Bandingkan Moving Average And Exponential Smoothing

Peramalan dengan Teknik Smoothing. Situs ini adalah bagian dari objek pembelajaran JavaScript E-lab untuk pengambilan keputusan JavaScript lain dalam seri ini dikategorikan di bawah area aplikasi yang berbeda di bagian MENU pada halaman ini. Seri waktu adalah urutan pengamatan yang Diperintahkan dalam waktu Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak Ada metode untuk mengurangi pembatalan efek karena variasi acak Teknik yang banyak digunakan adalah merapikan Teknik ini, jika diterapkan dengan benar, mengungkapkan secara lebih jelas tren yang mendasarinya. Masukkan deret waktu Row-wise secara berurutan, mulai dari sudut kiri atas, dan parameter s, lalu klik tombol Hitung untuk mendapatkan peramalan satu periode di depan. Blank tidak termasuk dalam perhitungan tapi angka nol. Dalam memasukkan data Anda untuk berpindah dari sel ke sel di matriks data gunakan tombol Tab bukan panah atau masukkan kunci. Fitur seri waktu, yang mungkin terungkap oleh examini. Ng grafiknya dengan nilai perkiraan, dan perilaku residu, pemodelan peramalan kondisi. Rata-rata Bergerak Rata-rata bergerak rata-rata di antara teknik yang paling populer untuk preprocessing deret waktu Mereka digunakan untuk menyaring suara putih acak dari data, untuk membuat rangkaian waktu Lebih halus atau bahkan untuk menekankan komponen informasi tertentu yang terdapat dalam deret waktu. Pemulusan Eksperimen Ini adalah skema yang sangat populer untuk menghasilkan Seri Sisa yang merapikan Sedangkan pada Moving Averages, pengamatan terakhir tertimbang secara merata, Exponential Smoothing memberikan bobot yang menurun secara eksponensial saat observasi semakin tua. Dengan kata lain, observasi terakhir diberi bobot yang relatif lebih tinggi dalam peramalan daripada pengamatan yang lebih tua. Pemulusan Eksponensial Ganda lebih baik dalam menangani tren Triple Exponential Smoothing lebih baik dalam menangani tren parabola. Rata-rata bergerak tertimbang secara eksponensial dengan konstanta pemulusan yang sesuai kira-kira secara sederhana. Rata rata bergerak yaitu Periode n, di mana a dan n berhubungan dengan. a 2 n 1 ATAU n 2 - a. Jadi, misalnya, rata-rata bergerak tertimbang secara eksponensial dengan konstanta pemulusan sama dengan 0 1 akan sesuai kira-kira dengan rata-rata pergerakan 19 hari Rata bergerak sederhana 40 hari akan sesuai kira-kira dengan rata-rata bergerak tertimbang eksponensial dengan konstanta pemulusan sama dengan 0 04878. Holt s Linear Exponential Smoothing Misalkan rangkaian waktu tidak musiman namun menunjukkan kecenderungan metode Holt memperkirakan arus Level dan tren saat ini. Tidak penting bahwa rata-rata pergerakan sederhana adalah kasus khusus dari perataan eksponensial dengan menetapkan periode rata-rata bergerak ke bagian integer 2 Alpha Alpha. Untuk sebagian besar data bisnis, parameter Alpha lebih kecil dari 0 40 Efektif Namun, seseorang dapat melakukan pencarian grid dari ruang parameter, dengan 0 1 sampai 0 9, dengan penambahan 0 1 Kemudian alfa terbaik memiliki Kesalahan Mutlak Mutlak Kesalahan MA yang terkecil. Bagaimana membandingkan beberapa metode pemulusan Meskipun ada Adalah indikator numerik untuk menilai keakuratan teknik peramalan, pendekatan yang paling banyak digunakan adalah dengan menggunakan perbandingan visual beberapa prakiraan untuk menilai keakuratannya dan memilih di antara berbagai metode peramalan. Dalam pendekatan ini, seseorang harus menggunakan plot, misalnya Excel pada grafik yang sama. Nilai asli dari variabel deret waktu dan perkiraan nilai dari beberapa metode peramalan yang berbeda, sehingga memudahkan perbandingan visual. Anda mungkin suka menggunakan Prakiraan Masa Lalu oleh Teknik Smoothing JavaScript untuk mendapatkan perkiraan perkiraan masa lalu berdasarkan teknik pemulusan yang hanya menggunakan parameter tunggal. Metode Holt, dan Winters masing-masing menggunakan dua dan tiga parameter, oleh karena itu bukanlah tugas yang mudah untuk memilih nilai optimal, atau mendekati nilai optimal dengan trial and error untuk parameter. Perataan eksponensial tunggal menekankan perspektif jarak pendek Menetapkan tingkat pengamatan terakhir dan didasarkan pada kondisi bahwa tidak ada kecenderungan regresi linier Ion, yang sesuai dengan garis kuadrat terkecil pada data historis atau data historis yang ditransformasikan, mewakili rentang panjang, yang dikondisikan pada tren dasar Pemulusan eksponensial linier Holt menangkap informasi tentang tren terkini Parameter dalam model Holt adalah parameter tingkat Harus dikurangi bila jumlah variasi data besar, dan parameter tren harus ditingkatkan jika arah tren terkini didukung oleh beberapa faktor penyebabnya. Peramalan Perkiraan Waktu bahwa setiap JavaScript di halaman ini memberikan satu langkah lebih maju. Perkiraan Untuk mendapatkan perkiraan dua langkah di depan cukup tambahkan nilai yang diperkirakan ke data rangkaian waktu akhir Anda lalu klik tombol Hitung yang sama Anda mungkin mengulangi proses ini beberapa kali untuk mendapatkan perkiraan jangka pendek yang dibutuhkan..Exonsential Smoothing Dijelaskan. Hak Cipta Konten dilindungi hak cipta dan tidak tersedia untuk republikasi. Ketika orang pertama kali menemukan istilah Exponential Smoothing, mereka mungkin berpikir Topi terdengar seperti neraka yang banyak merapikan apa pun penghalusannya. Mereka kemudian mulai membayangkan perhitungan matematika yang rumit yang mungkin memerlukan gelar matematika untuk memahami, dan berharap ada fungsi Excel bawaan yang tersedia jika mereka perlu melakukannya. Realitas pemulusan eksponensial jauh kurang dramatis dan jauh lebih traumatis. Kebenarannya adalah, pemulusan eksponensial adalah perhitungan yang sangat sederhana yang menyelesaikan tugas yang agak sederhana. Ini hanya memiliki nama yang rumit karena secara teknis hal tersebut terjadi sebagai hasil dari perhitungan sederhana ini sebenarnya. Sedikit rumit. Untuk memahami pemulusan eksponensial, ada baiknya memulai dengan konsep umum perataan dan beberapa metode umum lainnya yang digunakan untuk mencapai smoothing. Apa itu smoothing. Perputaran adalah proses statistik yang sangat umum. Sebenarnya, kita sering melihat data yang merapikan. Dalam berbagai bentuk dalam kehidupan sehari-hari Setiap kali Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda menggunakan nomor yang merapikan Jika Anda berpikir Tentang mengapa Anda menggunakan rata-rata untuk mendeskripsikan sesuatu, Anda akan dengan cepat memahami konsep perataan. Misalnya, kita baru saja mengalami musim dingin terpanas dalam catatan Bagaimana kita dapat mengukurnya. Kita mulai dengan dataset suhu tinggi dan rendah harian untuk Periode yang kita sebut Musim Dingin untuk setiap tahun dalam sejarah yang tercatat Tapi itu membuat kita dengan seikat angka yang melonjak sedikit sehingga tidak seperti setiap hari musim dingin ini lebih hangat daripada hari-hari yang sama dari tahun-tahun sebelumnya. Kita memerlukan nomor yang menghilangkan semua Ini melompat-lompat dari data sehingga kita bisa lebih mudah membandingkan satu musim dingin ke musim berikutnya Melepaskan lompatan di sekitar data disebut smoothing, dan dalam kasus ini kita bisa menggunakan rata-rata sederhana untuk mencapai smoothing. Dalam peramalan permintaan, kita menggunakan Merapikan untuk menghapus variasi acak kebisingan dari permintaan historis kita Hal ini memungkinkan kita untuk lebih mengidentifikasi pola permintaan terutama tingkat tren dan musiman dan permintaan yang dapat digunakan untuk memperkirakan masa depan Ketidakmampuan dalam permintaan adalah konsep yang sama seperti data melompat-lompat setiap hari dari data suhu Tidak mengherankan, cara yang paling umum orang menghilangkan kebisingan dari riwayat permintaan adalah dengan menggunakan rata-rata sederhana atau lebih spesifik lagi, rata-rata bergerak Rata-rata bergerak hanya menggunakan Jumlah periode yang telah ditentukan untuk menghitung rata-rata, dan periode tersebut bergerak seiring berjalannya waktu. Misalnya, jika saya menggunakan rata-rata pergerakan 4 bulan, dan hari ini tanggal 1 Mei, saya menggunakan rata-rata permintaan yang terjadi pada bulan Januari, Februari, Maret, dan April Pada tanggal 1 Juni, saya akan menggunakan permintaan dari rata-rata pergerakan Pebruari, Maret, April, dan May Weighted. Bila menggunakan rata-rata, kami menerapkan bobot kepentingan yang sama untuk setiap nilai dalam dataset. Dalam pergerakan 4 bulan Rata-rata, setiap bulan mewakili 25 dari rata-rata bergerak Bila menggunakan sejarah permintaan untuk memproyeksikan permintaan masa depan dan terutama tren di masa depan, masuk akal jika sampai pada kesimpulan bahwa Anda ingin sejarah yang lebih baru memiliki dampak lebih besar pada perkiraan Anda Kita dapat Adaptasi perhitungan rata-rata bergerak kami untuk menerapkan berbagai bobot ke setiap periode untuk mendapatkan hasil yang diinginkan Kami menyatakan bobot ini sebagai persentase, dan total semua bobot untuk semua periode harus bertambah hingga 100 Oleh karena itu, jika kami memutuskan bahwa kami ingin menerapkan 35 sebagai Berat untuk periode terdekat dengan rata-rata pergerakan tertimbang 4 bulan kami, kita dapat mengurangi 35 dari 100 untuk menemukan bahwa kita memiliki sisa 65 untuk membagi selama 3 periode lainnya. Misalnya, kita dapat berakhir dengan bobot 15, 20, 30 , Dan 35 masing-masing untuk 4 bulan 15 20 30 35 100.Ekspektif pemulusan. Jika kita kembali ke konsep penerapan bobot sampai periode terakhir seperti 35 pada contoh sebelumnya dan menyebarkan bobot yang tersisa dihitung dengan mengurangkan yang paling banyak. Berat periode terakhir 35 dari 100 sampai 65, kita memiliki blok bangunan dasar untuk penghitungan eksponensial eksponensial Input pengendali perhitungan smoothing eksponensial dikenal sebagai faktor pemulusan yang juga disebut konstanta pemulusan. Secara langsung mewakili pembobotan yang diterapkan pada permintaan periode terakhir Jadi, di mana kita menggunakan 35 sebagai pembobotan untuk periode terbaru dalam perhitungan rata-rata bergerak tertimbang, kita juga dapat memilih untuk menggunakan 35 sebagai faktor penghalusan dalam perhitungan perataan eksponensial kita ke Mendapatkan efek yang sama Perbedaan dengan perhitungan smoothing eksponensial adalah bahwa alih-alih kita harus juga mengetahui berapa banyak bobot yang harus diterapkan pada setiap periode sebelumnya, faktor pemulusan digunakan untuk secara otomatis melakukan itu. Jadi, inilah bagian eksponensial Jika kita menggunakan 35 sebagai faktor penghalusan, bobot periode permintaan terakhir akan menjadi 35 Pembobotan periode paling akhir yang terakhir yang diminta periode sebelum yang paling baru akan 65 dari 35 65 berasal dari pengurangan 35 dari 100 Ini sama dengan 22 75 pembobotan untuk periode itu jika Anda melakukan perhitungan matematika. Permintaan periode paling akhir berikutnya adalah 65 dari 65 dari 35, yang setara dengan 14 79 Periode sebelum itu akan tertimbang 65 dari 65 dari 6 5 dari 35, yang setara dengan 9 61, dan seterusnya Dan ini berlanjut kembali melalui semua periode sebelumnya sebelum kembali ke awal waktu atau titik di mana Anda mulai menggunakan pemulusan eksponensial untuk item tertentu. Anda mungkin kembali Berpikir bahwa itu tampak seperti keseluruhan matematika Tapi keindahan perhitungan smoothing eksponensial adalah bahwa daripada harus menghitung ulang terhadap setiap periode sebelumnya setiap kali Anda mendapatkan permintaan periode baru, Anda cukup menggunakan output perhitungan penghalusan eksponensial dari Periode sebelumnya untuk mewakili semua periode sebelumnya. Apakah Anda bingung? Ini akan lebih masuk akal saat kita melihat perhitungan sebenarnya. Biasanya, kita mengacu pada keluaran penghitungan eksponensial penghitungan sebagai perkiraan periode berikutnya. Kenyataannya, perkiraan akhir memerlukan sebuah Sedikit lebih banyak pekerjaan, tapi untuk keperluan perhitungan spesifik ini, kami akan menyebutnya sebagai perkiraan. Perhitungan eksponensial smoothing adalah sebagai berikut. Periode terakhir s Permintaan dikalikan dengan faktor pemulusan PLUS Perkiraan periode terbaru dikalikan dengan satu minus faktor pemulusan. Periode terakhir permintaan S faktor pemulusan diwakili dalam bentuk desimal sehingga 35 akan ditunjukkan sebagai 0 35 F perkiraan periode terbaru Output dari penghitungan smoothing dari periode sebelumnya. Dengan mengasumsikan faktor pemulusan 0 35. Ini tidak menjadi jauh lebih sederhana daripada itu. Seperti yang dapat Anda lihat, semua yang kita butuhkan untuk input data di sini adalah permintaan periode terbaru dan Perkiraan periode terbaru Kami menerapkan pembobotan faktor pemulusan ke permintaan periode terbaru dengan cara yang sama seperti dalam perhitungan rata-rata bergerak tertimbang Kami kemudian menerapkan bobot yang tersisa 1 dikurangi faktor pemulusan ke perkiraan periode terbaru. Perkiraan periode terbaru dibuat berdasarkan permintaan periode sebelumnya dan perkiraan periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya dan perkiraan untuk peri Sebelumnya, yang didasarkan pada permintaan untuk periode sebelum itu dan perkiraan untuk periode sebelumnya, yang didasarkan pada periode sebelumnya. Namun, Anda dapat melihat bagaimana semua permintaan periode sebelumnya terwakili dalam perhitungan tanpa Benar-benar akan kembali dan menghitung ulang apapun. Dan itulah yang mendorong popularitas awal pemulusan eksponensial. Itu karena pekerjaan smoothing lebih baik daripada rata-rata pergerakan tertimbang, itu karena lebih mudah untuk menghitung dalam program komputer Dan, karena Anda Tidak perlu memikirkan berapa bobot yang harus diberikan pada periode sebelumnya atau berapa periode sebelumnya yang digunakan, seperti yang akan Anda lakukan dengan rata-rata bergerak tertimbang. Dan karena itu terdengar lebih dingin daripada rata-rata pergerakan tertimbang. Sebenarnya, dapat dikatakan bahwa rata-rata bergerak tertimbang Memberikan fleksibilitas yang lebih besar karena Anda memiliki kontrol lebih terhadap pembobotan periode sebelumnya Kenyataannya adalah salah satu dari ini dapat memberikan hasil yang terhormat, jadi mengapa tidak pergi dengan soun yang lebih mudah dan lebih dingin. Ding. Exponential Smoothing di Excel. Let s melihat bagaimana ini benar-benar akan terlihat dalam spreadsheet dengan data nyata. Konten Hak Cipta dilindungi dilindungi hak cipta dan tidak tersedia untuk republikasi. Pada Gambar 1A, kita memiliki spreadsheet Excel dengan permintaan selama 11 minggu. , Dan ramalan yang dihaluskan secara eksponensial dihitung dari permintaan itu saya telah menggunakan faktor pemulusan 25 0 25 di sel C1 Sel aktif saat ini adalah Cell M4 yang berisi ramalan untuk minggu 12 Anda dapat melihat di formula bar, rumusnya adalah L3 C1 L4 1- C1 Jadi satu-satunya masukan langsung untuk perhitungan ini adalah permintaan L3 sel sebelumnya, perkiraan sel sebelumnya Cell L4, dan faktor pemulusan Cell C1, yang ditunjukkan sebagai referensi sel absolut C1. Ketika kita memulai perhitungan penghalusan eksponensial , Kita perlu secara manual memasukkan nilai untuk perkiraan 1 Jadi di Cell B4, daripada formula, kita hanya mengetik permintaan dari periode yang sama seperti perkiraan In Cell C4 kita memiliki perhitungan smoothing eksponensial 1 B3 C1 B4 1- C1 Kita kemudian dapat menyalin Cell C4 dan menempelkannya ke Sel D4 sampai M4 untuk mengisi sisa sel perkiraan kami. Anda sekarang dapat mengklik dua kali pada sel perkiraan mana pun untuk melihatnya berdasarkan perkiraan ramalan periode sebelumnya dan periode sebelumnya Demand cell Jadi setiap perhitungan smoothing eksponensial selanjutnya mewarisi output dari perhitungan smoothing eksponensial sebelumnya. Begitulah, bagaimana setiap permintaan periode sebelumnya terwakili dalam perhitungan periode terakhir walaupun perhitungan tersebut tidak secara langsung merujuk pada periode sebelumnya. Jika Anda ingin mendapatkan Anda bisa menggunakan fungsi preseden Excel untuk melakukan ini, klik pada Cell M4, lalu pada bar alat pita Excel 2007 atau 2010 klik tab Rumus, lalu klik Trace Preseden Ini akan menarik garis konektor ke tingkat pertama preseden, Tetapi jika Anda terus mengeklik Trace Preseden, itu akan menarik garis konektor ke semua periode sebelumnya untuk menunjukkan kepada Anda hubungan yang diwarisinya. Sekarang, mari lihat apa yang dilakukan pemulusan eksponensial untuk kami. Gambar 1B Menunjukkan diagram garis permintaan dan perkiraan kasus Anda melihat bagaimana perkiraan yang merata secara eksponensial menghilangkan sebagian besar jaggedness yang melompat dari permintaan mingguan, namun tetap berhasil mengikuti apa yang tampaknya merupakan tren permintaan yang meningkat Anda juga akan memperhatikan bahwa Merapikan garis ramalan cenderung lebih rendah dari garis permintaan Ini dikenal sebagai trend lag dan merupakan efek samping dari proses smoothing Setiap saat Anda menggunakan smoothing saat tren hadir, ramalan Anda akan tertinggal dari tren. Hal ini berlaku untuk teknik perataan apapun. Sebenarnya, jika kami melanjutkan spreadsheet ini dan mulai memasukkan jumlah permintaan yang lebih rendah, membuat tren turun Anda akan melihat garis permintaan turun, dan garis tren bergerak di atasnya sebelum mulai mengikuti tren turun. Itulah sebabnya saya sebelumnya menyebutkan bahwa Output dari perhitungan smoothing eksponensial yang kita sebut ramalan, masih membutuhkan kerja lebih banyak Ada lebih banyak peramalan daripada hanya merapikan benjolan yang diminati Kita perlu Lakukan penyesuaian tambahan untuk hal-hal seperti tren lag, seasonality, event yang diketahui yang mungkin mempengaruhi permintaan, dll. Tapi semua itu berada di luar cakupan artikel ini. Anda mungkin juga akan mengalami istilah seperti perataan eksponensial ganda dan eksponensial tiga eksponensial. Syarat-syarat ini adalah Sedikit menyesatkan karena Anda tidak merapikan kembali permintaan beberapa kali jika Anda mau, tapi bukan itu intinya di sini Istilah ini mewakili penggunaan smoothing eksponensial pada elemen tambahan ramalan Jadi dengan perataan eksponensial sederhana, Anda merapikan alasnya. Permintaan, tapi dengan pemulusan eksponensial ganda Anda merapikan permintaan dasar ditambah trennya, dan dengan pemulusan tiga eksponensial, Anda merapikan permintaan dasar ditambah tren dan musiman. Pertanyaan paling sering diajukan lainnya tentang eksponensial adalah di mana saya Dapatkan faktor pemulusan saya Tidak ada jawaban ajaib di sini, Anda perlu menguji berbagai faktor penghalusan dengan data permintaan Anda untuk melihat apa yang membuat Anda mendapatkan resu terbaik. Ada beberapa perhitungan yang dapat mengatur dan mengubah faktor penghalusan secara otomatis. Ini termasuk dalam istilah perataan adaptif, namun Anda harus berhati-hati dengan mereka. Tidak ada jawaban yang sempurna dan Anda seharusnya tidak secara membabi buta menerapkan perhitungan tanpa pengujian menyeluruh dan pengembangan menyeluruh. Pemahaman tentang apa perhitungan itu Anda juga harus menjalankan apa-jika skenario untuk melihat bagaimana perhitungan ini bereaksi terhadap permintaan perubahan yang mungkin tidak ada saat ini dalam data permintaan yang Anda gunakan untuk pengujian. Contoh data yang saya gunakan sebelumnya adalah contoh yang sangat bagus dari Situasi di mana Anda benar-benar perlu menguji beberapa skenario lain Contoh data tertentu menunjukkan tren kenaikan yang agak konsisten Banyak perusahaan besar dengan perangkat lunak peramalan yang sangat mahal mendapat masalah besar di masa lalu yang tidak begitu jauh ketika pengaturan perangkat lunak mereka yang di-tweak untuk Perekonomian yang berkembang tidak akan membaik saat ekonomi mulai stagnan atau menyusut Hal seperti ini terjadi saat Anda tidak berada di bawahnya Apa yang sebenarnya dilakukan perangkat lunak perhitungan Anda Jika mereka memahami sistem peramalan mereka, mereka pasti tahu bahwa mereka perlu terjun dan mengubah sesuatu saat terjadi perubahan dramatis mendadak pada bisnis mereka. Jadi, begitulah dasar-dasar pemulusan eksponensial. Tahu lebih banyak tentang penggunaan perataan eksponensial dalam perkiraan yang sebenarnya, lihat buku saya Inventory Management Explained. Copyright Content on dilindungi hak cipta dan tidak tersedia untuk republik. Dave Piasecki adalah operator pemilik Inventory Operations Consulting LLC sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan Manajemen persediaan, penanganan material, dan operasi gudang Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya, di mana dia mengelola informasi tambahan yang relevan. Bisnis Saya. Rata-Rata Rata-Rata - Rata-rata dan Eksponensial. Rata-rata Rata-rata dan Eksponensial. Moving averages memperlancar data harga untuk membentuk tren mengikuti indikator Mereka tidak memprediksi arah harga, melainkan menentukan arah saat ini dengan lag Moving averages lag karena mereka didasarkan pada harga masa lalu. Meskipun terjadi lag, moving averages membantu tindakan harga yang lancar dan menyaring noise. Mereka juga membentuk blok bangunan untuk banyak lainnya. Indikator teknis dan lapisan, seperti Bollinger Bands MACD dan McClellan Oscillator Dua tipe moving average yang paling populer adalah Simple Moving Average SMA dan Exponential Moving Average EMA Rata-rata pergerakan ini dapat digunakan untuk mengidentifikasi arah tren atau menentukan potensi. Level support dan resistance. Berikut grafiknya dengan sebuah SMA dan sebuah EMA di atasnya. Klik grafik untuk versi live. Simple Moving Average Calculation. Rata-rata pergerakan sederhana terbentuk dengan menghitung harga rata-rata keamanan dengan jumlah tertentu dari Periode Rata-rata bergerak paling didasarkan pada harga penutupan Rata-rata pergerakan sederhana 5 hari adalah jumlah lima hari harga penutupan dibagi lima seperti yang disiratkan namanya, Rata bergerak adalah rata-rata yang bergerak Data lama dijatuhkan saat data baru tersedia. Hal ini menyebabkan rata-rata bergerak sepanjang skala waktu Berikut adalah contoh rata-rata pergerakan 5 hari yang berkembang selama tiga hari. Hari pertama rata-rata bergerak Hanya mencakup lima hari terakhir Hari kedua dari rata-rata bergerak menurunkan titik data pertama 11 dan menambahkan titik data baru 16 Hari ketiga dari rata-rata bergerak berlanjut dengan menjatuhkan titik data pertama 12 dan menambahkan titik data baru 17 Di Contoh di atas, harga secara bertahap meningkat dari 11 menjadi 17 di atas total tujuh hari Perhatikan bahwa rata-rata pergerakan juga naik dari 13 menjadi 15 selama periode perhitungan tiga hari Perhatikan juga bahwa setiap nilai rata-rata bergerak tepat di bawah harga terakhir. Misalnya, Rata bergerak untuk hari pertama sama dengan 13 dan harga terakhir adalah 15 Harga empat hari sebelumnya lebih rendah dan ini menyebabkan rata-rata bergerak ke lag. Exponential Moving Average Calculation. Exponential moving averages mengurangi lag dengan menerapkannya. G lebih berat untuk harga terakhir Bobot yang diterapkan pada harga terbaru tergantung pada jumlah periode dalam rata-rata bergerak Ada tiga langkah untuk menghitung rata-rata pergerakan eksponensial Pertama, hitung rata-rata pergerakan sederhana Rata-rata pergerakan eksponensial EMA harus dimulai di suatu tempat. Jadi rata-rata bergerak sederhana digunakan sebagai periode sebelumnya EMA pada perhitungan pertama Kedua, hitung pengganda bobot Ketiga, hitung rata-rata pergerakan eksponensial Rumus di bawah ini adalah untuk 10 hari EMA. A 10-periode eksponensial moving average berlaku 18 18 pembobotan ke harga terbaru EMA periode-10 juga dapat disebut 18 18 EMA A 20 periode EMA menerapkan bobot 9 52 dengan harga paling baru 2 20 1 0952 Perhatikan bahwa pembobotan untuk jangka waktu yang lebih pendek adalah Lebih dari pembobotan untuk jangka waktu yang lebih lama Sebenarnya, pembobotan turun setengahnya setiap kali periode rata-rata bergerak menjadi dua kali lipat. Jika Anda menginginkan persentase tertentu untuk EMA, Anda dapat menggunakan rumus ini. Untuk mengubahnya menjadi periode waktu dan kemudian memasukkan nilai tersebut sebagai parameter EMA. Berikut adalah contoh spreadsheet dari rata-rata pergerakan sederhana 10 hari dan rata-rata pergerakan eksponensial 10 hari untuk rata-rata bergerak sederhana Intel lurus ke depan dan memerlukan sedikit penjelasan. Rata-rata 10 hari hanya bergerak saat harga baru mulai tersedia dan harga lama turun. Rata-rata bergerak eksponensial dimulai dengan nilai rata-rata bergerak sederhana 22 22 pada perhitungan pertama Setelah perhitungan pertama, rumus normal mengambil alih Karena EMA dimulai dengan Rata bergerak sederhana, nilai sebenarnya tidak akan terealisasi sampai 20 atau lebih periode kemudian Dengan kata lain, nilai pada spreadsheet excel mungkin berbeda dari nilai grafik karena periode lihat belakang yang pendek. Lembar kerja ini hanya akan kembali 30 periode, yang Berarti pengaruhnya terhadap rata-rata bergerak sederhana yang memiliki 20 periode untuk menghilangkan StockCharts yang terjadi setidaknya 250 periode yang biasanya jauh lebih jauh untuk perhitungannya sehingga efek sim Ple moving average pada perhitungan pertama telah sepenuhnya hilang. Lag Factor. Semakin lama rata-rata bergerak, semakin lag A moving average 10 hari eksponensial akan memeluk harga cukup dekat dan berbalik segera setelah harga berbalik Rata-rata bergerak pendek seperti kapal cepat. - gesit dan cepat berubah Sebaliknya, rata-rata pergerakan 100 hari berisi banyak data masa lalu yang memperlambatnya. Rata-rata bergerak yang lebih panjang seperti kapal tanker laut - lesu dan lamban untuk berubah Dibutuhkan pergerakan harga yang lebih besar dan lebih lama untuk 100 hari. Bergerak rata-rata untuk mengubah course. Click pada grafik untuk live version. Bagan di atas menunjukkan SP 500 ETF dengan EMA 10 hari mengikuti harga dan SMA 100 hari yang digiling lebih tinggi Bahkan dengan penurunan Januari-Februari, angka 100 - day SMA memegang kursus dan tidak menolak SMA 50 hari cocok di suatu tempat antara rata-rata pergerakan 10 dan 100 hari ketika sampai pada faktor lag. Simple vs Exponential Moving Averages. Even meskipun ada perbedaan yang jelas antara mo sederhana Rata-rata pergerakan dan rata-rata bergerak eksponensial, yang satu tidak selalu lebih baik daripada rata-rata pergerakan eksponensial lainnya yang memiliki tingkat lag lebih sedikit dan oleh karena itu lebih sensitif terhadap harga baru-baru ini - dan perubahan harga terkini Rata-rata bergerak eksponensial akan berubah sebelum rata-rata bergerak sederhana Rata-rata bergerak sederhana, di sisi lain Tangan, mewakili rata-rata harga sebenarnya untuk keseluruhan periode waktu. Rata-rata pergerakan sederhana mungkin lebih sesuai untuk mengidentifikasi level support atau resistance. Rata-rata preferensi tergantung pada tujuan, gaya analisis dan cakrawala waktu. Chartists harus bereksperimen dengan kedua jenis pergerakan. Rata-rata serta rentang waktu yang berbeda untuk menemukan yang paling sesuai Bagan di bawah ini menunjukkan IBM dengan SMA 50 hari berwarna merah dan EMA 50 hari berwarna hijau Kedua memuncak pada akhir Januari, namun penurunan EMA lebih tajam daripada penurunan pada SMA EMA muncul pada pertengahan Februari, namun SMA terus berlanjut hingga akhir Maret Perhatikan bahwa SMA tersebut muncul lebih dari sebulan setelah EMA. Len Gths dan Timeframes. Panjang rata-rata bergerak bergantung pada tujuan analitis Rata-rata pergerakan pendek 5-20 periode paling sesuai untuk tren jangka pendek dan perdagangan Chartists yang tertarik pada tren jangka menengah akan memilih moving average yang lebih panjang yang dapat memperpanjang 20- 60 periode Investor jangka panjang akan memilih moving averages dengan periode 100 atau lebih. Beberapa moving average length lebih populer daripada yang lain. Rata-rata pergerakan 200 hari mungkin yang paling populer Karena panjangnya, ini jelas merupakan moving average jangka panjang. Selanjutnya, rata-rata pergerakan 50 hari cukup populer untuk tren jangka menengah Banyak chartis menggunakan rata-rata pergerakan 50 hari dan 200 hari bersama Jangka pendek, rata-rata pergerakan 10 hari cukup populer di masa lalu karena sebelumnya Mudah untuk menghitung Satu hanya menambahkan angka dan memindahkan titik desimal. Identifikasi Identifikasi. Sinyal yang sama dapat dihasilkan dengan menggunakan rata-rata bergerak sederhana atau eksponensial Seperti disebutkan di atas, preferensi bergantung pada masing-masing individu. Contoh di bawah ini akan menggunakan rata-rata bergerak sederhana dan eksponensial Rata-rata pergerakan bergerak berlaku untuk rata-rata pergerakan rata-rata sederhana dan eksponensial. Arah rata-rata bergerak menyampaikan informasi penting tentang harga Rata-rata pergerakan yang meningkat menunjukkan bahwa harga pada umumnya meningkat Rata-rata pergerakan yang jatuh menunjukkan bahwa Harga rata-rata turun Rata-rata bergerak jangka naik yang meningkat mencerminkan tren kenaikan jangka panjang Jatuh jangka panjang rata-rata bergerak mencerminkan tren turun jangka panjang. Bagan di atas menunjukkan MMM 3M dengan rata-rata pergerakan eksponensial 150 hari Contoh ini Menunjukkan seberapa baik rata-rata bergerak bekerja ketika trennya kuat EMA 150 hari ditolak pada bulan November 2007 dan sekali lagi pada bulan Januari 2008 Perhatikan bahwa dibutuhkan penurunan 15 untuk membalikkan arah rata-rata bergerak ini Indikator lagging ini mengidentifikasi pembalikan tren karena mereka Terjadi paling baik atau setelah terjadi paling buruk MMM berlanjut lebih rendah sampai Maret 2009 dan kemudian melonjak 40-50 Perhatikan bahwa EMA 150 hari tidak berubah menjadi tidak normal. Til setelah gelombang ini Setelah itu, bagaimanapun, MMM terus berlanjut dalam 12 bulan ke depan Moving averages bekerja dengan sangat baik dalam tren yang kuat. Crossover ganda. Dua moving averages dapat digunakan bersamaan untuk menghasilkan sinyal crossover. Dalam Technical Analysis of the Financial Markets John Murphy menyebut ini Metode crossover ganda Crossover ganda melibatkan satu moving average yang relatif pendek dan satu moving average yang relatif panjang Seperti pada semua moving averages, panjang umum moving average mendefinisikan timeframe untuk sistem sistem A menggunakan EMA 5 hari dan EMA 35 hari. Akan dianggap sistem jangka pendek A menggunakan SMA 50 hari dan SMA 200 hari akan dianggap jangka menengah, bahkan mungkin jangka panjang. Crossover bullish terjadi ketika moving average yang lebih pendek melintasi di atas moving average yang lebih panjang Ini juga Dikenal sebagai salib emas Sebuah crossover bearish terjadi ketika moving average yang lebih pendek melintasi di bawah moving average yang lebih lama Ini dikenal sebagai dead cross. Moving crossover rata-rata menghasilkan relative. Bagaimanapun, sistem ini menggunakan dua indikator lagging Semakin lama periode rata-rata bergerak, semakin besar jeda sinyal. Sinyal ini bekerja dengan baik saat tren yang baik terjadi. Namun, sistem crossover moving average akan menghasilkan banyak whipsaws di Tidak adanya tren yang kuat. Ada juga metode triple crossover yang melibatkan tiga rata-rata bergerak Sekali lagi, sinyal dihasilkan saat rata-rata pergerakan terpendek melintasi dua rata-rata bergerak yang lebih lama Sistem crossover tiga sederhana mungkin melibatkan 5 hari, 10 hari dan Rata-rata pergerakan 20 hari. Bagan di atas menunjukkan Home Depot HD dengan garis putus-putus 10 hari EMA hijau dan garis merah EMA 50 hari Garis hitam ditutup setiap hari Dengan menggunakan crossover rata-rata bergerak akan menghasilkan tiga goresan sebelum menangkap Perdagangan yang baik EMA 10 hari turun di bawah EMA 50 hari pada akhir Oktober 1, tapi ini tidak berlangsung lama selama 10 hari kembali bergerak di atas pada pertengahan November 2 Cross ini bertahan lebih lama, namun crossover bearish berikutnya di Janu Ary 3 terjadi menjelang level harga akhir November, yang mengakibatkan whipsaw lain. Salib bearish ini tidak bertahan selama EMA 10 hari bergerak kembali di atas 50 hari beberapa hari kemudian 4 Setelah tiga sinyal buruk, sinyal keempat meramalkan pergerakan yang kuat. Sebagai saham maju di atas 20.Ada dua takeaways di sini Pertama, crossover rentan terhadap whipsaw Filter harga atau waktu dapat diterapkan untuk membantu mencegah whipsaws Pedagang mungkin memerlukan crossover sampai 3 hari terakhir sebelum melakukan atau meminta EMA 10 hari untuk Bergerak di atas di bawah EMA 50 hari dengan jumlah tertentu sebelum bertindak Kedua, MACD dapat digunakan untuk mengidentifikasi dan mengukur crossover MACD 10,50,1 ini akan menunjukkan garis yang mewakili selisih antara dua rata-rata pergerakan eksponensial MACD menjadi positif selama suatu Salib emas dan negatif selama salib mati Persentase Harga Oscillator PPO dapat digunakan dengan cara yang sama untuk menunjukkan perbedaan persentase Perhatikan bahwa MACD dan PPO didasarkan pada rata-rata pergerakan eksponensial dan tidak akan sesuai dengan Rata-rata bergerak sederhana. Bagan ini menunjukkan Oracle ORCL dengan EMA 50 hari, EMA 200 hari dan MACD 50,200,1 Ada empat crossover rata-rata bergerak selama periode 2 1 2 tahun Tiga yang pertama berakibat pada whipsaws atau perdagangan yang buruk. Tren yang berkelanjutan Dimulai dengan crossover keempat saat ORCL maju ke pertengahan 20an Sekali lagi, pergerakan rata-rata crossover bekerja dengan baik saat tren kuat, namun menghasilkan kerugian tanpa adanya tren. Harga Crossover. Moving rata-rata juga bisa digunakan untuk menghasilkan sinyal dengan sederhana. Harga crossover Sinyal bullish dihasilkan saat harga bergerak di atas rata-rata bergerak Sinyal bearish dihasilkan saat harga bergerak di bawah rata-rata bergerak Crossover harga dapat digabungkan untuk diperdagangkan dalam tren yang lebih besar. Rata-rata pergerakan yang lebih lama menentukan nada untuk tren yang lebih besar dan Moving average yang lebih pendek digunakan untuk menghasilkan sinyal One akan mencari harga bullish cross only bila harga sudah berada di atas moving average yang lebih lama. Ini akan diperdagangkan selaras dengan Kecenderungan yang lebih besar Misalnya, jika harga di atas rata-rata pergerakan 200 hari, para chartists hanya akan fokus pada sinyal ketika harga bergerak di atas rata-rata pergerakan 50 hari. Jelas, pergerakan di bawah rata-rata pergerakan 50 hari akan mendahului sinyal semacam itu, namun Persilangan bearish seperti itu akan diabaikan karena tren yang lebih besar naik Sinyal bearish akan menunjukkan pullback dalam uptrend yang lebih besar. Sebuah cross back di atas moving average 50 hari akan memberi sinyal kenaikan harga dan kelanjutan dari tren naik yang lebih besar. Bagan berikutnya Menunjukkan Emerson Electric EMR dengan EMA 50 hari dan EMA 200 hari Stok bergerak di atas dan bertahan di atas rata-rata pergerakan 200 hari di bulan Agustus Ada penurunan di bawah EMA 50 hari pada awal November dan lagi di awal Februari Harga bergerak dengan cepat. Kembali di atas EMA 50 hari untuk memberi sinyal bullish panah hijau selaras dengan MACD 1.50,1 yang lebih besar naik ditunjukkan di jendela indikator untuk mengkonfirmasi harga di atas atau di bawah EMA 50 hari EMA 1 hari sama dengan Harga penutupan MAC D 1,50,1 positif saat penutupan berada di atas EMA 50 hari dan negatif saat penutupan berada di bawah EMA. Support and Resistance. Moving 50 hari juga dapat bertindak sebagai pendukung dalam tren naik dan resistance dalam tren turun. Pergerakan naik jangka pendek mungkin akan mendapat dukungan di dekat rata-rata pergerakan sederhana 20 hari, yang juga digunakan pada Bollinger Bands. Uptrend jangka panjang mungkin akan mendapat dukungan di dekat rata-rata pergerakan sederhana 200 hari, yang merupakan pergerakan jangka panjang yang paling populer. Rata-rata Jika fakta, rata-rata pergerakan 200 hari mungkin menawarkan dukungan atau penolakan hanya karena sangat banyak digunakan Ini hampir seperti ramalan yang dipenuhi sendiri. Bagan di atas menunjukkan Komposit NY dengan rata-rata pergerakan sederhana 200 hari dari pertengahan tahun 2004 Sampai akhir tahun 2008 Dukungan 200 hari telah diberikan berkali-kali selama kemajuan. Setelah tren berbalik dengan jeda dukungan ganda, rata-rata pergerakan 200 hari bertindak sebagai resistance di sekitar 9500. Jangan berharap tingkat dukungan dan resistance yang tepat dari moving averages , Apalagi mo lebih lama Rata-rata pasar didorong oleh emosi, yang membuat mereka cenderung mengalami overshoot. Alih-alih tingkat yang tepat, rata-rata bergerak dapat digunakan untuk mengidentifikasi zona dukungan atau hambatan. Keuntungan menggunakan rata-rata bergerak perlu dipertimbangkan terhadap kerugian Rata-rata pergerakan adalah tren berikut, Atau tertinggal, indikator yang akan selalu menjadi langkah di belakang Ini belum tentu hal yang buruk sekalipun. Toh, trennya adalah teman Anda dan yang terbaik adalah berdagang ke arah tren Moving averages memastikan bahwa trader sesuai dengan Tren saat ini Meskipun trennya adalah teman Anda, sekuritas menghabiskan banyak waktu dalam rentang perdagangan, yang membuat rata-rata bergerak tidak efektif Sekali dalam tren, rata-rata bergerak akan membuat Anda tetap bertahan, namun juga memberikan sinyal terlambat yang tidak diharapkan untuk dijual di Atas dan membeli di bagian bawah menggunakan rata-rata bergerak Seperti kebanyakan alat analisis teknis lainnya, rata-rata bergerak tidak boleh digunakan sendiri, namun bersamaan dengan alat pelengkap lainnya, Chartists dapat Gunakan rata-rata bergerak untuk menentukan keseluruhan tren dan kemudian gunakan RSI untuk menentukan tingkat overbought atau oversold. Mengikuti Moving Averages to StockCharts Chart. Rata-rata bergerak tersedia sebagai fitur overlay harga pada workbench SharpCharts Dengan menggunakan menu drop-down Overlay, pengguna dapat memilih Baik moving average sederhana atau moving average eksponensial Parameter pertama digunakan untuk mengatur jumlah periode waktu. Parameter opsional dapat ditambahkan untuk menentukan bidang harga mana yang harus digunakan dalam perhitungan - O untuk Open, H for the High , L untuk Low, dan C untuk Close A Comma digunakan untuk parameter yang terpisah. Parameter opsional lainnya dapat ditambahkan untuk menggeser rata-rata bergerak ke masa lalu atau masa depan kiri Angka negatif -10 akan menggeser rata-rata bergerak ke kiri. 10 periods A positive number 10 would shift the moving average to the right 10 periods. Multiple moving averages can be overlaid the price plot by simply adding another overlay line to the workbench StockCharts me mbers can change the colors and style to differentiate between multiple moving averages After selecting an indicator, open Advanced Options by clicking the little green triangle. Opsi Lanjutan juga dapat digunakan untuk menambahkan overlay rata-rata bergerak ke indikator teknis lainnya seperti RSI, CCI, dan Volume. Klik di sini untuk grafik live dengan beberapa rata-rata bergerak yang berbeda. Menggunakan Moving Averages dengan StockCharts Scans. Berikut adalah beberapa contoh yang memindai StockCharts Anggota dapat menggunakan untuk memindai berbagai situasi rata-rata bergerak. Rata-rata Pindah Rata-rata Bergerak Pemindaian ini mencari saham dengan rata-rata pergerakan sederhana 150 hari yang meningkat dan umpan silang bullish EMA 5 hari dan EMA 35 hari Rata-rata pergerakan 150 hari Naik selama perdagangan di atas levelnya lima hari yang lalu Sebuah cross bullish terjadi ketika EMA 5 hari bergerak di atas EMA 35 hari di atas rata-rata volume. Bearish Moving Average Cross Pemindaian ini mencari saham dengan level jatuh 150- Hari rata-rata bergerak sederhana dan cross bearish EMA 5 hari dan EMA 35 hari Rata-rata pergerakan 150 hari turun selama diperdagangkan di bawah level lima hari yang lalu. Salib bearish terjadi ketika pergerakan EMA 5-hari Di bawah EMA 35 hari di abo Rata-rata volume. Further Study. John Murphy s buku memiliki bab yang dikhususkan untuk moving averages dan berbagai kegunaannya Murphy mencakup pro dan kontra dari moving averages. Selain itu, Murphy menunjukkan bagaimana rata-rata bergerak bekerja dengan Bollinger Bands dan sistem perdagangan berbasis channel. Analisis Pasar Keuangan John Murphy.