Saya telah membaca diskusi yang Anda sebutkan. Hal ini berlaku untuk PostgreSQL karena diperbolehkan untuk membuat fungsi agregat yang ditentukan pengguna menggunakan SQL di PostgreSQL, namun tidak diperbolehkan di SQL Server. Menggunakan CTE rekursif adalah cara yang layak di SQL Server, namun saya melihat bahwa cara CTE dapat menyebabkan pemindaian tabel lebih banyak daripada fungsi jendela. Jadi saya membuat posting ini untuk menanyakan apakah mungkin untuk menghitung rata-rata bergerak eksponensial menggunakan fungsi jendela SQL Server 2012 seperti menghitung rata-rata bergerak sederhana. Ndash xiagao1982 14 Apr 13 jam 2:53 Pertama, Anda menghitung EMA (SMA (x)) dan bukan EMA (x). Kedua, quototot konstan Anda sebenarnya adalah nilai beta dalam rumus saya, bukan alfa. Dengan dua perubahan tersebut, SQLFiddle terlihat seperti ini: sqlfiddle6191921 Namun, masih ada sedikit perbedaan antara hasil aktual dan hasil yang diharapkan. Saya akan kembali dan melihat apakah definisi EMA mereka sesuai dengan yang saya tahu. Ndash Sebastian Meine 7 Mei 13 at 13:46 Saya hanya melihat formular di spreadsheet yang Anda lampirkan dan ini jauh dari definisi standar EMA. Rumus saya menghitung rata-rata pergerakan eksponensial dari sepuluh baris terakhir. Spreadsheet pertama menghitung rata-rata standar selama sepuluh baris terakhir dan kemudian rata-rata bergerak berbobot eksponensial tertimbang rata-rata. Ini mengikuti formular di sini: en. wikipedia. orgwikiEWMAchart ndash Sebastian Meine 7 Mei 13 at 13: 52Ekspektensial bergerak rata-rata dalam T-SQL Rata-rata bergerak eksponensial sama dengan rata-rata bergerak tertimbang karena menghasilkan bobot yang kurang terhadap perubahan sejak lama, dan lebih berat Untuk perubahan terbaru. Rata-rata bergerak tertimbang adalah linear, namun rata-rata bergerak eksponensial bersifat eksponensial. Artinya, bobot dapat dinyatakan sebagai kurva: Ada cara bagus untuk menghitung rata-rata pergerakan eksponensial di T-SQL menggunakan fitur yang tidak berdokumen tentang variabel dan jumlah total berjalan di SQL Server. Dalam posting blog ini saya akan menunjukkan bagaimana cara menggunakan metode tersebut untuk menghitung moving average eksponensial di T-SQL, namun saya juga akan menyajikan metode yang menggunakan fitur standar di SQL Server. Sayangnya, itu berarti menggunakan satu lingkaran. Dalam contoh saya akan menghitung 9 hari eksponensial moving average. Contohnya menggunakan database TAdb. Skrip untuk membuat TAdb dapat ditemukan di sini. Exponential Moving Average (EMA): Menjalankan Metode Total Teori di balik fitur total yang berjalan dalam pembaruan dijelaskan secara rinci oleh Jeff Moden dalam artikelnya Memecahkan Masalah Jumlah Total dan Permasalahan Ordinal. Sumber lain yang menjelaskan menggunakan metode ini untuk menghitung EMA adalah posting blog Menghitung Moving Averages dengan T-SQL oleh Gabriel Priester dan forum post Exponential Moving Average Challenge. Keduanya di SQL Server Central. Pada dasarnya, di T-SQL Anda dapat memperbarui variabel dan juga kolom dalam pernyataan pembaruan. Pembaruan dilakukan baris demi baris secara internal oleh SQL Server. Perilaku baris demi baris ini adalah perhitungan yang menghitung jumlah total yang mungkin. Contoh ini menunjukkan cara kerjanya: Perhatikan bahwa 8220ColumnRunningTotal8221 adalah total total 8220ColumnToSum8221. Dengan menggunakan metode ini kita bisa menghitung EMA9 dengan T-SQL ini: Perhitungan EMA agak sederhana. Kami menggunakan baris saat ini dan sebelumnya, tapi dengan bobot lebih ke baris saat ini. Bobot dihitung dengan rumus 2 (19), di mana 822098221 adalah parameter untuk panjang EMA. Untuk menghitung EMA9 untuk baris 10 di atas, perhitungannya adalah: Dalam kasus ini baris saat ini mendapat 20 dari berat (2 (19) 0,2) dan baris sebelumnya menghasilkan 80 dari berat (1-2 (19) 0.8). Anda menemukan penghitungan ini dalam pernyataan di atas dalam pernyataan KASUS: Exponential Moving Average (EMA): Metode Looping Sejauh yang saya tahu, kecuali metode total berjalan yang diuraikan di atas, tidak ada cara untuk menghitung EMA dengan menggunakan pernyataan SQL berbasis set. . Oleh karena itu, T-SQL di bawah ini menggunakan while loop untuk menghitung EMA9: Hasilnya sama seperti pada running total contoh diatas. Kinerja Seperti yang diharapkan, versi berbasis run based set adalah cara yang lebih cepat daripada versi loop. Pada mesin saya, solusi berbasis set adalah sekitar 300 ms, dibandingkan dengan sekitar 1200 dengan versi loop. Versi loop lebih sesuai dengan standar SQL. Jadi pilihan antara metode tergantung pada apa yang paling penting bagi Anda, kinerja atau standar. Rata-rata pergerakan eksponensial dapat digunakan dalam analisis kecenderungan, seperti pada jenis rata-rata bergerak lainnya, Simple Moving Average (SMA) dan Weighted moving average (WMA). Ada juga perhitungan lain dalam analisa teknikal yang menggunakan EMA, MACD misalnya. Posting blog ini adalah bagian dari seri tentang analisis teknis, TA, di SQL Server. Lihat tulisan lainnya di sini. Diposting oleh Tomas Lind Tomas Lind - Layanan konsultasi sebagai Pengembang DBA dan Database SQL Server di Solusi Database Coast High AB. Mengeksplorasi Volatilitas Bergerak yang Tertimbang Rata-rata adalah ukuran risiko yang paling umum, namun ada dalam beberapa rasa. Dalam artikel sebelumnya, kami menunjukkan bagaimana cara menghitung volatilitas historis sederhana. (Untuk membaca artikel ini, lihat Menggunakan Volatilitas untuk Mengukur Risiko Masa Depan.) Kami menggunakan data harga saham Googles aktual untuk menghitung volatilitas harian berdasarkan data stok 30 hari. Pada artikel ini, kami akan memperbaiki volatilitas sederhana dan membahas rata-rata bergerak tertimbang eksponensial (eksploitatif tertimbang rata-rata) (EWMA). Sejarah Vs. Volatilitas Tersirat Pertama, mari kita letakkan metrik ini menjadi sedikit perspektif. Ada dua pendekatan yang luas: volatilitas historis dan tersirat (atau implisit). Pendekatan historis mengasumsikan bahwa masa lalu adalah prolog kita mengukur sejarah dengan harapan itu bersifat prediktif. Sebaliknya, volatilitas tersirat mengabaikan sejarah yang memecahkan volatilitas yang diimplikasikan oleh harga pasar. Ia berharap pasar tahu yang terbaik dan bahwa harga pasar mengandung, bahkan jika secara implisit, perkiraan konsensus volatilitas. (Untuk pembacaan yang terkait, lihat Kegunaan dan Batas Volatilitasnya.) Jika kita berfokus hanya pada tiga pendekatan historis (di sebelah kiri di atas), mereka memiliki dua kesamaan: Hitunglah serangkaian pengembalian periodik Terapkan skema pembobotan Pertama, kita Hitung kembali periodik. Itu biasanya serangkaian pengembalian harian dimana masing-masing imbal hasil dinyatakan dalam istilah yang terus bertambah. Untuk setiap hari, kita mengambil log natural dari rasio harga saham (yaitu harga hari ini dibagi dengan harga kemarin, dan seterusnya). Ini menghasilkan serangkaian pengembalian harian, dari u i sampai u i-m. Tergantung berapa hari (m hari) yang kita ukur. Itu membawa kita ke langkah kedua: Di sinilah ketiga pendekatan berbeda. Pada artikel sebelumnya (Menggunakan Volatilitas Untuk Mengukur Risiko Masa Depan), kami menunjukkan bahwa di bawah beberapa penyederhanaan yang dapat diterima, varians sederhana adalah rata-rata pengembalian kuadrat: Perhatikan bahwa jumlah ini masing-masing dari pengembalian periodik, kemudian dibagi total oleh Jumlah hari atau pengamatan (m). Jadi, yang benar-benar hanya rata-rata kuadrat periodik kembali. Dengan kata lain, setiap kuadrat kembali diberi bobot yang sama. Jadi, jika alpha (a) adalah faktor pembobotan (khusus, 1m), maka varians sederhana terlihat seperti ini: EWMA Meningkatkan Varians Sederhana Kelemahan pendekatan ini adalah bahwa semua pengembalian mendapatkan bobot yang sama. Kembali ke masa lalu (sangat baru) tidak berpengaruh lagi terhadap varians daripada return bulan lalu. Masalah ini diperbaiki dengan menggunakan rata-rata pergerakan tertimbang eksponensial (EWMA), di mana pengembalian yang lebih baru memiliki bobot yang lebih besar pada variansnya. Rata-rata bergerak tertimbang secara eksponensial (EWMA) memperkenalkan lambda. Yang disebut parameter smoothing. Lambda harus kurang dari satu. Dengan kondisi seperti itu, daripada bobot yang sama, setiap kuadrat kembali dibobot oleh pengganda sebagai berikut: Misalnya, RiskMetrics TM, perusahaan manajemen risiko keuangan, cenderung menggunakan lambda 0,94, atau 94. Dalam kasus ini, Paling akhir) kuadrat periodik kembali ditimbang oleh (1-0.94) (94) 0 6. Kuadrat berikutnya kembali hanyalah lambda-kelipatan dari berat sebelumnya dalam kasus ini 6 dikalikan 94 5.64. Dan hari ketiga berat sama dengan (1-0.94) (0.94) 2 5.30. Itulah makna eksponensial dalam EWMA: setiap bobot adalah pengganda konstan (yaitu lambda, yang harus kurang dari satu) dari berat hari sebelumnya. Hal ini memastikan varians yang berbobot atau bias terhadap data yang lebih baru. (Untuk mempelajari lebih lanjut, lihat Lembar Kerja Excel untuk Volatilitas Google). Perbedaan antara hanya volatilitas dan EWMA untuk Google ditunjukkan di bawah ini. Volatilitas sederhana secara efektif membebani setiap return periodik sebesar 0,199 seperti yang ditunjukkan pada Kolom O (kami memiliki data harga saham dua tahun. Itu adalah 509 return harian dan 1509 0.196). Tapi perhatikan bahwa Kolom P memberi bobot 6, lalu 5.64, lalu 5.3 dan seterusnya. Itulah satu-satunya perbedaan antara varians sederhana dan EWMA. Ingat: Setelah kita menghitung keseluruhan rangkaian (di Kolom Q), kita memiliki varians, yang merupakan kuadrat dari standar deviasi. Jika kita ingin volatilitas, kita perlu ingat untuk mengambil akar kuadrat varians itu. Apa perbedaan dalam volatilitas harian antara varians dan EWMA dalam kasus Googles yang signifikan: Variance sederhana memberi volatilitas harian sebesar 2,4 namun EWMA memberikan volatilitas harian hanya 1,4 (lihat spreadsheet untuk rinciannya). Rupanya, volatilitas Googles baru-baru ini turun, oleh karena itu, varians sederhana mungkin sangat tinggi secara artifisial. Todays Varians Adalah Fungsi Varian Jurus Hari Ini, kami akan mempertimbangkan untuk menghitung deret berat badan yang menurun secara eksponensial. Kami tidak akan melakukan matematika di sini, tapi salah satu fitur terbaik dari EWMA adalah keseluruhan rangkaian mudah direduksi menjadi formula rekursif: Rekursif berarti referensi varians hari ini (yaitu fungsi dari varian hari sebelumnya). Anda dapat menemukan formula ini di dalam spreadsheet juga, dan menghasilkan hasil yang sama persis dengan perhitungan longhand yang dikatakan: Variasi hari ini (di bawah EWMA) sama dengan varians kemarin (tertimbang oleh lambda) ditambah kembalinya kuadran kemarin (ditimbang oleh satu minus lambda). Perhatikan bagaimana kita hanya menambahkan dua istilah bersama: varians berbobot kemarin dan kemarin berbobot, kuadrat kembali. Meski begitu, lambda adalah parameter penghalusan kita. Lambda yang lebih tinggi (misalnya RiskMetrics 94) mengindikasikan peluruhan lambat dalam rangkaian - secara relatif, kita akan memiliki lebih banyak titik data dalam rangkaian dan akan jatuh lebih lambat. Di sisi lain, jika kita mengurangi lambda, kita mengindikasikan peluruhan yang lebih tinggi: bobotnya akan jatuh lebih cepat dan, sebagai akibat langsung dari pembusukan yang cepat, lebih sedikit titik data yang digunakan. (Dalam spreadsheet, lambda adalah masukan, jadi Anda bisa bereksperimen dengan sensitivitasnya). Ringkasan Volatilitas adalah deviasi standar instan dari stok dan metrik risiko yang paling umum. Ini juga merupakan akar kuadrat dari varians. Kita dapat mengukur varians secara historis atau implisit (volatilitas tersirat). Saat mengukur secara historis, metode termudah adalah varians sederhana. Tapi kelemahan dengan varians sederhana adalah semua kembali mendapatkan bobot yang sama. Jadi kita menghadapi trade-off klasik: kita selalu menginginkan lebih banyak data tapi semakin banyak data yang kita miliki, semakin banyak perhitungan kita yang terdilusi oleh data yang jauh (kurang relevan). Rata-rata pergerakan tertimbang eksponensial (EWMA) meningkat dengan varians sederhana dengan menetapkan bobot ke tingkat pengembalian periodik. Dengan melakukan ini, kita berdua bisa menggunakan ukuran sampel yang besar namun juga memberi bobot lebih besar pada hasil yang lebih baru. (Untuk melihat tutorial film tentang topik ini, kunjungi Penyu Bionik.)
Comments
Post a Comment