مثال من المرجح الحركة من المتوسط التنبؤ

المتوسطات المتحركة المرجحة: الأساسيات على مر السنين، وجد الفنيون مشكلتين مع المتوسط ​​المتحرك البسيط. تكمن المشكلة الأولى في الإطار الزمني للمتوسط ​​المتحرك (ما). ويعتقد معظم المحللين الفنيين أن العمل السعر. فتح أو إغلاق سعر السهم، لا يكفي على أن تعتمد على التنبؤ بشكل صحيح شراء أو بيع إشارات العمل كروس ما. ولحل هذه المشكلة، يعين المحللون الآن مزيدا من الوزن لأحدث بيانات الأسعار باستخدام المتوسط ​​المتحرك الممتد أضعافا مضاعفة (إما). (مزيد من المعلومات في استكشاف المتوسط ​​المتحرك الموزون أضعاف.) مثال على سبيل المثال، باستخدام ما 10 أيام، فإن المحلل يأخذ سعر الإغلاق لليوم العاشر ويضاعف هذا الرقم قبل 10، في اليوم التاسع من تسعة، والثامنة يوم من قبل ثمانية وهلم جرا إلى أول من ماجستير. وبمجرد تحديد المجموع، يقوم المحلل بعد ذلك بتقسيم الرقم بإضافة المضاعفات. إذا قمت بإضافة مضاعفات المثال ما 10 أيام، فإن الرقم هو 55. ويعرف هذا المؤشر باسم المتوسط ​​المتحرك المرجح خطي. (للحصول على القراءة ذات الصلة، تحقق من المتوسطات المتحركة البسيطة جعل الاتجاهات الوقوف.) العديد من الفنيين مؤمنين بقوة في المتوسط ​​المتحرك السلس أضعافا (إما). وقد تم شرح هذا المؤشر في العديد من الطرق المختلفة التي يخلط بين الطلاب والمستثمرين على حد سواء. ولعل أفضل تفسير يأتي من جون ج. مورفيس التحليل الفني للأسواق المالية، (نشره معهد نيويورك المالي، 1999): يعالج المتوسط ​​المتحرك الممتد أضعافا مضاعفة المشاكل المرتبطة بالمتوسط ​​المتحرك البسيط. فأولا، يعين المتوسط ​​الملمس أضعافا أكبر وزنا أكبر للبيانات الأحدث. ولذلك، فهو متوسط ​​متحرك مرجح. ولكن في حين أنه يولي أهمية أقل لبيانات الأسعار الماضية، فإنه يشمل في حسابه جميع البيانات في حياة الصك. وبالإضافة إلى ذلك، يمكن للمستخدم ضبط الترجيح لإعطاء وزن أكبر أو أقل لسعر الأيام الأخيرة، والذي يضاف إلى نسبة مئوية من قيمة الأيام السابقة. ويضاف مجموع قيمتي النسبة المئوية إلى 100. على سبيل المثال، يمكن تعيين سعر الأيام الأخيرة على وزن 10 (10)، والذي يضاف إلى وزن الأيام السابقة 90 (.90). وهذا يعطي اليوم الأخير 10 من إجمالي الترجيح. هذا سيكون ما يعادل متوسط ​​20 يوما، من خلال إعطاء سعر الأيام الماضية قيمة أصغر من 5 (.05). الشكل 1: المتوسط ​​المتحرك الملمس أضعافا مضاعفة يظهر الرسم البياني أعلاه مؤشر ناسداك المركب من الأسبوع الأول في أغسطس 2000 إلى 1 يونيو 2001. كما ترون بوضوح، إما، والتي في هذه الحالة تستخدم بيانات سعر الإغلاق فوق لمدة تسعة أيام، لديها إشارات بيع محددة في 8 سبتمبر (تميزت لأسفل أسود لأسفل). وكان هذا هو اليوم الذي كسر فيه المؤشر دون مستوى 4000. يظهر السهم الأسود الثاني آخر أسفل الساق التي الفنيين كانوا يتوقعون فعلا. لم يتمكن ناسداك من توليد ما يكفي من حجم واهتمام من المستثمرين التجزئة لكسر 3000 علامة. ثم ينخفض ​​مرة أخرى إلى أسفل إلى أسفل في 1619.58 في ابريل 4. يتميز الاتجاه الصعودي 12 أبريل السهم. وهنا أغلق المؤشر عند 1،961.46، وبدأ الفنيون في رؤية مديري الصناديق المؤسسية بدءا من التقاط بعض الصفقات مثل سيسكو ومايكروسوفت وبعض القضايا المتعلقة بالطاقة. (اقرأ مقالاتنا ذات الصلة: الانتقال المتوسط ​​المغلفات: تكرير أداة التداول الشعبي والمتوسط ​​المتحرك ترتد.) التنبؤ التنبؤ ينطوي على توليد عدد أو مجموعة من الأرقام أو السيناريو الذي يتوافق مع حدوث في المستقبل. ومن الضروري للغاية التخطيط القصير المدى والطويل المدى. وبحسب التعريف، تستند التوقعات إلى البيانات السابقة، بدلا من التنبؤ، الذي هو أكثر موضوعية ويستند إلى غريزة، ويشعر الأمعاء، أو تخمين. على سبيل المثال، فإن الأخبار المسائية يعطي الطقس x0022forecastx0022 لا الطقس x0022prediction. x0022 بغض النظر، وغالبا ما تستخدم المصطلحات التنبؤ والتنبؤ بين بالتغيير. على سبيل المثال، تعاريف تقنية regressionx2014a التي تستخدم أحيانا في التنبؤ x2014 عموما تشير إلى أن الغرض منه هو شرح أو x0022predict. x0022 ويستند التنبؤ على عدد من الافتراضات: الماضي سوف يكرر نفسه. وبعبارة أخرى، فإن ما حدث في الماضي سيحدث مرة أخرى في المستقبل. ومع تقصير أفق التوقعات، تزداد دقة التنبؤات. على سبيل المثال، فإن توقعات الغد ستكون أكثر دقة من توقعات الشهر المقبل ستكون التوقعات للشهر المقبل أكثر دقة من التوقعات للعام المقبل، وسوف تكون التوقعات للعام المقبل أكثر دقة من التوقعات لمدة عشر سنوات في مستقبل. والتنبؤ في المجموع هو أكثر دقة من التنبؤ بالعناصر الفردية. وهذا يعني أن الشركة سوف تكون قادرة على التنبؤ إجمالي الطلب على كامل مجموعة من المنتجات بشكل أكثر دقة من أنها سوف تكون قادرة على التنبؤ وحدات حفظ المخزون الفردية (سكو). على سبيل المثال، يمكن لشركة جنرال موتورز توقع أكثر دقة العدد الإجمالي للسيارات المطلوبة للعام المقبل من العدد الإجمالي لشفروليه إمبالاس البيضاء مع مجموعة خيارات معينة. التنبؤات نادرا ما تكون دقيقة. وعلاوة على ذلك، فإن التنبؤات لا تكاد تكون دقيقة تماما. في حين أن بعض قريبة جدا، وقلة من x0022right على money. x0022 لذلك، فمن الحكمة لتقديم توقعات x0022range. x0022 إذا كان واحد لتوقع الطلب من 100،000 وحدة للشهر المقبل، فمن غير المرجح للغاية أن الطلب سوف يساوي 100،000 بالضبط. ومع ذلك، فإن التوقعات التي تتراوح بين 000 90 و 000 110 سوف توفر هدفا أكبر بكثير للتخطيط. ويليام ج. ستيفنسون يسرد عددا من الخصائص المشتركة بين توقعات جيدة: يجب تحديد درجة دقة Accuratex2014 بعض وتسجيلها بحيث يمكن إجراء مقارنة للتنبؤات البديلة. موثوقx2014 يجب أن توفر طريقة التنبؤ باستمرار توقعات جيدة إذا كان المستخدم هو إنشاء درجة معينة من الثقة. وفي الوقت المناسب، هناك حاجة إلى قدر معين من الوقت للرد على التوقعات، لذا يجب أن يسمح أفق التنبؤ بالوقت اللازم لإجراء التغييرات. سهلة الاستخدام و understandx2014users من توقعات يجب أن تكون واثقة ومريحة العمل معها. وينبغي أن ال تزيد تكلفة وضع التوقعات عن التكلفة التي تحققت من التوقعات. وتتراوح تقنيات التنبؤ من بسيطة إلى معقدة للغاية. وعادة ما تصنف هذه التقنيات على أنها نوعية أو كمية. التقنيات النوعية تعتبر تقنيات التنبؤ النوعي أكثر عمومية من نظيراتها الكمية. التقنيات النوعية هي أكثر فائدة في المراحل الأولى من دورة حياة المنتج، عندما تكون البيانات السابقة أقل لاستخدامها في الأساليب الكمية. وتشمل الأساليب النوعية تقنية دلفي، تقنية المجموعة الاسمية (نغت)، آراء قوة المبيعات، الآراء التنفيذية، وأبحاث السوق. تقنية دلفي. تستخدم تقنية دلفي فريق من الخبراء لإنتاج توقعات. ويطلب من كل خبير تقديم توقعات محددة للحاجة في متناول اليد. وبعد إجراء التوقعات الأولية، يقرأ كل خبير ما كتبه كل خبير آخر، وهو بالطبع متأثر بآرائه. ثم يقوم كل خبير بتنبؤ لاحق. ثم يقرأ كل خبير مرة أخرى ما كتبه كل خبير آخر ويتأثر مرة أخرى بتصورات الآخرين. وتكرر هذه العملية نفسها إلى أن يقترب كل خبير من الاتفاق بشأن السيناريو أو الأرقام المطلوبة. تقنية مجموعة الاسمية. تقنية المجموعة الاسمية تشبه تقنية دلفي في أنها تستخدم مجموعة من المشاركين، وعادة الخبراء. وبعد أن يستجيب المشاركون للأسئلة المتعلقة بالتنبؤات، يصنفون ردودهم حسب الأهمية النسبية المتصورة. ثم يتم تجميع التصنيف وتجميعها. وفي نهاية المطاف، ينبغي أن تتوصل المجموعة إلى توافق في الآراء بشأن أولويات القضايا المصنفة. قوة المبيعات آيات. وغالبا ما يكون موظفو المبيعات مصدرا جيدا للمعلومات المتعلقة بالطلب في المستقبل. قد يطلب مدير المبيعات الحصول على مدخلات من كل شخص مبيعات وتجميع ردودهم في توقعات مركب قوة المبيعات. يجب توخي الحذر عند استخدام هذه التقنية لأن أعضاء قوة المبيعات قد لا تكون قادرة على التمييز بين ما يقوله العملاء وما يفعلونه فعلا. أيضا، إذا تم استخدام التوقعات لإنشاء حصص المبيعات، قد يميل قوة المبيعات لتقديم تقديرات أقل. الآراء التنفيذية. وفي بعض الأحيان، يلتقي المديرون في المستويات العليا ويطورون التوقعات استنادا إلى معرفتهم بمجالات مسؤوليتهم. ويشار إليها أحيانا باسم هيئة محلفين للرأي التنفيذي. البحث عن المتجر. وفي أبحاث السوق، تستخدم استقصاءات المستهلكين لتحديد الطلب المحتمل. وعادة ما ينطوي هذا البحث التسويقي على إنشاء استبيان يلتمس المعلومات الشخصية والديموغرافية والاقتصادية والتسويقية. وفي بعض األحيان، يقوم باحثو السوق بجمع هذه المعلومات شخصيا في منافذ البيع بالتجزئة ومراكز التسوق حيث يمكن للمستهلك أن يعاني من منتج معين، ويشعر، ورائحة، و sex2014a. يجب على الباحث أن يكون حذرا من أن عينة الأشخاص الذين شملهم الاستطلاع تمثل هدف المستهلك المطلوب. التقنيات الكمية تعتبر تقنيات التنبؤ الكمي أكثر موضوعية من نظيراتها النوعية. ويمكن أن تكون التنبؤات الكمية تنبؤات بالسلاسل الزمنية (أي توقعات الماضي في المستقبل) أو التنبؤات القائمة على النماذج التعاونية (أي استنادا إلى متغير واحد أو أكثر من المتغيرات التفسيرية). قد تحتوي بيانات السلاسل الزمنية على السلوكيات الأساسية التي تحتاج إلى تحديدها من قبل المتنبأ. وبالإضافة إلى ذلك، قد تحتاج التوقعات لتحديد أسباب السلوك. قد تكون بعض هذه السلوكيات أنماط أو اختلافات عشوائية ببساطة. ومن بين الأنماط: الاتجاهات، وهي حركات طويلة الأجل (صعودا أو هبوطا) في البيانات. موسمية، والتي تنتج الاختلافات على المدى القصير التي ترتبط عادة إلى الوقت من السنة والشهر، أو حتى يوم معين، كما تشهد مبيعات التجزئة في عيد الميلاد أو ارتفاع طفيف في النشاط المصرفي في الأول من الشهر والجمعة. والدورات، وهي الاختلافات الموجية التي تستمر لأكثر من سنة والتي ترتبط عادة بالظروف الاقتصادية أو السياسية. الاختلافات غير النظامية التي لا تعكس السلوك النموذجي، مثل فترة من الطقس المتطرف أو اضراب الاتحاد. الاختلافات العشوائية، والتي تشمل جميع السلوكيات غير النمطية التي لا تمثلها التصنيفات الأخرى. من بين نماذج السلاسل الزمنية، أبسط هو توقعات ناكسيفف. وتستخدم توقعات ناكسيف ببساطة الطلب الفعلي خلال الفترة الماضية كطلب متوقع للفترة المقبلة. وهذا، بطبيعة الحال، يجعل الافتراض بأن الماضي سوف يكرر. كما يفترض أن أي اتجاهات، موسمية، أو دورات إما تنعكس في طلب الفترة السابقة 0027ss أو غير موجودة. ويرد في الجدول 1 مثال لتنبؤ ناكسيف. الجدول 1 التنبؤ ناكسيفف أسلوب آخر بسيط هو استخدام المتوسط. ولتحقيق توقعات باستخدام المتوسط، يأخذ المرء ببساطة متوسط ​​عدد من فترات البيانات السابقة عن طريق تجميع كل فترة وتقسيم النتيجة حسب عدد الفترات. وقد وجد أن هذه التقنية فعالة جدا للتنبؤ قصير المدى. وتشمل التغيرات في المتوسط ​​المتوسط ​​المتحرك، والمتوسط ​​المرجح، والمتوسط ​​المتحرك المرجح. ويتحرك المتوسط ​​المتحرك لعدد محدد سلفا من الفترات، ويقيس الطلب الفعلي، ويقسم حسب عدد الفترات للوصول إلى التوقعات. لكل فترة لاحقة، أقدم فترة من البيانات تنخفض وتضاف أحدث فترة. وبافتراض متوسط ​​متحرك لمدة ثلاثة أشهر واستخدام البيانات الواردة في الجدول 1، سيضيف المرء ببساطة 45 (كانون الثاني) و 60 (فبراير) و 72 (مارس) ويقسم بثلاثة مستويات للوصول إلى توقعات لشهر أبريل: 45 60 72 177 x00F7 3 59 للوصول إلى توقعات لشھر مایو، من المتوقع أن یقل الطلب من المعادلة ویضاف الطلب من شھر أبریل. ويقدم الجدول 2 مثالا لتوقعات المتوسط ​​المتحرك لمدة ثلاثة أشهر. الجدول 2 المتوسط ​​المتحرك المتوقع لثلاثة أشهر الطلب الفعلي (000x0027s) يسري المتوسط ​​المرجح على وزن محدد سلفا لكل شهر من البيانات السابقة، ويجمع البيانات السابقة من كل فترة، ويقسم حسب إجمالي الأوزان. وإذا قام المرصد بتعديل الأوزان بحيث يساوي مجموعها 1، فإن الأوزان تضرب بالطلب الفعلي لكل فترة منطبقة. ثم يتم جمع النتائج لتحقيق توقعات مرجحة. بشكل عام، كلما كانت البيانات أكثر حداثة كلما زاد الوزن، وكبار السن كانت البيانات أصغر. باستخدام مثال الطلب، المتوسط ​​المرجح باستخدام أوزان .4. (2) و (1). ومن شأن التنبؤين أن يستخدموا معا متوسط ​​المتوسط ​​المرجح وتوقعات المتوسط ​​المتحرك . ويعين متوسط ​​المتوسط ​​المتحرك المرجح الأوزان لعدد محدد سلفا من فترات البيانات الفعلية ويحسب التنبؤ بالطريقة نفسها المبينة أعلاه. كما هو الحال مع جميع التوقعات المتحركة، وكلما أضيفت فترة جديدة، يتم تجاهل البيانات من أقدم فترة. ويوضح الجدول 3 توقعات المتوسط ​​المتحرك المرجح لمدة ثلاثة أشهر باستخدام الأوزان. 3، و .2. الجدول 3 3x2013 الشهر الترجيح المتوسط ​​المتوسط ​​التنبؤ الفعلي الطلب (000x0027s) شكل أكثر تعقيدا من المتوسط ​​المتحرك المرجح هو التماسك الأسي، لذلك سميت لأن الوزن ينخفض ​​أضعافا مضاعفة مع أعمار البيانات. إن التجانس الأسي يأخذ التنبؤات السابقة x0027s ويضبطها بواسطة ثابت تمهيد محدد مسبقا، x03AC (يسمى ألفا قيمة ألفا أقل من واحد) مضروبا في الفرق في التوقعات السابقة والطلب الذي حدث فعلا خلال الفترة المتوقعة سابقا (تسمى خطأ التنبؤ). ويعبر عن التجانس الأسي على النحو التالي: توقعات جديدة ألفا التنبؤ السابق (الطلب الفعلي x2212 التوقعات السابقة) فف x03AC (A 2222 F) التماسك الأسي يتطلب المتنبأ لبدء التنبؤ في الفترة الماضية والعمل إلى الأمام إلى الفترة التي تيار هناك حاجة إلى التنبؤ. ومن الضروري أيضا وجود قدر كبير من البيانات السابقة وتوقعات أولية أو أولية. ويمكن أن تكون التوقعات الأولية توقعات فعلية من فترة سابقة، أو الطلب الفعلي من فترة سابقة، أو يمكن تقديرها عن طريق حساب متوسط ​​أو جزء من البيانات السابقة. وتوجد بعض الاستدلاليات لحساب توقعات أولية. على سبيل المثال، فإن N N 2 (XF7 x03AC) x2212 1 و ألفا من 0.5 سيؤدي إلى N من 3، مما يشير إلى أن المستخدم متوسط ​​الفترات الثلاث الأولى من البيانات للحصول على توقعات أولية. ومع ذلك، فإن دقة التوقعات الأولية ليست حاسمة إذا كان أحد يستخدم كميات كبيرة من البيانات، حيث تمهيد الأسي هو x0022self - recting. x0022 ونظرا لفترات كافية من البيانات الماضية، والتجانس الأسي في نهاية المطاف إجراء تصحيحات كافية للتعويض عن أولية غير دقيقة إلى حد معقول توقعات. وباستخدام البيانات المستخدمة في أمثلة أخرى، يتم حساب توقعات أولية قدرها 50، و ألفا من .7، توقعات لشهر فبراير على هذا النحو: توقعات جديدة (فبراير) 50 .7 (45 x2212 50) 41.5 بعد ذلك، : توقعات جديدة (مارس) 41.5 .7 (60 x2212 41.5) 54.45 تستمر هذه العملية حتى يصل المتنبأ إلى الفترة المطلوبة. وفي الجدول 4، سيكون ذلك لشهر حزيران / يونيه، حيث أن الطلب الفعلي على حزيران / يونيه غير معروف. الطلب الفعلي (000x0027s) يمكن استخدام تمديد التمدد الأسي عندما تظهر بيانات السلاسل الزمنية اتجاها خطييا. ويعرف هذا الأسلوب من قبل العديد من الأسماء: ضعف تجانس تعديل تعديل الأسي التنبؤات بما في ذلك الاتجاه (فيت) و Holtx0027s نموذج. وبدون تعديل، فإن نتائج التمهيد الأسي البسيطة سوف تتخلف عن الاتجاه، أي أن التوقعات ستكون دائما منخفضة إذا كان الاتجاه آخذ في الازدياد، أو ارتفاع إذا كان الاتجاه آخذ في التناقص. مع هذا النموذج هناك اثنين من الثوابت تمهيد، x03AC و x03B2 مع x03B2 يمثل عنصر الاتجاه. تمديد نموذج Holtx0027s، ودعا هولت-Winterx0027s الأسلوب، يأخذ في الاعتبار كل من الاتجاه والموسمية. هناك نسختين، المضاعفة والإضافات، مع المضاعفة كونها الأكثر استخداما. في النموذج المضاف، يتم التعبير عن الموسمية ككمية يمكن إضافتها إلى أو طرحها من متوسط ​​السلسلة. ويعكس النموذج المضاعف الموسمية كنسبة مئوية x2014 المعروفة باسم الأقارب الموسمية أو المؤشرات الموسمية x2014 للمتوسط ​​(أو الاتجاه). ثم تضاعف هذه القيم مرات من أجل دمج الموسمية. ويشير أحد أقارب 0.8 إلى أن الطلب هو 80 في المائة من المتوسط، في حين أن الرقم 1.10 سيشير إلى الطلب الذي يزيد بنسبة 10 في المائة عن المتوسط. ويمكن الاطلاع على معلومات تفصيلية بشأن هذه الطريقة في معظم الكتب الإدارية لإدارة العمليات أو أحد الكتب على التنبؤ. التقنيات المرتبطة أو السببية تنطوي على تحديد المتغيرات التي يمكن استخدامها للتنبؤ متغير آخر من الفائدة. على سبيل المثال، يمكن استخدام أسعار الفائدة للتنبؤ بالطلب على إعادة تمويل المنازل. وينطوي ذلك عادة على استخدام الانحدار الخطي، حيث يكون الهدف هو وضع معادلة تلخص تأثيرات المتغيرات (المستقلة) المتنبأ بها على المتغير (المعتمد) المتوقع. إذا تم رسم متغير التنبؤ، فإن الكائن هو الحصول على معادلة خط مستقيم يقلل من مجموع الانحرافات التربيعية عن الخط (مع الانحراف هو المسافة من كل نقطة إلى الخط). وتظهر المعادلة على النحو التالي: يا بكس، حيث y هو المتغير المتوقع (المعتمد)، x هو المتغير (المستقل) المتنبأ، b هو منحدر الخط، ويساوي ارتفاع الخط عند y - اعتراض. وبمجرد تحديد المعادلة، يمكن للمستخدم إدراج القيم الحالية للمتغير (مستقل) المتنبأ للوصول إلى التنبؤ (المتغير التابع). إذا كان هناك أكثر من متغير متنبأ واحد أو إذا كانت العلاقة بين التنبؤ والتنبؤ ليست خطية، فإن الانحدار الخطي البسيط يكون غير كاف. بالنسبة للحالات ذات التنبؤات المتعددة، يجب استخدام الانحدار المتعدد، في حين أن العلاقات غير الخطية تدعو إلى استخدام الانحدار المنحني. تنبؤات االقتصاد تستخدم أساليب االقتصاد القياسي، مثل نموذج التحرك الذاتي المتكامل) أريما (، معادالت رياضية معقدة لعرض العالقات السابقة بين الطلب والمتغيرات التي تؤثر على الطلب. يتم اشتقاق المعادلة ثم اختبارها وضبطها لضمان أن تكون موثوقة لتمثيل العلاقة الماضية ممكن. وبمجرد القيام بذلك، تدرج القيم المتوقعة للمتغيرات المؤثرة (الدخل والأسعار وما إلى ذلك) في المعادلة لجعل التنبؤات. تقييم التوقعات يمكن تحديد دقة التنبؤ بحساب الانحراف أو الانحراف المطلق أو متوسط ​​الخطأ المربع (مس) أو متوسط ​​الخطأ المطلق في النسبة المئوية (ماب) للتنبؤ باستخدام قيم مختلفة للألفا. التحيز هو مجموع أخطاء التنبؤ x2211 (في). وفيما يتعلق بمثال التجانس الأسي الوارد أعلاه، يكون التحيز المحسوب كما يلي: (60 x2212 41.5) (72 x2212 54.45) (58 x2212 66.74) (40 x2212 60.62) 6.69 إذا افترضنا أن التحيز المنخفض يشير إلى خطأ تنبؤي منخفض عموما، يحسب التحيز لعدد من القيم المحتملة ألفا ويفترض أن واحد مع أدنى التحيز سيكون الأكثر دقة. ومع ذلك، يجب مراعاة الحذر في تلك التنبؤات غير الدقيقة التي قد تؤدي إلى انحياز منخفض إذا كانت تميل إلى أن تكون على توقعات وتحت توقعات (سلبية وإيجابية). على سبيل المثال، على مدى ثلاث فترات قد تستخدم شركة قيمة معينة ألفا إلى أكثر من التوقعات من قبل 75،000 وحدة (X221275،000)، تحت التوقعات من قبل 100،000 وحدة (100،000)، ثم فوق التوقعات من قبل 25،000 وحدة (x221225،000)، مما يؤدي تحيز صفر (x221275،000 100،000 x2212 25،000 0). وبالمقارنة، فإن إنتاج ألفا آخر على التنبؤات من 2000 وحدة، 1000 وحدة، و 3،000 وحدة من شأنه أن يؤدي إلى التحيز من 5000 وحدة. إذا كان الطلب العادي 100،000 وحدة لكل فترة، فإن ألفا الأول سوف يسفر عن التوقعات التي تم إيقافها بنسبة تصل إلى 100 في المئة في حين أن ألفا الثاني سيكون خارج بنسبة أقصاها 3 في المئة فقط، على الرغم من أن التحيز في التوقعات الأولى كان صفر. وهناك مقياس أكثر أمنا لدقة التنبؤ هو متوسط ​​الانحراف المطلق. لحساب درهم، والمنبه المبالغ القيمة المطلقة للأخطاء التنبؤ ومن ثم يقسم حسب عدد من التنبؤات (x2211 في x00F7 N). ومن خلال أخذ القيمة المطلقة لأخطاء التنبؤ، يتم تجنب مقاصة القيم الإيجابية والسلبية. وهذا يعني أن كل من التوقعات 50 و 50 تحت التوقعات من 50. باستخدام البيانات من المثال التجانس الأسي، يمكن حساب درهم على النحو التالي: (60 x2212 41.5 72 x2212 54.45 58 x2212 66.74 40 x2212 60.62) x00F7 4 16.35 ولذلك، فإن المتنبأ هو في المتوسط ​​16.35 وحدة لكل توقعات. عند مقارنته بنتيجة ألفاس أخرى، فإن المتنبأ سوف يعرف أن ألفا مع أدنى درهم تسفر عن التنبؤ الأكثر دقة. ويمكن أيضا استخدام خطأ مربع متوسط ​​(مس) في نفس الطريقة. مس هو مجموع مربعات الأخطاء المتوقعة مقسوما على N-1 (x2211 (في)) x00F7 (N-1). إن تخطي أخطاء التنبؤ يلغي إمكانية تعويض الأرقام السلبية، حيث لا يمكن لأي من النتائج أن تكون سلبية. وباستخدام نفس البيانات الواردة أعلاه، تكون المشاريع متناهية الصغر والصغيرة هي: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 كما هو الحال مع الدرهم، يمكن أن يقارن المتنبأ المسير المتناهي الصغر للتنبؤات المشتقة باستخدام قيم مختلفة من ألفا و تفترض أن ألفا مع أدنى مس هي التي تنتج التنبؤ الأكثر دقة. ومتوسط ​​الخطأ النسبي المطلق (ميب) هو متوسط ​​الخطأ المطلق في النسبة المئوية. للوصول إلى ميب يجب على المرء أن يأخذ مجموع النسب بين الخطأ المتوقع وأوقات الطلب الفعلية 100 (للحصول على النسبة المئوية) وتقسيم N (x2211 الطلب الفعلي x2212 توقعات x00F7 الطلب الفعلي) xD7 100 x00F7 N. باستخدام البيانات من يمكن حساب ماب على النحو التالي: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 كما هو الحال مع الدرهم والمشاريع المتوسطة والصغيرة، كلما انخفض الخطأ النسبي كلما زادت دقة التنبؤ. وتجدر الإشارة إلى أنه في بعض الحالات تعتبر قدرة التنبؤ على التغيير بسرعة للاستجابة للتغيرات في أنماط البيانات أكثر أهمية من الدقة. ولذلك، فإن اختيار واحدx0027s من طريقة التنبؤ ينبغي أن تعكس التوازن النسبي للأهمية بين الدقة والاستجابة، على النحو الذي يحدده المتنبأ. وضع التنبؤ ويليام ج. ستيفنسون يسرد ما يلي كخطوات أساسية في عملية التنبؤ: تحديد الغرض Forecastx0027s. وستستخدم عوامل مثل كيفية ومتى سيتم استخدام التوقعات ودرجة الدقة المطلوبة ومستوى التفصيل المطلوب تحديد التكلفة (الوقت والمال والموظفين) التي يمكن تخصيصها للتنبؤ ونوع طريقة التنبؤ التي سيتم استخدامها . إنشاء أفق زمني. ويحدث ذلك بعد أن يحدد المرء الغرض من التنبؤ. وتتطلب التنبؤات الأطول أجلا آفاقا أطول، والعكس بالعكس. دقة هو مرة أخرى الاعتبار. حدد تقنية التنبؤ. تعتمد التقنية المختارة على الغرض من التوقعات، والأفق الزمني المطلوب، والتكلفة المسموح بها. جمع وتحليل البيانات. ويخضع مقدار ونوع البيانات المطلوبة للغرض الخاص بالتنبؤات 0027، وتقنية التنبؤ المختارة، وأي اعتبارات تتعلق بالتكاليف. جعل التوقعات. مراقبة التوقعات. تقييم أداء التوقعات وتعديلها، إذا لزم الأمر. مزيد من القراءة: فينش، بايرون J. العمليات الآن: الربحية، والعمليات، والأداء. 2 إد. بوسطن: مغراو هيل إيروين، 2006. غرين، ويليام H. إكونوميتريك أناليسيس. 5 إد. نهر السرج العلوي، نج: برنتيس هول، 2003. جوب، د. ماريون. x0022 المجموعة الاسمية Technique. x0022 عملية البحث. متوفر من x003C ryerson. ca ستيفنسون، ويليام J. إدارة العمليات. 8 إد. بوسطن: مغراو هيل إيروين، 2005. قراءة المقال عن التنبؤ من ويكيبيدياوات 039 الفرق بين المتوسط ​​المتحرك والمتوسط ​​المتحرك المرجح يتم حساب المتوسط ​​المتحرك لفترة 5، استنادا إلى الأسعار أعلاه، باستخدام الصيغة التالية: استنادا إلى المعادلة أعلاه، كان متوسط ​​السعر خلال الفترة المذكورة أعلاه 90.66. إن استخدام المتوسطات المتحركة هو طريقة فعالة للقضاء على تقلبات الأسعار القوية. والقيود الرئيسية هي أن نقاط البيانات من البيانات القديمة لا ترجح أي اختلاف عن نقاط البيانات بالقرب من بداية مجموعة البيانات. هذا هو المكان حيث تتحرك المتوسطات المرجحة في اللعب. وتحدد المتوسطات المرجحة ترجيح أثقل لنقاط بيانات أكثر حداثة لأنها أكثر صلة من نقاط البيانات في الماضي البعيد. وينبغي أن يزيد مجموع الترجيح إلى 1 (أو 100). وفي حالة المتوسط ​​المتحرك البسيط، يتم توزيع الأوزان بالتساوي، وهذا هو السبب في عدم ظهورها في الجدول أعلاه. سعر إغلاق آبل