Technische Mittelwerte Die Mittelwerte werden verwendet, um kurzfristige Schwankungen zu glätten, um eine bessere Darstellung der Preisentwicklung zu erhalten. Die Durchschnittswerte sind Trendindikatoren. Ein gleitender Durchschnitt der täglichen Preise ist der durchschnittliche Kurs einer Aktie über einen gewählten Zeitraum, der Tag für Tag angezeigt wird. Für die Berechnung des Durchschnitts müssen Sie einen Zeitraum wählen. Die Wahl eines Zeitraums ist immer eine Reflexion, mehr oder weniger verzögert im Vergleich zum Preis, verglichen mit einer grßeren oder kleineren Glättung der Preisdaten. Die Preismittelwerte werden als Trend nach Indikatoren und vor allem als Referenz für Preisstützung und Widerstand verwendet. Im Allgemeinen sind Mittelwerte in allen Arten von Formeln vorhanden, um Daten zu glätten. Sonderangebot: quotCapturing Profit mit technischem Analysisquot Einfacher Moving Average Ein einfacher gleitender Durchschnitt wird berechnet, indem alle Preise innerhalb des gewählten Zeitraums dividiert durch diesen Zeitraum addiert werden. Auf diese Weise hat jeder Datenwert das gleiche Gewicht im mittleren Ergebnis. Abbildung 4.35: Einfacher, exponentieller und gewichteter gleitender Durchschnitt. Die dicke, schwarze Kurve im Diagramm von Abbildung 4.35 ist ein 20-tägiger einfacher gleitender Durchschnitt. Exponential Moving Average Ein exponentieller gleitender Durchschnitt ergibt mehr Gewicht prozentual zu den einzelnen Preisen in einem Bereich, basierend auf der folgenden Formel: EMA (Preis EMA) (vorherige EMA (1 ndash EMA)) Die meisten Investoren fühlen sich nicht wohl mit einem Ausdruck in Bezug auf den Prozentsatz im exponentiellen gleitenden Durchschnitt eher, sie fühlen sich besser mit einem Zeitraum. Wenn Sie wissen wollen, in welchem Prozentsatz ein Zeitraum verwendet werden soll, gibt die nächste Formel Ihnen die Umwandlung an: Ein Zeitraum von drei Tagen entspricht einem exponentiellen Prozentsatz von: Die dünne, schwarze Kurve in Abbildung 4.35 ist eine 20-tägige exponentielle Verschiebung durchschnittlich. Gewichteter gleitender Durchschnitt Ein gewichteter gleitender Durchschnitt setzt bei älteren Daten mehr Gewicht auf aktuelle Daten und weniger Gewicht. Ein gewichteter gleitender Durchschnitt wird durch Multiplizieren der Daten mit einem Faktor vom Tag ldquo1rdquo bis zum Tag ldquonrdquo für die ältesten bis zu den letzten Daten berechnet, wobei das Ergebnis durch die Summe aller Multiplikationsfaktoren dividiert wird. In einem 10-tägigen gewichteten gleitenden Durchschnitt gibt es 10-mal mehr Gewicht für den Preis heute im Verhältnis zu dem Preis vor 10 Tagen. Ebenso bekommt der Preis von gestern neun Mal mehr Gewicht, und so weiter. Die dünne, schwarze gestrichelte Kurve in Abbildung 4.35 ist ein 20-Tage-gewichteter gleitender Durchschnitt. Einfach, exponentiell oder gewichtet Wenn wir diese drei grundlegenden Mittelwerte vergleichen, sehen wir, dass der einfache Durchschnitt die meisten Glättung, aber im Allgemeinen auch die größte Verzögerung nach Preisumkehrungen hat. Der exponentielle Durchschnitt liegt näher am Preis und wird auch schneller auf Preisschwankungen reagieren. Aber auch kürzere Periodenkorrekturen sind in diesem Mittel wegen einer weniger glättenden Wirkung sichtbar. Schließlich folgt der gewichtete Durchschnitt der Preisbewegung noch enger. Bestimmen, welche dieser Mittelwerte zu verwenden, hängt von Ihrem Ziel. Wenn Sie eine Trendanzeige mit besserer Glättung und nur wenig Reaktion für kürzere Bewegungen wollen, ist der einfache Durchschnitt am besten. Wenn Sie eine Glättung, wo Sie noch sehen können die kurzen Zeiträume schwingt, dann entweder die exponentielle oder gewichtete gleitende Durchschnitt ist die bessere choice. Time Series Methoden Zeitreihe Methoden sind statistische Techniken, die Nutzung historischer Daten über einen Zeitraum akkumuliert. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume berechnet, wie z. B. drei Monate oder fünf Monate, je nachdem, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter ist er. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager in der Lage sein, die Anzahl der Aufträge, die während des nächsten Monats auftreten werden, zu prognostizieren (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt ist in der folgenden Abbildung zu sehen, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet Schwankungen in einem größeren Ausmaß als Der dreimonatige Gleitende Durchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Frucht, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. Wishbone Farms hat in den folgenden drei Jahren die Nachfrage nach Truthühnern erlebt: Weil wir drei Jahre Nachfragedaten haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage in allen drei Jahren dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr, 2000, mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Nachfrageprognose für 2000. Da in diesem Fall die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend aufweisen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu erhalten Prognose Schätzung: So ist die Prognose für das Jahr 2000 58,17 oder 58,170 Puten. Anhand dieser jährlichen Bedarfsprognose werden die saisonbereinigten Prognosen SF i für das Jahr 2000 verglichen, wenn diese vierteljährlichen Prognosen mit den tatsächlichen Bedarfswerten in der Tabelle verglichen werden. Sie scheinen relativ gute Prognoseschätzungen zu sein, die sowohl die saisonalen Schwankungen der Daten widerspiegeln als auch Der allgemeine Aufwärtstrend. 10-12. Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöhen, haben 10-14. Wie sich die eingestellte exponentielle Glättung von der exponentiellen Glättung 10-15 unterscheidet. Was die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16 bestimmt. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Ausgangsprognose immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie weitere Möglichkeiten vor, dass die Startprognose tatsächlich ermittelt werden kann. 10-17. Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose 10-18. Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich dem gleitenden Mittelwert und dem gewichteten gleitenden Durchschnitt, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, welche halten Sie für den besten Warum 10-19. Welche Vorteile hat eine angepasste exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist 4 K. B. Kahn und J. T. Mentzer, Prognose in Consumer and Industrial Markets, The Journal of Business Forecasting 14, No. 2 (Sommer 1995): 21-28.Homework Antworten Ch 13 15 kombiniert KAPITEL 13FORECASTINGReview und Diskussion Fragen1. Was ist der Unterschied zwischen abhängigen und unabhängigen demandIndependent Nachfrage wird prognostiziert Posten Nachfrage, die separat von der Nachfrage nach anderen Produkten. Abhängige Nachfrage wird aus der Nachfrage nach einem anderen Artikel berechnet. Der Unterschied liegt in der Art, wie die beiden Forderungen bestimmt werden. Welche Strategien werden von Supermärkten, Fluggesellschaften, Krankenhäusern, Banken und Getreide-Hersteller zu beeinflussen NachfrageSupermarketsmdash mehrere Verkaufsprodukte, kostenlose Werbegeschenke (wie ein Pfund Butter oder ein Brot), eine gelegentliche ldquomidnight madnessrdquo Verkauf, wo das Geschäft spät geöffnet ist (Senioren, Kinder, Jugendtarife), Charterflüge, Nebensaison Preise, außergewöhnlich gute Mahlzeiten (oder keine Mahlzeiten für weitere reduzierte Preise), mehr Flüge, tie-in mit Hotels oder Autovermietung und Touren Agenturen für ldquopackage Touren, rdquo kostenlos Champagner, kostenlose Stopp-an einem dritten Punkt oder neue Terminals. Hospitalsmdashpatients in der Regel ins Krankenhaus von ihrem Arzt empfohlen zu gehen. Daher bieten die Krankenhäuser kostenlose Büroräume, Pflegehilfen, Laborgeräte, Mitarbeiterpositionen und Patientenabrechnungen für Ärzte an. Krankenhäuser häufig zu werben ihre Auslastung und Zimmerpreise, die dazu neigen, die Nachfrage zu beeinflussen. Auch konnten sie eine bevorzugte Versorgerorganisation werden. Banksmdashfree Geschenke für neue Konten, freie Überprüfung, freies Sicherheitskasten, freie finanzielle Beratung, ldquoclub Mitgliedschaften, rdquo und freie Nutzung der ldquoexecutive loungesrdquo für Einleger in den verschiedenen Größenkontobereichen, Gemeinschaftsräume für Verein Treffen. Getreidehersteller mdashTV-Werbung, Sponsoring von einigen Jugendveranstaltungen, freie Preise in Getreide-Boxed, mit Prime Display space.7. Alle Prognosemethoden mit exponentieller Glättung, adaptiver Glättung und exponentieller Glättung einschließlich Trend erfordern Startwerte, um die Gleichungen zu erhalten. Wie würden Sie den Anfangswert für wählen, sagen Ft-1Starting Werte können einfach ein Durchschnitt der frühen Perioden, oder eine Vermutung. Wenn der Anfangswert einige Zeit zurückgenommen wird (im Gegensatz zum Beginn der Verwendung der Gleichungen bei sehr jüngsten Daten), wird die Gleichung eine Chance haben, sich anzupassen, während sie auf heute übertragen wird.8. Von der Wahl des einfachen gleitenden Mittelwerts, des gewichteten gleitenden Mittelwerts, der exponentiellen Glättung und der linearen Regressionsanalyse, welche Prognosemethode würdest du für die genaueste berücksichtigen? Warum bei diesen vier Entscheidungen ist der gewichtete gleitende Durchschnitt der genaueste, da bestimmte Gewichte platziert werden können Entsprechend ihrer Bedeutung. Die anderen Methoden machen Annahmen, wie eine durchschnittliche, gerade Linie oder exponentielle Kurve. Der gewogene Durchschnitt kann in jede Form geändert werden. Wenn eine lange Zeitspanne genommen wird, kann der gewichtete Durchschnitt jedoch umständlich sein. Zusätzlich, wie Zeitperioden passieren, möchte der Benutzer höchstwahrscheinlich die Gewichte ändern. Dies würde zu der Schwierigkeit der Anwendung der Techniken für eine große Anzahl von Anwendungen, wie zum Beispiel die Prognose der Nachfrage nach Inventarpositionen, beitragen. Verwandte Inhalte Empfohlene Themen Empfohlene Lehrveranstaltungen Empfohlene Lehrbücher Copyright-Kopie 2014. Ace Learning Company, Inc Learning Ace wird nicht von einer Hochschule oder Universität finanziert oder unterstützt.
No comments:
Post a Comment