seychellesartprojects.org

EWMA (eksponentiškai svertinis slenkamasis vidurkis) apibrėžimas

Eksponentiškai svertinis slenkamasis vidurkis (EWMA) nurodo duomenų, naudojamų portfelio judėjimui stebėti, vidurkį, tikrinant rezultatus ir išvestį, įvertinant skirtingus veiksnius ir suteikiant jiems svorius, o po to stebint rezultatus, siekiant įvertinti našumą ir atlikti patobulinimus

EWMA svoris eksponentiškai sumažėja kiekvienam laikotarpiui, kuris praeina toliau. Be to, kadangi EWMA yra anksčiau apskaičiuotas vidurkis, todėl eksponentiškai svertinio slenkančio vidurkio rezultatas bus kaupiamasis. Dėl to visi duomenų taškai prisidės prie rezultato, tačiau indėlio koeficientas sumažės apskaičiuojant kitą laikotarpį EWMA.

Paaiškinimas

Ši EWMA formulė rodo slankiojo vidurkio vertę tuo metu t.

EWMA (t) = a * x (t) + (1-a) * EWMA (t-1)

Kur

• EWMA (t) = slenkamasis vidurkis laike t
• a = maišymo parametro vertės laipsnis nuo 0 iki 1
• x (t) = signalo x vertė t metu t

Ši formulė nurodo slankiojo vidurkio vertę laike t. Čia yra parametras, rodantis, kokiu greičiu bus skaičiuojami senesni duomenys. A reikšmė bus nuo 0 iki 1.

Jei a = 1, tai reiškia, kad EWMA matuoti buvo naudojami tik naujausi duomenys. Jei a artėja prie 0, tai reiškia, kad senesniems duomenims suteikiama daugiau svorio, o jei a yra arčiau 1, tai reiškia, kad naujesniems duomenims buvo suteikta daugiau svertų.

EWMA pavyzdžiai

Žemiau pateikiami eksponentiškai svertinio slenkančio vidurkio pavyzdžiai

Šį „EWMA Excel“ šabloną galite atsisiųsti čia - „EWMA Excel“ šablonas

1 pavyzdys

Apsvarstykime 5 duomenų taškus, kaip nurodyta toliau pateiktoje lentelėje:

Ir parametras a = 30% arba 0,3

Taigi EWMA (1) = 40

2 laiko EWMA yra tokia

• EWMA (2) = 0,3 * 45 + (1-0,3) * 40,00
• = 41,5

Panašiai apskaičiuokite eksponentiškai svertinį judantį vidurkį tam tikrais laikais -

• EWMA (3) = 0,3 * 43 + (1-0,3) * 41,5 = 41,95
• EWMA (4) = 0,3 * 31 + (1-0,3) * 41,95 = 38,67
• EWMA (5) = 0,3 * 20 + (1-0,3) * 38,67 = 33,07

2 pavyzdys

Miesto temperatūra nuo Celsijaus laipsnių nuo sekmadienio iki šeštadienio. Naudojant a = 10%, nustatysime slankų temperatūros vidurkį kiekvienai savaitės dienai.

Naudojant a = 10%, toliau pateiktoje lentelėje rasime kiekvienos dienos eksponentiškai įvertintą slenkantį vidurkį:

Žemiau yra grafikas, rodantis faktinės temperatūros ir EWMA palyginimą:

Kaip matome, lyginimas yra gana stiprus naudojant = 10%. Tuo pačiu būdu mes galime išspręsti eksponentiškai įvertintą slenkantį vidurkį daugybei laiko eilučių ar nuoseklių duomenų rinkinių.

Privalumai

• Tai gali būti naudojama norint rasti vidurkį naudojant visą duomenų ar išvesties istoriją. Visos kitos diagramos paprastai apdoroja kiekvieną informaciją individualiai.
• Vartotojas gali nustatyti kiekvieno duomenų taško svorį pagal savo patogumą. Šį svorį galima pakeisti, norint palyginti įvairius vidurkius.
• EWMA duomenis rodo geometriškai. Dėl to duomenys nėra labai paveikti, kai atsiranda pašaliniai reiškiniai.
• Kiekvienas eksponentiškai įvertinto slenkančio vidurkio duomenų taškas rodo slenkantį taškų vidurkį.

Apribojimai

• Tai galima naudoti tik tada, kai turimi nuolatiniai duomenys per tam tikrą laikotarpį.
• Tai galima naudoti tik tada, kai norime aptikti nedidelį proceso poslinkį.
• Šiuo metodu galima apskaičiuoti vidurkį. Norint stebėti dispersiją, vartotojas turi naudoti kitą metodiką.

Svarbūs dalykai

• Duomenys, kuriems norime gauti eksponentiškai svertinį slenkantį vidurkį, turėtų būti užsakomi pagal laiką.
• Tai labai padeda sumažinti triukšmą triukšminguose laiko eilučių duomenų taškuose, kuriuos galima pavadinti sklandžiais.
• Kiekvienai išeigai suteikiamas svoris. Naujesni duomenys yra didžiausias svoris.
• Tai gana gerai nustatyti mažesnį poslinkį, bet lėčiau aptikti didelį poslinkį.
• Jį galima naudoti, kai pogrupio imties dydis yra didesnis nei 1.
• Realiame pasaulyje šis metodas gali būti naudojamas cheminiuose procesuose ir kasdieniuose apskaitos procesuose.
• Jis taip pat gali būti naudojamas rodant svetainės lankytojų svyravimus savaitės dienomis.

Išvada

EWMA yra įrankis, leidžiantis nustatyti mažesnius laiko ribojimo proceso pokyčius. Eksponentiškai svertinis slenkamasis vidurkis taip pat yra labai ištirtas ir naudojamas modelis, kad surastų slenkantį duomenų vidurkį. Tai taip pat labai naudinga prognozuojant įvykių duomenis pagal ankstesnius duomenis. Laikoma, kad eksponentiškai svertinis slenkamasis vidurkis stebėjimai paprastai paskirstomi. Ji svarsto ankstesnius duomenis, atsižvelgdama į jų svorį. Kadangi duomenys yra daugiau praeityje, jų svoris skaičiuojant sumažės eksponentiškai.

Vartotojai taip pat gali atsižvelgti į ankstesnius duomenis, kad sužinotų skirtingą EWMA skirtingo svorio koeficientą. Be to, dėl geometriškai rodomų duomenų duomenys nėra labai paveikti dėl pašalinių reikšmių, todėl naudojant šį metodą galima pasiekti daugiau išlygintų duomenų.