移动平均法的两个版本
移动平均法的两个版本
最近发现移动平均法有两个版本或者说是两个不同的用途,一个用于预测,另一个用于反映发展趋势。
一、移动平均法来预测
这是大多数的移动平均法,也是百度出来的。用于预测时,也就是将最近几期的数据求平均值作为下一期的预测值,用了几期的数据就算几期移动平均。例如:
3
3
3 期移动平均公式
F
^
t
+
1
=
F
t
+
F
t
−
1
+
F
t
−
2
3
\hat F_{t+1}=\frac{F_t+F_{t-1}+F_{t-2}}{3}
F^t+1=3Ft+Ft−1+Ft−2 其中,
F
t
F_t
Ft 为第
t
t
t 期的实际数据,
F
^
t
+
1
\hat F_{t+1}
F^t+1 为第
t
+
1
t+1
t+1 期的预测数据。
该公式还能进行变形,变成加权移动平均,也就是每一项的前面乘上权重系数,系数的值越大,代表这项对预测值的重要程度越大,对于3期加权移动平均法,公式如下
F
^
t
+
1
=
α
1
F
t
+
α
2
F
t
−
1
+
α
3
F
t
−
2
\hat F_{t+1}=\alpha_1F_t+\alpha_2F_{t-1}+\alpha_3F_{t-2}
F^t+1=α1Ft+α2Ft−1+α3Ft−2 其中
α
\alpha
α 为权重系数,且
∑
i
=
1
3
α
i
=
1
\sum_{i=1}^3 \alpha_i=1
i=1∑3αi=1
二、移动平均法看趋势
这是我最早学的移动平均法,是通过将项数(时距)扩大,计算其移动平均数来削弱偶然因素的影响。根据移动平均法得到新的时间序列,可以更好地反映现象的发展趋势。例如:
3
3
3 项移动平均公式
F
^
t
=
F
t
−
1
+
F
t
+
F
t
+
1
3
\hat F_t =\frac{F_{t-1}+F_t+F_{t+1}}{3}
F^t=3Ft−1+Ft+Ft+1 其中
F
t
F_t
Ft 为第
t
t
t 期的实际数据,
F
^
t
\hat F_{t}
F^t 为第
t
t
t 期的三项移动平均数。对于不同项数的移动平均,所用公式略有不同,即得到的最终趋势项数是不同的。时距越大,最后得到的趋势项数就越少,反映原数列的长期趋势就越不完整。
对于奇数项的移动平均
趋势项数
=
原时间序列项数
−
移动平均数
+
1
趋势项数=原时间序列项数-移动平均数+1
趋势项数=原时间序列项数−移动平均数+1 对于偶数项的移动平均
趋势项数
=
原时间序列项数
−
移动平均数
趋势项数=原时间序列项数-移动平均数
趋势项数=原时间序列项数−移动平均数 例子:已知一个长度为
20
20
20 期的时间序列如下:
t | x |
---|---|
1 | -3 |
2 | 19 |
3 | 5 |
4 | 13 |
5 | 2 |
6 | -5 |
7 | -15 |
8 | 8 |
9 | 15 |
10 | 5 |
11 | -18 |
12 | -9 |
13 | 0 |
14 | -1 |
15 | -8 |
16 | 5 |
17 | -15 |
18 | -11 |
19 | 1 |
20 | -16 |
用
5
5
5 期移动平局,即
5
−
M
A
5-MA
5−MA 求趋势估计
T
^
5
\hat T_5
T^5 和
T
^
7
\hat T_7
T^7;
解:对于
5
−
M
A
5-MA
5−MA,公式为
T
^
t
=
1
2
×
2
+
1
∑
r
=
−
2
2
X
t
+
r
=
1
5
∑
r
=
−
2
2
X
t
+
r
\hat T_t=\frac{1}{2\times 2+1}\sum_{r=-2}^2X_{t+r}=\frac{1}{5}\sum_{r=-2}^2X_{t+r}
T^t=2×2+11r=−2∑2Xt+r=51r=−2∑2Xt+r 则得到
T
^
5
=
0
,
T
^
7
=
1
\hat T_5=0,\qquad \hat T_7=1
T^5=0,T^7=1