Średnia ważona ruchoma sap

Definicja W ważonym modelu średniej ruchomej (strategia prognozowania 14) każda wartość historyczna jest ważona z uwzględnieniem współczynnika z grupy wag w jednoznacznym profilu prognozy. Formuła ważonej średniej ruchomej Ważony średnia ruchoma modelu umożliwia ważenie najnowszych danych historycznych bardziej niż starszych danych podczas określania średniej. Robisz to, jeśli nowsze dane są bardziej reprezentatywne dla przyszłego zapotrzebowania niż dane starsze. Dzięki temu system może szybciej reagować na zmiany poziomu. Dokładność tego modelu zależy w dużej mierze od wyboru współczynników ważenia. Jeśli zmienia się schemat szeregów czasowych, należy również dostosować współczynniki ważenia. Podczas tworzenia grupy wagowej należy wprowadzić współczynniki ważenia jako wartości procentowe. Suma współczynników ważenia nie musi wynosić 100. Prognozę ex-post nie oblicza się za pomocą tej strategii prognostycznej. Wprowadzenie Średnia ruchoma jest prostą techniką wygładzania losowych danych. Najczęściej znajdujemy średnie ruchome analizujące ruch cen akcji, ale widzimy je także w innych obszarach analizy biznesowej i danych. Jest to pierwsza część serii dwóch artykułów. W tym artykule omówiono średnie kroczące i sposób ich obliczania. W drugiej części zajmiemy się tym, jak wdrożyć obliczenia średniej ruchomej w SAP BusinessObjects Web Intelligence. Jeśli już rozumiesz średnie ruchome, możesz przejść do drugiego artykułu na temat implementacji w Web Intelligence. Co to średnie ruchome Średnia ruchoma analizuje zestaw punktów danych, obliczając średnią dla mniejszego zbioru ostatnich punktów danych. Na przykład analizując cenę akcji powyżej roku, możemy wygenerować średnią ruchomą, która dla danego dnia jest średnią z ostatnich 15 dni. Poniższy rysunek ilustruje przykład prostej średniej kroczącej wygenerowanej za pomocą Google Finance. Ten wykres pokazuje cenę akcji Google8217 w ciągu ostatniego roku, a czerwona linia jest średnią kroczącą z 15-dniowym okresem. Rysunek 1. Wykres cen akcji Google'a za pomocą prostej średniej kroczącej Na powyższym przykładzie widać, że średnia krocząca (czerwona linia) wygładza zmienną cenę akcji. Cechą średniej ruchomej jest to, że pozostaje ona w tyle za pierwotną krzywą. Wynika to z tego, że w każdym punkcie danych zajmuje on średnio zbiór wcześniejszych punktów danych. Aby dowiedzieć się więcej na temat wykorzystania średnich kroczących w finansach, zobacz Średnie kroczące w StockCharts. Celem zastosowania średniej ruchomej jest zmniejszenie krótkoterminowych fluktuacji i uwypuklenie długoterminowych trendów. Istnieje kilka różnych typów średniej ruchomej, a poniżej zobaczymy, jak obliczyć najczęstsze przykłady. Następnie przyjrzymy się, jak wdrożyć te obliczenia w analizie sieciowej. Prosta średnia ruchoma Prosta średnia ruchoma (SMA), ponieważ nazwa it8217s sugeruje, że jest to najłatwiejsza średnia ruchoma do obliczenia. Dla każdego punktu danych obliczamy średnią z ustalonej liczby poprzednich punktów danych. Poniższa tabela przedstawia takie obliczenia, w których używamy SMA z okresu 3. Ponieważ nasz okres średniej ruchomej wynosi 3, nie obliczamy pierwszych dwóch punktów danych. Następnie dla każdego punktu danych obliczamy średnią z trzech ostatnich punktów danych, w tym bieżącego punktu danych. Ponieważ przy obliczaniu naszej średniej ostatnia wartość jest dodawana do sumy, a pierwsza wartość zanika, możemy uprościć nasze obliczenia do, gdzie SMA (poprzedni) jest wynikiem, który wcześniej obliczyliśmy, N jest wielkością średniej ruchomej zbioru danych, p1 jest pierwszą wartością w naszym zestawie, a pN jest ostatnią wartością zestawu. Wycofanie SMA polega na tym, że traktuje wszystkie poprzednie punkty danych w równym ułożeniu ruchomym, a zatem możemy stwierdzić, że starsze punkty danych mogą negatywnie wpływać na obliczenia. Aby rozwiązać ten problem, możemy wykorzystać ważone lub wykładnicze średnie kroczące. Ważona średnia ruchoma Ważona średnia ruchoma (WMA) stosuje wagi do punktów danych w zestawie średniej ruchomej, tak że nowsze punkty danych mają większe znaczenie dla ogólnego wyniku. Istnieje kilka sposobów na zastosowanie wag, a najprostszym jest użycie malejącego zestawu odważników, na przykład, jeśli mamy zestaw danych średniej ruchomej z 6 punktów danych, to nasze wagi wynoszą 6, 5, 4, 3, 1, 2, 1. Zastosowano najwcześniejsze dane z najnowszych danych. Nasze obliczenia są nieco bardziej złożone, a dla ruchomego zbioru danych średniej wielkości 6 jest, więc tutaj p6 jest naszą aktualną wartością i mnożymy to przez 6, następnie dodajemy 5-krotną wartość poprzednią, 4-krotną wartość przed tą i wkrótce. Następnie dzielimy to przez 6 (61) 2. Jest to obliczenie dla liczby trójkątnej, a Wikipedia zawiera wyjaśnienie, w jaki sposób się to odbywa. Poniższa tabela przedstawia obliczanie WMA okresu 3 dla tego samego zestawu danych, który wykorzystaliśmy w powyższym przykładzie SMA. Wykładnicza średnia ruchoma Wykładnicza średnia ruchoma (EMA) używa wykładniczo malejącego zestawu wag. W WMA powyżej nasze wagi zmniejszyły się liniowo, wykładniczo malejący zbiór wag szybko maleje, a potem się kończy. Jeśli wykonamy wykres tych wag, będzie wyglądać jak na rysunku 2 poniżej. Rysunek 2 Wykres malejącej masy wykładniczej EMA zapewnia większą wagę do ostatnich wartości niż WMA, a ponadto ma tę dodatkową zaletę, że łatwiej je obliczyć. Aby obliczyć EMA, przyjmujemy poprzednią wartość EMA i dodajemy różnicę między bieżącą wartością punktu danych a poprzednią wartością EMA pomnożoną przez stałą 8216alfa8217, Stała alfa reprezentuje skalę zmniejszania wagi i jest wartością z zakresu od 0 do 1. Zmiana tej wartości wartość zmienia stopień ogólnego wygładzania, gdy wartości bliskie zeru stosują wysoki stopień wygładzenia, a wartości bliższe 1 dają mniej. Poniższy rysunek wykorzystuje te same punkty danych, ale wyświetla EMA o wartości 0,7 i 0,1. Ryc. 3 Dwa wykresy wyświetlają te same dane źródłowe z wykładniczą średnią ruchomą przy użyciu różnych wartości alpha. W naszych obliczeniach stosujemy tylko EMA od trzeciego punktu danych dla pierwszego punktu danych, w którym zwyczajowo ustawia się wartość 0 lub brak wartości i dla drugiego punktu danych ustawiamy wartość równą wartości drugiego punktu danych. Poniższa tabela zawiera obliczenia EMA dla naszego przykładowego zestawu danych przy użyciu wartości alfa 0.4SAP Consulting Platinum Level SAP Consultants Przy średnim ponad 10-letnim doświadczeniu SAP i doświadczeniu zespołu projektowego, nasz zespół konsultantów Platinum Level SAP dołączy do zespół projektowy i zapewniają najlepsze w klasie usługi doradcze. Korzystając z ich wieloletniego doświadczenia i widząc to wszystko, pomogą ci w nawigacji Kontynuuj czytanie Zmagając się z ustaleniem, która metoda przewidywania SAP będzie używana. Wykryto skomplikowaną grę zgadywania. Muszę coś wyznać. Uczyłem planowania opartego na konsumpcji SAP w ramach mojej klasy zarządzania materiałami, której nauczałem przez ponad dekadę, a kiedy dostaję się do widoku Prognozy mistrza materiału, mówię moim uczniom, że muszą być statystykami, aby naprawdę zrozumieć wszystkie pola. W ciągu ostatniego tygodnia opracowywałem nową klasę dla klienta i musiałem w końcu ugryźć kulę i zanurzyć się głębiej w te mroczne pola. Teraz jestem inżynierem przemysłowym i operacyjnym z podziałem na stopnie i właściwie zdałem statystyki na studiach z solidnym A. Ale nigdy tak naprawdę nie stosowałem tych koncepcji w realnym świecie. Mój profesor zwrócił naszą uwagę, odnosząc wszystkie statystyki stosowane w metodach prognozowania do hazardu, ale przy jego zastosowaniu. Gdybym pojechał do Vegas i zastosował to, czego się dowiedziałem, być może nie piszę tego bloga, pewnie bym się relaksował plaża gdzieś. Ale teraz muszę zastosować te koncepcje do prognozowania zapasów. W tej serii artykułów zdefiniuję kluczowe pola w widoku Prognozowanie głównego materiału, a następnie podam przykład każdego modelu prognozy. W widoku prognozy głównych materiałów znajduje się pole o nazwie Model prognozy, patrz poniżej: Opcje modelu prognozy są widoczne na poniższym zrzucie ekranu: każdego dnia w tym tygodniu opublikuję inny blog na temat różnych modeli z przykładami z prawdziwego świata, kiedy używać ich. Zanim przejdę do modeli, najpierw zagłębij się w tego typu Prognozy planowania i kiedy z niego skorzystasz. Jeśli więc zdecydujesz się użyć VV, pamiętaj, że jeśli popyt wzrośnie, nie będzie w stanie zareagować na ten impuls, który będzie nadal planował na podstawie prognozy. VV zapewnia bardzo preferowaną automatyzację, gdy pozwalasz SAP generować prognozę na podstawie zużycia historycznego, ale musisz użyć dostarczonych narzędzi, aby sprawdzić, jak dokładne były twoje prognozy. Patrząc na sumę błędów na wyniki prognozy, można określić, jak różna jest prognoza od zużycia historycznego. Jest on obliczany przez odjęcie poprzednich wartości prognozy od tego, co zostało zużyte. Duża suma błędów powinna wskazywać, że nie wybrano prawidłowego modelu prognozy. Na ekranie wyników prognozy widnieje również średnie bezwzględne odchylenie (MAD). Zapewnia miarę tego, ile rzeczywiste zużycie odbiega od prognozy. W powyższym slajdzie możesz zobaczyć obliczenia MAD. Poświęć chwilę i rozważ pytanie dotyczące wyzwania. Gotowy na odpowiedź Im mniejsza MAD, tym lepsza jest prognoza, im mniejsze średnie odchylenie, tym lepiej. Mam nadzieję, że masz rację Następnym polem, które omówię, jest limit śledzenia, pokazany na zrzucie ekranu poniżej: Sygnał śledzący jest obliczany poprzez podzielenie wartości prognozy (FS) dla okresu przez MAD. Gdy limit śledzenia przekracza sygnał śledzenia, wywoływany jest komunikat wyjątku. Możliwe, że system automatycznie użyje nowego wyboru modelu, gdy tak się stanie. W następnych artykułach na blogu przedstawię szczegółowe przykłady następujących metod prognozowania: Stały model stały z wygładzaniem Model Trend Model sezonowy model Sezonowy trend Model ruchomy średni Model ważony ruchomy Średnia model Automatyczny dobór modeli Zamieszczę też inny artykuł na temat konfiguracji prognozowania Następujące: Grupy ważące dla ważonej średniej kroczącej Definiuj dzielenie wymagań prognozy dla MRP Udostępnij: Napisane przez Jocelyn Hayes Założyciel Platinum ERP, Jocelyn uosabia umiejętności i doświadczenie Platinum SAP Consultant and Trainer. Przez ostatnie 15 lat przekazywała swoją szeroką wiedzę SAP klientom SAP poprzez tradycyjne szkolenia, e-learning, wirtualne warsztaty, przemawianie na konferencjach, indywidualne coaching i konsultacje. Jocelyn ma również certyfikat ułatwiający organizowanie gier ERPsim SAP Simulation na całym świecie i zdecydowanie uważa, że ​​gra powinna być pierwszym krokiem na ścieżce uczenia się użytkowników SAP. Jocelyn zdecydowała się na uruchomienie Platinum ERP w celu przejścia i dzielenia się swoimi technikami z innymi konsultantami na poziomie Platinum i stworzenia światowej klasy firmy SAP Knowledge. Jocelyn można znaleźć na Jocelyn. HayesPlatinumERP. Introduction W poprzednim artykule przyjrzano się średnie ruchomości i sposób ich obliczania. W tym artykule przyjrzymy się teraz, jak wdrożyć je w Web Intelligence. Użyta tutaj formuła jest zgodna z wersją XIr3 SAP BOE, jednak niektóre formuły mogą działać w poprzednich wersjach, jeśli są dostępne. Zacznijmy od tego, jak obliczyć prostą średnią ruchomą przed obejrzeniem formularzy ważonych i wykładniczych. Przykładowe przykłady Poniższe przykłady wykorzystują ten sam zestaw danych, który jest danymi o cenach akcji w pliku Excel, który można pobrać. Pierwszą kolumną w pliku jest dzień ceny akcji, a następnie kolumny ceny otwarcia, najwyższa cena w danym dniu, najniższa cena, cena zamknięcia, wolumen i skorygowana cena zamknięcia. We8217ll wykorzysta cenę zamknięcia w poniższej analizie wraz z obiektem Date. Prosta średnia ruchoma Istnieje kilka sposobów obliczania prostych średnich kroczących. Jedną z opcji jest użycie funkcji Poprzedni w celu uzyskania wartości poprzedniego wiersza. Na przykład poniższa formuła oblicza średnią ruchomą z naszej końcowej ceny akcji dla średniej ruchomej zestawu danych o rozmiarze 3, Jest to dość prosta formuła, ale oczywiste jest, że nie jest to praktyczne, gdy mamy dużą liczbę okresów, w których możemy dokonać użycie formuły RunningSum i zestawu danych o rozmiarze N mamy W końcu mamy trzecią technikę, która chociaż jest bardziej skomplikowana, może mieć lepszą wydajność, ponieważ oblicza nową wartość na podstawie poprzedniej wartości, zamiast dwóch działających sum na pełnych danych zestaw. Ta formuła działa jednak dopiero po N-tym punkcie w całym zestawie danych, a ponieważ odnosi się do poprzedniej wartości, musimy również ustawić wartość początkową. Poniżej znajduje się pełna formuła stosowana w naszej analizie cen akcji, w której średnia krocząca wynosi 15 dni. Data 1252017 to 15 punkt danych w naszym zestawie danych, więc dla tego punktu obliczamy normalną średnią z wykorzystaniem RunningSum. Dla wszystkich dat poza tą wartością stosujemy naszą formułę SMA i pozostawiamy puste wszystkie daty przed tą datą. Ryc. 1 poniżej przedstawia wykres w Web Intelligence wyświetlający nasze dane o cenach akcji za pomocą prostej średniej ruchomej. Rysunek 1. Dokument Web Intelligence wyświetlający średnią ruchomą średnią ważoną ruchomą Ważoną średnią ruchomą z okresem 3 jest taka, jak w przypadku naszej pierwszej prostej formuły średniej ruchomej powyżej, jest to praktyczne tylko dla małej liczby okresów. Nie udało mi się jeszcze znaleźć prostej formuły, która mogłaby zostać zastosowana dla większych średnich kroczących okresów. Matematyczne to jest możliwe, ale ograniczenia dzięki Web Intelligence oznaczają, że te wzory nie konwertują. Jeśli ktokolwiek jest w stanie to zrobić, chciałbym usłyszeć Poniższy rysunek jest WMA z okresu 6 wdrożonego w Web Intelligence. Rysunek 2. Dokument Web Intelligence ważonej średniej ruchomej wykładniczej Średnia ruchoma wykładnicza jest dość prosta do wdrożenia w Web Intelligence i dlatego jest odpowiednią alternatywą dla ważonej średniej ruchomej. Podstawowa formuła jest tutaj We8217ve zakodowana 0.3 jako nasza wartość alfa. Stosujemy tę formułę tylko dla okresów większych niż nasz drugi okres, więc możemy użyć instrukcji if, aby je odfiltrować. Dla naszego pierwszego i drugiego okresu możemy użyć poprzedniej wartości, a więc naszą ostateczną formułą dla EMA jest: Poniżej znajduje się przykład EMA stosowanego do naszych danych giełdowych. Rysunek 3. Dokument Web Intelligence wyświetla średnią ewolucyjną ruchy wejściowe Ponieważ nasza formuła EMA nie opiera się na wielkości okresu średniej ruchomej, a naszą jedyną zmienną jest alfa, możemy użyć Kontroli wejściowej, aby umożliwić użytkownikowi dostosowanie wartości alfa. Aby to zrobić, utwórz nową zmienną o nazwie 8216alpha8217 i zdefiniuj jej formułę8282, Uaktualnij naszą formułę EMA, Utwórz nowy kontrolkę wprowadzania, wybierając naszą zmienną alfa jako obiekt raportu kontroli wejścia Użyj prostego suwaka i ustaw następujące właściwości, Po zakończeniu powinien być w stanie przesunąć suwak i natychmiast zobaczyć zmiany w linii trendu na wykresie Wnioski Przyjrzeliśmy się, w jaki sposób wprowadzić trzy typy średniej ruchomej w analizie Web Intelligence i chociaż wszystkie były możliwe, Exponential Moving Average jest prawdopodobnie najłatwiejszą i najbardziej elastyczną . Mam nadzieję, że ten artykuł był dla Ciebie interesujący i jak zawsze wszelkie opinie są mile widziane. Nawigacja po poście Pozostaw odpowiedź Anuluj odpowiedź Musisz być zalogowany, aby dodać komentarz. Podstęp do ważonej średniej ruchomej (WMA) polega na tym, że musisz utworzyć zmienną, która reprezentuje liczniki WMA (patrz Wikipedia dla odniesienia). Powinno to wyglądać następująco: Poprzednie (Self) (n Zamknij) 8211 (Poprzednie (RunningSum ( Close)) 8211 Previous (RunningSum (Close) n1) gdzie n jest liczbą kropek, a wtedy aktualna formuła WMA8217s byłaby następująca: Numerator (n (n 1) 2) gdzie Numerator jest zmienną, którą wcześniej utworzyłeś.