ดับเบิล ชี้แจง เคลื่อนไหว เฉลี่ย Excel

ตัวอย่างประโยคนี้สอนวิธีการปรับให้เรียบตามลําดับอนุกรมใน Excel การเพิ่มความลื่นไหล (Exponential smoothing) ใช้เพื่อทำให้เกิดความไม่สม่ำเสมอ (ยอดเขาและหุบเขา) เพื่อให้เห็นถึงแนวโน้มได้ง่ายขึ้น 1. ขั้นแรกให้ดูที่ซีรี่ส์เวลาของเรา 2. ในแท็บข้อมูลคลิกการวิเคราะห์ข้อมูล หมายเหตุ: ไม่สามารถหาปุ่ม Data Analysis คลิกที่นี่เพื่อโหลด Add-in Analysis ToolPak 3. เลือก Exponential Smoothing และคลิก OK 4. คลิกที่กล่อง Input Range และเลือกช่วง B2: M2 5. คลิกที่ Damping factor และพิมพ์ 0.9 วรรณคดีมักพูดเกี่ยวกับค่าคงที่ที่ราบเรียบ (alpha) ค่า (1-) เรียกว่าปัจจัยการหมาด ๆ 6. คลิกที่ Output Range box และเลือก Cell B3 8. วาดกราฟของค่าเหล่านี้ คำอธิบาย: เนื่องจากเราตั้งค่า alpha เป็น 0.1 จุดข้อมูลก่อนหน้าจะได้รับน้ำหนักที่ค่อนข้างเล็กและค่าที่เรียบก่อนหน้าจะได้รับน้ำหนักมาก (เช่น 0.9) เป็นผลให้ยอดเขาและหุบเขาจะเรียบออก กราฟแสดงแนวโน้มที่เพิ่มขึ้น Excel ไม่สามารถคำนวณค่าที่ราบรื่นสำหรับจุดข้อมูลแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้า ค่าที่ราบเรียบสำหรับจุดข้อมูลที่สองเท่ากับจุดข้อมูลก่อนหน้า 9. ทำซ้ำขั้นตอนที่ 2 ถึง 8 สำหรับ alpha 0.3 และ alpha 0.8 สรุป: อัลฟาที่มีขนาดเล็ก (มีขนาดใหญ่กว่าปัจจัยการหมาด ๆ ) ยอดและหุบเขาจะยิ่งเรียบขึ้น อัลฟาที่มีขนาดใหญ่ (มีค่าน้อยลง) ค่าที่ใกล้เคียงกับค่าที่เกิดขึ้นจริงคือจุดข้อมูลที่เกิดขึ้นจริงค่าเฉลี่ยเคลื่อนที่สองเส้นอธิบายผู้ค้าได้พึ่งพาการย้ายค่าเฉลี่ยเพื่อช่วยระบุจุดเข้าสู่ระบบการซื้อขายที่น่าจะสูงและการออกจากการทำกำไรได้เป็นเวลาหลายปี ปัญหาที่ทราบกันดีเกี่ยวกับค่าเฉลี่ยเคลื่อนที่โดยรวมคือความล่าช้าอย่างรุนแรงที่มีอยู่ในค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่ ค่าเฉลี่ยเลขยกกำลังสองอัน (DEMA) ให้การแก้ปัญหาด้วยการคำนวณวิธีการเฉลี่ยที่เร็วขึ้น ประวัติความเป็นมาของค่าเฉลี่ยเคลื่อนที่แบบ Double Exponential ในการวิเคราะห์ทางเทคนิค ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยหมายถึงราคาเฉลี่ยสำหรับเครื่องมือการซื้อขายที่เฉพาะเจาะจงในช่วงเวลาที่กำหนด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ 10 วันคำนวณราคาเฉลี่ยของตราสารเฉพาะในช่วง 10 วันที่ผ่านมาค่าเฉลี่ยเคลื่อนที่ 200 วันคำนวณราคาเฉลี่ยของ 200 วันที่ผ่านมา ในแต่ละวันความคืบหน้าของการย้อนกลับไปคำนวณฐานในจำนวนวัน X ล่าสุด ค่าเฉลี่ยเคลื่อนที่จะปรากฏเป็นเส้นโค้งที่ราบเรียบซึ่งแสดงถึงแนวโน้มในระยะยาวของเครื่องดนตรี ค่าเฉลี่ยเคลื่อนที่เร็วขึ้นโดยมีระยะเวลามองย้อนกลับสั้นลงคือค่าเฉลี่ยเคลื่อนที่ที่ช้ากว่าที่เกิดขึ้นกับช่วงเวลาการมองย้อนกลับที่ยาวนานกว่า เนื่องจากค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้การมองย้อนกลับ แต่จะล้าหลัง ค่าเฉลี่ยการเคลื่อนที่แบบเลขยกกำลังสอง (DEMA) ซึ่งแสดงในรูปที่ 1 ได้รับการพัฒนาโดย Patrick Mulloy เพื่อลดระยะเวลาในการเคลื่อนที่ที่พบในค่าเฉลี่ยเคลื่อนที่แบบเดิม เป็นครั้งแรกในเดือนกุมภาพันธ์ 1994 การวิเคราะห์ทางเทคนิคของหุ้นนิตยสารสินค้าโภคภัณฑ์ใน Mulloys บทความ Smoothing ข้อมูลที่มีการเคลื่อนไหวได้เร็วขึ้นเฉลี่ย รูปที่ 1: แผนภูมิแบบหนึ่งนาทีของสัญญาซื้อขายล่วงหน้า e-mini Russell 2000 แสดงค่าเฉลี่ยเลขคณิตสองเส้นที่แตกต่างกันโดยเฉลี่ย 55 ครั้งปรากฏเป็นสีน้ำเงิน, 21- ระยะเวลาเป็นสีชมพู การคำนวณ DEMA As Mulloy อธิบายไว้ในบทความต้นฉบับของเขา DEMA ไม่ใช่แค่ EMA แบบคู่ที่มีความล่าช้าเพียงสองเท่าของ EMA แบบเดียว แต่เป็นการรวม EMA แบบเดี่ยวและแบบคู่ที่สร้าง EMA อื่นที่มีความล่าช้าน้อยกว่าทั้งสองแบบของต้นฉบับ สอง. กล่าวอีกนัยหนึ่ง DEMA ไม่ใช่แค่สอง EMA รวมหรือค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยเคลื่อนที่ แต่เป็นการคำนวณ EMA ทั้งแบบเดี่ยวและแบบคู่ เกือบทุกแพลตฟอร์มการวิเคราะห์การค้ามี DEMA รวมเป็นตัวบ่งชี้ที่สามารถเพิ่มลงในแผนภูมิได้ ดังนั้นผู้ค้าสามารถใช้ DEMA โดยไม่ต้องรู้คณิตศาสตร์ที่อยู่เบื้องหลังการคำนวณและโดยไม่ต้องเขียนหรือใส่รหัสใด ๆ การเปรียบเทียบ DEMA กับค่าเฉลี่ยเคลื่อนที่แบบดั้งเดิมค่าเฉลี่ยเคลื่อนที่เป็นวิธีหนึ่งที่ได้รับความนิยมมากที่สุดในการวิเคราะห์ทางเทคนิค ผู้ค้าหลายรายใช้พวกเขาเพื่อดูการพลิกกลับของแนวโน้ม โดยเฉพาะอย่างยิ่งในการครอสโอเวอร์เฉลี่ยเคลื่อนที่โดยมีค่าเฉลี่ยเคลื่อนที่สองเส้นที่มีความยาวต่างกันอยู่บนแผนภูมิ จุดที่ค่าเฉลี่ยเคลื่อนที่ที่ข้ามจะมีความหมายต่อการซื้อหรือขายโอกาส DEMA สามารถช่วยให้ผู้ค้าเห็นการพลิกกลับได้เร็วขึ้นเนื่องจากสามารถตอบสนองต่อการเปลี่ยนแปลงของกิจกรรมตลาดได้เร็วขึ้น รูปที่ 2 แสดงตัวอย่างสัญญาซื้อขายล่วงหน้า e-mini Russell 2000 แผนภูมิแบบหนึ่งนาทีมีค่าเฉลี่ยเคลื่อนที่ 4 รูปแบบคือ DEMA ระยะเวลา 21 (ชมพู) ระยะเวลา 55 DEMA (สีน้ำเงินเข้ม) 21- ระยะเวลา MA (สีน้ำเงิน) ระยะเวลา 55 (สีเขียวอ่อน) รูปที่ 2: แผนภูมิหนึ่งนาที e-mini Russell 2000 สัญญาซื้อขายล่วงหน้าแสดงให้เห็นถึงเวลาตอบสนองที่รวดเร็วขึ้นของ DEMA เมื่อใช้ในการครอสโอเวอร์ ขอให้สังเกตว่าการครอสโอเวอร์ DEMA ในทั้งสองกรณีปรากฏเร็วกว่าการครอสโอเวอร์ MA อย่างมาก ครอสโอเวอร์ DEMA แรกจะปรากฏที่เวลา 12:29 และแถบถัดไปจะเปิดขึ้นในราคา 663.20 ส่วนครอสโอเวอร์ MA อยู่ในช่วงเวลา 12:34 และราคาเปิดบาร์ถัดไปอยู่ที่ 660.50 ในชุดถัดไปของไขว้ครอสโอเวอร์ DEMA จะปรากฏที่ 1:33 และแถบถัดไปจะเปิดที่ 658 ส่วน MA ในทางตรงกันข้ามจะมีรูปแบบที่ 1:43 พร้อมกับการเปิดบาร์ถัดไปที่ 662.90 ในแต่ละกรณีครอสโอเวอร์ DEMA จะให้ประโยชน์ในการเข้าสู่เทรนด์ก่อนหน้านี้มากกว่าครอสโอเวอร์ MA (สำหรับข้อมูลเพิ่มเติมโปรดอ่าน Moving Averages Tutorial) การซื้อขายกับ DEMA ตัวอย่างค่าไขว้ถอยหลังเฉลี่ยข้างต้นแสดงให้เห็นถึงประสิทธิภาพในการใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นสองเท่าของค่าเฉลี่ยเลขคณิต นอกเหนือจากการใช้ DEMA เป็นตัวบ่งชี้แบบสแตนด์อโลนหรือในการตั้งค่าแบบไขว้ DEMA สามารถใช้เป็นตัวบ่งชี้ที่หลากหลายซึ่งตรรกะขึ้นอยู่กับค่าเฉลี่ยเคลื่อนที่ เครื่องมือวิเคราะห์ทางเทคนิคเช่น Bollinger Bands (MACD) และค่าเฉลี่ยเคลื่อนที่แบบทึบสามตัว (TRIX) ขึ้นอยู่กับค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่และสามารถปรับเปลี่ยนเพื่อรวม DEMA แทนค่าเฉลี่ยเคลื่อนที่แบบอื่น ๆ เพิ่มเติมได้ การแทนที่ DEMA จะช่วยให้ผู้ค้าเห็นโอกาสในการซื้อและขายที่แตกต่างไปจากที่ MAs หรือ EMA ใช้ในตัวบ่งชี้เหล่านี้ แน่นอนการเข้าสู่เทรนด์เร็วกว่าในภายหลังมักจะนำไปสู่ผลกำไรที่สูงขึ้น รูปที่ 2 แสดงให้เห็นหลักการนี้ - ถ้าเราจะใช้ crossovers เป็นสัญญาณซื้อและขาย เราจะเข้าสู่ธุรกิจการค้าอย่างมีนัยสำคัญเมื่อเร็ว ๆ นี้เมื่อใช้ครอสโอเวอร์ DEMA เป็นนอกคอกครอสโอเวอร์ MA ผู้ค้าและนักลงทุนส่วนล่างใช้ค่าเฉลี่ยเคลื่อนที่ในการวิเคราะห์ตลาดเป็นเวลานาน ค่าเฉลี่ยเคลื่อนที่เป็นเครื่องมือวิเคราะห์ทางเทคนิคที่ใช้กันแพร่หลายซึ่งจะช่วยให้สามารถดูและแปลความหมายของเทรนด์การซื้อขายในระยะยาวได้อย่างรวดเร็ว เนื่องจากการเคลื่อนไหวโดยเฉลี่ยโดยธรรมชาติของพวกเขาเป็นตัวชี้วัดที่ปกคลุมด้วยวัตถุฉนวน จะมีประโยชน์ในการปรับค่าเฉลี่ยเคลื่อนที่เพื่อคำนวณตัวบ่งชี้ที่ตอบสนองได้เร็วขึ้น ค่าเฉลี่ยเคลื่อนที่แบบทึบสองครั้งทำให้ผู้ค้าและนักลงทุนมีมุมมองเกี่ยวกับแนวโน้มในระยะยาวโดยมีข้อได้เปรียบในการเป็นค่าเฉลี่ยเคลื่อนที่เร็วกว่าและมีเวลาล่าช้าน้อยกว่า (สำหรับการอ่านที่เกี่ยวข้องดูที่ Moving Average MACD Combo และ Simple Vs ค่าเฉลี่ยเคลื่อนที่แบบเสด็จพระราชดำเนิน) ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดอัตราส่วนหนี้สินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละบุคคล ประเภทของโครงสร้างการชดเชยที่ผู้จัดการกองทุนป้องกันความเสี่ยงมักใช้ในส่วนของการชดเชยนั้นคือประสิทธิภาพการทำงานการปรับตัวและการกรองเป็นเทคนิคการใช้ชุดเวลาสองชุดที่ใช้บ่อยที่สุดสำหรับการลบเสียงรบกวนจากข้อมูลพื้นฐานเพื่อช่วยในการเปิดเผยคุณลักษณะและส่วนประกอบที่สำคัญ แนวโน้มฤดูกาล ฯลฯ ) อย่างไรก็ตามเรายังสามารถใช้การปรับให้เรียบเพื่อเติมค่าที่ขาดหายไปและดำเนินการคาดการณ์ได้ ในบทความนี้เราจะพูดถึง 5 วิธีในการทำให้เรียบ: การถ่วงน้ำหนักแบบถัวเฉลี่ยถ่วงน้ำหนัก (WMA i) การเรียบเรียบแบบเอ็กซ์เรนแนนเชียลแบบเรียบ ทำไมเราควรดูแล Smoothing จึงมักถูกใช้ (และถูกทารุณกรรม) ในอุตสาหกรรมเพื่อทำการตรวจสอบคุณสมบัติข้อมูลอย่างรวดเร็ว (เช่นแนวโน้มฤดูกาลเป็นต้น) ให้พอดีกับค่าที่ขาดหายไปและดำเนินการอย่างรวดเร็ว พยากรณ์ ทำไมเราจึงมีฟังก์ชันการทำให้ราบรื่นมากเท่าที่เราจะเห็นในเอกสารฉบับนี้แต่ละฟังก์ชันทำงานสำหรับสมมติฐานที่แตกต่างกันเกี่ยวกับข้อมูลพื้นฐาน ยกตัวอย่างเช่นการเรียบแบบเรียบง่ายสมมติว่าข้อมูลมีค่าเฉลี่ยที่เสถียร (หรืออย่างน้อยค่าเฉลี่ยที่เคลื่อนที่ช้า) การเรียบง่ายในการชี้แจงแบบง่ายจะทำให้ข้อมูลคาดการณ์ที่แสดงฤดูกาลหรือแนวโน้มไม่ดี ในบทความนี้เราจะพูดถึงฟังก์ชันการทำให้ราบเรียบแต่ละข้อโดยเน้นสมมติฐานและพารามิเตอร์และสาธิตการประยุกต์ใช้ผ่านตัวอย่าง ค่าเฉลี่ยถ่วงน้ำหนัก (Weighted Moving Average - WMA) ใช้ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลชุดข้อมูลแบบเรียลไทม์เพื่อลดความผันผวนในระยะสั้นและเน้นแนวโน้มหรือรอบระยะยาว ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักมีปัจจัยคูณเพื่อให้น้ำหนักที่ต่างกันกับข้อมูลในตำแหน่งต่างๆในหน้าต่างตัวอย่าง ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักมีหน้าต่างคงที่ (เช่น N) และปัจจัยต่างๆมักถูกเลือกให้มีน้ำหนักมากขึ้นในการสังเกตล่าสุด ขนาดของหน้าต่าง (N) กำหนดจำนวนจุดเฉลี่ยในแต่ละครั้งดังนั้นขนาดของหน้าต่างที่ใหญ่กว่าจึงไม่ตอบสนองต่อการเปลี่ยนแปลงใหม่ในชุดเวลาเดิมและขนาดหน้าต่างเล็ก ๆ อาจทำให้มีเสียงดังออกมาได้อย่างราบรื่น สำหรับตัวอย่างจากการคาดการณ์ตัวอย่าง: ตัวอย่างที่ 1: พิจารณายอดขายรายเดือนของ บริษัท X โดยใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือน (มีค่าถัวเฉลี่ยถ่วงน้ำหนัก) โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่อยู่เบื้องหลังข้อมูลอยู่เสมอและการคาดการณ์ที่ไม่อยู่ในกลุ่มตัวอย่างจะแปรผันไปเป็นค่าคงที่ ให้ลองใช้รูปแบบการถ่วงน้ำหนัก (ดูด้านล่าง) ซึ่งจะให้ความสำคัญกับการสังเกตล่าสุด เราวางแผนค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักและ WMA บนกราฟเดียวกัน WMA ดูเหมือนว่าจะตอบสนองต่อการเปลี่ยนแปลงล่าสุดและการคาดการณ์ตัวอย่างที่ไม่อยู่ในกลุ่มมีค่าเท่ากับค่าเฉลี่ยเคลื่อนที่ ตัวอย่างที่ 2: ให้ตรวจสอบ WMA ในกรณีที่มีแนวโน้มและตามฤดูกาล ตัวอย่างเช่นใช้ข้อมูลสายการบินผู้โดยสารระหว่างประเทศได้ดี หน้าต่างเฉลี่ยเคลื่อนที่เฉลี่ย 12 เดือน MA และ WMA ให้ทันกับแนวโน้ม แต่การคาดการณ์ที่ไม่เป็นไปตามตัวอย่างจะเบาบางลง นอกจากนี้แม้ว่า WMA จะแสดงถึงฤดูกาลบางอย่าง แต่ก็มักจะล้าหลังข้อมูลเดิม (Browns) การเรียบง่ายแบบเสียดสี (Exponential Smoothing) การเรียบง่ายแบบเสียดสีเป็นแบบเดียวกับ WMA โดยมีข้อยกเว้นคือขนาดหน้าต่างถ้าไม่มีที่สิ้นสุดและปัจจัยการถ่วงน้ำหนักลดลงอย่างมาก ตามที่เราได้เห็นใน WMA คำอธิบายง่าย ๆ นี้เหมาะสำหรับซีรีส์เวลาที่มีค่าคงที่เป็นค่าคงที่หรืออย่างน้อยค่าเฉลี่ยที่เคลื่อนที่ช้ามาก ตัวอย่างที่ 1: อนุญาตให้ใช้ข้อมูลการขายรายเดือน (เช่นเดียวกับที่เราทำในตัวอย่าง WMA) ในตัวอย่างข้างต้นเราเลือกค่า smoothing factor เป็น 0.8 ซึ่งจะถามคำถามว่าอะไรคือค่าที่ดีที่สุดสำหรับตัวปรับความเรียบโดยประมาณค่าที่ดีที่สุดจากข้อมูลโดยใช้ฟังก์ชัน TSSUB (คำนวณข้อผิดพลาด), SUMSQ และ Excel ตารางข้อมูลเราคำนวณผลรวมของข้อผิดพลาด (SSE) และวางแผนผลลัพธ์: SSE ถึงค่าต่ำสุดประมาณ 0.8 ดังนั้นเราจึงเลือกค่านี้สำหรับการทำให้ราบเรียบของเรา (Holt-Winters) Double Exonential Smoothing การเรียบง่ายแบบเสแสร้งไม่ได้ทำดีในที่ที่มีแนวโน้มดังนั้นจึงมีหลายวิธีที่คิดค้นขึ้นภายใต้ร่มเลขคู่ที่นำเสนอเพื่อจัดการกับข้อมูลประเภทนี้ NumXL รองรับ Holon-winters แบบ double exponential smoothing ซึ่งใช้สูตรดังต่อไปนี้ตัวอย่างที่ 1: ตรวจสอบข้อมูลสายการบินผู้โดยสารระหว่างประเทศเราเลือกค่า Alpha เท่ากับ 0.9 และค่า Beta 0.1 โปรดทราบว่าแม้ว่าการปรับให้เรียบอย่างราบรื่นจะทำให้ข้อมูลต้นฉบับดีขึ้นการคาดการณ์ที่ไม่ได้ใช้ตัวอย่างเป็นสิ่งที่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย เราจะหาวิธีที่ดีที่สุดในการทำให้ราบเรียบได้อย่างไรเราใช้แนวทางคล้ายคลึงกันกับตัวอย่างเรียบง่ายของเรา แต่ปรับเปลี่ยนเป็นสองตัวแปร เราคำนวณผลรวมของข้อผิดพลาดสองเหลี่ยมสร้างตารางข้อมูลสองตัวแปรและเลือกค่า alpha และ beta ที่ลด SSE โดยรวม (Browns) Linear Exponential Smoothing นี่คืออีกวิธีหนึ่งในการเพิ่มความสามารถในการทำให้เกิดการเพิ่มขึ้นของเลขยกกำลังสอง แต่มีปัจจัยการทำให้เรียบ: Browns double exponential smoothing ใช้พารามิเตอร์น้อยกว่า Holt-winters แต่ไม่สามารถให้พอดีกับฟังก์ชันนี้ได้ ตัวอย่างที่ 1: ให้ใช้ตัวอย่างเดียวกันในการระบุเลขสองครั้งของ Holt-winters และเปรียบเทียบผลรวมที่ดีที่สุดของข้อผิดพลาดในสี่เหลี่ยม ข้อมูลเลขยกกำลังสองของ Browns ไม่พอดีกับข้อมูลตัวอย่างเช่นเดียวกับวิธี Holt-winters แต่ตัวอย่างที่ไม่อยู่ในกรณีนี้ดีกว่า เราจะหาวิธีที่ดีที่สุดในการปรับให้เรียบ () เราใช้วิธีการเดียวกันในการเลือกค่าอัลฟ่าที่ช่วยลดผลรวมของความผิดพลาดยกกำลังสอง สำหรับตัวอย่างข้อมูลตัวอย่าง alpha มีค่าเท่ากับ 0.8 (Winters) การเรียบอย่างสม่ำเสมอของ Triple Exponential การปรับรูปลักษณ์ของเลขคู่แบบ Triple Exponential จะคำนึงถึงการเปลี่ยนแปลงตามฤดูกาลตลอดจนแนวโน้ม วิธีการนี้ต้องใช้พารามิเตอร์ 4 ตัว: สูตรสำหรับการเรียบแบบทวีคูณแบบสามขั้นตอนมีส่วนเกี่ยวข้องมากกว่าข้อมูลใด ๆ ก่อนหน้านี้ โปรดตรวจสอบคู่มืออ้างอิงออนไลน์ของเราสำหรับสูตรที่ถูกต้อง การใช้ข้อมูลสายการบินผู้โดยสารระหว่างประเทศเราสามารถใช้การทำให้เรียบเรียบขึ้นในช่วงฤดูหนาวหาค่าพารามิเตอร์ที่เหมาะสมและใช้การคาดการณ์ตัวอย่างที่ไม่อยู่ในกลุ่มตัวอย่าง เห็นได้ชัดว่าการใช้การทำให้เรียบเป็นรูปสามเหลี่ยมของ Winters ได้รับการใช้อย่างดีที่สุดสำหรับตัวอย่างข้อมูลนี้เนื่องจากจะติดตามค่าได้ดีและการคาดการณ์ตัวอย่างที่ไม่อยู่ในตัวอย่างแสดงถึงฤดูกาล (L12) เราจะหาค่า smoothing ที่ดีที่สุดได้อย่างไร () เราต้องเลือกค่าที่ลดผลรวมของข้อผิดพลาด (SSE) โดยรวม แต่ตารางข้อมูลสามารถใช้งานได้มากกว่าสองตัวแปรดังนั้นเราจึงใช้ Excel (2) ข้อ จำกัด สำหรับปัญหานี้การสนับสนุนข้อสรุป FilesHere เรามีทั้งค่าคงที่และค่าสัมประสิทธิ์แนวโน้มโดยประมาณของการเรียบเรียงเป็นทวีคูณ สามารถตั้งค่าพารามิเตอร์พยากรณ์สำหรับระยะเวลาคงที่และแนวโน้มได้อย่างอิสระ paremeters ทั้งสองต้องอยู่ระหว่าง 0 ถึง 1 ค่าพยากรณ์สำหรับค่าที่คาดว่าจะได้สำหรับงวดในอนาคตคือค่าคงที่บวกกับระยะเชิงเส้นที่ขึ้นอยู่กับจำนวนงวดในอนาคต ด้วยคำเชิงเส้นเป็นส่วนหนึ่งของการคาดการณ์วิธีนี้จะติดตามแนวโน้มในชุดข้อมูลเวลา เราใช้ข้อมูลเช่นเดียวกับวิธีการคาดการณ์อื่น ๆ เพื่อใช้เป็นภาพประกอบ เราทำซ้ำข้อมูลด้านล่าง จำได้ว่าข้อมูลจำลองเริ่มต้นด้วยค่าคงที่เฉลี่ยที่ 10 ในเวลา 11 ค่าเฉลี่ยเพิ่มขึ้นเมื่อมีแนวโน้มเป็น 1 ถึงเวลา 20 เมื่อค่าเฉลี่ยจะกลายเป็นค่าคงที่อีกครั้งโดยมีค่า 20 เสียงจะถูกจำลองโดยใช้การแจกแจงปกติที่มีค่าเฉลี่ย 0 และ ส่วนเบี่ยงเบนมาตรฐาน 3. ค่าถูกปัดเศษเป็นจำนวนเต็มใกล้ที่สุด เมื่อใดก็ได้ T ข้อมูลสามชิ้นเท่านั้นที่จำเป็นในการคำนวณค่าประมาณ,,, และ. เราแสดงการคำนวณสำหรับเวลา 20 โดยใช้ค่าสัมประสิทธิ์ที่ประมาณไว้สำหรับเวลา 19 และข้อมูลเป็นเวลา 20 พารามิเตอร์จะกำหนดค่าที่แตกต่างกันสามค่าในตารางด้านล่าง ค่าประมาณของแบบจำลองสำหรับสามกรณีจะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขแสดงค่าเฉลี่ยของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่ค่าพยากรณ์ การประมาณค่าที่มีขนาดใหญ่ขึ้นจะเป็นไปตามแนวโน้มที่แม่นยำขึ้น แต่มีความหลากหลายมากขึ้น การคาดการณ์ที่มีมูลค่าน้อยลงเป็นไปอย่างราบรื่นมาก แต่ไม่เคยแก้ไขปัญหาทั้งหมดสำหรับแนวโน้ม เมื่อเทียบกับรูปแบบการถดถอยแล้ววิธีการทำให้เรียบแบบไม่อั้นจะไม่ลืมส่วนใดส่วนหนึ่งของอดีต ดังนั้นอาจต้องใช้เวลานานกว่าในการกู้คืนในกรณีที่มีการรบกวนในค่าเฉลี่ยที่อ้างอิง นี่คือภาพประกอบในรูปด้านล่างซึ่งมีการแปรผันความต่างของเสียงไว้กับ 0 การพยากรณ์ด้วย Excel การพยากรณ์การเพิ่ม add-in จะใช้สูตรการปรับรูปแบบเลขสองเท่า ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B เราใช้พารามิเตอร์ของกรณีที่สอง 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 ข้อสังเกตสิบข้อแรกระบุค่าเริ่มต้นสำหรับการคาดการณ์ ค่าของสัมประสิทธิ์ในเวลา 0 จะถูกกำหนดโดยวิธีการถดถอยเชิงเส้น ส่วนที่เหลือคำนวณค่าสัมประสิทธิ์ในคอลัมน์ C และ D จะคำนวณด้วยการเพิ่มเลขสองเท่า คอลัมน์ Fore (1) (E) แสดงการคาดการณ์ระยะเวลาหนึ่งในอนาคต ค่าของและอยู่ในเซลล์ C3 และ D3 ตามลำดับ ช่วงคาดการณ์อยู่ในเซลล์ E3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นค่าในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (F) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ส่วนเบี่ยงเบนมาตรฐานและค่าเบี่ยงเบนมาตรฐานเฉลี่ย (MAD) คำนวณในเซลล์ F6 และ F7 ตามลำดับ