एक - लाभ ऑफ द चलती भारित औसत से - विधि - है - कि यह आदत करने वाली चिकनी - आउट - मूल्य - परिवर्तन

चलती औसत क्या है। महत्वपूर्ण यह पृष्ठ संग्रहीत सामग्री का हिस्सा है और पुराना हो सकता है। संपूर्ण वित्तीय संकेतकों के विभिन्न प्रकारों को तीन वर्गों में विभाजित किया जा सकता है रुझान अनुवर्ती, ओस्सीलेटर और अन्य रुझान निम्न संकेतक प्रभावी हैं, जब बाजार में प्रवृत्ति बढ़ रही है लेकिन स्थिर बाजार पर खतरनाक हो जाता है ओस्सीलेटर्स फर्म मार्केट मोड़ के अंक दिखाते हैं और चलती बाजार पर असाधारण या गलत संकेत भेज सकते हैं अन्य संकेतक निवेशकों की स्थिति को मानते हैं। सबसे महत्वपूर्ण रुझान निम्न संकेतक औसत चल रहे हैं, एमएसीडी मूविंग औसत कनवर्जेन्स डिवर्जेंस, एमएसीडी- हिस्टोग्राम, औसत डायरेक्शनल इंडेक्स एडीएक्स और संचय डिस्ट्रीब्यूशन इंडेक्स वे सभी संकेतक हैं, जब वे प्रवृत्ति पहले ही बदली हुई थीं। वे बदलते औसत एमए, रोलिंग एवरेज भी कहते हैं, औसत मूल्य आंदोलन सूचक हैं, जो विशिष्ट डेटा के औसत मूल्य को दर्शाता है समय सीमा यह अल्पकालिक उतार-चढ़ाव को सुगम बनाने और लंबी अवधि के रुझान को उजागर करने के लिए उपयोग किया जाता है सभी अन्य उपकरणों से चलती औसत के अपने फायदे और नुकसान हैं सबसे कमजोर बिंदु यह है कि यह प्रवृत्ति के आगामी परिवर्तन के बारे में चेतावनी नहीं देता है सबसे बड़ा लाभ यह हमें प्रवृत्ति के वर्तमान आंदोलन को निर्धारित करने में मदद करता है और यह वास्तव में तब होता है जब परिवर्तन की पुष्टि करता है। औसत स्तर को बढ़ाना एक बढ़ते बाजार में प्रतिरोध या गिरते बाजार में समर्थन के रूप में समझा जाता है। यहां एक समर्थन स्तर का मूल्य स्तर होता है, जहां कीमत नीचे जा रही है, जैसा कि समर्थन नीचे जा रहा है मूल्य की तुलना में इस स्तर को बंद करने की अधिक संभावना है इसके माध्यम से तोड़ना एक प्रतिरोध स्तर एक समर्थन स्तर के विपरीत होता है और ऊपरी छोर है जहां कीमत में प्रतिरोध दिख रहा है, क्योंकि यह ऊपर जा रहा है। आधुनिक ग्राफिकल विश्लेषणात्मक कार्यक्रम विभिन्न मूविंग औसत प्रकारों की विस्तृत श्रृंखला की गणना करते हैं और उनकी विज़ुअलाइज़ेशन शैलियों की वर्गीकरण प्रदान करते हैं गणना के लिए एक समय सीमा लघु, मध्यवर्ती या दीर्घ अवधि के रूप में निर्धारित की जा सकती है दीर्घकालिक प्रवृत्ति के लिए 200-दिवसीय औसत मध्यम अवधि 50-डी के लिए सबसे लोकप्रिय है एआईएस औसत और अल्पावधि 10 दिनों के औसत के लिए निम्न प्रकार की रोलिंग औसत दूसरों की तुलना में अक्सर एक सरल चलती औसत एसएमए भारित चलती औसत डब्लूएमए और एक तेजी से चलती औसत ईएमए है। हालाँकि अतीत की अवधि के लिए बिना चलित मूल्यों की सरल चलती औसत अंकगणित औसत सबसे अधिक इस्तेमाल किया जाता है यह पुराने डेटा से असंगत रूप से प्रभावित किया जा सकता है, इसकी गणना में एम्बेड किया जा सकता है, यह जानने से बचने के लिए कि भारित चलती औसत WMA पर आने वाले हाल के आंकड़ों के लिए अतिरिक्त वजन दिया जाता है एसएमए की तुलना में अधिक संवेदनशील है और कीमत के करीब है प्रवृत्ति तेजी से बढ़ती औसत में एक गुणांक भार घटने की डिग्री का प्रतिनिधित्व करने के लिए निर्धारित है, 0 और 1 के बीच एक निरंतर चौरसाई कारक है, फिर पिछली अवधि के लिए दोनों हालिया डेटा और एएमए चयनित गुणांक के अनुसार भारित हैं इसका मतलब है कि सभी पूर्ववर्ती समय के लिए डेटा अवधि को स्वचालित रूप से गणना में शामिल किया गया है लेकिन हाल की कीमतों में अभी भी अधिक वजन है। एवेरा चलने का सामान्य विश्लेषण जीएस की अगली कुंजी वस्तुओं पर स्थापित की जाती है। मूल्य और एमए ग्राफ़ के पार अंक निर्धारित करना। न्यूनतम और अधिकतम एमए। मूल्य और मूविंग औसत के बीच अधिकतम फैलाव का पता लगाना। चलती औसत की गति के बाद। आम तौर पर दो स्थानांतरण औसत, अलग-अलग समय पर निर्माण फ़्रेम, बाजार की प्रवृत्ति विश्लेषण के लिए उपयोग किया जाता है उनकी लाइनों के बीच संबंध रुझान की ताकत के बारे में आवश्यक जानकारी दे सकते हैं, उदाहरण के लिए, दीर्घकालिक चलती औसत वृद्धि तेजी से लंबी अवधि से होती है और लाइनों के बीच फैल जाती है यदि फैलाने से यह सिकुड़ना शुरू हो जाता है हमें जल्दी नोटिस देता है कि ऊपर की प्रवृत्ति इसकी गति को खो रही है। क्योंकि चलती औसत प्रवृत्ति निम्नलिखित संकेतक हैं, वे फैशनेबल बाजार पर अधिक उपयोगी होते हैं जब बाजार स्थिर होता है, चलती औसत चौरसाई की प्रकृति से लगी झूठी संकेत उत्पन्न होती हैं। औसत औसत और घातीय चिकनाई मॉडल। मतलब मॉडल, यादृच्छिक चलने मॉडल, और रैखिक प्रवृत्ति मॉडल से आगे बढ़ने में पहला कदम के रूप में, गैर-मौसमी पैटर्न घ प्रवृत्तियों को एक चल-औसत या चौरसाई मॉडल का उपयोग कर एक्सट्रपोलैटेड किया जा सकता है औसत और चौरसाई मॉडल के पीछे मूल धारणा यह है कि समय श्रृंखला स्थानीय रूप से स्थिर होती है जो धीरे-धीरे बदलती रहती है, इसलिए हम मतलब के वर्तमान मूल्य का अनुमान लगाने के लिए चलती स्थानीय औसत लेते हैं। और फिर निकट भविष्य की भविष्यवाणी के रूप में इसका इस्तेमाल करते हैं, यह औसत मॉडल और यादृच्छिक-चलने के बिना-बहाव-मॉडल के बीच एक समझौते के रूप में माना जा सकता है एक ही रणनीति का इस्तेमाल स्थानीय प्रवृत्ति का अनुमान और एक्सट्रपॉल करने के लिए किया जा सकता है चलती औसत अक्सर मूल श्रृंखला का एक चिकना संस्करण कहा जाता है क्योंकि छोटी अवधि के औसत को मूल श्रृंखला में बाधाओं को चौरसाई करने का असर होता है, चलती औसत की चौड़ाई को चौरसाई करके डिग्री के समायोजन के द्वारा, हम उम्मीद कर सकते हैं कि बीच में इष्टतम संतुलन औसत और यादृच्छिक चलने के मॉडल का प्रदर्शन औसत मॉडल का सरलतम प्रकार है। समान समान भारित मूविंग औसत। समय पर वाई के मूल्य के लिए पूर्वानुमान जो कि बनाया गया है 1 समय पर सबसे हाल के एम अवलोकन के सरल औसत के बराबर है। यहां और कहीं और मैं Y-hat का प्रतीक का उपयोग समय के श्रृंखला के पूर्वानुमान के लिए खड़े होंगे, जो किसी दिए गए मॉडल से सबसे पहले की पूर्व तारीख को बनाया गया था। यह औसत अवधि टी-मी 1 2 पर केंद्रित है, जिसका अर्थ है कि अनुमान स्थानीय मतलब के बारे में मी 1 2 अवधि से स्थानीय मतलब के सही मूल्य के पीछे की ओर झेलना होगा, इसलिए हम कहते हैं कि सरल चलती औसत में डेटा की औसत आयु एम 1 2 अवधि के लिए सापेक्ष है जिसके लिए पूर्वानुमान की गणना की जाती है यह उस समय की मात्रा है जिसके द्वारा पूर्वानुमान डेटा में बिंदुओं को मोड़ के पीछे पीछे की ओर झेलता है उदाहरण के लिए, यदि आप पिछले 5 मानों की औसतता रखते हैं, तो मोड़ करने का जवाब देने के लिए पूर्वानुमान के बारे में 3 अवधि देर हो जाएगी ध्यान दें कि यदि मी 1, सरल चलती औसत एसएमए मॉडल विकास के बिना यादृच्छिक चलने के मॉडल के बराबर है यदि अनुमानित अवधि की तुलना में मी बहुत बड़ी है, तो एसएमए मॉडल औसत मॉडल के बराबर है जैसा कि एक पूर्वानुमान मॉडल के किसी भी पैरामीटर के साथ, यह प्रथागत है के मूल्य को समायोजित करने के लिए डेटा के लिए सबसे अच्छा फिट प्राप्त करने के लिए n आदेश, अर्थात् औसत पर छोटी सी पूर्वानुमान त्रुटियां। यहां एक ऐसी श्रृंखला का उदाहरण है जो धीरे-धीरे अलग-अलग साधनों के बीच यादृच्छिक उतार-चढ़ाव प्रदर्शित करता है, पहले इसे एक यादृच्छिक चलने से फिट करने का प्रयास करें मॉडल, जो कि 1 अवधि के साधारण चलती औसत के बराबर है। यादृच्छिक चलने वाला मॉडल श्रृंखला में परिवर्तन के लिए बहुत जल्दी प्रतिक्रिया करता है, लेकिन ऐसा करने से डेटा में बहुत अधिक शोर लगता है, यादृच्छिक उतार-चढ़ाव के रूप में साथ ही संकेत स्थानीय इसका मतलब यह है कि यदि हम इसके बजाय 5 शब्दों की एक सरल चलती औसत की कोशिश करते हैं, तो हमें एक चिकनी दिखने वाले पूर्वानुमान प्राप्त होते हैं। 5-अवधि की सरल चलती औसत उपज इस मामले में यादृच्छिक चलने की मॉडल की तुलना में काफी छोटी त्रुटियां होती है। पूर्वानुमान 3 5 1 2 है, इसलिए यह लगभग तीन अवधियों तक मोड़ के पीछे की ओर झुकता है उदाहरण के लिए, 21 साल की अवधि में एक मंदी हुई है, लेकिन कई सालों बाद पूर्वानुमान नहीं पड़ता। एसएमए आधुनिक से भविष्य के पूर्वानुमान एल एक क्षैतिज सीधी रेखा है, जैसे कि यादृच्छिक चलने के मॉडल में, एसएमए मॉडल मानता है कि आंकड़ों में कोई प्रवृत्ति नहीं है, हालांकि, यादृच्छिक चलने वाले मॉडल से होने वाले अनुमान केवल पिछले मान के मान के बराबर हैं, ये अनुमान एसएमए मॉडल हालिया मूल्यों के भारित औसत के बराबर हैं। स्थिर गति से चलने वाले औसत के दीर्घकालिक पूर्वानुमान के लिए सांख्यिकीग्राही द्वारा गणना की जाने वाली आत्मविश्वास सीमा भविष्यवाणी की क्षितिज बढ़ने के रूप में व्यापक नहीं होती है यह स्पष्ट रूप से सही नहीं है दुर्भाग्य से, कोई अंतर्निहित नहीं है सांख्यिकीय सिद्धांत जो हमें बताता है कि इस मॉडल के लिए आत्मविश्वास के अंतराल को कैसे चौड़ा करना चाहिए, हालांकि, लंबे समय-क्षिति पूर्वानुमान के लिए आत्मविश्वास सीमा के अनुभवजनित अनुमानों की गणना करना बहुत मुश्किल नहीं है उदाहरण के लिए, आप एक स्प्रैडशीट सेट कर सकते हैं जिसमें SMA मॉडल ऐतिहासिक डेटा नमूने के भीतर 2 चरणों के आगे, 3 कदम आगे, आदि का पूर्वानुमान करने के लिए उपयोग किया जाएगा, फिर आप प्रत्येक पूर्वानुमान में त्रुटियों के नमूना मानक विचलन की गणना कर सकते हैं। और फिर, उचित मानक विचलन के गुणकों को जोड़कर और घटाना करके लंबे समय तक पूर्वानुमान के लिए आत्मविश्वास अंतराल का निर्माण करते हैं। यदि हम 9-अवधि की सरल चलती औसत की कोशिश करते हैं, तो हमें चिकना पूर्वानुमान और अधिक प्रभाव पड़ता है। औसत आयु अब 5 अवधियों 9 1 2 यदि हम 1 9-अवधि की चलती औसत लेते हैं, तो औसतन उम्र बढ़कर 10 हो जाती है। नॉटिस, वास्तव में, पूर्वानुमान अब लगभग 10 अवधियों तक अंक बंटने के पीछे चल रहे हैं। किस श्रृंखला में चौरसाई इस श्रृंखला के लिए सर्वश्रेष्ठ है यहां एक ऐसी तालिका है जो उनकी त्रुटि आंकड़े की तुलना करती है, जिसमें 3-टर्म औसत भी शामिल है। मॉडेल सी, 5-अवधि की चलती औसत, 3-अवधि और 9-अवधि की औसत पर छोटे मार्जिन द्वारा आरएमएसई के न्यूनतम मूल्य की पैदावार करता है, और उनके अन्य आँकड़े लगभग समान हैं, बहुत ही इसी तरह के त्रुटि आंकड़ों वाले मॉडल के बीच, हम यह चुन सकते हैं कि हम भविष्य में कुछ अधिक प्रतिक्रियाशीलता या थोड़ी अधिक चिकनाई पसंद करेंगे या नहीं। पृष्ठ के शीर्ष पर लौटें। ब्राउन सरल घातीय चिकनाई घातीय रूप से भारित औसत चलती है। ऊपर वर्णित सरल चलती औसत मॉडल में अवांछनीय संपत्ति है जो पिछली कश्मीर टिप्पणियों को समान रूप से मानती है और सभी पूर्ववर्ती टिप्पणियों को पूरी तरह से अनदेखी करती है, तीव्रता से, पिछले डेटा को अधिक धीरे-धीरे फैशन में छूट दी जानी चाहिए - उदाहरण के लिए, सबसे हाल का अवलोकन होना चाहिए 2 सबसे हालिया से थोड़ा अधिक वजन प्राप्त करें, और 2 सबसे हालिया को हाल ही के तीसरे से थोड़ा अधिक वजन लेना चाहिए, और इसी पर सरल घातीय चिकनाई एसईएस मॉडल इस को पूरा करता है। एक चिकनाई निरंतर एक संख्या 0 और 1 के बीच दर्शाती है मॉडल को लिखने का एक तरीका एक श्रृंखला एल को परिभाषित करना है जो वर्तमान स्तर का प्रतिनिधित्व करता है, यानी स्थानीय औसत मूल्य का मानना ​​है जो आंकड़ों से वर्तमान तक का अनुमान है। समय पर एल के मूल्य को इस तरह के अपने पिछले मूल्य से पुनरावर्ती रूप से गिना जाता है। इस प्रकार, वर्तमान मस्तिष्क का मूल्य पिछले चिकना मूल्य और वर्तमान अवलोकन के बीच एक प्रक्षेप होता है, जहां सबसे अधिक के लिए अंतःसर्वरित मूल्य की निकटता को नियंत्रित करता है प्रतिशत अवलोकन अगली अवधि के लिए पूर्वानुमान केवल मौजूदा मसौदा मूल्य है। ठीक है, हम अगले पूर्वानुमान और पिछले टिप्पणियों के संदर्भ में सीधे अगले पूर्वानुमान व्यक्त कर सकते हैं, निम्नलिखित समकक्ष संस्करणों में से किसी में पहले संस्करण में, पूर्वानुमान एक प्रक्षेप है पिछले पूर्वानुमान और पिछले प्रेक्षण के बीच। दूसरे संस्करण में, अगले पूर्वानुमान को पिछले त्रुटि की दिशा में पिछले पूर्वानुमान को एक आंशिक राशि से समायोजित करके प्राप्त किया जाता है। समय पर बना हुआ त्रुटि तीसरे संस्करण में, पूर्वानुमान एक है डिस्काउंट कारक के साथ तेजी से भारित अर्थात् रियायती चलती औसत 1. भविष्यवाणी के फार्मूले के प्रक्षेपण संस्करण का प्रयोग सरलतम है यदि आप एक स्प्रेडशीट पर मॉडल को लागू कर रहे हैं, यह एक एकल कक्ष में फिट है और इसमें सेल के संदर्भ में पिछले पूर्वानुमान, पिछले अवलोकन और सेल जहां मूल्य का संचय किया जाता है। नोट करें कि यदि 1, एसईएस मॉडल एक यादृच्छिक चलने वाले मॉडल के समान है हटे की वृद्धि यदि 0, एसईएस मॉडल औसत मॉडल के समतुल्य है, यह मानते हुए कि पहला सौम्य मूल्य मतलब पेज के शीर्ष पर लौटने के बराबर सेट है। सरल-घातांक-चौरसाई पूर्वानुमान में डेटा की औसत आयु 1 रिश्तेदार है इस अवधि के लिए पूर्वानुमान की गणना की जाती है यह स्पष्ट नहीं माना जाता है, लेकिन यह एक अनंत श्रृंखला का मूल्यांकन करके आसानी से दिखाया जा सकता है इसलिए, सरल चलती औसत पूर्वानुमान लगभग 1 अवधियों तक अंक बदलने से पीछे की ओर जाता है उदाहरण के लिए, जब 0 5 अंतराल 2 अवधि है जब 0 2 में 5 अवधियां होती हैं, जब 0 1 अंतराल 10 अवधियां होती है, और इसी तरह। किसी दिए गए औसत आयु के लिए यानी अंतराल की मात्रा, सरल घातीय चिकनाई एसईएस पूर्वानुमान सरल चलती से कुछ बेहतर है औसत एसएमए पूर्वानुमान क्योंकि यह हाल के अवलोकन पर अपेक्षाकृत अधिक वजन रखता है - यह हाल के दिनों में होने वाले परिवर्तनों के लिए थोड़ा अधिक उत्तरदायी है उदाहरण के लिए, 9 शब्दों के साथ एक एसएमए मॉडल और 0 2 के साथ एक एसईएस मॉडल दोनों का औसत आयु है दा के लिए 5 का उनके पूर्वानुमान में टा, लेकिन एसईएस मॉडल एसएमए मॉडल से पिछले 3 मानों पर और अधिक वजन डालता है और साथ ही यह चार्ट पूरी तरह से 9 बार पुरानी है, जैसा कि इस चार्ट में दिखाया गया है। इसके अलावा एक अन्य महत्वपूर्ण लाभ एसएमए मॉडल पर एसईएस मॉडल यह है कि एसईएस मॉडल एक चिकनाई पैरामीटर का उपयोग करता है जो निरंतर चर होता है, इसलिए यह आसानी से एक सॉल्वर एल्गोरिथ्म का उपयोग करके अनुकूलित किया जा सकता है जो कि चुकता त्रुटि को कम करता है इस श्रृंखला के एसईएस मॉडल में इष्टतम मूल्य निकलता है जैसा कि यहां दिखाया गया है, 0 0 9 61 होना। इस पूर्वानुमान में आंकड़ों की औसत आयु 1 0 2961 3 4 अवधि है, जो कि 6-अवधि की सरल चलती औसत के समान है। एसईएस मॉडल से दीर्घावधि पूर्वानुमान एसएमए मॉडल के रूप में एक क्षैतिज सीधी रेखा और विकास के बिना यादृच्छिक चलने वाला मॉडल हालांकि, ध्यान दें कि Statgraphics द्वारा गणना किए गए आत्मविश्वास अंतराल अब एक उचित दिखने वाले फैशन में अलग हो जाते हैं, और यह कि रैंड के लिए आत्मविश्वास अंतराल की तुलना में काफी संकरा है ओम वॉली मॉडल एसईएस मॉडल मानता है कि श्रृंखला यादृच्छिक चलने की मॉडल की तुलना में कुछ अधिक पूर्वानुमानित है। एक एसईएस मॉडल वास्तव में एक एआरआईएए मॉडल का विशेष मामला है, इसलिए एआरआईएए मॉडल के सांख्यिकीय सिद्धांत के लिए आत्मविश्वास अंतराल की गणना के लिए एक ठोस आधार प्रदान करता है। एसईएस मॉडल विशेष रूप से, एक एसईएस मॉडल एक गैर-मौसमी अंतर, एक एमए 1 शब्द के साथ एक एआरआईएए मॉडल है, और कोई स्थिर शब्द नहीं है जिसे अन्यथा एआरआईएएमए 0,1,1 मॉडल के रूप में जाना जाता है, निरंतर बिना एआरएमए मॉडल में एमए 1 गुणांक एसईएस मॉडल में मात्रा 1- उदाहरण के लिए, यदि आप यहां विश्लेषण किए गए श्रृंखला के लिए निरंतर बिना एआरआईएएमए 0,1,1 मॉडल को फिट करते हैं, तो अनुमानित एमए 1 गुणांक 0 7029 हो जाता है, जो लगभग एक शून्य से 0 9 61 है यह एक गैर-शून्य निरंतर रेखीय प्रवृत्ति को एसईएस मॉडल में शामिल करने के लिए संभव है, ऐसा करने के लिए केवल एक नॉनसैसोनल अंतर के साथ एक एआरआईएएमए मॉडल को निर्दिष्ट करें और एक एमए 1 शब्द निरंतर, अर्थात् एआरआईएएमए 0,1,1 मॉडल निरंतर के साथ दीर्घकालिक पूर्वानुमान होगा तो एक प्रवृत्ति है जो औसत अनुमान के हिसाब से औसत प्रवृत्ति के बराबर है आप इसे मौसमी समायोजन के साथ संयोजन में नहीं कर सकते, क्योंकि मॉड्यूल प्रकार को एआरआईए में सेट किया जाता है, जब मौसमी समायोजन विकल्प अक्षम हो जाते हैं, फिर भी, आप लगातार लंबे समय तक जोड़ सकते हैं - फ़ीडिंग की प्रक्रिया में मुद्रास्फ़ीति समायोजन विकल्प का उपयोग करके या बिना मौसमी समायोजन के साथ एक सरल घातीय चिकनाई मॉडल के लिए मानक घातीय प्रवृत्ति उचित अवधि में औसत मुद्रास्फीति प्रतिशत वृद्धि दर के अनुमान के अनुसार रेखीय प्रवृत्ति मॉडल में ढलान गुणांक के रूप में अनुमान लगाया जा सकता है प्राकृतिक लॉगरिथम रूपांतरण के साथ संयोजन, या यह अन्य, स्वतंत्र लंबी अवधि के विकास की संभावनाओं से संबंधित जानकारी पर आधारित हो सकता है पृष्ठ के शीर्ष पर लौटें। ब्राउन रैखिक यानी दोहरे घातीय चिकनाई। एसएमए मॉडल और एसईएस मॉडल मानते हैं कि इसमें कोई प्रवृत्ति नहीं है डेटा में किसी भी तरह का डेटा आमतौर पर ठीक है या कम से कम नहीं-बहुत-बुरा 1-कदम-आगे पूर्वानुमान के लिए जब डेटा अपेक्षाकृत नहीं है sy, और उन्हें एक निरंतर रेखीय प्रवृत्ति को शामिल करने के लिए संशोधित किया जा सकता है, जैसा कि ऊपर दिखाया गया है, अल्प अवधि के रुझान के बारे में यदि कोई श्रृंखला वृद्धि की एक अलग दर या एक चक्रीय पैटर्न जो शोर के खिलाफ स्पष्ट रूप से खड़ा है, और यदि एक से अधिक अवधि के पूर्वानुमान के बाद, एक स्थानीय प्रवृत्ति का अनुमान भी एक मुद्दा हो सकता है एक सरल घातीय चिकनाई मॉडल को एक रेखीय घातीय चिकनाई लेस मॉडल प्राप्त करने के लिए सामान्यीकृत किया जा सकता है जो दोनों स्तर और प्रवृत्ति के स्थानीय अनुमानों की गणना करता है। सरलतम समय-भिन्न प्रवृत्ति मॉडल ब्राउन की रेखीय घातीय चौरसाई मॉडल है, जो दो अलग-अलग चिकने श्रृंखला का उपयोग करता है जो समय के विभिन्न बिंदुओं पर केन्द्रित होते हैं पूर्वानुमान का सूत्र दो केंद्रों के माध्यम से एक रेखा के एक्सट्रपलेशन पर आधारित होता है इस मॉडल के एक और अधिक परिष्कृत संस्करण, होल्ट एस ब्राउन की रैखिक घातीय चौरसाई मॉडल के बीजीय रूप नीचे दिए गए हैं, जैसे कि सरल घातीय चिकनाई मॉडल की, कई अलग-अलग में व्यक्त किया जा सकता है लेकिन ई क्वॉलिटी फॉर्म इस मॉडल का मानक रूप आमतौर पर निम्नलिखित रूप में व्यक्त किया गया है: चलो एस श्रृंखला को सरल घातांक को चौरसाई करने से प्राप्त एकल-सीधा श्रृंखला को दर्शाती है, जो कि एस का मूल्य अवधि टी पर दिया जाता है। स्मरण करो कि, सरल घातीय चिकनाई के तहत, यह अवधि के दौरान वाई के लिए पूर्वानुमान होगा 1 फिर, एस एस श्रृंखला के लिए समान का उपयोग करते हुए सरल घातीय चिकनाई लगाने से प्राप्त दोगुना-चिकनी श्रृंखला को निरूपित करता है। अंत में, किसी भी वाई के लिए पूर्वानुमान कश्मीर 1 द्वारा दिया जाता है। यह पैदावार ई 1 0 या तो थोड़ी धोखा देती है, और पहले पूर्वानुमान को वास्तविक पहले अवलोकन के बराबर और दो 2 वाई 2 वाई 1 के बाद दें, इसके बाद से ऊपर के समीकरण का उपयोग करके भविष्यवाणी की जा रही है यह वही मूल्यों को पैदा करता है एस और एस पर आधारित फार्मूले के रूप में यदि एस 1 एस 1 वाई 1 का उपयोग करना शुरू किया गया था तो मॉडल का यह संस्करण अगले पृष्ठ पर उपयोग किया जाता है जो कि मौसमी समायोजन के साथ घातीय चौरसाई का संयोजन दिखाता है। हल्का रैखिक घातीय चिकनाई। ब्राउन एस लेस मॉडल हाल के आंकड़ों को चौरसाई करके स्तर और प्रवृत्ति के स्थानीय अनुमानों की गणना करता है, लेकिन तथ्य यह है कि यह एक चिकनाई पैरामीटर के साथ करता है, डेटा पैटर्न पर एक बाधा रखता है जो इसे स्तर में फिट करने में सक्षम है और प्रवृत्ति को अलग-अलग करने की अनुमति नहीं है पर स्वतंत्र दरों होल्ट एसईईएस मॉडल दो चिकनाई स्थिरांक, स्तर के लिए एक और प्रवृत्ति के लिए एक के साथ इस मुद्दे को संबोधित करता है, ब्राउन के मॉडल के रूप में किसी भी समय टी के अनुसार स्थानीय स्तर का एल टी अनुमान है और अनुमान टी स्थानीय प्रवृत्तियों में से इन्हें समय-समय पर वाई के मूल्य से मनाया जाता है और स्तर के पिछले अनुमान और दो समीकरणों के अनुसार अनुमान लगाया जाता है जो उन्हें अलग-अलग घातीय टुकड़ों को अलग से लागू करते हैं। यदि समय पर अनुमानित स्तर और प्रवृत्ति टी -1 क्रमशः एल टी 1 और टी टी -1, तो वाई टी के लिए पूर्वानुमान जो टी -1 पर बना होता है एल टी -1 टी टी -1 के बराबर होता है, जब वास्तविक मूल्य मनाया जाता है, तो अद्यतन अनुमान स्तर को वाई टी और उसके भविष्यवाणी, एल टी -1 टी टी -1 के बीच में अंतर करके और 1 के भार का उपयोग करके फिर से गणना की जाती है। अनुमानित स्तर में परिवर्तन, अर्थात् एल टी एल टी 1 को एक शोर माप के रूप में व्याख्या किया जा सकता है समय पर रुझान प्रवृत्ति के अद्यतन अनुमान को फिर से एल के बीच interpolating द्वारा recursively गणना है टी एल टी 1 और प्रवृत्ति का पिछला अनुमान, टी टी -1 का वजन और 1 का उपयोग करना। प्रवृत्ति-चौरसाई स्थिरता की व्याख्या स्तर-चौरसाई के समान मॉडल के समान होती है, जो मानते हैं कि प्रवृत्ति में परिवर्तन केवल समय के साथ ही बहुत धीरे-धीरे, जबकि बड़े मॉडल के साथ यह मानता है कि यह और तेज़ी से बदल रहा है एक मॉडल का मानना ​​है कि दूर के भविष्य में बहुत अनिश्चितता है, क्योंकि एक से अधिक अवधि की भविष्यवाणी करते समय प्रवृत्ति अनुमान में त्रुटियां काफी महत्वपूर्ण हो जाती हैं। पृष्ठ का। चौरसाई स्थिरांक और 1-कदम-आगे पूर्वानुमानों की औसत स्क्वायर त्रुटि को कम करके सामान्य तरीके से अनुमान लगाया जा सकता है जब यह स्टैटाग्राफिक्स में किया जाता है, तो इसका अनुमान लगाया जा सकता है 0 3048 और 0 008 बहुत छोटा मान इसका मतलब यह है कि मॉडल में एक अवधि से लेकर दूसरे तक की प्रवृत्ति में बहुत कम बदलाव होता है, इसलिए मूल रूप से यह मॉडल लंबी अवधि के रुझान का अनुमान लगाने का प्रयास कर रहा है, जो अनुमानित आंकड़ों की औसत आयु के विचार के साथ सादृश्य है। वह श्रृंखला का स्थानीय स्तर, स्थानीय प्रवृत्ति का आकलन करने के लिए उपयोग की जाने वाली डेटा की औसत आयु 1 के आनुपातिक है, हालांकि इसके ठीक उसी के बराबर नहीं है इस मामले में यह 1 0 006 125 हो सकता है यह बहुत सटीक संख्या है क्योंकि अनुमान के शुद्धता के रूप में वास्तव में 3 दशमलव स्थान वास्तव में नहीं हैं, लेकिन यह 100 के नमूने के आकार के समान परिमाण के समान सामान्य क्रम का है, इसलिए यह मॉडल प्रवृत्ति का अनुमान लगाने में काफी इतिहास का अनुमान लगा रहा है। नीचे दिखाया गया है कि एलईएस मॉडल एसईएस प्रवृत्ति मॉडल में अनुमानित निरंतर प्रवृत्ति की तुलना में श्रृंखला के अंत में एक थोड़ा बड़ा स्थानीय प्रवृत्ति का अनुमान भी करता है, अनुमानित मूल्य एसईएस मॉडल के साथ या प्रवृत्ति के बिना फिटिंग द्वारा प्राप्त होने वाले लगभग समान है , तो यह लगभग एक ही मॉडल है.अब, ये एक मॉडल के लिए उचित पूर्वानुमान की तरह दिखते हैं जो कि स्थानीय प्रवृत्ति का आकलन करने वाला है यदि आप इस प्लॉट को नजरअंदाज करते हैं, ऐसा लगता है जैसे स्थानीय प्रवृत्ति निम्न के अंत में बदल गई है श्रृंखला क्यू पर हुआ है इस मॉडल के मापदंडों का अनुमान लगाया गया है कि 1-कदम-आगे पूर्वानुमान की चुकता त्रुटि को कम करके, लंबी अवधि के पूर्वानुमान नहीं, इस मामले में प्रवृत्ति बहुत अधिक अंतर नहीं करती है यदि आप सभी को देख रहे हैं 1 - छोटे-आगे की त्रुटियां, आप 10 या 20 की अवधि के ऊपर रुझानों की बड़ी तस्वीर नहीं देख रहे हैं ताकि डेटा के आंखों के एक्सट्रपलेशन के साथ इस मॉडल को और अधिक प्राप्त करने के लिए, हम मैन्युअल रूप से रुझान-चिकनाई स्थिरता समायोजित कर सकते हैं ताकि यह उदाहरण के लिए, यदि हम 0 1 सेट करना चुनते हैं, तो स्थानीय प्रवृत्ति का अनुमान लगाने में उपयोग की जाने वाली डेटा की औसत आयु 10 अवधि है, जिसका मतलब है कि हम उस पिछले 20 अवधि या उससे अधिक की प्रवृत्ति को औसत कर रहे हैं यहां बताया गया है कि अगर भविष्य की साजिश लगती है तो हम 0 1 को रखते हुए 0 1 सेट करते हैं, लेकिन यह इस श्रृंखला के लिए सहज रूप से उचित लगता है, हालांकि भविष्य में इस प्रवृत्ति को 10 से अधिक अवधि के एक्सट्रपलेशन के लिए संभवतः खतरनाक है। त्रुटि आंकड़ों के बारे में यहां बताया गया है एक मॉडल तुलना एफ या उपरोक्त दो मॉडल के साथ ही तीन एसईएस मॉडल एसईएस मॉडल का इष्टतम मूल्य लगभग 3 है, लेकिन इसी तरह के परिणाम थोड़ा अधिक या कम प्रतिक्रिया के साथ क्रमशः 0 5 और 0 से प्राप्त होते हैं। एक होल्ट रेखीय विस्तार चौरसाई अल्फा 0 3048 और बीटा 0 008 के साथ। बी होल्ट की रैखिक विस्तार एलएफए 0 और बीटा 0 के साथ चौरसाई करना 1. सी अल्फा के साथ सरल घातीय चौरसाई 0 5. डी अल्फा के साथ सरल घातीय चौरसाई 0 3. ई अल्फा के साथ आसान घातीय चिकनाई 0 2 । उनका आंकड़ा लगभग समान है, इसलिए हम वास्तव में 1-कदम-आगे पूर्वानुमान नमूने के आधार पर पूर्वानुमान के आधार पर विकल्प नहीं बना सकते हैं, हमें अन्य विचारों पर पीछे पड़ना होगा यदि हम दृढ़ता से मानते हैं कि यह मौजूदा आधार पर समझ में आता है पिछले 20 सालों में जो कुछ हुआ है, उसके बारे में रुझान का अनुमान है, हम 0 3 और 0 1 के साथ एलईएस मॉडल के लिए एक केस बना सकते हैं यदि हम अज्ञात होना चाहते हैं कि क्या स्थानीय प्रवृत्ति है, तो एसईएस मॉडल में से एक समझाने के लिए आसान होगा और अधिक मिडल भी देंगे अगले 5 या 10 अवधि के लिए ई-ऑफ-द-रोड पूर्वानुमान पृष्ठ के शीर्ष पर लौटें। प्रवृत्ति-एक्सट्रपलेशन का किस प्रकार का सबसे अच्छा क्षैतिज या रैखिक अनुभवजन्य साक्ष्य बताता है कि यदि मुद्रास्फीति के लिए यदि आवश्यक हो तो डेटा पहले से समायोजित हो गया है, तो यह भविष्य के रुझानों में बहुत दूर अल्पकालिक रैखिक प्रवृत्तियों को एक्सट्रपोल करने के लिए अविवेकपूर्ण हो सकता है, जो कि आज के दिनों में स्पष्ट हो सकता है कि उत्पाद अप्रचलन, बढ़ती प्रतिस्पर्धा और उद्योग में चक्रीय गिरावट या उतार-चढ़ाव जैसे विभिन्न कारणों से भविष्य में धीमा हो सकता है इस कारण से, सरल घातीय चूरा लगाना अक्सर अपेक्षाकृत अपेक्षाकृत बेहतर प्रदर्शन करती है, अन्यथा इसकी उम्मीद की जा सकती है, इसके भोलेदार क्षैतिज प्रवृत्ति एक्सट्रपलेशन के बावजूद रैखिक घातीय चिकनाई मॉडल के ढेलेदार प्रवृत्ति संशोधनों का इस्तेमाल प्रायः अपने प्रवृत्ति के अनुमानों में रूढ़िवाद की एक नोट पेश करने के लिए किया जाता है लेस मॉडल को एक एआरआईएएमए मॉडल के विशेष मामले के रूप में लागू किया जा सकता है, विशेष रूप से, एआरआईएआईए 1,1,2 मॉडल। विश्वास के अंतराल की गणना करना संभव है डीआरडीएम दीर्घकालिक पूर्वानुमान, जो एआरआईएए मॉडल के विशेष मामलों के रूप में विचार करते हैं, उन पर विचार करके, एआरआईएए मॉडल के विशेष मामलों पर विचार करके, सभी सॉफ्टवेयर इन मॉडलों के लिए विश्वास अंतराल की गणना नहीं करते हैं, विश्वास के अंतराल की चौड़ाई मैं मॉडल के आरएमएस त्रुटि पर निर्भर करता हूं, ii प्रकार सरल या रैखिक चौरसाई के चौरसाई स्थिरांक के मूल्य एस और iv आप की भविष्यवाणी कर रहे हैं आगे की अवधि की संख्या सामान्य रूप में, अंतराल एसईएस मॉडल में बड़ा हो जाता है के रूप में तेजी से फैल गया और वे बहुत तेजी से फैल गया जब रैखिक बजाय सरल चौरसाई का प्रयोग किया जाता है इस विषय पर आगे चर्चा की गई है ARIMA मॉडलों में नोट्स के अनुभाग अनुभाग पृष्ठ के शीर्ष पर लौटें। चलने की औसत विधि अर्थशास्त्र निबंध। प्रकाशित 23 मार्च, 2015 अंतिम 23 मार्च 2015 को संपादित। यह निबंध एक छात्र यह हमारे पेशेवर निबंध लेखकों द्वारा लिखे गए काम का एक उदाहरण नहीं है। व्यवसायिक योजना में मौसम का प्रसारण बहुत ही जरूरी और महत्वपूर्ण हिस्सा है, इसका मतलब यह है कि यह वह भविष्य में आने वाले उत्पादों और सेवाओं की मांग करता है और इन आउटपुट के उत्पादन के लिए जरूरी संसाधन उत्पादों या सेवाओं के लिए भविष्य की मांग का अनुमान सामान्य तौर पर बिक्री पूर्वानुमान के रूप में संदर्भित किया जाता है दूसरे शब्दों में भविष्य की घटनाओं की भविष्यवाणी करने का कला और विज्ञान भविष्यवाणी है बिना किसी तर्कसंगत आधार के भविष्य के बारे में अनुमान या भविष्यवाणी केवल ऐतिहासिक डेटा की अनुपस्थिति में ऐतिहासिक डेटा या सहज भविष्यवाणी को शामिल करने में शामिल हो सकता है। पूर्वानुमान का आधार। इसकी प्रकृति से होने वाली घटनाओं का उपयोग पिछली अवधि के डेटा का उपयोग कंपनी के भविष्य के प्रक्षेपण की भविष्यवाणी करने के लिए करता है। ऐतिहासिक डेटा में आपके संगठन के वित्तीय विवरण शामिल हैं और आपके मानते हैं कि आपकी कंपनी की भविष्य की सफलता के लिए आपके पास किसी भी जानकारी का सापेक्ष भविष्य कहनेवाला मूल्य है, ऐतिहासिक डेटा को पूरी तरह से आपकी कंपनी से नहीं आना चाहिए, यह उपभोक्ता विश्वास सूचकांक जैसे ऐतिहासिक व्यापक आर्थिक डेटा भी हो सकता है, ब्याज दरें, आवास शुरू या किसी भी अन्य आर्थिक चर आप मानते हैं कि आपके व्यापार पर एक प्रभाव है अपने व्यवसाय के अनुभव और टिप्पणियों पर आधारित नीस. मॉविंग औसत विधि। एक चलती औसत विधि एक पूर्वानुमान उत्पन्न करने के लिए हाल के एक ऐतिहासिक वास्तविक डेटा मूल्यों का उपयोग करती है, चलती औसत की अवधि के लिए चलती औसत के रूप में गणना की जाती है.इस पद्धति का उपयोग करता है आसन्न डेटा अंक या अवधि के एक औसत की औसत औसत प्रक्रिया, औसत उत्पन्न करने के लिए अतिव्यापी टिप्पणियों का उपयोग करती है चलती अवधि का मतलब अनुमानों की गणना की जाती है जिसकी औसत गणना अनुमानित संख्या को एक निश्चित संख्या के औसत की गणना करने के लिए समय-समय पर चलता है टिप्पणियों के बारे में प्रश्न पर हमारे दस अवधियों में चलती औसत विधि समय की श्रृंखला में डेटा के सबसे हाल के दस टिप्पणियों की औसत के रूप में अगली अवधि के पूर्वानुमान के लिए उपयोग करेगी। चलती औसत सामान्यतः समय श्रृंखला डेटा के साथ चिकनी अल्पकालिक उतार-चढ़ाव और लंबी अवधि के रुझान या चक्र को उजागर करना दीर्घकालिक और अल्पकालिक अवधि के बीच की सीमा आवेदन पर निर्भर करती है उदाहरण के लिए यह आम तौर पर स्टॉक की कीमतों जैसे वित्तीय आंकड़ों के तकनीकी विश्लेषण में इस्तेमाल होता है और विभिन्न स्टॉक या ट्रेडिंग वॉल्यूम वापस करता है एक चलती औसत जो रोलिंग औसत भी कहा जाता है, औसत मूल्य आंदोलन सूचक है, दिखा रहा है विशिष्ट समय सीमा के भीतर डेटा का औसत मूल्य। औसत स्तर के औसत स्तर को एक बढ़ते बाजार में प्रतिरोध या गिरते बाजार में समर्थन के रूप में समझा जाता है। यहां एक समर्थन स्तर का अर्थ मूल्य रैंक होता है जहां कीमत नीचे जा रही है, जैसा कि समर्थन मिलना पड़ता है इसके माध्यम से तोड़ने के बजाय इस स्तर को बाउंस करने की अधिक संभावना है एक प्रतिरोध स्तर एक समर्थन स्तर के विपरीत होता है और ऊपरी चरम है जहां कीमत ऊपर जा रही है जैसे कि प्रतिरोध चल रहा है। आधुनिक ग्राफिकल विश्लेषणात्मक कार्यक्रमों की विस्तृत श्रृंखला की गणना औसत प्रकार चलाना और उनकी विज़ुअलाइज़ेशन शैलियों की वर्गीकरण करना गणना के लिए एक समय सीमा लघु, मध्यवर्ती या दीर्घकालिक के रूप में दीर्घकालिक टी के रूप में सेट की जा सकती है मध्य अवधि के लिए 200 दिन की औसत सबसे लोकप्रिय है - 50 दिन की औसत और अल्पावधि के लिए - 10 दिन औसत रोलिंग औसत के निम्न प्रकार दूसरों की तुलना में अधिक बार सामान्य रूप से चल रहे औसत एसएमए भारित चलती औसत डब्लूएमए और एक तेजी से बढ़ते हैं औसत ईएमए। औसत विधि को चलने के प्रकार। सरल चलती औसत विधि यह मांग समय श्रृंखला के औसत का अनुमान लगाने और यादृच्छिक अस्थिरता के प्रभावों को दूर करने के लिए प्रयोग किया जाता है यह सबसे उपयोगी है जब मांग में कोई स्पष्ट प्रवृत्ति या मौसमी उतार चढ़ाव नहीं है इस पद्धति में एन अवधि की चलती औसत का उपयोग करें, एन की हालिया समय की औसत मांग की गणना और अगली बार अवधि के पूर्वानुमान के रूप में उपयोग की जाती है, मांग के बाद अगली अवधि के लिए, पिछले औसत की पुरानी मांग को सबसे अधिक हाल की मांग और औसत पुनर्गणना है। इस पद्धति में औसत चलती औसत विधि, चलती औसत में प्रत्येक ऐतिहासिक मांग का अपना वजन हो सकता है और वजन का योग बराबर होता है उदाहरण के लिए, एक 5 अवधि भारित चल औसत मॉडल में, सबसे हाल की अवधि में वजन 0 50 असाइन किया जा सकता है, दूसरी सबसे हाल की अवधि में 0 30, 0 20, 0 10 के वजन, और तीसरी सबसे अधिक अवधि के लिए असाइन किया जा सकता है 0 05 के भार के साथ। भारित औसत विधि का लाभ यह है कि इससे पहले की मांग पर हाल ही में मांग पर जोर देने की अनुमति मिलती है। एक्सपेंनेशन चिकनाई विधि यह एक परिष्कृत भारित चलती विधि है जो अभी भी अपेक्षाकृत आसान है समझने और उपयोग करने के लिए केवल तीन मदों की आवश्यकता है डाटा अवधि का पूर्वानुमान, इस अवधि की वास्तविक मांग और जिसे चिकनाई के रूप में संदर्भित किया जाता है और 0 और 1 के बीच मूल्य होने पर ईएसएम का सूत्र निम्न प्रकार है। एफटी एफटी-1 एटी -1 - एफटी -1 1. एफएफ पिछली अवधि टी-1 एट -1 की पिछली अवधि टी -1 के लिए वास्तविक अवधि की अवधि के लिए पूर्वानुमान। चौरसाई लगातार मूल्य 0 से 1 के बीच बदलता रहता है। चौरसाई स्थिरता को चुनना मूल रूप से फैसले या परीक्षण का मामला है और 0 05 से 0 तक सीमा के मानों का इस्तेमाल किया जाता है। 5. औसत से चलने की औसत विधि। साँस लेना डेटा मूल अनुक्रम, उतार-चढ़ाव का मूल अनुक्रम कमजोर है, और औसत अंतराल संख्या एन बड़ा है, श्रृंखला को चौरसाई प्रभाव पर बड़ा। अधिक और यहां तक ​​कि औसत समय के चलते समय अंतराल संख्या एन अजीब है, केवल एक औसत चलती है, एक प्रवृत्ति प्रतिनिधि मूल्य में औसत शब्द और जब चलती औसत अवधि एन भी है, तो चलती औसत मूल्य किसी भी समय के मध्य स्तर को भी नहीं दर्शाता है, बल्कि उसे औसत औसत औसत मूल्य की आवश्यकता है, यह एक निश्चित अवधि के औसत मूल्य को बना सकते हैं, इसे शिफ्ट कहा जाता है, औसत चलती का केंद्र भी बन जाता है। मौसमी परिवर्तन जब श्रृंखला में मौसमी परिवर्तन होता है, औसत में चलती है टीवल संख्या को एन लंबाई के मौसमी विविधता के साथ संगत होना चाहिए, यदि क्रम में परिवर्तन के चक्र शामिल हैं, तो एन से लेकर चक्र लंबाई सामान्य रूप से समान औसत होना चाहिए, चक्र में उतार-चढ़ाव उन्मूलन बेहतर हो सकता है। औसत विधि को आगे बढ़ने के फायदे। आसानी से समझते हुए चलती औसत मॉडल धारणा यह है कि भविष्य की मांग का सबसे सटीक भविष्यवाणी पिछली मांग बढ़ने की औसत विधि का एक सरल संयोजन है जो किसी अन्य विधि से समझने में आसान है यह विधि डेटा को सुगम बनाता है और इसे आसान बनाता है प्रवृत्ति को हाजिर करने के लिए। सरल और आसान गणना चलती औसत मूल्यों के दिए गए सेट का अंकगणितीय मतलब लेने के द्वारा गणना की जाती है, वे अन्य प्रतिगमन मॉडल की तुलना में आसानी से उपयोग करते हैं उदाहरण के लिए, मूल 10-दिवसीय चलती औसत की गणना करने के लिए आप समापन को जोड़ सकते हैं पिछले 10 दिनों से कीमतें और उसके बाद 10 से परिणाम विभाजित करें। स्थिर भविष्यवाणियां हम कितने उत्तरदायी हैं कि भविष्य के पूर्वानुमान मॉडल में परिवर्तन होने चाहिए वास्तविक मांग डेटा को अवांछित मौका भिन्नता या डेटा में शोर को दबाने की हमारी इच्छा के प्रति संतुलित होना चाहिए। औसत चलने की सहायता से इस तरह के उद्देश्यों को प्राप्त किया जा सकता है। स्थानांतरण की औसत विधि की सीमाएं। चल औसत औसत गणना में प्रयुक्त किए गए प्रत्येक मूल्य के लिए वजन का वजन दिया जाता है जबकि यह सबसे उचित डेटा मौजूदा परिस्थितियों के लिए अधिक महत्वपूर्ण है। चलती औसत विधि में औसत अवधि के बाहर डेटा को ध्यान में नहीं रखा जाता है। अनुचित चलती औसत के उपयोग से गुमराह करने वाला पूर्वानुमान हो सकता है। बड़ी संख्या में औसत विधि को चलाना अतीत से डेटा रिकॉर्ड की। नए डेटा की शुरूआत के माध्यम से, अधिक से अधिक समय, लगातार संशोधित औसत मूल्य, जैसा कि अनुमानित मूल्य है। औसत विधि को चलने का बुनियादी सिद्धांत चलती औसत के माध्यम से परिवर्तनों की अनियमित समय श्रृंखला और अन्य परिवर्तनों को खत्म करने के लिए है , इस प्रकार समय श्रृंखला की दीर्घकालिक प्रवृत्ति का खुलासा किया गया है। दी गई समस्या के लिए समाधान। 3 साल चल रहा है कुल 3. वर्ष मूविंग औसत।