 8220diverge8221 eller flyttas från den långsammare linjen indikerar det ofta att en ny trend har bildats. Från diagrammet ovan kan du se att den snabba linjen korsades under den långsamma linjen och korrekt identifierade en ny downtrend. Observera att när linjerna korsas, försvinner histogrammet temporärt. Detta beror på att skillnaden mellan linjerna vid korsets tid är 0. När nedåtriktningen börjar och den snabba linjen avviker från den långsamma linjen blir histogrammet större, vilket är en bra indikation på en stark trend. Let8217s ta en titt på ett exempel. I EURUSD8217s 1-timmarsdiagram ovan gick den snabba linjen över den långsamma linjen medan histogrammet försvann. Detta föreslog att den korta downtrenden så småningom skulle vända. Från och med då började EURUSD skjuta upp när det började en ny uptrend. Tänk dig om du gick långt efter crossoveren, skulle du ha fått 17217 pund Det finns en nackdel med MACD. Självklart tenderar glidande medelvärden att ligga bakom priset. Det är trots allt bara ett genomsnitt av historiska priser. Eftersom MACD representerar rörliga medeltal av andra glidande medelvärden och utjämnas av ett annat glidande medelvärde, kan du tänka dig att det finns ganska lite fördröjning. MACD är dock fortfarande ett av de mest gynnade verktygen av många handlare. Spara dina framsteg genom att logga in och markera lektionen komplett
No comments:
Post a Comment