Как определить величину интервала сглаживания. Метод скользящей средней

Аналитическое выравнивание уровней динамического ряда не дает хороших результатов при прогнозировании, если уровни ряда имеют резкие периодические колебания. В этих случаях для определения тенденции развития явления используется сглаживание динамического ряда методом скользящих средних.

Суть различных приемов сглаживания сводится к замене фактических уровней временного ряда расчетными уровнями, которые подвержены колебаниям в меньшей степени. Это способствует более четкому проявлению тенденции развития.

Методы сглаживания можно условно разделить на два класса, опирающиеся на различные подходы:

Аналитический подход;

Алгоритмический подход.

Аналитический подход основан на допущении, что исследователь может задать общий вид функции, описывающей регулярную, неслучайную составляющую.

При использовании алгоритмического подхода отказываются от ограничения, свойственного аналитическому. Процедуры этого класса не предполагают описание динамики неслучайной составляющей с помощью единой функции, они предполагают описание динамики неслучайной составляющей с помощью единой функции, они предоставляют исследователю лишь алгоритм расчета неслучайной составляющей в любой данный момент времени . Методы сглаживания временных рядов с помощью скользящих средних относятся к этому подходу.

Иногда скользящие средние применяют как предварительный этап перед моделированием тренда с помощью процедур, относящихся к аналитическому подходу.

Скользящие средние позволяют сгладить как случайные, так и периодические колебания, выявить имеющуюся тенденцию в развитии процесса и поэтому служат важным инструментом при фильтрации компонент временного ряда.

Алгоритм сглаживания по простой скользящей средней может быть представлен в виде следующего алгоритма.

1. Определяют длину интервала сглаживания g, включающего в себя g последовательных уровней ряда (g

2. Разбивают весь период наблюдений на участки, при этом интервал сглаживания как бы скользит по ряду с шагом, равным 1.

3. Рассчитывают арифметические средние из уровней ряда, образующих каждый участок.

4. Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующее среднее значение

При этом удобно брать длину интервала сглаживания g в виде нечетного числа g=2p+1, т.к. в этом случае полученные значения скользящей средней приходятся на средний член интервала.

Наблюдения, которые берутся для расчета среднего значения, называются активным участком сглаживания.

При нечетном значении g все уровни активного участка могут быть представлены в виде:

а скользящая средняя определяется по формуле

,

где − фактические значение -го уровня;

− значение скользящей средней в момент ;

− длина интервала сглаживания.

Процедура сглаживания приводит к полному устранению периодических колебаний во временном ряду, если длина интервала сглаживания берется равной или кратной периоду колебаний.

Для устранения сезонных колебаний желательно использовать четырех- и двенадцатичленную скользящую среднюю.

При четном числе уровней принято первое и последнее наблюдение на активном участке брать с половинными весами:

Тогда для сглаживания колебаний при работе с временными рядами квартальной или месячной динамики можно использовать следующие скользящие средние:

,

.

Рассмотрим применение скользящей средней по данным общей площади жилых помещений, приходящихся в среднем на 1 жителя по Хабаровскому краю (таблица 2.1.1).

Поскольку период сглаживания не обосновать, расчеты начинают с 3-членной скользящей средней. Первый сглаженный уровень получим для 1993 г.:

.

Последовательно сдвигая на один год начало периода скольжения, находим сглаженные уровни для последующих лет.

Для 1994 г. скользящая средняя составит

,

для 1995 г. , и т.д.

Так как скользящая средняя относится к середине интервала, за который она рассчитана, то динамический ряд сглаженных уровней сокращается на уровень при нечетном периоде скольжения и на уровней при четном периоде скольжения. Поэтому в нашем примере сглаженный ряд стал короче на два члена для трехчленной средней и на четыре – для пятичленной (таблица 2.1.1).

При расчете по четным скользящим средним (в нашем примере 4-членная скользящая средняя) вычисления производятся следующим образом:

Для 1994 г. ;

1995 г. ;

1996 г. .

Таблица 2.1.1 – Результаты сглаживания по методу скользящих средних

Как видно из таблицы 2.1.1, трехчленная скользящая средняя демонстрирует выравненный динамический ряд с однонаправленной тенденцией движения уровней. Сглаживание по трехчленной скользящей средней дало более сглаженный ряд, так как для трехчленной скользящей средней оказалась меньше сумма квадратов отклонений фактических данных () от сглаженных () ( = 0,179) (таблица 2.1.1). Иными словами, трехчленная скользящая средняя лучше всего представляет закономерность движения уровней динамического ряда.

Углубленный анализ временных рядов требует использования более сложных методик математической статистики. При наличии в динамических рядах значительной случайной ошибки (шума) применяют один из двух простых приемов - сглаживание или выравнивание путем укрупнения интервалови вычисления групповых средних. Этот метод позволяет повысить наглядность ряда, если большинство «шумовых» составляющих находятся внутри интервалов. Однако, если «шум» не согласуется с периодичностью, распределение уровней показателей становится грубым, что ограничивает возможности детального анализа изменения явления во времени.

Более точные характеристики получаются, если используют скользящие средние - широко применяемый способ для сглаживания показателей среднего ряда. Он основан на переходе от начальных значений ряда к средним в определенном интервале времени. В этом случае интервал времени при вычислении каждого последующего показателя как бы скользит по временному ряду.

Применение скользящего среднего полезно при неопределенных тенденциях динамического ряда или при сильном воздействии на показатели циклически повторяющихся выбросов (резко выделяющиеся варианты или интервенция).

Чем больше интервал сглаживания, тем более плавный вид имеет диаграмма скользящих средних. При выборе величины интервала сглаживания необходимо исходить из величины динамического ряда и содержательного смысла отражаемой динамики. Большая величина динамического ряда с большим числом исходных точек позволяет использовать более крупные временные интервалы сглаживания (5, 7, 10 и т.д.). Если процедура скользящего среднего используется для сглаживания не сезонного ряда, то чаще всего величину интервала сглаживания принимают равной 3 или 5. https://tvoipolet.ru/iz-moskvi-v-nyu-jork/ - отличная возможность выбрать авиакомпанию на перелет из Москвы в Нью-Йорк

Приведем пример вычисления скользящего среднего числа хозяйств с высокой урожайностью (более 30 ц/га) (табл. 10.3).

Таблица 10.3 Сглаживание динамического ряда укрупнением интервалов искользящим средним

Примеры вычисления скользящего среднего:

1982 г.(84 + 94 + 92) / 3 = 90,0;

1983 г. (94 + 92 + 83) / 3 = 89,7;

1984 г.(92 + 83 + 91) / 3 = 88,7;

1985 г.(83 + 91 + 88) / 3 = 87,3.

Составляется график. На оси абсцисс указываются годы, на оси ординат - число хозяйств с высокой урожайностью. Указываются координаты числа хозяйств на графике и соединяют полученные точки ломаной линией. Затем указываются координаты скользящей средней по годам на графике и соединяются точки плавной полужирной линией.

Более сложным и результативным методом является сглаживание (выравнивание) рядов динамики с помощью различных функций аппроксимации. Они позволяют формировать плавный уровень общей тенденции и основную ось динамики.

Наиболее эффективным методом сглаживания с помощью математических функций является простое экспоненциальное сглаживание. Этим методом учитываются все предшествующие наблюдения ряда по формуле:

S t = α∙X t + (1 - α ) ∙S t - 1 ,

где S t - каждое новое сглаживание в момент времени t ; S t - 1 - сглаженное значение в предыдущий момент времени t -1; X t - фактическое значение ряда в момент времени t ; α - параметр сглаживания.

Если α = 1, то предыдущие наблюдения полностью игнорируются; при величине α = 0 игнорируются текущие наблюдения; значения α между 0 и 1 дают промежуточные результаты. Изменяя значения этого параметраможно подобрать наиболее приемлемый вариант выравнивания. Выбор оптимального значения α осуществляется путем анализа полученных графических изображений исходной и выравненной кривых, либо на основе учета суммы квадратов ошибок (погрешностей) вычисленных точек. Практическое использование этого метода следует проводить с использованием ЭВМ в программе MS Excel . Математическое выражение закономерности динамики данных можно получить с помощью функции экспоненциального сглаживания.

2.3.1. Задание*

В первых двух столбцах таблицы 17 приведены данные, отражающие спрос на некоторый товар за восьмилетний период. Провести сглаживание данных методом скользящего среднего с окном сглаживания k =3.

2.3.2. Выполнение задания

Скользящее среднее вычисляется с помощью функции СРЗНАЧ. Результаты расчета представлены в третьем столбце таблицы 16 и иллюстрируются рисунком 8.

Таблица 17. Спроса на товар

2.4. Выделение трендовой и циклической компонент временного ряда**

Задание 1

В таблице 18 представлены данные об объеме y потребления энергии за четыре года (время t измеряется в кварталах). Сгладить временной ряд методом скользящего среднего, самостоятельно подобрав размер k окна сглаживания.

2.4.2. Выполнение задания 1

Из графика зависимости y (t ) (см. рис. 9) видно, что временной ряд содержит циклическую компоненту с периодом T п =4. Рассчитав с помощью функции КОРРЕЛ выборочный коэффициент автокорреляции r (1,t) (см. таблицу 19) и построив коррелограмму (с помощью мастера диаграмм – см. рис.10), получаем, что максимум коэффициента автокорреляции имеет место при значениях t, кратных четырем; это подтверждает (см. §1.2), что T п =4. Окно сглаживания следует выбрать равным (см. §1.5) периоду циклической составляющей: k=T п =4. Тогда результатом сглаживания будет являться приближенный тренд (за период положительные и отрицательные значения циклической составляющей будут компенсировать друг друга).

В третьем столбце таблицы 18 приведены результаты расчета скользящего среднего u 1 (t ) для k =4. Средняя точка t ср окна сглаживания находится между вторым и третьим моментом времени окна. Так, например, для первого окна (содержащего моменты времени t =1, 2, 3, 4) t ср =2,5; такого момента времени в наших данных нет, и мы приписываем среднее значение наблюдений по окну моменту t =2. Для второго окна t ср =3,5, и среднее значение наблюдений по второму окну будет приписано моменту t =3. Аналогично, среднее значение наблюдений для каждого следующего скользящего окна мы будем приписывать второму моменту времени этого окна.

Для установки соответствия между средним значением наблюдений по окну и серединой окна t ср необходимо применить к u 1 (t ) метод скользящего среднего с окном сглаживания, равным двум: u 2 (t )=[u 1 (t -1)+u 1 (t )]/2. Результаты расчета приведены в таблице 18 (четвертый столбец). Напомним (см. также §1.5), что расчет u 2 нужен только в случае четного k . Для нечетного k средняя точка окна сглаживания t ср совпадает с одним из имеющихся в таблице моментов времени.

Таблица 18. Расчет тренда и циклической составляющей

Задание 2

Вычислить значения циклической компоненты временного ряда по данным таблицы 18. Результаты записать в эту же таблицу.

2.4.4. Выполнение задания 2

Рассматриваемый временной ряд описывается аддитивной моделью, так как амплитуда колебаний уровней ряда практически не зависит от времени (см. рис. 9). По формуле (43) (учитывая, что T »u 2) рассчитываем S

Значения S 2 получены усреднением S 1 по периодам. Так как среднее значение циклической компоненты за период для аддитивной модели ряда должно равняться нулю, то выравниваем значения S 2: S 3 = S 2 -S 2 ср, где через S 2 ср обозначено среднее значение S S получены копированием S 3 по всем периодам.

Получив циклическую компоненту, вычислим следующее приближение тренда в предположении, что тренд линеен. Рассчитаем зашумленные значения тренда: T +E =Y -S (см. формулу (40)). Применив к этим значениям МНК (с помощью функции ЛИНЕЙН), получим следующую формулу: T (t )=0,186t +5,72. По этой формуле вычислим значения тренда, а затем, учитывая, что E =Y -T -S , – значения случайной компоненты E .

На рис. 9 компоненты ряда показаны графически. Так как случайная компонента существенно меньше остальных компонент ряда, можно считать, что полученные оценки тренда и циклической составляющей вполне приемлемы.

Задание 3

В первых двух столбцах таблицы 20 приведены поквартальные данные о прибыли компании (в усл. ед.) за последние четыре года. Определить трендовую, циклическую и случайную компоненты временного ряда.

2.4.6. Выполнение задания 3

Из графика зависимости y (t ) (см. рис. 11,а) видно, что временной ряд со­держит циклическую компоненту с периодом T п =4. Построив коррелограмму (которая здесь не приводится), можно удостовериться, что максимум коэффи­циента автокорреляции имеет место при значениях t, кратных четырем; это подтверждает, что T п =4. Окно сглаживания выбираем равным (см. §1.5) пе­риоду циклической составляющей: k=T п =4.

В третьем и четвертом столбце таблицы 20 приведены результаты рас­чета приближений тренда u 1 (t ) и u 2 (t ), полученные так же, как в таблице 18.

Для рассматриваемого временного ряда следует выбрать мультиплика­тивную модель, так как амплитуда колебаний уровней ряда изменяется про­порционально тренду (см. рис. 11,а). По формуле (44) (учитывая, что T »u 2) рас­считываем S 1 – первое приближение циклической компоненты ряда.

Значения S 2 получены усреднением S 1 по периодам. Так как среднее зна­чение циклической компоненты за период для мультипликативной модели должно равняться единице, то от S 2 переходим к следующему приближению циклической компоненты: S 3 = S 2 /S 2 ср, где S 2 ср – среднее значение S 2 . Значения циклической компоненты S получены копированием S 3 по всем периодам.

Далее вычислим следующее приближение тренда в предположении, что тренд линеен. Рассчитаем зашумленные значения тренда: TE =Y /S (см. формулу (41)). Применив к этим значениям МНК (с помощью функции ЛИНЕЙН), по­лучим формулу для тренда: T (t )=-2,77t +90,57. По этой формуле вычислим зна­чения тренда, а затем – значения случайной компоненты E (E =Y /(TS )). Абсо­лютная погрешность модели рассчитывается по формуле: Eabs =Y -TS .

На рис. 11 компоненты ряда показаны графически. Заметим, что абсо­лютная погрешность существенно меньше уровней ряда и тренда. Кроме того, случайная компонента практически для всех значе­ний t близка к единице. По­этому оценки тренда и циклической составляю­щей вполне приемлемы.

Таблица 20. Данные о прибыли компании

3. Задание на самостоятельную работу

1. В таблице 21* представлены данные о производительности труда Y для некоторого предприятия с 1987 по 1996 г. Получить уравнения и графики трендов: линейного, логарифмического, степенного, полиномиального, экспоненциального. Выбрать из них тренд, наиболее соответствующий наблюдениям (сравни­вая значение R 2). Для выбранного тренда проверить гипотезу независимости остатков по критерию Дарбина-Уотсона (при n =10 d н =0,88 d в =1,32). Зачем надо проверять эту гипотезу?

2. В таблице 22** приведено среднее число y яиц на несушку на каждый месяц по США с 1938 по 1940 г. Требуется:

1) построить график y (t ) и коррелограмму. Анализируя их, ответить на вопросы: содержит ли ряд линейный тренд? Содержит ли ряд циклическую со­ставляющую? Чему равен период циклической составляющей Тц? Какая модель подходит для описания ряда – аддитивная или мультипликативная?

2) определить компоненты ряда.

Таблица 22. Среднее число y яиц на несушку

3. В таблице 23 даны уровни некоторого ряда, время t измеряется в кварталах. Провести для этих данных исследования, аналогичные п.2.

Таблица 23. Уровни ряда

Практическая работа №5. Использование фиктивных
переменных при решении задач эконометрики

Теоретическая часть

Один из самых простых способов решить эту проблему – использовать метод скользящей средней цены (moving averages).

Метод скользящей средней дает возможность трейдеру сгладить и быстро определить направление текущего тренда, .

Виды скользящих средних

Есть три разных вида скользящих средних, которые различаются алгоритмами расчета, но все они интерпретируются одинаково. Разница в расчетах заключается в весе, который придается ценам. В одном случае все цены могут иметь одинаковый вес, в другом более свежие данные имеют больше значения.

Три самых распространенных вида скользящих средних:

1. простая (simple)
2. линейная взвешенная (linear weighted)
3. экспоненциальная (exponential)

Простая скользящая средняя (SMA, Simple Moving Average)

Это самый распространенный метод для расчета скользящих средних цен. Нужно просто взять сумму цен закрытия за определенный период и разделить на количество цен, использованных для расчета. То есть, это вычисление простого среднеарифметического значения.

Например, для десятидневной простой скользящей средней мы должны взять цены закрытия за последние 10 дней, сложить их вместе и разделить на 10.

Как вы можете видеть на рисунке ниже, трейдер может делать скользящие средние более плавными, просто увеличивая количество используемых дней (часов, минут) для расчета. Большой период для расчета скользящей средней обычно используется для отображения долгосрочного тренда.

Многие сомневаются в целесообразности использования простых скользящих средних цен, поскольку каждая точка имеет одинаковое значение. Критики данного метода расчета полагают, что более свежие данные должны иметь больший вес. Именно такие аргументы привели к созданию других видов скользящих средних.

Взвешенная скользящая средняя (WMA, Linear Weighted Average)

Этот вариант скользящей средней цены самый редко используемый индикатор из трех. Изначально она должна была бороться с недостатками расчета простой скользящей средней. Чтобы построить взвешенную скользящую среднюю нужно взять сумму цен закрытия за определенный период, умноженных на порядковый номер, и разделить полученное число на количество множителей.

Например, для расчета пятидневной взвешенной скользящей средней, нужно взять сегодняшнюю цену закрытия и умножить ее на пять, затем взять вчерашнюю цену закрытия и умножить ее на четыре и так продолжать до конца периода. Затем эти значения нужно сложить и разделить на сумму множителей.

Экспоненциальная скользящая средняя (EMA, Exponential Moving Average)

Этот тип скользящих средних представляет «сглаженный» вариант WMA, где больше значения придается последним данным. Такая формула считается более эффективной, чем та, что используется для расчета взвешенной скользящей средней.

Вам совсем не обязательно досконально понимать, как рассчитываются все типы скользящих средних. Любой современный торговый терминал построит вам этот индикатор с любыми настройками.

Формула для расчета экспоненциальной скользящей средней выглядит следующим образом:

EMA = (цена закрытия – EMA (предыдущий период) * множитель + EMA (предыдущий период)

Самое главное, что вы должны знать про экспоненциальную скользящую среднюю – она более восприимчива к новым данным в сравнении с простой скользящей средней. Это является ключевым фактором, почему экспоненциальный вариант расчета пользуется большей популярностью и сегодня применяется большинством трейдеров.

Как вы можете видеть на изображении снизу, EMA с периодом 15 быстрее реагирует на изменения цен, чем SMA с тем же периодом. На первый взгляд разница кажется не значительной, но это впечатление обманчиво. Такая разница может сыграть ключевую роль во время реальной торговли.

Определение тренда по скользящи средним

Скользящие средние используются для определения текущего тренда и момента его разворота, а также для нахождения уровней сопротивления и поддержки.

Скользящие средние позволяют очень быстро понять, в какую сторону в данный момент направлен тренд.

Посмотрите на изображение снизу. Очевидно, что когда скользящая средняя двигается под графиком цен, можно уверенно сказать – тренд восходящий. И наоборот, когда скользящая средняя находится над графиком цен, тренд считается нисходящим.

Другой способ определения направления тренда заключается в использовании двух скользящих средних с разным периодом для расчета. Когда краткосрочная средняя находится над долгосрочной, тренд считается восходящим. И наоборот, когда краткосрочная средняя находится под долгосрочной, тренд считается нисходящим.

Определение разворота тренда по скользящим средним

Разворот тренда по скользящим средним определяют двумя способами.

Первый – это когда средняя пересекает график цен. Например, когда скользящая средняя с периодом 50, пересекает график цен, как на изображении снизу, то это часто означает смену тренда с восходящего на нисходящий.

Другой вариант получения сигналов о возможных разворотах тенденции – отслеживать пересечение скользящих средних, краткосрочных и долгосрочных.

Например, на изображении снизу вы можете видеть, как скользящая средняя с периодом расчета 15 пересекает скользящую среднюю с периодом 50 снизу вверх, что сигнализирует о начале восходящего тренда.

Если используемые периоды для расчета средних относительно невелики (например, 15 и 35), то их пересечения будут сигнализировать о краткосрочных разворотах тренда. С другой стороны, для отслеживания долгосрочных тенденций используются периоды значительно больше, например 50 и 200.

Скользящие средние в качестве уровней поддержки и сопротивления

Еще один довольно распространенный способ использования скользящих средних – это определение уровней поддержки и сопротивления. Для этого обычно используются скользящие средние с большими периодами.

Когда цена подбирается к линии поддержки или сопротивления, то довольно высока вероятность ее «отскока» от этого уровня, как видно на изображении снизу. Если же цена пробивает долгосрочную скользящую среднюю, то высока вероятность продолжения движения цены в том же направлении.

Вывод

Скользящие средние в техническом анализе являются одним из самых мощных и в то же время простых инструментов для анализа рынка. Они позволяют трейдеру быстро определять направление долгосрочных и краткосрочных трендов, а также уровни поддержки и сопротивления.

Каждый трейдер использует свои настройки для расчета скользящих средних. Многое тут зависит от стиля торговли и от того, на каком финансовом рынке они применяются (рынок , валютная биржа и прочее).

Скользящие средние помогают техническим аналитикам убрать с графика так называемый «шум» ежедневных колебаний цены. Традиционно скользящие средние называют трендовыми индикаторами.

§ 2.1. Основные показатели динамики экономических явлений

Для количественной оценки динамики явлений применяются статистические показатели: абсолютные приросты, темпы роста, темпы прироста, причем они могут разделяться на цепные, базисные и средние.

В основе расчета этих показателей динамики лежит сравнение уровней временного ряда. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу сравнения, то эти показатели называются базисными. Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные таким образом показатели называются цепными.

Абсолютный прирост равен разности двух сравниваемых уровней.

Темп роста Т характеризует отношение двух сравниваемых уровней ряда, выраженное в процентах.

Темп прироста К характеризует абсолютный прирост в относительных величинах. Определенный в % темп прироста показывает, на сколько процентов изменился сравниваемый уровень по отношению к уровню, принятому за базу сравнения. В таблице 2.1. приведены выражения для вычисления базисных и цепных приростов, темпов роста, темпов прироста. При этом использованы следующие обозначения:

Таблица 2.1.

Основные показатели динамики

Для получения обобщающих показателей динамики развития определяются средние величины: средний абсолютный прирост, средний темп роста и прироста.

Описание динамики ряда с помощью среднего прироста соответствует его представлению в виде прямой, проведенной через две крайние точки. В этом случае, чтобы получить прогноз на один шаг вперед, достаточно к последнему наблюдению добавить значение среднего абсолютного прироста.

(2.1.),

где y n - фактическое значение в последней n - ой точке ряда;

Прогнозная оценка значения уровня в точке n+1;

Значение среднего прироста, рассчитанное для временного ряда .

Очевидно, что такой подход к получению прогнозного значения корректен, если характер развития близок к линейному. На такой равномерный характер развития могут указывать примерно одинаковые значения цепных абсолютных приростов.

Применение среднего темпа роста (и среднего темпа прироста) для описания динамики ряда соответствует его представлению в виде показательной или экспоненциальной кривой, проведенной через две крайние точки. Поэтому использование этого показателя в качестве обобщающего целесообразно для тех процессов, изменение динамики которых происходит примерно с постоянным темпом роста. В этом случае прогнозное значение на i шагов вперед может быть получено по формуле:

(2.2.),

где - прогнозная оценка значения уровня в точке n+i ;

Фактическое значение в последней n-ой точке ряда;

Средний темп роста, рассчитанный для ряда (не в % выражении).

К недостаткам среднего прироста и среднего темпа роста следует отнести то, что они учитывают лишь конечный и начальный уровни ряда, исключают влияния промежуточных уровней. Тем не менее, эти показатели имеют весьма широкую область применения, что объясняется чрезвычайной простотой их вычисления. Они могут быть использованы как приближенные, простейшие способы прогнозирования, предшествующие более глубокому количественному и качественному анализу.

§ 2.2. Сглаживание временных рядов с помощью скользящей средней

Распространенным приемом при выявлении тенденции развития является сглаживание временного ряда. Суть различных приемов сглаживания сводится к замене фактических уровней временного ряда расчетными уровнями, которые подвержены колебаниям в меньшей степени. Это способствует более четкому проявлению тенденции развития. Иногда сглаживание применяют как предварительный этап перед использованием других методов выделения тенденции (например, рассматриваемых в третьей главе).

Скользящие средние позволяют сгладить как случайные, так и периодические колебания, выявить имеющуюся тенденцию в развитии процесса, и поэтому, являются важным инструментом при фильтрации компонент временного ряда.

Алгоритм сглаживания по простой скользящей средней может быть представлен в виде следующей последовательности шагов:

1. Определяют длину интервала сглаживания g , включающего в себя g последовательных уровней ряда (g взаимопогашаются колебания, и тенденция развития носит более плавный , сглаженный характер. Чем сильнее колебания, тем шире должен быть интервал сглаживания.

2. Разбивают весь период наблюдений на участки, при этом интервал сглаживания как бы скользит по ряду с шагом, равным 1.

3. Рассчитывают арифметические средние из уровней ряда, образующих каждый участок.

4. Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующие средние значения.

При этом удобно брать длину интервала сглаживания g в виде нечетного числа: g=2p+1, т.к. в этом случае полученные значения скользящей средней приходятся на средний член интервала.

Наблюдения, которые берутся для расчета среднего значения, называются активным участком сглаживания.

При нечетном значении g все уровни активного участка могут быть представлены в виде:

а скользящая средняя определена по формуле:

(2.3.),

где - фактическое значение i-го уровня;

Значение скользящей средней в момент t ;

2p+1- длина интервала сглаживания.

Процедура сглаживания приводит к полному устранению периодических колебаний во временном ряду, если длина интервала сглаживания берется равной или кратной циклу, периоду колебаний.

Для устранения сезонных колебаний желательно было бы использовать четырех- и двенадцатичленную скользящие средние, но при этом не будет выполняться условие нечетности длины интервала сглаживания. Поэтому при четном числе уровней принято первое и последнее наблюдение на активном участке брать с половинными весами:

(2.4.)

Тогда для сглаживания сезонных колебаний при работе с временными рядами квартальной или месячной динамики можно использовать следующие скользящие средние:

(2.5.)

(2.6.)

При использовании скользящей средней с длиной активного участка g=2p+1 первые и последние p уровней ряда сгладить нельзя, их значения теряются. Очевидно, что потеря значений последних точек является существенным недостатком, т.к. для исследователя последние "свежие" данные обладают наибольшей информационной ценностью. Рассмотрим один из приемов, позволяющих восстановить потерянные значения временного ряда. Для этого необходимо:

1) Вычислить средний прирост на последнем активном участке

,

где g - длина активного участка;

Значение последнего уровня на активном участке;

Значение первого уровня на активном участке;

Средний абсолютный прирост.

2) Получить P сглаженных значений в конце временного ряда путем последовательного прибавления среднего абсолютного прироста к последнему сглаженному значению.

Аналогичную процедуру можно реализовать для оценивания первых уровней временного ряда.

Метод простой скользящей средней применим, если графическое изображение динамического ряда напоминает прямую. Когда тренд выравниваемого ряда имеет изгибы, и для исследователя желательно сохранить мелкие волны, применение простой скользящей средней нецелесообразно.

Если для процесса характерно нелинейное развитие, то простая скользящая средняя может привести к существенным искажениям. В этих случаях более надежным является использование взвешенной скользящей средней.

При сглаживании по взвешенной скользящей средней на каждом участке выравнивание осуществляется по полиномам невысоких порядков. Чаще всего используются полиномы 2-го и 3-его порядка. Так как при простой скользящей средней выравнивание на каждом активном участке производится по прямой (полиному первого порядка), то метод простой скользящей средней может рассматриваться как частный случай метода взвешенной скользящей средней. Простая скользящая средняя учитывает все уровни ряда, входящие в активный участок сглаживания, с равными весами, а взвешенная средняя приписывает каждому уровню вес, зависящий от удаления данного уровня до уровня, стоящего в середине активного участка.

Выравнивание с помощью взвешенной скользящей средней осуществляется следующим образом.

Для каждого активного участка подбирается полином вида

,

параметры которого оцениваются по методу наименьших квадратов. При этом начало отсчета переносится в середину активного участка. Например, для длины интервала сглаживания g=5, индексы уровней активного участка будут следующими i : -2, -1, 0, 1, 2.

Тогда сглаженным значением для уровня, стоящего в середине активного участка, будет значение параметра a 0 подобранного полинома.

Нет необходимости каждый раз заново вычислять весовые коэффициенты при уровнях ряда, входящих в активный участок сглаживания, т.к. они будут одинаковыми для каждого активного участка. Причем при сглаживании по полиному к-ой нечетной степени весовые коэффициенты будут такими же, как при сглаживании по полиному (к-1) степени. В таблице 2.2. представлены весовые коэффициенты при сглаживании по полиному 2-го или 3-го порядка (в зависимости от длины интервала сглаживания).

Так как веса симметричны относительно центрального уровня, то в таблице использована символическая запись: приведены веса для половины уровней активного участка; выделен вес, относящийся к уровню, стоящему в центре участка сглаживания. Для оставшихся уровней веса не приводятся, т. к. они могут быть симметрично отражены.

Например, проиллюстрируем использование таблицы для сглаживания по параболе 2-го порядка по 5-членной взвешенной скользящей средней. Тогда центральное значение на каждом активном участке , будет оцениваться по формуле:

Отметим важные свойства приведенных весов:

1) Они симметричны относительно центрального уровня.

2) Сумма весов с учетом общего множителя, вынесенного за скобки, равна единице.

3) Наличие как положительных, так и отрицательных весов, позволяет сглаженной кривой сохранять различные изгибы кривой тренда.

Существуют приемы, позволяющие с помощью дополнительных вычислений получить сглаженные значения для Р начальных и конечных уровней ряда при длине интервала сглаживания g=2p+1.