Moving Averages: Bagaimana Menggunakannya Beberapa fungsi utama dari moving average adalah untuk mengidentifikasi tren dan pembalikan. Mengukur kekuatan momentum aset dan menentukan area potensial dimana suatu aset akan menemukan support atau resistance. Pada bagian ini kita akan menunjukkan bagaimana periode waktu yang berbeda dapat memonitor momentum dan bagaimana moving averages dapat bermanfaat dalam menetapkan stop-loss. Selanjutnya, kami akan membahas beberapa kemampuan dan keterbatasan rata-rata bergerak yang harus dipertimbangkan saat menggunakannya sebagai bagian dari rutinitas perdagangan. Tren Mengidentifikasi tren adalah salah satu fungsi utama moving averages, yang digunakan oleh kebanyakan trader yang berusaha membuat trend teman mereka. Moving averages adalah indikator lagging. Yang berarti bahwa mereka tidak memprediksi tren baru, namun konfirmasikan tren begitu mereka telah terbentuk. Seperti yang dapat Anda lihat pada Gambar 1, saham dianggap berada dalam tren naik ketika harga berada di atas rata-rata bergerak dan rata-rata meluncur ke atas. Sebaliknya, trader akan menggunakan harga di bawah rata-rata miring ke bawah untuk mengkonfirmasi tren turun. Banyak trader hanya akan mempertimbangkan untuk memegang posisi long dalam sebuah aset ketika harga diperdagangkan di atas rata-rata bergerak. Aturan sederhana ini dapat membantu memastikan bahwa tren tersebut menguntungkan para pedagang. Momentum Banyak trader pemula bertanya bagaimana mengukur momentum dan bagaimana moving averages dapat digunakan untuk mengatasi hal tersebut. Jawabannya yang sederhana adalah dengan memperhatikan periode waktu yang digunakan dalam menciptakan rata-rata, karena setiap periode waktu dapat memberi wawasan berharga tentang berbagai jenis momentum. Secara umum, momentum jangka pendek dapat diukur dengan melihat moving averages yang fokus pada periode waktu 20 hari atau kurang. Melihat moving averages yang dibuat dengan jangka waktu 20 sampai 100 hari umumnya dianggap sebagai ukuran momentum jangka menengah yang baik. Akhirnya, setiap rata-rata bergerak yang menggunakan 100 hari atau lebih dalam perhitungan dapat digunakan sebagai ukuran momentum jangka panjang. Akal sehat harus memberi tahu Anda bahwa rata-rata pergerakan 15 hari adalah ukuran momentum jangka pendek yang lebih sesuai daripada rata-rata pergerakan 200 hari. Salah satu metode terbaik untuk menentukan kekuatan dan arah momentum aset adalah menempatkan tiga rata-rata bergerak ke dalam grafik dan kemudian memperhatikan bagaimana mereka menumpuk dalam kaitannya dengan satu sama lain. Tiga rata-rata bergerak yang umumnya digunakan memiliki kerangka waktu yang bervariasi dalam upaya untuk mewakili pergerakan harga jangka pendek, menengah dan jangka panjang. Pada Gambar 2, momentum ke atas yang kuat terlihat ketika rata-rata jangka pendek berada di atas rata-rata jangka panjang dan dua rata-rata divergen. Sebaliknya, bila rata-rata jangka pendek berada di bawah rata-rata jangka panjang, momentum berada dalam arah ke bawah. Dukungan Penggunaan umum rata-rata bergerak lainnya adalah dalam menentukan harga potensial. Tidak perlu banyak pengalaman dalam berurusan dengan moving averages untuk melihat bahwa penurunan harga suatu aset seringkali akan berhenti dan membalikkan arah pada level yang sama dengan rata-rata yang penting. Misalnya, pada Gambar 3 Anda dapat melihat bahwa rata-rata pergerakan 200 hari mampu menopang harga saham setelah turun dari level tertinggi di dekat 32. Banyak pedagang akan mengantisipasi kenaikan rata-rata pergerakan utama dan akan menggunakan biaya lainnya. Indikator teknis sebagai konfirmasi dari pergerakan yang diharapkan. Perlawanan Setelah harga aset turun di bawah tingkat dukungan yang berpengaruh, seperti rata-rata pergerakan 200 hari, tidak biasa melihat rata-rata bertindak sebagai penghalang kuat yang mencegah investor mendorong harga di atas rata-rata itu. Seperti yang dapat Anda lihat dari grafik di bawah ini, resistensi ini sering digunakan oleh trader sebagai tanda untuk mengambil keuntungan atau untuk menutup posisi lama yang ada. Banyak penjual pendek juga akan menggunakan rata-rata ini sebagai entry point karena harga sering memantul dari resistance dan melanjutkan pergerakannya lebih rendah. Jika Anda adalah investor yang memegang posisi panjang dalam aset yang diperdagangkan di bawah rata-rata pergerakan utama, mungkin Anda berminat untuk menonton level ini dengan ketat karena hal itu dapat sangat mempengaruhi nilai investasi Anda. Stop-Kerugian Karakteristik pendukung dan ketahanan moving averages menjadikannya alat yang hebat untuk mengelola risiko. Kemampuan bergerak rata-rata untuk mengidentifikasi tempat-tempat strategis untuk menetapkan stop-loss orders memungkinkan trader untuk memotong posisi kehilangan sebelum mereka dapat tumbuh lebih besar. Seperti yang dapat Anda lihat pada Gambar 5, pedagang yang memegang posisi long dalam saham dan menetapkan stop-loss order mereka di bawah rata-rata berpengaruh dapat menghemat banyak uang. Menggunakan moving averages untuk menetapkan stop-loss order adalah kunci dari strategi trading yang sukses. Model rata-rata dan eksponensial merapikan eksponensial Sebagai langkah awal untuk bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan menggunakan Model moving-average atau smoothing. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotsmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat perataan (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata-rata yang paling sederhana adalah. Rata-rata Bergerak Sederhana (rata-rata tertimbang): Perkiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk mendapatkan kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil rata-rata. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia memilih sebagian besar quot quotisequot di Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang lebih halus: Rata-rata pergerakan sederhana 5-langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai yang terakhir diamati, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata pergerakan sederhana 9-term, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, usia rata-rata meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata bergerak 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam ramalan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan perkiraan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam ramalan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, bila 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang masuk akal, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linier konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena opsi penyesuaian musiman dinonaktifkan saat jenis model diatur ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi pemulusan eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Dapat diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi terbaik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, smoothing eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi horisontal kuotometer. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Ada kemungkinan untuk menghitung interval kepercayaan di sekitar perkiraan jangka panjang yang dihasilkan oleh model penghalusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Perhatian ke atas halaman.) Teknik Peramalan Permintaan: Pemindahan Eksponensial Rata-rata Bergerak Pelajaran ini akan membahas peramalan permintaan dengan fokus pada penjualan barang dan jasa yang sudah mapan. Ini akan memperkenalkan teknik kuantitatif moving average dan eksponensial smoothing untuk membantu menentukan permintaan penjualan. Apa Peramalan Permintaan Sekali lagi, musim liburannya. Anak-anak siap untuk berkunjung dari Santa, dan orang tua stres karena belanja dan keuangan. Bisnis sedang menyelesaikan operasi mereka untuk tahun kalender dan bersiap untuk beralih ke apa pun yang ada di depan. ABC Inc. memproduksi kawat telepon. Periode operasi akuntansi dan operasi mereka berjalan pada tahun kalender, sehingga akhir tahun memungkinkan mereka menyelesaikan operasi sebelum liburan dan rencana untuk memulai tahun baru. Waktunya bagi para manajer untuk mempersiapkan dan menyerahkan rencana operasional departemen mereka kepada manajemen senior sehingga mereka dapat membuat rencana operasi organisasi untuk tahun yang baru. Bagian penjualan ditekankan dari pikiran mereka. Permintaan kawat telepon turun pada tahun 2015 dan data ekonomi umum menunjukkan penurunan yang terus berlanjut dalam proyek konstruksi yang memerlukan kawat telepon. Bob, manajer penjualan, tahu bahwa manajemen senior, dewan direksi dan pemangku kepentingan berharap untuk perkiraan penjualan yang optimis, namun ia merasa es resesi industri merayap di belakangnya untuk mengatasi dia. Peramalan permintaan adalah metode proyeksi permintaan pelanggan akan barang atau jasa. Proses ini merupakan proses yang terus-menerus dimana para manajer menggunakan data historis untuk menghitung apa yang mereka harapkan dari permintaan penjualan untuk mendapatkan barang atau jasa. Bob menggunakan informasi dari perusahaan sebelumnya dan menambahkannya ke data ekonomi dari pasar untuk melihat apakah penjualan akan tumbuh atau menurun. Bob menggunakan hasil peramalan permintaan untuk menetapkan tujuan departemen penjualan, sambil berusaha tetap sejalan dengan tujuan perusahaan. Bob akan bisa mengevaluasi hasil departemen penjualan tahun depan untuk menentukan bagaimana ramalannya keluar. Bob bisa menggunakan berbagai teknik yang bersifat kualitatif dan kuantitatif untuk mengetahui pertumbuhan atau penurunan penjualan. Contoh teknik kualitatif meliputi: Prediksi terpelajar Prediksi pasar Teori permainan Teknik Delphi Contoh teknik kuantitatif meliputi: Ekstrapolasi Data mining Model kausal Model Box-Jenkins Contoh teknik peramalan permintaan yang tercantum di atas hanyalah daftar singkat kemungkinan yang tersedia bagi Bob karena ia Praktik peramalan permintaan. Pelajaran ini akan berfokus pada dua teknik kuantitatif tambahan yang mudah digunakan dan memberikan perkiraan yang obyektif dan akurat. Moving Average Formula Rata-rata bergerak adalah teknik yang menghitung keseluruhan tren dalam kumpulan data. Dalam manajemen operasi, kumpulan data adalah volume penjualan dari data historis perusahaan. Teknik ini sangat berguna untuk meramalkan tren jangka pendek. Ini hanyalah rata-rata jangka waktu tertentu. Yang disebut bergerak karena sebagai nomor permintaan baru dihitung untuk jangka waktu yang akan datang, nomor tertua di set jatuh, menjaga jangka waktu tetap terkunci. Mari kita lihat contoh bagaimana manajer penjualan di ABC Inc. akan meramalkan permintaan dengan menggunakan rumus rata-rata bergerak. Rumusnya diilustrasikan sebagai berikut: Moving Average (n1 n2 n3.) N Dimana n jumlah periode waktu dalam kumpulan data. Jumlah periode pertama dan semua periode waktu tambahan yang dipilih dibagi dengan jumlah periode waktu. Bob memutuskan untuk membuat perkiraan permintaannya berdasarkan rata-rata pergerakan 5 tahun. Ini berarti dia akan menggunakan data volume penjualan dari 5 tahun terakhir sebagai data untuk perhitungan. Exponential Smoothing Exponential smoothing adalah teknik yang menggunakan smoothing constant sebagai prediktor peramalan masa depan. Kapan pun Anda menggunakan angka dalam peramalan yang rata-rata, itu telah dihaluskan. Teknik ini mengambil data historis dari periode waktu sebelumnya dan menerapkan perhitungan untuk eksponensial smoothing untuk meramalkan data masa depan. Dalam kasus ini, Bob juga akan menerapkan pemulusan eksponensial untuk dibandingkan dengan perhitungan sebelumnya dari rata-rata bergerak untuk mendapat opini kedua. Rumus untuk eksponensial smoothing adalah sebagai berikut. F (t) perkiraan untuk 2016 F (t-1) perkiraan untuk tahun sebelumnya alfa smoothing konstan A (t-1) penjualan aktual dari tahun sebelumnya Konstanta pemulusan adalah bobot yang diterapkan pada persamaan berdasarkan seberapa besar penekanan perusahaan Tempat pada data terbaru. Konstanta pemulusan adalah angka antara 0 dan 1. Konstanta pemulusan 0,9 akan memberi sinyal bahwa manajemen memberi banyak penekanan pada periode data penjualan historis yang paling lama. Konstanta pemulusan 0,1 akan memberi sinyal bahwa manajemen hanya memberi sedikit penekanan pada periode waktu sebelumnya. Pilihan konstanta pemulusan adalah hit atau miss dan dapat dimodifikasi karena lebih banyak data tersedia. Kami akan menggunakan grafik dari atas dengan volume penjualan historis untuk menghitung perkiraan pemulusan eksponensial untuk 2016. Ada kolom tambahan untuk memasukkan volume penjualan yang diperkirakan. Perhitungan ini adalah formula yang cukup efisien dan cukup akurat dibandingkan teknik peramalan permintaan lainnya. Ringkasan Pelajaran Peramalan permintaan merupakan bagian penting dari rencana perusahaan yang diproyeksikan untuk periode waktu mendatang. Teknik yang berbeda dapat digunakan, baik secara kualitatif maupun kuantitatif, dan memberikan rangkaian data yang berbeda kepada para manajer karena mereka memperkirakan permintaan, terutama dalam volume penjualan. Teknik pemulusan rata-rata bergerak dan eksponensial keduanya merupakan contoh metode yang tepat untuk membantu permintaan perkiraan. Untuk membuka pelajaran ini, Anda harus menjadi Anggota Studi. Buat akun Anda Earning College Credit Apakah Anda mengenalnya? Kami memiliki lebih dari 79 perguruan tinggi yang mempersiapkan Anda untuk mendapatkan kredit dengan ujian yang diterima oleh lebih dari 2.000 perguruan tinggi dan universitas. Anda bisa mengetes dari dua tahun pertama kuliah dan menghemat ribuan gelar Anda. Siapa saja bisa mendapatkan kredit dengan ujian tanpa memandang usia atau tingkat pendidikan. Mentransfer kredit ke sekolah pilihan Anda Tidak yakin perguruan tinggi mana yang ingin Anda ikuti namun Studi memiliki ribuan artikel tentang setiap tingkat pengetahuan, area studi dan jalur karir yang dapat membantu Anda menemukan sekolah itu tepat untuk Anda. Sekolah Penelitian, Derajat amp Karir Dapatkan info tidak bias yang Anda butuhkan untuk menemukan sekolah yang tepat. Jelajahi Artikel Berdasarkan Kategori
No comments:
Post a Comment