ถัว เฉลี่ยเคลื่อนที่ ของ sap

ความหมายในแบบจำลองถ่วงน้ำหนักถ่วงน้ำหนัก (กลยุทธ์การพยากรณ์ 14) ทุกค่าทางประวัติศาสตร์จะถูกถ่วงน้ำหนักด้วยปัจจัยจากกลุ่มน้ำหนักในโปรไฟล์การคาดการณ์ที่ไม่แปรเปลี่ยน สูตรสำหรับค่าเฉลี่ยถ่วงน้ำหนักแบบถ่วงน้ำหนักโมเดลเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักช่วยให้คุณสามารถวัดข้อมูลประวัติที่ผ่านมาได้หนักกว่าข้อมูลที่เก่ากว่าเมื่อพิจารณาค่าเฉลี่ย คุณทำเช่นนี้หากข้อมูลล่าสุดเป็นข้อมูลเพิ่มเติมเกี่ยวกับความต้องการในอนาคตที่จะมากกว่าข้อมูลที่เก่ากว่า ดังนั้นระบบสามารถตอบสนองต่อการเปลี่ยนแปลงของระดับได้อย่างรวดเร็ว ความถูกต้องของแบบจำลองนี้ขึ้นอยู่กับการเลือกปัจจัยการถ่วงน้ำหนัก ถ้ารูปแบบชุดเวลาเป็นแบบเปลี่ยนแปลงคุณต้องปรับปัจจัยการถ่วงน้ำหนัก เมื่อสร้างกลุ่มการถ่วงน้ำหนักคุณจะป้อนค่าน้ำหนักเป็นเปอร์เซ็นต์ ผลรวมของปัจจัยการถ่วงน้ำหนักไม่จำเป็นต้องเป็น 100 ไม่มีการคำนวณการคาดการณ์ในอดีตโดยใช้กลยุทธ์การคาดการณ์นี้บทนำค่าเฉลี่ยเคลื่อนที่คือเทคนิคง่ายๆสำหรับการปรับข้อมูลแบบสุ่ม บ่อยที่สุดเราจะหาค่าเฉลี่ยเคลื่อนที่เพื่อวิเคราะห์การเคลื่อนไหวของราคาหุ้น แต่เรายังเห็นข้อมูลเหล่านี้ในส่วนอื่น ๆ ของธุรกิจและการวิเคราะห์ข้อมูล นี่เป็นส่วนแรกของบทความสองชุด บทความนี้กล่าวถึงค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่และคำนวณว่าคำนวณเป็นอย่างไร ส่วนที่สองดูที่วิธีคำนวณค่าเฉลี่ยเคลื่อนที่ใน SAP BusinessObjects Web Intelligence หากคุณเข้าใจค่าเฉลี่ยเคลื่อนที่โดยประมาณแล้วคุณสามารถข้ามไปที่บทความที่สองเกี่ยวกับวิธีใช้งานใน Web Intelligence ได้ อะไรค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่จะวิเคราะห์ชุดของจุดข้อมูลโดยการคำนวณค่าเฉลี่ยโดยชุดข้อมูลล่าสุดที่มีขนาดเล็กลง ตัวอย่างเช่นเมื่อวิเคราะห์ราคาหุ้นในช่วงหนึ่งปีเราสามารถสร้างค่าเฉลี่ยเคลื่อนที่สำหรับวันที่กำหนดเป็นค่าเฉลี่ยในช่วง 15 วันที่ผ่านมา รูปที่ 1 ด้านล่างเป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆที่สร้างโดย Google Finance แผนภูมินี้แสดงราคาหุ้นของ Google8217 ในช่วงปีที่ผ่านมาและเส้นสีแดงเป็นค่าเฉลี่ยเคลื่อนที่โดยมีระยะเวลา 15 วัน รูปที่ 1 แผนภูมิของราคาหุ้นของ Google ที่มีค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเราสามารถดูได้จากตัวอย่างข้างต้นว่าค่าเฉลี่ยเคลื่อนที่ (เส้นสีแดง) ช่วยลดราคาหุ้นที่มีความผันผวน คุณลักษณะของค่าเฉลี่ยเคลื่อนที่คือค่าที่อยู่หลังเส้นโค้งเดิม ทั้งนี้เนื่องจากที่จุดข้อมูลแต่ละจุดจะใช้เวลาโดยเฉลี่ยของชุดข้อมูลจุดก่อนหน้า สำหรับการสนทนาเพิ่มเติมเกี่ยวกับค่าเฉลี่ยความเคลื่อนไหวที่ใช้ในด้านการเงินดู Moving Averages ที่ StockCharts วัตถุประสงค์ของการใช้ค่าเฉลี่ยเคลื่อนที่คือการลดความผันผวนในระยะสั้นและเพื่อเน้นแนวโน้มในระยะยาว มีค่าเฉลี่ยเคลื่อนที่อยู่หลายแบบและต่ำกว่า we8217ll ดูวิธีคำนวณตัวอย่างทั่วไป หลังจากนี้ we8217ll จะดูวิธีใช้การคำนวณเหล่านี้ใน Web Intelligence Simple Moving Average ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) ตามที่ชื่อ it8217s ระบุว่าเป็นค่าเฉลี่ยเคลื่อนที่ที่ง่ายที่สุดในการคำนวณ สำหรับแต่ละจุดข้อมูลเราคำนวณค่าเฉลี่ยมากกว่าจำนวนจุดที่กำหนดไว้ก่อนหน้า ตารางด้านล่างแสดงการคำนวณดังกล่าวที่เรากำลังใช้ SMA ของงวด 3 เนื่องจากช่วงเวลาของชุดข้อมูลค่าเฉลี่ยเคลื่อนที่ของเรามีค่าเป็น 3 เราจึงไม่คำนวณจุดข้อมูลสองจุดแรก จากนั้นสำหรับแต่ละจุดข้อมูลเราคำนวณค่าเฉลี่ยในช่วงสามจุดข้อมูลซึ่งรวมถึงจุดข้อมูลปัจจุบัน เมื่อคำนวณค่าเฉลี่ยล่าสุดของเราจะถูกบวกเข้ากับผลรวมและค่าแรกจะลดลงเราสามารถลดความซับซ้อนของการคำนวณของเราไปได้โดยที่ SMA (ก่อนหน้า) เป็นผลที่เราคำนวณก่อนหน้านี้ N คือขนาดของชุดข้อมูลค่าเฉลี่ยเคลื่อนที่ p1 เป็นค่าแรกในชุดของเราและ pN คือค่าสุดท้ายของชุด การดึงกลับของ SMA คือการประมวลผลจุดข้อมูลทั้งหมดก่อนหน้านี้ในค่าเฉลี่ยเคลื่อนที่ที่เท่ากันและเราจะพบว่าจุดข้อมูลที่เก่ากว่าอาจส่งผลเสียต่อการคำนวณได้ ในการแก้ไขปัญหานี้เราสามารถใช้ค่าเฉลี่ยถ่วงน้ำหนักหรือค่าเฉลี่ยเคลื่อนที่แบบทอน ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักค่าเฉลี่ยถ่วงน้ำหนัก (WMA) ใช้น้ำหนักกับจุดข้อมูลในชุดค่าเฉลี่ยเคลื่อนที่เพื่อให้จุดข้อมูลล่าสุดมีความสำคัญมากขึ้นกับผลลัพธ์โดยรวม มีหลายวิธีที่เราสามารถใช้น้ำหนักและที่ง่ายที่สุดคือการใช้ชุดน้ำหนักที่ลดลงตัวอย่างเช่นถ้าเรามีชุดข้อมูลค่าเฉลี่ยเคลื่อนที่ 6 จุดข้อมูลน้ำหนักของเราคือ 6,5,4,3,2,1 ใช้จากข้อมูลล่าสุดไปเร็วที่สุด การคำนวณของเราเป็นบิตที่ซับซ้อนมากขึ้นและสำหรับชุดข้อมูลค่าเฉลี่ยเคลื่อนที่ของขนาด 6 เป็นดังนั้นที่นี่ p6 เป็นค่าปัจจุบันของเราและเราคูณด้วย 6 เราเพิ่ม 5 ครั้งค่าก่อนหน้านี้ 4 เท่าของค่าก่อนหน้านั้นและ อื่น ๆ จากนั้นเราหารด้วย 6 (61) 2 นี่คือการคำนวณเลขสามเหลี่ยมและวิกิพีเดียมีคำอธิบายถึงวิธีการนี้ได้มา ตารางด้านล่างแสดงการคำนวณ WMA ของงวด 3 สำหรับชุดข้อมูลเดียวกันที่เราใช้ในตัวอย่าง SMA ข้างต้น ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) ใช้ชุดน้ำหนักที่ลดลงเรื่อย ๆ ใน WMA ด้านบนน้ำหนักของเราลดลงเชิงเส้นชุดลดน้ำหนักแบบทวีคูณลดลงอย่างรวดเร็วในตอนแรกและจากนั้นจะตัดหางออก ถ้าเราสร้างกราฟของน้ำหนักเหล่านี้จะมีลักษณะคล้ายกับรูปที่ 2 ด้านล่าง รูปที่ 2 แผนภูมิการลดน้ำหนักที่อธิบายได้ EMA ให้น้ำหนักมากกว่าค่าล่าสุดเมื่อเทียบกับ WMA และยังมีข้อดีอีกอย่างคือการคำนวณได้ง่ายขึ้น เมื่อต้องการคำนวณ EMA ก่อนหน้านี้เราจะใช้ค่า EMA ก่อนหน้านี้และเพิ่มความแตกต่างระหว่างค่าจุดข้อมูลปัจจุบันกับ EMA ก่อนหน้าคูณด้วยค่าคงที่ 8216alpha8217 อัลฟาคงที่จะแสดงขนาดของการลดน้ำหนักและเป็นค่าระหว่าง 0 ถึง 1 การเปลี่ยนค่านี้ ค่าจะเปลี่ยนปริมาณของการปรับให้เรียบโดยรวมโดยที่ค่าใกล้เคียงกับศูนย์ใช้การทำให้ราบเรียบในระดับสูงและให้ค่าน้อยกว่า 1 รูปด้านล่างใช้จุดข้อมูลเดียวกัน แต่แสดง EMA ที่มีค่า 0.7 และ 0.1 รูปที่ 3 แผนภูมิสองแบบแสดงข้อมูลต้นทางเดียวกันกับค่าเฉลี่ยเคลื่อนที่แบบเสวนาโดยใช้ค่าอัลฟาที่แตกต่างกันในการคำนวณของเราเราใช้ EMA จากจุดข้อมูลที่ 3 เป็นต้นไปสำหรับจุดข้อมูลแรกเท่านั้นคือกำหนดค่าเป็น 0 หรือไม่มีค่าและ สำหรับจุดข้อมูลที่ 2 เราจะกำหนดค่าให้เท่ากับค่าของจุดข้อมูลที่ 2 ตารางด้านล่างคือการคำนวณ EMA สำหรับชุดข้อมูลตัวอย่างของเราโดยใช้ค่า alpha ที่ 0.4SAP Consulting Platinum Level SAP Consultants โดยเฉลี่ยแล้วการใช้งาน SAP และประสบการณ์ทีมงานเป็นระยะเวลา 10 ปีทีมงานที่ปรึกษาของเราของ Platinum Level SAP จะเข้าร่วม ทีมงานโครงการและให้บริการให้คำปรึกษาที่ดีที่สุดในชั้นเรียน ในขณะที่วาดจากปีที่มีประสบการณ์และได้เห็นมันทั้งหมดพวกเขาจะช่วยให้คุณนำทางผ่านอ่านต่อการดิ้นรนเพื่อกำหนดวิธีการพยากรณ์ SAP ที่จะใช้เกมคาดเดาที่ซับซ้อนเปิดเผย ฉันมีคำสารภาพ ฉันได้รับการสอน SAP การวางแผนการบริโภคตามการเป็นส่วนหนึ่งของชั้นการจัดการวัสดุของฉันที่ฉันได้สอนมานานกว่าทศวรรษและเมื่อฉันได้รับมุมมองการคาดการณ์ของต้นแบบวัสดุฉันบอกนักเรียนของฉันว่าพวกเขาจะต้องเป็นนักสถิติที่จะเข้าใจอย่างแท้จริง ทุกสาขา ฉันได้รับการพัฒนาชั้นเรียนใหม่สำหรับลูกค้าในช่วงสัปดาห์ที่ผ่านมาและในที่สุดฉันก็ต้องกัดกระสุนและดำน้ำลึกลงไปในเขตข้อมูลที่มืดมนเหล่านี้ ตอนนี้ฉันเป็นวิศวกรอุตสาหกรรมและการดำเนินงานโดยการศึกษาระดับปริญญาและฉันได้ผ่านสถิติในวิทยาลัยที่มีของแข็ง A จริง แต่ฉันไม่เคยใช้แนวคิดนี้ในโลกแห่งความเป็นจริง ศาสตราจารย์ของฉันให้ความสนใจโดยการเปรียบเทียบสถิติทั้งหมดที่ใช้ในวิธีการคาดการณ์เพื่อเล่นการพนันโดยใช้วิธีการที่ไม่เหมือนใคร แต่ทำงานได้เมื่อฉันไปที่สเวกัสและใช้สิ่งที่เรียนรู้ฉันอาจไม่เขียนบล็อกนี้ฉันอาจจะผ่อนคลายใน ชายหาดที่ไหนสักแห่ง แต่ตอนนี้ฉันต้องใช้แนวคิดเหล่านี้กับการคาดการณ์พื้นที่โฆษณา ในชุดบทความนี้ฉันจะกำหนดเขตข้อมูลสำคัญในมุมมองการคาดการณ์ของข้อมูลหลักวัสดุแล้วให้ตัวอย่างของรูปแบบพยากรณ์แต่ละประเภท ในมุมมองการพยากรณ์ปริมาณวัสดุมีเขตข้อมูลที่เรียกว่า Forecast Model ดูด้านล่าง: ตัวเลือกรูปแบบการคาดการณ์จะเห็นในภาพหน้าจอด้านล่าง: ทุกวันในสัปดาห์นี้ฉันจะโพสต์บล็อกอื่นในโมเดลต่างๆด้วยตัวอย่างบางส่วนของโลกแห่งความจริงเมื่อ ใช้พวกเขา ก่อนจะเข้าสู่รูปแบบนี้ก่อนอื่นให้วางแผนการวางแผนพยากรณ์อากาศแบบนี้และเมื่อคุณต้องการใช้ ดังนั้นถ้าคุณเลือกที่จะใช้ VV โปรดจำไว้ว่าหากความต้องการมีแนวโน้มเพิ่มขึ้นจะไม่สามารถตอบสนองต่อการเปลี่ยนแปลงดังกล่าวได้ตามแผน VV จะให้ระบบอัตโนมัติที่ต้องการมากเมื่อคุณอนุญาตให้ SAP สร้างการคาดการณ์ของคุณขึ้นอยู่กับการบริโภคในอดีต แต่คุณต้องใช้เครื่องมือที่ให้มาเพื่อตรวจสอบความถูกต้องของการคาดการณ์ของคุณ การดูจำนวนข้อผิดพลาดทั้งหมดในผลการคาดการณ์จะช่วยให้คุณสามารถกำหนดความแตกต่างของการคาดการณ์ได้จากการบริโภคในอดีต คำนวณโดยการลบค่าคาดการณ์ก่อนหน้าจากสิ่งที่บริโภค จำนวนข้อผิดพลาดทั้งหมดควรระบุว่าคุณอาจไม่ได้เลือกรูปแบบการคาดการณ์ที่ถูกต้อง หน้าจอผลการคาดการณ์ยังเป็นค่า Mean Absolute Deviation (MAD) เป็นการวัดปริมาณการใช้จ่ายจริงที่เกิดขึ้นจริงจากการคาดการณ์ ในภาพนิ่งด้านบนคุณสามารถดูการคำนวณ MAD ใช้เวลาสักครู่และพิจารณาคำถามที่ท้าทาย พร้อมสำหรับคำตอบ MAD ขนาดเล็กที่ดีกว่าการคาดการณ์คือค่าเบี่ยงเบนเฉลี่ยที่เล็กลงดีกว่า ช่องถัดไปที่ฉันจะพูดถึงคือขีด จำกัด การติดตามซึ่งแสดงในภาพหน้าจอด้านล่าง: สัญญาณการติดตามคำนวณโดยการหารค่าพยากรณ์ (FS) ของช่วงเวลาโดย MAD เมื่อขีด จำกัด การติดตามเกินกว่าสัญญาณการติดตามจะมีการเรียกใช้ข้อความข้อยกเว้น เป็นไปได้ที่ระบบจะใช้ตัวเลือกแบบใหม่โดยอัตโนมัติเมื่อเหตุการณ์นี้เกิดขึ้น ในบทความบล็อกต่อไปฉันจะให้ตัวอย่างรายละเอียดของวิธีการพยากรณ์ดังต่อไปนี้ Constant Model Constant with Smoothing Model รุ่นเทรนด์รุ่นตามฤดูกาลรุ่นตามฤดูกาลรุ่นที่มีการถัวเฉลี่ยถ่วงน้ำหนักการเลือกรูปแบบอัตโนมัติฉันจะโพสต์บทความอื่นใน Forecasting Configuration of ต่อไปนี้: กลุ่มน้ำหนักสำหรับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักกำหนดการแยกการคาดการณ์สำหรับ MRP แบ่งปันนี้: เขียนโดย Jocelyn Hayes ผู้ก่อตั้ง Platinum ERP Jocelyn แสดงถึงทักษะและประสบการณ์ของ Platinum SAP Consultant and Trainer ในช่วง 15 ปีที่ผ่านมาเธอได้ถ่ายทอดความรู้ของ SAP ให้กับลูกค้าของ SAP ผ่านการฝึกอบรมแบบดั้งเดิม eLearning การประชุมเชิงปฏิบัติการเสมือนการพูดในที่ประชุมการฝึกส่วนตัวและการให้คำปรึกษา Jocelyn ยังได้รับการรับรองเพื่ออำนวยความสะดวกในกิจกรรมการจำลองเกม SAP ของ ERPsim ทั่วโลกและรู้สึกว่าเกมควรเป็นก้าวแรกของเส้นทางการเรียนรู้ของ SAP ผู้ใช้ทั้งหมด Jocelyn ตัดสินใจที่จะเริ่มต้น Platinum ERP เพื่อเปลี่ยนแปลงและแบ่งปันเทคนิคของเธอกับที่ปรึกษาระดับแพลทินัมอื่น ๆ และพัฒนา บริษัท ระดับโลกด้านความรู้ของ SAP Jocelyn สามารถเข้าถึงได้ที่ Jocelyn. HayesPlatinumERP. บทนำบทความก่อนหน้านี้ได้กล่าวถึงค่าเฉลี่ยเคลื่อนที่ที่คำนวณไว้และวิธีคิดคำนวณ บทความนี้จะอธิบายวิธีการนำข้อมูลเหล่านี้ไปใช้ใน Web Intelligence สูตรที่ใช้ที่นี่สามารถทำงานร่วมกับ SAP BOI รุ่น XIr3 แต่บางสูตรอาจใช้งานได้ในเวอร์ชันก่อนหน้านี้ถ้ามี We8217ll เริ่มต้นด้วยการดูวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆก่อนที่จะดูรูปแบบที่ถ่วงน้ำหนักและเป็นรูปธรรม ตัวอย่างที่ใช้งานตัวอย่างด้านล่างใช้ชุดข้อมูลเดียวกันทั้งหมดซึ่งเป็นข้อมูลราคาหุ้นในไฟล์ Excel ซึ่งคุณสามารถดาวน์โหลดได้ คอลัมน์แรกในไฟล์คือวันราคาหุ้นและคอลัมน์ราคาเปิดราคาสูงสุดในแต่ละวันราคาต่ำสุดราคาปิดปริมาณและราคาปิดที่ปรับแล้ว We8217 ใช้ราคาปิดในการวิเคราะห์ของเราด้านล่างพร้อมกับออบเจ็กต์ Date Simple Moving Average มีสองวิธีที่เราสามารถคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆได้ ทางเลือกหนึ่งคือการใช้ฟังก์ชันก่อนหน้าเพื่อรับค่าของแถวก่อนหน้า ตัวอย่างเช่นสูตรต่อไปนี้คำนวณค่าเฉลี่ยเคลื่อนที่ในราคาหุ้นปิดของเราสำหรับชุดข้อมูลค่าเฉลี่ยเคลื่อนที่ที่มีขนาด 3 ซึ่งเป็นสูตรง่ายๆ แต่เห็นได้ชัดว่าเป็นไปไม่ได้หากเรามีช่วงเวลาเป็นจำนวนมาก ใช้สูตร RunningSum และสำหรับชุดข้อมูลขนาด N ที่เรามีในที่สุดเรามีเทคนิคที่ 3 ซึ่งแม้ว่าจะมีความซับซ้อนมากขึ้น แต่ก็อาจมีประสิทธิภาพที่ดีขึ้นเนื่องจากมีการคำนวณค่าใหม่โดยอิงจากค่าก่อนหน้านี้แทนที่จะเป็นผลรวมสองครั้งที่มีการเรียกใช้ข้อมูลเต็มรูปแบบ ชุด อย่างไรก็ตามสูตรนี้ใช้งานได้เฉพาะหลังจากจุดที่ N ในชุดข้อมูลโดยรวมและเนื่องจากเป็นค่าก่อนหน้านี้เราต้องตั้งค่าเริ่มต้น ด้านล่างนี้เป็นสูตรที่ใช้สำหรับการวิเคราะห์ราคาหุ้นของเราโดยที่ระยะเวลาเฉลี่ยของการเคลื่อนไหวของเราคือ 15 วัน 1252010 คือจุดข้อมูลที่ 15 ในชุดข้อมูลของเราดังนั้นเราจึงคำนวณค่าเฉลี่ยโดยใช้ RunningSum สำหรับทุกวันที่เกินกว่าค่านี้เราใช้สูตร SMA ของเราและปล่อยให้วันที่ว่างอยู่ทั้งหมดก่อนวันที่นี้ รูปที่ 1 ด้านล่างเป็นแผนภูมิใน Web Intelligence ที่แสดงข้อมูลราคาหุ้นของเราโดยมีค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย รูปที่ 1. Web Intelligence Document แสดงค่าเฉลี่ยถ่วงน้ำหนักเคลื่อนที่เฉลี่ยถ่วงน้ำหนักสูตรเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักที่มีระยะเวลา 3 คือเช่นเดียวกับสูตรค่าเฉลี่ยเคลื่อนที่แรกของเราที่มีค่าสูงกว่าค่านี้จะเป็นประโยชน์สำหรับช่วงเวลาเพียงเล็กน้อย ฉันยังไม่สามารถหาสูตรง่ายๆที่สามารถใช้สำหรับช่วงเวลาที่มีการเคลื่อนไหวขนาดใหญ่ได้ ทางคณิตศาสตร์เป็นไปได้ แต่ข้อ จำกัด กับ Web Intelligence หมายความว่าสูตรเหล่านี้ don8217t แปลง ถ้าใครสามารถทำเช่นนี้ได้ฉันยินดีที่จะได้ยินภาพด้านล่างเป็น WMA ของงวด 6 ที่ใช้ใน Web Intelligence รูปที่ 2. เอกสาร Web Intelligence ของ Moving Average Exponential Moving Average ค่าเฉลี่ยเคลื่อนที่แบบเสแสร้งค่อนข้างสูงตรงไปตรงมาที่จะใช้ใน Web Intelligence และเป็นทางเลือกที่เหมาะสมสำหรับ Average Moving Average สูตรพื้นฐานคือที่นี่ we8217ve ยากรหัส 0.3 เป็นค่าของเราสำหรับอัลฟา เราใช้สูตรนี้เป็นระยะเวลามากกว่างวดที่สองของเราเท่านั้นเพื่อให้เราสามารถใช้คำสั่ง if เพื่อกรองข้อมูลเหล่านี้ได้ สำหรับระยะเวลาแรกและช่วงที่สองของเราเราสามารถใช้ค่าก่อนหน้านี้และสูตรสุดท้ายของเราสำหรับ EMA คือด้านล่างนี้เป็นตัวอย่างของ EMA ที่ใช้กับข้อมูลหุ้นของเรา รูปที่ 3. เอกสาร Web Intelligence แสดงการควบคุมการป้อนค่าเฉลี่ยที่เป็นไปตามค่า Exponential เนื่องจากสูตร EMA ของเราไม่ได้ขึ้นอยู่กับขนาดของช่วงเวลาเฉลี่ยที่เคลื่อนที่และตัวแปรเฉพาะของเราคือ alpha เราสามารถใช้ Input Controls เพื่อให้ผู้ใช้สามารถปรับค่าของ alpha ได้ เมื่อต้องการทำเช่นนี้สร้างตัวแปรใหม่ที่เรียกว่า 8216alpha8217 และกำหนดสูตร it8217s เป็นอัปเดตสูตร EMA ของเราสร้างตัวควบคุมการป้อนข้อมูลใหม่โดยเลือกตัวแปรอัลฟาของเราเป็นวัตถุรายงานการควบคุมอินพุทใช้แถบเลื่อนที่เรียบง่ายและตั้งค่าคุณสมบัติต่อไปนี้เมื่อทำเสร็จแล้ว ควรจะสามารถเลื่อนแถบเลื่อนและดูการเปลี่ยนแปลงเส้นแนวโน้มในแผนภูมิได้ทันทีข้อสรุปเราได้ศึกษาวิธีการใช้ค่าเฉลี่ยเคลื่อนที่สามแบบใน Web Intelligence และถึงแม้จะเป็นไปได้ก็ตาม Exponential Moving Average น่าจะง่ายและยืดหยุ่นมากที่สุด . ฉันหวังว่าคุณจะพบบทความนี้น่าสนใจและเช่นเคยความคิดเห็นใด ๆ ยินดีต้อนรับมาก โพสต์นำทาง Leave a Reply ยกเลิกการตอบคุณต้องเข้าสู่ระบบเพื่อแสดงความคิดเห็น เคล็ดลับการ Weighted Moving Average (WMA) คือคุณต้องสร้างตัวแปรซึ่งหมายถึงเลขของ WMA (ดู Wikipedia สำหรับการอ้างอิง) ซึ่งควรมีลักษณะดังนี้: Previous (Self) (n Close) 8211 (Previous (RunningSum ( ปิด)) 8211 ก่อนหน้า (RunningSum (ปิด) n1) โดย n คือจำนวนงวดจากนั้นสูตร WMA8217s ที่แท้จริงจะเป็นเช่นนี้: Numerator (n (n 1) 2) โดยที่ Numerator เป็นตัวแปรที่คุณสร้างขึ้นก่อนหน้านี้