Berechnen Gewichtet Gleitender Durchschnitt

Weighted Moving Average Calculator Angesichts einer Liste sequentieller Daten können Sie den n-Punkt-gewichteten gleitenden Durchschnitt (oder den gewichteten gleitenden Durchschnitt) konstruieren, indem Sie den gewichteten Durchschnitt jedes Satzes von n aufeinanderfolgenden Punkten finden. Angenommen, Sie haben den geordneten Datensatz 10, 11, 15, 16, 14, 12, 10, 11, und der Gewichtungsvektor ist 1, 2, 5, wobei 1 auf den ältesten Term angewendet wird Der mittlere Term und 5 wird auf den jüngsten Term angewendet. Der gewichtete gleitende 3-Punkt-Durchschnitt beträgt 13,375, 15,125, 14,625, 13, 11, 10,875 Gewichtete gleitende Mittelwerte werden verwendet, um sequentielle Daten zu glätten, während sie bestimmten Begriffen mehr Bedeutung geben. Einige gewichtete Durchschnitte legen mehr Wert auf zentrale Begriffe, während andere für neuere Begriffe bevorzugen. Aktienanalysten verwenden häufig einen linear gewichteten N-Punkt-gleitenden Durchschnitt, bei dem der Gewichtungsvektor 1, 2. n-1 ist. N ist. Sie können den rechner unten verwenden, um den gewichteten gewichteten Durchschnitt eines Datensatzes mit einem gegebenen Gewichtsvektor zu berechnen. (Geben Sie für den Taschenrechner Gewichte als kommagetrennte Liste von Zahlen ohne die und Klammern ein.) Anzahl der Begriffe in einem gewichteten n-Punkt gleitenden Durchschnitt Wenn die Anzahl der Begriffe in der ursprünglichen Menge d ist und die Anzahl der verwendeten Begriffe in Jeder Durchschnitt ist n (dh die Länge des Gewichtungsvektors ist n), dann wird die Anzahl der Ausdrücke in der gleitenden Durchschnittssequenz sein. Zum Beispiel, wenn Sie eine Folge von 120 Aktienkursen haben und einen 21-tägigen gewichteten rollenden Durchschnitt nehmen Der Preise, dann hat die gewichtete rollende durchschnittliche Sequenz 120 - 211 100 Datenpunkte. Gegeben einer Zeitreihe xi, möchte ich einen gewichteten gleitenden Durchschnitt mit einem Mittelungsfenster von N Punkten berechnen, wobei die Gewichtungen für neuere Werte vorzuziehen Älteren Werten. Bei der Wahl der Gewichte verwende ich die bekannte Tatsache, daß eine geometrische Reihe gegen 1 konvergiert, d. H. Sum (frac) k, sofern unendlich viele Begriffe genommen werden. Um eine diskrete Zahl von Gewichtungen zu erhalten, die zu einer Einheit summieren, nehme ich einfach die ersten N-Terme der geometrischen Reihe (frac) k und normalisiere dann ihre Summe. Bei N4 ergeben sich zum Beispiel die nicht normierten Gewichte, die nach Normalisierung durch ihre Summe ergibt. Der gleitende Mittelwert ist dann einfach die Summe aus dem Produkt der letzten 4 Werte gegen diese normierten Gewichte. Diese Methode verallgemeinert sich in der offensichtlichen Weise zu bewegten Fenstern der Länge N und scheint auch rechnerisch einfach. Gibt es einen Grund, diese einfache Methode nicht zu verwenden, um einen gewichteten gleitenden Durchschnitt mit exponentiellen Gewichten zu berechnen, frage ich, weil der Wikipedia-Eintrag für EWMA komplizierter erscheint. Was mich fragt, ob die Lehrbuch-Definition von EWMA hat vielleicht einige statistische Eigenschaften, die die obige einfache Definition nicht oder sind sie in der Tat gleichwertig sind, beginnen Sie mit 1), dass es keine ungewöhnlichen Werte Und keine Pegelverschiebungen und keine Zeittrends und keine saisonalen Dummies 2), dass das optimale gewichtete Mittel Gewichte aufweist, die auf eine gleichmäßige Kurve fallen, die durch einen Koeffizienten 3 beschreibbar ist), dass die Fehlerabweichung konstant ist, dass es keine bekannten Ursachenreihen gibt Annahmen. Ndash IrishStat Okt 1 14 am 21:18 Ravi: In dem gegebenen Beispiel ist die Summe der ersten vier Ausdrücke 0,9375 0,06250,1250.250,5. Die ersten vier Ausdrücke haben also 93,8 des Gesamtgewichts (6,2 ist im abgeschnittenen Schwanz). Verwenden Sie diese, um normierte Gewichte zu erhalten, die zu einer Einheit durch Reskalierung (dividieren) um 0,9375 zusammenkommen. Dies ergibt 0,06667, 0,1333, 0,267, 0,5333. Ndash Assad Ebrahim Ich habe festgestellt, dass die Berechnung der exponentiell gewichteten laufenden Durchschnitte mit overline leftarrow overline alpha (x - overline), alphalt1 ist eine einfache einzeilige Methode, die leicht, wenn auch nur annähernd interpretierbar in Bezug auf Eine effektive Anzahl von Proben Nalpha (vergleichen Sie diese Form an die Form für die Berechnung der laufenden Mittelwert), erfordert nur das aktuelle Datum (und den aktuellen Mittelwert), und ist numerisch stabil. Technisch integriert dieser Ansatz alle Geschichte in den Durchschnitt. Die beiden Hauptvorteile bei der Verwendung des Vollfensters (im Gegensatz zum verkürzten, in der Frage diskutierten) liegen darin, dass es in einigen Fällen die analytische Charakterisierung der Filterung erleichtern kann, und es reduziert die Fluktuationen, die bei sehr großen (oder kleinen) Daten induziert werden Wert ist Teil des Datensatzes. Zum Beispiel betrachten das Filter-Ergebnis, wenn die Daten sind alle Null, außer für ein Datum, dessen Wert 106. beantwortet Nov 29 12 bei 0:33