Exponentiell Utjämning Bättre Än Glidande Medelvärde

Prognoser genom utjämningstekniker Den här webbplatsen är en del av JavaScript E-labs lärande objekt för beslutsfattande. Övriga JavaScript i denna serie kategoriseras under olika tillämpningsområden i MENU-sektionen på den här sidan. En tidsserie är en följd av observationer som beställs i tid. Inhämtande i insamlingen av data som tagits över tiden är någon form av slumpmässig variation. Det finns metoder för att minska avbrytandet av effekten på grund av slumpmässig variation. Bredt använda tekniker är utjämning. Dessa tekniker, när de tillämpas korrekt, avslöjar tydligare de underliggande trenderna. Ange tidsserierna Row-wise i följd, från början till vänster och parametrarna, och klicka sedan på knappen Beräkna för att få fram en prognos för en period framåt. Blanka rutor ingår inte i beräkningarna men nollor är. När du matar in data för att flytta från cell till cell i datmatrisen använder du inte knappen Tab eller pilar in. Funktioner av tidsserier, som kan avslöjas genom att granska dess graf. med de prognostiserade värdena och restbeteendet, förutsatt prognosmodellering. Flyttande medelvärden: Flyttande medelvärden rankas bland de mest populära teknikerna för förbehandling av tidsserier. De används för att filtrera slumpmässigt vitt brus från data, för att göra tidsserierna mjukare eller till och med för att betona vissa informationskomponenter som ingår i tidsserierna. Exponentiell utjämning: Detta är ett mycket populärt schema för att producera en slät Time Series. Medan i rörliga medelvärden viktas de senaste observationerna, exponentiell utjämning tilldelar exponentiellt minskande vikter som observationen blir äldre. Med andra ord ges de senaste observationerna relativt större vikt vid prognosen än de äldre observationerna. Dubbel exponentiell utjämning är bättre vid hantering av trender. Trippel exponentiell utjämning är bättre vid hantering av paraboltrender. Ett exponentiellt vägat glidande medelvärde med en utjämningskonstant a. motsvarar ungefär ett enkelt rörligt medelvärde av längd (dvs period) n, där a och n är relaterade till: a 2 (n1) ORn (2-a) a. Således skulle exempelvis ett exponentiellt vägt glidmedel med en utjämningskonstant lika med 0,1 motsvara ungefär ett 19 dagars glidande medelvärde. Och ett 40-dagars enkelt rörligt medelvärde skulle motsvara ungefär ett exponentiellt vägt rörligt medelvärde med en utjämningskonstant lika med 0,04878. Håller linjär exponentiell utjämning: Antag att tidsserierna är säsongsbetonade men visar visningstendens. Holts metod beräknar både nuvarande nivå och nuvarande trend. Observera att det enkla glidande medlet är ett speciellt fall av exponentiell utjämning genom att ställa in perioden för glidande medelvärde till heltalet av (2-alfa) alfa. För de flesta företagsdata är en Alpha-parameter som är mindre än 0,40 ofta effektiv. Man kan emellertid utföra en nätverkssökning av parameternummet, med 0,1 till 0,9, med steg om 0,1. Då har den bästa alfas det minsta genomsnittliga absoluta felet (MA-fel). Hur man jämför flera utjämningsmetoder: Även om det finns numeriska indikatorer för bedömning av prognosteknikens noggrannhet, är det mest använda sättet att använda en visuell jämförelse av flera prognoser för att bedöma deras noggrannhet och välja mellan olika prognosmetoder. I detta tillvägagångssätt måste man plotta (med användning av exempelvis Excel) på samma graf de ursprungliga värdena för en tidsserievariabel och de förutspådda värdena från flera olika prognosmetoder, vilket underlättar en visuell jämförelse. Du kanske gillar att använda tidigare prognoser med utjämningstekniker JavaScript för att få de senaste prognosvärdena baserade på utjämningstekniker som endast använder en parameter. Holt - och Winters-metoderna använder sig av två respektive tre parametrar, därför är det inte en lätt uppgift att välja de optimala eller till och med nära optimala värden genom försök och fel för parametrarna. Den enda exponentiella utjämningen betonar det korta perspektivet som ställer nivån till den sista observationen och baseras på förutsättningen att det inte finns någon trend. Den linjära regressionen, som passar en minsta kvadrera linje till historiska data (eller transformerade historiska data), representerar det långa intervallet, vilket är konditionerat för den grundläggande trenden. Hålen linjär exponentiell utjämning fångar information om den senaste trenden. Parametrarna i Holts-modellen är nivåparametrar som bör minskas när datamängden är stor, och trenderparametern bör ökas om den senaste trendriktningen stöds av orsakssambandsfaktorerna. Kortsiktiga prognoser: Observera att varje JavaScript på den här sidan ger en enstegs prognos. För att få en tvåstegs prognos. Lägg helt enkelt till det prognostiserade värdet till slutet av din tidsseriedata och klicka sedan på samma Calculate-knapp. Du kan upprepa denna process ett par gånger för att få de nödvändiga kortsiktiga prognoserna. Vad är skillnaden mellan ett enkelt glidande medelvärde och ett exponentiellt glidande medelvärde. Den enda skillnaden mellan dessa två typer av glidande medelvärde är den känslighet som varje visar till ändringar i de data som används vid beräkningen. Mer specifikt ger det exponentiella glidande medlet (EMA) en högre viktning till de senaste priserna än det enkla glidande genomsnittet (SMA), medan SMA tilldelar lika viktning till alla värden. De två genomsnitten är lika eftersom de tolkas på samma sätt och används ofta av tekniska handlare för att släta ut prisfluktuationer. SMA är den vanligaste typen av medel som används av tekniska analytiker och beräknas genom att dividera summan av en uppsättning priser med det totala antalet priser som finns i serien. Till exempel kan ett sjuårs glidande medel beräknas genom att lägga till följande sju priser tillsammans och sedan dela resultatet med sju (resultatet kallas också ett aritmetiskt medelvärde). Exempel på följande serier av priser: 10, 11, 12, 16, 17, 19, 20 SMA-beräkningen skulle se ut så här: 10111216171920 105 7-period SMA 1057 15 Eftersom EMAs lägger högre vikt vid senaste data än på äldre data , de är mer reaktiva mot de senaste prisförändringarna än SMA: er, vilket gör resultaten från EMAs mer aktuella och förklarar varför EMA är det föredragna genomsnittet bland många handlare. Som du kan se från tabellen nedan kan handlare med kortfristigt perspektiv inte bryr sig om vilket medel som används, eftersom skillnaden mellan de två genomsnitten oftast handlar om bara cent. Å andra sidan bör handlare med ett långsiktigt perspektiv ta mer hänsyn till det genomsnitt som de använder eftersom värdena kan variera med några få dollar, vilket är tillräckligt för en prisskillnad för att i slutändan vara inflytelserik på realiserad avkastning - speciellt när du är handlar en stor mängd bestånd. Som med alla tekniska indikatorer. Det finns ingen typ av genomsnitt som en näringsidkare kan använda för att garantera framgång, men med hjälp av försök och fel kan du utan tvekan förbättra din komfortnivå med alla typer av indikatorer och därmed öka dina chanser att göra kloka handelsbeslut. För mer information om glidande medelvärden, se Grunderna för rörliga medelvärden och grunderna för viktade rörliga genomsnittsvärden. Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. DebtEquity Ratio är skuldkvoten som används för att mäta ett företags finansiella hävstångseffekt eller en skuldkvot som används för att mäta en individ. Simple Vs. Exponentiella rörliga medelvärden Flytta genomsnitt är mer än studien av en sekvens av siffror i successiv ordning. Tidigare utövare av tidsserieanalyser var faktiskt mer oroade över enskilda tidsserier än vad de hade med interpoleringen av data. Interpolation. i form av sannolikhetsteorier och analys, kom mycket senare, då mönster utvecklades och korrelationer upptäcktes. En gång förstod var olika formade kurvor och linjer ritade längs tidsserien i ett försök att förutsäga var datapunkterna skulle kunna gå. Dessa betraktas nu som grundläggande metoder som för närvarande används av tekniska analyshandlare. Kartläggningsanalys kan spåras tillbaka till 18th Century Japan, men hur och när glidande medelvärden först tillämpades till marknadspriser är fortfarande ett mysterium. Det är allmänt förstått att enkla glidande medelvärden (SMA) användes långt före exponentiella glidmedel (EMA), eftersom EMAs är byggda på SMA-ramverket och SMA-kontinuumet lättare förstod för plottning och spårning. (Vill du ha en liten bakgrundsavläsning Kolla in Rörande medelvärden: Vad är de) Enkla rörliga medelvärden (SMA) Enkla glidande medelvärden blev den föredragna metoden för att spåra marknadspriserna eftersom de är snabba att beräkna och lätt att förstå. Tidiga marknadsoperatörer bedrevs utan att använda de sofistikerade diagrammet som används idag, så de berodde främst på marknadspriser som enda guider. De beräknade marknadspriserna för hand och graderade dessa priser för att beteckna trender och marknadsriktning. Denna process var ganska tråkig, men visade sig vara lönsam med bekräftelse av ytterligare studier. För att beräkna ett 10 dagars enkelt glidande medelvärde, lägg till slutkurserna de senaste 10 dagarna och dela med 10. Det 20-dagars glidande genomsnittet beräknas genom att lägga till slutkurserna över en 20-dagarsperiod och dela med 20, och så vidare. Denna formel är inte bara baserad på slutkurs, men produkten är ett medelvärde av priser - en delmängd. Flyttande medel kallas rörelse eftersom den grupp av priser som används i beräkningen flyttar enligt punkten på diagrammet. Det betyder att gamla dagar tappas till förmån för nya stängningsdagar, så en ny beräkning behövs alltid som motsvarar tidsramen för den genomsnittliga sysselsättningen. Så omräknas 10 dagars genomsnitt genom att lägga till den nya dagen och släppa den tionde dagen och den nionde dagen släpps på andra dagen. (För mer om hur diagram används i valutahandling, kolla in vårt diagram Basics Walkthrough.) Exponentiellt rörligt medelvärde (EMA) Det exponentiella rörliga genomsnittet har förfinats och används vanligare sedan 1960-talet, tack vare tidigare utövare experimenterar med datorn. Den nya EMA skulle fokusera mer på de senaste priserna än på en lång rad datapunkter, eftersom det enkla rörliga genomsnittet var nödvändigt. Nuvarande EMA ((Pris (nuvarande) - tidigare EMA)) X multiplikator) tidigare EMA. Den viktigaste faktorn är utjämningskonstanten som 2 (1N) där N antalet dagar. En 10-dagars EMA 2 (101) 18.8 Det betyder att en 10-årig EMA väger det senaste priset 18,8, en 20-dagars EMA 9,52 och 50-dagars EMA 3,92 vikt på den senaste dagen. EMA arbetar med att väga skillnaden mellan nuvarande perioder och tidigare EMA och lägger till resultatet i tidigare EMA. Ju kortare perioden, desto större vikt tillämpas på det senaste priset. Monteringslinjer Genom dessa beräkningar punkteras punkter, vilket visar en passande linje. Monteringslinjer över eller under marknadspriset innebär att alla glidande medelvärden är fördröjande indikatorer. och används främst för följande trender. De fungerar inte bra med intervallmarknader och perioder med trängsel eftersom de passande linjerna inte visar en trend på grund av brist på uppenbara högre höjder eller lägre nedgångar. Plus, passande linjer tenderar att förbli konstanta utan ledtråd. En stigande monteringslinje under marknaden betyder en lång stund, medan en fallande monteringslinje över marknaden betyder en kort. (För en komplett guide, läs vår Moving Average Tutorial.) Syftet med att använda ett enkelt glidande medelvärde är att upptäcka och mäta trender genom att utjämna data med hjälp av flera grupper av priser. En trend är spotted och extrapolerad till en prognos. Antagandet är att tidigare trendrörelser fortsätter. För det enkla glidande medeltalet kan en långsiktig trend hittas och följas mycket lättare än en EMA, med rimligt antagande att fästelementet håller sig starkare än en EMA-linje på grund av det längre fokuset på genomsnittspriser. En EMA används för att fånga kortare trender, tack vare fokus på de senaste priserna. Med den här metoden skulle en EMA minska alla lager i det enkla glidande medelvärdet så att fästlinjen kommer att krama priserna närmare än ett enkelt glidande medelvärde. Problemet med EMA är detta: Det är benäget för prisavbrott, särskilt under snabba marknader och volatilitetsperioder. EMA fungerar bra tills priserna bryter passformen. Under högre volatilitetsmarknader kan du överväga att öka längden på den glidande medeltiden. Man kan även byta från en EMA till en SMA, eftersom SMA släpper ut data mycket bättre än en EMA på grund av dess fokus på långsiktiga medel. Trend-Following Indicators Som fördröjande indikatorer fungerar glidande medelvärden som stöd och motståndslinjer. Om priserna bryter under en 10-dagars monteringslinje i en uppåtgående trend är chansen god att den uppåtgående trenden kan minska, eller åtminstone marknaden kan konsolidera. Om priserna går över ett 10-dagars glidande medelvärde i en downtrend. Trenden kan minska eller konsolidera. I dessa fall använder du ett 10- och 20-dagars glidande medelvärde tillsammans och väntar på 10-dagars linjen att korsa över eller under 20-dagars linjen. Detta bestämmer nästa kortfristiga riktning mot priser. För längre perioder, titta på 100 och 200 dagars glidande medelvärden för längre siktriktning. Till exempel, om 100-dagars glidande medelvärde passerar under 200-dagars genomsnittet, kallas dödsövergången med 100 och 200-dagars glidmedel. och är väldigt baisse för priser. Ett 100-dagars glidande medelvärde som korsar över ett 200-dagars glidande medel kallas det gyllene korset. och är mycket bullish för priser. Det spelar ingen roll om en SMA eller en EMA används, eftersom båda är trend-följande indikatorer. Det är bara på kort sikt att SMA har små avvikelser från motparten, EMA. Slutsats Rörliga medelvärden är grunden för diagram och tidsserieanalys. Enkla glidande medelvärden och de mer komplexa exponentiella glidande medelvärdena hjälper till att visualisera trenden genom att utjämna prisrörelser. Teknisk analys kallas ibland som en konst snarare än en vetenskap, som båda tar år att behärska. (Läs mer i vår tekniska analyshandledning.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. DebtEquity Ratio är skuldkvoten som används för att mäta ett företags ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. Exponential utjämning förklaras. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. När människor först möter termen Exponentiell utjämning kan de tro att det låter som ett helvete med mycket utjämning. vad som helst utjämning är. De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik för att förstå, och hoppas att det finns en inbyggd Excel-funktion tillgänglig om de någonsin behöver göra det. Verkligheten med exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sanningen är att exponentiell utjämning är en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn eftersom det som tekniskt händer som ett resultat av denna enkla beräkning är faktiskt lite komplicerad. För att förstå exponentiell utjämning hjälper det till att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning Utjämning är en mycket vanlig statistisk process. I själva verket möter vi regelbundet smidiga data i olika former i våra dagliga liv. Varje gång du använder ett medelvärde för att beskriva något, använder du ett jämnt antal. Om du funderar på varför du använder ett medelvärde för att beskriva något, kommer du snabbt att förstå begreppet utjämning. Till exempel upplevde vi bara den varmaste vintern på rekord. Hur kan vi kvantifiera detta? Nåväl börjar vi med dataset av de dagliga höga och låga temperaturerna för den period som vi kallar Vinter för varje år i inspelad historia. Men det lämnar oss med en massa siffror som hoppar runt ganska lite (det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år). Vi behöver ett nummer som tar bort allt detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Att hoppa runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medel för att åstadkomma utjämningen. I efterfrågan prognoser använder vi utjämning för att ta bort slumpmässig variation (brus) från vår historiska efterfrågan. Detta gör det möjligt för oss att bättre identifiera efterfrågan mönster (främst trend och säsong) och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Ljudet i efterfrågan är samma koncept som den dagliga hoppningen runt temperaturdata. Inte överraskande är det vanligaste sättet att människor tar bort ljud från efterfrågans historia att använda en enkel genomsnittare, mer specifikt, ett glidande medelvärde. Ett glidande medel använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Om jag till exempel använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade i januari, februari, mars och april. Den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Viktat glidande medelvärde. Vid användning av ett medel tillämpar vi samma vikt (vikt) på varje värde i datasetet. I det 4 månaders glidande genomsnittet representerade varje månad 25 av glidande medelvärdet. När man använder efterfrågan historia för att projektera framtida efterfrågan (och speciellt framtida trend) är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din prognos. Vi kan anpassa vår glidande medelberäkning för att applicera olika vikter till varje period för att få våra önskade resultat. Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste öka till 100. Om vi ​​bestämmer att vi vill tillämpa 35 som vikten för närmaste period i vårt 4 månaders vägda glidande medelvärde, kan vi subtrahera 35 från 100 för att hitta att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en viktning på 15, 20, 30 och 35 för de fyra månaderna (15 20 30 35 100). Exponentiell utjämning. Om vi ​​går tillbaka till begreppet att applicera en vikt till den senaste perioden (som 35 i föregående exempel) och sprida den återstående vikten (beräknad genom att subtrahera den senaste vikten av 35 från 100 till 65), har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången för exponentiell utjämningsberäkningen är känd som utjämningsfaktorn (kallas även utjämningskonstanten). Den representerar väsentligen den viktning som tillämpas på de senaste perioderna efterfrågan. Så, där vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen, kunde vi också välja att använda 35 som utjämningsfaktor i vår exponentiella utjämningsberäkning för att få en liknande effekt. Skillnaden med exponentiell utjämningsberäkningen är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här kommer den exponentiella delen. Om vi ​​använder 35 som utjämningsfaktor kommer vikten av de senaste perioderna att vara 35. Vägningen av de efterföljande senaste perioderna efterfrågar (perioden före senaste) kommer att vara 65 av 35 (65 kommer från att subtrahera 35 från 100). Detta motsvarar 22,75 viktning för den perioden om du gör matematiken. De efterföljande senaste perioderna kommer att vara 65 av 65 av 35, vilket motsvarar 14,79. Perioden före det kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9,61, och så vidare. Och detta går tillbaka genom alla dina tidigare perioder ända till början av tiden (eller den punkt där du började använda exponentiell utjämning för det aktuella objektet). Du tror nog att det ser ut som en hel del matte. Men skönheten i den exponentiella utjämningsberäkning är att snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny period efterfråga, använder du bara utmatningen av exponentiell utjämningsberäkning från föregående period för att representera alla tidigare perioder. Är du förvirrad än? Det här blir mer meningsfullt när vi tittar på den faktiska beräkningen. Vanligtvis hänvisar vi till effekten av exponentiell utjämningsberäkningen som nästa prognos för perioden. I verkligheten behöver den ultimata prognosen lite mer arbete, men i den här specifika beräkningen avses det som prognosen. Exponentialutjämningsberäkningen är enligt följande: De senaste perioderna efterfrågas multiplicerat med utjämningsfaktorn. PLUS De senaste prognoserna multipliceras med (en minus utjämningsfaktorn). D senaste perioder kräver S utjämningsfaktorn representerad i decimalform (så 35 skulle representeras som 0,35). F de senaste perioderna prognos (utmatningen av utjämningsberäkningen från föregående period). ELLER (förutsatt en utjämningsfaktor på 0,35) (D 0,35) (F 0,65) Det blir inte mycket enklare än det. Som vi kan se är allt vi behöver för datainmatningar här de senaste perioderna efterfrågan och de senaste perioderna prognostiseras. Vi tillämpar utjämningsfaktorn (viktning) till de senaste perioderna efterfrågar samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen. Vi tillämpar sedan återstående viktning (1 minus utjämningsfaktorn) till de senaste perioderna. Eftersom de senaste perioderna prognos skapades baserat på tidigare perioder efterfrågan och de tidigare perioderna prognostiserade, vilket var baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på perioden före det. Jo, du kan se hur alla tidigare perioder efterfrågan är representerade i beräkningen utan att faktiskt gå tillbaka och omberäkna någonting. Och det var det som körde den initiala populariteten för exponentiell utjämning. Det var inte för att det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde, det berodde på att det var lättare att beräkna i ett datorprogram. Och för att du inte behövde tänka på vilken viktning som ska ge tidigare perioder eller hur många tidigare perioder du ska använda, som du skulle i viktat glidande medelvärde. Och eftersom det bara lät kallare än det viktade glidande genomsnittet. Det kan faktiskt argumenteras för att det vägda glidande medlet ger större flexibilitet eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, så varför inte gå med enklare och kallare ljud. Exponentiell utjämning i Excel Låt oss se hur det här verkligen skulle se ut i ett kalkylblad med reella data. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan. Ive använde en utjämningsfaktor på 25 (0,25 i cell C1). Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12. Du kan se i formellistan, formeln är (L3C1) (L4 (1-C1)). Så de enda direkta ingångarna till denna beräkning är de tidigare perioderna efterfrågan (Cell L3), de tidigare perioderna (Cell L4) och utjämningsfaktorn (Cell C1, som visas som absolut cellreferens C1). När vi börjar en exponentiell utjämningsberäkning, måste vi manuellt ansluta värdet för den första prognosen. Så i Cell B4, snarare än en formel, skrev vi bara in efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning (B3C1) (B4 (1-C1)). Vi kan sedan kopiera Cell C4 och klistra in den i cellerna D4 till M4 för att fylla resten av våra prognosceller. Du kan nu dubbelklicka på någon prognoscell för att se att den är baserad på tidigare perioder förutspådda cellen och de tidigare perioderna kräver cell. Så ärar varje efterföljande exponentiell utjämningsberäkning utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfrågad efterfrågan är representerad i de senaste perioderna, även om beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill bli snygg kan du använda Excels spåra prejudikatfunktion. För att göra detta klickar du på Cell M4, sedan på verktygsfältet för band (Excel 2007 eller 2010) klickar du på Formulas-fliken och klickar sedan på Trace Precedents. Det kommer att dra anslutningsledningar till 1: a nivået av prejudikat, men om du fortsätter att klicka på Spåraprecedenter kommer det att dra anslutningslinjer till alla tidigare perioder för att visa de ärftliga relationerna. Nu kan vi se vad exponentiell utjämning gjorde för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos. Du kan se hur den exponentiellt släta prognosen avlägsnar det mesta av jaggednessen (hoppar runt) från den veckoslutande efterfrågan, men lyckas ändå att följa det som tycks vara en uppåtgående trend i efterfrågan. Du kommer också märka att den släta prognoslinjen tenderar att vara lägre än efterfrågan. Detta kallas trendslag och är en bieffekt av utjämningsprocessen. Varje gång du använder utjämning när en trend är närvarande kommer din prognos att ligga bakom trenden. Detta gäller för någon utjämningsteknik. Faktum är att om vi skulle fortsätta detta kalkylblad och börja skriva in lägre efterfrågningsnummer (vilket gör en nedåtgående trend) så ser du efterfrågan rad och trendlinjen flyttar över den innan vi börjar följa den nedåtgående trenden. Det var därför jag tidigare nämnde resultatet från exponentiell utjämningsberäkningen som vi kallar en prognos, behöver fortfarande lite mer arbete. Det finns mycket mer att prognostisera än att bara utjämna stötarna i efterfrågan. Vi behöver göra ytterligare justeringar för saker som trendlag, säsongshistoria, kända händelser som kan påverka efterfrågan etc. Men allt som ligger utanför ramen för denna artikel. Du kommer sannolikt också att gå in i termer som dubbel exponentiell utjämning och trippel-exponentiell utjämning. Dessa termer är lite vilseledande eftersom du inte omklämmer efterfrågan flera gånger (du kan om du vill, men det är inte meningen här). Dessa termer representerar exponentiell utjämning på ytterligare delar av prognosen. Så med enkel exponentiell utjämning, utjämnar du basbehovet, men med dubbel exponentiell utjämning utjämnar du basbehovet plus trenden, och med trippel exponentiell utjämning stryker du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exponentiell utjämning är var får jag min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågningsdata för att se vad som blir det bästa resultatet. Det finns beräkningar som automatiskt kan ställa in (och ändra) utjämningsfaktorn. Dessa faller under termen adaptiv utjämning, men du måste vara försiktig med dem. Det är helt enkelt inget perfekt svar och du ska inte blinda genomföra någon beräkning utan noggrann testning och utveckla en grundlig förståelse för vad den beräkningen gör. Du bör också köra scenarier för att se hur dessa beräkningar reagerar på efterfrågningsändringar som för närvarande inte existerar i efterfrågan data du använder för testning. Det dataexempel som jag använde tidigare är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier. Det specifika dataexemplet visar en något konsekvent uppåtgående trend. Många stora företag med mycket dyr prognostiseringsprogramvara fick stora problem i det inte så långa förflutet när deras programvaruinställningar som var tweaked för en växande ekonomi inte reagerade bra när ekonomin började stagnera eller krympa. Saker som detta händer när du inte förstår vad dina beräkningar (programvara) faktiskt gör. Om de förstod sitt prognossystem skulle de ha vetat att de behövde hoppa in och ändra något när det var plötsligt dramatiska förändringar i sin verksamhet. Så där har du det förklarat grunderna för exponentiell utjämning. Vill du veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Dave Piasecki. är ägare av Inventory Operations Consulting LLC. ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, materialhantering och lagerverksamhet. Han har över 25 års erfarenhet av verksamhetshantering och kan nås via sin webbplats (lager), där han behåller ytterligare relevant information. Mitt företag