Indikator-Handbuch Bei der Verwendung von Indikatoren, lohnt es sich, ihre Stärken und Schwächen zu verstehen. Meine Lieblingsindikatoren. Erklärt grundlegende Indikator - und Trendkonzepte: Respekt, Peitschen, Divergenz und Ausfallschwankungen. Ein Schlüsselprinzip bei der Verwendung von Indikatoren: Stellen Sie den Zeitrahmen so ein, dass er dem gehandelten Zyklus entspricht. Fibonacci Zahlen sind nach Leonardo Fibonacci, ein zwölftes Jahrhundert italienischen Mathematiker, der das Goldene Verhältnis entdeckt benannt. Lineare Regression passt eine gerade Linie zu den ausgewählten Daten mit einer Methode namens Summe der kleinsten Quadrate. Relative Stärken amp Overlays Vergleichen Sie die Aktien und die Indexpreise. Overlays können unadjustiert oder an einem ausgewählten Datum abgefangen werden. Preis-Vergleich zeigt die Performance einer Aktie gegen einen Index oder eine verwandte Aktie. Ähnlich wie bei Price Comaprison können Sie Anleiherenditen oder Zinssätze vergleichen, die die gleiche Kursachse teilen. Ein leistungsfähiges Werkzeug für die Aktienauswahl, Preis-Verhältnis wird auch als Relative Strength bezeichnet und vergleicht die Performance einer Aktie im Verhältnis zu einem Index oder einem verwandten Bestand. Relative Strength berechnet die Stärke eines Aktienindexes im Vergleich zu einem zweiten Aktienindex entweder ohne ein bestimmtes Abfangdatum. Moving Average-Typen Der Moving Average glättet die Kursdaten, um ein leistungsfähiges Maß für die Trendrichtung zu erzeugen. Einfache, gewichtete und exponentielle gleitende Durchschnitte sind am beliebtesten. Einfache gleitende Mittelwerte sind leicht zu konstruieren, aber anfällig für Verzerrungen: sie neigen dazu, zweimal quotschen. Exponentielle gleitende Mittelwerte sind anspruchsvoller als einfache gleitende Mittelwerte und leiden nicht unter den gleichen Verzerrungen. Gewichtete gleitende Mittelwerte eliminieren die Verzerrungen, die bei einfachen gleitenden Durchschnitten üblich sind, sind aber schwieriger zu konstruieren als exponentielle gleitende Mittelwerte. Wilder gleitende Durchschnitte werden hauptsächlich in Indikatoren verwendet, die von J. Welles Wilder entwickelt wurden. Im Wesentlichen die gleichen wie ein exponentieller gleitender Durchschnitt, verwenden sie unterschiedliche Gewichtungen, für die Benutzer müssen zu berücksichtigen. Alan Hull entwickelte Hull Moving Average im Jahr 2005 in seinem Bestreben, einen gleitenden Durchschnitt zu schaffen, der auf die aktuelle Preisaktivität reagiert und gleichzeitig die Kurvenglätte beibehält. Hull behauptet, dass sein gleitender Durchschnitt quasi eliminiert Verzögerung insgesamt und gelingt es, Glättung zur gleichen Zeit verbessern. Displaced Moving Averages sind für Trendzwecke nützlich, wodurch die Anzahl der Whipsaws im Vergleich zu einem entsprechenden Exponential - oder Simple Moving Average reduziert wird. Filter werden verwendet, um die Anzahl von Peitschenhieben zu verringern, wenn gleitende Durchschnittssysteme verwendet werden. Berechnet gleitende Durchschnittswerte mit täglichen, wöchentlichen oder monatlichen HighsLowsOpens. So wählen Sie einen langfristigen gleitenden Durchschnitt aus, um den primären Trend zu verfolgen. Moving Average Systems Schnelle und langsame gleitende Mittelwerte liefern ein starkes Maß an Trendstärke und - richtung. Ein anspruchsvolleres MA-System, das einen dritten gleitenden Durchschnitt verwendet, um die verschiedenen Märkte zu identifizieren. Daryl Guppy führte mehrere gleitende Durchschnitte ein, um Trends zu messen und wahrscheinliche Umkehrungen zu identifizieren. Der Indikator vergleicht mehrere kurzfristige und langfristige exponentielle gleitende Mittelwerte. Ivan Ballins bunte Variation von Daryl Guppys Multiple Moving Averages. Manchmal auch als Prozentsatzbänder bezeichnet, werden Preishüllkurven mit einem festgelegten Prozentsatz oberhalb und unterhalb eines gleitenden Durchschnitts aufgezeichnet. Linda Bradford Raschke popularisierte Keltner-Banden, die an einem ATR-Vielfachen um eine exponentielle MA aufgetragen wurden, um Trendeinträge zu filtern. Ichimoku Cloud (oder Ichimoku Kinko Hyo) kombiniert führende und nacheilende Mittelwerte mit traditionellen Leuchterkarten, um ein komplettes Handelssystem anzubieten. Moving Average Oszillatoren Donald Lamberts Commodity Channel Index (CCI) markiert überkauft und überverkauft Märkte und wahrscheinlich Wendepunkte. Der Detrended Price Oscillator isoliert den kurzen Zyklus und liefert dabei starke Trendsignale bei Divergenzen. Der Moving Average Oscillator vergleicht den Schlusskurs mit dem gleitenden Durchschnitt. MACD (Moving Average Convergence Divergence) ist eine leistungsfähige Verfeinerung der beiden Moving-Averages-System und liefert zuverlässige Signale der Trendveränderungen. Das MACD-Histogramm (Moving Average Convergence Divergence Histogramm) liefert weit früher und reaktionsfähigere Signale als das ursprüngliche MACD, ist aber auch flüchtiger. MACD-Prozentsatz-Oszillator ist eine Variation der MACD-Anzeige. Der Hauptunterschied ist die prozentuale Skala, die einen Vergleich zwischen den Beständen ermöglicht. Trendindikatoren Der Aroon-Oszillator wurde von Tushar Chande entwickelt, um den Beginn eines neuen Trends zu identifizieren und die Trendstärke zu messen. Edwin Coppock entwarf diesen Oszillator mit einem einzigen Zweck: um den Beginn der Bullenmärkte zu identifizieren. Welles Wilders Directional Movement ist einer der wenigen Indikatoren, die nicht nur Trendsignale liefern, sondern zeigen, ob ein Trend für den Handel geeignet ist. Richard Donchians Kanäle werden in einer Reihe von Handelssystemen verwendet, um Eintritts - und Austrittspunkte in Trends zu identifizieren. Ichimoku Cloud (oder Ichimoku Kinko Hyo) kombiniert führende und nacheilende Mittelwerte mit traditionellen Leuchterkarten, um ein komplettes Handelssystem anzubieten. Martin Prings KST Indikator identifiziert wichtige Trendänderungen, wenn KST seine Signalleitung kreuzt. Der lineare Regressionsindikator wird zur Trendidentifizierung und Trendanalyse analog zu gleitenden Durchschnitten verwendet, reagiert aber schneller als ein MA auf Trendänderungen. Der Moving Average glättet die Kursdaten, um ein starkes Maß für die Trendrichtung zu schaffen. Einfache, gewichtete und exponentielle gleitende Durchschnitte sind am beliebtesten. Daryl Guppy führte mehrere gleitende Durchschnitte ein, um Trends zu messen und wahrscheinliche Umkehrungen zu identifizieren. Der Indikator vergleicht mehrere kurzfristige und langfristige exponentielle gleitende Mittelwerte. Entwickelt von J. Welles Wilder bietet der Parabolic SAR-Indikator ausgezeichnete kurz - und mittelfristige Einstiegs - und Ausstiegspunkte in aufstrebenden Märkten. Ivan Ballins bunte Variation von Daryl Guppys Multiple Moving Averages. Momentum-Oszillatoren ADX ist Teil des Directional Movement Systems, entwickelt von J. Welles Wilder. Es wird verwendet, um Trendänderungen zu warnen und zu identifizieren, ob eine Aktie sich tendiert oder reicht. Bollinger b identifiziert geeignete Eintritts - und Austrittspunkte in einem Trend, während die Bandbreite hervorhebt, wenn Bänder in einen schmalen Hals konvergieren, der einem Breakout vorausgeht. Entwickelt von Dr. Alexander Elder, misst der Elder-Ray-Indikator Kauf und Verkauf von Druck auf dem Markt und wird oft als Teil des Triple-Screen-Handelssystems verwendet. Ichimoku Cloud (oder Ichimoku Kinko Hyo) kombiniert führende und nacheilende Mittelwerte mit traditionellen Leuchterkarten, um ein komplettes Handelssystem anzubieten. Donald Dorseys Mass Index prognostiziert Trendwende durch Vergleich der Handelsspanne über einen Zeitraum von 9 Tagen. Momentum misst die Trendstärke und identifiziert wahrscheinliche Umkehrpunkte: bei Divergenzen oder wenn Momentum die Overboughtoversold-Linie überquert. Norman Fosback nutzt Negative Volume Index (NVI) mit positivem Volumenindex (PVI), um Bullenmärkte zu identifizieren. Eingeführt von Norman Fosback, Positive Volume Index identifiziert Bullen und Bär Märkte durch Messung Aktivität an Tagen, wenn das Volumen höher ist. Eine Verfeinerung von Momentum, Rate of Change ist so ausgelegt, dass sie als Prozentsatz um die Nulllinie schwankt. Der von Welles Wilder entwickelte RSI (Relative Strength Index) ist ein populärer Impuls-Oszillator, der die Aufwärts - und Abwärtsbewegung zum Schlusskurs vergleicht. Der langsame stochastische Oszillator liefert zuverlässigere Signale als der ursprüngliche Indikator und wendet eine weitere Glättung an, um die Flüchtigkeit zu verringern und die Genauigkeit zu verbessern. Geglättete Änderungsrate (SROC), eingeführt von Fred G Schutzman im Jahr 1991, liefert langsamere aber genauere Signale als andere Impulsoszillatoren. Der Stochastik-Oszillator verfolgt die Marktdynamik und liefert ausgezeichnete Eingangs - und Ausgangssignale von der Überkreuzung von K - und D-Leitungen oder überfälligen Pegeln. TRIX nutzt einen dreifach geglätteten gleitenden Durchschnitt, um Zyklen zu vermeiden, die kürzer als die Indikatorperiode sind. Twiggs Momentum Oscillator ist eine geglättete Version des Oszillators. Ihr primäres Ziel ist es, schnelle Trends zu identifizieren. Adam Whites Vertical Horizontal Filter (VHF) identifiziert Trends und reichen Märkten. Williams R ähnelt dem Stochastischen K. Eingangssignale werden auf Divergenzen, Ausfallschwankungen oder Crossover des Overboughtoversold-Pegels genommen. Larry Williams Highlights Akkumulation und Verteilung durch den Vergleich der täglichen Handelsspannen. Signale werden auf Divergenzen genommen. Twiggs Smoothed Momentum ist eine geglättete Version des proprietären Twiggs Momentum-Oszillators. Sein Ziel ist es, ein langsameres, weniger unberechenbares Signal für die Langzeittrends zu liefern. Chande Momentum Oszillator verwendet Overbought und Oversold Ebenen, sowie Divergenzen, um Umkehrungen zu identifizieren. Larry Williams Ultimate Oszillator verwendet drei Zeitrahmen, um falsche Signale zu minimieren. Stochastic RSI wurde von Tushar Chande und Stanley Kroll entwickelt, um mehr Overbought und Oversold Signale als Welles Wilders ursprünglichen Relative Stärke Oszillator zu generieren. Money Flow Accumulation Distribution verfolgt die Beziehung zwischen Preis und Volumen und fungiert als ein führender Indikator für Preisbewegungen. Die stärksten Signale sind Divergenzen. Entwickelt von Marc Chaikin, warnt der Chaikin Money Flow Indikator oft vor Ausbrüchen und liefert eine nützliche Trendbestätigung. Marc Chaikins Oszillator überwacht den Geldfluss in und aus dem Markt. Richard W Arms leistungsstarke Leichtigkeit Indikator zeigt die Beziehung zwischen Volumen und Preisänderungen nützlich für die Beurteilung der Stärke eines Trends. Der größte Fortschritt in der letzten Dekade, equivolume zeigt Preis-und Volumen-Interaktion. Entwickelt von Dr. Alexander Elder, kombiniert der Force Index Preisbewegungen und Volumen, um die Stärke von Bullen und Bären auf dem Markt zu messen. Money Flow Index misst Trendstärke und warnt vor wahrscheinlichen Umkehrpunkten. Entwickelt von Joseph Granville, bietet OBV ein mächtiges Maß an Akkumulation und Verteilung durch den Vergleich von Volumen zu Preisbewegungen. Der Preis-Volumen-Trend-Indikator misst die Stärke der Trends und warnt vor Umkehrungen. Colin Twiggs Money Flow ist eine Ableitung des Chaikin Money Flow Indikators. Position oberhalb der Nulllinie gibt Voranschlag von Ausbrüchen, während Divergenzen von Umkehrungen warnen. Williams Accumulation Distribution wird auf Divergenzen gehandelt. Wenn der Preis eine neue Höhe erreicht und der Indikator seine bisherige Höhe nicht überschreitet, findet eine Verteilung statt. Volumen hebt ungewöhnliche Handelstätigkeit hervor und liefert leistungsfähige Bestätigung der Preissignale. Die Rate der Änderungsformel kann auch auf Volumen angewandt werden, wo sie Änderungen in der Volumenaktivität hervorhebt. Volume Oscillator ist ein einfach zu bedienender Indikator, der Änderungen in der Volumenaktivität hervorhebt. Schleppende Stopps Mittlere True Range (ATR) Banden werden verwendet, um Exits in ähnlicher Weise wie ATR zu verfolgen. Anhängige Stopps, jedoch ohne Stop-and-Reverse (SAR) von Schleppstopps. Mittlere True Range (ATR) Trailing Stops werden verwendet, um Exits auszulösen und Handelsgewinne zu sperren. Chuck LeBeaus Chandelier Exits werden vor allem als Stop-Loss-Mechanismus verwendet, um Zeitausgänge von einem Trendsystem zu beenden. Ichimoku Cloud (oder Ichimoku Kinko Hyo) kombiniert führende und nacheilende Mittelwerte mit traditionellen Leuchterkarten, um ein komplettes Handelssystem anzubieten. Entwickelt von J. Welles Wilder bietet der Parabolic SAR-Indikator ausgezeichnete kurz - und mittelfristige Einstiegs - und Ausstiegspunkte in aufstrebenden Märkten. Percentage Trailing Stops sind eine einfache, aber effektive Methode für die Sperre in Gewinnen Alexander Elders Safezone Stopps verwenden Directional Bewegung, um Signale aus einem Trend signalisieren. Welles Wilders Original Volatility Stops verwendet einen durchschnittlichen True Range in einem Trendfolgesystem. Volatility Indicators Average True Range werden verwendet, um Engagement zu messen. Ausbreitende Bereiche signalisieren erhöhten Eifer und Contracting Ranges, ein Verlust der Begeisterung. Bollinger-Bänder werden verwendet, um Handelssignale aus Impuls - oder Trendindikatoren zu bestätigen. Bands wachsen, wenn die Preise sind volatil und Vertrag, wenn sie zu konsolidieren. Entwickelt von Marc Chaikin. Suchen Sie nach scharfen Erhöhungen der Volatilität vor Markt Tops und Böden, gefolgt von geringen Volatilität als der Markt verliert Interesse. Welles Wilders True Range passt den normalen High - Low - Tagesbereich an, wenn ein Öffnungsspalt vorhanden ist. Volatilität ist ein statistisches Maß des Risikos, das Variationskoeffizient genannt wird. Jack Schwager, in seinem Buch Schwager on Futures, nutzt die Volatility Ratio, um weitreichende Tage zu identifizieren. Twiggs Volatility ist ein proprietärer Volatilitätsindikator, der verwendet wird, um ein erhöhtes Marktrisiko zu markieren. Der Choppiness Index ist ein Volatilitätsindikator, der von dem australischen Rohstoffhändler Bill Dreiss entwickelt wurde, um anzuzeigen, ob ein Markt Trends oder Ranging ist. Schritte zur Auswahl eines Prognosemodells Ihr Prognosemodell sollte Merkmale umfassen, die alle wichtigen qualitativen Eigenschaften der Daten erfassen: Muster der Variation In Niveau und Trend, Effekte von Inflation und Saisonalität, Korrelationen zwischen Variablen, etc. Darüber hinaus sollten die Annahmen, die Ihrem gewählten Modell zugrunde liegen, mit Ihrer Intuition übereinstimmen, wie sich die Serie wahrscheinlich in der Zukunft verhalten wird. Wenn Sie ein Prognosemodell anpassen, haben Sie einige der folgenden Optionen: Diese Optionen werden im Folgenden kurz beschrieben. Sehen Sie dazu die zugehörige Prognose-Flussdiagramm für eine bildliche Ansicht des Modellspezifikationsprozesses und verweisen Sie zurück auf das Statgraphics Model Specification-Bedienfeld, um zu sehen, wie die Modelleigenschaften in der Software ausgewählt sind. Deflation Wenn die Serie inflationäres Wachstum zeigt, wird die Deflation dazu beitragen, das Wachstumsmuster zu berücksichtigen und die Heterosedastizität in den Resten zu reduzieren. Sie können entweder (i) die bisherigen Daten deflationieren und die langfristigen Prognosen mit einer konstanten angenommenen Rate wieder auflösen oder (ii) die vergangenen Daten durch einen Preisindex, wie beispielsweise den CPI, deflationieren und dann die langfristigen Prognosen mithilfe von " Eine Prognose des Preisindex. Option (i) ist die einfachste. In Excel können Sie einfach eine Spalte mit Formeln erstellen, um die ursprünglichen Werte durch die entsprechenden Faktoren zu teilen. Zum Beispiel, wenn die Daten monatlich sind und Sie mit einer Rate von 5 pro 12 Monate deflationieren möchten, würden Sie durch einen Faktor von (1.05) (k12) teilen, wobei k der Zeilenindex (Beobachtungsnummer) ist. RegressIt und Statgraphics haben eingebaute Werkzeuge, die dies automatisch für Sie tun. Wenn Sie diesen Weg zu gehen, ist es in der Regel am besten, um die angenommene Inflationsrate gleich Ihrem besten Schätzung der aktuellen Rate festgelegt, vor allem, wenn Sie gehen zu prognostizieren mehr als einen Zeitraum vor. Wenn Sie stattdessen die Option (ii) wählen, müssen Sie zuerst die deflationierten Prognosen und Vertrauensgrenzen in Ihre Datenkalkulation ablegen, eine Prognose für den Preisindex generieren und speichern und schließlich die entsprechenden Spalten miteinander multiplizieren. (Rückkehr nach oben.) Logarithmus-Transformation Wenn die Reihe zusammenhängendes Wachstum und ein multiplikatives saisonales Muster darstellt, kann eine Logarithmus-Transformation zusätzlich zu oder anstelle von Deflation hilfreich sein. Das Protokollieren der Daten wird ein inflationäres Wachstumsmuster nicht abflachen, sondern es wird es gerade ausrichten, so dass es durch ein lineares Modell (z. B. ein Zufallsweg oder ein ARIMA-Modell mit konstantem Wachstum oder ein lineares exponentielles Glättungsmodell) angebracht werden kann. Außerdem wird das Protokollieren multiplikative saisonale Muster zu additiven Mustern umwandeln, so dass, wenn Sie saisonale Anpassung nach der Protokollierung durchführen, sollten Sie den additive Typ verwenden. Protokollierung befasst sich mit Inflation implizit, wenn Sie möchten, dass die Inflation explizit modelliert wird - d. H. Wenn Sie möchten, dass die Inflationsrate ein sichtbarer Parameter des Modells ist oder wenn Sie Plots von deflationierten Daten anzeigen möchten - dann sollten Sie eher deflate als log. Eine weitere wichtige Verwendung für die Protokolltransformation ist die Linearisierung von Beziehungen zwischen Variablen in einem Regressionsmodus l. Wenn z. B. die abhängige Variable eine multiplikative und nicht additive Funktion der unabhängigen Variablen ist oder wenn die Beziehung zwischen abhängigen und unabhängigen Variablen in Form von prozentualen Änderungen und nicht absoluten Änderungen linear ist, dann wird eine Protokolltransformation auf eine oder mehrere Variablen angewendet Kann angemessen sein, wie im Bier Verkaufsbeispiel. (Rückkehr nach oben.) Saisonale Anpassung Wenn die Serie ein starkes saisonales Muster aufweist, von dem angenommen wird, dass es von Jahr zu Jahr konstant ist, kann die saisonale Anpassung ein geeigneter Weg sein, um das Muster abzuschätzen und zu extrapolieren. Der Vorteil der saisonalen Anpassung ist, dass es das saisonale Muster explizit modelliert, so dass Sie die Möglichkeit haben, die Saisonindizes und die saisonbereinigten Daten zu studieren. Der Nachteil ist, dass es die Schätzung einer großen Anzahl zusätzlicher Parameter erfordert (insbesondere für monatliche Daten), und es liefert keine theoretische Begründung für die Berechnung der Konfidenzintervalle. Eine Out-of-Sample-Validierung ist besonders wichtig, um das Risiko einer Überalterung der vergangenen Daten durch saisonale Anpassung zu reduzieren. Wenn die Daten stark saisonal sind, aber Sie keine saisonale Anpassung wählen, besteht die Alternative darin, (i) ein saisonales ARIMA-Modell zu verwenden. Die implizit das saisonale Muster mit saisonalen Verzögerungen und Unterschieden prognostizieren, oder (ii) das Winters saisonale exponentielle Glättungsmodell verwenden, das zeitabhängige saisonale Indizes schätzt. (Rückkehr nach oben.) QuotIndependentquot-Variablen Wenn es andere Zeitreihen gibt, die Sie glauben, Erklärungskraft in Bezug auf Ihre Interessensreihe zu haben (zB führende ökonomische Indikatoren oder politische Variablen wie Preis, Werbung, Promotions usw.) Können Sie Regression als Modelltyp betrachten. Unabhängig davon, ob Sie Regression wählen oder nicht, müssen Sie die oben erwähnten Möglichkeiten berücksichtigen, um Ihre Variablen zu verändern (Deflation, Protokoll, saisonale Anpassung - und vielleicht auch differenzierend), um die Zeitdimension auszunutzen und die Beziehungen zu linearisieren. Selbst wenn Sie die Regression an dieser Stelle nicht wählen, können Sie erwägen, Regressoren später in ein Zeitreihenmodell (z. B. ein ARIMA-Modell) aufzunehmen, wenn die Residuen signifikante Kreuzkorrelationen mit anderen Variablen aufweisen. (Zum Seitenanfang zurückkehren.) Glättung, Mittelwertbildung oder Zufallswiedergabe Wenn Sie sich für eine saisonale Anpassung der Daten entschieden haben - oder wenn die Daten nicht saisonal beginnen -, dann möchten Sie vielleicht ein Mittelungs - oder Glättungsmodell verwenden Passen Sie die nicht-saisonale Muster, die in den Daten an dieser Stelle bleibt. Ein einfaches gleitendes Mittel oder ein einfaches exponentielles Glättungsmodell berechnet lediglich einen lokalen Datenmittelwert am Ende der Reihe, unter der Annahme, daß dies die beste Abschätzung des aktuellen Mittelwertes ist, um den sich die Daten fluktuieren. (Diese Modelle gehen davon aus, dass der Mittelwert der Serie langsam und zufällig ohne anhaltende Trends variiert.) Eine einfache exponentielle Glättung wird normalerweise einem einfachen gleitenden Durchschnitt bevorzugt, weil ihr exponentiell gewichteter Durchschnitt eine sinnvollere Aufgabe macht, die älteren Daten zu diskontieren, weil ihre Glättungsparameter (alpha) kontinuierlich ist und leicht optimiert werden kann und weil er eine theoretische Basis für die Berechnung von Konfidenzintervallen hat. Wenn Glättung oder Mittelwertbildung nicht hilfreich zu sein scheint - d. h. Wenn der beste Prädiktor des nächsten Wertes der Zeitreihe einfach der vorherige Wert ist - dann wird ein Zufallswegmodell angezeigt. Dies ist beispielsweise dann der Fall, wenn die optimale Anzahl von Termen im einfachen gleitenden Mittelwert 1 ist oder wenn der optimale Wert von alpha bei einfacher exponentieller Glättung 0,9999 beträgt. Browns lineare exponentielle Glättung kann verwendet werden, um eine Serie mit langsam zeitabhängigen linearen Trends passen, aber vorsichtig sein, solche Trends sehr weit in die Zukunft zu extrapolieren. (Die schnell wachsenden Konfidenzintervalle für dieses Modell belegen ihre Ungewissheit über die ferne Zukunft.) Holts Linearglättung schätzt auch zeitabhängige Trends ein, verwendet jedoch separate Parameter zur Glättung von Pegel und Trend, was in der Regel eine bessere Anpassung an die Daten ermöglicht Als Brown8217s Modell. Q uadratische Exponentialglättung versucht, zeitvariable quadratische Trends abzuschätzen und sollte praktisch nie verwendet werden. Eine lineare exponentielle Glättung mit gedämpfter Tendenz (d. h. ein Trend, der in entfernten Horizonten abflacht) wird oft in Situationen empfohlen, in denen die Zukunft sehr unsicher ist. (Dies würde einem ARIMA-Modell mit drei Ordnungen von nicht seasonalen Differenzen entsprechen. Die verschiedenen exponentiellen Glättungsmodelle sind Sonderfälle von ARIMA-Modellen (siehe unten) und können mit der ARIMA-Software ausgerüstet werden. Insbesondere ist das einfache exponentielle Glättungsmodell ein ARIMA (0,1,1) - Modell, wobei das Holt8217s lineare Glättungsmodell ein ARIMA (0,2,2) - Modell ist und das gedämpfte Trendmodell ein ARIMA (1,1,2 ) - Modell. Eine gute Zusammenfassung der Gleichungen der verschiedenen exponentiellen Glättungsmodelle finden Sie auf dieser Seite auf der SAS-Website. (Die SAS-Menüs zur Spezifizierung von Zeitreihenmodellen werden auch dort gezeigt, wo sie denen von Statgraphics ähnlich sind.) Lineare, quadratische oder exponentielle Trendlinienmodelle sind weitere Optionen, um eine entsalzte Serie zu extrapolieren, sie übertreffen jedoch selten zufällig, glätten oder ARIMA-Modelle auf Geschäftsdaten. (Zurück nach oben.) Winters Saisonale Exponentialglättung Winters Saisonale Glättung ist eine Erweiterung der exponentiellen Glättung, die zeitgleiche Zeit-, Trend - und Saisonfaktoren unter Verwendung rekursiver Gleichungen schätzt. (Wenn Sie dieses Modell verwenden, würden Sie die Daten nicht saisonal anpassen.) Die Winters-Saisonfaktoren können entweder multiplikativ oder additiv sein: Normalerweise sollten Sie die multiplikative Option auswählen, sofern Sie die Daten nicht protokolliert haben. Obwohl das Winters-Modell clever und einigermaßen intuitiv ist, kann es schwierig sein, in der Praxis anzuwenden: Es hat drei Glättungsparameter - Alpha, Beta und Gamma - zur getrennten Glättung der Pegel-, Trend - und Saisonfaktoren, die geschätzt werden müssen gleichzeitig. Die Bestimmung der Ausgangswerte für die saisonalen Indizes kann durch Anwendung der Verhältnis-zu-gleitenden Durchschnittsmethode der Saisonanpassung auf einen Teil oder die Gesamtheit der Reihe und oder durch Rückprognose erfolgen. Der Schätzalgorithmus, den Statgraphics für diese Parameter verwendet, kann manchmal nicht konvergieren und liefert Werte, die bizarr aussehende Prognosen und Konfidenzintervalle ergeben, so dass ich vorsichtig sein würde, wenn ich dieses Modell verwende. (Zurück nach oben.) ARIMA Wenn Sie keine saisonale Anpassung wählen (oder wenn die Daten nicht saisonal sind), können Sie das ARIMA-Modell-Framework verwenden. ARIMA Modelle sind eine sehr allgemeine Klasse von Modellen, die zufällige gehen, zufällige Trend, exponentielle Glättung und autoregressive Modelle als Sonderfälle. Die herkömmliche Weisheit ist, dass eine Reihe ein guter Kandidat für ein ARIMA-Modell ist, wenn (i) sie durch eine Kombination aus differenzierenden und anderen mathematischen Transformationen wie dem Protokollieren stationarisiert werden kann, und (ii) Sie über eine beträchtliche Menge an Daten verfügen müssen : Mindestens 4 volle Jahreszeiten bei saisonalen Daten. (Wenn die Serie nicht durch Differencing adäquat stationarisiert werden kann - zB wenn sie sehr unregelmäßig ist oder ihr Verhalten im Laufe der Zeit qualitativ verändert - oder wenn Sie weniger als 4 Datenperioden haben, dann können Sie mit einem Modell besser abschneiden Dass saisonale Anpassung und eine Art einfache Mittelung oder Glättung.) ARIMA-Modelle haben eine spezielle Namenskonvention eingeführt von Box und Jenkins. Ein nicht-saisonales ARIMA-Modell wird als ARIMA-Modell (p, d, q) klassifiziert, wobei d die Anzahl der nicht-saisonalen Unterschiede ist, p die Anzahl der autoregressiven Terme (Verzögerungen der differenzierten Serien) und q die Anzahl der beweglichen - (Verzögerungen der Prognosefehler) in der Vorhersagegleichung. Ein saisonales ARIMA-Modell wird als ARIMA (p, d, q) x (P, D, Q) klassifiziert. Wobei D, P und Q die Anzahl saisonaler Unterschiede, saisonale autoregressive Terme (Verzögerungen der differenzierten Reihen bei Mehrfachen der saisonalen Periode) und saisonale gleitende Durchschnittsterme sind (Verzögerungen der prognostizierten Fehler bei Vielfachen der saisonalen) Periode). Der erste Schritt bei der Montage eines ARIMA-Modells ist die Bestimmung der geeigneten Reihenfolge der Differenzierung benötigt, um die Stationarisierung der Serie und entfernen Sie die Brutto-Merkmale der Saisonalität. Dies ist gleichbedeutend mit der Bestimmung, welches quotnaivequot random-walk oder random-trend Modell den besten Ausgangspunkt liefert. Versuchen Sie nicht, mehr als 2 Gesamtaufträge von differencing (nicht saisonal und saisonal kombiniert) zu verwenden, und verwenden Sie nicht mehr als 1 Saisonunterschied. Der zweite Schritt ist, um festzustellen, ob ein konstanter Begriff in das Modell enthalten: in der Regel enthalten Sie einen konstanten Begriff, wenn die gesamte Reihenfolge der Differenzierung 1 oder weniger ist, andernfalls nicht. In einem Modell mit einer Ordnung der Differenzierung repräsentiert der konstante Term den durchschnittlichen Trend in den Prognosen. In einem Modell mit zwei Abweichungsordnungen wird der Trend in den Prognosen durch den am Ende der Zeitreihe beobachteten lokalen Trend bestimmt und der konstante Term repräsentiert den Trend-in-the-Trend, dh die Krümmung des Langzeit - Langfristige Prognosen. Normalerweise ist es gefährlich, Trends-in-Trends zu extrapolieren, so dass Sie unterdrücken den Kontinent in diesem Fall. Der dritte Schritt besteht darin, die Anzahl autoregressiver und gleitender Durchschnittsparameter (p, d, q, P, D, Q) zu wählen, die erforderlich sind, um jegliche Autokorrelation zu beseitigen, die in den Resten des naiven Modells verbleibt Bloße Differenzierung). Diese Zahlen bestimmen die Anzahl der Verzögerungen der differenzierten Serien und / oder Verzögerungen der Prognosefehler, die in der Prognosegleichung enthalten sind. Wenn es zu diesem Zeitpunkt keine signifikante Autokorrelation in den Resten gibt, dann STOP, wird das getan: das beste Modell ist ein naives Modell Wenn bei den Verzögerungen 1 oder 2 eine signifikante Autokorrelation vorliegt, sollten Sie die Einstellung q1 versuchen, wenn eine der folgenden Bedingungen zutrifft: I) es gibt einen nicht saisonalen Unterschied im Modell, (ii) die Lag-1-Autokorrelation ist negativ. Und (iii) das Rest-Autokorrelationsdiagramm ist sauberer aussehende (weniger isolierte Spikes) als das verbleibende partielle Autokorrelationsdiagramm. Wenn es keinen nicht-saisonalen Unterschied im Modell gibt unddie Verzögerung 1 Autokorrelation positiv ist unddas restliche partielle Autokorrelationsdiagramm sauberer aussieht, dann versuchen Sie p1. (Manchmal sind diese Regeln für die Wahl zwischen p1 und q1 in Konflikt mit einander, in welchem Fall es wahrscheinlich nicht viel Unterschied machen, die Sie verwenden. Test sie beide und vergleichen.) Wenn es Autokorrelation bei lag 2, die nicht durch die Einstellung p1 entfernt wird Oder q1, können Sie dann versuchen, p2 oder q2, oder gelegentlich p1 und q1. Seltener kann es Situationen geben, in denen p2 oder 3 und q1 oder umgekehrt die besten Ergebnisse liefern. Es wird dringend empfohlen, dass Sie pgt1 und qgt1 nicht im selben Modell verwenden. Im Allgemeinen sollten Sie bei der Anpassung von ARIMA-Modellen eine Erhöhung der Modellkomplexität vermeiden, um nur geringe Verbesserungen der Fehlerstatistik oder des Erscheinungsbildes der ACF - und PACF-Diagramme zu erzielen. Auch in einem Modell mit sowohl pgt1 als auch qgt1 gibt es eine gute Möglichkeit der Redundanz und Nicht-Eindeutigkeit zwischen der AR - und der MA-Seite des Modells, wie in den Anmerkungen zur mathematischen Struktur des ARIMA-Modells s erläutert. Es ist in der Regel besser, in einer vorwärts schrittweise vorgehen, anstatt rückwärts schrittweise, wenn tweaking die Modell-Spezifikationen: Start mit einfacheren Modellen und nur mehr Begriffe, wenn es eine klare Notwendigkeit. Die gleichen Regeln gelten für die Anzahl der saisonalen autoregressiven Terme (P) und die Anzahl der saisonal gleitenden Durchschnittsterme (Q) in Bezug auf die Autokorrelation bei der Saisonzeit (z. B. Verzögerung 12 für monatliche Daten). Versuchen Sie Q1, wenn es bereits einen saisonalen Unterschied im Modell gibt unddie saisonale Autokorrelation negativ ist unddas restliche Autokorrelationsdiagramm in der Nähe der saisonalen Verzögerung sauberer aussieht, sonst versuchen Sie P1. (Wenn es logisch ist, dass die Serie eine starke Saisonalität aufweist, dann müssen Sie einen saisonalen Unterschied verwenden, sonst wird das saisonale Muster bei Langzeitprognosen ausblenden.) Gelegentlich können Sie P2 und Q0 oder vice v ersa ausprobieren, Oder PQ1. Es wird jedoch dringend empfohlen, dass PQ nie größer als 2 sein sollte. Saisonale Muster haben selten die Art der perfekten Regelmäßigkeit über eine ausreichend große Anzahl von Jahreszeiten, die es ermöglichen würde, zuverlässig zu identifizieren und zu schätzen, dass viele Parameter. Auch der Rückprognosealgorithmus, der bei der Parameterschätzung verwendet wird, führt wahrscheinlich zu unzuverlässigen (oder sogar verrückten) Ergebnissen, wenn die Anzahl der Jahreszeiten von Daten nicht signifikant größer als PDQ ist. Ich würde nicht weniger als PDQ2 volle Jahreszeiten empfehlen, und mehr ist besser. Auch bei der Montage von ARIMA-Modellen sollten Sie darauf achten, die Daten nicht zu überladen, trotz der Tatsache, dass es eine Menge Spaß machen kann, sobald Sie den Hang davon bekommen. Wichtige Sonderfälle: Wie oben erwähnt, ist ein ARIMA (0,1,1) - Modell ohne Konstante identisch mit einem einfachen exponentiellen Glättungsmodell, und es nimmt einen Floating-Level an (d. H. Keine mittlere Reversion), aber mit null langfristigem Trend. Ein Modell mit konstantem ARIMA-Modell (0,1,1) ist ein einfaches exponentielles Glättungsmodell mit einem ungleichen linearen Trendbegriff. Ein ARIMA (0,2,1) oder (0,2,2) Modell ohne Konstante ist ein lineares exponentielles Glättungsmodell, das einen zeitlichen Trend ermöglicht. Ein ARIMA-Modell (1,1,2) ohne Konstante ist ein lineares exponentielles Glättungsmodell mit gedämpftem Trend, d. h. ein Trend, der schließlich in längerfristigen Prognosen abflacht. Die häufigsten saisonalen ARIMA Modelle sind das ARIMA (0,1,1) x (0,1,1) Modell ohne Konstante und das ARIMA (1,0,1) x (0,1,1) Modell mit Konstante. Das erstere dieser Modelle verwendet prinzipiell eine exponentielle Glättung sowohl der nicht-saisonalen als auch der saisonalen Komponenten des Musters in den Daten, während es einen zeitlich variierenden Trend zulßt und das letztere Modell ist etwas ähnlich, nimmt jedoch einen konstanten linearen Trend und daher ein wenig länger an - term Vorhersagbarkeit. Sie sollten immer diese beiden Modelle unter Ihren Lineup von Verdächtigen bei der Montage von Daten mit konsistenten saisonalen Muster. Einer von ihnen (vielleicht mit einer geringfügigen Veränderung wie zunehmende p oder q um 1 undeiner Einstellung P1 sowie Q1) ist oft die beste. (Zurück zum Seitenanfang.)
Comments
Post a Comment