Проверяемый текст
Теребулин, Сергей Сергеевич. Управление рисками инвестиционных проектов в пищевой промышленности (Диссертация 2002)
[стр. 104]

MA(tn) текущее значение скользящей средней; С(О =С (/-(л-0*£); 5 —фиксированный интервал между моментами наблюдений; п —количество наблюдений; 2.
Взвешенная (Weighted) скользящая средняя
™ (0 =-1>АО,где ПЫ WMA(tn) текущее значение скользящей средней; ГГ, весовые коэффициенты.
Обычно Wt =i\ 3.
Экспоненциальная (exponential) скользящая средняя
£М4(г„) = EMA{tn_x) +{SF*[С (0Ш ( /ы )]}, где EMA(tn) текущее значение £М4 (экспоненциальной скользящей средней); EMA(itt_x) —предыдущее значение ЕМА; *£F сглаживающий фактор (smoothing factor).
Наиболее распространенным сглаживающим фактором является SF = —+1; п п количество наблюдений.
Основным достоинством метода скользящей средней является его простота.
Вместе с тем, данный метод представляется недостаточно точным для целей достоверного прогнозирования.
Одним из наиболее современных методов приближенного описания любой регулярной (неслучайной) составляющей наблюдаемого в дискретные моменты времени процесса является метод скользящей линейной регрессии [43, 71], в соответствии с которым для каждого момента времени при надлежащем выборе «окна» вычислений формируется наилучшая по критерию наименьших квадратов оценка указанной составляющей (под «окном» наблюдений понимается число подряд идущих выбранных для вычислений моментов наблюдения).
Вследствие этого метод скользящей линейной
104
[стр. 96]

MAfj,,") текущее значение скользящей средней; С(/,) = С(/-(н-/)*£); S фиксированный интервал между моментами наблюдений; п количество наблюдений; 2.
Взвешенная (Weighted) скользящая средняя
^Ш(0 = -ЕтО>где « ,=i WMA(tn) текущее значение скользящей средней; весовые коэффициенты.
Обычно Wt = i; 3.
Экспоненциальная (exponential) скользящая средняя
EMA(t„) = EMA(J„_} ) + {SF* [C(t„) )]}, где E.MAitj текущее значение EMA (экспоненциальной скользящей средней); EMA(t„_} ) предыдущее значение ЕМА; SF сглаживающий фактор (smoothing factor).
Наиболее 2 распространенным сглаживающим фактором является SE = — +1; п п количество наблюдений.
Основным достоинством метода скользящей средней является его простота.
Вместе с тем, данный метод представляется недостаточно точным для целей достоверного прогнозирования.
Одним из наиболее современных методов приближенного описания любой регулярной (неслучайной) составляющей наблюдаемого в дискретные моменты времени процесса является метод скользящей линейной регрессии [43, 71], в соответствии с которым для каждого момента времени при надлежащем выборе «окна» вычислений формируется наилучшая по критерию наименьших квадратов оценка указанной составляющей (под «окном» наблюдений понимается число подряд идущих выбранных для вычислений моментов наблюдения).
Вследствие этого метод скользящей линейной
96

[Back]