<<
>>

15.3. Организация данных в табличном процессоре

Составление прогнозов с помощью метода скользящего среднего

Метод скользящего среднего применять достаточно неслож­но, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода пред­ставляет собой не что иное, как получение среднего показате­ля нескольких результатов наблюдений временного ряда.

Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода.

Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях.

Мы исследуем рынок ценных бумаг, данные взяты с серве­ра Московской фондовой биржи . Полу­ченные данные котировок акций крупнейших мы вводим в рабочий лист Ехе1. Чтобы понять, существует ли какая-либо определенная тенденция изменения котировок, мы создали на основе средних данных о полученных котировках скользящее среднее. Скользящее среднее сглаживает смеще­ния базовой линии, лежащей в его основе. Мы решили вос­пользоваться двухдневным скользящим среднем, то есть сред­нее значение от котировок двух предыдущих дней.

Недостатки данного метода.

Прогнозы с использованием скользящего среднего приводят к потере некоторых данных в начальном периоде базовой линии.

Прогнозирование с использованием функции экспоненциального сглаживания

Сглаживание — это способ, обеспечивающий быстрое реаги­рование вашего прогноза на все события, происходящие в те­чение периода протяженности базовой линии.

Основная идея применения метода сглаживания состоит в том, что каждый новый прогноз получается по средством пе­ремещения предыдущего прогноза в направлении, которое дало бы лучшие результаты по сравнению со старым прогнозом. Базовое уравнение имеет вид:

F[t+1] = F[t]+a*e[t]

где t — временной период;

Fft] — это прогноз, сделанный в момент времени t;

F[t+1] — отражает прогноз во временной период, следую­щий непосредственно за моментом времени t;

а — константа сглаживания (в нашем случае мы взяли ее равной 0,8;

eft] — погрешность, то есть различие между прогнозом, сде­ланным в момент времени t, и фактическими результатами наблюдений в момент времени t.

При прогнозе с использованием линии тренда пропускает­ся скачок функции базовой линии, тогда как при прогнозе с применением сглаживания он отслеживается. Поэтому уровень ряда может резко увеличиваться. Это явление известно под названием выброса функций, что и прослеживается на наших графиках. При прогнозе, выполненном с помощью сглажива­ния, фактическая базовая линия отслеживается довольно точ­но. Excel непосредственно поддерживает метод сглаживания с помощью средства Экспоненциальное сглаживание в надстройке Пакет Анализа.

Технический анализ широко используется на Западе, а пос­леднее время и в нашей стране при разнообразной работе на всех видах товарных и валютных рынков. Технический ана­лиз работает на практике уже многие годы и приносит пользо­вателям немалый доход.

<< | >>
Источник: Маренков Н.Л.. Ценные бумаги— Изд. 2-е. — М.: Московский экономико-финансовый институт. Ростов н/Д: Изд-во «Феникс», — 602 с. — (Высшее образова­ние).. 2005

Еще по теме 15.3. Организация данных в табличном процессоре:

  1. Статья 321. Особенности ведения налогового учета организациями, созданными в соответствии с федеральными законами, регулирующими деятельность данных организаций
  2. Организация хранения данных.
  3. 4.4 Результативность и эффективность файлов данных (картотек, массивов данных)
  4. II Главные возражения против антропологических данных. — Метод исследования. — Научные предположения. — Разногласие данных. — Признаки преступности, даже у честных людей. — Историческая и антропологическая изменчивость понятия преступления. Его определение. — Преступный тип. — Происхождение и природа преступности.
  5. 5.2. БАЗЫ ДАННЫХ
  6. Банк данных
  7. 4.4. ПРЕОБРАЗОВАНИЕ ДАННЫХ
  8. 2.1.3. Концептуальные модели данных
  9. 3.7. Банк данных, его состав и особенности
  10. 5.1. ВЫБОР ХРАНИМЫХ ДАННЫХ
  11. 5.5.1 Концептуальная модель данных
  12. Базы данных по контрактам.
  13. Агрегирование данных