EWMA (দ্রুততর ওজনে চলমান গড়) | সূত্র এবং উদাহরণ
ইডাব্লুএমএর সংজ্ঞা (দ্রুততর ওজনে চলমান গড়)
এক্সপেনসিয়ালি ওয়েটেড মুভিং এভারেজ (EWMA) বলতে বোঝায় যে বিভিন্ন গড় বিবেচনা করে ফলাফল এবং আউটপুট পরীক্ষা করে পোর্টফোলিওটির গতিপথ ট্র্যাক করতে ব্যবহার করা হয় এমন ডেটা গড় গড় বোঝায় এবং তারপরে পারফরম্যান্সটি মূল্যায়ন করতে এবং ফলাফলগুলি ট্র্যাক করে উন্নতি করা
একটি EWMA এর জন্য ওজন অতীতের আরও বেশি সময়ের প্রতিটি সময়ের জন্য তাত্পর্যপূর্ণভাবে উপায় হ্রাস করে। এছাড়াও, যেহেতু ইডব্লিউএমএতে পূর্বের গণনা করা গড় রয়েছে, সুতরাং এক্সপেনসিয়ালি ওয়েট মুভিং এভারেজের ফলাফলটি संचयी হবে। এ কারণে, সমস্ত ডেটা পয়েন্টগুলি ফলাফলটিতে অবদান রাখবে, তবে পরবর্তী সময়ের EWMA গণনা করা হওয়ায় অবদানের উপাদানটি হ্রাস পাবে।
ব্যাখ্যা
এই EWMA সূত্রটি একবারে গড়ের গড়ের মান দেখায়।
EWMA (t) = a * x (t) + (1-a) * EWMA (t-1)
কোথায়
- EWMA (t) = সময়ে চলমান গড় t
- a = 0 এবং 1 এর মধ্যে প্যারামিটার মান মিশ্রণের ডিগ্রি
- x (t) = সিগন্যালের এক্স এর সময় টি
এই সূত্রটিতে টি চলমান গড়ের মান টি। এখানে একটি প্যারামিটার রয়েছে যা পুরানো ডেটা গণনায় আসবে সেই হারটি দেখায়। একটি এর মান 0 থেকে 1 এর মধ্যে হবে।
যদি একটি = 1 এর অর্থ কেবল EWMA পরিমাপ করতে সাম্প্রতিকতম ডেটা ব্যবহার করা হয়েছে। যদি একটি 0 এর কাছাকাছি হয়, তার অর্থ পুরানো ডেটাতে আরও বেশি ওজন দেওয়া হয় এবং যদি কোনও 1 এর কাছাকাছি হয় তার মানে নতুন ডেটারকে আরও ওজন দেওয়া হয়।
EWMA এর উদাহরণ
নীচে এক্সপেনশনালি ওয়েট মুভিং এভারেজের উদাহরণ রয়েছে
আপনি এই EWMA এক্সেল টেম্পলেটটি এখানে ডাউনলোড করতে পারেন - EWMA এক্সেল টেম্পলেটউদাহরণ # 1
আসুন নীচের টেবিল অনুযায়ী 5 তথ্য পয়েন্ট বিবেচনা করুন:
এবং প্যারামিটার a = 30% বা 0.3
সুতরাং EWMA (1) = 40
EWMA সময় 2 জন্য নিম্নলিখিত
- EWMA (2) = 0.3 * 45 + (1-0.3) * 40.00
- = 41.5
একইভাবে নির্দিষ্ট সময়ের জন্য তাত্পর্যপূর্ণ ওজনযুক্ত চলমান গড় গণনা করুন -
- EWMA (3) = 0.3 * 43 + (1-0.3) * 41.5 = 41.95
- EWMA (4) = 0.3 * 31 + (1-0.3) * 41.95 = 38.67
- EWMA (5) = 0.3 * 20 + (1-0.3) * 38.67 = 33.07
উদাহরণ # 2
আমরা রবিবার থেকে শনিবার পর্যন্ত একটি শহরের তাপমাত্রা ডিগ্রি সেলসিয়াসে রাখছি। একটি = 10% ব্যবহার করে আমরা সপ্তাহের প্রতিটি দিনের জন্য তাপমাত্রার চলমান গড়ের সন্ধান করব।
ব্যবহার a = 10% আমরা নীচের সারণীতে প্রতিটি দিনের জন্য তাত্পর্যপূর্ণ ওজনযুক্ত চলমান গড়টি খুঁজে পাব:
নীচে গ্রাফটি প্রকৃত তাপমাত্রা এবং EWMA এর মধ্যে একটি তুলনা দেখায়:
আমরা দেখতে পাচ্ছি যে মসৃণকরণটি = 10% ব্যবহার করে বেশ শক্তিশালী। একইভাবে আমরা বহু ধরণের সময় সিরিজ বা অনুক্রমিক ডেটাসেটের জন্য দ্রুততর ওজনযুক্ত চলমান গড়কে সমাধান করতে পারি।
সুবিধাদি
- এটি ডেটা বা আউটপুটের পুরো ইতিহাস ব্যবহার করে গড় খুঁজে পেতে ব্যবহার করা যেতে পারে। অন্যান্য সমস্ত চার্ট প্রতিটি উপাত্তকে স্বতন্ত্র উপায়ে আচরণ করে।
- ব্যবহারকারী তার সুবিধার্থে প্রতিটি ডেটা পয়েন্টকে ওজন দিতে পারেন। বিভিন্ন গড়ের তুলনায় এই ওজনকে পরিবর্তন করা যেতে পারে।
- EWMA জ্যামিতিকভাবে ডেটা প্রদর্শন করে। সেই কারণে ডেটা যখন প্রভাবশালী ঘটে তখন খুব বেশি প্রভাবিত হয় না।
- এক্সপেনশনালি ওয়েট মুভিং এভারেজের প্রতিটি ডেটা পয়েন্ট চলমান গড়ের পয়েন্ট উপস্থাপন করে।
সীমাবদ্ধতা
- এটি কেবল তখনই ব্যবহার করা যেতে পারে যখন সময়ের মধ্যে ক্রমাগত ডেটা উপলব্ধ থাকে।
- এটি কেবল তখনই ব্যবহার করা যেতে পারে যখন আমরা প্রক্রিয়াটিতে একটি ছোট শিফট সনাক্ত করতে চাই।
- এই পদ্ধতিটি গড় গণনা করতে ব্যবহার করা যেতে পারে। পর্যবেক্ষণের বৈকল্পিকর জন্য ব্যবহারকারীকে অন্য কিছু কৌশল ব্যবহার করা প্রয়োজন।
গুরুত্বপূর্ণ পয়েন্ট
- আমরা যে ডেটাটির জন্য দ্রুততর ওজনযুক্ত চলমান গড় পেতে চাই তা সময়ের আদেশ হওয়া উচিত।
- মসৃণ বলা যেতে পারে এমন গোলমাল সময় সিরিজের ডেটা পয়েন্টগুলিতে শব্দ কমাতে এটি খুব সহায়ক।
- প্রতিটি আউটপুট একটি ওজন দেওয়া হয়। সাম্প্রতিকতম ডেটা হ'ল, এটি সবচেয়ে বেশি ওজন অর্জন করবে।
- এটি ছোট শিফট সনাক্তকরণে বেশ ভাল তবে বড় শিফট সনাক্তকরণে ধীর।
- উপগোষ্ঠীর নমুনার আকার 1 এর চেয়ে বেশি হলে এটি ব্যবহার করা যেতে পারে।
- রিয়েল-ওয়ার্ল্ডে, এই পদ্ধতিটি রাসায়নিক প্রক্রিয়া এবং প্রতিদিনের অ্যাকাউন্টিং প্রক্রিয়াগুলিতে ব্যবহার করা যেতে পারে।
- এটি সপ্তাহের দিনগুলিতে ওয়েবসাইট দর্শকদের ওঠানামা দেখাতেও ব্যবহার করা যেতে পারে।
উপসংহার
EWMA হ'ল সময়সীমা প্রক্রিয়াটির মাঝামাঝি সময়ে ছোট শিফ্টগুলি সনাক্ত করার জন্য একটি সরঞ্জাম। তাত্পর্যপূর্ণ ওজনযুক্ত চলমান গড়ও উচ্চতর অধ্যয়ন করা হয় এবং ডেটাগুলির চলমান গড় সন্ধানের জন্য একটি মডেল ব্যবহার করা হয়। এটি পূর্ববর্তী তথ্যের ইভেন্টের ভিত্তিতে পূর্বাভাস দেওয়ার ক্ষেত্রেও খুব দরকারী। এক্সটেনশিয়ালি ওয়েট মুভিং এভারেজ একটি অনুমিত ভিত্তি যা পর্যবেক্ষণগুলি সাধারণত বিতরণ করা হয়। এটি তাদের ওজনকে কেন্দ্র করে অতীতের ডেটা বিবেচনা করছে। অতীতে ডেটা আরও বেশি হওয়ায় গণনার জন্য এর ওজন দ্রুত হ্রাস পাবে।
ব্যবহারকারীরা EWMA ভিত্তিতে বিভিন্ন ওজনের বিভিন্ন সেট নির্ধারণ করতে অতীতের উপাত্তগুলিকে ওজন দিতে পারে। এছাড়াও জ্যামিতিকভাবে প্রদর্শিত ডেটার কারণে, বহিরাগতদের কারণে ডেটা খুব বেশি প্রভাবিত হয় না, তাই এই পদ্ধতিটি ব্যবহার করে আরও স্মুথযুক্ত ডেটা অর্জন করা যায়।
