Moving average model application

Moving Average Contoh ini mengajarkan cara menghitung moving average dari deret waktu di Excel. Rata-rata bergerak digunakan untuk memperlancar penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-in Analisis ToolPak. 3. Pilih Moving Average dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak Interval dan ketik 6. 6. Klik pada kotak Output Range dan pilih sel B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita mengatur interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan titik data saat ini. Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang semakin meningkat. Excel tidak bisa menghitung moving average untuk 5 poin data pertama karena tidak ada cukup data point sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk interval 2 dan interval 4. Kesimpulan: Semakin besar interval, semakin puncak dan lembah dihaluskan. Semakin kecil interval, semakin dekat rata-rata bergerak ke titik data aktual. Ada sejumlah pendekatan untuk membuat deret waktu pemodelan. Kami menguraikan beberapa pendekatan yang paling umum di bawah ini. Trend, Seasonal, Residual Decompositions Salah satu pendekatannya adalah menguraikan deret waktu menjadi komponen tren, musiman, dan residual. Pemulusan eksponensial tiga adalah contoh pendekatan ini. Contoh lain, disebut loess musiman, didasarkan pada kuadrat terkecil tertimbang lokal dan dibahas oleh Cleveland (1993). Kami tidak membahas permainan musiman di buku pegangan ini. Metode Berbasis Frekuensi Pendekatan lain, yang umum digunakan dalam aplikasi ilmiah dan teknik, adalah menganalisis rangkaian dalam domain frekuensi. Contoh dari pendekatan ini dalam pemodelan kumpulan data tipe sinusoidal ditunjukkan dalam studi kasus defleksi balok. Plot spektral adalah alat utama untuk analisis frekuensi deret waktu. Model Autoregressive (AR) Pendekatan umum untuk pemodelan univariat time series adalah model autoregressive (AR): Xt delta phi1 X phi2 X cdots phip X Di mana (Xt) adalah deret waktu, (At) adalah white noise, dan delta Kiri (1 - sum p phii kanan) mu. Dengan (mu) yang menunjukkan mean prosesnya. Model autoregresif hanyalah sebuah regresi linier dari nilai arus seri terhadap satu atau lebih nilai awal dari rangkaian. Nilai (p) disebut urutan model AR. Model AR dapat dianalisis dengan salah satu dari berbagai metode, termasuk teknik kuadrat linier standar. Mereka juga memiliki interpretasi langsung. Model Moving Average (MA) Pendekatan umum lainnya untuk pemodelan model rangkaian waktu univariat adalah model moving average (MA): Xt mu At - theta1 A - theta2 A - cdots - thetaq A, di mana (Xt) adalah deret waktunya, (mu ) Adalah mean dari rangkaian, (A) adalah istilah white noise, dan (theta1,, ldots,, thetaq) adalah parameter dari model. Nilai (q) disebut urutan model MA. Artinya, model rata-rata bergerak secara konseptual adalah regresi linier dari nilai arus seri terhadap noise putih atau guncangan acak dari satu atau lebih nilai awal dari rangkaian. Guncangan acak pada masing-masing titik diasumsikan berasal dari distribusi yang sama, biasanya distribusi normal, dengan lokasi pada nol dan skala konstan. Perbedaan dalam model ini adalah bahwa guncangan acak ini digabungkan ke nilai masa depan dari seri waktu. Pemasangan perkiraan MA lebih rumit daripada model AR karena istilah error tidak dapat diamati. Ini berarti bahwa prosedur pemasangan non-linier iteratif harus digunakan sebagai pengganti kuadrat terkecil linier. Model MA juga memiliki interpretasi yang kurang jelas dibanding model AR. Kadang-kadang ACF dan PACF akan menyarankan bahwa model MA akan menjadi pilihan model yang lebih baik dan terkadang kedua istilah AR dan MA harus digunakan dalam model yang sama (lihat Bagian 6.4.4.5). Namun, perlu diketahui bahwa istilah kesalahan setelah model sesuai harus independen dan mengikuti asumsi standar untuk proses univariat. Box dan Jenkins mempopulerkan pendekatan yang menggabungkan rata-rata bergerak dan pendekatan autoregresif dalam buku Time Series Analysis: Forecasting and Control (Box, Jenkins, dan Reinsel, 1994). Meskipun pendekatan autoregresif dan pendekatan rata-rata sudah diketahui (dan pada awalnya diselidiki oleh Yule), kontribusi Box and Jenkins adalah dalam mengembangkan metodologi sistematis untuk mengidentifikasi dan memperkirakan model yang dapat menggabungkan kedua pendekatan tersebut. Hal ini membuat model Box-Jenkins menjadi model kelas yang hebat. Beberapa bagian selanjutnya akan membahas model-model ini secara rinci. Rata-rata - MA BREAKING DOWN Moving Average - MA Sebagai contoh SMA, pertimbangkan keamanan dengan harga penutupan berikut selama 15 hari: Minggu 1 (5 hari) 20, 22, 24, 25, 23 Minggu 2 (5 hari) 26, 28, 26, 29, 27 Minggu 3 (5 hari) 28, 30, 27, 29, 28 MA 10 hari akan rata-rata harga penutupan untuk 10 hari pertama sebagai Titik data pertama Titik data berikutnya akan menurunkan harga paling awal, tambahkan harga pada hari ke 11 dan ambil rata-rata, dan seterusnya seperti yang ditunjukkan di bawah ini. Seperti disebutkan sebelumnya, MAs lag tindakan harga saat ini karena mereka didasarkan pada harga masa lalu semakin lama periode MA, semakin besar lag. Jadi MA 200 hari akan memiliki tingkat lag yang jauh lebih besar daripada MA 20 hari karena mengandung harga selama 200 hari terakhir. Panjang MA yang digunakan bergantung pada tujuan perdagangan, dengan MA yang lebih pendek digunakan untuk perdagangan jangka pendek dan MA jangka panjang lebih sesuai untuk investor jangka panjang. MA 200 hari banyak diikuti oleh investor dan pedagang, dengan tembusan di atas dan di bawah rata-rata pergerakan ini dianggap sebagai sinyal perdagangan penting. MA juga memberi sinyal perdagangan penting tersendiri, atau bila dua rata-rata melintas. MA yang sedang naik menunjukkan bahwa keamanan dalam tren naik. Sementara MA yang menurun menunjukkan bahwa tren turun. Begitu pula, momentum ke atas dikonfirmasi dengan crossover bullish. Yang terjadi ketika MA jangka pendek melintasi MA jangka panjang. Momentum turun dikonfirmasi dengan crossover bearish, yang terjadi saat MA jangka pendek melintasi di bawah MA jangka panjang.