Ciao ho raccolto alcuni dati di processo per 3 anni e voglio imitare un'analisi prospettica EWMA, per vedere se il mio set levigante parametro dovrebbe rilevare tutte le modifiche importanti (senza troppi falsi allarmi). Sembra che la maggior parte dei libri di testo e la letteratura che ho guardato che utilizzano una media e deviazione standard per calcolare i limiti di controllo. Questo è di solito la media di controllo e la deviazione standard dalla alcuni dati storici, o la media e deviazione standard della popolazione da cui sono prelevati i campioni. Non ho neanche informazioni. C'è un altro modo per calcolare i limiti di controllo C'è una variazione del grafico EWMA che non utilizza media e deviazione standard Tutte le idee creative Grazie in anticipo per assicurarsi che ho capito questo: è possibile calcolare il EWMA media e la varianza, ma si don39t hanno una linea di base per confrontarli a sembra a me come si dispone di una tecnica di supervisione (che assume è possibile definire cosa quotshouldquot sembrare), ma si desidera una tecnica non supervisionato (che appare solo per le differenze senza chiamare un quotgoodquot stato e l'altro quotbadquot). Per le tecniche non supervisionate, il clustering viene in mente, ma dovrebbe essere modificato in modo da applicarsi a timeseries. Come su generalizzato rapporto di verosimiglianza (GLR) ndash Jim Pivarski 25 Giugno 14 a 02:49 Se ci riferiamo a en. wikipedia. orgwikiEWMAchart. Posso calcolare la Zi per la mia data lambda, ma quando si tratta di limiti di controllo, ho don39t avere dati storici per calcolare la T e S. Grazie guarderò in GLR e anche un commento sul Croce convalidato. ndash user3295481 Jun 25 14 a 2:54 Sì, T e S sono la media e la deviazione standard di una distribuzione della linea di base, che può essere dato a priori o determinata da un insieme di dati di addestramento. Il set di dati di formazione rappresenta ciò che i dati quotshouldquot assomigliano, quindi questa è una tecnica sorvegliato e si desidera una tecnica senza supervisione. GLR isn39t esponenzialmente ponderata, ma trova dinamicamente una pausa nei dati tra due distribuzioni diverse e combina i dati su ogni lato della pausa per ottenere risultati più robusti. Potrebbe essere quello che vuoi. ndash Jim Pivarski 25 giugno 14 a 3:00 Dal punto di vista practicaloperational, l'uso dell'analisi statistica dei soli dati storici, è rara. Sì, fornisce alcune indicazioni su come il processo (e il suo sistema di controllo) sta eseguendo, ma la cosa più importante in assoluto è quello di avere una buona comprensione e conoscenza dei limiti di ingegneria. Mi riferisco ai limiti operativi, che sono determinati dalle specifiche e le caratteristiche di prestazione dei vari pezzi di attrezzature. Questo permette di sviluppare una buona comprensione di come si suppone che il processo di comportarsi (in termini di punto di funzionamento ottimale e upperlower limiti di controllo) e dove le aree di maggiore scostamento dal ottimale sono. Questo ha molto poco a che fare con l'analisi statistica dei dati storici, e molto a che fare con engineeringmetallurgy processo - a seconda del tipo di processo si sta trattando. I limiti di controllo sono in definitiva determinati da ciò che l'ingegnere di processo Process Manager VUOLE, che sono di solito (ma non sempre) entro la capacità di targa delle apparecchiature. Se si lavora entro i limiti operativi, e sei nel regno di ottimizzazione dei processi, allora sì, l'analisi statistica è più ampiamente usato e in grado di offrire una buona intuizione. A seconda della variabilità del processo, come pure il sistema di controllo è impostato, e l'omogeneità del prodotto alimentare, i limiti di controllo upperlower selezionati variano. Un buon punto di partenza è il punto di funzionamento ottimale (ad esempio 100 m3hr), quindi utilizzare una quantità ragionevole di dati storici per calcolare una deviazione standard, e rendere il vostro limite superiore di 100 1 dev standard e il limite inferiore 100-1 dev standard. Questo non è affatto una regola dura e veloce, ma è un punto di partenza ragionevole. risposto 7 febbraio 16 a 12: 12Exploring esponenziale Weighted Moving volatilità media è la misura più comune del rischio, ma si tratta in diversi sapori. In un precedente articolo, abbiamo mostrato come calcolare semplice volatilità storica. (Per leggere questo articolo, vedere Uso volatilità per valutare i rischi futuri.) Abbiamo usato Googles dati effettivi di prezzo delle azioni al fine di calcolare la volatilità giornaliera sulla base di 30 giorni di dati di stock. In questo articolo, miglioreremo il semplice volatilità e discutere la media mobile esponenziale ponderata (EWMA). Vs. Storico La volatilità implicita In primo luogo, consente di mettere questa metrica in un po 'di prospettiva. Ci sono due approcci: volatilità storica e implicita (o implicite). L'approccio storico presuppone che passato è prologo misuriamo la storia nella speranza che sia predittiva. La volatilità implicita, d'altra parte, ignora la storia si risolve per la volatilità implicita dai prezzi di mercato. Si spera che il mercato conosce meglio e che il prezzo di mercato contiene, anche se implicitamente, una stima di consenso di volatilità. (Per la lettura correlate, vedere gli usi e limiti di volatilità.) Se ci concentriamo solo su tre approcci storici (il alto a sinistra), hanno due punti in comune: Calcolare la serie di rendimenti periodici applicare uno schema di ponderazione In primo luogo, calcolare il ritorno periodico. Questo è in genere una serie di rendimenti giornalieri in cui ogni ritorno è espresso in termini di continuo composte. Per ogni giorno, prendiamo il logaritmo naturale del rapporto tra i prezzi delle azioni (cioè prezzo oggi divisi per prezzo di ieri, e così via). Questo produce una serie di rendimenti giornalieri, da u i u i-m. a seconda di quanti giorni (m giorni) stiamo misurando. Questo ci arriva al secondo passo: E 'qui che i tre approcci differenti. Nel precedente articolo (Utilizzo di volatilità per valutare rischio futuro), abbiamo dimostrato che in un paio di semplificazioni accettabili, la semplice varianza è la media dei rendimenti al quadrato: Si noti che questo riassume ciascuna delle dichiarazioni periodiche, poi divide che totale da parte del numero di giorni o osservazioni (m). Così, la sua realtà solo una media delle dichiarazioni periodiche squadrati. In altre parole, ogni ritorno quadrato viene dato un peso uguale. Quindi, se alfa (a) è un fattore di ponderazione (in particolare, un 1m), quindi un semplice scostamento simile a questa: Il EWMA migliora semplice varianza La debolezza di questo approccio è che tutti i ritorni guadagnano lo stesso peso. Yesterdays (molto recente) di ritorno non ha più influenza sulla varianza rispetto allo scorso mese di ritorno. Questo problema viene risolto utilizzando la media ponderata esponenzialmente movimento (EWMA), in cui i ritorni più recenti hanno un peso maggiore sulla varianza. La media mobile esponenziale ponderata (EWMA) introduce lambda. che è chiamato il parametro smoothing. Lambda deve essere inferiore a uno. In tale condizione, invece di pesi uguali, ogni ritorno quadrato è ponderato con un moltiplicatore come segue: Per esempio, RiskMetrics TM, una società finanziaria gestione del rischio, tende ad usare un lambda di 0,94 o 94. In questo caso, il primo ( più recente) al quadrato ritorno periodico è ponderato in base (1-0,94) (. 94) 0 6. il prossimo ritorno quadrato è semplicemente un lambda-multiplo del peso prima, in questo caso 6 moltiplicato per 94 5.64. E il terzo giorni precedenti peso uguale (1-0,94) (0,94) 2 5.30. Quello sensi esponenziale EWMA: ciascun peso è un moltiplicatore costante (cioè lambda, che deve essere inferiore a uno) della prima peso giorni. Questo assicura una varianza che viene ponderato o sbilanciata verso i dati più recenti. (Per ulteriori informazioni, controllare il foglio di lavoro Excel per Googles volatilità.) La differenza tra semplicemente volatilità e EWMA per Google è indicato di seguito. La volatilità semplice pesa in modo efficace ogni ritorno periodico da 0.196 come mostrato nella colonna O (abbiamo avuto due anni di dati di prezzo delle azioni quotidiane. Cioè 509 rendimenti giornalieri e il 1509 0.196). Ma si noti che Colonna P assegna un peso di 6, poi 5,64, quindi 5.3 e così via. Quello è l'unica differenza tra semplice varianza e EWMA. Ricorda: Dopo sommiamo l'intera serie (in Q colonna) abbiamo la varianza, che è il quadrato della deviazione standard. Se vogliamo la volatilità, abbiamo bisogno di ricordare di prendere la radice quadrata di tale varianza. Che cosa è la differenza di volatilità giornaliera tra la varianza e EWMA in caso Googles suo significativo: La semplice varianza ci ha dato una volatilità giornaliera di 2,4 ma il EWMA ha dato una volatilità giornaliera di soli 1.4 (vedere il foglio di calcolo per i dettagli). A quanto pare, Googles volatilità si stabilì più di recente, pertanto, una semplice variazione potrebbe essere artificialmente alto. Di oggi Variance è una funzione di preavviso Pior giorni Varianza Youll abbiamo bisogno di calcolare una lunga serie di pesi in modo esponenziale in declino. Abbiamo solito facciamo la matematica qui, ma una delle migliori caratteristiche del EWMA è che l'intera serie riduce convenientemente ad una formula ricorsiva: ricorsivo significa che i riferimenti varianza di oggi (cioè è una funzione del giorni prima varianza). È possibile trovare questa formula nel foglio di calcolo anche, e produce lo stesso risultato esatto come il calcolo longhand Dice: varianza di oggi (sotto EWMA) uguale varianza di ieri (ponderato per lambda) più il rendimento di ieri al quadrato (pesato da una lambda meno). Si noti come stiamo solo aggiungendo due termini insieme: ieri varianza ponderata e ieri ponderati, al quadrato di ritorno. Anche così, lambda è il nostro parametro smoothing. Un lambda più alto (ad esempio, come RiskMetrics 94) indica più lento decadimento della serie - in termini relativi, stiamo per avere più punti di dati nella serie e che stanno per cadere più lentamente. D'altra parte, se riduciamo lambda, indichiamo superiore decadimento: i pesi cadere fuori più rapidamente e, come risultato diretto del rapido decadimento, meno punti dati sono usati. (Nel foglio di calcolo, lambda è un ingresso, in modo da poter sperimentare con la sua sensibilità). Riassunto La volatilità è la deviazione standard istantanea di un magazzino e la metrica di rischio più comune. È anche la radice quadrata della varianza. Siamo in grado di misurare la varianza storicamente o implicitamente (volatilità implicita). Quando si misura storicamente, il metodo più semplice è semplice varianza. Ma la debolezza con una semplice varianza è tutti i ritorni ottenere lo stesso peso. Quindi ci troviamo di fronte un classico trade-off: vogliamo sempre più dati ma più dati che abbiamo più il nostro calcolo è diluito da dati lontani (meno rilevanti). La media mobile esponenziale ponderata (EWMA) migliora semplice varianza assegnando pesi alle dichiarazioni periodiche. In questo modo, siamo in grado di utilizzare una dimensione sia grande campione, ma anche dare maggior peso ai rendimenti più recenti. (Per visualizzare un tutorial film su questo argomento, visitare il Bionic Turtle.) What039s la differenza tra la media mobile e ponderata media mobile a 5 periodo di media mobile, sulla base dei prezzi di cui sopra, sarebbe calcolato con la seguente formula: Sulla base della equazione di cui sopra, il prezzo medio per il periodo di cui sopra era 90.66. Utilizzando medie mobili è un metodo efficace per l'eliminazione di forti fluttuazioni dei prezzi. La limitazione chiave è che i punti dati dai dati precedenti non sono ponderati in modo diverso rispetto ai dati punti vicino l'inizio del set di dati. Questo è dove le medie mobili ponderate entrano in gioco. medie ponderate assegnare una ponderazione più pesante a più punti di dati attuali dal momento che sono più rilevanti di punti dati in un lontano passato. La somma della ponderazione deve aggiungere fino a 1 (o 100). Nel caso della media mobile semplice, i coefficienti sono equamente distribuiti, ed è per questo che non sono riportati nella tabella sopra riportata. Prezzo di chiusura di AAPL
No comments:
Post a Comment