EWMA (ఘాటుగా బరువు కదిలే సగటు) | ఫార్ములా & ఉదాహరణలు
EWMA యొక్క నిర్వచనం (విపరీతంగా బరువున్న కదిలే సగటు)
ఎక్స్పోనెన్షియల్ వెయిటెడ్ మూవింగ్ యావరేజ్ (EWMA) వివిధ కారకాలను పరిగణనలోకి తీసుకొని ఫలితాలను మరియు అవుట్‌పుట్‌ను తనిఖీ చేయడం ద్వారా పోర్ట్‌ఫోలియో యొక్క కదలికను ట్రాక్ చేయడానికి ఉపయోగించే డేటా యొక్క సగటును సూచిస్తుంది మరియు వాటికి బరువులు ఇవ్వడం మరియు పనితీరును అంచనా వేయడానికి మరియు ఫలితాలను ట్రాక్ చేయడం ద్వారా మెరుగుదలలు చేయండి
EWMA కోసం బరువు గతంలో మరింత ముందుకు వెళ్ళే ప్రతి కాలానికి విపరీతమైన మార్గాన్ని తగ్గిస్తుంది. అలాగే, EWMA గతంలో లెక్కించిన సగటును కలిగి ఉన్నందున, ఎక్స్పోనెన్షియల్ వెయిటెడ్ మూవింగ్ యావరేజ్ యొక్క ఫలితం సంచితంగా ఉంటుంది. ఈ కారణంగా, అన్ని డేటా పాయింట్లు ఫలితానికి దోహదం చేస్తాయి, కాని తరువాతి కాలం EWMA లెక్కించినప్పుడు సహకారం కారకం తగ్గుతుంది.
వివరణ
ఈ EWMA ఫార్ములా t సమయంలో కదిలే సగటు విలువను చూపుతుంది.
EWMA (t) = a * x (t) + (1-a) * EWMA (t-1)
ఎక్కడ
- EWMA (t) = t సమయంలో కదిలే సగటు
- a = 0 మరియు 1 మధ్య మిక్సింగ్ పారామితి విలువ యొక్క డిగ్రీ
- x (t) = సమయం t వద్ద సిగ్నల్ x విలువ
ఈ సూత్రం t సమయంలో కదిలే సగటు విలువను తెలుపుతుంది. పాత డేటా గణనలోకి వచ్చే రేటును చూపించే పరామితి ఇక్కడ ఉంది. A యొక్క విలువ 0 నుండి 1 మధ్య ఉంటుంది.
ఒక = 1 అంటే EWMA ను కొలవడానికి ఇటీవలి డేటా మాత్రమే ఉపయోగించబడింది. ఒక 0 కి దగ్గరగా ఉంటే, పాత డేటాకు ఎక్కువ వెయిటేజ్ ఇవ్వబడుతుంది మరియు 1 కి దగ్గరగా ఉంటే కొత్త డేటాకు ఎక్కువ వెయిటేజ్ ఇవ్వబడింది.
EWMA యొక్క ఉదాహరణలు
ఎక్స్పోనెన్షియల్ వెయిటెడ్ మూవింగ్ యావరేజ్ యొక్క ఉదాహరణలు క్రింద ఉన్నాయి
మీరు ఈ EWMA ఎక్సెల్ మూసను ఇక్కడ డౌన్‌లోడ్ చేసుకోవచ్చు - EWMA ఎక్సెల్ మూసఉదాహరణ # 1
దిగువ పట్టిక ప్రకారం 5 డేటా పాయింట్లను పరిశీలిద్దాం:
మరియు పరామితి a = 30% లేదా 0.3
కాబట్టి EWMA (1) = 40
సమయం 2 కోసం EWMA క్రింది విధంగా ఉంది
- EWMA (2) = 0.3 * 45 + (1-0.3) * 40.00
- = 41.5
అదేవిధంగా ఇచ్చిన సమయాల్లో ఘాటుగా బరువున్న కదిలే సగటును లెక్కించండి -
- EWMA (3) = 0.3 * 43 + (1-0.3) * 41.5 = 41.95
- EWMA (4) = 0.3 * 31 + (1-0.3) * 41.95 = 38.67
- EWMA (5) = 0.3 * 20 + (1-0.3) * 38.67 = 33.07
ఉదాహరణ # 2
మేము ఆదివారం నుండి శనివారం వరకు డిగ్రీల సెల్సియస్‌లో ఒక నగరం యొక్క ఉష్ణోగ్రతను కలిగి ఉన్నాము. ఒక = 10% ఉపయోగించి మేము వారంలోని ప్రతి రోజు ఉష్ణోగ్రత యొక్క కదిలే సగటును కనుగొంటాము.
ఉపయోగించి a = 10% దిగువ పట్టికలో ప్రతి రోజు విపరీతంగా బరువున్న కదిలే సగటును మేము కనుగొంటాము:
వాస్తవ ఉష్ణోగ్రత మరియు EWMA మధ్య పోలికను చూపించే గ్రాఫ్ క్రింద ఉంది:
మనం చూడగలిగినట్లుగా = 10% ఉపయోగించి సున్నితంగా ఉండటం చాలా బలంగా ఉంది. అదే విధంగా మేము అనేక రకాల సమయ శ్రేణులు లేదా వరుస డేటాసెట్ల కోసం ఘాటుగా బరువున్న కదిలే సగటును పరిష్కరించగలము.
ప్రయోజనాలు
- డేటా లేదా అవుట్పుట్ యొక్క మొత్తం చరిత్రను ఉపయోగించి సగటును కనుగొనడానికి ఇది ఉపయోగపడుతుంది. అన్ని ఇతర పటాలు ప్రతి డేటాను ఒక్కొక్క విధంగా వ్యవహరిస్తాయి.
- వినియోగదారుడు అతని / ఆమె సౌలభ్యం ప్రకారం ప్రతి డేటా పాయింట్‌కు వెయిటేజీని ఇవ్వవచ్చు. వివిధ సగటులను పోల్చడానికి ఈ వెయిటేజీని మార్చవచ్చు.
- EWMA డేటాను రేఖాగణితంగా ప్రదర్శిస్తుంది. ఆ డేటా కారణంగా అవుట్‌లెర్స్ సంభవించినప్పుడు ఎక్కువ ప్రభావం చూపదు.
- ఎక్స్పోనెన్షియల్ వెయిటెడ్ మూవింగ్ యావరేజ్‌లోని ప్రతి డేటా పాయింట్ కదిలే సగటు పాయింట్లను సూచిస్తుంది.
పరిమితులు
- కాల వ్యవధిలో నిరంతర డేటా అందుబాటులో ఉన్నప్పుడు మాత్రమే ఇది ఉపయోగించబడుతుంది.
- మేము ప్రక్రియలో ఒక చిన్న మార్పును గుర్తించాలనుకున్నప్పుడు మాత్రమే దీనిని ఉపయోగించవచ్చు.
- సగటును లెక్కించడానికి ఈ పద్ధతిని ఉపయోగించవచ్చు. పర్యవేక్షణ వ్యత్యాసం వినియోగదారుడు కొన్ని ఇతర పద్ధతులను ఉపయోగించాల్సిన అవసరం ఉంది.
ముఖ్యమైన పాయింట్లు
- మేము విపరీతంగా బరువున్న కదిలే సగటును పొందాలనుకునే డేటాను సమయం ఆర్డర్ చేయాలి.
- ధ్వనించే సమయ శ్రేణి డేటా పాయింట్లలో శబ్దాన్ని తగ్గించడానికి ఇది చాలా సహాయపడుతుంది.
- ప్రతి అవుట్పుట్కు వెయిటేజ్ ఇవ్వబడుతుంది. ఇటీవలి డేటా ఏమిటంటే, అది పొందే అత్యధిక వెయిటేజ్.
- చిన్న షిఫ్ట్‌ను గుర్తించడంలో ఇది చాలా మంచిది కాని పెద్ద షిఫ్ట్‌ను గుర్తించడంలో నెమ్మదిగా ఉంటుంది.
- ఉప సమూహం నమూనా పరిమాణం 1 కంటే ఎక్కువగా ఉన్నప్పుడు దీనిని ఉపయోగించవచ్చు.
- వాస్తవ ప్రపంచంలో, ఈ పద్ధతిని రసాయన ప్రక్రియలలో మరియు రోజువారీ అకౌంటింగ్ ప్రక్రియలలో ఉపయోగించవచ్చు.
- వెబ్‌సైట్ సందర్శకుల వారంలో హెచ్చుతగ్గులను చూపించడంలో కూడా దీనిని ఉపయోగించవచ్చు.
ముగింపు
EWMA అనేది సమయ-పరిమితి ప్రక్రియ యొక్క సగటులో చిన్న షిఫ్ట్‌లను గుర్తించడానికి ఒక సాధనం. విపరీతంగా బరువున్న కదిలే సగటు కూడా అధికంగా అధ్యయనం చేయబడుతుంది మరియు డేటా యొక్క కదిలే సగటును కనుగొనడానికి ఒక నమూనాను ఉపయోగిస్తుంది. గత డేటా యొక్క ఈవెంట్ ప్రాతిపదికను అంచనా వేయడంలో కూడా ఇది చాలా ఉపయోగకరంగా ఉంటుంది. ఎక్స్పోనెన్షియల్ వెయిటెడ్ మూవింగ్ యావరేజ్ అనేది పరిశీలనలు సాధారణంగా పంపిణీ చేయబడతాయి. ఇది వారి వెయిటేజ్ ఆధారంగా గత డేటాను పరిశీలిస్తోంది. గతంలో డేటా ఎక్కువగా ఉన్నందున, లెక్కింపు కోసం దాని బరువు విపరీతంగా తగ్గుతుంది.
యూజర్లు వేరే డేటా EWMA ప్రాతిపదిక వేర్వేరు వెయిటేజీని తెలుసుకోవడానికి గత డేటాకు బరువును ఇవ్వవచ్చు. రేఖాగణితంగా ప్రదర్శించబడిన డేటా కారణంగా, అవుట్‌లెర్స్ కారణంగా డేటా పెద్దగా ప్రభావితం కాదు, అందువల్ల ఈ పద్ధతిని ఉపయోగించి మరింత సున్నితమైన డేటాను సాధించవచ్చు.
