सीमाओं के- चल - औसत - पूर्वानुमान

पृष्ठ नहीं मिला जा सकता है आप जिस पेज की तलाश कर रहे हैं वह शायद हटा दिया गया हो, इसका नाम बदला गया हो या अस्थायी तौर पर अनुपलब्ध हो। कृपया निम्न प्रयास करें: सुनिश्चित करें कि आपके ब्राउज़र के पता बार में प्रदर्शित वेब साइट का पता वर्तनी और सही ढंग से फ़ॉर्मेट किया गया है। यदि आप किसी लिंक पर क्लिक करके इस पृष्ठ पर पहुंच गए हैं, तो वेब साइट के व्यवस्थापक से संपर्क करें ताकि उन्हें सूचित किया जा सके कि लिंक गलत तरीके से स्वरूपित है। दूसरे लिंक को आजमाने के लिए पीछे जाएं बटन पर क्लिक करें। HTTP त्रुटि 404 - फ़ाइल या निर्देशिका नहीं मिली। इंटरनेट सूचना सेवाओं (आईआईएस) तकनीकी जानकारी (समर्थन कर्मियों के लिए) माइक्रोसॉफ्ट प्रोडक्ट सपोर्ट सर्विसेज़ पर जाएं और शब्द HTTP और 404 के लिए एक शीर्षक खोज करें। IIS सहायता खोलें जो IIS प्रबंधक (inetmgr) में पहुंच योग्य है, और वेब साइट सेटअप शीर्षक वाले विषयों के लिए खोज। सामान्य प्रशासनिक कार्य। और कस्टम त्रुटि संदेशों के बारे में.sourceforge. openforecast. models क्लास मूविंग एवलमॉडल एक चलती औसत पूर्वानुमान मॉडल एक कृत्रिम रूप से निर्मित समय श्रृंखला पर आधारित है, जिसमें किसी निश्चित समय के लिए मूल्य उस मूल्य के माध्य और कुछ संख्या के लिए मूल्य पूर्वकाल और समय अवधि के बाद। जैसा कि आपने वर्णन से अनुमान लगाया हो सकता है, यह मॉडल टाइम-सीरीज़ डेटा के लिए सबसे उपयुक्त है i. e। जो डेटा समय के साथ बदलता है। उदाहरण के लिए, स्टॉक मार्केट में व्यक्तिगत शेयरों के कई चार्ट, रुझानों को दिखाने के लिए 20, 50, 100 या 200 दिनों की चलती औसत दिखाते हैं। चूंकि किसी भी अवधि के लिए अनुमानित मूल्य पिछली अवधि का औसत है, इसलिए पूर्वानुमान हमेशा मनाया (आश्रित) मूल्यों में वृद्धि या घटने के पीछे पीछे की ओर दिखाई देगा। उदाहरण के लिए, यदि किसी डेटा श्रृंखला में एक उल्लेखनीय ऊपरी प्रवृत्ति होती है तो एक चलती औसत पूर्वानुमान आम तौर पर निर्भर चर के मूल्यों का कम आंकलन प्रदान करेगा। चलती औसत विधि का अन्य पूर्वानुमान मॉडल पर एक फायदा है, क्योंकि यह अवलोकन के एक सेट में चोटियों और गर्त (या घाटियों) को सुगम बनाता है। हालांकि, इसमें कई नुकसान भी हैं विशेष रूप से यह मॉडल एक वास्तविक समीकरण का उत्पादन नहीं करता है। इसलिए, यह एक मध्यम-लंबी दूरी की भविष्यवाणी उपकरण के रूप में उपयोगी नहीं है। भविष्य में केवल एक या दो अवधियों का भविष्यवाणी करने के लिए इसका इस्तेमाल किया जा सकता है। चलती औसत मॉडल अधिक सामान्य भारित चलती औसत का एक विशेष मामला है। सरल चलती औसत में, सभी वजन बराबर हैं। चूंकि: 0.3 लेखक: स्टीव आर। गोल्ड फील्ड्स को कक्षा से प्राप्त किया गया। स्रोत। स्रोत फोर्ज. पेंनवर्कास्ट। मॉडेल्स. विच्छेदनकार्यक्रम मॉोडल मूविंग एवलमोडल () एक नए चलती औसत पूर्वानुमान मॉडल का निर्माण करता है। चलते हुए औसत मॉडेल (इंट अवधि) निर्दिष्ट अवधि का उपयोग करते हुए, एक नए चलती औसत पूर्वानुमान मॉडल का निर्माण करता है। getForecastType () इस प्रकार के पूर्वानुमान मॉडल के एक या दो शब्द का नाम देता है। init (DataSet DataSet) चलती औसत मॉडल को प्रारंभ करने के लिए प्रयुक्त। toString () यह मौजूदा प्रक्षेपण मॉडल का एक शाब्दिक वर्णन प्रदान करने के लिए ओवरराइड होना चाहिए, जहां संभव हो, किसी भी व्युत्पन्न पैरामीटर का उपयोग किया जाता है क्लास से प्राप्त विरासत। Net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel एक नए चलती औसत पूर्वानुमान मॉडल का निर्माण करता है। एक वैध मॉडल के निर्माण के लिए, आपको इनट को कॉल करना चाहिए और एक डेटा सेट में सेट करना चाहिए जिसमें कई डेटा पॉइंट्स शामिल हैं, जो कि स्वतंत्र वैरिएबल की पहचान करने के लिए शुरुआती समय के साथ है। चलते हुए एवलमोडल एक नया चलती औसत पूर्वानुमान मॉडल का निर्माण करता है, जो कि स्वतंत्र नाम के रूप में दिया गया नाम है। पैरामीटर: स्वतंत्र वैरिएबल - इस मॉडल में उपयोग करने के लिए स्वतंत्र चर का नाम। मूविंग एवरेज मॉोडल निर्दिष्ट अवधि का उपयोग करते हुए, एक नए चलती औसत पूर्वानुमान मॉडल का निर्माण करता है। एक वैध मॉडल के निर्माण के लिए, आपको इनट को कॉल करना चाहिए और एक डेटा सेट में सेट करना चाहिए जिसमें कई डेटा पॉइंट्स शामिल हैं, जो कि स्वतंत्र वैरिएबल की पहचान करने के लिए शुरुआती समय के साथ है। चलती औसत की गणना के लिए उपयोग किए जाने वाले अवलोकनों की संख्या निर्धारित करने के लिए अवधि मूल्य का उपयोग किया जाता है उदाहरण के लिए, 50-दिवसीय चलती औसत के लिए, जहां डेटा अंक दैनिक निरीक्षण होते हैं, तब अवधि को 50 पर सेट किया जाना चाहिए। अवधि का उपयोग भविष्य की अवधि की पहचान करने के लिए भी किया जाता है जो कि प्रभावी रूप से पूर्वानुमानित किया जा सकता है एक 50 दिन की चलती औसत के साथ, हम उचित रूप से - सटीकता की किसी भी डिग्री के साथ नहीं - पिछले अवधि के 50 दिनों से अधिक का पूर्वानुमान, जिसके लिए डेटा उपलब्ध है। यह 10 दिन की अवधि के मुकाबले अधिक फायदेमंद हो सकता है, जहां हम केवल पिछली अवधि के 10 दिनों से अधिक अनुमान लगा सकते हैं। पैरामीटर: अवधि - चलती औसत की गणना करने के लिए उपयोग की जाने वाली टिप्पणियों की संख्या मूविंग एवरेज मॉोडेल एक नए चलती औसत पूर्वानुमान मॉडल का निर्माण करता है, जिसका नाम दिया गया स्वतंत्र चर और निर्दिष्ट अवधि के रूप में दिया गया है। पैरामीटर: स्वतंत्र वैरिएबल - इस मॉडल में उपयोग करने के लिए स्वतंत्र चर का नाम। अवधि - चलती औसत की गणना करने के लिए उपयोग की जाने वाली टिप्पणियों की संख्या चलती औसत मॉडल को प्रारंभ करने के लिए प्रयुक्त। इस विधि को कक्षा में किसी भी अन्य विधि से पहले बुलाया जाना चाहिए। चूंकि चलती औसत मॉडल पूर्वानुमान के लिए किसी भी समीकरण को प्राप्त नहीं करता है, इसलिए यह विधि स्वतंत्र डेटा वैल्यू के सभी मान्य मानों के लिए पूर्वानुमान मानों की गणना करने के लिए इनपुट डेटासेट का उपयोग करता है। द्वारा निर्दिष्ट: init इंटरफ़ेस पूर्वानुमान मॉडेल ओवरराइड: कक्षा में init AbstractTimeBasedModel पैरामीटर: डेटासेट - अवलोकनों का एक डेटा सेट जो भविष्यवाणी मॉडल के पूर्वानुमान के पैरामीटर को इनिशियलाइज़ करने के लिए उपयोग किया जा सकता है getForecastType इस प्रकार के पूर्वानुमान मॉडल के एक या दो शब्द का नाम देता है। यह छोटा रखें एक लंबा विवरण toString विधि में लागू किया जाना चाहिए। यह संभव है, जहां किसी भी व्युत्पन्न पैरामीटर का उपयोग किया गया है, जिसमें मौजूदा पूर्वानुमान मॉडल का एक शाब्दिक विवरण प्रदान करने के लिए ओवरराइड होना चाहिए। द्वारा निर्दिष्ट किया गया: स्ट्रिंग इन इंटरफ़ेस फोरग्रास्टिंग मॉोडल ओवरराइडः क्लास में टूस्ट्रिंग वेटेड मैविंग एवलमोडल रिटर्न: वर्तमान पूर्वानुमान मॉडल का स्ट्रिंग प्रतिनिधित्व, और इसके मापदंडों। 7 चलने की औसतताएं एक चल औसत औसत एक निर्दिष्ट अवधि के दौरान सुरक्षा का औसत मूल्य है । विश्लेषकों का अक्सर विश्लेषणात्मक उपकरण के रूप में चलती औसत का उपयोग होता है ताकि बाजार के रुझान का पालन करना आसान हो जाता है, क्योंकि प्रतिभूतियां ऊपर और नीचे बढ़ जाती हैं। मूविंग एवरेज रुझान को स्थापित कर सकते हैं और गति को माप सकते हैं। इसलिए, इसका उपयोग यह संकेत देने के लिए किया जा सकता है कि किसी निवेशक को किसी विशिष्ट सुरक्षा को खरीदने या बेचने पर क्या करना चाहिए। जब कीमतें दिशा बदलने की संभावना होती है तो गेज करने के लिए निवेशक सहायता या प्रतिरोध अंक की पहचान करने के लिए औसत चलती का उपयोग कर सकते हैं। ऐतिहासिक व्यापारिक सीमाओं का अध्ययन करके, समर्थन और प्रतिरोध अंक स्थापित किए जाते हैं, जहां सुरक्षा की कीमत पिछले या निम्न प्रवृत्ति को उलट देती है। इन बिंदुओं को फिर से निर्णय लेने, खरीदने या बेचने के लिए उपयोग किया जाता है दुर्भाग्य से, चलती औसत प्रवृत्तियों की स्थापना के लिए सही उपकरण नहीं हैं और वे कई सूक्ष्म, लेकिन महत्वपूर्ण निवेशकों के लिए जोखिम प्रस्तुत करते हैं। इसके अलावा, चलने की औसत सभी प्रकार की कंपनियों और उद्योगों पर लागू नहीं होती है मूविंग एवरेज के कुछ प्रमुख नुकसान में शामिल हैं: 1. अतीत की जानकारी से औसत आकर्षित प्रवृत्तियों। वे खाते के परिवर्तनों को न लेते हैं जो सुरक्षा के भविष्य के प्रदर्शन को प्रभावित कर सकते हैं, जैसे कि नए प्रतियोगियों, उद्योग में उत्पादों के लिए उच्च या कम मांग और कंपनी के प्रबंधकीय ढांचे में बदलाव। 2. आदर्श रूप से, चलती औसत समय के साथ एक सुरक्षा की कीमत में लगातार बदलाव दिखाएगा। दुर्भाग्य से, चलती औसत सभी कंपनियों के लिए काम नहीं करते हैं, खासकर उन लोगों के लिए जो बहुत ही अस्थिर उद्योग हैं या जो वर्तमान घटनाओं से भारी प्रभाव डालते हैं। यह विशेष रूप से तेल उद्योग और अत्यधिक सट्टा उद्योगों के लिए सच है, सामान्य रूप में। 3. चलने की औसत किसी भी समय अवधि में फैल सकती है। हालांकि, यह समस्याग्रस्त हो सकता है क्योंकि सामान्य प्रवृत्ति का उपयोग समय अवधि के आधार पर महत्वपूर्ण रूप से बदल सकता है। कम समय के फ्रेम में अधिक अस्थिरता होती है, जबकि लंबे समय के फ्रेम में कम अस्थिरता होती है, लेकिन बाजार में नए बदलावों के लिए खाते में न डालना होता है। निवेशकों को सावधान रहना चाहिए कि वे किस समय का चयन करते हैं, यह सुनिश्चित करने के लिए कि यह रुझान स्पष्ट और प्रासंगिक है 4. एक चल रही बहस यह है कि समय अवधि में हाल के दिनों में अधिक जोर दिया जाना चाहिए या नहीं। कई लोगों का मानना ​​है कि हाल के आंकड़ों से बेहतर दिशा में सुरक्षा बढ़ रही है, जबकि दूसरों का मानना ​​है कि दूसरों की तुलना में कुछ दिन अधिक वजन देने के कारण, इस प्रवृत्ति का गलत तरीके से पालन किया जाता है। औसत गणना करने वाले विभिन्न तरीकों का इस्तेमाल करने वाले निवेशक पूरी तरह से अलग प्रवृत्तियों को आकर्षित कर सकते हैं। (सरल बनाम घातीय मूविंग एवरेज में अधिक जानें।) 5. कई निवेशकों का तर्क है कि तकनीकी विश्लेषण बाजार के व्यवहार की भविष्यवाणी करने का एक अर्थहीन तरीका है। वे कहते हैं कि बाजार में कोई स्मृति नहीं है और अतीत भविष्य का एक संकेतक नहीं है। इसके अलावा, इस को वापस करने के लिए पर्याप्त शोध है उदाहरण के लिए, रॉय नेर्सियन ने मूविंग एवरी के उपयोग के पांच अलग-अलग रणनीतियों के साथ एक अध्ययन किया। प्रत्येक रणनीति की सफलता दर 37 और 66 के बीच अलग-अलग थी। यह शोध बताता है कि चलती औसत केवल आधा समय के परिणाम उत्पन्न करते हैं, जो उन्हें शेयर बाजार के प्रभावी ढंग से समय के लिए एक जोखिम भरा प्रस्ताव का उपयोग कर सकते हैं। 6. सिक्युरिटीज अक्सर व्यवहार की एक चक्रीय पैटर्न दिखाते हैं। यह उपयोगिता कंपनियों के लिए भी सच है, जो अपने उत्पाद वर्ष-दर-वर्ष के लिए लगातार मांग रखते हैं, लेकिन मौसमी बदलावों का अनुभव करते हैं। हालांकि चलती औसत इन प्रवृत्तियों को सुगम बनाने में मदद कर सकते हैं, वे यह तथ्य भी छुपा सकते हैं कि सुरक्षा एक आलसी पैटर्न में चल रही है। (अधिक जानने के लिए, गति पर नजर रखें।) 7. किसी भी प्रवृत्ति का उद्देश्य भविष्यवाणी करना है कि भविष्य में सुरक्षा की कीमत कहाँ होगी। यदि कोई सुरक्षा किसी भी दिशा में ट्रेंडिंग नहीं है, तो वह या तो खरीद या कम बिक्री से लाभ का अवसर प्रदान नहीं करता है। एकमात्र तरीका एक निवेशक लाभ के लिए सक्षम हो सकता है एक परिष्कृत, विकल्प-आधारित रणनीति को लागू करना जो कीमत पर निर्भर स्थिर है। बॉटम लाइन मूविंग एवरेज को बहुत से एक बहुमूल्य विश्लेषणात्मक उपकरण समझा गया है, लेकिन किसी भी टूल के लिए प्रभावी होना चाहिए, आपको पहले इसका फ़ंक्शन समझना होगा, इसका उपयोग कब करना है और इसका उपयोग कब नहीं करना है यहां पर चर्चा किए गए खतरों से संकेत मिलता है कि औसत चलते समय एक प्रभावी उपकरण नहीं हो सकता है, जैसे कि वाष्पशील प्रतिभूतियों के साथ प्रयोग किया जाता है, और कैसे वे कुछ महत्वपूर्ण सांख्यिकीय सूचनाओं को अनदेखा कर सकते हैं, जैसे चक्रीय पैटर्न यह भी संदिग्ध है कि मूल्य प्रवृत्तियों का सटीक रूप से संकेत करने के लिए प्रभावी चलती औसत कितनी प्रभावी हैं दोषों को देखते हुए, चलती औसत एक उपकरण हो सकता है जो दूसरों के साथ संयोजन में किया जाता है। अंत में, व्यक्तिगत अनुभव आपके पोर्टफोलियो के लिए वास्तव में प्रभावी होने के अंतिम संकेतक होंगे। (अधिक जानकारी के लिए, अनुकूली चलते बढ़ोतरी का लाभ उठाएं बेहतर परिणाम देखें) अनुच्छेद 50 यूरोपीय संघ संधि में एक खंड है जो एक सदस्य देश को यूरोपीय संघ छोड़ने के लिए आवश्यक चरणों का वर्णन करता है। ब्रिटेन। बीटा पूरे बाजार के मुकाबले एक सुरक्षा या पोर्टफोलियो की अस्थिरता या व्यवस्थित जोखिम का एक उपाय है। व्यक्तियों और निगमों द्वारा किए गए पूंजीगत लाभ पर लगाए गए एक प्रकार का कर। पूंजीगत लाभ लाभ है कि एक निवेशक किसी निर्दिष्ट कीमत से कम या नीचे एक सुरक्षा खरीदने का आदेश। एक खरीद सीमा आदेश व्यापारियों और निवेशकों को निर्दिष्ट करने की अनुमति देता है। एक आंतरिक राजस्व सेवा (आईआरएस) नियम जो IRA खाते से जुर्माना-मुक्त निकासी की अनुमति देता है। नियम की आवश्यकता है। सरलतम दृष्टिकोण जनवरी से मार्च तक औसत लेना होगा और इसका उपयोग अप्रैल 8217 की बिक्री का अनुमान लगाया जाएगा: (12 9 134 122) 3 128.333 इसलिए, मार्च के माध्यम से जनवरी की बिक्री के आधार पर, आप अनुमान लगाते हैं कि अप्रैल में बिक्री 128,333 हो जाएगा एक बार अप्रैल 8217 की वास्तविक बिक्री आती है, तो आप मई के पूर्वानुमान की गणना करेंगे, इस बार फरवरी के माध्यम से फरवरी का उपयोग करते हुए। औसत पूर्वानुमान की ओर बढ़ने के लिए आपके द्वारा उपयोग की जाने वाली समयावधि की संख्या के अनुरूप होना चाहिए आपके चलते औसत पूर्वानुमानों में आपके द्वारा उपयोग की जाने वाली समयावधि अनियमित हैं, आप केवल दो-अवधि या पांच या छह अवधि का प्रयोग कर सकते हैं, जो आप अपने पूर्वानुमान उत्पन्न करने की इच्छा रखते हैं। उपरोक्त दृष्टिकोण एक सरल चलती औसत है। कभी-कभी, हाल के महीनों में 8217 की बिक्री आने वाले महीने 8217 की बिक्री के प्रभावशाली प्रभावशाली हो सकती है, इसलिए आप अपने पूर्वानुमान मॉडल में उन महीनों के अधिक वजन देना चाहते हैं। यह एक भारित चलती औसत है और समय की संख्या की तरह, आपके द्वारा जो वजन सौंपा गया है वह पूरी तरह मनमाना है। Let8217 का कहना है कि आप मार्च 8217 की बिक्री 50 वज़न, फरवरी 8217 के 30 वज़न और जनवरी 8217 से 20 देना चाहते थे। फिर अप्रैल के लिए आपका पूर्वानुमान 127,000 (122.50) (134.30) (12 9 .20) 127 होगा। मूविंग औसत तरीकों की सीमाएं औसत चलने वाली एक औसत 8220smoothing8221 पूर्वानुमान तकनीक माना जाता है। क्योंकि आप 8217 के समय के साथ औसत ले रहे हैं, आप डेटा के भीतर अनियमित घटनाओं के प्रभाव को नरम कर रहे हैं (या चौरसाई कर रहे हैं) नतीजतन, ऋतुमान, व्यापारिक चक्र और अन्य यादृच्छिक घटनाओं के प्रभाव नाटकीय रूप से पूर्वानुमान की त्रुटि को बढ़ा सकते हैं। एक पूर्ण वर्ष 8217 के मूल्य के आंकड़ों पर गौर करें, और 3-अवधि की चलती औसत और 5-अवधि की चलती औसत की तुलना करें: ध्यान दें कि इस उदाहरण में मैंने पूर्वानुमान नहीं बनाया, बल्कि चलती औसतों को केंद्रित किया। पहला 3 महीने की चलती औसत फरवरी के लिए है, और जनवरी, फरवरी और मार्च की औसत संख्या 8217 है। मैं भी 5 महीने की औसत के लिए समान था। अब निम्नलिखित चार्ट पर एक नज़र डालें: आप क्या देखते हैं तीन महीने की चलती हुई औसत श्रृंखला वास्तविक बिक्री श्रृंखला की तुलना में अधिक चिकनी नहीं है और यह पांच महीने के औसत औसत It8217 के बारे में भी आसान है। इसलिए, आपके चलती औसत में जितनी अधिक समय आप उपयोग करते हैं, चिकनी आपके समय श्रृंखला इसलिए, पूर्वानुमान के लिए, एक सरल चलती औसत शायद सबसे सटीक विधि न हो। औसत तरीकों को आगे बढ़ाना काफी मूल्यवान साबित होता है जब आप 8217re पुनरावृत्ति और एआरआईएए जैसे उन्नत पूर्वानुमान के तरीकों के लिए एक समय श्रृंखला के मौसमी, अनियमित, और चक्रीय घटकों को निकालने की कोशिश कर रहे हैं, और एक समय श्रृंखला को कमजोर करने में औसत चलने के उपयोग को बाद में संबोधित किया जाएगा श्रंखला में। एक मूविंग औसत मॉडल की शुद्धता को निर्धारित करना आम तौर पर, आप एक पूर्वानुमान की विधि चाहते हैं, जिसमें वास्तविक और अनुमानित परिणाम के बीच कम से कम त्रुटि हो। भविष्यवाणी सटीकता के सबसे सामान्य उपायों में से एक मीन निरपेक्ष विचलन (एमएडी) है इस दृष्टिकोण में, समय अवधि में प्रत्येक अवधि के लिए, जिसके लिए आपने पूर्वानुमान बनाया था, आप उस अवधि 8217 के वास्तविक और पूर्वानुमानित मानों (विचलन) के बीच के अंतर का पूर्ण मूल्य लेते हैं। फिर आप उन पूर्ण विचलनों को औसत करते हैं और आप को मैड का एक उपाय मिलता है। मैड आपकी औसत अवधि की संख्या तय करने में सहायक हो सकता है, और प्रत्येक अवधि में आपके द्वारा कितनी वज़न में रखा जाता है आम तौर पर, आप उस एक को चुनते हैं जो सबसे कम एमएडी में होता है। यहां 8217 के उदाहरण हैं कि कैसे एमएडी की गणना की जाती है: एमएडी केवल 8, 1, और 3 का औसत है। चलना औसत: रीकैप पूर्वानुमान के लिए चलती औसत का उपयोग करते समय, याद रखें: मूविंग एवरेज सरल या भारित हो सकते हैं आपके लिए उपयोग की जाने वाली समयावधि की संख्या औसत और आप प्रत्येक के लिए जो भी वजन देते हैं, कड़ाई से मनमाने हैं मूविंग एवल टाइम सीरीज़ डेटा में अनियमित पैटर्न को आसान बनाते हैं, प्रत्येक डाटा पॉइंट के लिए इस्तेमाल की जाने वाली समयावधि की संख्या जितनी बड़ी होनी चाहिए, चौरसाई प्रभाव के कारण, अगले महीने 8217 की बिक्री की भविष्यवाणी सबसे हालिया कुछ महीना 8217 की बिक्री के कारण डेटा में मौसम, चक्रीय और अनियमित पैटर्न की वजह से बड़े विचलन का परिणाम हो सकता है और चलती औसत विधि की चौरसाई क्षमताओं को अधिक उन्नत पूर्वानुमान विधियों के लिए एक समय श्रृंखला कमजोर करने में उपयोगी हो सकता है। अगले सप्ताह: घातीय चिकनाई अगले सप्ताह में 8217s पूर्वानुमान शुक्रवार। हम घातीय चौरसाई विधियों पर चर्चा करेंगे, और आप देखेंगे कि वे औसत पूर्वानुमानकारी विधियों को आगे बढ़ने से कहीं बेहतर हैं। अभी भी don8217t पता है कि क्यों हमारे पूर्वानुमान शुक्रवार पदों गुरुवार को दिखाई देते हैं पर बाहर खोजें: tinyurl26cm6ma इस तरह: पोस्ट नेविगेशन एक उत्तर दें छोड़ दो उत्तर रद्द मैं 2 सवाल थे: 1) आप पूर्वानुमान या सिर्फ मौसम के लिए हटाने के लिए केंद्रित एमए दृष्टिकोण का उपयोग कर सकते हैं 2) जब आप साधारण टी (टी -1 टी -2टी-कश्मीर) कश्मीर एमए का उपयोग एक अवधि का पूर्वानुमान करने के लिए करते हैं, क्या 1 से अधिक अवधि की भविष्यवाणी करना संभव है, तो मुझे लगता है कि आपका भविष्य अगले अंक में खाने वाले अंकों में से एक होगा। धन्यवाद। जानकारी और आपके स्पष्टीकरण I8217m से आपको खुशी है कि ब्लॉग I8217m को बहुत खुशी है कि कई विश्लेषकों ने पूर्वानुमान के लिए केन्द्रित एमए दृष्टिकोण का इस्तेमाल किया है, लेकिन मैं व्यक्तिगत रूप से नहीं, क्योंकि इस दृष्टिकोण से दोनों छोरों पर टिप्पणियों के नुकसान में परिणाम होता है। यह वास्तव में तब आपके दूसरे प्रश्न में संबंध है आम तौर पर, साधारण एमए का इस्तेमाल केवल एक अवधि का पूर्वानुमान करने के लिए किया जाता है, लेकिन कई विश्लेषक 8211 और मैं भी कभी-कभी 8211 मेरे एक-अवधि के पहले पूर्वानुमान का इस्तेमाल दूसरी अवधि के लिए एक इनपुट के रूप में करेंगे। यह याद रखने के लिए महत्वपूर्ण है कि भविष्य में आप भविष्य की ओर अग्रसर होने की कोशिश कर रहे हैं, पूर्वानुमान पूर्वानुमान का अधिक बड़ा जोखिम। यही कारण है कि मैं 8211 की भविष्यवाणी करने के लिए केन्द्रित एमए की सिफारिश नहीं करता, अंत में टिप्पणियों की हानि का मतलब है कि खोए गए अवलोकनों के पूर्वानुमान के साथ ही आगे की अवधि (भविष्यओं) के पूर्वानुमानों पर भरोसा करना है, इसलिए पूर्वानुमान त्रुटि की अधिक संभावना है। पाठकों: आप इस पर तौलना करने के लिए आमंत्रित किए गए हैं I8217। क्या आपके इस ब्रायन पर कोई विचार या सुझाव है, आपकी टिप्पणी के लिए धन्यवाद और ब्लॉग पर आपकी तारीफ अच्छा पहल और अच्छी व्याख्या है। यह वास्तव में मददगार है मैं किसी ग्राहक के लिए कस्टम मुद्रित सर्किट बोर्डों का पूर्वानुमान करता हूं जो किसी भी पूर्वानुमान नहीं देता। मैंने चलती औसत का इस्तेमाल किया है, हालांकि यह बहुत सटीक नहीं है क्योंकि उद्योग ऊपर और नीचे जा सकता है हम साल के अंत तक गर्मियों के बीच की तरफ देखते हैं कि शिपिंग पीसीबी 8217 के ऊपर है। तब हम साल की शुरुआत में देखते हैं नीचे की तरफ धीमा कर देते हैं कैटरीना मेरे डेटा से मैं कैसे ज्यादा सटीक हो सकता हूं, यह बताता है कि आपका मुद्रित सर्किट बोर्ड की बिक्री में एक मौसमी घटक है। मैं कुछ अन्य पूर्वानुमानों के शुक्रवार पोस्ट में मौसम का पता लगाता हूं एक और तरीका जो आप उपयोग कर सकते हैं, जो बहुत आसान है, होल्ट-विंटर्स एल्गोरिथ्म है, जो खाते की मौसमी स्थिति में ले जाता है आप यहां इसका एक अच्छा स्पष्टीकरण पा सकते हैं। यह निर्धारित करना सुनिश्चित करें कि आपके मौसमी पैटर्न गुणनीय या योजक हैं, क्योंकि प्रत्येक के लिए एल्गोरिदम थोड़ा अलग है यदि आप कुछ वर्षों से अपने मासिक डेटा को साजिश करते हैं और देखते हैं कि वर्ष के एक ही समय में मौसमी रूपांतरों को वर्ष में निरंतर वर्ष लगता है, तो मौसम ऋतु जोड़ती है अगर समय के साथ मौसमी विविधताएं बढ़ रही हैं, तो ऋतुमान होता है गुणक। सबसे मौसमी समय श्रृंखला गुणक होगी यदि संदेह में है, तो गुणात्मक लगता है नमस्ते वहाँ, उन पद्धतियों के बीच: नाव का पूर्वानुमान मीन को अपडेट करना औसत लंबाई चलाना या तो लम्बाई के औसत भारोत्तोलन औसत या एक्सपेंनेलीय स्माइटिंग जो डेटा अपडेट करने के लिए आप का उपयोग करते हुए उन मॉडलों को अपडेट करते हैं, मेरी राय के लिए, मैं मूविंग औसत के बारे में सोच रहा हूं। लेकिन मैं don8217t जानता हूं कि इसे कैसे साफ़ और संरचित किया जाए यह वास्तव में आपकी डेटा और आपकी पूर्वानुमानित क्षितिज (दीर्घकालिक, मध्य अवधि या अल्पकालिक) की मात्रा और गुणवत्ता पर निर्भर करता है।