Moving Averages - Rata-rata Bergerak Sederhana dan Eksponensial - Pendahuluan Sederhana dan Eksponensial Moving averages memperlancar data harga menjadi indikator tren berikut. Mereka tidak memprediksi arah harga, melainkan menentukan arah saat ini dengan lag. Moving averages lag karena mereka didasarkan pada harga masa lalu. Terlepas dari lag ini, moving averages membantu tindakan harga yang lancar dan menyaring noise. Mereka juga membentuk blok bangunan untuk banyak indikator dan lapisan teknis lainnya, seperti Bollinger Bands. MACD dan McClellan Oscillator. Dua jenis moving average yang paling populer adalah Simple Moving Average (SMA) dan Exponential Moving Average (EMA). Rata-rata pergerakan ini dapat digunakan untuk mengidentifikasi arah tren atau menentukan level support dan resistance yang potensial. Berikut adalah bagan dengan SMA dan EMA di atasnya: Perhitungan Rata-rata Bergerak Sederhana Rata-rata pergerakan sederhana terbentuk dengan menghitung harga rata-rata sekuritas selama periode tertentu. Rata-rata pergerakan paling banyak didasarkan pada harga penutupan. Rata-rata pergerakan sederhana 5 hari adalah jumlah lima hari harga penutupan dibagi lima. Sesuai namanya, rata-rata bergerak adalah rata-rata bergerak. Data lama dijatuhkan saat data baru tersedia. Hal ini menyebabkan rata-rata bergerak sepanjang skala waktu. Berikut adalah contoh rata-rata pergerakan 5 hari yang berkembang selama tiga hari. Hari pertama rata-rata bergerak hanya mencakup lima hari terakhir. Hari kedua rata-rata bergerak menurunkan titik data pertama (11) dan menambahkan titik data baru (16). Hari ketiga dari rata-rata bergerak berlanjut dengan menjatuhkan titik data pertama (12) dan menambahkan titik data baru (17). Pada contoh di atas, harga secara bertahap meningkat dari 11 menjadi 17 di atas total tujuh hari. Perhatikan bahwa moving average juga naik dari 13 menjadi 15 selama periode perhitungan tiga hari. Perhatikan juga bahwa setiap nilai rata-rata bergerak tepat di bawah harga terakhir. Misalnya, rata-rata bergerak untuk hari pertama sama dengan 13 dan harga terakhir adalah 15. Harga empat hari sebelumnya lebih rendah dan ini menyebabkan rata-rata bergerak menjadi lag. Perhitungan Eksponensial Pindah Eksponensial Rata-rata pergerakan eksponensial mengurangi lag dengan menerapkan bobot lebih terhadap harga terkini. Bobot yang diterapkan pada harga terbaru bergantung pada jumlah periode pada moving average. Ada tiga langkah untuk menghitung rata-rata pergerakan eksponensial. Pertama, hitung rata-rata bergerak sederhana. Exponential moving average (EMA) harus dimulai di suatu tempat sehingga rata-rata bergerak sederhana digunakan sebagai EMA periode sebelumnya pada perhitungan pertama. Kedua, hitung pengganda bobot. Ketiga, hitung rata-rata pergerakan eksponensial. Rumus di bawah ini adalah untuk EMA 10 hari. Rata-rata pergerakan eksponensial 10 periode menerapkan bobot 18,18 pada harga terbaru. EMA 10 periode juga bisa disebut 18,18 EMA. EMA 20 periode berlaku 9,52 dengan harga paling tinggi (2 (201) .0952). Perhatikan bahwa pembobotan untuk periode waktu yang lebih pendek lebih dari bobot untuk jangka waktu yang lebih lama. Sebenarnya, bobot turun setengahnya setiap kali rata-rata bergerak rata-rata berganda. Jika Anda menginginkan persentase tertentu untuk EMA, Anda dapat menggunakan rumus ini untuk mengubahnya menjadi periode waktu dan kemudian memasukkan nilai tersebut sebagai parameter EMA039: Berikut adalah contoh spreadsheet dari rata-rata pergerakan sederhana 10 hari dan 10- Hari rata-rata bergerak eksponensial untuk Intel. Simple moving averages lurus ke depan dan memerlukan sedikit penjelasan. Rata-rata 10 hari hanya bergerak karena harga baru sudah tersedia dan harga lama turun. Rata-rata bergerak eksponensial dimulai dengan nilai rata-rata bergerak sederhana (22.22) pada perhitungan pertama. Setelah perhitungan pertama, rumus normal mengambil alih. Karena EMA dimulai dengan rata-rata bergerak sederhana, nilainya sebenarnya tidak akan terealisasi sampai 20 atau lebih periode kemudian. Dengan kata lain, nilai pada spreadsheet excel mungkin berbeda dari nilai grafik karena periode lihat belakang yang pendek. Spreadsheet ini hanya akan kembali 30 periode, yang berarti pengaruhnya terhadap rata-rata pergerakan sederhana memiliki 20 periode untuk menghilang. StockCharts kembali setidaknya 250 periode (biasanya jauh lebih jauh) untuk perhitungannya sehingga efek dari rata-rata pergerakan sederhana pada perhitungan pertama telah hilang sepenuhnya. Faktor Lag Semakin lama rata-rata bergerak, semakin tertinggal. Rata-rata pergerakan eksponensial 10 hari akan memeluk harga cukup dekat dan berbalik segera setelah harga berbalik. Rata-rata bergerak pendek seperti kapal cepat - gesit dan cepat berubah. Sebaliknya, rata-rata pergerakan 100 hari berisi banyak data masa lalu yang memperlambatnya. Rata-rata bergerak yang lebih panjang seperti kapal tanker laut - lesu dan lamban untuk berubah. Dibutuhkan pergerakan harga yang lebih besar dan lebih lama untuk rata-rata pergerakan 100 hari untuk mengubah arah. Bagan di atas menunjukkan SampP 500 ETF dengan EMA 10 hari mengikuti harga dan SMA 100 hari yang digiling lebih tinggi. Bahkan dengan penurunan Januari-Februari, SMA 100 hari itu mengikuti kursus dan tidak menolak. SMA 50 hari cocok di suatu tempat antara rata-rata pergerakan 10 dan 100 hari ketika sampai pada faktor lag. Rata-rata Bergerak Sederhana vs Eksponensial Meskipun ada perbedaan yang jelas antara rata-rata bergerak sederhana dan rata-rata bergerak eksponensial, yang satu tidak selalu lebih baik dari yang lain. Rata-rata pergerakan eksponensial memiliki sedikit lag dan oleh karena itu lebih sensitif terhadap harga terkini - dan perubahan harga terkini. Rata-rata bergerak eksponensial akan berubah sebelum rata-rata bergerak sederhana. Rata-rata pergerakan sederhana, di sisi lain, merupakan rata-rata harga sebenarnya untuk keseluruhan periode waktu. Dengan demikian, rata-rata pergerakan sederhana mungkin lebih sesuai untuk mengidentifikasi level support atau resistance. Preferensi rata-rata bergerak bergantung pada tujuan, gaya analisis dan horison waktu. Chartis harus bereksperimen dengan kedua jenis rata-rata bergerak serta rentang waktu yang berbeda untuk menemukan yang paling sesuai. Bagan di bawah ini menunjukkan IBM dengan SMA 50 hari berwarna merah dan EMA 50 hari berwarna hijau. Keduanya memuncak pada akhir Januari, namun penurunan EMA lebih tajam dibanding penurunan di SMA. EMA muncul pada pertengahan Februari, namun SMA terus berlanjut hingga akhir Maret. Perhatikan bahwa SMA muncul lebih dari sebulan setelah EMA. Panjang dan Jangka Waktu Panjang rata-rata bergerak bergantung pada tujuan analisis. Rata-rata pergerakan pendek (5-20 periode) paling sesuai untuk tren dan perdagangan jangka pendek. Chartists yang tertarik pada tren jangka menengah akan memilih moving average yang lebih panjang yang dapat memperpanjang periode 20-60. Investor jangka panjang akan memilih moving averages dengan periode 100 atau lebih. Beberapa panjang rata-rata bergerak lebih populer daripada yang lain. Rata-rata pergerakan 200 hari mungkin yang paling populer. Karena panjangnya, ini jelas merupakan moving average jangka panjang. Selanjutnya, rata-rata pergerakan 50 hari cukup populer untuk tren jangka menengah. Banyak chartis menggunakan moving average 50 hari dan 200 hari bersama-sama. Jangka pendek, rata-rata pergerakan 10 hari cukup populer di masa lalu karena mudah dihitung. Seseorang hanya menambahkan angka dan memindahkan titik desimal. Identifikasi Trend Sinyal yang sama dapat dihasilkan dengan menggunakan rata-rata bergerak sederhana atau eksponensial. Seperti disebutkan di atas, preferensi tergantung pada masing-masing individu. Contoh di bawah ini akan menggunakan rata-rata bergerak sederhana dan eksponensial. Istilah moving average berlaku untuk moving average rata-rata dan eksponensial. Arah rata-rata bergerak menyampaikan informasi penting tentang harga. Kenaikan rata-rata bergerak menunjukkan bahwa harga pada umumnya meningkat. Perputaran rata-rata bergerak menunjukkan bahwa harga rata-rata turun. Kenaikan moving average jangka panjang mencerminkan uptrend jangka panjang. Jatuh moving average jangka panjang mencerminkan tren turun jangka panjang. Bagan di atas menunjukkan 3M (MMM) dengan rata-rata pergerakan eksponensial 150 hari. Contoh ini menunjukkan seberapa baik rata-rata bergerak bekerja saat trennya kuat. EMA 150 hari ditolak pada bulan November 2007 dan sekali lagi pada bulan Januari 2008. Perhatikan bahwa dibutuhkan penurunan 15 untuk membalikkan arah rata-rata bergerak ini. Indikator tertinggal ini mengidentifikasi pembalikan tren saat terjadi (paling banter) atau setelah terjadi (paling buruk). MMM terus berlanjut hingga Maret 2009 lalu melonjak 40-50. Perhatikan bahwa EMA 150 hari tidak muncul sampai setelah gelombang ini terjadi. Setelah itu, bagaimanapun, MMM terus berlanjut dalam 12 bulan ke depan. Moving averages bekerja cemerlang dalam tren yang kuat. Double Crossover Dua moving averages dapat digunakan bersamaan untuk menghasilkan sinyal crossover. Dalam Analisis Teknis Pasar Keuangan. John Murphy menyebutnya metode crossover ganda. Crossover ganda melibatkan satu moving average yang relatif singkat dan satu moving average yang relatif panjang. Seperti semua moving averages, panjang umum moving average mendefinisikan kerangka waktu untuk sistem. Sistem yang menggunakan EMA 5 hari dan EMA 35 hari akan dianggap jangka pendek. Sistem yang menggunakan SMA 50 hari dan SMA 200 hari akan dianggap jangka menengah, bahkan mungkin dalam jangka panjang. Crossover bullish terjadi saat moving average yang pendek melintasi di atas moving average yang lebih panjang. Ini juga dikenal sebagai golden cross. Sebuah crossover bearish terjadi ketika moving average yang lebih pendek melintasi di bawah moving average yang lebih panjang. Ini dikenal sebagai salib mati. Pindah rata-rata crossover menghasilkan sinyal yang relatif terlambat. Bagaimanapun, sistem ini menggunakan dua indikator lagging. Semakin lama periode rata-rata bergerak, semakin besar lag pada sinyal. Sinyal ini bekerja hebat saat tren bagus terus berlanjut. Namun, sistem crossover moving average akan menghasilkan banyak whipsaws tanpa adanya tren yang kuat. Ada juga metode triple crossover yang melibatkan tiga moving averages. Sekali lagi, sinyal dihasilkan saat rata-rata bergerak terpendek melintasi dua rata-rata bergerak yang lebih lama. Sistem triple crossover sederhana mungkin melibatkan rata-rata pergerakan 5 hari, 10 hari dan 20 hari. Bagan di atas menunjukkan Home Depot (HD) dengan EMA 10 hari (garis putus-putus hijau) dan EMA 50 hari (garis merah). Garis hitam adalah tutupan harian. Menggunakan crossover rata-rata bergerak akan menghasilkan tiga whipsaws sebelum menangkap perdagangan yang baik. EMA 10 hari tersebut pecah di bawah EMA 50 hari pada akhir Oktober (1), namun ini tidak berlangsung lama selama 10 hari bergerak kembali di atas pada pertengahan November (2). Cross ini bertahan lebih lama, namun crossover bearish berikutnya di bulan Januari (3) terjadi mendekati level harga akhir November, sehingga terjadi whipsaw lainnya. Salib bearish ini tidak berlangsung lama karena EMA 10 hari bergerak kembali di atas 50 hari beberapa hari kemudian (4). Setelah tiga sinyal buruk, sinyal keempat meramalkan pergerakan kuat saat saham menguat di atas 20. Ada dua takeaways di sini. Pertama, crossover rentan terhadap whipsaw. Filter harga atau waktu dapat diterapkan untuk membantu mencegah whipsaws. Pedagang mungkin memerlukan crossover sampai 3 hari terakhir sebelum bertindak atau memerlukan EMA 10 hari untuk bergerak di atas EMA 50 hari dengan jumlah tertentu sebelum bertindak. Kedua, MACD dapat digunakan untuk mengidentifikasi dan mengkuantifikasi crossover ini. MACD (10,50,1) akan menunjukkan garis yang mewakili perbedaan antara dua rata-rata bergerak eksponensial. MACD berubah positif selama salib emas dan negatif selama salib mati. The Persentase Harga Oscillator (PPO) dapat digunakan dengan cara yang sama untuk menunjukkan perbedaan persentase. Perhatikan bahwa MACD dan PPO didasarkan pada rata-rata pergerakan eksponensial dan tidak akan sesuai dengan rata-rata bergerak sederhana. Bagan ini menunjukkan Oracle (ORCL) dengan EMA 50 hari, EMA 200 hari dan MACD (50,200,1). Ada empat perpindahan rata-rata bergerak selama periode 2 12 tahun. Tiga yang pertama menghasilkan whipsaws atau bad trade. Tren yang berkelanjutan dimulai dengan crossover keempat saat ORCL maju ke pertengahan 20an. Sekali lagi, pergerakan rata-rata crossover bekerja dengan baik saat trennya kuat, namun menghasilkan kerugian karena tidak adanya tren. Harga Crossover Moving averages juga dapat digunakan untuk menghasilkan sinyal dengan crossover harga sederhana. Sinyal bullish dihasilkan saat harga bergerak di atas rata-rata bergerak. Sinyal bearish dihasilkan saat harga bergerak di bawah moving average. Harga crossover dapat dikombinasikan untuk diperdagangkan dalam tren yang lebih besar. Rata-rata pergerakan yang lebih lama menentukan nada untuk tren yang lebih besar dan moving average yang lebih pendek digunakan untuk menghasilkan sinyal. Kita akan mencari harga bullish hanya bila harga sudah di atas moving average yang lebih panjang. Ini akan diperdagangkan selaras dengan tren yang lebih besar. Misalnya, jika harga di atas rata-rata pergerakan 200 hari, para chartists hanya akan fokus pada sinyal saat harga bergerak di atas rata-rata pergerakan 50 hari. Jelas, pergerakan di bawah rata-rata pergerakan 50 hari akan mendahului sinyal semacam itu, namun persilangan bearish semacam itu akan diabaikan karena tren yang lebih besar sudah naik. Salib bearish hanya akan menyarankan pullback dalam uptrend yang lebih besar. Sebuah cross back di atas moving average 50 hari akan memberi sinyal kenaikan harga dan kelanjutan dari uptrend yang lebih besar. Bagan berikutnya menunjukkan Emerson Electric (EMR) dengan EMA 50 hari dan EMA 200 hari. Saham bergerak di atas dan bertahan di atas rata-rata pergerakan 200 hari di bulan Agustus. Ada penurunan di bawah EMA 50 hari pada awal November dan lagi di awal Februari. Harga cepat bergerak kembali di atas EMA 50 hari untuk memberikan sinyal bullish (panah hijau) selaras dengan uptrend yang lebih besar. MACD (1,50,1) ditunjukkan di jendela indikator untuk mengkonfirmasi harga di atas atau di bawah EMA 50 hari. EMA 1 hari sama dengan harga penutupan. MACD (1,50,1) positif saat penutupan berada di atas EMA 50 hari dan negatif saat penutupan berada di bawah EMA 50 hari. Support and Resistance Moving averages juga dapat berperan sebagai support dalam uptrend dan resistance dalam downtrend. Pergerakan naik jangka pendek mungkin akan menemukan support mendekati moving average 20 hari sederhana, yang juga digunakan pada Bollinger Bands. Sebuah uptrend jangka panjang mungkin akan menemukan support mendekati rata-rata pergerakan sederhana 200 hari, yang merupakan moving average jangka panjang yang paling populer. Jika fakta, rata-rata pergerakan 200 hari mungkin menawarkan dukungan atau penolakan hanya karena sangat banyak digunakan. Hal ini hampir seperti ramalan yang dipenuhi sendiri. Bagan di atas menunjukkan Komposit NY dengan rata-rata pergerakan sederhana 200 hari dari pertengahan 2004 sampai akhir tahun 2008. Dukungan 200 hari telah diberikan berkali-kali selama uang muka. Begitu tren terbalik dengan double support break, moving average 200 hari bertindak sebagai resistance di sekitar 9500. Jangan mengharapkan level support dan resistance yang tepat dari moving averages, terutama moving average yang lebih lama. Pasar didorong oleh emosi, yang membuat mereka cenderung mengalami overshoot. Alih-alih tingkat yang tepat, moving averages dapat digunakan untuk mengidentifikasi zona support atau resistance. Kesimpulan Keuntungan menggunakan moving averages perlu dipertimbangkan terhadap kerugiannya. Moving averages adalah trend berikut, atau lagging, indikator yang akan selalu menjadi langkah di belakang. Ini belum tentu hal yang buruk sekalipun. Toh, trennya adalah teman Anda dan yang terbaik adalah berdagang ke arah tren. Moving averages memastikan bahwa trader sesuai dengan tren saat ini. Meskipun trennya adalah teman Anda, sekuritas menghabiskan banyak waktu dalam rentang perdagangan, yang membuat rata-rata bergerak tidak efektif. Begitu dalam tren, rata-rata bergerak akan membuat Anda tetap bertahan, namun juga memberi sinyal terlambat. Jangan berharap untuk menjual di bagian atas dan membeli di bagian bawah menggunakan moving averages. Seperti kebanyakan alat analisis teknis lainnya, moving averages tidak boleh digunakan sendiri, namun bersamaan dengan alat pelengkap lainnya. Chartis dapat menggunakan moving averages untuk menentukan keseluruhan trend dan kemudian menggunakan RSI untuk menentukan level overbought atau oversold. Menambahkan Moving Average ke Chart StockCharts Moving averages tersedia sebagai fitur overlay harga di meja kerja SharpCharts. Dengan menggunakan menu drop-down Overlay, pengguna dapat memilih rata-rata bergerak sederhana atau rata-rata bergerak eksponensial. Parameter pertama digunakan untuk mengatur jumlah periode waktu. Parameter opsional dapat ditambahkan untuk menentukan bidang harga mana yang harus digunakan dalam perhitungan - O untuk Open, H untuk High, L untuk Low, dan C for the Close. Koma digunakan untuk memisahkan parameter. Parameter opsional lainnya dapat ditambahkan untuk menggeser rata-rata bergerak ke kiri (masa lalu) atau kanan (masa depan). Angka negatif (-10) akan menggeser rata-rata bergerak ke kiri 10 periode. Angka positif (10) akan menggeser rata-rata bergerak ke kanan 10 periode. Beberapa moving averages dapat dilapisi dengan harga plot dengan hanya menambahkan garis overlay lainnya ke meja kerja. Anggota StockCharts dapat mengubah warna dan gaya untuk membedakan antara beberapa moving averages. Setelah memilih indikator, buka Advanced Options dengan mengklik segitiga hijau kecil. Opsi Lanjutan juga dapat digunakan untuk menambahkan overlay rata-rata bergerak ke indikator teknis lainnya seperti RSI, CCI, dan Volume. Klik di sini untuk live chart dengan beberapa moving average yang berbeda. Menggunakan Moving Averages with StockCharts Scans Berikut adalah beberapa contoh pemindaian yang dapat digunakan anggota StockCharts untuk memindai berbagai situasi rata-rata bergerak: Bullish Moving Average Cross: Pemindaian ini mencari saham dengan moving average 150 hari yang baru dan sebuah salib bullish dari 5 - day EMA dan EMA 35 hari. Rata-rata pergerakan 150 hari meningkat selama diperdagangkan di atas level lima hari yang lalu. Cross bullish terjadi ketika EMA 5 hari bergerak diatas EMA 35 hari di atas rata-rata volume. Bearish Moving Average Cross: Pemindaian ini mencari saham dengan pergerakan moving average 150 hari yang rendah dan umpan silang bearish EMA 5 hari dan EMA 35 hari. Rata-rata pergerakan 150 hari turun selama diperdagangkan di bawah level lima hari yang lalu. Salib bearish terjadi saat EMA 5 hari bergerak di bawah EMA 35 hari di atas rata-rata volume. Pelajaran lebih lanjut Buku John Murphy039 memiliki bab yang ditujukan untuk rata-rata bergerak dan berbagai kegunaannya. Murphy mencakup pro dan kontra moving averages. Selain itu, Murphy menunjukkan bagaimana rata-rata bergerak bekerja dengan Bollinger Bands dan sistem perdagangan berbasis saluran. Analisis Teknis Pasar Keuangan John MurphyMoving model pemulusan rata-rata dan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan model rata-rata bergerak atau pemulusan. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotsmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat perataan (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata-rata yang paling sederhana adalah. Rata-rata Bergerak Sederhana (rata-rata tertimbang): Perkiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk mendapatkan kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil rata-rata. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia memilih sebagian besar quot quotisequot di Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang lebih halus: Rata-rata pergerakan sederhana 5-langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai yang terakhir diamati, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata pergerakan sederhana 9-term, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, usia rata-rata meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata bergerak 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam ramalan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan perkiraan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam ramalan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, bila 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang masuk akal, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linier konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena opsi penyesuaian musiman dinonaktifkan saat jenis model diatur ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi pemulusan eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Dapat diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi terbaik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, smoothing eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi horisontal kuotometer. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Ada kemungkinan untuk menghitung interval kepercayaan di sekitar perkiraan jangka panjang yang dihasilkan oleh model penghalusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Kembali ke atas halaman.) Double Moving Average Filter Deskripsi The DoubleMovingAverageFilter menerapkan filter double moving average moving average. DoubleMovingAverageFilter adalah bagian dari Preprocessing Modules. Contoh sinyal (noise gelombang sinus acak) disaring menggunakan filter rata-rata bergerak. Sinyal merah adalah sinyal asli, sinyal hijau adalah sinyal tersaring yang menggunakan filter rata-rata bergerak dengan ukuran jendela 5, dan sinyal biru adalah sinyal tersaring menggunakan filter rata-rata bergerak dengan ukuran jendela 20. DoubleMovingAverageFilterExampleImage1. Jpg Keuntungan DoubleMovingAverageFilter bagus untuk mengeluarkan sejumlah kecil noise frekuensi tinggi dari sinyal dimensi N. Kerugian Kerugian utama dari DoubleMovingAverageFilter adalah bahwa untuk menyaring noise dengan frekuensi tinggi secara signifikan, ukuran jendela filter harus besar. Masalah dengan memiliki jendela filter besar adalah bahwa ini akan menyebabkan latensi besar dalam sinyal yang melewati filter, yang mungkin tidak menguntungkan untuk aplikasi real-time. Jika Anda mendapati bahwa Anda memerlukan jendela filter besar untuk menyaring frekuensi frekuensi tinggi dan latensi yang disebabkan oleh ukuran jendela ini tidak sesuai untuk aplikasi real-time Anda, Anda mungkin ingin mencoba Filter Lulus Rendah sebagai gantinya. Contoh Kode Contoh GRT DoubleMovingAverageFilter Contoh ini menunjukkan bagaimana membuat dan menggunakan Modul PreProcessing GRT DoubleMovingAverageFilter. DoubleMovingAverageFilter menerapkan filter rata-rata bergerak double pass yang rendah. Dalam contoh ini kita membuat sebuah instance dari DoubleMovingAverageFilter dan menggunakan ini untuk menyaring beberapa data dummy, yang dihasilkan dari noise acak gelombang sinus. Sinyal uji dan sinyal tersaring kemudian disimpan ke file (sehingga Anda bisa memplot hasil di Matlab, Excel, dll jika diperlukan). Contoh ini menunjukkan kepada Anda bagaimana untuk: - Membuat instance DoubleMovingAverageFilter baru dengan ukuran jendela tertentu untuk sinyal 1 dimensi - Saring beberapa data menggunakan pengaturan DoubleMovingAverageFilter - Save the DoubleMovingAverageFilter ke file - Muat pengaturan DoubleMovingAverageFilter dari sebuah file termasuk quotGRT. hquot Menggunakan namespace GRT int main 40 int argc. Const char argv 91 93 41 123 Buat contoh baru dari filter rata-rata bergerak ganda dengan ukuran jendela 5 untuk sinyal 1 dimensi DoubleMovingAverageFilter filter 40 5. 1 41 Buat dan buka file untuk menyimpan file data fstream file. Buka 40 quotDoubleMovingAverageFilterData. txtquot. Fstream Menghasilkan beberapa data (noise gelombang sinus) dan menyaringnya dua x 0 const UINT M 1000 Random random untuk 40 UINT i 0 i lt M i 41 123 double signal sin 40 x 41 random. GetRandomNumberUniform 40 - 0.2. 0,2 41 filter filteredValue ganda. Saringan 40 sinyal 41 file ltlt sinyal ltlt quot t quot ltlt filteredValue ltlt endl x TWOPI ganda 40 M 41 10 125 Tutup file file. Tutup 40 41 Simpan pengaturan filter ke saringan file. SaveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 Kita kemudian dapat memuat pengaturan nanti jika diperlukan filter. LoadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 kembali EXITSUCCESS 125 DoubleMovingAverageFilter juga bekerja dengan sinyal dimensi N: Buat contoh baru DoubleMovingAverageFilter dengan ukuran jendela 10 untuk sinyal 3 dimensi Filter DoubleMovingAverageFilter 40 10. 3 41 Nilai yang ingin Anda saring Vektor data gt ganda 40 3 41 data 91 0 93 0. Dapatkan nilai dari data sensor 91 1 93 0. Dapatkan nilai dari data sensor 91 2 93 0. Dapatkan nilai dari sensor Saring vektor sinyal lt filter gt filteredValue ganda. Saring 40 data 41
No comments:
Post a Comment