คำจำกัดความของ EWMA (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักชี้แจง)
ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียล (EWMA) หมายถึงค่าเฉลี่ยของข้อมูลที่ใช้ในการติดตามการเคลื่อนไหวของพอร์ตโฟลิโอโดยการตรวจสอบผลลัพธ์และผลลัพธ์โดยพิจารณาจากปัจจัยที่แตกต่างกันและให้น้ำหนักจากนั้นจึงติดตามผลลัพธ์เพื่อประเมินประสิทธิภาพและ ทำการปรับปรุง
น้ำหนักของ EWMA จะลดวิธีแบบทวีคูณสำหรับแต่ละช่วงเวลาที่ไปไกลกว่าในอดีต นอกจากนี้เนื่องจาก EWMA มีค่าเฉลี่ยที่คำนวณได้ก่อนหน้านี้ดังนั้นผลลัพธ์ของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียลจะถูกสะสม ด้วยเหตุนี้จุดข้อมูลทั้งหมดจะนำไปสู่ผลลัพธ์ แต่ปัจจัยการสนับสนุนจะลดลงเมื่อคำนวณ EWMA ในช่วงถัดไป
คำอธิบาย
สูตร EWMA นี้แสดงค่าของค่าเฉลี่ยเคลื่อนที่ในแต่ละครั้ง t
EWMA (เสื้อ) = a * x (t) + (1-a) * EWMA (t-1)
ที่ไหน
- EWMA (t) = ค่าเฉลี่ยเคลื่อนที่ ณ เวลา t
- a = ระดับของค่าพารามิเตอร์การผสมระหว่าง 0 ถึง 1
- x (t) = ค่าของสัญญาณ x ในเวลา t
สูตรนี้ระบุค่าของค่าเฉลี่ยเคลื่อนที่ ณ เวลา t นี่คือพารามิเตอร์ที่แสดงอัตราที่ข้อมูลเก่าจะเข้ามาคำนวณ ค่าของ a จะอยู่ระหว่าง 0 ถึง 1
หาก a = 1 นั่นหมายถึงเฉพาะข้อมูลล่าสุดเท่านั้นที่ถูกใช้เพื่อวัด EWMA หาก a อยู่ใกล้ 0 นั่นหมายความว่าจะมีการให้น้ำหนักกับข้อมูลเก่ามากขึ้นและถ้าค่าใกล้ 1 นั่นหมายความว่าข้อมูลใหม่จะได้รับน้ำหนักมากกว่า
ตัวอย่างของ EWMA
ด้านล่างนี้เป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียล
คุณสามารถดาวน์โหลดเทมเพลต EWMA Excel ได้ที่นี่ - เทมเพลต EWMA Excelตัวอย่าง # 1
ลองพิจารณาจุดข้อมูล 5 จุดตามตารางด้านล่าง:
และพารามิเตอร์a = 30%หรือ 0.3
ดังนั้น EWMA (1) = 40
EWMA สำหรับเวลา 2 มีดังนี้
- EWMA (2) = 0.3 * 45 + (1-0.3) * 40.00
- = 41.5
คำนวณค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียลในทำนองเดียวกันสำหรับเวลาที่กำหนด -
- EWMA (3) = 0.3 * 43 + (1-0.3) * 41.5 = 41.95
- EWMA (4) = 0.3 * 31 + (1-0.3) * 41.95 = 38.67
- EWMA (5) = 0.3 * 20 + (1-0.3) * 38.67 = 33.07
ตัวอย่าง # 2
เรามีอุณหภูมิของเมืองในองศาเซลเซียสตั้งแต่วันอาทิตย์ถึงวันเสาร์ การใช้ a = 10% เราจะพบค่าเฉลี่ยเคลื่อนที่ของอุณหภูมิในแต่ละวันในสัปดาห์
การใช้a = 10%เราจะพบค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โพเนนเชียลสำหรับแต่ละวันในตารางด้านล่าง:
ด้านล่างนี้คือกราฟที่แสดงการเปรียบเทียบระหว่างอุณหภูมิจริงและ EWMA:
อย่างที่เราเห็นว่าการปรับให้เรียบค่อนข้างแข็งแรงโดยใช้ = 10% เช่นเดียวกับที่เราสามารถแก้ปัญหาค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักเลขชี้กำลังสำหรับอนุกรมเวลาหรือชุดข้อมูลตามลำดับ
ข้อดี
- สามารถใช้เพื่อหาค่าเฉลี่ยโดยใช้ประวัติข้อมูลหรือผลลัพธ์ทั้งหมด แผนภูมิอื่น ๆ ทั้งหมดมีแนวโน้มที่จะปฏิบัติต่อแต่ละข้อมูลในลักษณะของแต่ละบุคคล
- ผู้ใช้สามารถให้น้ำหนักกับจุดข้อมูลแต่ละจุดได้ตามความสะดวก น้ำหนักนี้สามารถเปลี่ยนแปลงได้เพื่อเปรียบเทียบค่าเฉลี่ยต่างๆ
- EWMA แสดงข้อมูลทางเรขาคณิต เนื่องจากข้อมูลดังกล่าวไม่ได้รับผลกระทบมากนักเมื่อเกิดค่าผิดปกติ
- แต่ละจุดข้อมูลใน Exponentially Weighted Moving Average แสดงถึงค่าเฉลี่ยเคลื่อนที่ของจุด
ข้อ จำกัด
- สามารถใช้ได้เฉพาะเมื่อมีข้อมูลต่อเนื่องในช่วงเวลาดังกล่าว
- สามารถใช้ได้เฉพาะเมื่อเราต้องการตรวจจับการเปลี่ยนแปลงเล็กน้อยในกระบวนการ
- วิธีนี้สามารถใช้ในการคำนวณค่าเฉลี่ย การตรวจสอบความแปรปรวนต้องการให้ผู้ใช้ใช้เทคนิคอื่น ๆ
จุดสำคัญ
- ข้อมูลที่เราต้องการได้รับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียลควรเรียงตามเวลา
- สิ่งนี้มีประโยชน์มากในการลดสัญญาณรบกวนในจุดข้อมูลอนุกรมเวลาที่มีเสียงดังซึ่งเรียกได้ว่าราบรื่น
- แต่ละเอาต์พุตจะได้รับน้ำหนัก ยิ่งข้อมูลล่าสุดมีน้ำหนักมากที่สุดก็จะได้รับ
- ค่อนข้างดีในการตรวจจับการกะขนาดเล็ก แต่ช้ากว่าในการตรวจจับการกะขนาดใหญ่
- สามารถใช้ได้เมื่อขนาดตัวอย่างกลุ่มย่อยมากกว่า 1
- ในโลกแห่งความเป็นจริงวิธีนี้สามารถใช้ในกระบวนการทางเคมีและกระบวนการทางบัญชีในแต่ละวัน
- นอกจากนี้ยังสามารถใช้เพื่อแสดงความผันผวนของผู้เยี่ยมชมเว็บไซต์ในวันต่างๆของสัปดาห์
สรุป
EWMA เป็นเครื่องมือสำหรับตรวจจับการเปลี่ยนแปลงที่น้อยลงในค่าเฉลี่ยของกระบวนการที่มีขอบเขตเวลา นอกจากนี้ยังมีการศึกษาค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โพเนนเชียลและใช้แบบจำลองเพื่อค้นหาค่าเฉลี่ยเคลื่อนที่ของข้อมูล นอกจากนี้ยังมีประโยชน์มากในการคาดการณ์พื้นฐานเหตุการณ์ของข้อมูลในอดีต ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียลเป็นเกณฑ์ที่สันนิษฐานว่าการสังเกตจะกระจายตามปกติ กำลังพิจารณาข้อมูลที่ผ่านมาโดยพิจารณาจากน้ำหนักของพวกเขา เนื่องจากข้อมูลมีมากขึ้นในอดีตน้ำหนักในการคำนวณจะลดลงแบบทวีคูณ
ผู้ใช้ยังสามารถให้น้ำหนักกับข้อมูลที่ผ่านมาเพื่อค้นหาชุดพื้นฐาน EWMA น้ำหนักที่แตกต่างกัน นอกจากนี้เนื่องจากข้อมูลที่แสดงทางเรขาคณิตข้อมูลจึงไม่ได้รับผลกระทบมากนักเนื่องจากค่าผิดปกติดังนั้นข้อมูลที่ราบรื่นยิ่งขึ้นสามารถทำได้โดยใช้วิธีนี้