Moving average or exponential smoothing

DEMA. mq4 DEMARLH. mq4 DEMA - Ringkasan singkat Double Exponential Moving Average (DEMA) adalah rata-rata Moving Average yang lebih halus dan lebih cepat yang dikembangkan dengan tujuan mengurangi jeda waktu yang ditemukan pada moving average tradisional. DEMA pertama kali diperkenalkan pada tahun 1994, dalam artikel Smoothing Data with Faster Moving Averages oleh Patrick G. Mulloy dalam majalah Analisis Teknis Saham Amp Commodities. Dalam artikel ini Mulloy mengatakan: Rata-rata bergerak memiliki jeda yang merugikan yang meningkat seiring dengan bertambahnya panjang rata-rata bergerak. Solusinya adalah versi modifikasi dari eksponensial smoothing dengan jeda waktu yang kurang .. DEMA indicator formula DEMA default period (t) 21. DEMA bukan hanya EMA ganda. DEMA juga bukan rata-rata bergerak dari rata-rata bergerak. Its kombinasi EMA tunggal ganda untuk lag lebih rendah daripada salah satu dari dua asli. Cara berdagang dengan DEMA DEMA dapat digunakan sebagai pengganti rata-rata pergerakan tradisional atau formula dapat diterapkan untuk memperlancar data harga untuk indikator lain, yang didasarkan pada moving averages. DEMA dapat membantu untuk melihat pembalikan harga lebih cepat, dibandingkan dengan EMA biasa. Metode trading yang populer seperti Moving Average crossover, akan mendapatkan makna baru dengan DEMA. Mari kita bandingkan 2 crossover WMA vs 2 sinyal crossover DEMA. DEMA MACD untuk MT4 Beberapa pengujian awal indikator awal DEMA dilakukan di MACD, di mana ia menemukan MACD yang didaur ulang DEMA lebih cepat merespons, dan walaupun menghasilkan sinyal yang lebih sedikit, memberikan hasil yang lebih tinggi daripada MACD biasa. DEMAMACD. mq4 MACD3DEMA. mq4 MACD3DEMAv101.mq4 Selain MACD, metode pemulusan DEMA dapat diterapkan pada berbagai indikator. Patrick G. Mulloy mengatakan: .. Meluncurkan versi EMA yang lebih cepat ini dalam indikator seperti moving average convergencedivergence (MACD), Bollinger bands atau TRIX dapat memberikan sinyal buasell berbeda yang ada di depan (yaitu, timah) dan merespons lebih cepat daripada yang terjadi. Disediakan oleh EMA tunggal .. Metode pemulusan lain yang dikembangkan oleh Mulloy dikenal dengan TEMA. Yang merupakan Movover Average Movon Average atau, versi Triple EMA lainnya, yang dikembangkan oleh indikator Jack Hutson - TRIX. Hak Cipta copy Indikator Forex Hai, Saya suka membuat EA (Expert Advisor) menggunakan DEMA. Rumus DEMA yang saya buat di bawah ini terlihat tidak benar, karena saya mengujinya dan kehilangan uang. Bisa tolong beritahu saya yang benar. Nama saya Jeffrey dan email saya adalah jyoungaus (at) yahoo. au. Terima kasih. Double ema1 iMA (NULL, PERIODH1,14,0, MODEEMA, PRICECLOSE, 0) ema1a iMA ganda (NULL, PERIODH1,14,0, MODEEMA, ema1,0) ema2 iMA ganda (NULL, PERIODH1,28,0, MODEEMA, PRICECLOSE, 0) ema2a ganda iMA (NULL, PERIODH1,28,0, MODEEMA, ema2,0) dema1 ganda (ema1 2) - ema1a dema2 ganda (ema2 2) - ema2a jika (dema1 dema2) jika (dema1Perimbang penghitungan beban pengamatan sebelumnya Dengan bobot yang menurun secara eksponensial untuk meramalkan nilai masa depan Skema pemulusan ini dimulai dengan pengaturan (S2) ke (y1), di mana (Si) adalah singkatan dari pengamatan smoothed atau EWMA, dan (y) merupakan singkatan dari pengamatan awal. Subskrip mengacu pada periode waktu , (1, 2,, ldot,, n) Untuk periode ketiga, (S3 alpha y2 (1-alpha) S2) dan seterusnya. Tidak ada (S1) deretan smoothing dimulai dengan versi smoothed dari Observasi kedua Untuk setiap periode waktu (t), nilai smoothed (St) ditemukan dengan menghitung St alpha y (1-alpha) S ,,,,,,, 0 Persamaan yang diperluas untuk (S5) Sebagai contoh, persamaan yang diperluas Untuk nilai smoothed (S5) adalah: S5 alfa kiri (1-alfa) 0 y (1-alfa) 1 y (1-alfa) 2 y kanan (1-alfa) 3 S2. Mengilustrasikan perilaku eksponensial Ini menggambarkan perilaku eksponensial. Bobot, (alpha (1-alpha) t) menurun secara geometris, dan jumlahnya adalah kesatuan seperti yang ditunjukkan di bawah ini, dengan menggunakan properti seri geometris: alpha sum (1-alpha) i alpha left frac right 1 - (1-alpha) T. Dari rumus terakhir kita dapat melihat bahwa istilah penjumlahan menunjukkan bahwa kontribusi terhadap nilai smoothed (St) menjadi kurang pada setiap periode waktu berturut-turut. Contoh untuk (alpha 0.3) Misalkan (alpha 0.3). Amati bahwa bobot (alpha (1-alpha) t) menurun secara eksponensial (secara geometris) seiring waktu. Jumlah kesalahan kuadrat (SSE) 208.94. Mean dari kesalahan kuadrat (MSE) adalah SSE 11 19.0. Hitung untuk nilai yang berbeda (alpha) The MSE dihitung lagi untuk (alpha 0.5) dan ternyata adalah 16,29, jadi dalam kasus ini kita lebih memilih sebuah (alpha) dari 0.5. Bisakah kita berbuat lebih baik Kita bisa menerapkan metode trial-and-error yang telah terbukti. Ini adalah prosedur iteratif yang dimulai dengan kisaran (alpha) antara 0,1 dan 0,9. Kami menentukan pilihan awal terbaik untuk (alpha) dan kemudian mencari antara (alpha - Delta) dan (alpha Delta). Kita bisa mengulangi ini mungkin sekali lagi untuk menemukan yang terbaik (alpha) sampai 3 tempat desimal. Pengoptimalan nonlinier dapat digunakan Tapi ada metode pencarian yang lebih baik, seperti prosedur Marquardt. Ini adalah pengoptimal nonlinier yang meminimalkan jumlah kuadrat residu. Secara umum, program perangkat lunak statistik yang paling tepat dirancang harus dapat menemukan nilai (alpha) yang meminimalkan MSE. Contoh plot yang menunjukkan data smoothed untuk 2 nilai (alpha) Exponential Smoothing Dijelaskan. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Ketika orang pertama kali menemukan istilah Exponential Smoothing, mereka mungkin berpikir itu terdengar seperti neraka yang banyak merapikan. Apapun itu smoothing. Mereka kemudian mulai membayangkan perhitungan matematika yang rumit yang mungkin memerlukan gelar dalam matematika untuk memahami, dan berharap ada fungsi Excel bawaan yang tersedia jika mereka perlu melakukannya. Realitas pemulusan eksponensial jauh kurang dramatis dan jauh kurang traumatis. Yang benar adalah, eksponensial smoothing adalah perhitungan yang sangat sederhana yang menyelesaikan tugas yang agak sederhana. Ini hanya memiliki nama yang rumit karena secara teknis hal tersebut terjadi akibat perhitungan sederhana ini sebenarnya sedikit rumit. Untuk memahami pemulusan eksponensial, ada baiknya memulai dengan konsep umum perataan dan beberapa metode umum lainnya yang digunakan untuk mencapai perataan. Smoothing Smoothing adalah proses statistik yang sangat umum. Sebenarnya, kami secara teratur menemukan data merapikan dalam berbagai bentuk dalam kehidupan sehari-hari. Setiap kali Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda menggunakan nomor yang merapikan. Jika Anda memikirkan mengapa Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda akan segera memahami konsep perataan. Sebagai contoh, kita hanya mengalami musim dingin terpanas yang tercatat. Bagaimana kita bisa menghitung ini. Kita mulai dengan dataset suhu tinggi dan rendah harian untuk periode yang kita sebut Winter untuk setiap tahun dalam sejarah yang tercatat. Tapi itu membuat kita dengan seikat angka yang melompati sedikit (tidak seperti setiap hari musim dingin ini lebih hangat daripada hari-hari yang sama dari tahun-tahun sebelumnya). Kita membutuhkan nomor yang menghilangkan semua ini yang melompat dari data sehingga kita bisa lebih mudah membandingkan satu musim dingin ke musim berikutnya. Melepaskan lompatan di sekitar data disebut smoothing, dan dalam kasus ini kita bisa menggunakan rata-rata sederhana untuk menyelesaikan smoothing. Dalam peramalan permintaan, kita menggunakan smoothing untuk menghilangkan variasi acak (noise) dari permintaan historis kita. Hal ini memungkinkan kita untuk lebih mengidentifikasi pola permintaan (terutama tren dan musiman) dan tingkat permintaan yang dapat digunakan untuk memperkirakan permintaan masa depan. Kebisingan yang diminta adalah konsep yang sama dengan data suhu harian yang melompati. Tidak mengherankan, cara yang paling umum orang menghilangkan kebisingan dari sejarah permintaan adalah dengan menggunakan rata-rata sederhana lebih khusus, rata-rata bergerak. Rata-rata bergerak hanya menggunakan sejumlah periode yang telah ditentukan untuk menghitung rata-rata, dan periode tersebut bergerak seiring berjalannya waktu. Misalnya, jika Im menggunakan moving average 4 bulan, dan hari ini tanggal 1 Mei Im menggunakan rata-rata permintaan yang terjadi pada bulan Januari, Februari, Maret, dan April. Pada tanggal 1 Juni, saya akan menggunakan permintaan dari bulan Februari, Maret, April, dan Mei. Rata-rata bergerak tertimbang. Bila menggunakan rata-rata, kami menerapkan kepentingan (bobot) yang sama untuk setiap nilai dalam dataset. Dalam rata-rata pergerakan 4 bulan, setiap bulan mewakili 25 dari rata-rata bergerak. Bila menggunakan sejarah permintaan untuk memproyeksikan permintaan masa depan (dan terutama tren masa depan), logis untuk sampai pada kesimpulan bahwa Anda ingin sejarah yang lebih baru memiliki dampak lebih besar pada perkiraan Anda. Kita dapat menyesuaikan perhitungan rata-rata bergerak kita untuk menerapkan berbagai bobot pada setiap periode untuk mendapatkan hasil yang diinginkan. Kami mengungkapkan bobot ini sebagai persentase, dan total semua bobot untuk semua periode harus bertambah hingga 100. Oleh karena itu, jika kita memutuskan bahwa kita ingin menerapkan 35 sebagai bobot untuk periode terdekat dalam rata-rata pergerakan tertimbang 4 bulan kita, kita dapat Kurangi 35 dari 100 untuk menemukan bahwa kita memiliki sisa 65 untuk membagi selama 3 periode lainnya. Misalnya, kita bisa berakhir dengan bobot masing-masing 15, 20, 30, dan 35 selama 4 bulan (15 20 30 35 100). Pemulusan eksponensial Jika kita kembali pada konsep penerapan bobot sampai periode terakhir (seperti 35 pada contoh sebelumnya) dan menyebarkan bobot yang tersisa (dihitung dengan mengurangkan berat periode terakhir 35 dari 100 menjadi 65), kita memiliki Blok bangunan dasar untuk perhitungan smoothing eksponensial kami. Pengendalian masukan perhitungan smoothing eksponensial dikenal sebagai faktor pemulusan (juga disebut konstanta pemulusan). Ini pada dasarnya mewakili bobot yang diterapkan pada periode permintaan terakhir. Jadi, di mana kita menggunakan 35 sebagai pembobotan untuk periode terbaru dalam perhitungan rata-rata bergerak tertimbang, kita juga dapat memilih untuk menggunakan 35 sebagai faktor penghalusan dalam perhitungan perataan eksponensial untuk mendapatkan efek yang serupa. Perbedaan dengan perhitungan smoothing eksponensial adalah bahwa alih-alih kita juga harus mengetahui berapa banyak bobot yang harus diterapkan pada setiap periode sebelumnya, faktor pemulusan digunakan untuk melakukannya secara otomatis. Jadi inilah bagian eksponensialnya. Jika kita menggunakan 35 sebagai faktor penghalusan, bobot periode permintaan terakhir akan menjadi 35. Bobot periode permintaan terakhir berikutnya (periode sebelum yang paling baru) akan menjadi 65 dari 35 (65 berasal dari pengurangan 35 dari 100). Ini setara dengan 22,75 bobot untuk periode itu jika Anda melakukan matematika. Permintaan periode paling akhir berikutnya adalah 65 dari 65 dari 35, yang setara dengan 14,79. Periode sebelum itu akan tertimbang 65 dari 65 65 dari 35, yang setara dengan 9,61, dan seterusnya. Dan ini berlanjut kembali sepanjang periode sebelumnya sampai kembali ke awal waktu (atau titik di mana Anda mulai menggunakan smoothing eksponensial untuk item tertentu). Anda mungkin berpikir itu terlihat seperti keseluruhan matematika. Tapi keindahan perhitungan smoothing eksponensial adalah bahwa daripada harus menghitung ulang terhadap setiap periode sebelumnya setiap kali Anda mendapatkan permintaan periode baru, Anda cukup menggunakan keluaran penghitungan eksponensial dari periode sebelumnya untuk mewakili semua periode sebelumnya. Apakah Anda bingung ini akan lebih masuk akal saat kita melihat perhitungan sebenarnya Biasanya kita mengacu pada output perhitungan smoothing eksponensial seperti ramalan periode berikutnya. Pada kenyataannya, perkiraan akhir memerlukan sedikit kerja lebih banyak, namun untuk keperluan perhitungan khusus ini, kami akan menyebutnya sebagai ramalan. Perhitungan smoothing eksponensial adalah sebagai berikut: Periode permintaan terakhir dikalikan dengan faktor penghalusan. PLUS Prakiraan periode terbaru dikalikan dengan (satu minus faktor pemulusan). D periode terakhir meminta S faktor penghalusan diwakili dalam bentuk desimal (jadi 35 akan ditunjukkan sebagai 0,35). F perkiraan periode terbaru (output dari penghitungan smoothing dari periode sebelumnya). ATAU (dengan mengasumsikan faktor pemulusan 0,35) (D 0.35) (F 0.65) Itu tidak akan jauh lebih sederhana dari itu. Seperti yang Anda lihat, semua yang kita butuhkan untuk input data di sini adalah periode permintaan terakhir dan perkiraan periode terbaru. Kami menerapkan faktor pemulusan (pembobotan) ke periode paling akhir dengan permintaan yang sama seperti dalam perhitungan rata-rata bergerak tertimbang. Kami kemudian menerapkan pembobotan yang tersisa (1 dikurangi faktor pemulusan) ke perkiraan periode terbaru. Karena ramalan periode paling baru dibuat berdasarkan perkiraan periode sebelumnya dan perkiraan periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya dan perkiraan untuk periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya Itu dan ramalan untuk periode sebelumnya, yang didasarkan pada periode sebelum itu. Nah, Anda bisa melihat bagaimana semua permintaan periode sebelumnya terwakili dalam perhitungan tanpa benar-benar mundur dan menghitung ulang apapun. Dan itulah yang mendorong popularitas awal eksponensial smoothing. Itu bukan karena melakukan pekerjaan smoothing yang lebih baik daripada rata-rata bergerak tertimbang, karena lebih mudah untuk menghitung dalam program komputer. Dan, karena Anda tidak perlu memikirkan berapa bobot yang harus diberikan pada periode sebelumnya atau berapa banyak periode sebelumnya yang digunakan, seperti yang akan Anda lakukan pada rata-rata pergerakan tertimbang. Dan, karena kedengarannya lebih dingin dari rata-rata bergerak tertimbang. Sebenarnya, dapat dikatakan bahwa rata-rata bergerak tertimbang memberikan fleksibilitas lebih besar karena Anda memiliki kontrol lebih terhadap pembobotan periode sebelumnya. Kenyataannya adalah salah satu dari ini dapat memberikan hasil yang terhormat, jadi mengapa tidak pergi dengan suara lebih mudah dan lebih dingin. Exponential Smoothing di Excel Mari kita lihat bagaimana ini benar-benar terlihat dalam spreadsheet dengan data sebenarnya. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Pada Gambar 1A, kita memiliki spreadsheet Excel dengan permintaan 11 minggu, dan perkiraan merapikan secara eksponensial dihitung dari permintaan itu. Ive menggunakan faktor pemulusan 25 (0,25 di sel C1). Sel aktif saat ini adalah Cell M4 yang berisi ramalan untuk minggu 12. Anda bisa lihat di formula bar, rumusnya adalah (L3C1) (L4 (1-C1)). Jadi satu-satunya masukan langsung untuk perhitungan ini adalah permintaan periode sebelumnya (Cell L3), perkiraan periode sebelumnya (Cell L4), dan faktor pemulusan (Cell C1, yang ditunjukkan sebagai referensi sel absolut C1). Saat kita memulai perhitungan penghalusan eksponensial, kita perlu menambahkan nilai ramalan 1 secara manual. Jadi di Cell B4, bukan formula, kami hanya mengetik permintaan dari periode yang sama seperti perkiraan. Di Cell C4 kita memiliki perhitungan smoothing eksponensial 1 kita (B3C1) (B4 (1-C1)). Kita kemudian bisa menyalin Cell C4 dan menempelkannya ke Sel D4 sampai M4 untuk mengisi sisa sel perkiraan kami. Sekarang Anda bisa klik dua kali pada sel perkiraan mana pun untuk melihatnya didasarkan pada ramalan periode sebelumnya dan periode sebelumnya menuntut sel. Jadi setiap perhitungan smoothing eksponensial selanjutnya mewarisi output perhitungan smoothing eksponensial sebelumnya. Thats bagaimana setiap periode sebelumnya permintaan diwakili dalam perhitungan periode terbaru meskipun perhitungan itu tidak secara langsung referensi periode sebelumnya. Jika ingin kemewahan, Anda bisa menggunakan fungsi pendahuluan Excels. Untuk melakukan ini, klik pada Cell M4, lalu pada bar alat pita (Excel 2007 atau 2010) klik tab Rumus, lalu klik Trace Precedents. Ini akan menarik garis konektor ke tingkat pertama preseden, tapi jika Anda terus mengklik Trace Preseden, itu akan menarik garis konektor ke semua periode sebelumnya untuk menunjukkan kepada Anda hubungan yang diwariskan. Sekarang mari kita lihat apa yang dilakukan smoothing eksponensial untuk kita. Gambar 1B menunjukkan bagan garis dari permintaan dan perkiraan kami. Kasus Anda melihat bagaimana perkiraan merapikan secara eksponensial menghilangkan sebagian besar jaggedness (lompatan sekitar) dari permintaan mingguan, namun tetap berhasil mengikuti apa yang tampaknya merupakan tren permintaan yang meningkat. Anda juga akan melihat bahwa garis perkiraan merapikan cenderung lebih rendah dari garis permintaan. Ini dikenal sebagai trend lag dan merupakan efek samping dari proses smoothing. Kapan pun Anda menggunakan smoothing saat tren hadir, ramalan Anda akan tertinggal dari tren. Hal ini berlaku untuk teknik pemulusan. Sebenarnya, jika kami melanjutkan spreadsheet ini dan mulai memasukkan jumlah permintaan yang lebih rendah (membuat tren menurun), Anda akan melihat garis permintaan turun, dan garis tren bergerak di atasnya sebelum mulai mengikuti tren penurunan. Itulah mengapa saya sebelumnya menyebutkan output dari perhitungan smoothing eksponensial yang kita sebut ramalan, masih memerlukan beberapa pekerjaan lagi. Ada lebih banyak peramalan daripada hanya meratakan benjolan permintaan. Kita perlu melakukan penyesuaian tambahan untuk hal-hal seperti tren lag, seasonality, event yang diketahui yang mungkin mempengaruhi permintaan, dll. Tapi semua itu berada di luar cakupan artikel ini. Anda mungkin juga akan mengalami istilah seperti perataan eksponensial ganda dan pemulusan tiga eksponensial. Istilah ini agak menyesatkan karena Anda tidak merapikan permintaan berkali-kali (Anda bisa jika Anda mau, tapi bukan itu masalahnya di sini). Istilah ini mewakili penggunaan smoothing eksponensial pada elemen tambahan ramalan. Jadi dengan pemulusan eksponensial sederhana, Anda merapikan permintaan dasar, namun dengan pemulusan eksponensial ganda, Anda merapikan permintaan dasar ditambah trennya, dan dengan pemulusan tiga eksponensial Anda merapikan permintaan dasar ditambah tren plus musiman. Pertanyaan lain yang paling sering diajukan tentang pemulusan eksponensial adalah dari mana saya mendapatkan faktor pemulusan saya Tidak ada jawaban ajaib di sini, Anda perlu menguji berbagai faktor penghalusan dengan data permintaan Anda untuk melihat hasil terbaik Anda. Ada perhitungan yang bisa mengatur (dan mengubah) faktor smoothing secara otomatis. Ini jatuh di bawah istilah perataan adaptif, tapi Anda harus berhati-hati dengan mereka. Tidak ada jawaban yang sempurna dan Anda seharusnya tidak membabi buta menerapkan perhitungan tanpa pengujian menyeluruh dan mengembangkan pemahaman menyeluruh tentang perhitungan yang dilakukannya. Anda juga harus menjalankan skenario apa-jika melihat bagaimana perhitungan ini bereaksi terhadap permintaan perubahan yang mungkin saat ini tidak ada dalam data permintaan yang Anda gunakan untuk pengujian. Contoh data yang saya gunakan sebelumnya adalah contoh yang sangat bagus dari situasi di mana Anda benar-benar perlu menguji beberapa skenario lainnya. Contoh data tertentu menunjukkan kecenderungan kenaikan yang agak konsisten. Banyak perusahaan besar dengan perangkat lunak peramalan yang sangat mahal mendapat masalah besar dalam masa lalu yang tidak begitu jauh ketika pengaturan perangkat lunak mereka yang di-tweak untuk ekonomi yang sedang tumbuh tidak akan membaik saat ekonomi mulai stagnan atau menyusut. Hal seperti ini terjadi saat Anda tidak mengerti apa perhitungan (software) Anda sebenarnya. Jika mereka memahami sistem peramalan mereka, mereka pasti tahu bahwa mereka perlu terjun dan mengubah sesuatu saat terjadi perubahan dramatis mendadak pada bisnis mereka. Jadi begitulah dasar-dasar smoothing eksponensial dijelaskan. Ingin tahu lebih banyak tentang penggunaan smoothing eksponensial dalam perkiraan yang sebenarnya, lihat buku saya yang Dijelaskan Manajemen Inventaris. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Dave Piasecki. Adalah owneroperator dari Inventory Operations Consulting LLC. Sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan manajemen persediaan, penanganan material, dan operasi gudang. Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya (inventaris), di mana dia menyimpan informasi tambahan yang relevan. Urusanku