EWMA (eksponentno tehtano drseče povprečje) | Formula in primeri

Opredelitev EWMA (eksponentno tehtano drseče povprečje)

Eksponentno tehtano drseče povprečje (EWMA) se nanaša na povprečje podatkov, ki se uporablja za sledenje gibanju portfelja s preverjanjem rezultatov in izhodnih rezultatov z upoštevanjem različnih dejavnikov in z določitvijo uteži ter nato sledenjem rezultatov za oceno uspešnosti in izboljšave

Teža za EWMA se eksponentno zmanjša za vsako obdobje, ki gre še dlje v preteklosti. Ker vsebuje EWMA prej izračunano povprečje, bo rezultat eksponentno tehtanega drsečega povprečja kumulativen. Zaradi tega bodo vse podatkovne točke prispevale k rezultatu, vendar se bo faktor prispevka znižal, ko se izračuna naslednje obdobje EWMA.

Pojasnilo

Ta formula EWMA prikazuje vrednost drsečega povprečja v času t.

EWMA (t) = a * x (t) + (1-a) * EWMA (t-1)

Kje

  • EWMA (t) = drseče povprečje v času t
  • a = stopnja vrednosti parametra mešanja med 0 in 1
  • x (t) = vrednost signala x v času t

Ta formula navaja vrednost drsečega povprečja v času t. Tu je parameter, ki prikazuje hitrost, s katero bodo starejši podatki prišli v izračun. Vrednost a bo med 0 in 1.

Če je a = 1, to pomeni, da so bili za merjenje EWMA uporabljeni samo najnovejši podatki. Če se a približuje 0, to pomeni, da se starejšim podatkom dodeli več uteži, če je a blizu 1, pa pomeni, da so novejši podatki dobili večjo utež.

Primeri EWMA

Spodaj so primeri eksponentno tehtanega drsečega povprečja

To predlogo EWMA Excel lahko prenesete tukaj - Predloga EWMA Excel

Primer # 1

Upoštevajmo 5 podatkovnih točk v skladu s spodnjo tabelo:

In parameter a = 30% ali 0,3

Torej EWMA (1) = 40

EWMA za čas 2 je naslednji

  • EWMA (2) = 0,3 * 45 + (1-0,3) * 40,00
  • = 41,5

Podobno izračunajte eksponentno tehtano drseče povprečje za dane čase -

  • EWMA (3) = 0,3 * 43 + (1-0,3) * 41,5 = 41,95
  • EWMA (4) = 0,3 * 31 + (1-0,3) * 41,95 = 38,67
  • EWMA (5) = 0,3 * 20 + (1-0,3) * 38,67 = 33,07

2. primer

Od nedelje do sobote imamo temperaturo mesta v stopinjah Celzija. Z = 10% bomo našli drseče povprečje temperature za vsak dan v tednu.

Z uporabo = 10% bomo v spodnji tabeli našli eksponentno tehtano drseče povprečje za vsak dan:

Spodaj je graf, ki prikazuje primerjavo med dejansko temperaturo in EWMA:

Kot lahko vidimo, je glajenje precej močno z uporabo = 10%. Na enak način lahko rešimo eksponentno tehtano drseče povprečje za številne vrste časovnih vrst ali zaporednih podatkovnih nizov.

Prednosti

  • To lahko uporabimo za iskanje povprečja z uporabo celotne zgodovine podatkov ali izhodnih podatkov. Vsi drugi grafikoni ponavadi obravnavajo posamezne podatke na poseben način.
  • Uporabnik lahko vsaki tehtni točki dodeli utež glede na njegovo / njeno udobje. To utež lahko spremenite za primerjavo različnih povprečij.
  • EWMA prikaže podatke geometrijsko. Zaradi tega na podatke ne pride veliko, kadar pride do odstopanj.
  • Vsaka podatkovna točka v eksponentno tehtanem drsečem povprečju predstavlja drseče povprečje točk.

Omejitve

  • To je mogoče uporabiti le, če so na voljo neprekinjeni podatki v določenem časovnem obdobju.
  • To lahko uporabimo le, če želimo v procesu zaznati majhen premik.
  • S to metodo lahko izračunamo povprečje. Spremljanje variance zahteva, da uporabnik uporabi drugo tehniko.

Pomembne točke

  • Podatki, za katere želimo dobiti eksponentno tehtano drseče povprečje, bi morali biti časovno urejeni.
  • To je zelo koristno pri zmanjševanju šuma v hrupnih podatkovnih točkah časovnih vrst, ki jim lahko rečemo gladko.
  • Vsak izhod dobi utež. Najnovejši podatki so, največja teža bo.
  • Precej dobro zazna manjši premik, počasneje pa zazna velik premik.
  • Uporablja se lahko, če je velikost vzorca podskupine večja od 1.
  • V resnici se ta metoda lahko uporablja v kemijskih procesih in vsakodnevnih računovodskih procesih.
  • Uporablja se lahko tudi za prikaz nihanj obiskovalcev spletnega mesta v dneh v tednu.

Zaključek

EWMA je orodje za zaznavanje manjših premikov v povprečju časovno omejenega procesa. Tudi eksponentno tehtano drseče povprečje je zelo proučeno in je z njim uporabil model za iskanje drsečega povprečja podatkov. Zelo koristno je tudi pri napovedovanju dogodkovnih preteklih podatkov. Eksponentno tehtano drseče povprečje je predpostavka, da so opazovanja običajno porazdeljena. Upošteva pretekle podatke na podlagi njihove teže. Ker je podatkov več v preteklosti, se bo njegova teža za izračun eksponentno zmanjšala.

Uporabniki lahko pretehtanim podatkom dajo tudi težo, da ugotovijo drugačen nabor EWMA različne uteži. Tudi zaradi geometrično prikazanih podatkov na podatke ne vplivajo veliko zaradi izstopajočih podatkov, zato lahko s to metodo dosežemo bolj zglajene podatke.