เปรียบเทียบ เคลื่อนไหว ค่าเฉลี่ย และ ชี้แจง ความเรียบเนียน

การคาดการณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs การเรียนรู้วัตถุสำหรับการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้จัดอยู่ในส่วนต่างๆของแอ็พพลิเคชันในส่วน MENU ในหน้านี้ชุดข้อมูลเวลาคือชุดของข้อสังเกตที่ มีการสั่งซื้อในเวลาที่สืบทอดมาในชุดของข้อมูลที่ถ่ายเมื่อเวลาผ่านไปคือรูปแบบของรูปแบบการสุ่มบางอย่างมีอยู่วิธีการในการลดการยกเลิกผลกระทบเนื่องจากรูปแบบการสุ่มเทคนิคที่ใช้กันอย่างแพร่หลายคือ smoothing เทคนิคเหล่านี้เมื่อใช้อย่างถูกต้องเปิดเผยอย่างชัดเจนมากขึ้นแนวโน้มพื้นฐาน ใส่ชุดข้อมูลลำดับแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์ s จากนั้นคลิกที่ปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบล่วงหน้ากล่อง Bowl ไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดย examini กราฟของค่าคาดการณ์และลักษณะการตกค้างของการคาดการณ์สภาพอากาศการคำนวณค่าเฉลี่ยการเลื่อนอันดับเฉลี่ยระหว่างเทคนิคที่นิยมใช้มากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลาพวกเขาใช้เพื่อกรองสัญญาณรบกวนแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลา นุ่มนวลหรือแม้กระทั่งการเน้นองค์ประกอบข้อมูลบางอย่างที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing นี่เป็นโครงการที่ได้รับความนิยมมากในการผลิตชุดเวลาที่ราบรื่นโดยที่ค่าเฉลี่ยเคลื่อนที่ของการสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing กำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing จะดีกว่าในการจัดการกับแนวโน้มของพาราโบลาค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบเร้าซ้อนด้วยการปรับให้เรียบสม่ำเสมอสอดคล้องกับแบบเรียบง่าย ค่าเฉลี่ยเคลื่อนที่ของความยาวเช่น ระยะเวลา n โดยที่ a และ n มีความสัมพันธ์กันโดย 2 n 1 หรือ n 2 - a. ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่มีค่าความยาวคลื่นและค่าคงที่ที่ราบเรียบเท่ากับ 0 1 จะเท่ากับค่าเฉลี่ยเคลื่อนที่ 19 วันและ ค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบยกกำลังยกโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0 04878.Holt s Linear Exponential Smoothing สมมติว่าลำดับเวลาไม่ใช่ตามฤดูกาล แต่เป็นวิธีการแสดงแนวโน้มของ Holt s ประมาณทั้งปัจจุบัน ระดับและแนวโน้มปัจจุบันข้อสังเกตุว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการเพิ่มความลําชี้แจงโดยกําหนดระยะเวลาของค่าเฉลี่ยเคลื่อนที่เป็นส่วนจํานวนเต็มของอัลฟ่าอัลฟ่าอัลฟา 2 สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟ่าน้อยกว่า 0 40 มักเป็น มีประสิทธิภาพ แต่หนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0 1 ถึง 0 9 ด้วยการเพิ่มขึ้นของ 0 1 แล้ว alpha ที่ดีที่สุดมีค่าเฉลี่ยน้อยที่สุดข้อผิดพลาด Absolute MA Error. How เพื่อเปรียบเทียบวิธีการเรียบหลายแม้ว่าจะมี เป็นตัวชี้วัดเชิงตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพของการคาดการณ์ต่างๆเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆในแนวทางนี้ต้องใช้พล็อตเช่น Excel ในกราฟเดียวกัน ค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการคาดการณ์ที่แตกต่างกันจำนวนมากซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้คุณอาจต้องการใช้การคาดการณ์ที่ผ่านมาโดยเทคนิค Smoothing JavaScript เพื่อดูค่าพยากรณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองโดยรวมและข้อผิดพลาดสำหรับพารามิเตอร์การปรับความเรียบแบบเอกซ์โพเน็นเชียลเดี่ยวเน้นมุมมองในระยะสั้น กำหนดระดับการสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้มการถอยหลังแบบเส้นตรง ion ซึ่งเหมาะกับเส้นสี่เหลี่ยมเล็ก ๆ น้อย ๆ กับข้อมูลทางประวัติศาสตร์หรือเปลี่ยนข้อมูลทางประวัติศาสตร์เป็นระยะทางยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐานการจับภาพเชิงเส้นแบบละเอียดของ Holt จะรวบรวมข้อมูลเกี่ยวกับแนวโน้มล่าสุดพารามิเตอร์ในรูปแบบของ Holt คือพารามิเตอร์ระดับ ควรจะลดลงเมื่อปริมาณของการเปลี่ยนแปลงข้อมูลมีขนาดใหญ่และแนวโน้มควรเพิ่มขึ้นหากแนวโน้มทิศทางล่าสุดได้รับการสนับสนุนจากปัจจัยที่เป็นสาเหตุบางประการการคาดการณ์ในระยะสั้นให้สังเกตว่า JavaScript ทุกหน้าจะมีขั้นตอนเดียวล่วงหน้า เมื่อต้องการได้รับการคาดการณ์สองขั้นตอนเพียงแค่เพิ่มค่าที่คาดไว้ในตอนท้ายของข้อมูลชุดข้อมูลเวลาของคุณแล้วคลิกปุ่มคำนวณเดียวกันคุณอาจทำซ้ำขั้นตอนนี้สองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็น. Expunential Smoothing Explained. Copyright เนื้อหาที่ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้เมื่อผู้คนพบคำว่า Exponential Smoothing เป็นครั้งแรก หมวกเสียงเหมือนนรกของจำนวนมากเรียบอะไรเรียบคือพวกเขาเริ่มต้นที่จะวาดภาพการคำนวณทางคณิตศาสตร์ที่ซับซ้อนที่น่าจะต้องมีการศึกษาระดับปริญญาในวิชาคณิตศาสตร์ที่จะเข้าใจและหวังว่าจะมีในตัวฟังก์ชัน Excel ใช้ได้ถ้าพวกเขาเคยต้องทำมัน ความเป็นจริงของการทำให้เรียบเป็นทวีคูณเป็นเรื่องที่น่าทึ่งมากและไม่ค่อยมีบาดแผลมากนักความจริงคือการคำนวณหากำไรที่เรียบง่ายคือการคำนวณที่เรียบง่ายซึ่งสามารถทำได้โดยง่ายซึ่งมีชื่อที่ซับซ้อนเนื่องจากสิ่งที่เกิดขึ้นจากการคำนวณแบบง่ายๆนี้เป็นจริง ซับซ้อนเล็กน้อยเพื่อทำความเข้าใจเรียบเรียงชี้แจงจะช่วยให้เริ่มต้นด้วยแนวคิดทั่วไปของการเรียบและคู่ของวิธีการทั่วไปอื่น ๆ ที่ใช้เพื่อให้บรรลุ smoothing คืออะไร smoothing การปรับความสมดุลเป็นกระบวนการทางสถิติที่พบบ่อยมากในความเป็นจริงเรามักพบข้อมูลที่ราบรื่น ในรูปแบบต่างๆในชีวิตประจำวันของเราทุกครั้งที่คุณใช้ค่าเฉลี่ยในการอธิบายบางสิ่งบางอย่างคุณกำลังใช้หมายเลขที่ราบรื่นถ้าคุณคิดว่า เกี่ยวกับสาเหตุที่คุณใช้ค่าเฉลี่ยในการอธิบายถึงบางสิ่งบางอย่างคุณจะเข้าใจแนวความเรียบได้อย่างรวดเร็วตัวอย่างเช่นเราเพิ่งมีประสบการณ์ในช่วงฤดูหนาวที่อบอุ่นที่สุดในประวัติเราสามารถหาจำนวนนี้ได้อย่างไรเราเริ่มต้นด้วย datasets ของอุณหภูมิที่สูงและต่ำทุกวันสำหรับ ช่วงที่เราเรียกว่าฤดูหนาวสำหรับแต่ละปีในประวัติศาสตร์ที่บันทึกไว้ แต่นั่นทำให้เรามีพวงของตัวเลขที่กระโดดไปรอบ ๆ ค่อนข้างไม่ชอบทุกวันในฤดูหนาวนี้คืออุ่นกว่าวันที่สอดคล้องกันจากปีก่อนหน้าทั้งหมดเราต้องเป็นตัวเลขที่เอาทั้งหมด นี้กระโดดไปมาจากข้อมูลเพื่อให้เราได้ง่ายขึ้นสามารถเปรียบเทียบหนึ่งฤดูหนาวต่อไปลบกระโดดรอบในข้อมูลที่เรียกว่าเรียบและในกรณีนี้เราก็สามารถใช้ค่าเฉลี่ยที่เรียบง่ายเพื่อบรรลุการราบเรียบคาดการณ์ความต้องการเราใช้ การปรับให้เรียบเพื่อขจัดสัญญาณรบกวนจากความต้องการในอดีตของเราทำให้เราสามารถระบุรูปแบบความต้องการได้ดีขึ้นโดยมีแนวโน้มและฤดูกาลและระดับความต้องการที่สามารถนำมาใช้ในการประมาณการอนาคต เสียงรบกวนความต้องการเป็นแนวคิดเดียวกับการกระโดดรายวันรอบ ๆ ข้อมูลอุณหภูมิไม่แปลกใจวิธีที่คนทั่วไปนำเสียงรบกวนออกจากประวัติความต้องการคือการใช้ค่าเฉลี่ยที่เรียบง่ายหรือโดยเฉพาะอย่างยิ่งค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่จะใช้ค่าเฉลี่ย จำนวนงวดที่กำหนดไว้ล่วงหน้าเพื่อคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านั้นจะเลื่อนตามเวลาที่ผ่านไปตัวอย่างเช่นถ้าฉันใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคมฉันใช้ค่าเฉลี่ยความต้องการที่เกิดขึ้นในเดือนมกราคม, มีนาคมและเมษายนในวันที่ 1 มิถุนายนฉันจะใช้ความต้องการตั้งแต่เดือนกุมภาพันธ์มีนาคมเมษายนและพฤษภาคมโดยเฉลี่ยเราใช้น้ำหนักที่สำคัญเท่ากันกับแต่ละค่าในชุดข้อมูลในการย้าย 4 เดือน ค่าเฉลี่ยของแต่ละเดือนเป็นค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ 25 แห่งเมื่อใช้ประวัติความต้องการเพื่อคาดการณ์ความต้องการในอนาคตและแนวโน้มในอนาคตโดยเฉพาะอย่างยิ่งก็เป็นเหตุผลที่จะสรุปได้ว่าคุณต้องการให้ประวัติล่าสุดมีผลกระทบมากขึ้นกับการคาดการณ์ของคุณ ปรับการคำนวณค่าเฉลี่ยเคลื่อนที่ของเราเพื่อใช้น้ำหนักที่ต่างกันในแต่ละช่วงเวลาเพื่อให้ได้ผลลัพธ์ที่ต้องการเราแสดงน้ำหนักดังกล่าวเป็นเปอร์เซ็นต์และน้ำหนักรวมทั้งหมดสำหรับทุกช่วงเวลาต้องเพิ่มขึ้น 100 ดังนั้นหากเราตัดสินใจว่าเราต้องการใช้ 35 เป็น น้ำหนักสำหรับช่วงเวลาที่ใกล้ที่สุดในค่าเฉลี่ยเคลื่อนที่ที่มีการถ่วงน้ำหนัก 4 เดือนของเราเราสามารถหัก 35 จาก 100 เพื่อหาว่าเราเหลืออีก 65 รายการในช่วง 3 ช่วงเวลาอื่น ๆ ตัวอย่างเช่นเราอาจจบลงด้วยน้ำหนัก 15, 20, 30 , และ 35 ตามลำดับเป็นเวลา 4 เดือน 15 20 30 35 100. การปรับให้เรียบขึ้นถ้าเรากลับไปใช้แนวความคิดในการใช้น้ำหนักกับช่วงเวลาล่าสุดเช่น 35 ในตัวอย่างก่อนหน้านี้และการกระจายน้ำหนักที่เหลือคำนวณโดยการลบมากที่สุด เมื่อเร็ว ๆ นี้น้ำหนักของ 35 จาก 100 ถึง 65 เรามีหน่วยการสร้างพื้นฐานสำหรับการคำนวณการเรียบของเราชี้แจงการป้อนข้อมูลการควบคุมของการคำนวณการคำนวณความเร่งเป็นที่รู้จักกันเป็นปัจจัยที่ราบเรียบหรือที่เรียกว่าเรียบคงที่ หมายถึงน้ำหนักที่ใช้กับความต้องการของช่วงเวลาล่าสุดดังนั้นที่เราใช้ 35 เป็นน้ำหนักสำหรับงวดล่าสุดในการคำนวณถัวเฉลี่ยถ่วงน้ำหนักเราสามารถเลือกที่จะใช้ 35 เป็นปัจจัยการทำให้ราบเรียบในการคำนวณการคำนวณความเร่งด่วนของเราไปเป็น มีความคล้ายคลึงกันผลแตกต่างกับการคำนวณการคำนวณความเร่งด่วนคือแทนที่จะต้องคำนวณหาน้ำหนักที่จะนำไปใช้กับแต่ละช่วงเวลาก่อนหน้านี้ปัจจัยการทำให้ราบเรียบถูกใช้เพื่อทำแบบนั้นโดยอัตโนมัติดังนั้นที่นี่เป็นส่วนที่อธิบายเป็นนัยถ้าเราใช้ 35 เป็นปัจจัยที่ราบเรียบการถ่วงน้ำหนักของความต้องการของช่วงเวลาล่าสุดจะเป็น 35 การถ่วงน้ำหนักของระยะเวลาต่อไปที่ต้องการช่วงก่อนที่จะล่าสุดจะเป็น 65 จาก 35 65 มาจากการหัก 35 จาก 100 นี้เท่ากับ 22 75 สำหรับช่วงเวลานั้นถ้าคุณทำคณิตศาสตร์ความต้องการของช่วงเวลาต่อไปจะเป็น 65 จาก 65 ใน 35 ซึ่งเท่ากับ 14 79 ระยะเวลาก่อนหน้านี้จะมีน้ำหนัก 65 ถึง 65 จาก 6 5 จาก 35 ซึ่งเท่ากับ 9 61 และอื่น ๆ และสิ่งนี้จะย้อนกลับไปในทุกช่วงเวลาก่อนหน้าของคุณตลอดทางย้อนกลับไปยังจุดเริ่มต้นของเวลาหรือจุดที่คุณเริ่มต้นใช้การทำให้เรียบแบบทวีคูณของรายการนั้น ๆ ความคิดที่ว่าดูเหมือนว่าคณิตศาสตร์จำนวนมากทั้งมวล แต่ความสวยงามของการคำนวณการคำนวณความเร่งเชิงตัวเลขคือแทนที่จะต้องคำนวณใหม่ในแต่ละช่วงเวลาก่อนหน้านี้ทุกครั้งที่คุณได้รับความต้องการของช่วงเวลาใหม่คุณก็ใช้ผลลัพธ์ของการคำนวณการคำนวณความเร่งด่วนจาก ระยะเวลาก่อนหน้านี้เพื่อแสดงระยะเวลาก่อนหน้าทั้งหมดคุณสับสนยังจะทำให้รู้สึกมากขึ้นเมื่อเราดูที่การคำนวณจริงโดยปกติเราจะอ้างถึงผลลัพธ์ของการคำนวณการคำนวณความล้าสมัยเป็นประมาณการระยะเวลาต่อไปในความเป็นจริงการคาดการณ์ที่ดีที่สุดต้องการ การทำงานมากขึ้น แต่สำหรับวัตถุประสงค์ของการคำนวณเฉพาะนี้เราจะเรียกมันว่าเป็นคาดการณ์การคำนวณการคำนวณหาผลคูณเป็นดังนี้ช่วงเวลาล่าสุดของ ความต้องการคูณด้วยปัจจัยการปรับให้เรียบ PLUS การคาดการณ์ของงวดล่าสุดคูณด้วยปัจจัยลบหนึ่งตัวคูณปัจจัยที่มีผลต่อการปรับตัวให้เข้ากับความต้องการล่าสุดของ S ปัจจัยการทำให้ราบเรียบเป็นตัวแทนในรูปแบบทศนิยมดังนั้น 35 จะแสดงเป็น 0 35 F ในช่วงคาดการณ์ล่าสุด ผลลัพธ์ของการคำนวณการปรับให้ราบเรียบจากรอบก่อนหน้านี้สมมติว่าค่าการปรับให้ราบเรียบเท่ากับ 0 35. ไม่ได้ง่ายกว่าที่คุณสามารถดูได้ทั้งหมดที่เราต้องการสำหรับข้อมูลที่นี่คือความต้องการของช่วงเวลาล่าสุดและ การคาดการณ์ของช่วงเวลาล่าสุดเราใช้การถ่วงน้ำหนักของปัจจัยราบเรียบไปยังช่วงเวลาล่าสุดของความต้องการเช่นเดียวกับที่เราจะคำนวณถัวเฉลี่ยถ่วงน้ำหนักจากนั้นเราจะใช้การถ่วงน้ำหนักที่เหลือ 1 ลบปัจจัยที่ราบเรียบไปยังการคาดการณ์ของรอบระยะเวลาล่าสุดนับตั้งแต่ การคาดการณ์ของช่วงเวลาล่าสุดได้ถูกสร้างขึ้นตามความต้องการของช่วงเวลาก่อนหน้าและการคาดการณ์ของช่วงก่อนหน้าซึ่งขึ้นอยู่กับความต้องการในช่วงก่อนหน้านั้นและการคาดการณ์สำหรับรอบ od ก่อนหน้านั้นซึ่งขึ้นอยู่กับความต้องการสำหรับช่วงเวลาก่อนหน้านั้นและการคาดการณ์สำหรับรอบระยะเวลาก่อนหน้านั้นซึ่งขึ้นอยู่กับระยะเวลาก่อนหน้านี้คุณสามารถดูได้ว่าความต้องการทั้งหมดของงวดก่อนหน้ามีการคำนวณอย่างไร จริงที่จะกลับมาและคำนวณอะไรและนั่นคือสิ่งที่ผลักดันความนิยมเริ่มต้นของการเรียบเรียบไม่ได้เพราะมันไม่ได้งานที่ดีขึ้นของการเรียบกว่าค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักมันเป็นเพราะมันง่ายต่อการคำนวณในโปรแกรมคอมพิวเตอร์และเนื่องจากคุณ ไม่จำเป็นต้องคิดเกี่ยวกับสิ่งที่ให้น้ำหนักเพื่อให้ช่วงก่อนหน้าหรือจำนวนงวดก่อนหน้าที่จะใช้ตามที่คุณจะมีค่าเฉลี่ยถ่วงน้ำหนักและเพราะมันฟังดูเย็นกว่าค่าเฉลี่ยถ่วงน้ำหนักที่แท้จริงในความเป็นจริงอาจเป็นที่ถกเถียงกันอยู่ว่าค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก ให้ความยืดหยุ่นมากขึ้นเนื่องจากคุณสามารถควบคุมน้ำหนักของช่วงเวลาที่ผ่านมาได้มากขึ้นความเป็นจริงอาจเป็นหนึ่งในสิ่งเหล่านี้สามารถให้ผลลัพธ์ที่น่าพอใจได้ดังนั้นทำไมไม่ไปกับคำที่ง่ายและเย็นกว่า ding. Exponential Smoothing ใน Excel. Lat s ดูวิธีการนี้จริงจะดูในสเปรดชีตกับข้อมูลจริงลิขสิทธิ์เนื้อหาบนมีการป้องกันลิขสิทธิ์และไม่สามารถใช้ได้สำหรับการรีไซเคิลในรูปที่ 1A เรามีกระดาษคำนวณ Excel กับ 11 สัปดาห์ของความต้องการ และการคาดการณ์การคำนวณแบบเรียบเรียงโดยคำนวณจากความต้องการดังกล่าวฉันได้ใช้ปัจจัยการทำให้ราบเรียบของ 25 0 25 ในเซลล์ C1 เซลล์ที่ใช้งานปัจจุบันเป็นเซลล์ M4 ซึ่งมีการคาดการณ์สำหรับสัปดาห์ที่ 12 คุณสามารถดูได้ในแถบสูตรสูตรนี้คือ L3 C1 L4 1- C1 ดังนั้นปัจจัยการผลิตที่มีผลโดยตรงต่อการคำนวณนี้คือความต้องการของช่วงก่อนหน้า Cell L3 ช่วงคาดการณ์ของ Cell L4 และปัจจัยการให้ราบเรียบ Cell C1 แสดงเป็นข้อมูลอ้างอิงของเซลล์สัมบูรณ์ C1 เมื่อเราเริ่มคำนวณค่าการคำนวณความเร่งด่วน เราจำเป็นต้องเสียบค่าสำหรับการคาดการณ์ครั้งที่ 1 ด้วยตนเองดังนั้นใน Cell B4 แทนที่จะเป็นสูตรเราจึงพิมพ์ตามความต้องการจากช่วงเวลาเดียวกันกับที่คาดไว้ใน Cell C4 เรามีการคำนวณการเกิดเลข 1 ของเราที่เรียบง่าย B3 C1 B4 1- C1 จากนั้นเราสามารถคัดลอกเซลล์ C4 แล้ววางลงในเซลล์ D4 ผ่าน M4 เพื่อเติมส่วนที่เหลือทั้งหมดของเซลล์คาดการณ์ของเราตอนนี้คุณสามารถดับเบิ้ลคลิ๊กที่เซลล์พยากรณ์เพื่อดูได้จากช่วงคาดการณ์ของเซลล์ที่คาดไว้และช่วงก่อนหน้า demand cell ดังนั้นการคำนวณการคำนวณหาค่าความละเอียดที่ตามมาแต่ละครั้งจะสืบทอดผลลัพธ์ของการคำนวณการคำนวณหาค่าความละเอียดที่อธิบายไว้ก่อนหน้านี้นั่นคือความต้องการของแต่ละช่วงเวลาก่อนหน้านี้เป็นอย่างไรในการคำนวณช่วงเวลาล่าสุดแม้ว่าการคำนวณดังกล่าวไม่ได้อ้างอิงถึงช่วงเวลาก่อน ๆ แฟนซีคุณสามารถใช้ฟังก์ชัน Excel precedents ของ Excel เมื่อต้องการทำเช่นนี้คลิกที่เซลล์ M4 จากนั้นบนแถบเครื่องมือริบบิ้น Excel 2007 หรือ 2010 คลิกแท็บสูตรจากนั้นคลิก Trace Precedents จะวาดเส้นเชื่อมต่อไปยังระดับที่ 1 ของ precedents, แต่ถ้าคุณยังคงคลิก Trace Precedents มันจะวาดเส้นเชื่อมต่อไปยังงวดก่อนหน้าทั้งหมดเพื่อแสดงความสัมพันธ์ที่สืบทอดกันมาตอนนี้เรามาดูกันว่าอะไรคือสิ่งที่อธิบายให้เรียบได้สำหรับเรารูปที่ 1B แสดงให้เห็นแผนภูมิเส้นของความต้องการและการคาดการณ์ของเรากรณีที่คุณเห็นว่าการคาดการณ์ที่ราบเรียบตามลำดับส่วนมากจะช่วยขจัดความกระวนกระวายใจที่เกิดขึ้นจากความต้องการรายสัปดาห์ แต่ยังคงเป็นไปตามสิ่งที่ดูเหมือนจะเป็นความต้องการที่สูงขึ้นนอกจากนี้คุณยังจะสังเกตเห็นว่า เส้นคาดการณ์ที่ราบเรียบมีแนวโน้มที่จะต่ำกว่าเส้นความต้องการนี้เรียกว่าล้าหลังแนวโน้มและเป็นผลข้างเคียงของกระบวนการทำให้ราบเรียบเวลาที่คุณใช้การปรับให้ราบเรียบเมื่อแนวโน้มมีการคาดการณ์ของคุณจะล้าหลังแนวโน้มนี้เป็นจริงสำหรับเทคนิคการทำให้ราบเรียบใด ๆ ในความเป็นจริงหากเราดำเนินการต่อสเปรดชีตนี้ต่อไปและเริ่มป้อนตัวเลขความต้องการที่ต่ำกว่าซึ่งทำให้แนวโน้มลดลงคุณจะเห็นการลดลงของความต้องการและเส้นแนวโน้มจะเลื่อนไปเหนือก่อนที่จะเริ่มตามเทรนด์ที่ลดลงนั่นคือเหตุผลที่ฉันเคยพูดถึง ผลลัพธ์จากการคำนวณการคำนวณแบบเรียบซึ่งเราเรียกว่าการคาดการณ์ยังคงต้องมีการทำงานเพิ่มขึ้นมีการคาดการณ์มากขึ้นกว่าเพียงแค่ทำให้เกิดความปั่นป่วนในความต้องการเราจำเป็นต้อง ปรับเปลี่ยนเพิ่มเติมสำหรับสิ่งต่างๆเช่นความล้าตามฤดูกาล seasonality เหตุการณ์ที่ทราบซึ่งอาจมีผลต่อความต้องการ ฯลฯ แต่ทั้งหมดที่อยู่นอกเหนือขอบเขตของบทความนี้คุณอาจจะใช้เป็นเงื่อนไขเช่นการปรับให้เรียบแบบ double-exponential และการปรับให้เรียบแบบสามขั้นตอน บิตลวงเนื่องจากคุณไม่ได้ราบรื่นความต้องการหลาย ๆ ครั้งที่คุณสามารถถ้าคุณต้องการ แต่ที่ไม่ได้จุดที่นี่คำเหล่านี้แสดงการใช้เรียบชี้แจงในองค์ประกอบเพิ่มเติมของการคาดการณ์ดังนั้นด้วยเรียบง่ายเรียบคุณจะเรียบฐาน ความต้องการ แต่ด้วยการเพิ่มประสิทธิภาพแบบ double-exponential คุณจะปรับความต้องการพื้นฐานพร้อมกับแนวโน้มและด้วยการปรับเรียบแบบสามทางที่ทำให้คุณเรียบตามความต้องการพื้นฐานบวกกับแนวโน้มบวกกับฤดูกาลคำถามอื่น ๆ ที่ถามบ่อยเกี่ยวกับการทำให้เรียบเป็นทวีคูณคือที่ไหน รับปัจจัยที่ราบเรียบของฉันไม่มีคำตอบขลังที่นี่คุณต้องทดสอบปัจจัยการทำให้ราบเรียบต่างๆกับข้อมูลความต้องการของคุณเพื่อดูว่าอะไรที่ทำให้คุณได้รับการตอบสนองที่ดีที่สุด lts มีการคำนวณที่สามารถตั้งค่าและเปลี่ยนค่า smoothing factor ได้โดยอัตโนมัติ แต่คุณต้องระมัดระวังกับคำตอบเหล่านี้ไม่มีคำตอบที่สมบูรณ์แบบและไม่ควรใช้การคำนวณใด ๆ โดยไม่มีการทดสอบและพัฒนาอย่างละเอียด ความเข้าใจในสิ่งที่คำนวณได้นอกจากนี้คุณควรใช้สถานการณ์สมมติแบบใดหากสถานการณ์ดูว่าการคำนวณเหล่านี้ตอบสนองต่อการเปลี่ยนแปลงความต้องการที่อาจไม่มีอยู่ในข้อมูลความต้องการที่คุณกำลังใช้สำหรับการทดสอบตัวอย่างข้อมูลที่ผมใช้ก่อนหน้านี้เป็นตัวอย่างที่ดีมาก สถานการณ์ที่คุณต้องการทดสอบสถานการณ์อื่น ๆ ตัวอย่างเช่นข้อมูลที่แสดงให้เห็นถึงแนวโน้มที่มีแนวโน้มสูงขึ้นอย่างมาก บริษัท ขนาดใหญ่หลายแห่งที่มีซอฟต์แวร์คาดการณ์ราคาแพงมีปัญหาใหญ่ในอดีตที่ไม่ได้อยู่ในระยะไกลเมื่อการตั้งค่าซอฟต์แวร์ของตนถูกปรับแต่ง การเติบโตทางเศรษฐกิจไม่ได้ตอบสนองได้ดีเมื่อเศรษฐกิจเริ่มซบเซาหรือหดตัวสิ่งต่างๆเช่นนี้เกิดขึ้นเมื่อคุณไม่สวมเสื้อ tand สิ่งที่ซอฟแวร์การคำนวณของคุณกำลังทำอยู่ถ้าพวกเขาเข้าใจระบบการคาดการณ์ของพวกเขาพวกเขาจะได้รู้ว่าพวกเขาต้องการที่จะกระโดดและเปลี่ยนแปลงบางอย่างเมื่อมีการเปลี่ยนแปลงอย่างรวดเร็วอย่างฉับพลันเพื่อธุรกิจของพวกเขาดังนั้นมีคุณมีพื้นฐานของการอธิบายเรียบอธิบายต้องการ เรียนรู้เพิ่มเติมเกี่ยวกับการใช้การคำนวณหากำไรในการคาดการณ์จริงตรวจสอบหนังสือของฉันการจัดการสินค้าคงคลังอธิบายเนื้อหาบนลิขสิทธิ์ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้อีกครั้ง Piasecki เป็นผู้ดำเนินการเจ้าของ Inventory Operations Consulting LLC บริษัท ที่ปรึกษาที่ให้บริการเกี่ยวกับ การจัดการสินค้าคงคลังการจัดการวัสดุและการดำเนินงานคลังสินค้าเขามีประสบการณ์มากกว่า 25 ปีในการบริหารจัดการการดำเนินงานและสามารถเข้าถึงได้ผ่านทางเว็บไซต์ของเขาซึ่งเขายังคงเก็บข้อมูลที่เกี่ยวข้องอีกด้วยธุรกิจของฉันค่าเฉลี่ยขั้นต่ำ - ค่าเฉลี่ยง่ายและค่าเฉลี่ยที่สูงมาก - ง่ายและเป็นไปตามเกณฑ์ การปรับค่าเฉลี่ยโดยเฉลี่ยจะทำให้ข้อมูลราคาเป็นไปอย่างต่อเนื่อง พวกเขาไม่ได้คาดการณ์ทิศทางราคา แต่กำหนดทิศทางปัจจุบันที่มีความล่าช้าเลื่อนค่าเฉลี่ยความล่าช้าเพราะพวกเขาจะขึ้นอยู่กับราคาที่ผ่านมาแม้จะมีความล่าช้านี้ค่าเฉลี่ยเคลื่อนที่ช่วยให้การดำเนินการราคาที่ราบรื่นและกรองเสียงรบกวนนอกจากนี้ยังเป็นรูปแบบการสร้างสำหรับหลาย ๆ ตัวชี้วัดทางเทคนิคและการวางซ้อนเช่น Bollinger Bands MACD และ McClellan Oscillator สองค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยคือ SMA Simple Moving Average และ Exponential Moving Average EMA ค่าเฉลี่ยเคลื่อนที่เหล่านี้สามารถใช้เพื่อระบุทิศทางของแนวโน้มหรือกำหนดศักยภาพ การสนับสนุนและความต้านทาน levels. Here แผนภูมิที่มีทั้ง SMA และ EMA บน it. Click แผนภูมิสำหรับรุ่นที่สดการคำนวณโดยเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะเกิดขึ้นโดยการคำนวณราคาเฉลี่ยของการรักษาความปลอดภัยมากกว่าจำนวนเฉพาะของ คาเฉลี่ยถวงน้ําหนักที่คํานวณไดเทากับ 5 หมายถึงคาเฉลี่ยถวงน้ําหนัก (moving average) ค่าเฉลี่ยเคลื่อนที่เป็นค่าเฉลี่ยที่ย้ายข้อมูลเก่าจะลดลงเมื่อมีข้อมูลใหม่มาซึ่งจะทำให้ค่าเฉลี่ยเคลื่อนที่ไปตามช่วงเวลาด้านล่างเป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่ 5 วันที่พัฒนาขึ้นในช่วงสามวันวันแรกของค่าเฉลี่ยเคลื่อนที่ เพียงครอบคลุมห้าวันที่ผ่านไปวันที่สองของค่าเฉลี่ยเคลื่อนที่จะลดจุดข้อมูลแรก 11 และเพิ่มจุดข้อมูลใหม่ 16 วันที่สามของค่าเฉลี่ยเคลื่อนที่จะยังคงอยู่ต่อไปโดยปล่อยจุดข้อมูลแรก 12 และเพิ่มจุดข้อมูลใหม่ 17 ตัวอย่างเช่นข้างต้นราคาค่อยๆเพิ่มขึ้นจาก 11 เป็น 17 ในช่วงเจ็ดวันทั้งหมดสังเกตว่าค่าเฉลี่ยเคลื่อนที่ยังเพิ่มขึ้นจาก 13 ถึง 15 ในช่วงการคำนวณสามวันด้วยเช่นกันสังเกตได้ว่าค่าเฉลี่ยเคลื่อนที่แต่ละตัวอยู่ต่ำกว่าราคาล่าสุดตัวอย่างเช่น ค่าเฉลี่ยเคลื่อนที่ของวันที่หนึ่งเท่ากับ 13 และราคาสุดท้ายคือ 15 ราคาก่อนหน้านี้สี่วันลดลงและทำให้ค่าเฉลี่ยเคลื่อนที่ลดลงการคำนวณโดยเฉลี่ยที่เกินกว่าค่าเฉลี่ยที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ที่ลดลงจะช่วยลดความล่าช้าโดยยาทาทิน g น้ำหนักมากขึ้นกับราคาล่าสุดน้ำหนักที่ใช้กับราคาล่าสุดขึ้นอยู่กับจำนวนงวดในค่าเฉลี่ยเคลื่อนที่มีขั้นตอนสามขั้นตอนในการคำนวณค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ขั้นแรกคำนวณค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายค่าเฉลี่ยเคลื่อนที่ที่มีการระบุ EMA ต้องเริ่มจากที่ไหนสักแห่ง ดังนั้นค่าเฉลี่ยเคลื่อนที่แบบเรียบจะถูกใช้เป็นค่า EMA ของงวดก่อนหน้าในการคำนวณครั้งที่สองคำนวณตัวคูณที่ถ่วงน้ำหนักที่สามคำนวณค่าเฉลี่ยเคลื่อนที่ที่เป็นไปตามสูตรสูตรด้านล่างมีไว้สำหรับ EMA 10 วันระยะเวลาการเคลื่อนที่เฉลี่ยเลขคณิต 10- รอบจะใช้ 18 18 การถ่วงน้ำหนักไปยังราคาล่าสุด EMA 10 ระยะเวลาสามารถเรียกได้ว่าเป็น EMA 18 18 EMA 20 ระยะเวลา 20 ครั้งใช้การชั่งน้ำหนัก 9 52 กับราคาล่าสุด 2 20 1 0952 สังเกตว่าน้ำหนักของช่วงเวลาที่สั้นลงคือ มากกว่าน้ำหนักสำหรับช่วงเวลาที่ยาวขึ้นในความเป็นจริงการถ่วงน้ำหนักลดลงครึ่งหนึ่งทุกครั้งที่รอบระยะเวลาเฉลี่ยที่เคลื่อนที่ได้สองเท่าหากคุณต้องการให้เราเป็นเปอร์เซ็นต์เฉพาะสำหรับ EMA คุณสามารถใช้สูตรนี้ได้ เพื่อแปลงเป็นช่วงเวลาแล้วใส่ค่าดังกล่าวเป็นพารามิเตอร์ของ EMA ด้านล่างเป็นตัวอย่างของสเปรดชีตของค่าเฉลี่ยเคลื่อนที่ 10 วันและค่าเฉลี่ยเคลื่อนที่แบบก้าวร้าว 10 วันสำหรับ Intel Simple moving averages จะตรงไปข้างหน้าและต้องมีคำอธิบายเล็กน้อย ค่าเฉลี่ยของระยะเวลา 10 วันมีการเคลื่อนไหวเมื่อราคาใหม่กลายเป็นราคาที่มีอยู่และราคาเก่าร่วงลงค่าเฉลี่ยเคลื่อนที่ที่เป็นไปในเชิงบวกจะเริ่มต้นด้วยค่าเฉลี่ยเคลื่อนที่ 22 22 ในการคำนวณครั้งแรกหลังจากการคำนวณครั้งแรกสูตรปกติจะสิ้นสุดลงเนื่องจาก EMA เริ่มต้นด้วย ค่าเฉลี่ยที่แท้จริงค่าที่แท้จริงจะไม่ได้รับรู้จนกว่าจะถึง 20 ปีหรือมากกว่านั้นในคำอื่น ๆ ค่าในสเปรดชีต Excel อาจแตกต่างจากค่าแผนภูมิเนื่องจากช่วงเวลามองย้อนกลับสั้น ๆ สเปรดชีตนี้จะย้อนกลับไป 30 รอบเท่านั้น หมายถึงผลกระทบของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆมีระยะเวลาในการกระจายสต๊อกชิพ 20 ช่วงเวลาอย่างน้อย 250 รอบซึ่งโดยมากแล้วจะมากขึ้นสำหรับการคำนวณเพื่อให้ผลของซิม ค่าเฉลี่ยเคลื่อนที่เฉลี่ยในการคำนวณครั้งแรกมีการกระจายตัวอย่างสิ้นเชิงปัจจัยความล่าช้าอีกต่อไปค่าเฉลี่ยเคลื่อนที่ค่าความล่าช้ามากขึ้นค่าเฉลี่ยถ่วงเวลา 10 วันจะกอดราคาค่อนข้างใกล้ชิดและเลี้ยวไม่นานหลังจากที่ราคาเปิดค่าเฉลี่ยเคลื่อนที่โดยระยะสั้นเป็นเหมือนเรือเร็ว - ว่องไวและรวดเร็วในการเปลี่ยนแปลงในทางตรงกันข้ามค่าเฉลี่ยเคลื่อนที่ 100 วันมีจำนวนข้อมูลที่ผ่านมาที่ลดลงลงค่าเฉลี่ยเคลื่อนที่ที่ยาวกว่าเป็นเหมือนเรือบรรทุกน้ำมันทางทะเล - เซื่องซึมและชะลอการเปลี่ยนแปลงการเคลื่อนไหวของราคาที่ยาวขึ้นและยาวนานขึ้นเป็นเวลา 100 วัน ค่าเฉลี่ยของการเปลี่ยนแปลงโดยคลิกที่แผนภูมิเพื่อดูกราฟสดแผนภูมิด้านบนแสดง SP 500 ETF โดยมี EMA 10 วันใกล้เคียงกับราคาและ SMA 100 วันที่สูงขึ้นแม้จะมีการปรับตัวลดลงในเดือนม. ค. - SMA วันจัดขึ้นแน่นอนและไม่ได้เปิดลง SMA 50 วันเหมาะกับบางระหว่าง 10 และ 100 วันย้ายค่าเฉลี่ยเมื่อมันมาถึงปัจจัยล่าช้าเรียบง่ายและเฉลี่ยเคลื่อนที่แม้ว่าจะมีความแตกต่างระหว่างความเรียบง่าย ving averages และ exponential moving averages ซึ่งไม่จำเป็นต้องดีไปกว่าค่าเฉลี่ยเคลื่อนที่อื่นใดที่มีความล่าช้าน้อยลงและมีความไวต่อราคาที่สูงขึ้นและการเปลี่ยนแปลงของราคาล่าสุดค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดจะเปลี่ยนไปก่อนค่าเฉลี่ยเคลื่อนที่เล็กน้อยค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย เป็นตัวแทนของค่าเฉลี่ยที่แท้จริงของราคาสำหรับช่วงเวลาทั้งหมดดังนั้นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจเหมาะสมกว่าในการระบุระดับการสนับสนุนหรือความต้านทานการกำหนดค่าเฉลี่ยโดยเฉลี่ยขึ้นอยู่กับวัตถุประสงค์รูปแบบการวิเคราะห์และเส้นขอบเวลา Chartists ควรทดลองทั้งสองประเภท ค่าเฉลี่ยและระยะเวลาที่แตกต่างกันเพื่อให้ได้ข้อมูลที่ดีที่สุดแผนภูมิด้านล่างแสดงให้เห็นว่า IBM มี SMA 50 วันอยู่ในสีแดงและ EMA 50 วันสีเขียวทั้งสองจุดในช่วงปลายเดือนมกราคม แต่ EMA ลดลงมากกว่าการลดลงของ EMA SMA EMA เปิดขึ้นในช่วงกลางเดือนกุมภาพันธ์ แต่ SMA ยังคงลดลงไปจนถึงสิ้นเดือนมี. ค. ที่ประกาศว่า SMA เปิดขึ้นในช่วงหนึ่งเดือนหลัง EMA. Len gths และ Timeframes ความยาวของค่าเฉลี่ยเคลื่อนที่ขึ้นอยู่กับวัตถุประสงค์ในการวิเคราะห์ระยะสั้นค่าเฉลี่ยระยะสั้น 5-20 เหมาะสำหรับแนวโน้มระยะสั้นและการซื้อขาย Chartists สนใจในแนวโน้มระยะกลางจะเลือกใช้ค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นซึ่งอาจขยายระยะเวลา 20- นักลงทุนระยะยาวจะชอบเคลื่อนไหวค่าเฉลี่ยที่มีระยะเวลา 100 หรือมากกว่าระยะเวลาในการเคลื่อนที่เฉลี่ยบางส่วนเป็นที่นิยมมากกว่าคนอื่น ๆ ค่าเฉลี่ยเคลื่อนที่ 200 วันอาจเป็นที่นิยมมากที่สุดเพราะความยาวของค่าเฉลี่ยนี้เป็นระยะยาว ถัดไปค่าเฉลี่ยเคลื่อนที่ 50 วันค่อนข้างเป็นที่นิยมสำหรับแนวโน้มระยะกลางนักเกรเทอร์หลายคนใช้ค่าเฉลี่ยเคลื่อนที่ 50 วันและ 200 วันโดยรวมระยะสั้นค่าเฉลี่ยเคลื่อนที่ 10 วันเป็นที่นิยมมากในอดีตเนื่องจากเป็น ง่ายต่อการคำนวณหนึ่งเพียงแค่เพิ่มตัวเลขและย้ายทศนิยม point. Trend Identification. The สัญญาณเดียวกันสามารถสร้างขึ้นโดยใช้ค่าเฉลี่ยเคลื่อนที่ง่ายหรืออธิบายตามที่ระบุไว้ข้างต้นการตั้งค่าขึ้นอยู่กับแต่ละบุคคล e xamples ด้านล่างจะใช้ทั้งค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและเชิงเส้นค่าเฉลี่ยเคลื่อนที่ระยะจะใช้กับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและเชิงเสียดทานทิศทางของค่าเฉลี่ยเคลื่อนที่บ่งบอกข้อมูลที่สำคัญเกี่ยวกับราคาค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นแสดงให้เห็นว่าราคาโดยทั่วไปจะเพิ่มขึ้น ราคาเฉลี่ยปรับตัวลดลงค่าเฉลี่ยระยะยาวที่เกิดขึ้นในระยะยาวสะท้อนถึงแนวโน้มขาขึ้นในระยะยาวค่าเฉลี่ยเคลื่อนที่ระยะยาวที่ลดลงสะท้อนถึงแนวโน้มขาลงในระยะยาวแผนภูมิข้างต้นแสดงค่าเฉลี่ยเคลื่อนที่ที่ใช้ในการคำนวณ 3M MMM โดยมีค่าเฉลี่ยเลขยกกำลัง 150 วันตัวอย่าง แสดงให้เห็นว่าค่าเฉลี่ยการเคลื่อนไหวเฉลี่ยอยู่ที่เท่าไหร่เมื่อมีความแข็งแกร่งมากขึ้น EMA 150 วันพังลงในเดือนพฤศจิกายน 2550 และอีกครั้งในเดือนมกราคม 2551 แจ้งให้ทราบว่าการปรับลดลง 15 ครั้งทำให้ดัชนีลดลง 15 ตัวบ่งชี้การพลิกกลับของแนวโน้ม เกิดขึ้นที่ดีที่สุดหรือหลังจากที่เกิดขึ้นในช่วงที่เลวร้ายที่สุด MMM ยังคงลดลงในเดือนมีนาคม 2009 และเพิ่มขึ้นแล้ว 40-50 สังเกตว่า EMA 150 วันไม่ได้เปิดขึ้น หลังจากที่มีการเพิ่มขึ้นครั้งนี้ MMM ยังคงเพิ่มขึ้นต่อเนื่องในอีก 12 เดือนข้างหน้าการเคลื่อนไหวโดยเฉลี่ยมีแนวโน้มที่ดีขึ้นอย่างมาก Double Crossovers. Two ค่าเฉลี่ยเคลื่อนที่สามารถใช้ร่วมกันเพื่อสร้างสัญญาณครอสโอเวอร์ในการวิเคราะห์ทางเทคนิคของตลาดการเงิน John Murphy เรียกสิ่งนี้ว่า วิธีข้ามแบบคู่ Double crossovers หมายถึงค่าเฉลี่ยเคลื่อนที่ที่ค่อนข้างสั้นและค่าเฉลี่ยเคลื่อนที่ที่ค่อนข้างยาวเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ทั้งหมดความยาวโดยเฉลี่ยของค่าเฉลี่ยเคลื่อนที่จะกำหนดระยะเวลาของระบบ A โดยใช้ EMA 5 วันและ EMA 35 วัน จะถือว่าระยะสั้นระบบโดยใช้ 50 วัน SMA และ 200 วัน SMA จะถือว่าระยะปานกลางหรือแม้กระทั่งในระยะยาวครอสโอเวอร์รุกจะเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นกว่าเหนือกว่าค่าเฉลี่ยเคลื่อนที่อีกต่อไปนี้ยังเป็น รู้จักกันในนามของกากบาทสีแดงการไขว้แบบหยาบคายเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่สั้นลงต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นนี้เรียกว่า cross cross ที่ตายแล้วค่า crossovers เฉลี่ยที่เกิดขึ้น ly หลังจากนั้นระบบใช้ตัวบ่งชี้ที่ปกคลุมด้วยวัตถุฉนวนทั้งสองตัวขึ้นไประยะเวลาการเคลื่อนที่ที่ยาวนานขึ้นสัญญาณเหล่านี้จะทำงานได้ดีเมื่อมีแนวโน้มดีๆอย่างไรก็ตามระบบครอสโอเวอร์เฉลี่ยเคลื่อนที่จะทำให้เกิด whipsaws จำนวนมากใน ไม่มีแนวโน้มที่แข็งแกร่งนอกจากนี้ยังมีวิธีไขว้ไตรรงค์ที่เกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่สามครั้งอีกครั้งสัญญาณจะถูกสร้างขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นที่สุดข้ามสองค่าเฉลี่ยเคลื่อนที่อีกต่อไประบบครอสโอเวอร์สามแบบที่ง่ายอาจเกี่ยวข้องกับ 5 วัน 10 วันและ กราฟค่าเฉลี่ยระยะเวลา 20 วันแผนภูมิข้างต้นแสดง Home Depot HD พร้อมด้วยเส้นสีเขียว EMA 10 วันและเส้นสีแดง EMA 50 วันสายสีดำคือการปิดบัญชีรายวันโดยใช้การครอสโอเวอร์เฉลี่ยเคลื่อนที่จะส่งผลให้เกิด whipsaws สามตัวก่อนที่จะจับ การดีดตัว EMA 10 วันอ่อนตัวลงมาต่ำกว่า EMA 50 วันในช่วงปลายเดือนตุลาคมที่ผ่านมา แต่ระยะเวลาดังกล่าวไม่ได้นานถึง 10 วันที่ผ่านมาในช่วงกลางเดือนพฤศจิกายนที่ผ่านมาข้ามนี้ใช้เวลานานกว่า ary 3 เกิดขึ้นใกล้ระดับราคาในปลายเดือนพฤศจิกายนซึ่งส่งผลให้เกิด whipsaw อีกคราวนี้การขึ้นเครื่องหมายลบยังไม่นานนักเนื่องจาก EMA 10 วันกลับมาเหนือ 50 วันในอีกไม่กี่วันต่อมา 4 หลังจากสัญญาณไม่ดีสามสัญญาณสัญญาณที่ 4 คาดว่าจะมีการเคลื่อนไหวที่แข็งแกร่ง เป็นหุ้นที่สูงกว่า 20.There สอง takeaways ที่นี่แรกไขว้มีแนวโน้มที่จะ whipsaw สามารถใช้ตัวกรองราคาหรือเวลาที่จะช่วยป้องกัน whipsaws ผู้ค้าอาจต้องครอสโอเวอร์ไป 3 วันก่อนที่จะทำหน้าที่หรือต้อง 10 วัน EMA ไป เคลื่อนตัวใต้เส้น EMA 50 วันมาอยู่ที่ระดับหนึ่งก่อนทำเครื่องหมายที่สอง MACD จะถูกใช้เพื่อระบุและหาปริมาณ MACO 10,50,1 จะแสดงเส้นแสดงความแตกต่างระหว่างค่าเฉลี่ยเคลื่อนที่สองเส้นค่าเฉลี่ย MACD จะเป็นบวกในช่วง เครื่องหมายกากบาทสีทองและค่าลบระหว่างช่วงเวลาที่ตายตัวตัวบ่งชี้ร้อยละราคา PPO สามารถใช้วิธีเดียวกันเพื่อแสดงความแตกต่างของเปอร์เซ็นต์หมายเหตุ MACD และ PPO ใช้ค่าเฉลี่ยเคลื่อนที่แบบเสแสร้งและไม่ตรงกับ ค่าเฉลี่ยเคลื่อนที่โดยรวมแผนภูมินี้แสดง Oracle ORCL พร้อมกับ EMA 50 วัน EMA 200 วันและ MACD 50,200,1 มีการแยกไขว้เฉลี่ย 4 ช่วงในช่วง 2 ปี 1 ปี 2 ครั้งแรกมีผลให้เกิด whipsaws หรือ bad trades เทรนด์ที่ยั่งยืน เริ่มต้นด้วยการครอสโอเวอร์ที่สี่เป็น ORCL ก้าวสู่ช่วงกลางยุค 20 อีกครั้งการเคลื่อนไขว้เฉลี่ยทำงานได้ดีเมื่อมีแนวโน้มแข็งแกร่ง แต่สร้างความสูญเสียในกรณีที่ไม่มีแนวโน้มราคา Cross Cross เฉลี่ยที่เกิดขึ้นนอกจากนี้ยังสามารถใช้ในการสร้างสัญญาณด้วยวิธีง่ายๆ สัญญาณบ่งบอกราคาจะเคลื่อนไปเหนือเส้นค่าเฉลี่ยเคลื่อนที่สัญญาณหยาบคายถูกสร้างขึ้นเมื่อราคาเคลื่อนตัวต่ำกว่าค่าเฉลี่ยเคลื่อนที่ค่าไขว้ราคาสามารถรวมเข้ากับการค้าภายในแนวโน้มที่ใหญ่กว่าค่าเฉลี่ยที่ยาวขึ้นจะเป็นตัวกำหนดทิศทางของแนวโน้มที่ใหญ่กว่า ค่าเฉลี่ยเคลื่อนที่ที่สั้นลงจะใช้ในการสร้างสัญญาณหนึ่งจะมองหาราคารั้นก้าวร้าวเมื่อราคามีอยู่แล้วสูงกว่าค่าเฉลี่ยเคลื่อนที่อีกต่อไปนี้จะซื้อขายในความสามัคคีกับ แนวโน้มที่ใหญ่กว่าตัวอย่างเช่นถ้าราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันนักเก็งกำไรจะเน้นเฉพาะสัญญาณเมื่อราคาเคลื่อนตัวสูงกว่าค่าเฉลี่ยเคลื่อนที่ 50 วันอย่างเห็นได้ชัดการเคลื่อนไหวต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 50 วันจะเป็นสัญญาณก่อนเช่นสัญญาณ การข้ามไปข้างหน้าจะไม่ได้รับการตอบรับเนื่องจากมีแนวโน้มเพิ่มมากขึ้นการข้ามหยาบคายก็จะแนะนำให้มีการปรับตัวลงในช่วงขาขึ้นที่ใหญ่ขึ้นการข้ามกลับเหนือเส้นค่าเฉลี่ยเคลื่อนที่ 50 วันจะส่งสัญญาณถึงการปรับตัวดีขึ้นของราคาและความต่อเนื่องของแนวโน้มขาขึ้นที่ใหญ่ขึ้น แสดง Emerson Electric EMR ที่มี EMA 50 วันและ EMA 200 วันหุ้นขึ้นเหนือและอยู่เหนือระดับเฉลี่ยในช่วงระยะเวลา 200 วันในเดือนสิงหาคมมีการปรับตัวลดลงต่ำกว่า 50 วัน EMA ในช่วงต้นเดือนพฤศจิกายนและอีกครั้งในช่วงต้นเดือนกุมภาพันธ์ กลับมาอยู่เหนือเส้น EMA 50 วันเพื่อให้สัญญาณลูกศรสีเขียวในแนวราบสอดคล้องกับขาขึ้นที่ใหญ่ขึ้น MACD 1,50,1 จะแสดงในหน้าต่างตัวบ่งชี้เพื่อยืนยันการข้ามผ่านด้านล่างหรือด้านล่าง EMA 50 วัน EMA เท่ากับ 1 วันเท่ากับ ราคาปิด MAC D 1,50,1 เป็นบวกเมื่อระยะสั้นใกล้เส้น EMA 50 วันและเป็นลบเมื่อระยะใกล้อยู่ด้านล่าง EMA 50 วันความช่วยเหลือและแนวต้านค่าเฉลี่ยยังเป็นแนวรับในแนวรองรับขาขึ้นและแนวต้านในทิศทางขาลง แนวรับระยะสั้นอาจได้รับแรงหนุนจากเส้นค่าเฉลี่ยเคลื่อนที่ 20 วันซึ่งใช้ในแถบ Bollinger Bands ระยะยาวอาจได้แรงหนุนจากค่าเฉลี่ยเคลื่อนที่ 200 วันซึ่งเป็นระยะยาวที่เป็นที่นิยมมากที่สุด ค่าเฉลี่ยถ้าความเป็นจริงค่าเฉลี่ยเคลื่อนที่ 200 วันอาจให้การสนับสนุนหรือความต้านทานได้เนื่องจากมีการใช้กันอย่างแพร่หลายเกือบจะเหมือนกับคำทำนายที่ทำด้วยตัวเองแผนภูมิข้างบนแสดงให้เห็นว่า NY Composite มีค่าเฉลี่ยเคลื่อนที่ 200 วันจากกลางปี ​​2004 จนถึงสิ้นปีงบประมาณ 2551 ระยะเวลา 200 วันให้การสนับสนุนหลายครั้งในช่วงก่อนหน้านี้เมื่อแนวโน้มผันกลับมาที่จุดต่ำสุดของการสนับสนุนด้านบนค่าเฉลี่ยเคลื่อนที่ 200 วันทำหน้าที่เป็นแนวต้านรอบ 9500 ไม่ควรคาดหวังว่าการสนับสนุนและความต้านทานที่แท้จริงจะมาจากค่าเฉลี่ยเคลื่อนที่ โดยเฉพาะอีกต่อไป mo ving averages ตลาดมีการขับเคลื่อนด้วยอารมณ์ซึ่งทำให้มีแนวโน้มที่จะ overshoots แทนที่จะเป็นระดับที่แน่นอนค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการระบุการสนับสนุนหรือความต้านทานโซนข้อดีของการใช้ค่าเฉลี่ยเคลื่อนที่จะต้องมีการชั่งน้ำหนักกับข้อเสียการเคลื่อนที่เฉลี่ยอยู่ในแนวโน้ม, หรือปกคลุมด้วยวัตถุฉนวนตัวชี้วัดที่มักจะเป็นขั้นตอนหลังนี้ไม่จำเป็นต้องเป็นสิ่งที่ไม่ดีแม้ว่าหลังจากที่ทุกแนวโน้มเป็นเพื่อนของคุณและที่ดีที่สุดคือการค้าในทิศทางของแนวโน้มการย้ายค่าเฉลี่ยประกันว่าผู้ประกอบการค้าอยู่ในแนวเดียวกันกับ แนวโน้มปัจจุบันแม้ว่าคุณจะมีแนวโน้มเป็นอย่างมากก็ตาม แต่การลงทุนในหลักทรัพย์ของคุณก็ใช้เวลามากในการซื้อขายซึ่งจะทำให้ค่าเฉลี่ยเคลื่อนที่ไม่ได้ผลเมื่ออยู่ในแนวโน้มค่าเฉลี่ยเคลื่อนที่จะช่วยให้คุณเข้าสู่ระบบได้ แต่ยังมีสัญญาณปลายสายคาดว่าจะขายได้ที่ ด้านบนและซื้อที่ด้านล่างโดยใช้ค่าเฉลี่ยเคลื่อนที่เช่นเดียวกับเครื่องมือวิเคราะห์ทางเทคนิคส่วนใหญ่ค่าเฉลี่ยเคลื่อนที่ไม่ควรใช้ด้วยตัวเอง แต่ร่วมกับเครื่องมือเสริมอื่น ๆ Chartists สามารถ ใช้ค่าเฉลี่ยเคลื่อนที่ในการกำหนดแนวโน้มโดยรวมแล้วใช้ RSI เพื่อกำหนดระดับซื้อเกินหรือเกินซื้อการเพิ่มค่าเฉลี่ยเคลื่อนที่ไปยัง StockCharts Charts. Moving averages จะมีอยู่เป็นคุณลักษณะการวางซ้อนราคาบนโต๊ะทำงาน SharpCharts โดยใช้เมนูแบบเลื่อนลง Overlays ผู้ใช้สามารถเลือกได้ ค่าเฉลี่ยแรกที่ใช้ในการกำหนดจำนวนรอบระยะเวลาพารามิเตอร์ที่เป็นตัวเลือกสามารถเพิ่มเพื่อระบุว่าควรใช้ฟิลด์ราคาใดในการคำนวณ O สำหรับ Open, H for the High , L สำหรับต่ำและ C สำหรับเครื่องหมายจุลภาคปิดเครื่องหมายจุลภาคใช้เพื่อแยกพารามิเตอร์พารามิเตอร์อื่น ๆ ที่เป็นตัวเลือกสามารถเพิ่มเพื่อเลื่อนค่าเฉลี่ยเคลื่อนที่ไปทางซ้ายหรืออนาคตที่ถูกต้องจำนวนลบ -10 จะเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปทางซ้าย 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. ตัวเลือกขั้นสูงสามารถใช้เพื่อเพิ่มการวางซ้อนค่าเฉลี่ยเคลื่อนไหวสำหรับตัวชี้วัดทางเทคนิคอื่น ๆ เช่น RSI, CCI และ Volume คลิกที่นี่เพื่อดูกราฟสดที่มีค่าเฉลี่ยเคลื่อนที่แตกต่างกันโดยใช้เส้นค่าเฉลี่ยเคลื่อนที่ที่มีการสแกนสต็อกช็อต สมาชิกสามารถใช้เพื่อสแกนหาค่าเฉลี่ยของสถานการณ์ที่เคลื่อนไหวได้โดยทั่วไปการเคลื่อนไหวเฉลี่ยข้ามเฉลี่ยการสแกนนี้จะหาหุ้นที่มีค่าเฉลี่ยเคลื่อนที่ 150 วันที่เพิ่มขึ้นและการข้ามผ่านแนวราบของ EMA 5 วันและ EMA 35 วันค่าเฉลี่ยเคลื่อนที่ 150 วัน จะเพิ่มขึ้นตราบเท่าที่มีการซื้อขายเหนือระดับของห้าวันที่ผ่านมาข้ามรั้นเกิดขึ้นเมื่อ EMA 5 วันเคลื่อนตัวเหนือเส้น EMA 35 วันเมื่อเทียบกับค่าเฉลี่ยสูงกว่าค่าเฉลี่ยการเคลื่อนที่ข้ามเส้นขยับ Crossish Moving Average Cross การสแกนนี้จะมองหาหุ้นที่ลดลง 150- วันค่าเฉลี่ยการเคลื่อนไหวแบบถดถอยและเส้นค่าเฉลี่ยถดถอยในระยะสั้น EMA 5 วันและ EMA 35 วันค่าเฉลี่ยเคลื่อนที่ 150 วันจะลดลงตราบเท่าที่ราคาซื้อขายอยู่ในระดับต่ำกว่า 5 วันที่ผ่านมา ต่ำกว่า EMA 35 วันที่ ABO หนังสือเล่มนี้มีบทที่อุทิศให้กับค่าเฉลี่ยเคลื่อนที่และการใช้งานต่างๆของพวกเขา Murphy ครอบคลุมข้อดีและข้อเสียของการย้ายค่าเฉลี่ยนอกจากนี้เมอร์ฟี่แสดงให้เห็นว่าการเคลื่อนไหวโดยเฉลี่ยทำงานร่วมกับ Bollinger Bands และระบบการซื้อขายบนช่องทางอย่างไรเทคนิค การวิเคราะห์ตลาดการเงิน John Murphy