Ventajas Del Modelo De Predicción Media Móvil

Net. sourceforge. openforecast. models Clase WeightedMovingAverageModel Un modelo de pronóstico de media móvil ponderada se basa en una serie temporal construida artificialmente en la que el valor para un período de tiempo dado se sustituye por la media ponderada de ese valor y los valores de cierto número de tiempo anterior Períodos Como puede haberse adivinado a partir de la descripción, este modelo se adapta mejor a datos de series de tiempo, es decir, datos que cambian con el tiempo. Dado que el valor pronosticado para cualquier período dado es un promedio ponderado de los períodos anteriores, entonces el pronóstico siempre parecerá rezagarse detrás de los aumentos o disminuciones en los valores observados (dependientes). Por ejemplo, si una serie de datos tiene una tendencia alcista hacia arriba, entonces un promedio ponderado del promedio móvil proporcionará generalmente una subestimación de los valores de la variable dependiente. El modelo de media móvil ponderada, al igual que el modelo de media móvil, tiene una ventaja sobre otros modelos de predicción en el sentido de que suaviza los picos y valles (o valles) en un conjunto de observaciones. Sin embargo, al igual que el modelo de media móvil, también tiene varias desventajas. En particular, este modelo no produce una ecuación real. Por lo tanto, no es tan útil como una herramienta de pronóstico a medio y largo plazo. Sólo se puede utilizar de forma fiable para predecir unos cuantos períodos en el futuro. Desde: 0.4 Autor: Steven R. Gould Campos heredados de la clase net. sourceforge. openforecast. models. AbstractForecastingModel WeightedMovingAverageModel () Construye un nuevo modelo de predicción del promedio móvil ponderado. WeightedMovingAverageModel (double weights) Construye un nuevo modelo de predicción de promedio móvil ponderado, usando los pesos especificados. Forecast (double timeValue) Devuelve el valor de pronóstico de la variable dependiente para el valor dado de la variable de tiempo independiente. GetForecastType () Devuelve un nombre de una o dos palabras de este tipo de modelo de pronóstico. GetNumberOfPeriods () Devuelve el número actual de períodos utilizados en este modelo. GetNumberOfPredictors () Devuelve el número de predictores utilizados por el modelo subyacente. SetWeights (pesos dobles) Establece los pesos utilizados por este modelo de predicción del promedio móvil ponderado a los pesos dados. ToString () Esto debe anularse para proporcionar una descripción textual del modelo de pronóstico actual incluyendo, cuando sea posible, cualquier parámetro derivado utilizado. Métodos heredados de la clase net. sourceforge. openforecast. models. AbstractTimeBasedModel WeightedMovingAverageModel Construye un nuevo modelo de predicción de promedio móvil ponderado, usando los pesos especificados. Para que un modelo válido sea construido, debe llamar a init y pasar en un conjunto de datos que contiene una serie de puntos de datos con la variable de tiempo inicializada para identificar la variable independiente. El tamaño de la matriz de pesos se utiliza para determinar el número de observaciones que se utilizarán para calcular la media móvil ponderada. Adicionalmente, el período más reciente recibirá el peso definido por el primer elemento de la matriz, es decir, ponderaciones0. El tamaño de la matriz de pesos también se utiliza para determinar la cantidad de períodos futuros que pueden ser pronosticados con eficacia. Con una media móvil ponderada de 50 días, entonces no podemos razonablemente - con ningún grado de exactitud - pronosticar más de 50 días más allá del último período para el cual los datos están disponibles. Incluso los pronósticos cercanos al final de este rango probablemente no serán confiables. Nota sobre los pesos En general, los pesos que se pasan a este constructor deben sumar hasta 1,0. Sin embargo, como conveniencia, si la suma de los pesos no suma 1.0, esta implementación escala todos los pesos proporcionalmente de modo que sumen a 1.0. Parámetros: pesos - una serie de pesos a asignar a las observaciones históricas al calcular la media móvil ponderada. WeightedMovingAverageModel Construye un nuevo modelo de predicción de promedio móvil ponderado, utilizando la variable nombrada como variable independiente y los pesos especificados. Parámetros: independentVariable - el nombre de la variable independiente que se va a utilizar en este modelo. Pesos - una serie de pesos para asignar a las observaciones históricas al calcular el promedio móvil ponderado. WeightedMovingAverageModel Construye un nuevo modelo de predicción del promedio móvil ponderado. Este constructor está destinado a ser utilizado sólo por subclases (por lo tanto, está protegido). Cualquier subclase que utilice este constructor debe invocar posteriormente el método (protected) setWeights para inicializar los pesos que usará este modelo. WeightedMovingAverageModel Construye un nuevo modelo de predicción del promedio móvil ponderado usando la variable independiente dada. Parámetros: independentVariable - el nombre de la variable independiente que se va a utilizar en este modelo. SetWeights Establece los pesos utilizados por este modelo de predicción del promedio móvil ponderado a los pesos dados. Este método está destinado a ser utilizado sólo por subclases (por lo tanto está protegido), y sólo en conjunción con el (protegido) constructor de un argumento. Cualquier subclase que utiliza el constructor de un argumento debe llamar a setWeights antes de invocar el método AbstractTimeBasedModel. init (net. sourceforge. openforecast. DataSet) para inicializar el modelo. Nota sobre pesos En general, los pesos que se pasan a este método deben sumar 1,0. Sin embargo, como conveniencia, si la suma de los pesos no suma 1.0, esta implementación escala todos los pesos proporcionalmente de modo que sumen a 1.0. Parámetros: pesos - una serie de pesos a asignar a las observaciones históricas al calcular la media móvil ponderada. Forecast Devuelve el valor de pronóstico de la variable dependiente para el valor dado de la variable de tiempo independiente. Las subclases deben implementar este método de manera consistente con el modelo de predicción que implementan. Las subclases pueden hacer uso de los métodos getForecastValue y getObservedValue para obtener pronósticos y observaciones anteriores, respectivamente. Especificado por: forecast en la clase AbstractTimeBasedModel Parámetros: timeValue - el valor de la variable de tiempo para la que se requiere un valor de pronóstico. Devuelve: el valor de pronóstico de la variable dependiente para el tiempo dado. Tiros: IllegalArgumentException - si no hay datos históricos suficientes - observaciones pasadas a init - para generar una previsión para el valor de tiempo dado. GetNumberOfPredictors Devuelve el número de predictores utilizados por el modelo subyacente. Devuelve: el número de predictores utilizados por el modelo subyacente. GetNumberOfPeriods Devuelve el número actual de períodos utilizados en este modelo. Especificado por: getNumberOfPeriods en la clase AbstractTimeBasedModel Devuelve: el número actual de períodos utilizados en este modelo. GetForecastType Devuelve un nombre de una o dos palabras de este tipo de modelo de pronóstico. Mantenga esto corto. Una descripción más larga debe implementarse en el método toString. ToString Esto debe anularse para proporcionar una descripción textual del modelo de pronóstico actual incluyendo, cuando sea posible, cualquier parámetro derivado utilizado. Especificado por: toString en la interfaz ForecastingModel Overrides: toString en la clase AbstractTimeBasedModel Devuelve: una representación de cadena del modelo de pronóstico actual y sus parámetros. net. sourceforge. openforecast. models Clase MovingAverageModel Un modelo de pronóstico de media móvil se basa en una serie temporal construida artificialmente En el que el valor para un período de tiempo dado se sustituye por la media de ese valor y los valores de cierto número de períodos de tiempo anteriores y posteriores. Como puede haberse adivinado a partir de la descripción, este modelo se adapta mejor a datos de series de tiempo, es decir, datos que cambian con el tiempo. Por ejemplo, muchos gráficos de acciones individuales en el mercado de valores muestran 20, 50, 100 o 200 días promedios móviles como una forma de mostrar tendencias. Puesto que el valor pronosticado para cualquier período dado es un promedio de los períodos anteriores, entonces el pronóstico siempre parecerá estar a la zaga de los aumentos o disminuciones en los valores observados (dependientes). Por ejemplo, si una serie de datos tiene una tendencia alcista alcista, entonces un pronóstico de media móvil proporcionará generalmente una subestimación de los valores de la variable dependiente. El método del promedio móvil tiene una ventaja sobre otros modelos de predicción en el sentido de que suaviza los picos y valles (o valles) en un conjunto de observaciones. Sin embargo, también tiene varias desventajas. En particular, este modelo no produce una ecuación real. Por lo tanto, no es tan útil como una herramienta de pronóstico a medio y largo plazo. Sólo se puede utilizar con fiabilidad para prever uno o dos períodos en el futuro. El modelo de media móvil es un caso especial de la media móvil ponderada más general. En la media móvil simple, todos los pesos son iguales. Desde: 0.3 Autor: Steven R. Gould Campos heredados de la clase net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Construye un nuevo modelo de pronóstico de media móvil. MovingAverageModel (período int) Construye un nuevo modelo de pronóstico de media móvil, utilizando el período especificado. GetForecastType () Devuelve un nombre de una o dos palabras de este tipo de modelo de pronóstico. Init (DataSet dataSet) Se utiliza para inicializar el modelo de media móvil. ToString () Esto debe anularse para proporcionar una descripción textual del modelo de pronóstico actual incluyendo, cuando sea posible, cualquier parámetro derivado utilizado. Métodos heredados de la clase net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Construye un nuevo modelo de pronóstico de media móvil. Para que un modelo válido sea construido, debe llamar a init y pasar en un conjunto de datos que contiene una serie de puntos de datos con la variable de tiempo inicializada para identificar la variable independiente. MovingAverageModel Construye un nuevo modelo de pronóstico de media móvil, utilizando el nombre dado como variable independiente. Parámetros: independentVariable - el nombre de la variable independiente que se va a utilizar en este modelo. MovingAverageModel Construye un nuevo modelo de pronóstico de media móvil, utilizando el período especificado. Para que un modelo válido sea construido, debe llamar a init y pasar en un conjunto de datos que contiene una serie de puntos de datos con la variable de tiempo inicializada para identificar la variable independiente. El valor del período se utiliza para determinar el número de observaciones que se utilizarán para calcular la media móvil. Por ejemplo, para un promedio móvil de 50 días en el que los puntos de datos son observaciones diarias, entonces el período debe establecerse en 50. El período también se utiliza para determinar la cantidad de períodos futuros que se pueden pronosticar efectivamente. Con una media móvil de 50 días, entonces no podemos razonablemente - con ningún grado de exactitud - pronosticar más de 50 días más allá del último período para el cual los datos están disponibles. Esto puede ser más beneficioso que, digamos, un período de 10 días, donde sólo podríamos prever razonablemente 10 días más allá del último período. Parámetros: período - el número de observaciones que se utilizarán para calcular la media móvil. MovingAverageModel Construye un nuevo modelo de pronóstico de media móvil, utilizando el nombre dado como variable independiente y el período especificado. Parámetros: independentVariable - el nombre de la variable independiente que se va a utilizar en este modelo. Período - el número de observaciones que se utilizarán para calcular la media móvil. Init Se utiliza para inicializar el modelo de media móvil. Este método debe ser llamado antes de cualquier otro método en la clase. Dado que el modelo de media móvil no deduce ninguna ecuación para la predicción, este método utiliza el DataSet de entrada para calcular los valores de pronóstico para todos los valores válidos de la variable de tiempo independiente. Especificado por: init in interface PredeterminaciónModel Overrides: init en la clase AbstractTimeBasedModel Parámetros: dataSet - conjunto de datos de observaciones que se pueden utilizar para inicializar los parámetros de pronóstico del modelo de pronóstico. GetForecastType Devuelve un nombre de una o dos palabras de este tipo de modelo de pronóstico. Mantenga esto corto. Una descripción más larga debe implementarse en el método toString. ToString Esto debe anularse para proporcionar una descripción textual del modelo de pronóstico actual incluyendo, cuando sea posible, cualquier parámetro derivado utilizado. Especificado por: toString en la interfaz ForecastingModel Overrides: toString en la clase WeightedMovingAverageModel Devuelve: una representación de cadena del modelo de pronóstico actual y sus parámetros. SIMPLE MOVING AVERAGE Problemas con el uso de la media móvil simple como herramienta de pronóstico: , Pero siempre se está quedando atrás. El promedio móvil nunca alcanzará los picos o los valles de los datos reales. Esto suaviza los datos. No te dice mucho sobre el futuro. Sin embargo, esto no hace que el promedio móvil sea inútil. Sólo necesitas estar al tanto de sus problemas. Por lo tanto, para resumir, para un promedio móvil simple o un solo promedio móvil, hemos visto algunos problemas con el uso de la media móvil simple como herramienta de pronóstico. El promedio móvil es el seguimiento de los datos reales, pero siempre se está quedando atrás. El promedio móvil nunca alcanzará los picos o valles de los datos reales, sino que suaviza los datos, y realmente no te dice mucho sobre el futuro, porque simplemente se pronostica un período de antelación, y se supone que ese pronóstico representa lo mejor Valor para el período futuro, un período de antelación, pero no le dice mucho más allá de eso. Eso no hace que el simple promedio móvil useless151 en realidad se ven simples promedios móviles