Вначале рассмотрим несколько простейших методов прогнозирования, не учитывающих наличия сезонности во временном ряде. Предположим, что в журнале РБК приведена сводка за последние 12 дней (включая сегодняшний) цен на апельсины, сложившихся на момент закрытия биржи. Используя эти данные, нужно предсказать завтрашнюю цену на какао (также на момент закрытия биржи). Рассмотрим несколько способов сделать это.

Если последнее (сегодняшнее) значение наиболее значимо по сравнению с остальными, то оно является наилучшим прогнозом на завтра.

Возможно, из-за быстрого изменения цен на бирже первые шесть значений уже устарели и не актуальны, в то время как последние шесть значимы и имеют равную ценность для прогноза. Тогда в качестве прогноза на завтра можно взять среднее последних шести значений.

Если все значения существенны, но сегодняшнее 12-е значение наиболее значимо, а предыдущие 11-е, 10-е, 9-е и т.д. имеют все меньшую и меньшую значимость, следует найти взвешенное среднее всех 12 значений. Причем весовые коэффициенты для последних значений должны быть больше, чем для предыдущих, и сумма всех весовых коэффициентов должна равняться 1.

Первый способ называется «наивным» прогнозом и достаточно очевиден. Рассмотрим подробнее остальные способы.

Метод скользящего среднего

Одним из предположений, лежащих в основе данного метода, является то, что более точный прогноз на будущее можно получить, если использовались недавние наблюдения, причем, чем «новее» данные, тем их вес для прогноза должен быть больше. Удивительно, но такой «наивный» подход оказывается чрезвычайно полезным для практики. Например, многие авиакомпании используют частный тип скользящего среднего для создания прогнозов спроса на авиаперелеты, которые, в свою очередь, используются в сложных механизмах управления и оптимизации доходов. Более того, практически все программные пакеты управления запасами содержат модули, выполняющие прогнозы на основе того или иного типа скользящего среднего.

Рассмотрим следующий пример. Маркетологу нужно спрогнозировать спрос на производимые его компанией станки. Данные по объемам продаж за последний год работы компании находятся в файле «ЛР6.Пример 1.Станки.xls».

Простое скользящее среднее . В этом методе среднее фиксированного числа N последних наблюдений используется для оценки следующего значения временно ряда. Например, используя данные о продажах станков за первые три месяца года, менеджер получает для апреля значение, используя формулу, приведённую ниже:

Менеджер вычислил объем продаж на основе простого скользящего среднего за 3 и 4 месяца. Однако требуется определить, какое количество узлов даёт более точный прогноз. Для оценки точности прогнозов используются среднее абсолютных отклонений (САО) исреднее относительных ошибок , в процентах (СООП), вычисляемые по формулам (3) и (4).

где x i –i -ое реальное значение переменной вi -й момент времени, аx ’ i –i -ое спрогнозированное значение переменной вi -й момент времени, N - количество прогнозов.

Согласно результатам, полученным на листе «Простое ск. среднее» рабочей книги «ЛР6.Пример 1.Станки.xls» (см. Рисунок 56), скользящее среднее за три месяца имеет значение САО равное 12,67 (ячейка D16 ), тогда как для скользящего среднего за 4 месяца значение САО равно 15,59 (ячейка F16 ). Тогда можно выдвинуть гипотезу, что использование большего количества статистических данных скорее ухудшает, чем улучшает точность прогноза методом скользящего среднего.

Рисунок 56. Пример 1 – результаты прогнозирования методом простого скользящего среднего

На графике (см. Рисунок 57), построенном по результатам наблюдений и прогнозов с интервалом 3 месяца, можно заметить ряд особенностей, общих для всех применений метода скользящего среднего.

Рисунок 57. Пример 1 – график кривой прогноза методом простого скользящего среднего и график реального объёма продаж

Значение прогноза, полученное методом простого скользящего среднего, всегда меньше фактического значения, если исходные данные монотонно возрастают, и больше фактического значения, если исходные данные монотонно убывают. Поэтому, если данные монотонно возрастают или убывают, то с помощью простого скользящего среднего нельзя получить точных прогнозов. Этот метод лучше всего подходит для данных с небольшими случайными отклонениями от некоторого постоянного или медленно меняющегося значения.

Основной недостаток метода простого скользящего среднего возникает в результате того, что при вычислении прогнозируемого значения самое последнее наблюдение имеет такой же вес (т. е. значимость), как и предыдущие. Это происходит потому, что вес всех N последних наблюдений, участвующих в вычислении скользящего среднего, равен 1/N. Присвоение равного веса противоречит интуитивному представлению о том, что во многих случаях последние данные могут больше сказать о том, что произойдет в ближайшем будущем, чем предыдущие.

Взвешенное скользящее среднее . Вклад различных моментов времени можно учесть, вводя вес для каждого значения показателя в скользящем интервале. В результате получается метод взвешенного скользящего среднего, который математически можно записать так:

где - вес, с которым используется показательпри расчете.

Вес - это всегда положительное число. В случае, когда все веса одинаковы, вырождается метод простого скользящего среднего.

Теперь маркетолог может использовать метод взвешенного скользящего среднего за 3 месяца. Но прежде требуется понять, как выбрать веса. Используя средство Поиск решения, можно определить оптимальный вес узлов. Чтобы определить вес узлов с помощью средства Поиск решения, при котором значение среднего абсолютных отклонений было бы минимально, выполните следующие действия:

Выберите команду Сервис -> Поиск решения.

В диалоговом окне Поиска решения установите ячейку G16 целевой (см. лист «Веса»), минимизируя её.

Изменяемыми ячейками укажите диапазон В1:В3.

Установите ограничения В4 = 1,0; В1:ВЗ ≥ 0; В1:В3 ≤ 1; B1 ≤ В2 и В2 ≤ В3.

Запустите поиск решения (результат отображает).

Рисунок 58. Пример 1 – результат поиска весов значений показателей при использовании метода взвешенного скользящего среднего

Полученные результаты показывают, что оптимальное распределение весов таково, что весь вес сосредоточен на самом последнем наблюдении, при этом значение среднего абсолютных отклонений равно 7,56 (см. также Рисунок 59). Этот результат подтверждает предположение о том, что более поздние наблюдения должны иметь больший вес.

Рисунок 59. Пример 1 – график кривой прогноза методом взвешенного скользящего среднего и график реального объёма продаж

Здравствуйте, дорогие друзья!

В этой статье, как видно из ее названия, мы с Вами рассмотрим принцип работы одного из наиболее распространенных индикаторов технического анализа — скользящей средней (moving average или MA) , на жаргоне трейдеров ее еще называют просто «мувинг» или «машка».

Скользящая средняя — это способ, позволяющий сглаживать ценовые колебания во времени. Иными словами, скользящая средняя рассчитывает среднюю цену цены за определенный интервал времени. Скользящая средняя — это трендовый индикатор в чистом виде. С его помощью можно отследить начало нового тренда и завершение текущего, по углу наклона можно судить о силе тренда.

Скользящая средняя хоть и является примитивным индикатором, но я считаю его базовым индикатором технического анализа, он является основой для многих торговых стратегий и различных индикаторов, поэтому знать «устройство» и принцип работы этого индикатора обязан каждый трейдер.

Существует несколько методов построения скользящей средней :

1. Простая (Simple).
2. Линейно-взвешенная (Linear-Weighted).
3. Экспоненциальная (Exponential).
4. Сглаженная (Smoothed).

В основе всех методов лежат одни и те же принципы, отличаются лишь формулы, по которым они рассчитываются. Естественно у каждого метода есть свои плюсы и минусы. Остановимся на каждом методе более подробно.

ПРОСТАЯ СКОЛЬЗЯЩАЯ СРЕДНЯЯ (Simple moving average, SMA)

Чаще всего, когда идет речь о скользящей средней, подразумевается именно этот метод построения. Это один из самых простых и примитивных индикаторов технического анализа.

Рассчитывается он по очень простой формуле:

Где, Pi — цена (чаще всего рассчитывают по ценам закрытия (close) свечи, но также можно применить к максимальной минимальной, цене открытия, средней цене и др.).

N — период скользящей средней. Это основной параметр при построении, его еще называют длина сглаживания.

Давайте рассмотрим на примере.

Допустим мы хотим построить скользящую среднюю с периодом 8 по ценам закрытия. Чтобы получить среднюю точку для текущего сформированного бара, необходимо взять цены закрытий предыдущих 8 баров (ни рисунке ниже они обозначены цифрами 1−8), сложить их цены закрытия и разделить на общее количество периодов (8). В результате мы получим среднее значение для текущего сформированного бара:

Соответственно, если нам необходимо построить мувинг с периодом 60, то будем рассчитывать среднюю по ценам закрытия 60 предыдущих баров.

Как видите, ничего сложного. Построение простой скользящей средней является обычным примером вычисления среднего арифметического из школьной программы математики.

Ниже на рисунке Вы можете видеть то, как простая скользящая средняя с разными периодами «сглаживает» цену:

Основным недостатком данного метода является то, что расчет ведется на основании данных за фиксированный промежуток времени, а не всех цен, и каждому значению цены в истории присваивается одинаковая значимость. Но, согласитесь, что цена, которая имела место быть 30 дней не так важна, как цена, которая была 5 дней назад?

Также, говоря о минусах простой средней, следует упомянуть о значительном запаздывании данного индикатора, поэтому при торговле, трейдер не сможет взять большую часть трендового движения.

К достоинствам можно отнести то, что SMA обладает низкой чувствительностью, по сравнению с другими видами и будет давать меньше ложных сигналов, но за это придется «заплатить» более поздним сигналом на вход в позицию.

ЛИНЕЙНО-ВЗВЕШЕННАЯ СКОЛЬЗЯЩАЯ СРЕДНЯЯ (Linear- Weighted)

Как я писал выше, у простой МА есть существенный недостаток в том, что при расчете она придает одинаковый «удельный вес» цене, независимо от того, как близко или далеко она находится от настоящего момента. Этот недостаток был устранен в данном методе построения скользящей средней.

Формула для расчета взвешенной скользящей средней имеет следующий вид:

Где, Pi — значение цена за i-периодов назад; Wi — вес для цены i-периодов назад.

Суть данного метода состоит в том, что при построении взвешенной скользящей средней, цене присваивается определенный вес, таким образом, что ближние цены ближних баров имеют больший удельный вес, нежели цены прошлых баров.

Давайте попробуем рассчитаем линейно-взвешенную скользящую среднюю с периодом 5.

Это будет иметь следующий вид:

Т. е. мы взяли пять цен закрытия последних 5 баров. Ближайший бар у нас самый значимый и мы ему присвоили максимальный вес (в нашем случае это будет 5) и с каждой ценой закрытия последующего бара. Полученный результат разделили на сумму всех удельных весов. В результате получили взвешенную точку для конкретного бара. Конечно нам не надо будет производить эти расчеты, так как программа тех. анализа все сделает сама.

Ниже на рисунке Вы можете увидеть в сравнении простую и взвешенную скользящие средние, у обеих период 60:

К недостатком линейно-взвешенной скользящей средней можно отнести:

• Дает достаточно поздние сигналы на вход в тренд и выход из него, но из-за придания веса, гораздо быстрее реагирует на изменение цены, нежели простая скользящая средняя.
• При торговле во флэте дает множество ложных сигналов.

ЭКСПОНЕНЦИАЛЬНАЯ (Exponential) И СГЛАЖЕННАЯ (Smoothed) СКОЛЬЗЯЩИЕ СРЕДНИЕ

Принцип расчета экспоненциальной МА заключается в том, что она берет в расчет все цены, которые есть на графике и присваивает им определенный вес (важность последних выше, чем предыдущих).

Формула расчета экспоненциальной скользящей средней довольна сложна и я не стану заострять на ней внимание. Нам как трейдерам важно знать, что экспоненциальная скользящая средняя очень чувствительна к изменению цены и дает более «интересные» точки входа в сделку, но при этом может лажать на сильных колебаниях цены.

Посмотрите на рисунок ниже, здесь представлены в сравнении две МА с одинаковым периодом (60):

Сглаженная скользящая средняя является, пожалуй, самой сложной в расчетах и обладает самой низкой чувствительностью. Данный тип скользящей средней очень редко используется трейдерам и только на графиках с очень большой амплитудой колебания цены.

Давайте посмотрим, как ведут себя простая и сглаженная скользящие средние с одинаковым периодом:

Обратите внимание на то, как сильно эта МА сглаживает цену по сравнению с простой скользящей средней!

До этого я сравнивал каждый метод построения скользящей средней с простой МА. Теперь давайте нанесем на график цены сразу все 4 мувинга:

Вот мы и подобрались к завершению статьи. Давайте подведем промежуточный итог.

Скользящая средняя — это трендовый индикатор, который прекрасно показывает себя, когда на рынке есть тенденция и абсолютно бесполезен, когда рынок находится в боковом движении. Хотя это и тренд-следящий индикатор, но из-за того, что рассчитывается на основании прошлых данных, он дает довольно поздние точки входа. Чтобы исправить этот недостаток были использованы другие методы расчета МА с помощью «весов».

В этой статье мы не касались того, как именно торговать по скользящим средним, как искать точки входа и выхода, как фильтровать сигналы. Все эти и многие другие вопросы мы разберем в следующей статье.

На сегодня у меня все. Успехов в торговле!

PS Обязательно прочитайте продолжение этой статьи, перейдя по этой ссылке . Из нее вы узнаете о практическом применении скользящих средних.

Из группы методов скользящего среднего самым простым является метод простого скользящего среднего по n-узлам. В этом методе среднее фиксированного числа n-последних наблюдений используется для оценки следующего значения уровня ряда.

Значение прогноза, полученного методом простого скользящего среднего , всегда меньше фактического значения — если исходные данные монотонно возрастают, и наоборот больше фактического значения — если исходные данные монотонно убывают. Поэтому с помощью простого скользящего среднего нельзя получить точных прогнозов. Этот метод лучше всего подходит для данных с небольшими случайными отклонениями от некоторого постоянного или медленно меняющегося значения.

I. Метод простого скользящего среднего имеет два недостатка:

• возникает в результате того, что при вычислении прогнозируемого значения самое последнее наблюдение имеет такой же вес (значимость), как и предыдущее, т.е. присвоение равного веса, противоречит интуитивному представлению о том, что во многих случаях последние данные могут больше сказать о том, что произойдет в ближайшем будущем, чем предыдущие.
• необходимо хранить большой объем информации.

II. Метод взвешенного скользящего среднего в основе которого лежит идея, что более поздние данные важнее более старых :

Ỹ t = α 0 Υ t + α 1 Υ t +1 +α 2 Υ t +2

(1/6, 2/6, 3/6) или (2/10, 3/10, 5/10) Во всех случаях α убывают, а их сумма=1

Метод скользящей средней основан на свойстве средней погашать случайные отклонения от общей закономерности. Расчет скользящей средней осуществляется по средней арифметической простой из заданного числа уровней ряда, с отбрасыванием, при вычислении каждой новой средней, предыдущего уровня и присоединением следующего. Сглаживание методом простой скользящей среднейзаключается в том, что вычисляется средний уровень из 3 , 5 , 7 и т.д. уровней . В результате, расчет средней, как бы, скользит от начала ряда динамики к его концу. При нечетном шаге каждая вычисленная скользящая средняя соответствует реальному интервалу (моменту) времени, находящемуся в середине шага (интервала), а число сглаженных уровней, меньше первоначального числа уровней на величину шага скользящей средней, уменьшенного на единицу. Например, формула для расчета 5-месячной скользящей средней будет выглядеть следующим образом:

Если шаг скользящей средней выражен четным числом , то полученные скользящие средние центрируют . Операция центрирования заключается в повторном скольжении с шагом, равным двум. Число уровней сглаженного ряда будет меньше на величину шага скользящей средней.

Определение интервала сглаживания (числа входящих в него уровней) зависит:

• если необходимо сгладить беспорядочные колебания, то интервал сглаживания берут большим (до 5-7 уровней);
• если же есть необходимость сохранить периодически повторяющиеся колебания, то интервал сглаживания уменьшают до 3 уровней.

Пример сглаживания ряда методом трехмесячной скользящей средней:

Месяцы	Производство продукции (тыс. шт.)	Расчет скользящих средних	Сглаженные уровни ряда
Январь
Февраль		(151+146+152):3	149,7
Март		(146+152+151):3	149,7
Апрель		(152+151+154):3	152,3
Май		(151+154+142):3	149,0
Июнь		(154+145+149):3	149,3
Июль		(145+149+147):3	147,0
Август		(149+147+155):3	150,3
Сентябрь		(147+155+153):3	151,7
Октябрь		(155+153+146):3	151,3
Ноябрь		(153+146+154):3	151,0
Декабрь

Пример сглаживания ряда методом четырехмесячной скользящей средней:

Месяцы	Производство продукции, тыс. шт.	Расчет скользящих средних	Центрирование скользящих средних	Сглаженные уровни ряда
Январь
Февраль
Март		(151+146+152+151):4=150,00 (146+152+151+154):4=150,75 (152+151+154+145):4=150,50 (151+154+145+149):4=148,25 (154+145+149+147):4=148,75 (145+149+147+155):4=149,00 (149+147+155+153):4=151,00 (147+155+153+146):4=150,25 (155+153+146+154):4=152,00	(150,00+150,75):2	150,385
Апрель			(150,75+150,50):2	150,625
Май			(150,50+148,25):2	149,375
Июнь			(148,25+148,75):2	148,500
Июль			(148,75+149,00):2	148,875
Август			(149,00+151,00):2	150,000
Сентябрь			(151,00+150,25):2	150,625
Октябрь			(150,25+152,00):2	151,125
Ноябрь
Декабрь

См. также метод скользящей средней и расчет скорректированного индекса сезонности для рядов динамики с поквартальной детализацией (Сезонная корректировка временного ряда )

Практическое моделирование экономических ситуаций подразумевает разработку прогнозов. С помощью средств Excel можно реализовать такие эффективные способы прогнозирования, как: экспоненциальное сглаживание, построение регрессий, скользящее среднее. Рассмотрим подробнее использование метода скользящего среднего.

Использование скользящих средних в Excel

Метод скользящей средней – один из эмпирических методов для сглаживания и прогнозирования временных рядов. Суть: абсолютные значения ряда динамики меняются на средние арифметические значения в определенные интервалы. Выбор интервалов осуществляется способом скольжения: первые уровни постепенно убираются, последующие – включаются. В результате получается сглаженный динамический ряд значений, позволяющий четко проследить тенденцию изменений исследуемого параметра.

Временной ряд – это множество значений X и Y, связанных между собой. Х – интервалы времени, постоянная переменная. Y – характеристика исследуемого явления (цена, например, действующая в определенный период времени), зависимая переменная. С помощью скользящего среднего можно выявить характер изменений значения Y во времени и спрогнозировать данный параметр в будущем. Метод действует тогда, когда для значений четко прослеживается тенденция в динамике.

Например, нужно спрогнозировать продажи на ноябрь. Исследователь выбирает количество предыдущих месяцев для анализа (оптимальное число m членов скользящего среднего). Прогнозом на ноябрь будет среднее значение параметров за m предыдущих месяца.

Задача. Проанализировать выручку предприятия за 11 месяцев и составить прогноз на 12 месяц.

Сформируем сглаженные временные ряды методом скользящего среднего посредством функции СРЗНАЧ. Найдем средние отклонения сглаженных временных рядов от заданного временного ряда.

Относительные отклонения:

Средние квадратичные отклонения:

При расчете отклонений брали одинаковое число наблюдений. Это необходимо для того, чтобы провести сравнительный анализ погрешностей.

После сопоставления таблиц с отклонениями стало видно, что для составления прогноза по методу скользящей средней в Excel о тенденции изменения выручки предприятия предпочтительнее модель двухмесячного скользящего среднего. У нее минимальные ошибки прогнозирования (в сравнении с трех- и четырехмесячной).

Прогнозное значение выручки на 12 месяц – 9 430 у.е.



Применение надстройки «Пакет анализа»

Для примера возьмем ту же задачу.

На вкладке «Данные» находим команду «Анализ данных». В открывшемся диалоговом окне выбираем «Скользящее среднее»:

Заполняем. Входной интервал – исходные значения временного ряда. Интервал – число месяцев, включаемое в подсчет скользящего среднего. Так как сначала будем строить сглаженный временной ряд по данным двух предыдущих месяцев, в поле вводим цифру 2. Выходной интервал – диапазон ячеек для выведения полученных результатов.

Установив флажок в поле «Стандартные погрешности», мы автоматически добавляем в таблицу столбец со статистической оценкой погрешности.

Точно так же находим скользящее среднее по трем месяцам. Меняется только интервал (3) и выходной диапазон.

Сравнив стандартные погрешности, убеждаемся в том, что модель двухмесячного скользящего среднего больше подходит для сглаживания и прогнозирования. Она имеет меньшие стандартные погрешности. Прогнозное значение выручки на 12 месяц – 9 430 у.е.

Составлять прогнозы по методу скользящего среднего просто и эффективно. Инструмент точно отражает изменения основных параметров предыдущего периода. Но выйти за пределы известных данных нельзя. Поэтому для долгосрочного прогнозирования применяются другие способы.

Метод скользящей средней  метод изучения в рядах динамики основной тенденции развития явления.

Суть метода скользящей средней состоит в том, что вычисляется средний уровень из определенного числа первых по порядку уровней ряда, затем  средний уровень из того же числа уровней, начиная со второго, далее  начиная с третьего и т. д. Таким образом, при расчетах среднего уровня как бы «скользят» по ряду динамики от его начала к концу, каждый раз отбрасывая один уровень в начале и добавляя один следующий.

Средняя из нечетного числа уровней относится к середине интервала. Если интервал сглаживания четный, то отнесение средней к определенному времени невозможно, она относится к середине между датами. Для того чтобы правильно отнести среднюю из четного числа уровней, применяется центрирование, т. е. нахождение средней из средней, которую относят уже к определенной дате.

Покажем применение скользящей средней на следующем примере. Пример 3.1 . На основе данных об урожайности зерновых культур в хозяйстве за 1989–2003 гг. проведем сглаживание ряда методом скользящей средней.

Динамика урожайности зерновых культур в хозяйстве за 1989–2003 гг. и расчет скользящих средних

1 . Рассчитаем трехлетние скользящие суммы. Находим сумму урожайности за 1989–1991 гг.: 19,5  23,4  25,0  67,9 и записываем это значение в 1991 г. Затем из этой суммы вычитаем значение показателя за 1989 г. и прибавляем показатель за 1992 г.: 67,9 – 19,5  22,4  70,8 и это значение записываем в 1992 г. и т. д.

2 . Определим трехлетние скользящие средних по формуле простой средней арифметической:

Полученное значение записываем в 1990 г. Затем берем следующую трехлетнюю скользящую сумму и находим трехлетнюю скользящую среднюю: 70,8: 3  23,6, полученное значение записываем в 1991 г. и т. д.

Аналогичным образом рассчитываются четырехлетние скользящие суммы. Их значения представлены в графе 4 таблицы данного примера.

Четырехлетние скользящие средние определяются по формуле простой средней арифметической:

Это значение будет отнесено между двумя годами - 1990 и 1991 гг., т. е. в середине интервала сглаживания. Для того чтобы найти четырехлетние скользящие средние центрированные, необходимо найти среднюю из двух смежных скользящих средних:

Эта средняя будет отнесена к 1991 г. Аналогичным образом рассчитываются остальные центрированные средние; их значения записываются в графу 6 таблицы данного примера.

4. Метод аналитического выравнивания

Уравнение прямой при аналитическом выравнивании ряда динамики имеет следующий вид:

где - выровненный (средний) уровень динамического ряда; a 0 , a 1 - параметры искомой прямой; t - обозначение времени. 

Способ наименьших квадратов дает систему двух нормальных уравнений для нахождения параметров a 0 и a 1:

где у  исходный уровень ряда динамики ; n  число членов ряда.

Система уравнений упрощается, если значения t подобрать так, чтобы их сумма равнялась нулю, т. е. начало времени перенести в середину рассматриваемого периода.

Если то

Исследование динамики соц.-экон. явлений и установление основной тенденции развития дают основание для прогнозирования (экстраполяции)  определения будущих размеров уровня экономического явления. Используют следующие методы экстраполяции:

■ средний абсолютный прирост  с/показатель, исчисляемый для выражения средней скорости роста (снижения) соц.-эк. процесса. Определяется по формуле:

■ средний темп роста;

■ экстраполяцию на основе выравнивания по какой-либо аналитической формуле.Метод аналитического выравнивания-метод исследования динамики соц.-экон. явлений, позволяющий установить основные тенденции их развития.

Рассмотрим применение метода аналитического выравнивания по прямой для выражения основной тенденции на ПримерЕ 4.1 . Исходные и расчетные данные определения параметров уравнения прямой: