Movendo a média deslocada 20667 Ei l8liu. Desculpe pela demora na resposta. Nós conversamos internamente sobre isso um pouco. Comece com o fácil: também, você poderia considerar adicionar um Desvio padrão móvel no futuro. Definitivamente, falamos sobre isso algumas vezes e eu conheço pessoalmente como um. Estivemos tentando determinar a melhor forma de adicioná-lo (agg dedicado, ou mudar o nome de motionaverage para mover a função e implementar o SDD como função, etc.). Eu acho que isso vai acabar como um dedicado motionstddev agg, pois isso é o mais simples. Espero que a média móvel seja igual à média do dia atual e dos 2 dias anteriores, mas os resultados são a média dos 3 dias anteriores, e não incluindo o dia atual. Então, estamos conversando sobre o porquê fizemos isso e acho que o comportamento está correto porque estamos usando uma média móvel esquerda comumente usada em casos de uso financeiro e outros casos de não-sinal (por exemplo, o valor de hoje é o resultado de valores anteriores) . Por exemplo, as médias móveis financeiras usam os preços de fechamento e o valor de hoje é intrinsecamente incalculável porque hoje ainda não foi fechado. O que significa que você só pode calcular as médias móveis em pontos de dados anteriores, e não hoje. Isso reflete a definição de wikis para um SMA financeiro: em aplicações financeiras, uma média móvel simples (SMA) é a média não ponderada dos dados n anteriores. Para uma série de aplicações, é vantajoso evitar a mudança induzida usando apenas dados passados. Portanto, uma média móvel central pode ser calculada, usando dados igualmente espaçados em ambos os lados do ponto na série onde a média é calculada. Além disso, se os valores de hoje fossem incluídos, o valor da movimentação de hoje mudaria sempre que você executar a agregação desde a O balde continua enchendo. Isso é um pouco diferente de mais processos de processamento de processos de processamento de ciência em que você toma médias médias centradas (o movimento de um ponto é a média de n2 em cada lado), em cujo caso faz sentido incluir o balde em sua própria movimentação. Mas, como só suportamos uma orientação no momento, acho que o comportamento atual é correto. Muitas citações de susto acima, porque eu concordo é mais uma questão de perspectiva e como você deseja usar a média móvel. Nós ainda não chegamos a uma decisão final, mas acho que até agora, pelo menos, concordamos que a implementação atual não é errada. ) Polyfractal Muito obrigado pela sua explicação detalhada e concordo com a sua consideração da implementação da média móvel atual. No futuro, você pode adicionar um parâmetro de deslocamento para que os usuários possam ter opções para escolher onde querem produzir o movimento. Queremos que ele se alinhe ao dia atual, mas não no dia anterior, quando fazemos o controle estatístico. Também é feliz saber que você terá o desvio padrão móvel no futuro. Muito obrigado pelo excelente trabalho e estamos esperando o seu novo trabalho, acho que um parâmetro de mudança pode ser útil, embora eu tenha curiosidade quanto ao seu alcance. Só permitiria mudar um dia para alinhar a média, ou devemos permitir a mudança arbitrária (por exemplo, 10 baldes). De uma perspectiva de código, movavg já é bastante complicado, então não queremos apresentar demasiada complexidade adicional. Talvez possamos adicionar um agendamento de pipeline de mudança dedicado que se senta antes da movavg. Não tenho certeza, não pensei com muita atenção :) Você não pode executar essa ação neste momento. Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão. Vimos várias agregações de pipeline em postagens anteriores. Aqui, discutimos outra agregação de pipeline chamada de agregação média móvel e sua importância, bem como sua aplicação em cenários da vida real. Média móvel explicada Uma média móvel simples pode ser calculada tomando o preço médio de uma métrica em um período fixo de períodos. Isso gera os valores médios que se movem, o que significa que após o período especificado, calcula-se outra média e, portanto, o nome da média móvel. Além disso, à medida que avança, os valores antigos são descartados e novos valores são considerados para calcular a média. A média móvel se move ao longo de uma escala de tempo à medida que novos valores são adicionados. Assim, eles encontram uso profuso no cálculo de tendências. Como as médias móveis são calculadas em uma janela específica, são bons indicadores de tendências. Este cálculo é extremamente útil quando tratamos de dados que não parecem seguir uma tendência. Vamos explorar as possibilidades das médias móveis nos seguintes exemplos. Para ver um exemplo de como calcular as médias móveis, você pode se referir aqui. Para este exemplo, é bom ter alguns dados contínuos definidos para a avaliação das tendências. Eu criei um conjunto de dados de amostra consistindo em valores de estoque por hora por um período de 10 dias, de uma empresa de natureza altamente volátil. O conjunto de dados tem um total de 240 documentos com cada documento da estrutura abaixo: Média de Movimento Simples Vamos explorar os dados de estoque voláteis que indexamos detalhadamente ao traçar os valores. A consulta a ser usada é dada abaixo: A consulta acima nos dará o stockValue por hora como a resposta. Traçar o que está acima no que se refere ao campo de tempo nos renderá o seguinte gráfico: Como você pode ver, ao traçar os valores contra o tempo, não há indicação de tendências de onde os valores de estoque estão indo. É aqui que as agregações médias móveis entram em jogo. Vamos criar uma consulta que calcula as médias móveis: na consulta acima, a agregação que calcula a média móvel é chamada themovingavg. Sob ele, além do caminho de armazenamento. Temos dois parâmetros chamados janela e modelo. O parâmetro window é usado para definir o tamanho da janela para calcular as médias. Aqui, estabelecemos o valor como 5, o que significa que levaria 5 valores por vez e calcular a média e, em seguida, mover-se nos próximos 5, deixando o primeiro valor. O parâmetro do modelo indica qual modelo da média móvel estamos usando. O modelo que estamos usando atualmente é a média móvel simples, daí o valor simples. A resposta está abaixo, com o valor e os valores médios móveis incluídos em um único balde. Agora, traçamos um único gráfico contendo os valores e os valores da média móvel para entender qual era a diferença e pareceria ser o abaixo: a linha laranja representa os valores de estoque plotados e a linha amarela mostra os valores médios móveis traçados. Pode-se observar que o valor inicial da linha amarela é zero. Isso ocorre porque não há dados suficientes para calcular a média móvel do primeiro ponto. Agora, olhando para o gráfico de perto, podemos ver os picos da linha amarela (os valores médios móveis) foram suavizados. No entanto, isso costuma seguir a mesma tendência da linha laranja. Uma análise de tendências de qualidade não pode ser feita com base nisso porque escolhemos um pequeno tamanho de janela. Modifique o tamanho da janela para um valor maior, diga 50 e trace o gráfico novamente. O gráfico resultante seria como o abaixo: a partir do gráfico acima, a linha amarela que indica os valores médios móveis geralmente está em ascensão no final do gráfico, o que indica que há uma tendência crescente no valor de estoque da empresa . Média móvel preditiva As agregações médias móveis também suportam a previsão de valores futuros. Isso pode ser feito adicionando um parâmetro de previsão e modificando a consulta como abaixo: Como uma resposta a esta consulta acima, podemos ver os cinco últimos baldes conterão os valores previstos da agregação média móvel, mesmo que não haja valores de estoque originais prever. Os valores de previsão geralmente convergem para o valor médio final calculado. Conclusão Neste artigo, introduzimos uma agregação média móvel básica e como ela é usada para entender as tendências dos dados de ações de uma empresa. A próxima publicação relacionada às agregações discutirá os tipos de agregações médias móveis e as diferenças entre eles em detalhes. Obtenha o próximo artigo Cadastre-se para o nosso boletim informativo e não perca os nossos principais artigos. No último artigo, explicamos como funcionou a agregação de pipeline de média móvel simples e como analisar as tendências dos valores de estoque de uma empresa com ele. Nesta publicação, discutimos mais modelos de agregação média móvel e suas diferenças em detalhes. Usamos o mesmo conjunto de dados que na publicação anterior. Existem dois modelos usados para calcular as médias móveis: simples e ponderadas. À medida que avançamos em conjuntos de dados de maior complexidade, a análise de tendências será mais precisa se incorporarmos pesos aos valores recentes. Modelos ponderados de médias móveis atribuem peso a cada valor do conjunto de dados de acordo com sua idade. Existem vários tipos de médias móveis ponderadas: média móvel linear No modelo de média móvel linear, os pontos de dados são atribuídos a uma pesagem linear. Isso significa que, na janela de pontos de dados considerados, os pontos de dados mais antigos recebem um valor linearmente menos significativo do que os recentes. Neste exemplo, reutilizamos a consulta usada para calcular a média móvel simples. Use-o para calcular a média móvel linear e traçar a diferença entre os dois: A resposta da consulta tem três seções nos baldes de agregações, como abaixo: Traçar esses valores em um único gráfico nos renderá o seguinte gráfico: como você pode ver , A curva da média móvel linear, apesar de uma curva similar à da média móvel simples, exibe um ligeiro deslocamento da curva linear para baixo. Isto é devido ao peso dado aos valores recentes. Se aumentarmos o tamanho da janela para a agregação linear, as flutuações de baixa freqüência na série original serão melhor refletidas. No entanto, os de alta freqüência serão alisados. Média Variável Ponderada Exponencialmente A média móvel ponderada exponencialmente usa a mesma metodologia da média móvel linear. No entanto, a dependência em pontos de dados antigos diminui exponencialmente em comparação com a dependência linear no modelo de média móvel linear. A taxa em que a deterioração da dependência em pontos de dados antigos aumenta pode ser controlada pelo parâmetro alfa dado à agregação. Valores menores para o parâmetro tornam a decadência mais lenta enquanto o valor mais alto torna mais alto. Aqui está a parte de consulta para a agregação de média móvel ponderada exponencial com o valor alfa configurado para um valor moderado de 0,3 Se traçamos o resultado dessa consulta com os valores reais para um gráfico, como fizemos acima, seria assim: À medida que aumentamos o valor de alfa. A curva da ewma ficará mais próxima da curva original com o atraso também diminuindo, pois a dependência para os valores mais antigos é exponencialmente icreasing. Média móvel Holt Nos modelos anteriores das agregações médias móveis, assumimos que não havia tendências nos pontos de dados fornecidos. Aplicamos os modelos simples, lineares e exponencialmente ponderados aos dados e geramos dados de tendências lineares deles. O que acontece se tivermos tendências a curto prazo nos dados fornecidos. As tendências a curto prazo são padrões cíclicos que ocorrem periodicamente e de forma distinta nos dados. Com os modelos anteriores, há chances de que esses padrões cíclicos não sejam devidamente identificados, uma vez que eles calculam as tendências lineares, especialmente se as tendências precisam ser previstas mais do que um único período adiante. Nesses casos, usamos o modelo Holt de médias móveis. Aqui temos dois parâmetros. Alfa. Como o EWMA, calcula os níveis. O parâmetro Beta é usado para estimar valores de tendência locais. À medida que o parâmetro beta aumenta, assume que as tendências locais estão mudando mais rapidamente. À medida que o valor beta diminui, as tendências locais são assumidas como mudando lentamente. A consulta para o modelo Holt com valores alfa e beta de 0,5 é dada abaixo: quando a saída desta agregação é plotada em relação aos valores de stock originais e ao modelo ew, parecerá: Você pode ver que o gráfico para o Holt é Movendo-se muito mais perto dos valores mais baixos dos valores conservados em estoque originais do que o EWMA, indicando sua atenção às tendências locais envolvidas. Holt-Winters Moving Average Enquanto o modelo Holt normal abrange as tendências locais, não aborda a questão das tendências sazonais que podem estar escondidas nos dados. O modelo Holt-Winters é usado para acomodar as tendências sazonais. Isto significa essencialmente que acompanha de perto as tendências dos dados. Para a incorporação da tendência sazonal, temos que adicionar dois parâmetros: Gamma. Qual é o parâmetro de suavização para dados sazonais e a opção Período, que especifica a periodicidade dos dados. No exemplo a seguir, uso um período de 5 com um tamanho de janela de 10 e um valor de gama igual a 0,5: A saída deve aparecer abaixo: Você deve notar que os Holt-Invernos começam apenas após um certo tempo. Isso ocorre porque o gráfico Holt-Winters requer dados de pelo menos 2 períodos a serem computados. A trama de Holt-Winters segue de perto a dos valores de estoque originais, como se pretende. Essa proximidade pode ser usada para prever as tendências, mas no Elasticsearch, o recurso de previsão para Holt-Winters não está disponível no momento. Conclusão Nesta última parcela de nossa série de agregados de pipeline, vimos diferentes tipos de agregações médias móveis e planejamos cada uma delas para uma melhor compreensão. Perguntas Comentários Deixe-nos uma linha abaixo. Obtenha o próximo artigo Cadastre-se para o nosso boletim informativo, e não perca os nossos principais artigos.
Comments
Post a Comment