อะไร คือ อัตราส่วน การ เคลื่อนไหว เฉลี่ย วิธี

การใช้สเปรดชีตของการปรับฤดูกาลและการทำให้เรียบแบบทวีคูณเป็นเรื่องง่ายในการปรับฤดูกาลและพอดีกับรูปแบบการคำนวณแบบเลขแจงโดยใช้ Excel ภาพหน้าจอและแผนภูมิด้านล่างนี้นำมาจากสเปรดชีตที่ได้รับการตั้งค่าเพื่อแสดงการปรับฤดูกาลตามฤดูกาลและการเพิ่มประสิทธิภาพเชิงเส้นแบบเสวนาเชิงเส้นสำหรับข้อมูลการขายรายไตรมาสต่อไปนี้จาก Outboard Marine: หากต้องการรับสำเนาของไฟล์สเปรดชีตเองคลิกที่นี่ รุ่นของการเรียบแบบเสวนาเชิงเส้นที่จะใช้ที่นี่เพื่อจุดประสงค์ในการสาธิตคือรุ่น Brown8217s เพียงเพราะสามารถนำมาใช้กับคอลัมน์เดียวของสูตรและมีเพียงหนึ่งค่าคงที่ที่ราบเรียบเพื่อเพิ่มประสิทธิภาพ โดยปกติแล้วมันเป็นการดีที่จะใช้รุ่น Holt8217s ที่มีค่าคงที่ที่ราบเรียบแยกต่างหากสำหรับระดับและแนวโน้ม ขั้นตอนการคาดการณ์ดำเนินการดังนี้ (i) ข้อมูลแรกมีการปรับฤดูกาล (2) จากนั้นข้อมูลคาดการณ์จะถูกสร้างขึ้นสำหรับข้อมูลที่ปรับฤดูกาลตามฤดูกาลโดยการให้ความลื่นที่เป็นเส้นตรงและ (iii) ในที่สุดการคาดการณ์ที่ปรับฤดูกาลจะได้รับการคาดการณ์ล่วงหน้าเพื่อให้ได้ประมาณการสำหรับชุดเดิม . ขั้นตอนการปรับฤดูกาลตามฤดูกาลจะดำเนินการในคอลัมน์ D ถึง G. ขั้นตอนแรกในการปรับฤดูกาลคือการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง (ดำเนินการในคอลัมน์ D) ซึ่งสามารถทำได้โดยการคำนวณค่าเฉลี่ยโดยเฉลี่ยของค่าเฉลี่ยสองปีที่สองซึ่งจะหักล้างโดยระยะเวลาหนึ่งเทียบกับแต่ละอื่น ๆ (ต้องใช้ค่าเฉลี่ยของทั้งสองค่าชดเชยแทนที่จะใช้ค่าเฉลี่ยเพียงอย่างเดียวเพื่อกำหนดจุดกึ่งกลางเมื่อจำนวนของฤดูกาลเป็นไปได้) ขั้นตอนต่อไปคือการคำนวณอัตราส่วนกับค่าเฉลี่ยเคลื่อนที่ - i. e ข้อมูลเดิมที่หารด้วยค่าเฉลี่ยเคลื่อนที่ในแต่ละช่วงเวลา - ซึ่งทำไว้ที่นี่ในคอลัมน์ E. (เรียกอีกอย่างว่าส่วนประกอบ quottrend-cyclequot ของรูปแบบตราบใดที่แนวโน้มและผลกระทบของวงจรธุรกิจอาจถูกพิจารณาว่าเป็นข้อมูลทั้งหมด ยังคงอยู่หลังจากเฉลี่ยตลอดทั้งปีที่มีค่าของข้อมูลแน่นอนการเปลี่ยนแปลงรายเดือนที่ไม่ได้เกิดจากฤดูกาลอาจพิจารณาจากปัจจัยอื่น ๆ แต่ค่าเฉลี่ยเฉลี่ย 12 เดือนจะดีกว่าในระดับที่ดี) ดัชนีตามฤดูกาลโดยประมาณสำหรับแต่ละฤดูกาลจะคำนวณโดยเฉลี่ยเป็นอัตราส่วนแรกสำหรับฤดูกาลนั้นโดยเฉพาะซึ่งทำในเซลล์ G3-G6 โดยใช้สูตร AVERAGEIF อัตราส่วนโดยเฉลี่ยจะถูกปรับใหม่เพื่อให้รวมเป็น 100 เท่าของจำนวนงวดในแต่ละฤดูกาลหรือ 400 ในกรณีนี้ซึ่งทำในเซลล์ H3-H6 ด้านล่างในคอลัมน์ F สูตร VLOOKUP ใช้เพื่อแทรกค่าดัชนีตามฤดูกาลที่เหมาะสมในแต่ละแถวของตารางข้อมูลตามไตรมาสของปีที่แสดง ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางและข้อมูลที่ปรับฤดูกาลจะมีลักษณะเช่นนี้: โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่โดยปกติแล้วจะมีลักษณะคล้ายกับซีรี่ส์ที่ปรับปรุงตามฤดูกาลและจะสั้นกว่าในทั้งสองด้าน แผ่นงานอื่นในไฟล์ Excel เดียวกันแสดงการประยุกต์ใช้โมเดลการปรับรูปแบบเลขแจงเชิงเส้นให้เป็นข้อมูลที่ปรับฤดูกาลแล้วโดยเริ่มต้นที่คอลัมน์ G. ค่าของค่าคงที่ที่ราบเรียบ (alpha) ถูกป้อนเหนือคอลัมน์พยากรณ์ (ที่นี่ในเซลล์ H9) และ เพื่ออำนวยความสะดวกให้กำหนดชื่อช่วงอัลฟา. quot (ชื่อถูกกำหนดโดยใช้คำสั่ง quotInsertNameCreatequot) โมเดล LES ได้รับการเตรียมใช้งานโดยการตั้งค่าการคาดการณ์สองชุดแรกเท่ากับมูลค่าที่แท้จริงครั้งแรกของชุดที่ปรับฤดูกาล สูตรที่ใช้ในการพยากรณ์ LES คือรูปแบบการเรียกซ้ำรูปแบบเดียวของแบบ Brown8217s: สูตรนี้ถูกป้อนลงในเซลล์ที่ตรงกับระยะเวลาที่สาม (ที่นี่เซลล์ H15) และคัดลอกลงจากที่นั่น สังเกตว่าการคาดการณ์ LES สำหรับงวดปัจจุบันหมายถึงการสังเกตก่อนหน้านี้สองครั้งและข้อผิดพลาดในการคาดการณ์ทั้งสองข้อก่อนหน้าเช่นเดียวกับค่าของอัลฟา ดังนั้นสูตรการคาดการณ์ในแถว 15 อ้างอิงเฉพาะข้อมูลที่มีอยู่ในแถว 14 และก่อนหน้า (แน่นอนถ้าเราอยากจะใช้แบบเรียบง่ายแทนการเรียบแบบเสียดสีเชิงเส้นเราสามารถแทนที่สูตร SES ได้ที่นี่แทนนอกจากนี้เรายังสามารถใช้ Holt8217s แทน Brown8217s LES แบบซึ่งจะต้องใช้สองคอลัมน์เพิ่มเติมของสูตรเพื่อคำนวณระดับและแนวโน้ม ที่ใช้ในการคาดการณ์) ข้อผิดพลาดจะคำนวณในคอลัมน์ถัดไป (ที่นี่คอลัมน์ J) โดยการลบการคาดการณ์ออกจากค่าที่แท้จริง รากหมายถึงกำลังสองกำลังคำนวณเป็นรากที่สองของความแปรปรวนของข้อผิดพลาดบวกสี่เหลี่ยมของค่าเฉลี่ย 2) ในการคำนวณค่าเฉลี่ยและความแปรปรวนของข้อผิดพลาดในสูตรนี้ช่วงสองช่วงแรกจะถูกแยกออกเนื่องจากโมเดลไม่ได้เริ่มคาดการณ์จริงจนกว่าจะถึงเวลาที่กำหนดไว้ ช่วงที่สาม (แถวที่ 15 ในสเปรดชีต) คุณสามารถหาค่าที่ดีที่สุดของอัลฟาได้ด้วยตนเองโดยการเปลี่ยนค่า alpha จนกว่าจะหาค่า RMSE ต่ำสุดหรือมิฉะนั้นคุณสามารถใช้ quotSolverquot เพื่อทำ minimization ให้ถูกต้อง ค่าของอัลฟาที่พบ Solver แสดงไว้ที่นี่ (alpha0.471) มักเป็นความคิดที่ดีที่จะพล็อตข้อผิดพลาดของโมเดล (ในหน่วยที่แปลง) และคำนวณและวางแผนการเชื่อมโยงกันที่เวลาไม่ถึงหนึ่งฤดูกาล นี่คือชุดข้อมูลอนุกรมเวลาของข้อผิดพลาด (มีการปรับฤดูกาล): การคำนวณความคลาดเคลื่อนของข้อผิดพลาดจะคำนวณโดยใช้ฟังก์ชัน CORREL () เพื่อคำนวณความสัมพันธ์ของข้อผิดพลาดกับตัวเองที่ล้าหลังโดยหนึ่งหรือหลายช่วงเวลา - รายละเอียดจะแสดงในรูปแบบสเปรดชีต . นี่คือพล็อตของความสัมพันธ์ระหว่างข้อผิดพลาดของข้อผิดพลาดห้าข้อแรก: ความสัมพันธ์ระหว่างความล่าช้าที่ 1 ถึง 3 ใกล้เคียงกับศูนย์มาก แต่ความล่าช้าที่ความล่าช้า 4 (ซึ่งมีค่าเท่ากับ 0.35) มีความลำบากเล็กน้อย การปรับฤดูกาลไม่ประสบความสำเร็จอย่างสมบูรณ์ อย่างไรก็ตามความเป็นจริงมีนัยสำคัญเพียงเล็กน้อยเท่านั้น 95 ความสำคัญของแถบสำหรับการทดสอบว่า autocorrelations แตกต่างจากศูนย์อย่างมีนัยสำคัญเป็นบวกหรือลบ 2SQRT (n-k) โดยที่ n คือขนาดของกลุ่มตัวอย่างและ k คือความล่าช้า n นี่คือ 38 และ k จะแตกต่างกันไปตั้งแต่ 1 ถึง 5 ดังนั้นรากที่สองของ n-minus-k มีค่าประมาณ 6 สำหรับทั้งหมดดังนั้นจึงมีข้อ จำกัด ในการทดสอบความสำคัญทางสถิติของการเบี่ยงเบนจากศูนย์เป็นค่าบวก - หรือ - ลบ 26 หรือ 0.33 ถ้าคุณเปลี่ยนแปลงค่า alpha ด้วยมือในรูปแบบ Excel นี้คุณสามารถสังเกตผลกระทบของชุดข้อมูลเวลาและแปลงความคลาดเคลื่อนของข้อผิดพลาดรวมทั้งข้อผิดพลาดของราก - ค่าเฉลี่ย - สี่เหลี่ยมซึ่งจะแสดงด้านล่าง ที่ด้านล่างของสเปรดชีตสูตรการคาดการณ์จะถูกเพิ่มลงในอนาคตโดยเพียงแทนที่การคาดการณ์สำหรับค่าจริง ณ จุดที่ข้อมูลจริงหมดลงนั่นคือ ที่ quotquest ในอนาคตจะเริ่มขึ้น (ในคำอื่น ๆ ในแต่ละเซลล์ที่มีค่าข้อมูลในอนาคตจะเกิดขึ้นการอ้างอิงเซลล์จะแทรกขึ้นซึ่งชี้ไปที่การคาดการณ์ที่ทำขึ้นสำหรับช่วงเวลานั้น) สูตรอื่น ๆ ทั้งหมดจะถูกคัดลอกมาจากด้านบน: สังเกตว่าข้อผิดพลาดในการคาดการณ์ของ อนาคตทั้งหมดจะคำนวณเป็นศูนย์ ไม่ได้หมายความว่าข้อผิดพลาดที่เกิดขึ้นจริงจะเป็นศูนย์ แต่เป็นเพียงการสะท้อนถึงข้อเท็จจริงที่ว่าเพื่อวัตถุประสงค์ในการคาดการณ์เราจะสมมติว่าข้อมูลในอนาคตจะเท่ากับการคาดการณ์โดยเฉลี่ย การคาดการณ์ของ LES สำหรับข้อมูลที่ปรับฤดูกาลแล้วมีลักษณะเช่นนี้: ด้วยค่า alpha นี้โดยเฉพาะซึ่งเป็นค่าที่เหมาะสมสำหรับการคาดการณ์ล่วงหน้าหนึ่งครั้งแนวโน้มที่คาดการณ์จะเพิ่มขึ้นเล็กน้อยสะท้อนถึงแนวโน้มในท้องถิ่นที่เกิดขึ้นในช่วง 2 ปีที่ผ่านมา หรือไม่ก็. สำหรับค่าอัลฟาอื่น ๆ อาจมีการคาดการณ์แนวโน้มที่แตกต่างกันออกไป โดยปกติแล้วควรพิจารณาว่าจะเกิดอะไรขึ้นกับการคาดการณ์แนวโน้มในระยะยาวเมื่ออัลฟามีความหลากหลายเนื่องจากค่าที่ดีที่สุดสำหรับการคาดการณ์ในระยะสั้นจะไม่จำเป็นต้องเป็นค่าที่ดีที่สุดสำหรับการคาดการณ์อนาคตที่ไกลกว่านี้ ตัวอย่างเช่นนี่เป็นผลที่ได้รับถ้าค่าของอัลฟาถูกตั้งด้วยตนเองเป็น 0.25: แนวโน้มในระยะยาวที่คาดการณ์ไว้ตอนนี้มีค่าเป็นลบมากกว่าบวกด้วยค่า alpha ที่เล็กลงโมเดลกำลังวางน้ำหนักให้กับข้อมูลที่เก่ากว่าใน การประมาณระดับปัจจุบันและแนวโน้มและการคาดการณ์ในระยะยาวสะท้อนถึงแนวโน้มการลดลงที่เกิดขึ้นในช่วง 5 ปีที่ผ่านมาแทนที่จะเป็นแนวโน้มที่สูงขึ้น แผนภูมินี้แสดงให้เห็นอย่างชัดเจนว่ารูปแบบที่มีค่าน้อยลงของอัลฟาจะตอบสนองต่อจุด quoturn ในข้อมูลได้ช้าลงและมีแนวโน้มที่จะทำให้เกิดข้อผิดพลาดในการทำเครื่องหมายเดียวกันในช่วงเวลาหลายช่วงเวลา ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนมีขนาดใหญ่กว่าค่าเฉลี่ยที่ได้รับก่อนหน้า (RMSE เท่ากับ 34.4 มากกว่า 27.4) และมีความเกี่ยวพันกันในเชิงบวกอย่างมาก ความสัมพันธ์กับค่าความคลาดของความล่าช้าที่ 0.56 มีค่ามากกว่า 0.33 ค่านัยสำคัญทางสถิติสำหรับค่าเบี่ยงเบนจากศูนย์ เป็นทางเลือกหนึ่งในการลดคุณค่าของอัลฟาเพื่อที่จะนำแนวคิดอนุรักษนิยมไปสู่การคาดการณ์ในระยะยาวมากขึ้นปัจจัยบางอย่างในบางครั้งจะถูกเพิ่มลงในแบบจำลองเพื่อทำให้แนวโน้มที่คาดการณ์ราบเรียบออกไปหลังจากไม่กี่ช่วง ขั้นตอนสุดท้ายในการสร้างแบบจำลองการคาดการณ์คือการให้เหตุผลในการคาดการณ์ LES โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสม ดังนั้นการคาดการณ์ของ reseasonalized ในคอลัมน์ I เป็นเพียงผลิตภัณฑ์ของดัชนีตามฤดูกาลในคอลัมน์ F และการคาดการณ์ LES ตามฤดูกาลในคอลัมน์ H. เป็นเรื่องง่ายในการคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้าอย่างน้อยหนึ่งครั้งโดยรูปแบบนี้: คำนวณ RMSE (ข้อผิดพลาดของราก - กลาง - สี่เหลี่ยมซึ่งเป็นเพียงรากที่สองของ MSE) จากนั้นคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ที่ปรับตามฤดูกาลโดยการบวกและลบสองครั้ง RMSE (โดยทั่วไปช่วงความเชื่อมั่น 95 สำหรับการคาดการณ์ล่วงหน้าหนึ่งรอบใกล้เคียงกับการคาดการณ์ของจุดบวกหรือลบสองเท่าของค่าเบี่ยงเบนมาตรฐานโดยประมาณของข้อผิดพลาดในการคาดการณ์โดยสมมติว่าการกระจายข้อผิดพลาดมีค่าใกล้เคียงปกติและขนาดตัวอย่าง มีขนาดใหญ่พอพูดว่า 20 หรือมากกว่าที่นี่ RMSE แทนที่จะเป็นค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาดคือค่าประมาณการที่ดีที่สุดของค่าส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์ในอนาคตเนื่องจากใช้รูปแบบที่มีความลำเอียงและการสุ่มอย่างเหมาะสม) สำหรับการคาดการณ์ตามฤดูกาลปรับแล้ว reseasonalized พร้อมกับการคาดการณ์โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสม ในกรณีนี้ RMSE มีค่าเท่ากับ 27.4 และการคาดการณ์ตามฤดูกาลสำหรับงวดแรกในอนาคต (ธ. ค. 93) คือ 273.2 ดังนั้นช่วงความเชื่อมั่น 95 ที่ปรับฤดูกาลแล้วมีค่าตั้งแต่ 273.2-227.4 218.4 ถึง 273.2227.4 328.0 คูณค่าขีด จำกัด เหล่านี้ตามดัชนี Decembers ตามฤดูกาลที่ 68.61 เราได้รับความเชื่อมั่นด้านล่างและด้านบนของ 149.8 และ 225.0 รอบการคาดการณ์จุดธันวาคม -93 ที่ 187.4 ความเชื่อมั่นที่กำหนดไว้สำหรับการคาดการณ์มากกว่าหนึ่งรอบระยะเวลาข้างหน้าโดยทั่วไปจะขยายตัวเมื่อช่วงเวลาที่คาดการณ์เพิ่มขึ้นเนื่องจากความไม่แน่นอนเกี่ยวกับระดับและแนวโน้มตลอดจนปัจจัยฤดูกาล แต่เป็นการยากที่จะคำนวณโดยทั่วไปด้วยวิธีการวิเคราะห์ (วิธีที่เหมาะสมในการคำนวณขีดจำกัดความเชื่อมั่นในการคาดการณ์ LES คือการใช้ทฤษฎี ARIMA แต่ความไม่แน่นอนในดัชนีตามฤดูกาลเป็นอีกเรื่องหนึ่ง) ถ้าคุณต้องการช่วงความเชื่อมั่นที่สมจริงสำหรับการคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ข้อผิดพลาดในบัญชีวิธีที่ดีที่สุดคือการใช้วิธีเชิงประจักษ์ตัวอย่างเช่นเพื่อให้ได้ช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้า 2 ขั้นตอนคุณสามารถสร้างคอลัมน์อื่นในสเปรดชีตเพื่อคำนวณการคาดการณ์ล่วงหน้า 2 ขั้นตอนในแต่ละช่วงเวลา ( โดยการคาดการณ์ล่วงหน้าอย่างน้อยหนึ่งก้าว) จากนั้นคำนวณ RMSE ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 2 ขั้นตอนและใช้ข้อมูลนี้เป็นพื้นฐานสำหรับช่วงความเชื่อมั่นแบบ 2 ขั้นตอนล่วงหน้าไม่กี่เดือนที่ผ่านมาฉันได้โพสต์เกี่ยวกับ Momentum Echo (คลิกที่นี่เพื่ออ่านโพสต์) ฉันวิ่งข้ามความแรงของญาติอื่น (หรือโมเมนตัมหากคุณต้องการ) ที่ทดสอบอีกปัจจัยหนึ่ง ในกระดาษสวนสาธารณะของ Seung-Chan อัตราการเคลื่อนที่เฉลี่ยและโมเมนตัมเขามองที่อัตราส่วนระหว่างค่าเฉลี่ยเคลื่อนที่ระยะสั้นและระยะยาวของราคาเพื่อจัดอันดับความแข็งแกร่งของหลักทรัพย์ ซึ่งแตกต่างจากส่วนใหญ่ของวรรณคดีทางวิชาการอื่น ๆ ส่วนใหญ่ของการศึกษาอื่น ๆ ใช้ผลตอบแทนจากราคาที่แท้จริงแบบจุดต่อจุดเพื่อจัดอันดับหลักทรัพย์ ช่างเทคนิคได้ใช้ค่าเฉลี่ยเคลื่อนที่เป็นเวลาหลายปีเพื่อทำให้การเคลื่อนไหวของราคาดีขึ้น ส่วนใหญ่เวลาที่เราเห็นคนที่ใช้การข้ามของค่าเฉลี่ยเคลื่อนที่เป็นสัญญาณสำหรับการซื้อขาย Park ใช้วิธีการที่แตกต่างกันสำหรับสัญญาณของเขา แทนที่จะเปรียบเทียบกับค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่หนึ่งค่า หุ้นที่มีค่าเฉลี่ยเคลื่อนที่ 50 วันซึ่งสูงกว่า (ด้านล่าง) ค่าเฉลี่ยเคลื่อนที่ 200 วันจะมีอันดับสูง (ต่ำ) หลักทรัพย์ที่มีค่าเฉลี่ยเคลื่อนที่ 50 วันใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 200 วันจะลดลงในช่วงกลางของชุด ในสวนกระดาษเป็นส่วนหนึ่งของค่าเฉลี่ยเคลื่อนที่ 200 วันเป็นค่าเฉลี่ยเคลื่อนที่ระยะยาวและเขาทดสอบความหลากหลายของค่าเฉลี่ยระยะสั้นตั้งแต่ 1 ถึง 50 วัน ไม่น่าแปลกใจเลยที่พวกเขาทำงานทั้งหมดในความเป็นจริงพวกเขามีแนวโน้มที่จะทำงานได้ดีกว่าปัจจัยพื้นฐานที่อิงกับราคา ไม่ได้เป็นเรื่องน่าแปลกใจอย่างมากสำหรับเรา แต่เพียงเพราะเราติดตามปัจจัยที่คล้ายกันเป็นเวลาหลายปีซึ่งใช้ค่าเฉลี่ยเคลื่อนที่สองค่า สิ่งที่ทำให้ฉันประหลาดใจก็คือวิธีการที่ดีเมื่อเทียบกับวิธีการคำนวณอื่น ๆ เมื่อเวลาผ่านไป ปัจจัยที่เราติดตามคือค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยเคลื่อนที่ 65 วันและค่าเฉลี่ยเคลื่อนที่ 150 วัน ไม่เหมือนกับการทดสอบของ Park แต่มีความคล้ายคลึงกันมากพอ ฉันดึงข้อมูลที่เรามีเกี่ยวกับปัจจัยนี้เพื่อดูว่ามันเปรียบเทียบกับมาตรฐาน 6 และ 12 เดือนปัจจัยอัตราผลตอบแทน สำหรับการทดสอบนี้อันดับบนสุดของแถวจะถูกนำมาใช้ พอร์ตการลงทุนเกิดขึ้นทุกเดือนและมีการปรับโครงสร้างใหม่ทุกเดือน ทุกอย่างทำงานบนฐานข้อมูลของเราซึ่งเป็นเอกภพที่คล้ายกับ SP 500 SP 400 (คลิกเพื่อดูภาพขยาย) ข้อมูลของเราแสดงให้เห็นว่าเหมือนกับการทดสอบ Parks การใช้อัตราส่วนของค่าเฉลี่ยเคลื่อนที่จะดีกว่าการใช้ปัจจัยด้านราคาและผลตอบแทนเพียงอย่างเดียว การทดสอบของเราแสดงอัตราส่วนเฉลี่ยเคลื่อนที่เพิ่มขึ้นประมาณ 200 bps ต่อปีซึ่งไม่ใช่งานที่มีขนาดเล็กนอกจากนี้เรายังให้ความสำคัญกับข้อสรุปเดียวกันโดยใช้พารามิเตอร์ต่างกันสำหรับค่าเฉลี่ยเคลื่อนที่และชุดข้อมูลที่แตกต่างกันอย่างสิ้นเชิง มันก็จะไปแสดงให้เห็นว่าแข็งแรงแนวคิดของความแข็งแรงญาติเป็น สำหรับผู้อ่านที่อ่านเอกสารขาวของเรา (ดูได้ที่นี่และที่นี่) คุณอาจสงสัยว่าปัจจัยนี้ดำเนินการอย่างไรโดยใช้กระบวนการทดสอบ Monte Carlo ของเรา ฉันจะไม่เผยแพร่ผลลัพธ์เหล่านี้ในโพสต์นี้ แต่ฉันสามารถบอกคุณได้ว่าปัจจัยด้านค่าเฉลี่ยเคลื่อนที่นี้อยู่ใกล้ด้านบนของปัจจัยที่เราติดตามและมีมูลค่าการซื้อขายที่เหมาะสมมากสำหรับผลตอบแทนที่เกิดขึ้น การใช้อัตราส่วนเฉลี่ยเคลื่อนที่เป็นวิธีที่ดีในการจัดอันดับหลักทรัพย์สำหรับกลยุทธ์ความแรงของสัมพัทธ์ ข้อมูลทางประวัติศาสตร์แสดงให้เห็นว่าการทำงานดีกว่าปัจจัยด้านราคาที่เรียบง่ายในช่วงเวลาหนึ่ง นอกจากนี้ยังเป็นปัจจัยที่มีประสิทธิภาพมากเนื่องจากมีหลายสูตรทำงานและใช้งานได้กับชุดข้อมูลหลายชุด รายการนี้ถูกโพสต์เมื่อพฤหัสบดี 26 สิงหาคม, 2010 ที่ 1:39 และยื่นภายใต้การวิจัยความสัมพันธ์ คุณสามารถปฏิบัติตามคำตอบใด ๆ ในรายการนี้ผ่านฟีด RSS 2.0 คุณสามารถตอบกลับได้ หรือ trackback จากเว็บไซต์ของคุณเอง อีกทางเลือกหนึ่งในการเคลื่อนที่โดยใช้โมเมนตัมแบบจุดต่อจุดคือการเคลื่อนที่โดยเฉลี่ยของโมเมนตัม 8230 ตัวอย่างเช่นถ้าคุณตรวจสอบโมเมนตัมโมเมนตัมทุกวัน it8217s มีเสียงดังมากการแก้ปัญหาหลักได้รับ , 8220don8217t ตรวจสอบรายวัน 8221 คือตรวจสอบรายเดือนหรือรายไตรมาสและรั้งการถือครองและการถ่วงดุล อย่างไรก็ตามคุณสามารถตรวจสอบได้ทุกวันและอาจปรับสมดุลทุกวันด้วยเสียงรบกวนน้อยกว่ามากถ้าใช้โมเมนตัมในระยะเวลา 12 เดือนคุณจะใช้ค่าเฉลี่ยเคลื่อนที่ 21 วันของโมเมนตัม 252 วัน นี่ยังเท่ากับ BTW ต่ออัตราส่วนของค่าเฉลี่ยเคลื่อนที่เฉลี่ย 21 วันในวันนี้ซึ่งอยู่ที่ 21 วันโดยค่าเฉลี่ยอยู่ที่ 21 วัน ข้อได้เปรียบของการใช้ค่าเฉลี่ยโมเมนตัมคือคุณมีการตอบสนองต่อการเปลี่ยนแปลงโมเมนตัมมากกว่าที่คุณทำหากคุณตรวจสอบจักรวาล oncemonth ของจักรวาลหรือครั้งเดียว แน่นอนว่าคุณสามารถใช้เทคนิค MA ได้มากขึ้นหากคุณมีเอกภพที่เล็กลงเพื่อใช้มันตั้งแต่ฉันใช้กลุ่ม ETFs เป็นจักรวาลของฉันทำงานได้ดีสำหรับฉัน เนื่องจากคุณกำลังทำงานอยู่ในจักรวาล 900 หุ้นและเปิดเผยการถือครองหลักทรัพย์ในรูปแบบกองทุนคุณอาจไม่สามารถใช้กับคุณ แต่ฉันคิดว่าน่าจะเป็นที่น่าสนใจ นี่ยังเท่ากับ BTW ต่ออัตราส่วนของค่าเฉลี่ยเคลื่อนที่ 21 วันของวันนี้ไปเป็นค่าเฉลี่ยเคลื่อนที่ 21 วันจาก 252 DAYS AGO 8211 EDIT John Lewis กล่าวว่าเรายังติดตามปัจจัยที่ใช้ค่าเฉลี่ยเคลื่อนที่ของการคำนวณโมเมนตัมหรือคะแนน เคล็ดลับเทคนิคเก่าของการใช้ MA ในการทำให้เสียงออกมานุ่มนวลทำงานได้ดีขึ้นเช่นเดียวกับราคาวัตถุดิบ ความถี่ของการถ่วงดุลมักกำหนดประเภทของรูปแบบที่คุณสามารถใช้ เราใช้กลยุทธ์ที่สามารถปรับการใช้งานได้เพียงครั้งละหนึ่งครั้งต่อไตรมาสและเราต้องใช้โมเดลที่แตกต่างกันสำหรับผู้ที่เราทำในกลยุทธ์ที่เราดูทุกวันหรือทุกสัปดาห์ ทั้งสองวิธีทำงานได้ถ้าใช้ปัจจัยที่เหมาะสมและเราพบว่าการเพิ่มความถี่ถ่วงดุลจะเพิ่มผลตอบแทนโดยอัตโนมัติ บางครั้งก็ใช้เวลาห่างจากการกลับมา ทั้งหมดขึ้นอยู่กับปัจจัยและวิธีที่คุณใช้งาน (อย่างน้อยในประสบการณ์ของฉัน) กับจักรวาลและพารามิเตอร์ I8217ve ทดสอบบนฉันไม่ได้สังเกตสิ่งที่ฉันจะโทร 8220statistically8221 ปรับปรุงผลตอบแทนเมื่อเปลี่ยนจาก rebals รายเดือนเพื่อย้ายเทคนิคเฉลี่ยที่อนุญาตให้ (อาจอย่างน้อย) rebals รายวัน สิ่งที่ I8217ve กล่าวไว้เป็นส่วนใหญ่ที่ I8217d เรียกใช้การเรียกคืนข้อมูลที่เทียบเท่าในข้อมูลของ backtest ฉันได้ตั้งข้อสังเกตโดยเฉพาะอย่างยิ่งว่าจำนวนเฉลี่ยของการซื้อขาย roundtrips ปีนี้มีเพียงเล็กน้อยเท่านั้นที่มีศักยภาพในการเปลี่ยนแปลงรายวันนั่นคือมี whipsaws แต่มีเพียงไม่กี่รายเท่านั้น สิ่งที่ฉันเองชอบเกี่ยวกับศักยภาพในการเปลี่ยนแปลงรายวันคือถ้าสมมุติฐานว่าปัญหา I8217m ในปัญหาและการเผาไหม้เทคนิค MA จะออกได้เร็วขึ้น (และแทนที่ด้วยการรักษาความปลอดภัยอื่น) เห็นได้ชัดว่า didn8217t เกิดขึ้นเพียงพอในช่วงเวลาของ backtests ที่จะขับรถแตกต่างกันอย่างมีนัยสำคัญในผล แต่จะให้ความสุขที่ดีในจิตใจของฉัน ฉันคิดว่าเมื่อ I8217m เกษียณและใช้งานโปรแกรมของฉันจากชายหาดบางแห่งที่ไหนสักแห่ง I8217ll ต้องการเพียง แต่ต้องตรวจสอบเป็นรายเดือนเท่านั้น That8217s ต่อมา สำหรับตอนนี้ในขณะที่ I8217m ในเครื่องคอมพิวเตอร์ต่อวันอาจใช้สแกนของฉัน Paul Montgomery กล่าวว่า 8220 ฉันจะไม่เผยแพร่ผลลัพธ์เหล่านี้ในบทความนี้ แต่ฉันสามารถบอกคุณได้ว่าปัจจัยด้านค่าเฉลี่ยเคลื่อนที่นี้อยู่ใกล้ด้านบนสุดของปัจจัยที่เราติดตามเสมอ และมีการหมุนเวียนที่เหมาะสมมากสำหรับผลตอบแทนที่จะสร้าง 82221 โพสต์ที่ยิ่งใหญ่ 8211 ชอบที่จะเห็นเพิ่มเติมเกี่ยวกับเรื่องนี้จอห์นที่น่าสนใจโพสต์แน่นอน 8211 ฉันได้รับการอ่านเอกสารจำนวนมากเกี่ยวกับเรื่องนี้และการวิจัยประสิทธิผลของ 8230 สิ่งหนึ่งที่ฉันไม่สามารถเข้าใจคือวิธีการมากองทุน เช่น AQR ที่เสนอรูปแบบของการลงทุนโมเมนตัมอื่นไม่ได้ไม่ดีดังนั้น ผลตอบแทนจากการผ่าตัดทรีทฟอเรสต์อยู่ที่ประมาณ 13 ปี แต่กองทุนจริงยังคงเป็นลบ สงสัยว่าการลงทุนแบบสดๆกับแนวคิดนี้จะส่งผลให้ใกล้เคียงกับจำนวนที่ทดสอบหรือไม่8230เนื้อหาในเว็บไซต์นี้มีไว้เพื่อจุดประสงค์ในการให้ข้อมูลเท่านั้นและไม่ถือเป็นการเสนอขายการชักชวนให้ซื้อหรือคำแนะนำหรือรับรองสำหรับการรักษาความปลอดภัยใด ๆ หรือ กลยุทธ์หรือไม่ก็เป็นข้อเสนอที่จะให้บริการที่ปรึกษาการลงทุนโดย Quantopian นอกจากนี้วัสดุยังไม่มีความเห็นเกี่ยวกับความเหมาะสมของหลักทรัพย์หรือการลงทุนใด ๆ Quantopian ไม่มีการรับประกันใด ๆ เกี่ยวกับความถูกต้องหรือความครบถ้วนสมบูรณ์ของข้อมูลในเว็บไซต์ มุมมองอาจมีการเปลี่ยนแปลงและอาจไม่น่าเชื่อถือด้วยเหตุผลหลายประการรวมถึงการเปลี่ยนแปลงสภาวะตลาดหรือสภาวะเศรษฐกิจ การลงทุนทั้งหมดเกี่ยวข้องกับความเสี่ยงรวมถึงการสูญเสียเงินต้น คุณควรปรึกษากับผู้เชี่ยวชาญด้านการลงทุนก่อนตัดสินใจลงทุน เนื้อหาในเว็บไซต์นี้มีไว้เพื่อจุดประสงค์ในการให้ข้อมูลเท่านั้นและไม่ถือเป็นข้อเสนอในการขายการชักชวนให้ซื้อหรือคำแนะนำหรือรับรองสำหรับความปลอดภัยหรือกลยุทธ์ใด ๆ หรือเป็นการเสนอให้บริการให้คำปรึกษาด้านการลงทุนโดย Quantopian นอกจากนี้วัสดุยังไม่มีความเห็นเกี่ยวกับความเหมาะสมของหลักทรัพย์หรือการลงทุนใด ๆ Quantopian ไม่มีการรับประกันใด ๆ เกี่ยวกับความถูกต้องหรือความครบถ้วนสมบูรณ์ของข้อมูลในเว็บไซต์ มุมมองอาจมีการเปลี่ยนแปลงและอาจไม่น่าเชื่อถือด้วยเหตุผลหลายประการรวมถึงการเปลี่ยนแปลงสภาวะตลาดหรือสภาวะเศรษฐกิจ การลงทุนทั้งหมดเกี่ยวข้องกับความเสี่ยงรวมถึงการสูญเสียเงินต้น คุณควรปรึกษากับผู้เชี่ยวชาญด้านการลงทุนก่อนตัดสินใจลงทุน ดีที่จะได้ยิน อัลโกกำลังดูน่าประทับใจมากในขณะนี้ คุณคิดว่าคุณให้ตัวอย่างสั้น ๆ เกี่ยวกับสิ่งที่ quotposition residualsquot ที่คุณอ้างถึงตอนนี้ผมอยากจะแนะนำให้น้ำหนักเป้าหมายที่จะใช้สำหรับการรักษาความปลอดภัยแต่ละครั้ง (เช่นทุก SPY เรียกเงื่อนไขจะถือ 30 ของผลงาน) แต่น. รู้สึกว่าคุณจะมีปัญหาเหมือนเดิม เนื้อหาในเว็บไซต์นี้มีไว้เพื่อจุดประสงค์ในการให้ข้อมูลเท่านั้นและไม่ถือเป็นข้อเสนอในการขายการชักชวนให้ซื้อหรือคำแนะนำหรือรับรองสำหรับความปลอดภัยหรือกลยุทธ์ใด ๆ หรือเป็นการเสนอให้บริการให้คำปรึกษาด้านการลงทุนโดย Quantopian นอกจากนี้วัสดุยังไม่มีความเห็นเกี่ยวกับความเหมาะสมของหลักทรัพย์หรือการลงทุนใด ๆ Quantopian ไม่มีการรับประกันใด ๆ เกี่ยวกับความถูกต้องหรือความครบถ้วนสมบูรณ์ของข้อมูลในเว็บไซต์ มุมมองอาจมีการเปลี่ยนแปลงและอาจไม่น่าเชื่อถือด้วยเหตุผลหลายประการรวมถึงการเปลี่ยนแปลงสภาวะตลาดหรือสภาวะเศรษฐกิจ การลงทุนทั้งหมดเกี่ยวข้องกับความเสี่ยงรวมถึงการสูญเสียเงินต้น คุณควรปรึกษากับมืออาชีพด้านการลงทุนก่อนที่จะทำการตัดสินใจลงทุนใด ๆ เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ใช้งานอยู่การวางค่าเฉลี่ยในช่วงเวลาตรงกลางทำให้ความรู้สึกในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ยของช่วงเวลา 3 ช่วงแรกและวางไว้ถัดจากช่วงเวลา 3. เราสามารถวางค่าเฉลี่ยในช่วงกลางของช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 ซึ่งทำงานได้ดีกับช่วงเวลาคี่ แต่ไม่ค่อยดีเท่าช่วงเวลาที่เท่ากัน เราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4 ในทางเทคนิคค่า Moving Average จะลดลงที่ 2.5, 3.5 เพื่อหลีกเลี่ยงปัญหานี้เราจะทำให้ MAs เรียบขึ้นโดยใช้ M 2. ดังนั้นเราจึงเรียบค่าที่ราบเรียบถ้าเราใช้ค่าเฉลี่ยของจำนวนที่เท่ากันเราจำเป็นต้องเรียบค่าที่เรียบขึ้นตารางต่อไปนี้แสดงผลลัพธ์โดยใช้ M 4