Moving Average Model Dijelaskan

Moving Average Contoh ini mengajarkan cara menghitung moving average dari deret waktu di Excel. Rata-rata bergerak digunakan untuk memperlancar penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-on Analisis ToolPak. 3. Pilih Moving Average dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak Interval dan ketik 6. 6. Klik pada kotak Output Range dan pilih sel B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita tetapkan interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan titik data saat ini. Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang meningkat. Excel tidak bisa menghitung moving average untuk 5 poin data pertama karena tidak ada cukup data point sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk interval 2 dan interval 4. Kesimpulan: Semakin besar interval, semakin puncak dan lembah dihaluskan. Semakin kecil interval, semakin dekat rata-rata bergerak ke titik data sebenarnya. RIMA adalah singkatan dari model Autoregressive Integrated Moving Average. Vektor univariat (single vector) ARIMA adalah teknik peramalan yang memproyeksikan nilai masa depan dari seri yang didasarkan sepenuhnya pada inersia sendiri. Aplikasi utamanya adalah di bidang peramalan jangka pendek yang membutuhkan setidaknya 40 titik data historis. Ini bekerja paling baik bila data Anda menunjukkan pola yang stabil atau konsisten dari waktu ke waktu dengan jumlah outlier minimum. Terkadang disebut Box-Jenkins (setelah penulis asli), ARIMA biasanya lebih unggul dari teknik pemulusan eksponensial saat data cukup panjang dan korelasi antara pengamatan terakhir stabil. Jika datanya pendek atau sangat mudah menguap, maka beberapa metode pemulusan mungkin berkinerja lebih baik. Jika Anda tidak memiliki setidaknya 38 titik data, Anda harus mempertimbangkan beberapa metode lain selain ARIMA. Langkah pertama dalam menerapkan metodologi ARIMA adalah memeriksa stasioneritas. Stationarity menyiratkan bahwa seri tetap pada tingkat yang cukup konstan dari waktu ke waktu. Jika ada tren, seperti pada kebanyakan aplikasi ekonomi atau bisnis, maka data Anda TIDAK stasioner. Data juga harus menunjukkan varians konstan dalam fluktuasi dari waktu ke waktu. Hal ini mudah dilihat dengan seri yang sangat musiman dan tumbuh pada tingkat yang lebih cepat. Dalam kasus seperti ini, pasang surut di musim ini akan menjadi lebih dramatis dari waktu ke waktu. Tanpa kondisi stasioneritas ini terpenuhi, banyak perhitungan yang terkait dengan proses tidak dapat dihitung. Jika plot grafis dari data menunjukkan nonstationarity, maka Anda harus membedakan rangkaiannya. Perbedaan adalah cara terbaik untuk mentransformasi rangkaian nonstasioner ke yang stasioner. Hal ini dilakukan dengan mengurangi pengamatan pada periode berjalan dari sebelumnya. Jika transformasi ini dilakukan hanya satu kali untuk satu seri, Anda mengatakan bahwa data tersebut telah terdistorsi pertama. Proses ini pada dasarnya menghilangkan tren jika seri Anda tumbuh pada tingkat yang cukup konstan. Jika tumbuh pada tingkat yang meningkat, Anda dapat menerapkan prosedur yang sama dan membedakan data lagi. Data Anda kemudian akan dibedakan kedua. Autokorelasi adalah nilai numerik yang menunjukkan bagaimana rangkaian data dikaitkan dengan dirinya sendiri dari waktu ke waktu. Lebih tepatnya, ia mengukur seberapa kuat nilai data pada sejumlah periode tertentu yang terpisah berkorelasi satu sama lain dari waktu ke waktu. Jumlah periode terpisah biasanya disebut lag. Sebagai contoh, autokorelasi pada lag 1 mengukur bagaimana nilai 1 periode terpisah berkorelasi satu sama lain sepanjang rangkaian. Autokorelasi pada lag 2 mengukur bagaimana data dua periode terpisah berkorelasi sepanjang rangkaian. Autokorelasi dapat berkisar dari 1 sampai -1. Nilai yang mendekati 1 menunjukkan korelasi positif tinggi sementara nilai mendekati -1 menyiratkan korelasi negatif yang tinggi. Langkah-langkah ini paling sering dievaluasi melalui plot grafis yang disebut correlagrams. Sebuah correlagram memplot nilai korelasi otomatis untuk rangkaian tertentu pada kelambatan yang berbeda. Ini disebut fungsi autokorelasi dan sangat penting dalam metode ARIMA. Metodologi ARIMA mencoba menggambarkan pergerakan dalam rangkaian waktu stasioner sebagai fungsi dari apa yang disebut parameter rata-rata autoregressive dan moving average. Ini disebut parameter parameter AR (autoregessive) dan MA (moving averages). Model AR dengan hanya 1 parameter dapat ditulis sebagai. X (t) A (1) X (t-1) E (t) di mana rangkaian waktu X (t) yang diselidiki A (1) parameter autoregresif dari urutan 1 X (t-1) deret waktu tertinggal 1 periode E (T) istilah kesalahan model Ini berarti bahwa setiap nilai X (t) dapat dijelaskan oleh beberapa fungsi dari nilai sebelumnya, X (t-1), ditambah beberapa kesalahan acak yang tidak dapat dijelaskan, E (t). Jika nilai estimasi A (1) adalah 0,30, maka nilai seri saat ini akan terkait dengan 30 nilainya 1 periode yang lalu. Tentu saja, serial ini bisa dikaitkan dengan lebih dari satu nilai masa lalu. Sebagai contoh, X (t) A (1) X (t-1) A (2) X (t-2) E (t) Ini menunjukkan bahwa nilai seri saat ini adalah kombinasi dari dua nilai sebelumnya, X (t-1) dan X (t-2), ditambah beberapa error acak E (t). Model kami sekarang merupakan model pesanan autoregresif 2. Moving Average Models: Tipe kedua model Box-Jenkins disebut model moving average. Meski model ini terlihat sangat mirip dengan model AR, konsep di baliknya sangat berbeda. Parameter rata-rata bergerak berhubungan dengan apa yang terjadi pada periode t hanya pada kesalahan acak yang terjadi pada periode waktu lalu, yaitu E (t-1), E (t-2), dll daripada X (t-1), X ( T-2), (Xt-3) seperti pada pendekatan autoregresif. Model rata-rata bergerak dengan satu istilah MA dapat ditulis sebagai berikut. X (t) - B (1) E (t-1) E (t) Istilah B (1) disebut MA pesanan 1. Tanda negatif di depan parameter digunakan hanya untuk konvensi dan biasanya dicetak. Secara otomatis oleh sebagian besar program komputer. Model di atas hanya mengatakan bahwa setiap nilai X (t) secara langsung berhubungan hanya dengan kesalahan acak pada periode sebelumnya, E (t-1), dan pada istilah error saat ini, E (t). Seperti dalam kasus model autoregresif, model rata-rata bergerak dapat diperluas ke struktur orde tinggi yang mencakup kombinasi yang berbeda dan panjang rata-rata bergerak. Metodologi ARIMA juga memungkinkan model dibangun yang menggabungkan parameter rata-rata autoregressive dan moving average. Model ini sering disebut sebagai model campuran. Meskipun ini membuat peramalan alat yang lebih rumit, struktur ini memang dapat mensimulasikan rangkaian lebih baik dan menghasilkan perkiraan yang lebih akurat. Model murni menyiratkan bahwa struktur hanya terdiri dari parameter AR atau MA - tidak keduanya. Model yang dikembangkan oleh pendekatan ini biasanya disebut model ARIMA karena mereka menggunakan kombinasi autoregressive (AR), integration (I) - mengacu pada proses reverse differencing untuk menghasilkan forecast, dan moving average (MA) operations. Model ARIMA biasanya dinyatakan sebagai ARIMA (p, d, q). Ini mewakili urutan komponen autoregresif (p), jumlah operator differensiasi (d), dan urutan tertinggi dari istilah rata-rata bergerak. Sebagai contoh, ARIMA (2,1,1) berarti Anda memiliki model autoregresif pesanan kedua dengan komponen rata-rata bergerak urutan pertama yang serinya telah dibedakan satu kali untuk menginduksi stasioneritas. Memilih Spesifikasi yang Tepat: Masalah utama dalam Box-Jenkins klasik adalah mencoba untuk menentukan spesifikasi ARIMA yang akan digunakan - i. e. Berapa banyak parameter AR dan atau MA yang disertakan. Inilah yang dilakukan Box-Jenkings 1976 dalam proses identifikasi. Ini tergantung pada evaluasi grafis dan numerik dari autokorelasi sampel dan fungsi autokorelasi parsial. Nah, untuk model dasar Anda, tugasnya tidak terlalu sulit. Masing-masing memiliki fungsi autokorelasi yang terlihat dengan cara tertentu. Namun, ketika Anda naik dalam kompleksitas, pola tidak begitu mudah dideteksi. Untuk membuat masalah lebih sulit, data Anda hanya mewakili contoh proses yang mendasarinya. Ini berarti bahwa kesalahan sampling (outlier, error pengukuran, dll.) Dapat mendistorsi proses identifikasi teoritis. Itulah sebabnya pemodelan ARIMA tradisional adalah seni dan bukan sains. Rata-rata MOV - MA BREAKING DOWN Moving Average - MA Sebagai contoh SMA, pertimbangkan keamanan dengan harga penutupan berikut selama 15 hari: Minggu 1 (5 hari) 20, 22 , 24, 25, 23 Minggu 2 (5 hari) 26, 28, 26, 29, 27 Minggu 3 (5 hari) 28, 30, 27, 29, 28 MA 10 hari akan rata-rata menutup harga untuk yang pertama. 10 hari sebagai titik data pertama. Titik data berikutnya akan menurunkan harga paling awal, tambahkan harga pada hari ke 11 dan ambil rata-rata, dan seterusnya seperti yang ditunjukkan di bawah ini. Seperti disebutkan sebelumnya, MAs lag tindakan harga saat ini karena mereka didasarkan pada harga masa lalu semakin lama periode MA, semakin besar lag. Jadi MA 200 hari akan memiliki tingkat lag yang jauh lebih besar daripada MA 20 hari karena mengandung harga selama 200 hari terakhir. Durasi MA yang digunakan bergantung pada tujuan perdagangan, dengan MA yang lebih pendek digunakan untuk perdagangan jangka pendek dan MA jangka panjang lebih sesuai untuk investor jangka panjang. MA 200 hari banyak diikuti oleh investor dan pedagang, dengan tembusan di atas dan di bawah rata-rata pergerakan ini dianggap sebagai sinyal perdagangan penting. MA juga memberi sinyal perdagangan penting sendiri, atau ketika dua rata-rata melintas. MA yang sedang naik menunjukkan bahwa keamanan dalam uptrend. Sementara MA yang menurun menunjukkan bahwa tren turun. Begitu pula, momentum ke atas dikonfirmasi dengan crossover bullish. Yang terjadi ketika MA jangka pendek melintasi MA jangka panjang. Momentum turun dikonfirmasi dengan crossover bearish, yang terjadi saat MA jangka pendek melintasi di bawah MA jangka panjang.