در این پست ، شما در مورد مفاهیم روش متوسط متحرک در رابطه با پیش بینی سری زمانی خواهید آموخت. شما می توانید نمونه های پایتون را در رابطه با آموزش یک مدل یادگیری متوسط ماشین در حال حرکت یاد بگیرید. موارد زیر برخی از مباحث موجود در این پست است:
- روش متوسط متحرک چیست؟
- چرا از روش متوسط در حال حرکت استفاده می کنیم؟
- مثال کد پایتون برای روشهای متوسط متحرک
فهرست مطالب
روش متوسط حرکت چیست؟
میانگین متحرک یک روش آماری است که برای پیش بینی روندهای بلند مدت استفاده می شود. این تکنیک نشان دهنده به طور متوسط مجموعه ای از اعداد در یک محدوده معین در حین حرکت دامنه است. به عنوان مثال ، بیایید بگوییم رقم فروش 6 سال از 2000 تا 2005 داده شده است و لازم است میانگین متحرک را سه سال در یک زمان محاسبه کند. به منظور محاسبه میانگین در حال حرکت ، به طور متوسط 2000-2002 ، 2001-2003 ، 2002-2004 ، 2003-2005 و 2004-2006 طول می کشد. بیایید آن را با مثال درک کنیم. در جدول آورده شده در زیر ، میانگین مقدار با استفاده از میانگین سه سال گذشته از جمله نسخه فعلی محاسبه می شود.
| سال | فروش (M $) | میانگین در حال حرکت (MA) |
| 2000 | 4 | نای |
| 2001 | 7 | نای |
| 2002 | 4 | 5 |
| 2003 | 9 | 6. 67 |
| 2004 | 7 | 6. 67 |
| 2005 | 10 | باید پیش بینی شود که فرض کنید 2005 سال جاری است |
ترسیم میانگین متحرک از جدول فوق مانند موارد زیر به نظر می رسد. میانگین متحرک معمولاً برای هدف تجسم ترسیم می شود.
شکل 1. میانگین حرکت رقم فروش از 2000-2005
تغییرات مختلفی از تکنیک متوسط متحرک (همچنین به عنوان میانگین نورد) مانند برخی از موارد زیر وجود دارد:
- میانگین حرکت ساده (SMA): میانگین حرکت ساده (SMA) نوعی حرکت متوسط (MA) است که در پیش بینی سری زمانی استفاده می شود. با گرفتن میانگین حسابی مجموعه داده های معین از داده ها در یک دوره زمانی خاص محاسبه می شود. این پنجره کشویی را در طی یک دوره زمانی معین همانطور که در مثال فوق (فاصله 3 سال) نشان داده شده است ، می گیرد. می توان آن را به عنوان میانگین وزنی از سوابق N نامید. مزیت استفاده از SMA این است که محاسبه و درک آن ساده است. با این حال ، یک نقطه ضعف این است که مبتنی بر داده های گذشته است و رویدادهای آینده را در نظر نمی گیرد. به همین دلیل ، SMA نباید به عنوان تنها روش پیش بینی استفاده شود ، بلکه به عنوان یک ابزار در زرادخانه پیش بینی گسترده تر است.
- میانگین متحرک نمایی (EMA): میانگین متحرک نمایی (EMA) نوعی میانگین متحرک است که وزن بیشتری را در نقاط داده های اخیر قرار می دهد و به صاف کردن نقاط داده در یک سری زمانی کمک می کند. بر خلاف میانگین های متحرک ساده ، که وزن برابر با تمام نقاط داده را نشان می دهد ، EMA وزن بیشتری را به نقاط داده های اخیر می بخشد. این باعث می شود نسبت به یک میانگین متحرک ساده ، نسبت به اطلاعات جدید پاسخگو باشد. EMA ها اغلب در نظر گرفته می شوند که نسبت به تغییرات در داده های اساسی پاسخگو هستند. چندین روش مختلف برای محاسبه EMA وجود دارد ، اما متداول ترین روش استفاده از یک عامل وزنه برداری است که با گذشت زمان به صورت نمایی کاهش می یابد. این عامل وزنه برداری می تواند برای تأکید کم و بیش به نقاط داده های اخیر ، بسته به نیازهای پیش بینی کننده ، مورد استفاده قرار گیرد. پیش بینی میانگین متحرک نمایی را می توان با داده های سری زمانی ، از جمله قیمت سهام ، شاخص های اقتصادی یا داده های آب و هوا استفاده کرد.
تفسیر یک نمودار متوسط در حال حرکت که خروجی روش میانگین متحرک در پیش بینی سری زمانی (همانطور که در طرح فوق نشان داده شده است) می تواند ابزاری مفید برای تحلیلگران ، اقتصاددانان و سرمایه گذاران برای ارزیابی وضعیت فعلی دارایی یا بازار باشد. مفهوم این تجزیه و تحلیل شناسایی روند داده ها و پیش بینی در مورد نتایج آینده بر اساس این روندها است.
به عبارت ساده ، یک نمودار متوسط در حال حرکت میانگین چندین نقطه مختلف را در مجموعه داده ها می گیرد و سپس با گذشت زمان آن را ترسیم می کند. میانگین متحرک طولانی مدت تأکید بیشتری به نقاط داده های قدیمی تر می دهد ، در حالی که یک فرد کوتاه مدت به مقادیر اخیر نزدیک تر خواهد بود. در صورت پیش بینی قیمت سهام ، با بررسی چگونگی حرکت خط از دوره به دوره به دوره ، سرمایه گذاران می توانند این حس را پیدا کنند که قیمت ها در آینده نزدیک به آن هدایت می شوند. به عنوان مثال ، اگر قیمت ها به طور کلی با هر دوره جدید تا کنون در حال افزایش بودند ، ممکن است سرمایه گذاران انتظار داشته باشند که قیمت ها حداقل تا زمانی که شواهد مشخصی وجود داشته باشد ، افزایش یابد. از طرف دیگر ، اگر قیمت ها بعد از گذشت مدتی به شدت کاهش یابد و تا به امروز این کار را ادامه دهد ، این می تواند نشان دهد که روند رو به پایین می تواند ادامه یابد.
توجه به این نکته مهم است که در حالی که تفسیر میانگین های متحرک می تواند بینش های مفیدی در مورد نوسانات بازار در آینده ارائه دهد، نباید به عنوان یک شاخص خطاناپذیر در نظر گرفته شود. یک خط میانگین متحرک ممکن است به طور دقیق همه ظرافت ها و پیچیدگی های یک محیط بازار معین را نشان ندهد. بلکه باید به عنوان یکی از ابزارهای بسیاری در هنگام تلاش برای نتیجه‌گیری در مورد اقدام بالقوه قیمت در آینده استفاده شود. به این ترتیب، در نظر گرفتن انواع دیگر تحلیل‌های فنی مانند سطوح حمایت/مقاومت یا شاخص‌های حرکت هنگام ایجاد یک استراتژی تجاری کامل حول یک دارایی یا اوراق بهادار خاص، ممکن است مفید باشد. علاوه بر این، استفاده از میانگین‌های متحرک مختلف با طول‌های مختلف (یعنی کوتاه‌مدت، میان‌مدت و بلندمدت) می‌تواند به سرمایه‌گذاران کمک کند تا نحوه رفتار بازارها در افق‌های زمانی مختلف را بهتر تحلیل کنند که می‌تواند آنها را به تصمیم‌گیری عاقلانه‌تر برای سرمایه‌گذاری در مورد پرتفوی خود سوق دهد. رو به جلو.
چرا از روش میانگین متحرک استفاده کنیم؟
روش میانگین متحرک به دلیل انعطاف پذیری و سادگی آن به طور گسترده در پیش بینی سری های زمانی استفاده می شود. بر خلاف روش های دیگر، مانند ARIMA یا شبکه های عصبی، نیازی به دانش پیشرفته ریاضیات ندارد. این بدان معنی است که حتی کسانی که دانش آماری اولیه را دارند می توانند از آن برای به دست آوردن نتایج قابل اعتماد استفاده کنند.
مزیت اصلی روش میانگین متحرک این است که هنگام پیش‌بینی مقادیر آینده، تمام مقادیر قبلی را در نظر می‌گیرد. این امر به کاهش اثر پرت هنگام پیش‌بینی کمک می‌کند و همچنین شناسایی الگوهای فصلی در مجموعه داده‌های سری زمانی را آسان‌تر می‌کند. علاوه بر این، روش وزن دهی استفاده شده توسط روش میانگین متحرک به مقادیر اخیر نسبت به مقادیر قدیمی اهمیت بیشتری می دهد، که هنگام پیش بینی روندهای کوتاه مدت مفید است.
علاوه بر این، روش میانگین متحرک ساده (SMA) معمولاً از نظر محاسباتی سریع‌تر از روشهای پیچیده‌تر مانند میانگین متحرک نمایی (EMA) است. همچنین به پارامترهای کمتری نیاز دارد و می تواند در مجموعه داده های کوتاهتر استفاده شود. و در نهایت، روش SMA در بسیاری از کاربردها مانند تحلیل بازار سهام و همچنین پیش‌بینی فصلی مؤثر است.
در مجموع، روش میانگین متحرک به دلیل انعطاف پذیری و سهولت استفاده، ابزار موثری برای پیش بینی کوتاه مدت است. توانایی آن در در نظر گرفتن تمام مقادیر گذشته هنگام پیش‌بینی دقت را تضمین می‌کند در حالی که توانایی آن در شناسایی الگوهای فصلی به این معنی است که می‌تواند به طور موثر برای پیش‌بینی بلندمدت نیز استفاده شود. علاوه بر این، سرعت محاسباتی و حداقل پارامترهای آن، آن را به گزینه ای محبوب برای بسیاری از برنامه ها تبدیل کرده است.
مثال پایتون برای روش میانگین متحرک
در اینجا کد پایتون برای محاسبه میانگین متحرک برای رقم فروش آمده است. کدی که میانگین متحرک یا میانگین متحرک را محاسبه می کند df['Sales']. rolling(window=3). mean() است. مثال زیر محاسبه میانگین متحرک ساده (SMA) را نشان می دهد.
