الانتقال من المتوسط - النسيان عامل

استكشاف المتوسط ​​المتحرك الموزون أسي. فولياتيليتي هو المقياس الأكثر شيوعا من المخاطر، لكنه يأتي في العديد من النكهات في مقال سابق، أظهرنا كيفية حساب التقلبات التاريخية البسيطة لقراءة هذه المقالة، انظر استخدام التقلب لقياس المخاطر في المستقبل استخدمنا جوجل s البيانات الفعلية لأسعار الأسهم من أجل حساب التقلب اليومي استنادا إلى 30 يوما من بيانات المخزون في هذه المقالة، سوف نقوم بتحسين التقلبات البسيطة ومناقشة المتوسط ​​المتحرك المرجح أضعافا إوما التاريخية المتضمنة التقلب الضمني أولا، دعونا نضع هذا المقياس في قليلا من منظور هناك نهجان واسعان التقلب التاريخي والضمني أو الضمني النهج التاريخي يفترض أن الماضي هو مقدمة نحن قياس التاريخ على أمل أن يكون التنبؤية التقلب الضمني، من ناحية أخرى، يتجاهل التاريخ الذي يحل للتقلبات التي تنطوي عليها أسعار السوق وهي تأمل في أن يعرف السوق على أفضل وجه وأن سعر السوق يحتوي، حتى ولو ضمنا، على تقدير للآراء المتقلبة إتي للقراءة ذات الصلة، انظر استخدامات وحدود التقلب. إذا كنا نركز على النهج التاريخية الثلاثة فقط على اليسار أعلاه، لديهم خطوتين في common. Calculate سلسلة من العائدات الدورية. تطبيق مخطط الترجيح. أولا، نحسب العائد الدوري هذا هو عادة سلسلة من العائدات اليومية حيث يتم التعبير عن كل عودة في مصطلحات معقدة بشكل متواصل لكل يوم، ونحن نأخذ السجل الطبيعي لنسبة أسعار الأسهم أي السعر اليوم مقسوما على سعر أمس، وهلم جرا. هذا ينتج سلسلة من العوائد اليومية، من أوي إلى u إم اعتمادا على عدد الأيام أيام م نحن قياس. وهذا يحصلنا على الخطوة الثانية هذا هو المكان الذي تختلف فيه ثلاثة نهج في المقالة السابقة باستخدام التقلب لقياس المخاطر في المستقبل، أظهرنا أن تحت اثنين من التبسيط مقبول، والتباين البسيط هو متوسط ​​العوائد التربيعية. لاحظ أن هذا المبلغ كل من العائدات الدورية، ثم يقسم هذا المجموع من قبل عدد من الأيام أو الملاحظات م لذلك، انها حقا جوس t متوسط ​​العوائد الدورية المربعة بطريقة أخرى، يعطى لكل عائد مربعة وزن متساوي لذلك إذا كان ألفا هو عامل ترجيح على وجه التحديد، 1 م، فإن التباين البسيط يبدو شبيها بهذا. إن إوما يحسن التباين البسيط. ضعف هذا النهج هو أن جميع العائدات كسب نفس الوزن يوم أمس s عودة الأخيرة جدا ليس له تأثير أكثر على التباين من العودة في الشهر الماضي يتم إصلاح هذه المشكلة باستخدام المتوسط ​​المتحرك المرجح أضعافا إوما، التي عوائد أكثر حداثة وزنا أكبر على التباين. المتوسط ​​المتحرك المرجح أضعافا إوما يدخل لامدا وهو ما يسمى معلمة التمهيد يجب أن يكون لامبا أقل من واحد في ظل هذا الشرط، بدلا من الأوزان متساوية، يتم ترجيح كل مربعات العائد من مضاعف على النحو التالي. على سبيل المثال، ريسمتريكس تم، وهي شركة إدارة المخاطر المالية، تميل إلى استخدام لامدا من 0 94، أو 94 وفي هذه الحالة، يتم ترجيح أول عائد دوري مربعة الأحدث بنسبة 1-0 94 94 0 6 ن إرجاع التربيع الموسع هو ببساطة لامدا متعددة من الوزن السابق في هذه الحالة 6 مضروبا في 94 5 64 والثالث في اليوم السابق الوزن s يساوي 1-0 94 0 94 2 5 30. وهذا معنى الأسي في إوما كل وزن هو المضاعف المستمر أي لامدا، والتي يجب أن تكون أقل من واحد من وزن اليوم السابق s وهذا يضمن التباين الذي هو مرجح أو منحازة نحو أحدث البيانات لمعرفة المزيد، راجع ورقة عمل إكسيل لتقلب غوغل s الفرق بين ببساطة التقلب و إوما ل غوغل هو موضح أدناه. التذبذب البسيط يزن بشكل فعال كل عودة دورية من قبل 0 196 كما هو مبين في العمود O كان لدينا عامين من بيانات أسعار الأسهم اليومية وهذا هو 509 عوائد يومية و 1 509 0 196 ولكن لاحظ أن تعيينات العمود P ووزن 6، ثم 5 64، ثم 5 3 وهلم جرا هذا الفرق الوحيد بين التباين البسيط و EWMA. Remember بعد أن نجمع السلسلة بأكملها في العمود Q لدينا التباين، وهو مربع الانحراف المعياري إذا نحن نريد تقلب، نحن ني د لتذكر أن تأخذ الجذر التربيعي لهذا التباين. ما الفرق في التقلب اليومي بين التباين و إوما في حالة غوغل s انها كبيرة التباين البسيط أعطانا تقلب يومي من 2 4 ولكن إوما أعطى تقلب يومي من فقط 1 4 انظر جدول البيانات للحصول على التفاصيل على ما يبدو، استقر تقلب جوجل في أسفل في الآونة الأخيرة وبالتالي، قد يكون التباين البسيط مصطنع high. Today s التباين هو وظيفة بيور يوم ق الفرق سوف نلاحظ أننا بحاجة إلى حساب سلسلة طويلة من أضعافا مضاعفة انخفاض الأوزان فزنا ر تفعل الرياضيات هنا، ولكن واحدة من أفضل ملامح إوما هو أن السلسلة بأكملها يقلل بشكل ملائم إلى صيغة عودية. الاسترداد يعني أن اليوم مراجع الفرق أي أي وظيفة من اليوم السابق الصورة التباين يمكنك العثور على هذه الصيغة في جدول البيانات أيضا، وتنتج نفس النتيجة بالضبط مثل حساب لونغاند يقول اليوم الفرق s تحت إوما يساوي فارق التباين بالأوزان لامدا زائد أمس سس كواريد عودة يزنها ناقص لامدا لاحظ كيف نضيف فقط اثنين من المصطلحات معا يوم أمس التباين المرجح والأمثلة المرجحة، مربعة العودة. حتى ذلك، لامدا هو لدينا تمهيد المعلمة أعلى لامدا مثل ريسكمتريك s 94 يشير إلى تسوس أبطأ في سلسلة - من الناحية النسبية، سنحصل على المزيد من نقاط البيانات في السلسلة، وسوف تسقط أكثر ببطء من ناحية أخرى، إذا قلنا من لامدا، فإننا نشير إلى انحلال أعلى في الأوزان تسقط بسرعة أكبر، نتيجة التسوس السريع، يتم استخدام نقاط بيانات أقل في جدول البيانات، لامدا هو المدخلات، حتى تتمكن من التجربة مع حساسية لها. الذبذبات هو الانحراف المعياري لحظية من الأسهم ومقياس المخاطر الأكثر شيوعا بل هو أيضا الجذر التربيعي من التباين يمكننا قياس التباين تاريخيا أو ضمنا تقلب ضمني عند قياس تاريخيا، وأسهل طريقة هو التباين البسيط ولكن الضعف مع التباين البسيط هو كل عوائد الحصول على نفس w ثمانية لذلك نحن نواجه المفاضلة الكلاسيكية نحن نريد دائما المزيد من البيانات ولكن المزيد من البيانات لدينا أكثر يتم تخفيف حسابنا من قبل البيانات أقل ذات الصلة المتوسط ​​المتحرك أضعافا مضاعفة إوما يحسن على التباين البسيط عن طريق تعيين الأوزان إلى العوائد الدورية عن طريق القيام هذا، يمكننا على حد سواء استخدام حجم عينة كبيرة ولكن أيضا إعطاء المزيد من الوزن لعوائد أكثر حداثة. لعرض فيلم تعليمي حول هذا الموضوع، قم بزيارة بيونيك تورتل. معدل الفائدة الذي تقوم مؤسسة الإيداع بإقراض الأموال في الاحتياطي الاتحادي إلى مؤسسة إيداع أخرى. 1 قياس إحصائي لتشتت العائد لمؤشر معين للأمن أو السوق التقلب يمكن إما أن يقاس. نعمل الكونجرس الأمريكي مرت في عام 1933 كما القانون المصرفي، الذي يحظر على البنوك التجارية من المشاركة في الاستثمار. نونفارم الرواتب يشير إلى أي وظيفة خارج المزارع والأسر الخاصة والقطاع غير الربحي مكتب الولايات المتحدة للعمل . اختصار العملة أو رمز العملة للروبية الهندية إنر، عملة الهند الروبية تتكون من 1. محاولة أولية على أصول شركة مفلسة من المشتري المهتم الذي اختارته الشركة المفلسة من مجموعة من مقدمي العطاءات. متوسط. طريقة حساب المتوسط ​​انزلاق النافذة الافتراضي الترجيح الأسي. نافذة الانزلاق نافذة طول طول النافذة يتحرك فوق بيانات المدخلات على طول كل قناة من أي وقت مضى يتم حساب العينة من خلال مجموعة من عوامل الترجيح ينخفض ​​حجم عوامل الترجيح أضعافا مضاعفة كلما زاد عمر البيانات ولم يصل أبدا إلى صفر لحساب المتوسط، تقوم الخوارزمية بجمع البيانات المرجحة. تحديد طول النافذة العلم لتحديد طول النافذة على الوضع الافتراضي. عند تحديد خانة الاختيار هذه، يكون طول النافذة الانزلاقية مساويا للقيمة التي تحددها في طول النافذة عندما قم بإلغاء تحديد خانة الاختيار هذه، طول نافذة الانزلاق هو لانهائي في هذا الوضع، تقوم الكتلة بحساب متوسط ​​العينة الحالية وجميع العينات السابقة في القناة. طول الإطار طول نافذة الانزلاق 4 عدد صحيح موجب صحيح صحيح. يحدد طول الإطار طول النافذة المنزلقة تظهر هذه المعلمة عند تحديد خانة الاختيار تحديد طول الإطار. عامل التنشيط أسيوننتيال ويفينغ فاكتور 0 9 ديفولت بوسيتيف ريال العددية في النطاق 0،1. تنطبق هذه المعلمة عند تعيين الطريقة إلى الترجيح الأسي A عامل النسيان من 0 9 يعطي وزنا أكبر للبيانات القديمة مما يفعل عامل النسيان من 0 1 عامل نسيان 1 0 يشير إلى الذاكرة لانهائية كل السابق وتعطى عينات متساوية الوزن. هذه المعلمة هو الانضباطي يمكنك تغيير قيمته حتى أثناء المحاكاة. تحاكي باستخدام نوع من المحاكاة لتشغيل كود توليد الافتراضي تفسير تفسيرها. محاكاة النموذج باستخدام ولدت كود C في المرة الأولى التي تقوم بتشغيل المحاكاة، سيمولينك يولد C للكتلة يتم إعادة استخدام رمز C للمحاكاة اللاحقة طالما أن النموذج لا يتغير يتطلب هذا الخيار وقت بدء إضافي ولكنه يوفر سرعة محاكاة أسرع من التنفيذ المفسر. محاكاة النموذج باستخدام مترجم ماتلاب يعمل هذا الخيار على تقليل وقت بدء التشغيل ولكن لديه أبطأ سرعة المحاكاة من توليد الكود. انزلاق نافذة الأسلوب. في انزلاق نافذة الأسلوب، الإخراج لكل عينة الإدخال هو متوسط والعينة الحالية واللين - 1 عينات السابقة لين هو طول النافذة لحساب أول لين - 1 المخرجات، عندما نافذة لا يملك ما يكفي من البيانات حتى الآن، خوارزمية يملأ النافذة مع الأصفار وكمثال على ذلك، لحساب متوسط ​​عندما تأتي العينة المدخلة الثانية في، خوارزمية يملأ النافذة مع لين - 2 الأصفار ناقلات البيانات، x ثم عينات البيانات اثنين تليها لين - 2 الأصفار. عندما لا تحدد طول الإطار، خوارزمية يختار طول النافذة اللانهائي في هذا الوضع، يكون المخرجات هو المتوسط ​​المتحرك للعينة الحالية وجميع العينات السابقة في القناة. طريقة الترجيح الاساسي. في طريقة الترجيح الأسي، يتم حساب المتوسط ​​المتحرك بشكل متكرر باستخدام هذه الصيغ. w n w n 1 1 × N 1 1 w n x N 1 1 w n x نكس N متوسط ​​الانتقال في العينة الحالية. x N بيانات إدخال البيانات الحالية. x N 1 متوسط ​​الانتقال في النموذج السابق. العامل النشط. w N عامل الترجيح المطبق على عينة البيانات الحالية. 1 1 w n x N 1 تأثير البيانات السابقة على المتوسط. بالنسبة للعينة الأولى، حيث N 1، تختار الخوارزمية w N 1 بالنسبة للعينة التالية، يتم تحديث عامل الترجيح واستخدامه لحساب المتوسط، حسب المعادلة التكرارية مع زيادة عمر البيانات، ينخفض ​​حجم عامل الترجيح أضعافا مضاعفة ولا يصل أبدا إلى الصفر وبعبارة أخرى، فإن البيانات الأخيرة لها تأثير أكبر على المتوسط ​​الحالي من البيانات القديمة. وتحدد قيمة عامل النسيان معدل تغيير عوامل الترجيح عامل النسيان من 0 9 يعطي وزنا أكبر للبيانات القديمة مما يفعل عامل النسيان من 0 1 يشير عامل النسيان من 0 0 الذاكرة لانهائية وتعطى جميع العينات السابقة على قدم المساواة الوزن. اختر بلدك. Sliding نافذة الأسلوب. في طريقة نافذة انزلاق، نافذة من طول محدد، لين يتحرك على البيانات، عينة حسب العينة، ويتم حساب إحصائية على البيانات في إطار الإخراج لكل عينة الإدخال هو إحصائية أكثر من t انه نافذة من العينة الحالية و لين - 1 عينات سابقة في الخطوة الأولى، لحساب أول لين - 1 النواتج عندما لا يتوفر في النافذة ما يكفي من البيانات حتى الآن، خوارزمية يملأ النافذة مع الأصفار في الخطوات الزمنية اللاحقة ، لملء النافذة، تستخدم الخوارزمية عينات من إطار البيانات السابق الخوارزميات الإحصائية المتحركة لها حالة وتذكر البيانات السابقة. تناول مثال لحساب المتوسط ​​المتحرك لبيانات مدخلات التدفق باستخدام طريقة النافذة المنزلقة تستخدم الخوارزمية طول نافذة 4 مع كل عينة المدخلات التي تأتي في، نافذة طول 4 يتحرك على طول البيانات. النافذة من طول محدود، مما يجعل خوارزمية مرشح استجابة دفعة محدودة لتحليل إحصائية على مدى محدود من البيانات، استخدم انزلاق نافذة الأسلوب. تأثير طول النافذة. طول النافذة يحدد طول البيانات التي يحسب الخوارزمية إحصاء النافذة يتحرك كما تأتي البيانات الجديدة في إذا كانت النافذة كبيرة، وإحصاء المحسوب هو أقرب إلى إحصائية ثابتة للبيانات البيانات التي لا تتغير بسرعة، استخدم نافذة طويلة للحصول على إحصاءات أكثر سلاسة للحصول على البيانات التي تتغير بسرعة، استخدم نافذة أصغر. طريقة الترجيح الاساسي. طريقة الترجيح الأسي لديه دفعة لانهائية الاستجابة تحسب الخوارزمية مجموعة من الأوزان، وتطبق هذه الأوزان على عينات البيانات بشكل متكرر مع زيادة عمر البيانات، ينخفض ​​حجم عامل الترجيح أضعافا مضاعفة ولا يصل أبدا إلى الصفر وبعبارة أخرى، فإن البيانات الأخيرة لها تأثير أكبر على إحصائية في العينة الحالية من البيانات القديمة نظرا لاستجابة النبضات اللانهائية، تتطلب الخوارزمية معاملات أقل، مما يجعلها أكثر ملاءمة للتطبيقات المضمنة. تحدد قيمة عامل النسيان معدل التغير في عوامل الترجيح عامل النسيان من 0 9 يعطي المزيد من الوزن للبيانات القديمة مما يفعل عامل النسيان من 0 1 لإعطاء المزيد من الوزن إلى البيانات الأخيرة، نقل النسيان فا كتور أقرب إلى 0 للكشف عن التحولات الصغيرة في البيانات المتغيرة بسرعة، قيمة أقل من 0 5 هو أكثر ملاءمة عامل النسيان من 0 0 يشير إلى الذاكرة لانهائية وتعطى جميع العينات السابقة على قدم المساواة الوزن وتعتمد القيمة المثلى لعامل النسيان على داتا ستريم لتدفق بيانات معين، لحساب القيمة المثلى لعامل النسيان، انظر 1. النظر في مثال لحساب المتوسط ​​المتحرك باستخدام طريقة الترجيح الأسي عامل النسيان هو 0 9. إن خوارزمية المتوسط ​​المتحرك تقوم بتحديث الوزن وتحسب المتوسط ​​المتحرك بشكل متكرر لكل عينة من البيانات التي تأتي باستخدام المعادلات التكرارية التالية n w w N 1 1 x N 1 1 w n x n 1 1 w n x N. Forgetting factory. w N عامل الترجيح المطبق على البيانات الحالية sample. x N نموذج إدخال البيانات الحالي. x N 1 المتوسط ​​المتحرك في العينة السابقة. 1 1 w n x N 1 تأثير البيانات السابقة على المتوسط. x N المتوسط ​​المتحرك في العينة الحالية. خوارزمية المتوسط ​​المتحرك لها حالة وتتذكر البيانات من الخطوة الزمنية السابقة. بالنسبة للعينة الأولى، عند N 1 ، تختار الخوارزمية w N 1 بالنسبة للعينة التالية، يتم تحديث عامل الترجيح ويحسب المتوسط ​​باستخدام المعادلات العودية. كما يزداد عمر المعطيات، ينخفض ​​حجم عامل الترجيح أضعافا مضاعفة ولا يصل أبدا إلى الصفر وبعبارة أخرى ، البيانات الأخيرة لديها المزيد من التأثير على المتوسط ​​الحالي من البيانات القديمة. عندما يكون عامل النسيان 0 5، الأوزان تطبيقها على البيانات القديمة هي أقل من عندما يكون عامل النسيان هو 0 9. عندما يكون عامل النسيان هو 1، كل يتم وزن عينات البيانات بالتساوي في هذه الحالة، فإن الطريقة المرجحة أضعافا مضاعفة هي نفس طريقة نافذة الانزلاق مع طول النافذة اللانهائي. عندما تتغير الإشارة بسرعة، استخدم عامل نسيان أقل عندما يكون عامل النسيان منخفضا، فإن التأثير o f البيانات السابقة أقل على المتوسط ​​الحالي وهذا يجعل أكثر وضوحا عابرة على سبيل المثال، والنظر في سرعة صاخبة متفاوتة إشارة سيغنبيوت المتوسط ​​المتحرك لهذه الإشارة باستخدام طريقة مرجحة أضعافا مضاعفة مقارنة أداء الخوارزمية مع عوامل النسيان 0 8، 0 9، و 0 99. عند التكبير في المؤامرة، يمكنك أن ترى أن عابر في المتوسط ​​المتحرك حادة عندما يكون عامل النسيان منخفضة وهذا يجعلها أكثر ملاءمة للبيانات التي تتغير بسرعة. لمزيد من المعلومات حول المتوسط ​​المتحرك خوارزمية، راجع قسم الخوارزميات في كائن النظام أو صفحة كتلة متوسط ​​الانتقال. لمزيد من المعلومات حول خوارزميات إحصائية أخرى تتحرك، راجع قسم الخوارزميات في كائن النظام وصفحات النظام المعنية. 1 بودنهام، عميد التكيف التكيف وتغيير الكشف عن تدفق البيانات ف أطروحة الكلية الإمبراطوري، لندن، 2012. اختر بلدك.