Net. sourceforge. openforecast. models Classe MovingAverageModel Un modèle de prévision de moyenne mobile est basé sur une série chronologique construite artificiellement dans laquelle la valeur pour une période de temps donnée est remplacée par la moyenne de cette valeur et les valeurs pour un certain nombre de temps précédent et suivant Périodes. Comme vous l'avez peut-être deviné à partir de la description, ce modèle convient le mieux aux données de séries temporelles, c'est-à-dire aux données qui changent au fil du temps. Par exemple, de nombreux graphiques de stocks individuels sur le marché boursier montrent des moyennes mobiles de 20, 50, 100 ou 200 jours comme un moyen de montrer les tendances. Puisque la valeur de prévision pour une période donnée est la moyenne des périodes précédentes, alors la prévision apparaîtra toujours à la traîne derrière les augmentations ou les diminutions des valeurs observées (dépendantes). Par exemple, si une série de données a une tendance à la hausse notable, alors une prévision moyenne mobile fournira généralement une sous-estimation des valeurs de la variable dépendante. La méthode de la moyenne mobile a un avantage par rapport aux autres modèles de prévision en ce qu'elle permet de lisser les pics et les creux (ou les vallées) dans un ensemble d'observations. Cependant, il présente également plusieurs inconvénients. En particulier, ce modèle ne produit pas d'équation réelle. Par conséquent, il n'est pas tout ce qui est utile comme moyen de prévision à moyen terme. Il ne peut être utilisé de manière fiable que pour prévoir une ou deux périodes dans le futur. Le modèle de la moyenne mobile est un cas particulier de la moyenne mobile pondérée plus générale. Dans la moyenne mobile simple, tous les poids sont égaux. Depuis: 0.3 Auteur: Steven R. Gould Champs hérités de la classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Construit un nouveau modèle de prévision de la moyenne mobile. MovingAverageModel (période int) Construit un nouveau modèle de prévision de la moyenne mobile, en utilisant la période spécifiée. GetForecastType () Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. Init (DataSet dataSet) Utilisé pour initialiser le modèle de moyenne mobile. ToString () Cela doit être remplacé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Méthodes héritées de la classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile. Pour qu'un modèle valide soit construit, vous devez appeler init et passer dans un ensemble de données contenant une série de points de données avec la variable de temps initialisée pour identifier la variable indépendante. MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile, utilisant le nom donné comme variable indépendante. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. MovingAverageModel Crée un nouveau modèle de prévision de la moyenne mobile, en utilisant la période spécifiée. Pour qu'un modèle valide soit construit, vous devez appeler init et passer dans un ensemble de données contenant une série de points de données avec la variable de temps initialisée pour identifier la variable indépendante. La valeur de la période est utilisée pour déterminer le nombre d'observations à utiliser pour calculer la moyenne mobile. Par exemple, pour une moyenne mobile de 50 jours où les points de données sont des observations quotidiennes, la période devrait être fixée à 50. Cette période sert également à déterminer le nombre de périodes futures qui peuvent être effectivement prévues. Avec une moyenne mobile de 50 jours, nous ne pouvons raisonnablement - avec un degré de précision - prévoir plus de 50 jours au-delà de la dernière période pour laquelle les données sont disponibles. Cela peut être plus avantageux que, par exemple, une période de 10 jours, où nous ne pouvions raisonnablement prévoir 10 jours au-delà de la dernière période. Paramètres: période - le nombre d'observations à utiliser pour calculer la moyenne mobile. MovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile, en utilisant le nom donné comme variable indépendante et la période spécifiée. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. Période - le nombre d'observations à utiliser pour calculer la moyenne mobile. Utilisé pour initialiser le modèle de moyenne mobile. Cette méthode doit être appelée avant toute autre méthode de la classe. Puisque le modèle de moyenne mobile ne dérive aucune équation de prévision, cette méthode utilise le DataSet d'entrée pour calculer les valeurs de prévision pour toutes les valeurs valides de la variable de temps indépendante. Spécifié par: init dans l'interface ForecastingModel Overrides: init dans la classe AbstractTimeBasedModel Paramètres: dataSet - ensemble de données d'observations pouvant être utilisées pour initialiser les paramètres de prévision du modèle de prévision. GetForecastType Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. Gardez ce court. Une description plus longue doit être implémentée dans la méthode toString. Cela devrait être annulé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Spécifié par: toString dans l'interface ForecastingModel Overrides: toString dans la classe WeightedMovingAverageModel Renvoie: une représentation en chaîne du modèle de prévision actuel et ses paramètres. Quels sont les principaux avantages et inconvénients d'utiliser une moyenne mobile simple (SMA) Professionnel de la santé qui se spécialise dans les questions se rapportant spécifiquement aux personnes riches. Blanchiment d'argent est le processus de créer l'apparence que de grandes quantités d'argent obtenu à partir de crimes graves, tels. Méthodes comptables qui mettent l'accent sur les impôts plutôt que l'apparence des états financiers publics. La comptabilité fiscale est régie. L'effet boomer fait référence à l'influence que le groupe générationnel née entre 1946 et 1964 a sur la plupart des marchés. Une hausse du prix des actions qui se produit souvent dans la semaine entre Noël et New Year039s Day. Il y a de nombreuses explications. Un terme utilisé par John Maynard Keynes utilisé dans un de ses livres d'économie. Dans sa publication de 1936, la théorie générale de l'emploi.
No comments:
Post a Comment