Méthodes de séries chronologiques Les méthodes de séries chronologiques sont des techniques statistiques qui utilisent des données historiques accumulées sur une période donnée. Les méthodes de séries chronologiques supposent que ce qui s'est passé dans le passé continuera à se produire à l'avenir. Comme le suggère le nom des séries chronologiques, ces méthodes relient la prévision à un seul facteur - temps. Ils incluent la moyenne mobile, le lissage exponentiel et la ligne de tendance linéaire et ils sont parmi les méthodes les plus populaires pour la prévision à courte portée parmi les entreprises de services et de fabrication. Ces méthodes supposent que des tendances historiques identifiables ou des tendances de la demande au fil du temps se reproduiront. Moyenne mobile Une prévision de séries chronologiques peut être aussi simple que d'utiliser la demande dans la période en cours pour prédire la demande au cours de la période suivante. C'est ce qu'on appelle parfois une prévision naïve ou intuitive. 4 Par exemple, si la demande est de 100 unités cette semaine, la prévision pour les prochaines semaines demande est de 100 unités si la demande se révèle être de 90 unités à la place, puis la demande des semaines suivantes est de 90 unités, et ainsi de suite. Ce type de méthode de prévision ne prend pas en compte le comportement historique de la demande, il ne dépend que de la demande dans la période courante. Il réagit directement aux mouvements normaux et aléatoires de la demande. La méthode de la moyenne mobile simple utilise plusieurs valeurs de demande au cours du passé récent pour élaborer une prévision. Cela tend à amortir, ou à lisser, les augmentations et les baisses aléatoires d'une prévision qui n'utilise qu'une seule période. La moyenne mobile simple est utile pour la prévision de la demande qui est stable et ne montre pas de comportement prononcé de la demande, comme une tendance ou un schéma saisonnier. Les moyennes mobiles sont calculées pour des périodes spécifiques, telles que trois mois ou cinq mois, selon la mesure dans laquelle le prévisionniste désire lisser les données de la demande. Plus la période de la moyenne mobile est longue, plus elle sera lisse. La formule pour calculer la moyenne mobile simple est de calculer une moyenne mobile simple La société de fournitures de bureau Instant Paper Clip vend et fournit des fournitures de bureau aux entreprises, écoles et agences dans un rayon de 50 milles de son entrepôt. L'offre de fournitures de bureau est concurrentielle et la capacité de livrer rapidement des commandes est un facteur qui permet d'obtenir de nouveaux clients et de conserver les anciens. (Les bureaux ne commandent généralement pas quand ils manquent de fournitures, mais quand ils sont complètement épuisés. Par conséquent, ils ont besoin de leurs commandes immédiatement.) Le gestionnaire de la société veut être certain que les conducteurs et les véhicules sont disponibles pour livrer les commandes rapidement et Ils ont un inventaire adéquat en stock. Par conséquent, le gestionnaire souhaite pouvoir prévoir le nombre d'ordres qui se produiront au cours du mois suivant (c'est-à-dire prévoir la demande pour les livraisons). À partir des enregistrements des ordres de livraison, la direction a accumulé les données suivantes pour les 10 derniers mois, à partir de laquelle il veut calculer des moyennes mobiles de 3 et 5 mois. Supposons que c'est la fin d'octobre. La prévision résultant soit de la moyenne mobile à 3 ou 5 mois est généralement pour le mois suivant dans la séquence, qui dans ce cas est Novembre. La moyenne mobile est calculée à partir de la demande pour les ordres pour les 3 mois précédents dans la séquence selon la formule suivante: La moyenne mobile sur 5 mois est calculée à partir des données de la demande précédente de 5 mois comme suit: Les 3 et 5 mois Les prévisions de moyenne mobile pour tous les mois de données sur la demande sont présentées dans le tableau suivant. En fait, seule la prévision pour novembre, basée sur la plus récente demande mensuelle, serait utilisée par le gestionnaire. Cependant, les prévisions antérieures pour les mois précédents nous permettent de comparer la prévision avec la demande réelle pour voir à quel point la méthode de prévision est précise, c'est-à-dire comment elle fonctionne. Moyennes de trois et cinq mois Les deux prévisions de la moyenne mobile dans le tableau ci-dessus tendent à lisser la variabilité des données réelles. Cet effet de lissage peut être observé dans la figure suivante où les moyennes sur 3 mois et sur 5 mois ont été superposées à un graphique des données originales: La moyenne mobile sur 5 mois de la figure précédente lisse les fluctuations dans une plus grande mesure que La moyenne mobile de 3 mois. Toutefois, la moyenne sur 3 mois reflète plus fidèlement les données les plus récentes dont dispose le gestionnaire de l'offre de bureau. En général, les prévisions utilisant la moyenne mobile à plus longue période sont plus lentes à réagir aux changements récents de la demande que ne le feraient les moyennes mobiles à plus courte période. Les périodes supplémentaires de données ralentissent la vitesse avec laquelle la prévision répond. L'établissement du nombre approprié de périodes à utiliser dans une prévision moyenne mobile nécessite souvent une certaine quantité d'essais expérimentaux. L'inconvénient de la méthode de la moyenne mobile est qu'il ne réagit pas aux variations qui se produisent pour une raison, comme les cycles et les effets saisonniers. Les facteurs qui provoquent des changements sont généralement ignorés. Il s'agit essentiellement d'une méthode mécanique, qui reflète les données historiques d'une manière cohérente. Cependant, la méthode de la moyenne mobile présente l'avantage d'être facile à utiliser, rapide et relativement peu coûteuse. En général, cette méthode peut fournir une bonne prévision à court terme, mais elle ne doit pas être poussée trop loin dans l'avenir. Moyenne mobile pondérée La méthode de la moyenne mobile peut être ajustée pour refléter plus étroitement les fluctuations des données. Dans la méthode de la moyenne mobile pondérée, les pondérations sont affectées aux données les plus récentes selon la formule suivante: Les données de demande pour PM Computer Services (indiquées dans le tableau de l'exemple 10.3) semblent suivre une tendance linéaire croissante. L'entreprise veut calculer une ligne de tendance linéaire pour voir si elle est plus précise que le lissage exponentiel et les prévisions de lissage exponentielles ajustées développées dans les exemples 10.3 et 10.4. Les valeurs requises pour les calculs des moindres carrés sont les suivantes: En utilisant ces valeurs, les paramètres de la ligne de tendance linéaire sont calculés comme suit: Pour calculer une prévision pour la période 13, soit x 13 dans la droite linéaire Ligne de tendance: Le graphique suivant montre la ligne de tendance linéaire par rapport aux données réelles. La ligne de tendance semble refléter étroitement les données réelles - c'est-à-dire être un bon ajustement - et serait donc un bon modèle de prévision pour ce problème. Cependant, un inconvénient de la ligne de tendance linéaire est qu'il ne s'adaptera pas à un changement dans la tendance, comme c'est le cas pour les méthodes de prévision exponentielle du lissage, on suppose que toutes les prévisions futures suivront une ligne droite. Cela limite l'utilisation de cette méthode à un délai plus court dans lequel vous pouvez être relativement certain que la tendance ne changera pas. Ajustements saisonniers Un schéma saisonnier est une augmentation et une diminution répétitives de la demande. De nombreux articles de demande présentent un comportement saisonnier. Les ventes de vêtements suivent les tendances saisonnières annuelles, la demande de vêtements chauds augmentant à l'automne et à l'hiver et diminuant au printemps et en été alors que la demande de vêtements plus froids augmente. La demande de nombreux articles de vente au détail, y compris les jouets, les équipements sportifs, les vêtements, les appareils électroniques, les jambons, les dindes, le vin et les fruits, augmente pendant la période des Fêtes. La demande de carte de voeux augmente parallèlement à des jours spéciaux tels que le jour de la Saint Valentin et la fête des Mères. Les profils saisonniers peuvent également se produire sur une base mensuelle, hebdomadaire, ou même quotidienne. Certains restaurants ont une demande plus élevée dans la soirée que le déjeuner ou le week-end par opposition à la semaine. Le trafic - donc les ventes - dans les centres commerciaux reprend vendredi et samedi. Il existe plusieurs méthodes pour refléter les tendances saisonnières dans une série chronologique. Nous allons décrire une des méthodes plus simples utilisant un facteur saisonnier. Un facteur saisonnier est une valeur numérique qui est multipliée par la prévision normale pour obtenir une prévision désaisonnalisée. Une méthode pour développer une demande de facteurs saisonniers consiste à diviser la demande pour chaque période saisonnière par la demande annuelle totale, selon la formule suivante: Les facteurs saisonniers résultants entre 0 et 1,0 sont en fait la part de la demande annuelle totale attribuée à Chaque saison. Ces facteurs saisonniers sont multipliés par la demande annuelle prévue pour produire des prévisions ajustées pour chaque saison. Calculer une prévision avec des ajustements saisonniers Wishbone Farms fait pousser des dindes à vendre à une entreprise de transformation de la viande tout au long de l'année. Cependant, sa période de pointe est évidemment au cours du quatrième trimestre de l'année, d'octobre à décembre. La demande de dindons pour les trois dernières années est la suivante: Puisque nous disposons de trois années de données sur la demande, nous pouvons calculer les facteurs saisonniers en divisant la demande trimestrielle totale pour les trois années par la demande totale pour les trois années : Ensuite, nous voulons multiplier la demande prévue pour l'année prochaine, 2000, par chacun des facteurs saisonniers pour obtenir la demande prévue pour chaque trimestre. Pour ce faire, nous avons besoin d'une prévision de la demande pour 2000. Dans ce cas, puisque les données sur la demande dans le tableau semblent afficher une tendance généralement croissante, nous calculons une ligne de tendance linéaire pour les trois années de données dans le tableau pour obtenir un Estimation de prévision: Ainsi, la prévision pour 2000 est 58.17, ou 58.170 dindes. En comparant ces prévisions trimestrielles avec les valeurs réelles de la demande dans le tableau, ces prévisions annuelles semblent être relativement bonnes, reflétant à la fois les variations saisonnières des données et La tendance générale à la hausse. 10-12. Comment la méthode de la moyenne mobile est-elle similaire au lissage exponentiel 10-13. Quel effet sur le modèle de lissage exponentiel augmentera la constante de lissage 10-14. Comment le lissage exponentiel ajusté diffère-t-il du lissage exponentiel 10-15. Ce qui détermine le choix de la constante de lissage pour la tendance dans un modèle de lissage exponentiel ajusté 10-16. Dans les exemples de chapitre pour les méthodes de séries chronologiques, on a toujours supposé que la prévision de départ était la même que la demande réelle au cours de la première période. Suggérez d'autres façons que la prévision de départ pourrait être dérivée dans l'utilisation réelle. 10-17. Comment le modèle de prévision de ligne de tendance linéaire diffère-t-il d'un modèle de régression linéaire pour les prévisions 10-18. Parmi les modèles de séries chronologiques présentés dans ce chapitre, y compris la moyenne mobile et la moyenne mobile pondérée, le lissage exponentiel et le lissage exponentiel ajusté, et la ligne de tendance linéaire, laquelle considérez-vous la meilleure? Quels avantages le lissage exponentiel ajusté a-t-il sur une ligne de tendance linéaire pour la demande prévue qui présente une tendance 4 K. Kahn et J. T. Mentzer, Prévisions dans les marchés de consommation et industriels, The Journal of Business Forecasting 14, no. 2 (été 1995): 21-28.Chapters Quatre (MC et T / F) Quels sont les deux numéros figurant dans le rapport quotidien au PDG de Walt Disney Parks amp Resorts concernant les six parcs d'Orlando a. Présence hier prévue et présence effective hier. B. La présence réelle d'hier et la présence prévue d'aujourd'hui c. La prévision de présence hier prévue et la présence prévue d'aujourd'hui d. La présence réelle hier et la présence réelle des dernières années e. La prévision des prévisions prévues hier et l'erreur de prévision moyenne quotidienne depuis le début de l'année Une prévision moyenne mobile sur six mois est meilleure qu'une prévision moyenne mobile sur trois mois si la demande a. Est plutôt stable b. A changé en raison de récents efforts de promotion c. Suit une tendance à la baisse d. Suit un schéma saisonnier qui se répète deux fois par an e. Suit une tendance à la hausse Pour une demande de produit donnée, l'équation de la série chronologique est de 53 - 4 X. Le signe négatif sur la pente de l'équation a. Est une impossibilité mathématique b. Est une indication que la prévision est biaisée, avec des valeurs de prévision inférieures aux valeurs réelles c. Est une indication que la demande de produits est en baisse d. Implique que le coefficient de détermination sera également négatif e. Implique que le RSFE sera négatif Lequel des suivants est vrai en ce qui concerne les deux constantes de lissage du modèle Forecasting Including Trend (FIT) a. Une constante est positive, tandis que l'autre est négative. B. Ils sont appelés MAD et RSFE. C. L'alpha est toujours plus petit que le bêta. ré. Une constante lisse l'interception de régression, tandis que l'autre lisse la pente de régression. E. Leurs valeurs sont déterminées indépendamment. La demande pour un certain produit devrait être de 800 unités par mois, en moyenne sur l'ensemble des 12 mois de l'année. Le produit suit un schéma saisonnier, pour lequel l'indice mensuel de janvier est de 1,25. Quelles sont les prévisions de ventes désaisonnalisées pour janvier a. 640 unités b. 798.75 unités c. 800 unités d. 1000 unités e. Ne peut pas être calculé à partir des données fournies Un indice saisonnier pour une série mensuelle est sur le point d'être calculé sur la base d'une accumulation de données de trois ans. Les trois valeurs précédentes de juillet étaient 110, 150 et 130. La moyenne sur tous les mois est de 190. L'indice saisonnier approximatif pour juillet est a. 0,487 b. 0,684 c. 1,462 d. 2.053 e. Ne peut pas être calculé avec les informations données Moyennes de déplacement: Quels sont-ils Parmi les indicateurs techniques les plus populaires, les moyennes mobiles sont utilisées pour évaluer la direction de la tendance actuelle. Chaque type de moyenne mobile (généralement écrit dans ce tutoriel comme MA) est un résultat mathématique qui est calculé en faisant la moyenne d'un certain nombre de points de données passés. Une fois déterminée, la moyenne résultante est ensuite tracée sur un graphique afin de permettre aux commerçants d'examiner les données lissées plutôt que de se concentrer sur les fluctuations de prix au jour le jour qui sont inhérentes à tous les marchés financiers. La forme la plus simple d'une moyenne mobile, connue sous le nom de moyenne mobile simple (SMA), est calculée en prenant la moyenne arithmétique d'un ensemble donné de valeurs. Par exemple, pour calculer une moyenne mobile de base de 10 jours, vous additionnez les prix de clôture des 10 derniers jours, puis divisez le résultat par 10. Dans la figure 1, la somme des prix pour les 10 derniers jours (110) est Divisé par le nombre de jours (10) pour arriver à la moyenne sur 10 jours. Si un commerçant souhaite voir une moyenne de 50 jours à la place, le même type de calcul serait fait, mais il inclurait les prix au cours des 50 derniers jours. La moyenne résultante ci-dessous (11) prend en compte les 10 derniers points de données afin de donner aux commerçants une idée de la façon dont un actif est évalué par rapport aux 10 derniers jours. Peut-être vous vous demandez pourquoi les traders techniques appellent cet outil une moyenne mobile et pas seulement un moyen régulier. La réponse est que lorsque de nouvelles valeurs deviennent disponibles, les points de données les plus anciens doivent être supprimés de l'ensemble et de nouveaux points de données doivent venir les remplacer. Ainsi, l'ensemble de données se déplace constamment pour tenir compte des nouvelles données à mesure qu'elles deviennent disponibles. Cette méthode de calcul garantit que seules les informations actuelles sont comptabilisées. Dans la figure 2, une fois que la nouvelle valeur de 5 est ajoutée à l'ensemble, la case rouge (représentant les 10 derniers points de données) se déplace vers la droite et la dernière valeur de 15 est supprimée du calcul. Étant donné que la valeur relativement petite de 5 remplace la valeur élevée de 15, on s'attend à ce que la moyenne de l'ensemble de données diminue, ce qui fait, dans ce cas, de 11 à 10. Qu'est-ce que les moyennes mobiles ressemblent Une fois que les valeurs de la MA ont été calculés, ils sont tracés sur un graphique et ensuite connectés pour créer une ligne de moyenne mobile. Ces lignes courbes sont communes sur les tableaux des commerçants techniques, mais la façon dont ils sont utilisés peut varier de façon drastique (plus sur cela plus tard). Comme vous pouvez le voir sur la figure 3, il est possible d'ajouter plus d'une moyenne mobile à n'importe quel graphique en ajustant le nombre de périodes de temps utilisées dans le calcul. Ces lignes courbes peuvent sembler distrayant ou confus au début, mais vous vous habituerez à eux comme le temps passe. La ligne rouge est simplement le prix moyen au cours des 50 derniers jours, alors que la ligne bleue est le prix moyen au cours des 100 derniers jours. Maintenant que vous comprenez ce qu'est une moyenne mobile et à quoi il ressemble, bien introduire un autre type de moyenne mobile et d'examiner comment il diffère de la moyenne mobile simple mentionné précédemment. La moyenne mobile simple est extrêmement populaire parmi les commerçants, mais comme tous les indicateurs techniques, il a ses critiques. Beaucoup d'individus soutiennent que l'utilité du SMA est limitée parce que chaque point dans la série de données est pondéré le même, peu importe où il se produit dans la séquence. Les critiques soutiennent que les données les plus récentes sont plus importantes que les données plus anciennes et devraient avoir une plus grande influence sur le résultat final. En réponse à cette critique, les commerçants ont commencé à donner plus de poids aux données récentes, ce qui a conduit depuis à l'invention de différents types de nouvelles moyennes, dont la plus populaire est la moyenne mobile exponentielle (EMA). Moyenne mobile exponentielle La moyenne mobile exponentielle est un type de moyenne mobile qui donne plus de poids aux prix récents dans une tentative de le rendre plus réactif (par exemple, À de nouvelles informations. Apprendre l'équation quelque peu compliquée pour calculer un EMA peut être inutile pour de nombreux commerçants, puisque presque tous les paquets de cartographie faire les calculs pour vous. Toutefois, pour vous mathématiciens geeks là-bas, voici l'équation EMA: Lorsque vous utilisez la formule pour calculer le premier point de l'EMA, vous pouvez remarquer qu'il n'y a aucune valeur disponible pour utiliser comme l'EMA précédente. Ce petit problème peut être résolu en commençant le calcul avec une moyenne mobile simple et en poursuivant avec la formule ci-dessus à partir de là. Nous vous avons fourni un exemple de feuille de calcul qui comprend des exemples réels de calcul d'une moyenne mobile simple et d'une moyenne mobile exponentielle. La différence entre l'EMA et SMA Maintenant que vous avez une meilleure compréhension de la façon dont la SMA et l'EMA sont calculés, permet de jeter un oeil à la façon dont ces moyennes diffèrent. En regardant le calcul de l'EMA, vous remarquerez que plus l'accent est mis sur les points de données récentes, ce qui en fait un type de moyenne pondérée. À la figure 5, le nombre de périodes utilisées dans chaque moyenne est identique (15), mais l'EMA répond plus rapidement à l'évolution des prix. Remarquez comment l'EMA a une valeur plus élevée lorsque le prix est en hausse, et tombe plus vite que la SMA lorsque le prix est en baisse. Cette réactivité est la principale raison pour laquelle de nombreux commerçants préfèrent utiliser l'EMA sur le SMA. Que signifient les différents jours Moyennes mobiles sont un indicateur totalement personnalisable, ce qui signifie que l'utilisateur peut librement choisir le temps qu'ils veulent lors de la création de la moyenne. Les périodes les plus courantes utilisées pour les moyennes mobiles sont 15, 20, 30, 50, 100 et 200 jours. Plus le délai de création de la moyenne est court, plus il sera sensible aux variations de prix. Plus la durée est longue, moins sensible, ou plus lissée, la moyenne sera. Il n'y a pas de période correcte à utiliser lors de la configuration de vos moyennes mobiles. La meilleure façon de déterminer qui fonctionne le mieux pour vous est d'expérimenter avec un certain nombre de périodes de temps différentes jusqu'à ce que vous en trouver un qui correspond à votre stratégie. Moyennes mobiles: Comment les utiliser
No comments:
Post a Comment