วิธี การใช้งาน ที่เคลื่อนไหว ค่าเฉลี่ย ใน การคาดการณ์

ค่าเฉลี่ยเคลื่อนที่: วิธีการใช้งานบางส่วนของฟังก์ชันหลักของค่าเฉลี่ยเคลื่อนที่คือการระบุแนวโน้มและการพลิกกลับ วัดความแรงของโมเมนตัมของสินทรัพย์และกำหนดพื้นที่ที่อาจเป็นสินทรัพย์ที่จะได้รับการสนับสนุนหรือความต้านทาน ในส่วนนี้เราจะชี้ให้เห็นว่าช่วงเวลาที่ต่างกันสามารถตรวจสอบโมเมนตัมได้อย่างไรและค่าเฉลี่ยเคลื่อนที่ที่จะเป็นประโยชน์ในการตั้งค่าการหยุดขาดทุนได้อย่างไร นอกจากนี้เราจะกล่าวถึงบางส่วนของความสามารถและข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่ที่ควรพิจารณาเมื่อใช้เป็นส่วนหนึ่งของขั้นตอนการซื้อขาย เทรนด์แนวโน้มการระบุตัวตนเป็นหนึ่งในหน้าที่หลักของการย้ายค่าเฉลี่ยซึ่งใช้โดยผู้ค้าส่วนใหญ่ที่พยายามทำให้แนวโน้มเป็นเพื่อนของตน ค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่ล่าช้า ซึ่งหมายความว่าพวกเขาไม่ได้ทำนายแนวโน้มใหม่ แต่ยืนยันแนวโน้มเมื่อมีการจัดตั้งแล้ว ดังที่เห็นในรูปที่ 1 หุ้นจะถือเป็นหุ้นในขาขึ้นเมื่อราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยถ่วงขึ้น ในทางตรงกันข้ามผู้ประกอบการค้าจะใช้ราคาต่ำกว่าค่าเฉลี่ยที่ลาดลงเพื่อยืนยันขาลง ผู้ค้าจำนวนมากจะพิจารณาเฉพาะการถือครองฐานะยาวในสินทรัพย์เมื่อราคาซื้อขายสูงกว่าค่าเฉลี่ยเคลื่อนที่ กฎง่ายๆนี้สามารถช่วยให้มั่นใจได้ว่าแนวโน้มการทำงานในผู้ค้าชอบ โมเมนตัมผู้ค้าเริ่มต้นจำนวนมากถามว่ามันเป็นไปได้อย่างไรในการวัดโมเมนตัมและค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้เพื่อจัดการกับความสำเร็จดังกล่าวได้อย่างไร คำตอบง่ายๆคือให้ความสำคัญกับช่วงเวลาที่ใช้ในการสร้างค่าเฉลี่ยเนื่องจากแต่ละช่วงเวลาสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าในรูปแบบต่างๆของโมเมนตัม โดยทั่วไปแล้วโมเมนตัมระยะสั้นสามารถวัดได้โดยดูที่ค่าเฉลี่ยเคลื่อนที่ซึ่งให้ความสำคัญกับระยะเวลา 20 วันหรือน้อยกว่า การพิจารณาค่าเฉลี่ยเคลื่อนที่ที่สร้างขึ้นโดยมีระยะเวลา 20 ถึง 100 วันโดยทั่วไปถือว่าเป็นตัววัดที่ดีของแรงในระยะปานกลาง ในที่สุดค่าเฉลี่ยเคลื่อนที่ที่ใช้ 100 วันหรือมากกว่าในการคำนวณสามารถใช้เป็นตัวชี้วัดความเป็นโมเมนตัมในระยะยาว สามัญสำนึกควรบอกคุณว่าค่าเฉลี่ยเคลื่อนที่ 15 วันเป็นตัววัดระยะสั้นที่เหมาะสมกว่าค่าเฉลี่ยเคลื่อนที่ 200 วัน หนึ่งในวิธีการที่ดีที่สุดในการกำหนดความแรงและทิศทางของโมเมนตัมของสินทรัพย์คือการวางค่าเฉลี่ยเคลื่อนที่สามตัวลงบนแผนภูมิและให้ความสนใจใกล้เคียงกับความสัมพันธ์ระหว่างกัน ค่าเฉลี่ยเคลื่อนที่สามตัวที่ใช้โดยทั่วไปมีเฟรมเวลาต่างกันเพื่อแสดงถึงการเคลื่อนไหวของราคาในระยะสั้นระยะกลางและระยะยาว ในรูปที่ 2 แรงดึงดูดที่แข็งแกร่งขึ้นจะเห็นได้เมื่อค่าเฉลี่ยระยะสั้นอยู่เหนือค่าเฉลี่ยระยะยาวและค่าเฉลี่ยทั้งสองจะแตกต่างกัน ในทางตรงกันข้ามเมื่อค่าเฉลี่ยระยะสั้นมีค่าต่ำกว่าค่าเฉลี่ยระยะยาวในระยะยาวโมเมนตัมจะอยู่ในทิศทางที่ลดลง การสนับสนุนการใช้ค่าเฉลี่ยเคลื่อนที่อีกแบบหนึ่งคือการกำหนดราคาที่เป็นไปได้ ไม่ต้องใช้ประสบการณ์มากในการจัดการกับค่าเฉลี่ยเคลื่อนที่เพื่อสังเกตว่าราคาที่ลดลงของสินทรัพย์มักจะหยุดและกลับทิศทางในระดับเดียวกับค่าเฉลี่ยที่สำคัญ ตัวอย่างเช่นในรูปที่ 3 คุณจะเห็นได้ว่าค่าเฉลี่ยเคลื่อนที่ 200 วันสามารถตรึงราคาหุ้นหลังจากที่ตกลงมาจากระดับสูงที่ 32 ลงได้ผู้ค้าหลายรายคาดว่าจะพลิกกลับจากค่าเฉลี่ยเคลื่อนที่ที่สำคัญและจะใช้ค่าเฉลี่ยอื่น ๆ ตัวบ่งชี้ทางเทคนิคเพื่อยืนยันการเคลื่อนย้ายที่คาดไว้ ความต้านทานเมื่อราคาของสินทรัพย์ต่ำกว่าระดับที่มีอิทธิพลในการสนับสนุนเช่นค่าเฉลี่ยเคลื่อนที่ 200 วันก็เป็นเรื่องปกติที่จะเห็นค่าเฉลี่ยที่ทำหน้าที่เป็นอุปสรรคสำคัญที่ทำให้นักลงทุนไม่สามารถผลักดันให้ราคาสูงกว่าค่าเฉลี่ยดังกล่าวได้ ตามที่คุณสามารถดูได้จากตารางด้านล่างความต้านทานนี้มักใช้โดยผู้ค้าเป็นสัญลักษณ์เพื่อทำกำไรหรือปิดสถานะยาว ๆ ที่มีอยู่ ผู้ขายสั้นจำนวนมากยังใช้ค่าเฉลี่ยเหล่านี้เป็นจุดเริ่มต้นเนื่องจากราคามักจะตีกลับแนวต้านและยังคงเคลื่อนไหวต่ำลง หากคุณเป็นนักลงทุนที่มีฐานะที่ยาวนานในสินทรัพย์ที่ซื้อขายต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่สำคัญคุณอาจสนใจที่จะติดตามระดับอย่างใกล้ชิดเนื่องจากอาจส่งผลต่อมูลค่าการลงทุนของคุณมาก Stop-Losses ลักษณะการสนับสนุนและความต้านทานของค่าเฉลี่ยเคลื่อนที่ช่วยให้เป็นเครื่องมือในการบริหารความเสี่ยง ความสามารถในการเคลื่อนตัวเฉลี่ยเพื่อระบุตำแหน่งเชิงกลยุทธ์ในการตั้งคำสั่งหยุดขาดทุนช่วยให้ผู้ค้าสามารถตัดตำแหน่งที่เสียไปก่อนที่จะเติบโตได้ ดังที่เห็นในรูปที่ 5 ผู้ค้าที่ถือครองหุ้นในหุ้นยาวและตั้งคำสั่งหยุดขาดทุนต่ำกว่าค่าเฉลี่ยที่มีอิทธิพลสามารถช่วยตัวเองได้เงินเป็นจำนวนมาก การใช้ค่าเฉลี่ยเคลื่อนที่เพื่อตั้งคำสั่งหยุดขาดทุนเป็นหัวใจสำคัญของกลยุทธ์การซื้อขายที่ประสบความสำเร็จ ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าคำแนะนำเหล่านี้จะเป็นประโยชน์อย่างยิ่งสำหรับบางประเด็นเกี่ยวกับคอมพิวเตอร์ที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในหน้าของ quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ใดที่ควรจะเป็นดังต่อไปนี้ชุดข้อมูลเวลาคือลำดับของการสังเกตตัวแปรสุ่มแบบเป็นงวด ตัวอย่างคือความต้องการรายเดือนสำหรับผลิตภัณฑ์การลงทะเบียนเรียนปีแรกในแผนกของมหาวิทยาลัยและการไหลรายวันในแม่น้ำ ชุดเวลามีความสำคัญสำหรับการวิจัยการดำเนินงานเนื่องจากมักเป็นตัวขับเคลื่อนของโมเดลการตัดสินใจ แบบจำลองสินค้าคงคลังต้องใช้การประมาณความต้องการในอนาคตการตั้งเวลาหลักสูตรและรูปแบบการจัดทำบุคลากรสำหรับแผนกของมหาวิทยาลัยจะต้องมีการประมาณการการไหลเข้าของนักเรียนในอนาคตและแบบจำลองสำหรับการให้คำเตือนแก่ประชากรในลุ่มน้ำต้องอาศัยการประมาณค่าของกระแสแม่น้ำในอนาคตอันใกล้นี้ การวิเคราะห์อนุกรมเวลามีเครื่องมือในการเลือกแบบจำลองที่อธิบายชุดเวลาและใช้แบบจำลองในการคาดการณ์เหตุการณ์ในอนาคต การสร้างแบบจำลองลำดับเวลาเป็นปัญหาทางสถิติเนื่องจากข้อมูลที่สังเกตได้ถูกใช้ในขั้นตอนการคำนวณเพื่อประมาณค่าสัมประสิทธิ์ของแบบจำลองที่ควร โมเดลสมมติว่าการสังเกตแตกต่างกันไปอย่างสุ่มเกี่ยวกับค่าเฉลี่ยที่อยู่ภายใต้ซึ่งเป็นฟังก์ชันของเวลา ในหน้าเว็บเหล่านี้เราจำกัดความสนใจในการใช้ข้อมูลชุดข้อมูลตามเวลาในอดีตเพื่อประมาณแบบจำลองขึ้นอยู่กับเวลา วิธีการนี้เหมาะสำหรับการคาดการณ์ในระยะสั้นของข้อมูลที่ใช้บ่อยซึ่งสาเหตุที่แท้จริงของการเปลี่ยนแปลงเวลาไม่ได้เปลี่ยนแปลงไปอย่างชัดเจนในเวลา ในทางปฏิบัติการคาดการณ์ที่ได้จากวิธีการเหล่านี้จะได้รับการแก้ไขในภายหลังโดยนักวิเคราะห์มนุษย์ซึ่งรวมข้อมูลที่ไม่สามารถใช้ได้จากข้อมูลในอดีต วัตถุประสงค์หลักของเราในส่วนนี้คือเพื่อนำเสนอสมการสำหรับสี่วิธีการคาดการณ์ที่ใช้ในการพยากรณ์ add-in: ค่าเฉลี่ยเคลื่อนที่เฉลี่ยชี้แจงการถดถอยและการเรียบขึ้นเลขคู่ เหล่านี้เรียกว่าวิธีราบเรียบ วิธีการที่ไม่ได้พิจารณารวมถึงการคาดการณ์เชิงคุณภาพการถดถอยพหุคูณและวิธีอัตโนมัติ (ARIMA) ผู้ที่สนใจในความครอบคลุมมากขึ้นควรไปที่ไซต์ Forecasting Principles หรืออ่านหนังสือที่ยอดเยี่ยมหลายเรื่องในหัวข้อนี้ เราใช้หนังสือ Forecasting โดย Makridakis, Wheelwright และ McGee, John Wiley amp Sons, 1983 ในการใช้สมุดงาน Excel ในตัวอย่างคุณต้องมี Add-in พยากรณ์การณ์ไว้ เลือกคำสั่ง Relink เพื่อสร้างลิงค์ไปยัง add-in หน้านี้อธิบายถึงรูปแบบที่ใช้ในการพยากรณ์อากาศแบบง่ายและสัญกรณ์ที่ใช้ในการวิเคราะห์ วิธีการพยากรณ์ที่ง่ายที่สุดคือการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ วิธีนี้เป็นเพียงค่าเฉลี่ยของการสังเกตการณ์สุดท้ายของ m เป็นประโยชน์สำหรับชุดเวลาที่มีค่าเฉลี่ยที่เปลี่ยนแปลงช้า วิธีนี้จะพิจารณาทั้งอดีตในการคาดการณ์ แต่มีน้ำหนักประสบการณ์ล่าสุดมากกว่าไม่ค่อยดีนัก การคำนวณทำได้ง่ายเพียงเพราะประมาณการของช่วงเวลาก่อนหน้าและข้อมูลปัจจุบันจะเป็นตัวกำหนดค่าประมาณใหม่ วิธีนี้เป็นประโยชน์สำหรับชุดเวลาที่มีค่าเฉลี่ยที่เปลี่ยนแปลงช้า วิธีเฉลี่ยเคลื่อนที่ไม่ตอบสนองต่อชุดข้อมูลเวลาที่เพิ่มขึ้นหรือลดลงตามเวลา ที่นี่เรารวมถึงรูปแบบเส้นแนวโน้มในรูปแบบ วิธีถดถอยประมาณรูปแบบโดยการสร้างสมการเชิงเส้นที่ให้สี่เหลี่ยมน้อยที่สุดพอดีกับการสังเกตการณ์ m ล่าสุดในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณค่าเฉลี่ยของชุดค่าผสมเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลง ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลจะถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับ