การย้าย ค่าเฉลี่ย คาดการณ์ แม่นยำ

การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะทำนายคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดเดาได้อย่างไร สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องคำนึงถึงการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วงเวลารายการ C5 สำหรับเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลทางประวัติศาสตร์ที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นรหัสต่อไปนี้สังเกตว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการใด ๆ ฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ควร เช่นค่าเฉลี่ยต่อไปนี้ค่าเฉลี่ยวิธีการใช้งานบางส่วนของฟังก์ชันหลักของค่าเฉลี่ยเคลื่อนที่คือการระบุแนวโน้มและการพลิกกลับวัดความแรงของโมเมนตัมของสินทรัพย์และกำหนดพื้นที่ที่อาจเป็นสินทรัพย์ที่จะได้รับการสนับสนุนหรือความต้านทานในส่วนนี้ จะชี้ให้เห็นว่าช่วงเวลาที่แตกต่างกันสามารถตรวจสอบโมเมนตัมและค่าเฉลี่ยเคลื่อนที่ได้อย่างไรในการตั้งค่าการหยุดขาดทุนนอกจากนี้เราจะกล่าวถึงขีดความสามารถและข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่ที่ควรพิจารณาเมื่อใช้เป็นส่วนหนึ่งของเทรนด์การเทรดตามปกติ การระบุแนวโน้มเป็นหนึ่งในหน้าที่สำคัญของค่าเฉลี่ยเคลื่อนที่ซึ่งเป็นค่าของเรา ed โดย traders ส่วนใหญ่ที่พยายามทำแนวโน้มเพื่อนของพวกเขาค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ lagging ซึ่งหมายความว่าพวกเขาไม่ได้คาดการณ์แนวโน้มใหม่ แต่ยืนยันแนวโน้มเมื่อมีการสร้างที่คุณสามารถดูในรูปที่ 1 หุ้นจะถือเป็น ขาขึ้นเมื่อราคาอยู่เหนือค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยจะแคบขึ้นไปในทางตรงกันข้ามผู้ประกอบการค้าจะใช้ราคาต่ำกว่าระดับเฉลี่ยที่ลดลงเพื่อยืนยันขาลงผู้ค้าหลายรายจะพิจารณาถือครองฐานะยาวในสินทรัพย์เมื่อราคาซื้อขาย สูงกว่าค่าเฉลี่ยเคลื่อนที่กฎง่ายๆนี้สามารถช่วยให้มั่นใจได้ว่าแนวโน้มการทำงานในผู้ค้าชอบ. Mententผู้ค้าเริ่มต้นจำนวนมากถามว่ามันเป็นไปได้ที่จะวัดโมเมนตัมและวิธีการที่ค่าเฉลี่ยเคลื่อนที่สามารถใช้เพื่อจัดการกับความสำเร็จดังกล่าวคำตอบง่ายๆคือการจ่ายเงินให้ใกล้เคียง ให้ความสนใจกับช่วงเวลาที่ใช้ในการสร้างค่าเฉลี่ยเนื่องจากแต่ละช่วงเวลาสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าในรูปแบบต่างๆโมเมนตัมโดยทั่วไปโมเมนตัมระยะสั้นสามารถวัดโดยการมองไปที่การเคลื่อนที่ ค่าเฉลี่ยที่ให้ความสำคัญกับระยะเวลา 20 วันหรือน้อยกว่าการดูค่าเฉลี่ยเคลื่อนที่ที่เกิดขึ้นในช่วง 20 ถึง 100 วันโดยทั่วไปถือว่าเป็นตัววัดที่ดีของแรงในระยะกลางสุดท้ายค่าเฉลี่ยเคลื่อนที่ที่ใช้ 100 วันขึ้นไป การคำนวณสามารถใช้เป็นตัววัดความเป็นโมเมนตัมในระยะยาวสามัญสำนึกควรบอกคุณว่าค่าเฉลี่ยเคลื่อนที่ 15 วันเป็นตัววัดที่เหมาะสมสำหรับโมเมนตัมในระยะสั้นกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันซึ่งเป็นวิธีที่ดีที่สุดในการพิจารณา ความแรงและทิศทางของโมเมนตัมของสินทรัพย์คือการวางค่าเฉลี่ยเคลื่อนที่สามตัวลงบนแผนภูมิและให้ความสนใจใกล้เคียงกับความสัมพันธ์ของค่าเฉลี่ยระหว่างสามค่าเฉลี่ยเคลื่อนที่ที่ใช้โดยทั่วไปจะมีช่วงเวลาที่แตกต่างกันในความพยายามที่จะแสดง การเคลื่อนไหวของราคาในระยะสั้นระยะกลางและระยะยาวในรูปที่ 2 แรงกดดันที่แข็งแกร่งขึ้นจะเห็นได้จากค่าเฉลี่ยระยะสั้นที่อยู่เหนือค่าเฉลี่ยระยะยาวและค่าเฉลี่ยทั้งสองต่างกันตรงกันข้ามเมื่อระยะสั้น rm เฉลี่ยอยู่ด้านล่างค่าเฉลี่ยระยะยาวโมเมนตัมอยู่ในทิศทางที่ลดลงสนับสนุนอีกใช้กันทั่วไปของค่าเฉลี่ยเคลื่อนที่อยู่ในการกำหนดราคาที่เป็นประโยชน์สนับสนุนไม่ใช้เวลามากประสบการณ์ในการจัดการกับค่าเฉลี่ยเคลื่อนที่เพื่อสังเกตเห็นว่าราคาที่ลดลงของ สินทรัพย์มักจะหยุดและย้อนกลับทิศทางในระดับเดียวกับค่าเฉลี่ยที่สำคัญตัวอย่างเช่นในรูปที่ 3 คุณจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 200 วันสามารถตรึงราคาหุ้นหลังจากที่ตกลงมาจากระดับสูงใกล้ 32 ผู้ค้าหลายรายคาดว่าจะได้รับผลกระทบจากค่าเฉลี่ยเคลื่อนที่ที่สำคัญและจะใช้ตัวบ่งชี้ทางเทคนิคอื่น ๆ เพื่อยืนยันถึงการเคลื่อนไหวที่คาดไว้ความต้านทานเมื่อราคาของสินทรัพย์ต่ำกว่าระดับที่สนับสนุนอย่างมีนัยสำคัญเช่นค่าเฉลี่ยเคลื่อนที่ 200 วันก็เป็นได้ ไม่ใช่เรื่องแปลกที่จะเห็นค่าเฉลี่ยที่ทำหน้าที่เป็นอุปสรรคสำคัญในการป้องกันนักลงทุนจากการผลักดันให้ราคาขึ้นเหนือค่าเฉลี่ยดังที่คุณสามารถดูได้จากกราฟด้านล่างความต้านทานนี้มักใช้โดยผู้ค้า เครื่องหมาย sa ที่จะทำกำไรหรือเพื่อปิดตำแหน่งยาวใด ๆ ที่มีอยู่ผู้ขายสั้น ๆ จำนวนมากยังจะใช้ค่าเฉลี่ยเหล่านี้เป็นจุดเข้าเพราะราคามักจะตีกลับต้านทานและยังคงลดลงของถ้าคุณเป็นนักลงทุนที่ถือครองตำแหน่งยาวใน สินทรัพย์ที่ซื้อขายต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่สำคัญอาจเป็นประโยชน์อย่างยิ่งที่สุดในการดูระดับเหล่านี้อย่างใกล้ชิดเนื่องจากอาจส่งผลกระทบต่อมูลค่าของการลงทุนของคุณอย่างมากการสูญเสียการหยุดชะงักการสนับสนุนและลักษณะความต้านทานของค่าเฉลี่ยเคลื่อนที่ทำให้เครื่องมือนี้เป็นเครื่องมือที่ยอดเยี่ยมสำหรับการจัดการ ความเสี่ยงความสามารถในการเคลื่อนตัวเฉลี่ยเพื่อระบุสถานที่เชิงกลยุทธ์ในการตั้งคำสั่งหยุดขาดทุนช่วยให้ผู้ค้าสามารถตัดสถานะการขาดทุนก่อนที่จะสามารถเติบโตได้มากขึ้นตามที่เห็นในรูปที่ 5 ผู้ค้าที่ถือครองหุ้นในตลาดหลักทรัพย์ยาวและตั้งจุดยืนของตน คำสั่งซื้อต่ำกว่าค่าเฉลี่ยที่มีอิทธิพลสามารถบันทึกตัวเองเป็นจำนวนมากเงินการใช้ค่าเฉลี่ยเคลื่อนที่ในการตั้งคำสั่งหยุดขาดทุนเป็นกุญแจสำคัญในกลยุทธ์การซื้อขายที่ประสบความสำเร็จในทางปฏิบัติ Ave ย้าย ความโกรธจะให้ค่าเฉลี่ยที่ดีของค่าเฉลี่ยของชุดเวลาหากค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณีค่าคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยระยะเวลาการสังเกตนานขึ้นจะเฉลี่ยออก ผลกระทบของความแปรปรวนวัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิงเพื่อแสดงให้เรานำเสนอชุดข้อมูลที่รวมเอาการเปลี่ยนแปลงของค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลาภาพแสดงเวลา ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 แล้วมันจะกลายเป็นค่าคงที่ อีกครั้งข้อมูลจะถูกจำลองโดยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษให้เป็นจำนวนเต็มใกล้ที่สุดตาราง SH ows การสังเกตแบบจำลองที่ใช้สำหรับตัวอย่างเมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้นค่าประมาณของพารามิเตอร์แบบจำลองสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ย ของช่วงเวลาในรูปด้านล่างรูปที่แสดงค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่คาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามระยะเวลาหนึ่งข้อสรุปจะเห็นได้ทันทีจากรูปสำหรับทั้งสาม ประมาณการค่าเฉลี่ยเคลื่อนที่ที่ล่าช้าหลังแนวโน้มเชิงเส้นโดยมีความล่าช้าเพิ่มขึ้นด้วย m ความล่าช้าคือระยะห่างระหว่างแบบจำลองกับการประมาณในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยเคลื่อนที่จะประเมินค่าความสังเกตต่ำกว่าค่าเฉลี่ย ตัวประมาณคือความแตกต่างในช่วงเวลาที่ระบุในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คาดการณ์ไว้โดยค่าเฉลี่ยเคลื่อนที่ค่าความลำเอียงเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นค่าลบสำหรับค่าลด ing ค่าเฉลี่ยความอคติเป็นบวกความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณการเป็นหน้าที่ของ m ขนาดใหญ่กว่าค่า m ที่มีขนาดใหญ่กว่าความล่าช้าและความลำเอียงสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้มเป็นค่า lag และ อคติของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่างเส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างรูปแบบไม่เพิ่มขึ้นอย่างต่อเนื่องค่อนข้างจะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มและกลายเป็นค่าคงที่อีกครั้งยังตัวอย่าง เส้นโค้งจะได้รับผลกระทบจากเสียงดังกล่าวการคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวาความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของช่วงคาดการณ์ในอนาคตเมื่อเทียบกับ พารามิเตอร์รูปแบบอีกครั้งสูตรเหล่านี้สำหรับชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่เราไม่ควรแปลกใจที่ผลลัพธ์นี้ estimator เฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานของ const มดหมายถึงและตัวอย่างมีแนวโน้มเป็นเส้นตรงในระหว่างช่วงเวลาการศึกษาเนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมตัวให้พร้อมสำหรับผลลัพธ์ดังกล่าวเรายังสามารถสรุปได้จากรูปที่ ความแปรปรวนของเสียงมีผลมากที่สุดสำหรับขนาดเล็ก m ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงและ เพื่อลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้นข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงและค่าคาดการณ์ถ้าชุดข้อมูลเวลาเป็นค่าคงที่แท้จริงค่าที่คาดว่าจะเกิดข้อผิดพลาดคือศูนย์และความแปรปรวนของข้อผิดพลาด ประกอบด้วยคำที่เป็นหน้าที่ของและระยะที่สองนั่นคือความแปรปรวนของเสียงระยะแรกเป็นความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกต m สังเกตว่าข้อมูลมาจากประชากร เมื่อมีค่าคงที่หมายถึงระยะนี้จะลดลงโดยการทำให้ m เป็นขนาดใหญ่ที่สุด m ขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงในชุดเวลาอ้างอิงเพื่อให้การคาดการณ์ที่ตอบสนองต่อการเปลี่ยนแปลงเราต้องการ m ให้เล็กที่สุดเท่าที่จะเป็นไปได้ 1 แต่ เพิ่มความแปรปรวนของข้อผิดพลาดการคาดการณ์ในทางปฏิบัติต้องใช้ค่ากลางดังนั้นการคำนวณด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B การสังเกตแรกมีการทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไปเป็น -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วง 0 MA 10 คอลัมน์ C แสดงการเคลื่อนที่ที่คำนวณ ค่าเฉลี่ยเคลื่อนที่ m พารามิเตอร์อยู่ในเซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับหนึ่งรอบระยะเวลาในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์ถูกเปลี่ยนเป็น จำนวนที่มากขึ้นในคอลัมน์ Fore ถูกเลื่อนลง Err 1 คอลัมน์ E แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 ส่วนเบี่ยงเบนมาตรฐานและ Mean Mean Deviation MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับ