Moving Average Eksponensial Smoothing

Moving Averages - Rata-rata Bergerak Sederhana dan Eksponensial - Pendahuluan Sederhana dan Eksponensial Moving averages memperlancar data harga menjadi indikator tren berikut. Mereka tidak memprediksi arah harga, melainkan menentukan arah saat ini dengan lag. Moving averages lag karena mereka didasarkan pada harga masa lalu. Terlepas dari lag ini, moving averages membantu tindakan harga yang lancar dan menyaring noise. Mereka juga membentuk blok bangunan untuk banyak indikator dan lapisan teknis lainnya, seperti Bollinger Bands. MACD dan McClellan Oscillator. Dua jenis moving average yang paling populer adalah Simple Moving Average (SMA) dan Exponential Moving Average (EMA). Rata-rata pergerakan ini dapat digunakan untuk mengidentifikasi arah tren atau menentukan level support dan resistance yang potensial. Berikut adalah bagan dengan SMA dan EMA di atasnya: Perhitungan Rata-rata Bergerak Sederhana Rata-rata pergerakan sederhana terbentuk dengan menghitung harga rata-rata sekuritas selama periode tertentu. Rata-rata pergerakan paling banyak didasarkan pada harga penutupan. Rata-rata pergerakan sederhana 5 hari adalah jumlah lima hari harga penutupan dibagi lima. Sesuai namanya, rata-rata bergerak adalah rata-rata bergerak. Data lama dijatuhkan saat data baru tersedia. Hal ini menyebabkan rata-rata bergerak sepanjang skala waktu. Berikut adalah contoh rata-rata pergerakan 5 hari yang berkembang selama tiga hari. Hari pertama rata-rata bergerak hanya mencakup lima hari terakhir. Hari kedua rata-rata bergerak menurunkan titik data pertama (11) dan menambahkan titik data baru (16). Hari ketiga dari rata-rata bergerak berlanjut dengan menjatuhkan titik data pertama (12) dan menambahkan titik data baru (17). Pada contoh di atas, harga secara bertahap meningkat dari 11 menjadi 17 di atas total tujuh hari. Perhatikan bahwa moving average juga naik dari 13 menjadi 15 selama periode perhitungan tiga hari. Perhatikan juga bahwa setiap nilai rata-rata bergerak tepat di bawah harga terakhir. Misalnya, rata-rata bergerak untuk hari pertama sama dengan 13 dan harga terakhir adalah 15. Harga empat hari sebelumnya lebih rendah dan ini menyebabkan rata-rata bergerak menjadi lag. Perhitungan Eksponensial Pindah Eksponensial Rata-rata pergerakan eksponensial mengurangi lag dengan menerapkan bobot lebih terhadap harga terkini. Bobot yang diterapkan pada harga terbaru bergantung pada jumlah periode pada moving average. Ada tiga langkah untuk menghitung rata-rata pergerakan eksponensial. Pertama, hitung rata-rata bergerak sederhana. Exponential moving average (EMA) harus dimulai di suatu tempat sehingga rata-rata bergerak sederhana digunakan sebagai EMA periode sebelumnya pada perhitungan pertama. Kedua, hitung pengganda bobot. Ketiga, hitung rata-rata pergerakan eksponensial. Rumus di bawah ini adalah untuk EMA 10 hari. Rata-rata pergerakan eksponensial 10 periode menerapkan bobot 18,18 pada harga terbaru. EMA 10 periode juga bisa disebut 18,18 EMA. EMA 20 periode berlaku 9,52 dengan harga paling tinggi (2 (201) .0952). Perhatikan bahwa pembobotan untuk periode waktu yang lebih pendek lebih dari bobot untuk jangka waktu yang lebih lama. Sebenarnya, bobot turun setengahnya setiap kali rata-rata bergerak rata-rata berganda. Jika Anda menginginkan persentase tertentu untuk EMA, Anda dapat menggunakan rumus ini untuk mengubahnya menjadi periode waktu dan kemudian memasukkan nilai tersebut sebagai parameter EMA039: Berikut adalah contoh spreadsheet dari rata-rata pergerakan sederhana 10 hari dan 10- Hari rata-rata bergerak eksponensial untuk Intel. Simple moving averages lurus ke depan dan memerlukan sedikit penjelasan. Rata-rata 10 hari hanya bergerak karena harga baru sudah tersedia dan harga lama turun. Rata-rata bergerak eksponensial dimulai dengan nilai rata-rata bergerak sederhana (22.22) pada perhitungan pertama. Setelah perhitungan pertama, rumus normal mengambil alih. Karena EMA dimulai dengan rata-rata bergerak sederhana, nilainya sebenarnya tidak akan terealisasi sampai 20 atau lebih periode kemudian. Dengan kata lain, nilai pada spreadsheet excel mungkin berbeda dari nilai grafik karena periode lihat belakang yang pendek. Spreadsheet ini hanya akan kembali 30 periode, yang berarti pengaruhnya terhadap rata-rata pergerakan sederhana memiliki 20 periode untuk menghilang. StockCharts kembali setidaknya 250 periode (biasanya jauh lebih jauh) untuk perhitungannya sehingga efek dari rata-rata pergerakan sederhana pada perhitungan pertama telah hilang sepenuhnya. Faktor Lag Semakin lama rata-rata bergerak, semakin tertinggal. Rata-rata pergerakan eksponensial 10 hari akan memeluk harga cukup dekat dan berbalik segera setelah harga berbalik. Rata-rata bergerak pendek seperti kapal cepat - gesit dan cepat berubah. Sebaliknya, rata-rata pergerakan 100 hari berisi banyak data masa lalu yang memperlambatnya. Rata-rata bergerak yang lebih panjang seperti kapal tanker laut - lesu dan lamban untuk berubah. Dibutuhkan pergerakan harga yang lebih besar dan lebih lama untuk rata-rata pergerakan 100 hari untuk mengubah arah. Bagan di atas menunjukkan SampP 500 ETF dengan EMA 10 hari mengikuti harga dan SMA 100 hari yang digiling lebih tinggi. Bahkan dengan penurunan Januari-Februari, SMA 100 hari itu mengikuti kursus dan tidak menolak. SMA 50 hari cocok di suatu tempat antara rata-rata pergerakan 10 dan 100 hari ketika sampai pada faktor lag. Rata-rata Bergerak Sederhana vs Eksponensial Meskipun ada perbedaan yang jelas antara rata-rata bergerak sederhana dan rata-rata bergerak eksponensial, yang satu tidak selalu lebih baik dari yang lain. Rata-rata pergerakan eksponensial memiliki sedikit lag dan oleh karena itu lebih sensitif terhadap harga terkini - dan perubahan harga terkini. Rata-rata bergerak eksponensial akan berubah sebelum rata-rata bergerak sederhana. Rata-rata pergerakan sederhana, di sisi lain, merupakan rata-rata harga sebenarnya untuk keseluruhan periode waktu. Dengan demikian, rata-rata pergerakan sederhana mungkin lebih sesuai untuk mengidentifikasi level support atau resistance. Preferensi rata-rata bergerak bergantung pada tujuan, gaya analisis dan horison waktu. Chartis harus bereksperimen dengan kedua jenis rata-rata bergerak serta rentang waktu yang berbeda untuk menemukan yang paling sesuai. Bagan di bawah ini menunjukkan IBM dengan SMA 50 hari berwarna merah dan EMA 50 hari berwarna hijau. Keduanya memuncak pada akhir Januari, namun penurunan EMA lebih tajam dibanding penurunan di SMA. EMA muncul pada pertengahan Februari, namun SMA terus berlanjut hingga akhir Maret. Perhatikan bahwa SMA muncul lebih dari sebulan setelah EMA. Panjang dan Jangka Waktu Panjang rata-rata bergerak bergantung pada tujuan analisis. Rata-rata pergerakan pendek (5-20 periode) paling sesuai untuk tren dan perdagangan jangka pendek. Chartists yang tertarik pada tren jangka menengah akan memilih moving average yang lebih panjang yang dapat memperpanjang periode 20-60. Investor jangka panjang akan memilih moving averages dengan periode 100 atau lebih. Beberapa panjang rata-rata bergerak lebih populer daripada yang lain. Rata-rata pergerakan 200 hari mungkin yang paling populer. Karena panjangnya, ini jelas merupakan moving average jangka panjang. Selanjutnya, rata-rata pergerakan 50 hari cukup populer untuk tren jangka menengah. Banyak chartis menggunakan moving average 50 hari dan 200 hari bersama-sama. Jangka pendek, rata-rata pergerakan 10 hari cukup populer di masa lalu karena mudah dihitung. Seseorang hanya menambahkan angka dan memindahkan titik desimal. Identifikasi Trend Sinyal yang sama dapat dihasilkan dengan menggunakan rata-rata bergerak sederhana atau eksponensial. Seperti disebutkan di atas, preferensi tergantung pada masing-masing individu. Contoh di bawah ini akan menggunakan rata-rata bergerak sederhana dan eksponensial. Istilah moving average berlaku untuk moving average rata-rata dan eksponensial. Arah rata-rata bergerak menyampaikan informasi penting tentang harga. Kenaikan rata-rata bergerak menunjukkan bahwa harga pada umumnya meningkat. Perputaran rata-rata bergerak menunjukkan bahwa harga rata-rata turun. Kenaikan moving average jangka panjang mencerminkan uptrend jangka panjang. Jatuh moving average jangka panjang mencerminkan tren turun jangka panjang. Bagan di atas menunjukkan 3M (MMM) dengan rata-rata pergerakan eksponensial 150 hari. Contoh ini menunjukkan seberapa baik rata-rata bergerak bekerja saat trennya kuat. EMA 150 hari ditolak pada bulan November 2007 dan sekali lagi pada bulan Januari 2008. Perhatikan bahwa dibutuhkan penurunan 15 untuk membalikkan arah rata-rata bergerak ini. Indikator tertinggal ini mengidentifikasi pembalikan tren saat terjadi (paling banter) atau setelah terjadi (paling buruk). MMM terus berlanjut hingga Maret 2009 lalu melonjak 40-50. Perhatikan bahwa EMA 150 hari tidak muncul sampai setelah gelombang ini terjadi. Setelah itu, bagaimanapun, MMM terus berlanjut dalam 12 bulan ke depan. Moving averages bekerja cemerlang dalam tren yang kuat. Double Crossover Dua moving averages dapat digunakan bersamaan untuk menghasilkan sinyal crossover. Dalam Analisis Teknis Pasar Keuangan. John Murphy menyebutnya metode crossover ganda. Crossover ganda melibatkan satu moving average yang relatif singkat dan satu moving average yang relatif panjang. Seperti semua moving averages, panjang umum moving average mendefinisikan kerangka waktu untuk sistem. Sistem yang menggunakan EMA 5 hari dan EMA 35 hari akan dianggap jangka pendek. Sistem yang menggunakan SMA 50 hari dan SMA 200 hari akan dianggap jangka menengah, bahkan mungkin dalam jangka panjang. Crossover bullish terjadi saat moving average yang pendek melintasi di atas moving average yang lebih panjang. Ini juga dikenal sebagai golden cross. Sebuah crossover bearish terjadi ketika moving average yang lebih pendek melintasi di bawah moving average yang lebih panjang. Ini dikenal sebagai salib mati. Pindah rata-rata crossover menghasilkan sinyal yang relatif terlambat. Bagaimanapun, sistem ini menggunakan dua indikator lagging. Semakin lama periode rata-rata bergerak, semakin besar lag pada sinyal. Sinyal ini bekerja hebat saat tren bagus terus berlanjut. Namun, sistem crossover moving average akan menghasilkan banyak whipsaws tanpa adanya tren yang kuat. Ada juga metode triple crossover yang melibatkan tiga moving averages. Sekali lagi, sinyal dihasilkan saat rata-rata bergerak terpendek melintasi dua rata-rata bergerak yang lebih lama. Sistem triple crossover sederhana mungkin melibatkan rata-rata pergerakan 5 hari, 10 hari dan 20 hari. Bagan di atas menunjukkan Home Depot (HD) dengan EMA 10 hari (garis putus-putus hijau) dan EMA 50 hari (garis merah). Garis hitam adalah tutupan harian. Menggunakan crossover rata-rata bergerak akan menghasilkan tiga whipsaws sebelum menangkap perdagangan yang baik. EMA 10 hari tersebut pecah di bawah EMA 50 hari pada akhir Oktober (1), namun ini tidak berlangsung lama selama 10 hari bergerak kembali di atas pada pertengahan November (2). Cross ini bertahan lebih lama, namun crossover bearish berikutnya di bulan Januari (3) terjadi mendekati level harga akhir November, sehingga terjadi whipsaw lainnya. Salib bearish ini tidak berlangsung lama karena EMA 10 hari bergerak kembali di atas 50 hari beberapa hari kemudian (4). Setelah tiga sinyal buruk, sinyal keempat meramalkan pergerakan kuat saat saham menguat di atas 20. Ada dua takeaways di sini. Pertama, crossover rentan terhadap whipsaw. Filter harga atau waktu dapat diterapkan untuk membantu mencegah whipsaws. Pedagang mungkin memerlukan crossover sampai 3 hari terakhir sebelum bertindak atau memerlukan EMA 10 hari untuk bergerak di atas EMA 50 hari dengan jumlah tertentu sebelum bertindak. Kedua, MACD dapat digunakan untuk mengidentifikasi dan mengkuantifikasi crossover ini. MACD (10,50,1) akan menunjukkan garis yang mewakili perbedaan antara dua rata-rata bergerak eksponensial. MACD berubah positif selama salib emas dan negatif selama salib mati. The Persentase Harga Oscillator (PPO) dapat digunakan dengan cara yang sama untuk menunjukkan perbedaan persentase. Perhatikan bahwa MACD dan PPO didasarkan pada rata-rata pergerakan eksponensial dan tidak akan sesuai dengan rata-rata bergerak sederhana. Bagan ini menunjukkan Oracle (ORCL) dengan EMA 50 hari, EMA 200 hari dan MACD (50,200,1). Ada empat perpindahan rata-rata bergerak selama periode 2 12 tahun. Tiga yang pertama menghasilkan whipsaws atau bad trade. Tren yang berkelanjutan dimulai dengan crossover keempat saat ORCL maju ke pertengahan 20an. Sekali lagi, pergerakan rata-rata crossover bekerja dengan baik saat trennya kuat, namun menghasilkan kerugian karena tidak adanya tren. Harga Crossover Moving averages juga dapat digunakan untuk menghasilkan sinyal dengan crossover harga sederhana. Sinyal bullish dihasilkan saat harga bergerak di atas rata-rata bergerak. Sinyal bearish dihasilkan saat harga bergerak di bawah moving average. Harga crossover dapat dikombinasikan untuk diperdagangkan dalam tren yang lebih besar. Rata-rata pergerakan yang lebih lama menentukan nada untuk tren yang lebih besar dan moving average yang lebih pendek digunakan untuk menghasilkan sinyal. Kita akan mencari harga bullish hanya bila harga sudah di atas moving average yang lebih panjang. Ini akan diperdagangkan selaras dengan tren yang lebih besar. Misalnya, jika harga di atas rata-rata pergerakan 200 hari, para chartists hanya akan fokus pada sinyal saat harga bergerak di atas rata-rata pergerakan 50 hari. Jelas, pergerakan di bawah rata-rata pergerakan 50 hari akan mendahului sinyal semacam itu, namun persilangan bearish semacam itu akan diabaikan karena tren yang lebih besar sudah naik. Salib bearish hanya akan menyarankan pullback dalam uptrend yang lebih besar. Sebuah cross back di atas moving average 50 hari akan memberi sinyal kenaikan harga dan kelanjutan dari uptrend yang lebih besar. Bagan berikutnya menunjukkan Emerson Electric (EMR) dengan EMA 50 hari dan EMA 200 hari. Saham bergerak di atas dan bertahan di atas rata-rata pergerakan 200 hari di bulan Agustus. Ada penurunan di bawah EMA 50 hari pada awal November dan lagi di awal Februari. Harga cepat bergerak kembali di atas EMA 50 hari untuk memberikan sinyal bullish (panah hijau) selaras dengan uptrend yang lebih besar. MACD (1,50,1) ditunjukkan di jendela indikator untuk mengkonfirmasi harga di atas atau di bawah EMA 50 hari. EMA 1 hari sama dengan harga penutupan. MACD (1,50,1) positif saat penutupan berada di atas EMA 50 hari dan negatif saat penutupan berada di bawah EMA 50 hari. Support and Resistance Moving averages juga dapat berperan sebagai support dalam uptrend dan resistance dalam downtrend. Pergerakan naik jangka pendek mungkin akan menemukan support mendekati moving average 20 hari sederhana, yang juga digunakan pada Bollinger Bands. Sebuah uptrend jangka panjang mungkin akan menemukan support mendekati rata-rata pergerakan sederhana 200 hari, yang merupakan moving average jangka panjang yang paling populer. Jika fakta, rata-rata pergerakan 200 hari mungkin menawarkan dukungan atau penolakan hanya karena sangat banyak digunakan. Hal ini hampir seperti ramalan yang dipenuhi sendiri. Bagan di atas menunjukkan Komposit NY dengan rata-rata pergerakan sederhana 200 hari dari pertengahan 2004 sampai akhir tahun 2008. Dukungan 200 hari telah diberikan berkali-kali selama uang muka. Begitu tren terbalik dengan double support break, moving average 200 hari bertindak sebagai resistance di sekitar 9500. Jangan mengharapkan level support dan resistance yang tepat dari moving averages, terutama moving average yang lebih lama. Pasar didorong oleh emosi, yang membuat mereka cenderung mengalami overshoot. Alih-alih tingkat yang tepat, moving averages dapat digunakan untuk mengidentifikasi zona support atau resistance. Kesimpulan Keuntungan menggunakan moving averages perlu dipertimbangkan terhadap kerugiannya. Moving averages adalah trend berikut, atau lagging, indikator yang akan selalu menjadi langkah di belakang. Ini belum tentu hal yang buruk sekalipun. Toh, trennya adalah teman Anda dan yang terbaik adalah berdagang ke arah tren. Moving averages memastikan bahwa trader sesuai dengan tren saat ini. Meskipun trennya adalah teman Anda, sekuritas menghabiskan banyak waktu dalam rentang perdagangan, yang membuat rata-rata bergerak tidak efektif. Begitu dalam tren, rata-rata bergerak akan membuat Anda tetap bertahan, namun juga memberi sinyal terlambat. Jangan berharap untuk menjual di bagian atas dan membeli di bagian bawah menggunakan moving averages. Seperti kebanyakan alat analisis teknis lainnya, moving averages tidak boleh digunakan sendiri, namun bersamaan dengan alat pelengkap lainnya. Chartis dapat menggunakan moving averages untuk menentukan keseluruhan trend dan kemudian menggunakan RSI untuk menentukan level overbought atau oversold. Menambahkan Moving Average ke Chart StockCharts Moving averages tersedia sebagai fitur overlay harga di meja kerja SharpCharts. Dengan menggunakan menu drop-down Overlay, pengguna dapat memilih rata-rata bergerak sederhana atau rata-rata bergerak eksponensial. Parameter pertama digunakan untuk mengatur jumlah periode waktu. Parameter opsional dapat ditambahkan untuk menentukan bidang harga mana yang harus digunakan dalam perhitungan - O untuk Open, H untuk High, L untuk Low, dan C for the Close. Koma digunakan untuk memisahkan parameter. Parameter opsional lainnya dapat ditambahkan untuk menggeser rata-rata bergerak ke kiri (masa lalu) atau kanan (masa depan). Angka negatif (-10) akan menggeser rata-rata bergerak ke kiri 10 periode. Angka positif (10) akan menggeser rata-rata bergerak ke kanan 10 periode. Beberapa moving averages dapat dilapisi dengan harga plot dengan hanya menambahkan garis overlay lainnya ke meja kerja. Anggota StockCharts dapat mengubah warna dan gaya untuk membedakan antara beberapa moving averages. Setelah memilih indikator, buka Advanced Options dengan mengklik segitiga hijau kecil. Opsi Lanjutan juga dapat digunakan untuk menambahkan overlay rata-rata bergerak ke indikator teknis lainnya seperti RSI, CCI, dan Volume. Klik di sini untuk live chart dengan beberapa moving average yang berbeda. Menggunakan Moving Averages with StockCharts Scans Berikut adalah beberapa contoh pemindaian yang dapat digunakan anggota StockCharts untuk memindai berbagai situasi rata-rata bergerak: Bullish Moving Average Cross: Pemindaian ini mencari saham dengan moving average 150 hari yang baru dan sebuah salib bullish dari 5 - day EMA dan EMA 35 hari. Rata-rata pergerakan 150 hari meningkat selama diperdagangkan di atas level lima hari yang lalu. Cross bullish terjadi ketika EMA 5 hari bergerak diatas EMA 35 hari di atas rata-rata volume. Bearish Moving Average Cross: Pemindaian ini mencari saham dengan pergerakan moving average 150 hari yang rendah dan umpan silang bearish EMA 5 hari dan EMA 35 hari. Rata-rata pergerakan 150 hari turun selama diperdagangkan di bawah level lima hari yang lalu. Salib bearish terjadi saat EMA 5 hari bergerak di bawah EMA 35 hari di atas rata-rata volume. Pelajaran lebih lanjut Buku John Murphy039 memiliki bab yang ditujukan untuk rata-rata bergerak dan berbagai kegunaannya. Murphy mencakup pro dan kontra moving averages. Selain itu, Murphy menunjukkan bagaimana rata-rata bergerak bekerja dengan Bollinger Bands dan sistem perdagangan berbasis saluran. Analisis Teknis Pasar Keuangan John MurphyExponential Smoothing Dijelaskan. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Ketika orang pertama kali menemukan istilah Exponential Smoothing, mereka mungkin berpikir itu terdengar seperti neraka yang banyak merapikan. Apapun itu smoothing. Mereka kemudian mulai membayangkan perhitungan matematika yang rumit yang mungkin memerlukan gelar dalam matematika untuk memahami, dan berharap ada fungsi Excel bawaan yang tersedia jika mereka merasa perlu melakukannya. Realitas pemulusan eksponensial jauh kurang dramatis dan jauh kurang traumatis. Yang benar adalah, eksponensial smoothing adalah perhitungan yang sangat sederhana yang menyelesaikan tugas yang agak sederhana. Ini hanya memiliki nama yang rumit karena secara teknis hal tersebut terjadi akibat perhitungan sederhana ini sebenarnya sedikit rumit. Untuk memahami pemulusan eksponensial, ada baiknya memulai dengan konsep umum perataan dan beberapa metode umum lainnya yang digunakan untuk mencapai perataan. Smoothing Smoothing adalah proses statistik yang sangat umum. Sebenarnya, kami secara rutin menghadapi data merapikan dalam berbagai bentuk dalam kehidupan sehari-hari. Setiap kali Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda menggunakan nomor yang merapikan. Jika Anda memikirkan mengapa Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda akan segera memahami konsep perataan. Sebagai contoh, kita hanya mengalami musim dingin terpanas yang tercatat. Bagaimana kita bisa menghitung ini. Kita mulai dengan dataset suhu tinggi dan rendah harian untuk periode yang kita sebut Winter untuk setiap tahun dalam sejarah yang tercatat. Tapi itu membuat kita dengan seikat angka yang melompati sedikit (tidak seperti setiap hari musim dingin ini lebih hangat daripada hari-hari yang sama dari tahun-tahun sebelumnya). Kita membutuhkan nomor yang menghilangkan semua ini yang melompat dari data sehingga kita bisa lebih mudah membandingkan satu musim dingin ke musim berikutnya. Melepaskan lompatan di sekitar data disebut smoothing, dan dalam kasus ini kita bisa menggunakan rata-rata sederhana untuk menyelesaikan smoothing. Dalam peramalan permintaan, kita menggunakan smoothing untuk menghilangkan variasi acak (noise) dari permintaan historis kita. Hal ini memungkinkan kita untuk lebih mengidentifikasi pola permintaan (terutama tren dan musiman) dan tingkat permintaan yang dapat digunakan untuk memperkirakan permintaan masa depan. Kebisingan yang diminta adalah konsep yang sama dengan data suhu yang meloncat setiap hari. Tidak mengherankan, cara yang paling umum orang menghilangkan kebisingan dari sejarah permintaan adalah dengan menggunakan rata-rata sederhana lebih khusus, rata-rata bergerak. Rata-rata bergerak hanya menggunakan sejumlah periode yang telah ditentukan untuk menghitung rata-rata, dan periode tersebut bergerak seiring berjalannya waktu. Misalnya, jika Im menggunakan moving average 4 bulan, dan hari ini tanggal 1 Mei Im menggunakan rata-rata permintaan yang terjadi pada bulan Januari, Februari, Maret, dan April. Pada tanggal 1 Juni, saya akan menggunakan permintaan dari bulan Februari, Maret, April, dan Mei. Rata-rata bergerak tertimbang. Bila menggunakan rata-rata, kami menerapkan kepentingan (bobot) yang sama untuk setiap nilai dalam dataset. Dalam rata-rata pergerakan 4 bulan, setiap bulan mewakili 25 dari rata-rata bergerak. Bila menggunakan sejarah permintaan untuk memproyeksikan permintaan masa depan (dan terutama tren masa depan), logis untuk sampai pada kesimpulan bahwa Anda ingin sejarah yang lebih baru memiliki dampak lebih besar pada perkiraan Anda. Kita dapat menyesuaikan perhitungan rata-rata bergerak kita untuk menerapkan berbagai bobot pada setiap periode untuk mendapatkan hasil yang diinginkan. Kami mengungkapkan bobot ini sebagai persentase, dan total semua bobot untuk semua periode harus bertambah hingga 100. Oleh karena itu, jika kita memutuskan bahwa kita ingin menerapkan 35 sebagai bobot untuk periode terdekat dalam rata-rata pergerakan tertimbang 4 bulan kita, kita dapat Kurangi 35 dari 100 untuk menemukan bahwa kita memiliki sisa 65 untuk membagi selama 3 periode lainnya. Misalnya, kita bisa berakhir dengan bobot masing-masing 15, 20, 30, dan 35 selama 4 bulan (15 20 30 35 100). Pemulusan eksponensial Jika kita kembali pada konsep penerapan bobot sampai periode terakhir (seperti 35 pada contoh sebelumnya) dan menyebarkan bobot yang tersisa (dihitung dengan mengurangkan berat periode terakhir 35 dari 100 menjadi 65), kita memiliki Blok bangunan dasar untuk perhitungan smoothing eksponensial kami. Pengendalian masukan perhitungan smoothing eksponensial dikenal sebagai faktor pemulusan (juga disebut konstanta pemulusan). Ini pada dasarnya mewakili bobot yang diterapkan pada periode permintaan terakhir. Jadi, di mana kita menggunakan 35 sebagai pembobotan untuk periode terbaru dalam perhitungan rata-rata bergerak tertimbang, kita juga dapat memilih untuk menggunakan 35 sebagai faktor penghalusan dalam perhitungan perataan eksponensial untuk mendapatkan efek yang serupa. Perbedaan dengan perhitungan smoothing eksponensial adalah bahwa alih-alih kita juga harus mengetahui berapa banyak bobot yang harus diterapkan pada setiap periode sebelumnya, faktor pemulusan digunakan untuk melakukannya secara otomatis. Jadi inilah bagian eksponensialnya. Jika kita menggunakan 35 sebagai faktor penghalusan, bobot periode permintaan terakhir akan menjadi 35. Bobot periode permintaan terakhir berikutnya (periode sebelum yang paling baru) akan menjadi 65 dari 35 (65 berasal dari pengurangan 35 dari 100). Ini setara dengan 22,75 bobot untuk periode itu jika Anda melakukan matematika. Permintaan periode paling akhir berikutnya adalah 65 dari 65 dari 35, yang setara dengan 14,79. Periode sebelum itu akan tertimbang 65 dari 65 65 dari 35, yang setara dengan 9,61, dan seterusnya. Dan ini berlanjut kembali sepanjang periode sebelumnya sampai kembali ke awal waktu (atau titik di mana Anda mulai menggunakan smoothing eksponensial untuk item tertentu). Anda mungkin berpikir itu terlihat seperti keseluruhan matematika. Tapi keindahan perhitungan smoothing eksponensial adalah bahwa daripada harus menghitung ulang terhadap setiap periode sebelumnya setiap kali Anda mendapatkan permintaan periode baru, Anda cukup menggunakan keluaran penghitungan eksponensial dari periode sebelumnya untuk mewakili semua periode sebelumnya. Apakah Anda bingung ini akan lebih masuk akal bila kita melihat perhitungan sebenarnya Biasanya kita mengacu pada output perhitungan smoothing eksponensial seperti ramalan periode berikutnya. Pada kenyataannya, perkiraan akhir memerlukan sedikit kerja lebih banyak, namun untuk tujuan perhitungan spesifik ini, kami akan menyebutnya sebagai perkiraan. Perhitungan smoothing eksponensial adalah sebagai berikut: Periode permintaan terakhir dikalikan dengan faktor penghalusan. PLUS Prakiraan periode terbaru dikalikan dengan (satu minus faktor pemulusan). D periode terakhir meminta S faktor penghalusan diwakili dalam bentuk desimal (jadi 35 akan ditunjukkan sebagai 0,35). F perkiraan periode terbaru (output dari penghitungan smoothing dari periode sebelumnya). ATAU (dengan mengasumsikan faktor pemulusan 0,35) (D 0.35) (F 0.65) Itu tidak akan jauh lebih sederhana dari itu. Seperti yang Anda lihat, semua yang kita butuhkan untuk input data di sini adalah periode permintaan terakhir dan perkiraan periode terbaru. Kami menerapkan faktor pemulusan (pembobotan) ke periode paling akhir dengan permintaan yang sama seperti dalam perhitungan rata-rata bergerak tertimbang. Kami kemudian menerapkan pembobotan yang tersisa (1 dikurangi faktor pemulusan) ke perkiraan periode terbaru. Karena perkiraan periode terbaru dibuat berdasarkan periode sebelumnya dan perkiraan periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya dan perkiraan untuk periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya Itu dan ramalan untuk periode sebelumnya, yang didasarkan pada periode sebelum itu. Nah, Anda bisa melihat bagaimana semua permintaan periode sebelumnya terwakili dalam perhitungan tanpa benar-benar mundur dan menghitung ulang apapun. Dan itulah yang mendorong popularitas awal eksponensial smoothing. Itu bukan karena melakukan pekerjaan smoothing lebih baik daripada rata-rata pergerakan tertimbang, itu karena lebih mudah untuk menghitung dalam program komputer. Dan, karena Anda tidak perlu memikirkan berapa bobot yang harus diberikan pada periode sebelumnya atau berapa banyak periode sebelumnya yang digunakan, seperti yang akan Anda lakukan pada rata-rata pergerakan tertimbang. Dan, karena kedengarannya lebih dingin dari rata-rata bergerak tertimbang. Sebenarnya, dapat dikatakan bahwa rata-rata bergerak tertimbang memberikan fleksibilitas lebih besar karena Anda memiliki kontrol lebih terhadap pembobotan periode sebelumnya. Kenyataannya adalah salah satu dari ini dapat memberikan hasil yang terhormat, jadi mengapa tidak pergi dengan suara lebih mudah dan lebih dingin. Exponential Smoothing di Excel Mari kita lihat bagaimana ini benar-benar terlihat dalam spreadsheet dengan data sebenarnya. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Pada Gambar 1A, kita memiliki spreadsheet Excel dengan permintaan 11 minggu, dan perkiraan merapikan secara eksponensial dihitung dari permintaan itu. Ive menggunakan faktor pemulusan 25 (0,25 di sel C1). Sel aktif saat ini adalah Cell M4 yang berisi ramalan untuk minggu 12. Anda bisa lihat di formula bar, rumusnya adalah (L3C1) (L4 (1-C1)). Jadi satu-satunya masukan langsung untuk perhitungan ini adalah permintaan periode sebelumnya (Cell L3), perkiraan periode sebelumnya (Cell L4), dan faktor pemulusan (Cell C1, yang ditunjukkan sebagai referensi sel absolut C1). Saat kita memulai perhitungan penghalusan eksponensial, kita perlu menambahkan nilai ramalan 1 secara manual. Jadi di Cell B4, bukan formula, kami hanya mengetik permintaan dari periode yang sama seperti perkiraan. Di Cell C4 kita memiliki perhitungan smoothing eksponensial 1 kita (B3C1) (B4 (1-C1)). Kita kemudian bisa menyalin Cell C4 dan menempelkannya ke Sel D4 sampai M4 untuk mengisi sisa sel perkiraan kami. Sekarang Anda bisa klik dua kali pada sel perkiraan mana pun untuk melihatnya didasarkan pada ramalan periode sebelumnya dan periode sebelumnya menuntut sel. Jadi setiap perhitungan smoothing eksponensial selanjutnya mewarisi output perhitungan smoothing eksponensial sebelumnya. Thats bagaimana setiap periode sebelumnya permintaan diwakili dalam perhitungan periode terbaru meskipun perhitungan itu tidak secara langsung referensi periode sebelumnya. Jika ingin kemewahan, Anda bisa menggunakan fungsi pendahuluan Excels. Untuk melakukan ini, klik pada Cell M4, lalu pada bar alat pita (Excel 2007 atau 2010) klik tab Rumus, lalu klik Trace Precedents. Ini akan menarik garis konektor ke tingkat pertama preseden, tapi jika Anda terus mengklik Trace Preseden, itu akan menarik garis konektor ke semua periode sebelumnya untuk menunjukkan kepada Anda hubungan yang diwariskan. Sekarang mari kita lihat apa yang dilakukan smoothing eksponensial untuk kita. Gambar 1B menunjukkan bagan garis dari permintaan dan perkiraan kami. Kasus Anda melihat bagaimana perkiraan merapikan secara eksponensial menghilangkan sebagian besar jaggedness (lompatan sekitar) dari permintaan mingguan, namun tetap berhasil mengikuti apa yang tampaknya merupakan tren permintaan yang meningkat. Anda juga akan melihat bahwa garis perkiraan merapikan cenderung lebih rendah dari garis permintaan. Ini dikenal sebagai trend lag dan merupakan efek samping dari proses smoothing. Kapan pun Anda menggunakan smoothing saat tren hadir, perkiraan Anda akan tertinggal dari tren. Hal ini berlaku untuk teknik pemulusan. Sebenarnya, jika kami melanjutkan spreadsheet ini dan mulai memasukkan jumlah permintaan yang lebih rendah (membuat tren menurun), Anda akan melihat garis permintaan turun, dan garis tren bergerak di atasnya sebelum mulai mengikuti tren penurunan. Itulah sebabnya saya sebelumnya menyebutkan output dari perhitungan smoothing eksponensial yang kita sebut ramalan, masih memerlukan beberapa pekerjaan lagi. Ada lebih banyak peramalan daripada hanya meratakan benjolan permintaan. Kita perlu melakukan penyesuaian tambahan untuk hal-hal seperti tren lag, seasonality, event yang diketahui yang mungkin mempengaruhi permintaan, dan lain-lain. Tapi semua itu berada di luar cakupan artikel ini. Anda mungkin juga akan mengalami istilah seperti perataan eksponensial ganda dan pemulusan tiga eksponensial. Istilah ini agak menyesatkan karena Anda tidak merapikan permintaan berkali-kali (Anda bisa jika Anda mau, tapi bukan itu masalahnya di sini). Istilah ini mewakili penggunaan smoothing eksponensial pada elemen tambahan ramalan. Jadi dengan pemulusan eksponensial sederhana, Anda merapikan permintaan dasar, namun dengan pemulusan eksponensial ganda, Anda merapikan permintaan dasar ditambah trennya, dan dengan pemulusan tiga eksponensial Anda merapikan permintaan dasar ditambah tren plus musiman. Pertanyaan lain yang paling sering diajukan tentang pemulusan eksponensial adalah dari mana saya mendapatkan faktor pemulusan saya Tidak ada jawaban ajaib di sini, Anda perlu menguji berbagai faktor penghalusan dengan data permintaan Anda untuk melihat hasil terbaik Anda. Ada perhitungan yang bisa mengatur (dan mengubah) faktor smoothing secara otomatis. Ini jatuh di bawah istilah perataan adaptif, tapi Anda harus berhati-hati dengan mereka. Tidak ada jawaban yang sempurna dan Anda seharusnya tidak membabi buta menerapkan perhitungan tanpa pengujian menyeluruh dan mengembangkan pemahaman menyeluruh tentang perhitungan yang dilakukannya. Anda juga harus menjalankan skenario apa-jika melihat bagaimana perhitungan ini bereaksi terhadap permintaan perubahan yang mungkin saat ini tidak ada dalam data permintaan yang Anda gunakan untuk pengujian. Contoh data yang saya gunakan sebelumnya adalah contoh yang sangat bagus dari situasi di mana Anda benar-benar perlu menguji beberapa skenario lainnya. Contoh data tertentu menunjukkan kecenderungan kenaikan yang agak konsisten. Banyak perusahaan besar dengan perangkat lunak peramalan yang sangat mahal mendapat masalah besar dalam masa lalu yang tidak begitu jauh ketika pengaturan perangkat lunak mereka yang di-tweak untuk ekonomi yang sedang tumbuh tidak bereaksi dengan baik saat ekonomi mulai stagnan atau menyusut. Hal seperti ini terjadi saat Anda tidak mengerti apa perhitungan (software) Anda sebenarnya. Jika mereka memahami sistem peramalan mereka, mereka pasti tahu bahwa mereka perlu terjun dan mengubah sesuatu saat terjadi perubahan dramatis mendadak pada bisnis mereka. Jadi begitulah dasar-dasar smoothing eksponensial dijelaskan. Ingin tahu lebih banyak tentang penggunaan smoothing eksponensial dalam perkiraan yang sebenarnya, lihat buku saya yang Dijelaskan Manajemen Inventaris. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Dave Piasecki. Adalah owneroperator dari Inventory Operations Consulting LLC. Sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan manajemen persediaan, penanganan material, dan operasi gudang. Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya (inventaris), di mana dia menyimpan informasi tambahan yang relevan. Data BusinessSmoothing saya menghilangkan variasi acak dan menunjukkan tren dan komponen siklik. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan akibat variasi acak. Teknik yang sering digunakan dalam industri adalah merapikan. Teknik ini, jika diterapkan dengan benar, mengungkapkan secara lebih jelas tren yang mendasari, komponen musiman dan siklik. Ada dua kelompok metode pemulusan yang berbeda Metode Rata-rata Metode Pemulusan eksponensial Mengambil rata-rata adalah cara termudah untuk memperlancar data. Kami akan menyelidiki beberapa metode rata-rata, seperti rata-rata sederhana dari semua data terdahulu. Seorang manajer sebuah gudang ingin tahu berapa banyak pemasok tipikal menghasilkan 1000 unit dolar. Heshe mengambil sampel dari 12 pemasok, secara acak, mendapatkan hasil sebagai berikut: Rata-rata atau rata-rata data yang dihitung 10. Manajer memutuskan untuk menggunakan ini sebagai perkiraan pengeluaran pemasok biasa. Apakah ini perkiraan yang baik atau buruk Mean squared error adalah cara untuk menilai seberapa bagus sebuah model. Kita akan menghitung kesalahan kuadrat rata-rata. Jumlah kesalahan sebenarnya dikeluarkan dikurangi taksiran jumlah. Kesalahan kuadrat adalah kesalahan di atas, kuadrat. SSE adalah jumlah kesalahan kuadrat. MSE adalah rata-rata kesalahan kuadrat. Hasil MSE misalnya Hasilnya adalah: Error dan Squared Errors Estimasi 10 Timbul pertanyaan: Bisakah kita menggunakan mean untuk meramalkan pendapatan jika kita menduga sebuah tren A melihat grafik di bawah ini menunjukkan dengan jelas bahwa kita seharusnya tidak melakukan ini. Rata-rata mempertimbangkan semua pengamatan di masa lalu secara merata. Singkatnya, kita nyatakan bahwa Rata-rata atau rata-rata sederhana dari semua pengamatan terakhir hanyalah perkiraan berguna untuk memperkirakan kapan tidak ada tren. Jika ada tren, gunakan perkiraan berbeda yang memperhitungkan tren. Rata-rata beratnya semua pengamatan terakhir sama. Sebagai contoh, rata-rata nilai 3, 4, 5 adalah 4. Kita tahu, tentu saja, bahwa rata-rata dihitung dengan menambahkan semua nilai dan membagi jumlah dengan jumlah nilai. Cara lain untuk menghitung rata-rata adalah dengan menambahkan setiap nilai dibagi dengan jumlah nilai, atau 33 43 53 1 1.3333 1.6667 4. Pengganda 13 disebut berat. Secara umum: bar frac sum kiri (frac kanan) x1 kiri (frac kanan) x2,. ,, Kiri (frac kanan) xn. The (left (frac right)) adalah bobot dan, tentu saja, jumlahnya ke 1.