ชี้แจง ถัว เฉลี่ยเคลื่อนที่ กรอง

การสำรวจความผันผวนตามค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเชิงตัวเลขเป็นการวัดความเสี่ยงที่พบบ่อยที่สุด แต่มีหลายรสชาติ ในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่าย เราใช้ข้อมูลราคาหุ้นที่เกิดขึ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้นภายใน 30 วัน ในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบทวีคูณ (EWMA) Historical Vs ความผันแปรเบื้องต้นก่อนอื่นให้วางเมตริกนี้ไว้ในมุมมองเล็กน้อย มีสองแนวทางที่กว้าง: ความผันผวนในอดีตและโดยนัย (หรือโดยนัย) วิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ ในทางตรงกันข้ามความผันผวนโดยนัยจะละเลยประวัติความเป็นมาที่จะแก้ปัญหาให้กับความผันผวนโดยนัยตามราคาในตลาด หวังว่าตลาดจะรู้ได้ดีที่สุดและราคาในตลาดมีแม้กระทั่งโดยนัยประมาณการความผันผวน ถ้าเรามุ่งเน้นไปที่สามวิธีทางประวัติศาสตร์ (ด้านซ้ายด้านบน) พวกเขามีสองขั้นตอนที่เหมือนกัน: คำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้สูตรการถ่วงน้ำหนักก่อนอื่นเรา คำนวณผลตอบแทนเป็นระยะ ๆ โดยทั่วไปแล้วผลตอบแทนรายวันจะได้รับผลตอบแทนแต่ละรายการในแง่บวก สำหรับแต่ละวันเราจะบันทึกล็อกอัตราส่วนราคาหุ้น (เช่นราคาในปัจจุบันหารด้วยราคาเมื่อวานนี้เป็นต้น) นี่เป็นการสร้างผลตอบแทนรายวันจาก u i to u i-m ขึ้นอยู่กับจำนวนวัน (m วัน) ที่เราวัด ที่ทำให้เราก้าวไปสู่ขั้นตอนที่สอง: นี่คือแนวทางที่แตกต่างกันสามวิธี ในบทความก่อนหน้า (ใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคต) เราพบว่าภายใต้สอง simplifications ยอมรับความแปรปรวนง่ายคือค่าเฉลี่ยของผลตอบแทนที่เป็นกำลังสอง: ขอให้สังเกตว่าผลรวมนี้แต่ละผลตอบแทนเป็นระยะจากนั้นแบ่งทั้งหมดโดย จำนวนวันหรือสังเกตการณ์ (ม.) ดังนั้นจริงๆมันเป็นเพียงเฉลี่ยของผลตอบแทนเป็นระยะ ๆ squared ใส่อีกวิธีหนึ่งแต่ละยกกำลังสองจะได้รับน้ำหนักเท่ากัน ดังนั้นถ้า alpha (a) เป็นปัจจัยการถ่วงน้ำหนัก (โดยเฉพาะ 1m) ความแปรปรวนแบบง่ายๆมีลักษณะดังนี้: EWMA ช่วยเพิ่มความแปรปรวนอย่างง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน การกลับมาเมื่อวาน (ล่าสุด) ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมา ปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณ (EWMA) ซึ่งผลตอบแทนที่มากขึ้นล่าสุดมีน้ำหนักมากขึ้นกับความแปรปรวน ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลัง (EWMA) แนะนำ lambda ซึ่งเรียกว่าพารามิเตอร์การให้ราบเรียบ แลมบ์ดาต้องมีค่าน้อยกว่าหนึ่ง ภายใต้เงื่อนไขดังกล่าวแทนที่จะใช้น้ำหนักที่เท่ากันผลตอบแทนที่ได้รับจะเพิ่มขึ้นตามตัวคูณดังนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้แลมบ์ดาเท่ากับ 0.94 หรือ 94 ในกรณีนี้เป็นครั้งแรก (1-0.94) (. 94) 0 6. ผลตอบแทนที่ได้จะเป็นตัวเลข lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5.64 และสามวันก่อนหน้ามีน้ำหนักเท่ากับ (1-0.94) (0.94) 2 5.30 นั่นคือความหมายของเลขยกกำลังใน EWMA: แต่ละน้ำหนักเป็นตัวคูณคงที่ (เช่น lambda ซึ่งต้องน้อยกว่าหนึ่ง) ของน้ำหนักก่อนหน้า เพื่อให้แน่ใจว่ามีความแปรปรวนที่ถ่วงน้ำหนักหรือลำเอียงไปยังข้อมูลล่าสุด (หากต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google) ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google จะแสดงไว้ด้านล่าง ความผันผวนอย่างง่ายมีผลต่อการกลับคืนเป็นระยะ ๆ ทุกๆ 0.196 ตามที่แสดงไว้ในคอลัมน์ O (เรามีข้อมูลราคาหุ้นย้อนหลังเป็นเวลา 2 ปีนั่นคือผลตอบแทน 509 วันและ 1509 0.196) แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนัก 6, 5.64 แล้ว 5.3 และอื่น ๆ Thats ความแตกต่างระหว่างความแปรปรวนง่ายและ EWMA โปรดจำไว้ว่า: หลังจากที่เราสรุปชุดข้อมูลทั้งหมด (ในคอลัมน์ Q) เรามีความแปรปรวนซึ่งเป็นค่าสแควร์ของส่วนเบี่ยงเบนมาตรฐาน ถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าให้ใช้รากที่สองของความแปรปรวนนั้น ความแตกต่างของความแปรปรวนรายวันระหว่างค่าความแปรปรวนและ EWMA ในกรณีของ Googles มีความหมาย: ความแปรปรวนง่ายทำให้เรามีความผันผวนรายวันอยู่ที่ 2.4 แต่ EWMA มีความผันผวนรายวันเพียง 1.4 (ดูสเปรดชีตเพื่อดูรายละเอียด) เห็นได้ชัดว่าความผันผวนของ Googles ตกลงไปเมื่อไม่นานมานี้ดังนั้นความแปรปรวนที่เรียบง่ายอาจเป็นจำนวนเทียมสูง ความแปรปรวนวันนี้เป็นฟังก์ชันของความแตกต่างของวัน Pior คุณจะสังเกตเห็นว่าเราจำเป็นต้องคำนวณชุดน้ำหนักลดลงอย่างมาก เราจะไม่ใช้คณิตศาสตร์ที่นี่ แต่คุณลักษณะที่ดีที่สุดของ EWMA คือชุดผลิตภัณฑ์ทั้งหมดสามารถลดสูตร recursive ได้อย่างง่ายดาย: Recursive หมายถึงการอ้างอิงความแปรปรวนในปัจจุบัน (คือฟังก์ชันของความแปรปรวนในวันก่อนหน้า) คุณสามารถค้นหาสูตรนี้ในสเปรดชีตยังและจะก่อให้เกิดผลแน่นอนเช่นเดียวกับการคำนวณตัวหนังสือมันบอกว่า: แปรปรวนในปัจจุบัน (ภายใต้ EWMA) เท่ากับแปรปรวนเมื่อวาน (ถ่วงน้ำหนักด้วยแลมบ์ดา) บวกเมื่อวานกลับมายกกำลังสอง (ชั่งน้ำหนักโดยแลมบ์ดาลบหนึ่ง) แจ้งให้เราทราบว่าเรากำลังเพิ่มคำสองคำลงท้ายด้วยกันอย่างไร: ความแปรปรวนที่ถ่วงน้ำหนักในวันอังคารและเมื่อวานถ่วงน้ำหนัก แม้กระนั้นแลมบ์ดาก็คือพารามิเตอร์ที่ราบเรียบของเรา แลมบ์ดาที่สูงขึ้น (เช่น RiskMetrics 94) บ่งชี้การสลายตัวช้าลงในซีรีย์ - ในแง่สัมพัทธ์เราจะมีจุดข้อมูลมากขึ้นในซีรีส์และพวกเขาจะลดลงอย่างช้าๆ ในทางกลับกันถ้าเราลดแลมบ์ดาเราจะบ่งชี้ว่าการสลายตัวที่สูงขึ้น: น้ำหนักจะลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการผุกร่อนที่รวดเร็วใช้จุดข้อมูลน้อยลง (ในสเปรดชีตแลมบ์ดาเป็นอินพุตดังนั้นคุณจึงสามารถทดสอบความไวได้) ความผันผวนโดยสรุปคือส่วนเบี่ยงเบนมาตรฐานของหุ้นและความเสี่ยงที่พบมากที่สุด นอกจากนี้ยังเป็นรากที่สองของความแปรปรวน เราสามารถวัดความแปรปรวนในอดีตหรือโดยนัย (ความผันผวนโดยนัย) เมื่อวัดในอดีตวิธีที่ง่ายที่สุดคือความแปรปรวนที่เรียบง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน ดังนั้นเราจึงต้องเผชิญกับข้อเสียแบบคลาสสิก: เราต้องการข้อมูลมากขึ้น แต่ข้อมูลที่เรามีมากขึ้นการคำนวณของเราจะเจือจางด้วยข้อมูลที่อยู่ไกล (ไม่เกี่ยวข้อง) ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) ช่วยเพิ่มความแปรปรวนอย่างง่ายโดยกำหนดน้ำหนักให้กับผลตอบแทนเป็นงวด เมื่อทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด (หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้ไปที่ Bionic Turtle) เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเปรียบเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงจูงใจทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้วัดแต่ละบุคคลตัวกรอง Exponential หน้านี้อธิบายถึงการกรองแบบ exponential ซึ่งเป็นตัวกรองที่ง่ายและเป็นที่นิยมมากที่สุด นี่เป็นส่วนหนึ่งของส่วนการกรองซึ่งเป็นส่วนหนึ่งของคู่มือการตรวจหาและวินิจฉัยข้อบกพร่องข้อมูลภาพรวมค่าคงที่ตลอดเวลาและหน่วยความจำแบบอนาล็อกตัวกรองที่ง่ายที่สุดคือตัวกรองเลขลำดับ มีพารามิเตอร์จูนเดียว (นอกเหนือจากช่วงเวลาตัวอย่าง) ต้องเก็บข้อมูลตัวแปรเดียว - เอาต์พุตก่อนหน้านี้ เป็นตัวกรอง IIR (autoregressive) - ผลกระทบของการเปลี่ยนแปลงการเปลี่ยนแปลงการป้อนข้อมูลแบบทวีคูณจนถึงขีด จำกัด ของการแสดงผลหรือการคำนวณทางคณิตศาสตร์ของคอมพิวเตอร์ซ่อนไว้ ในสาขาต่างๆการใช้ตัวกรองนี้เรียกว่า 8220exponential smoothing8221 ในบางสาขาวิชาเช่นการวิเคราะห์การลงทุนตัวกรองเลขยกกำลังเรียกว่า 8220Exeptably Weighted Moving Average8221 (EWMA) หรือเพียง 8220Exponential Moving Average8221 (EMA) การดำเนินการนี้ละเมิดหลักเกณฑ์ ARMA 8220 โดยทั่วไปในการวิเคราะห์การวิเคราะห์อนุกรมเวลาเนื่องจากไม่มีประวัติการเข้าที่ใช้งานเพียงแค่ข้อมูลปัจจุบันเท่านั้น มันเป็นเวลาที่ไม่ต่อเนื่องเทียบเท่า 8220 ลำดับแรก lag8221 ใช้กันทั่วไปในการสร้างแบบจำลองอนาล็อกของระบบควบคุมเวลาต่อเนื่อง ในวงจรไฟฟ้าตัวกรอง RC (ตัวกรองที่มีตัวเก็บประจุหนึ่งตัวและตัวเก็บประจุหนึ่งตัว) เป็นลัดแรก เมื่อเน้นความคล้ายคลึงกับวงจรแอนะล็อกพารามิเตอร์การปรับค่าเดียวคือค่าคงที่ 8220 ตลอดเวลาโดยปกติจะเขียนเป็นตัวพิมพ์เล็กตัวอักษรกรีก Tau () ในความเป็นจริงค่าในช่วงเวลาตัวอย่างที่ไม่ต่อเนื่องตรงกับเวลาลัดเวลาต่อเนื่องที่เท่ากันโดยมีค่าคงที่ในเวลาเดียวกัน ความสัมพันธระหวางการใชงานแบบดิจิตอลและคาคงที่เวลาจะแสดงไวในสมการตอไปนี้ สมการของตัวกรองแบบเรียงซ้อนและการเตรียมใช้งานตัวกรองเลขยกกำลังเป็นชุดค่าผสมของการประมาณค่าก่อนหน้า (เอาท์พุท) ที่มีข้อมูลป้อนเข้าใหม่ล่าสุดโดยมีผลรวมของน้ำหนักเท่ากับ 1 เพื่อให้เอาต์พุตตรงกับอินพุทในสภาวะคงที่ ตามสัญกรณ์ตัวกรอง: y (k) ay (k-1) (1-a) x (k) โดยที่ x (k) เป็นข้อมูลดิบที่ระยะเวลา ky (k) เป็นผลลัพธ์ที่ผ่านการกรองในขั้นตอนเวลา ka เป็นค่าคงที่ระหว่าง 0 ถึง 1 โดยปกติระหว่าง 0.8 ถึง 0.99 (a-1) หรือบางครั้งเรียกว่า 8220smoothing constant8221 สำหรับระบบที่มีขั้นตอนเวลาคงที่ T ระหว่างตัวอย่างค่าคงที่ 8220a8221 จะคำนวณและจัดเก็บไว้เพื่อความสะดวกเฉพาะเมื่อนักพัฒนาแอ็พพลิเคชันระบุค่าใหม่ของค่าคงที่เวลาที่ต้องการ สำหรับระบบที่มีการสุ่มตัวอย่างข้อมูลในช่วงเวลาที่ผิดปกติต้องใช้ฟังก์ชันเลขชี้กำลังข้างต้นกับแต่ละขั้นตอนเวลาโดยที่ T คือเวลาตั้งแต่ตัวอย่างก่อนหน้านี้ เอาท์พุทตัวกรองมักจะถูกเตรียมใช้งานเพื่อให้ตรงกับการป้อนข้อมูลครั้งแรก เมื่อเวลาคงที่เข้าใกล้ 0 เป็น a ไปเป็นศูนย์ดังนั้นจึงไม่มีการกรองผลลัพธ์ 8211 เท่ากับการป้อนข้อมูลใหม่ เป็นเวลาคงที่จะมีขนาดใหญ่มากวิธีที่ 1 เพื่อให้ใส่ใหม่เกือบจะละเลย 8211 มากกรองหนัก สมการของตัวกรองด้านบนสามารถจัดเรียงใหม่ลงในตัวทำนาย - corrector equivalent: รูปแบบนี้ทำให้เห็นได้ชัดว่าค่าประมาณตัวแปร (เอาท์พุทของตัวกรอง) คาดว่าจะไม่เปลี่ยนแปลงจากค่าประมาณก่อนหน้า y (k-1) บวกคำที่ใช้แก้ไข ที่ไม่คาดคิด 8220innovation8221 - ความแตกต่างระหว่างการป้อนข้อมูลใหม่ x (k) และการทำนาย y (k-1) แบบฟอร์มนี้เป็นผลมาจากการหาตัวกรองแบบ exponential เป็นกรณีพิเศษแบบพิเศษของตัวกรองคาลมาน ซึ่งเปนทางออกที่ดีที่สุดในการประมาณคาโดยใชสมมติฐานเฉพาะ การตอบสนองขั้นตอนวิธีหนึ่งในการมองเห็นการทำงานของตัวกรองเลขยกกำลังคือการพล็อตการตอบสนองของมันในช่วงเวลาหนึ่งไปยังอินพุตขั้นตอน นั่นคือเริ่มต้นด้วยการป้อนข้อมูลตัวกรองและเอาท์พุทที่ 0 ค่าอินพุตจะเปลี่ยนไปเป็น 1 โดยอัตโนมัติค่าที่ได้จะถูกวางแผนไว้ด้านล่าง: ในพล็อตด้านบนเวลาจะถูกหารด้วยเวลาตัวกรอง tau คงที่เพื่อให้คุณคาดการณ์ได้ง่ายขึ้น ผลลัพธ์สำหรับช่วงเวลาใด ๆ สำหรับค่าใด ๆ ของค่าคงที่ของตัวกรอง หลังจากเวลาเท่ากับเวลาที่กำหนดเอาต์พุตตัวกรองจะเพิ่มขึ้นเป็น 63.21 ของค่าสุดท้าย หลังจากเวลามีค่าเท่ากับ 2 ค่าคงที่ค่าจะเพิ่มขึ้นเป็น 86.47 ของค่าสุดท้าย ผลลัพธ์ตามเวลาที่เท่ากับ 3,4 และ 5 ค่าคงที่คือ 95.02, 98.17 และ 99.33 ของค่าสุดท้ายตามลำดับ เนื่องจากตัวกรองเป็นแบบเส้นตรงนั่นหมายความว่าเปอร์เซ็นต์เหล่านี้สามารถใช้สำหรับขนาดของการเปลี่ยนแปลงขั้นตอนไม่ใช่เฉพาะสำหรับค่าที่ใช้ 1 ที่นี่ แม้ว่าการตอบสนองขั้นตอนในทฤษฎีจะใช้เวลาที่ไม่มีที่สิ้นสุดจากมุมมองเชิงปฏิบัติให้คิดเกี่ยวกับตัวกรองเลขยกกำลังเป็น 98 ถึง 99 8220done8221 ที่ตอบสนองหลังจากเวลานั้นเท่ากับ 4 ถึง 5 ช่วงเวลาของตัวกรอง มีการเปลี่ยนแปลงของตัวกรองเลขทศนิยมที่เรียกว่าตัวกรองเลข 8220nnonear อย่างละเอียด 8221 Weber, 1980 มีจุดมุ่งหมายเพื่อกรองสัญญาณรบกวนภายในขอบเขต 8220typical8221 อย่างมาก แต่จะตอบสนองต่อการเปลี่ยนแปลงที่มีขนาดใหญ่กว่า Copyright 2010 - 2013, Greg Stanley แบ่งปันหน้านี้: ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบทวีคูณคุณสามารถคิดรายการเฝ้าดูเป็นหัวข้อที่คุณบุ๊กมาร์กได้ คุณสามารถเพิ่มแท็กผู้เขียนชุดข้อความและแม้แต่ผลการค้นหาลงในรายการเฝ้าดูของคุณ ด้วยวิธีนี้คุณสามารถติดตามหัวข้อที่คุณสนใจได้อย่างง่ายดายหากต้องการดูรายการเฝ้าดูของคุณคลิกที่ลิงค์ quot My Newsreaderquot หากต้องการเพิ่มรายการลงในรายการเฝ้าดูให้คลิกที่ลิงก์เพื่อดูลิงก์ listquot ที่ด้านล่างของหน้าใดก็ได้ ฉันจะเพิ่มรายการลงในรายการเฝ้าดูได้อย่างไรหากต้องการเพิ่มเกณฑ์การค้นหาลงในรายการเฝ้าดูให้ค้นหาคำที่ต้องการในช่องค้นหา คลิกที่ "เพิ่มการค้นหานี้ลงในลิงก์ watchquest ของฉันในหน้าผลการค้นหา นอกจากนี้คุณยังสามารถเพิ่มแท็กลงในรายการเฝ้าดูได้ด้วยการค้นหาแท็กด้วยคำสั่ง quintag: tagnamequot โดยที่ tagname คือชื่อของแท็กที่คุณต้องการดู หากต้องการเพิ่มผู้เขียนลงในรายการเฝ้าดูให้ไปที่หน้าโปรไฟล์ผู้เขียนและคลิกที่ "เพิ่มผู้แต่งนี้ลงในลิงก์ watchquest ของฉันที่ด้านบนของหน้า นอกจากนี้คุณยังสามารถเพิ่มผู้เขียนลงในรายการเฝ้าดูของคุณโดยไปที่เธรดที่ผู้เขียนโพสต์ไว้และคลิกที่ "เพิ่มผู้แต่งนี้ลงในลิงก์ watchquest ของฉัน" คุณจะได้รับแจ้งเมื่อใดก็ตามที่ผู้เขียนโพสต์ หากต้องการเพิ่มเธรดในรายการเฝ้าดูให้ไปที่หน้าหัวข้อและคลิกที่เพิ่มเนื้อหานี้ในลิงก์ watch listquot ที่ด้านบนของหน้า เกี่ยวกับ Newsgroups, Newsreaders และ MATLAB Central กลุ่มข่าวสารคืออะไรกลุ่มข่าวเป็นฟอรัมทั่วโลกที่เปิดกว้างสำหรับทุกคน กลุ่มข่าวสารใช้ในการพูดคุยเกี่ยวกับหัวข้อต่างๆการประกาศและการทำธุรกรรม การสนทนาแบ่งเป็นกลุ่มหรือจัดกลุ่มตามวิธีที่ช่วยให้คุณอ่านข้อความที่โพสต์และการตอบกลับทั้งหมดตามลำดับเวลา การทำเช่นนี้ทำให้ง่ายต่อการติดตามหัวข้อสนทนาและเพื่อดูสิ่งที่ถูกกล่าวมาแล้วก่อนที่คุณจะโพสต์การตอบกลับของคุณเองหรือโพสต์ใหม่ เนื้อหากลุ่มข่าวสารเผยแพร่โดยเซิร์ฟเวอร์ที่โฮสต์โดยองค์กรต่างๆบนอินเทอร์เน็ต มีการแลกเปลี่ยนและจัดการข้อความโดยใช้โปรโตคอลมาตรฐานแบบเปิด ไม่มีกลุ่มเดียวที่สร้างกลุ่มข่าว มีกลุ่มข่าวหลายพันกลุ่มซึ่งแต่ละหัวข้อจะกล่าวถึงหัวข้อเดียวหรือพื้นที่ที่น่าสนใจ MATLAB Central Newsreader โพสต์และแสดงข้อความในกลุ่มข่าว comp. soft-sys. matlab ฉันจะอ่านหรือโพสต์ไปที่กลุ่มข่าวสารได้อย่างไรคุณสามารถใช้โปรแกรมอ่านข่าวแบบรวมได้ที่เว็บไซต์ MATLAB Central เพื่ออ่านและโพสต์ข้อความในกลุ่มข่าวสารนี้ MATLAB Central เป็นเจ้าภาพโดย MathWorks ข้อความที่โพสต์ผ่าน MATLAB Central Newsreader จะถูกมองโดยทุกคนโดยใช้กลุ่มข่าวสารโดยไม่คำนึงถึงว่าพวกเขาเข้าถึงกลุ่มข่าวสารอย่างไร มีข้อดีหลายอย่างในการใช้ MATLAB Central บัญชีเดียวบัญชี MATLAB Central ของคุณเชื่อมโยงกับบัญชี MathWorks ของคุณเพื่อความสะดวก ใช้ที่อยู่อีเมลของทางเลือกของคุณ MATLAB Central Newsreader ช่วยให้คุณสามารถกำหนดที่อยู่อีเมลสำรองเป็นที่อยู่สำหรับโพสต์ของคุณหลีกเลี่ยงความยุ่งเหยิงในกล่องจดหมายหลักและลดสแปม การควบคุมสแปมสแปมกลุ่มข่าวสารส่วนใหญ่จะถูกกรองออกโดย MATLAB Central Newsreader การติดแท็กข้อความสามารถติดแท็กด้วยป้ายกำกับที่เกี่ยวข้องโดยผู้ใช้ที่ลงชื่อเข้าใช้ใด ๆ แท็กสามารถใช้เป็นคำหลักเพื่อค้นหาไฟล์ที่ต้องการโดยเฉพาะหรือเป็นวิธีจัดประเภทการโพสต์ที่บุ๊คมาร์คของคุณ คุณสามารถเลือกให้ผู้อื่นดูแท็กของคุณได้และคุณสามารถดูหรือค้นหาแท็ก otherrsquo รวมทั้งชุมชนของชุมชนได้ การติดแท็กช่วยให้สามารถมองเห็นทั้งแนวโน้มใหญ่และความคิดที่มีขนาดเล็กลงและการใช้งานที่คลุมเครือมากขึ้น ดูรายการการตั้งค่ารายการเฝ้าดูช่วยให้คุณได้รับแจ้งเกี่ยวกับการอัปเดตที่โพสต์โดยผู้แต่งด้ายหรือตัวแปรการค้นหาใด ๆ การแจ้งเตือนรายการนัดหมายของคุณสามารถส่งทางอีเมล (การแจกแจงรายวันหรือทันที) ซึ่งแสดงใน My Newsreader หรือส่งผ่านฟีด RSS วิธีอื่น ๆ ในการเข้าถึงกลุ่มข่าวสารใช้โปรแกรมอ่านข่าวผ่านทางโรงเรียนนายจ้างหรือผู้ให้บริการอินเทอร์เน็ตของคุณการชำระเงินสำหรับการเข้าถึงกลุ่มข่าวสารจากผู้ให้บริการเชิงพาณิชย์ใช้ Google Groups Mathforum. org ให้ผู้ประกาศข่าวที่สามารถเข้าถึงกลุ่มข่าวสารของ s. sysysys. microsoft ดำเนินการของคุณเอง เซิร์ฟเวอร์ สำหรับคำแนะนำทั่วไปโปรดดู: slyckng. phppage2 เลือกเอกสารข้อมูลประเทศของคุณตัวอย่างนี้แสดงวิธีใช้ตัวกรองเฉลี่ยแบบเคลื่อนไหวและการสุ่มตัวอย่างใหม่เพื่อแยกผลกระทบขององค์ประกอบที่เป็นระยะ ๆ ของช่วงเวลาในการอ่านอุณหภูมิรายชั่วโมงตลอดจนลบเสียงรบกวนจากช่องเปิดที่ไม่พึงประสงค์ วัดแรงดันไฟฟ้าลัดวงจร ตัวอย่างนี้ยังแสดงวิธีทำให้ระดับสัญญาณนาฬิกาลดลงในขณะที่รักษาขอบโดยใช้ตัวกรองค่ามัธยฐาน ตัวอย่างยังแสดงวิธีการใช้ตัวกรอง Hampel เพื่อลบค่าดีเอ็นเอที่มีขนาดใหญ่ การทำให้เรียบเนียนเป็นสิ่งที่เราค้นพบรูปแบบที่สำคัญในข้อมูลของเราขณะออกจากสิ่งที่ไม่สำคัญ (เช่นเสียง) เราใช้การกรองเพื่อทำการเรียบนี้ เป้าหมายของการราบเรียบคือการผลิตการเปลี่ยนแปลงที่ช้าลงในคุณค่าเพื่อให้เห็นแนวโน้มในข้อมูลของเราได้ง่ายขึ้น บางครั้งเมื่อคุณตรวจสอบข้อมูลการป้อนข้อมูลที่คุณอาจต้องการทำให้ข้อมูลมีความราบรื่นเพื่อดูแนวโน้มของสัญญาณ ในตัวอย่างของเราเรามีชุดของการอ่านอุณหภูมิในเซลเซียสที่ถ่ายทุกชั่วโมงที่สนามบิน Logan ตลอดเดือนมกราคม 2011 โปรดทราบว่าเราสามารถมองเห็นผลกระทบที่ช่วงเวลาของวันมีค่าการอ่านอุณหภูมิ หากคุณสนใจเฉพาะความแปรผันของอุณหภูมิรายวันในช่วงเดือนความผันผวนรายชั่วโมงมีส่วนทำให้เกิดเสียงรบกวนเท่านั้นซึ่งจะทำให้รูปแบบรายวันดูยากขึ้น หากต้องการลบผลกระทบของเวลาในวันนี้ตอนนี้เราต้องการให้ข้อมูลของเราราบรื่นโดยใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่ ตัวกรองค่าเฉลี่ยเคลื่อนที่ (Moving Average Filter) ในรูปแบบที่ง่ายที่สุดตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความยาว N ใช้ค่าเฉลี่ยของทุกๆตัวอย่าง N ต่อเนื่องของรูปคลื่น หากต้องการใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ไปยังจุดข้อมูลแต่ละจุดเราจะสร้างค่าสัมประสิทธิ์ของตัวกรองของเราเพื่อให้แต่ละจุดมีการถ่วงน้ำหนักอย่างเท่าเทียมกันและมีส่วนทำให้ค่าเฉลี่ยรวม 124 ค่า ซึ่งจะทำให้เรามีอุณหภูมิเฉลี่ยตลอดช่วงเวลา 24 ชั่วโมง Filter Delay โปรดทราบว่าผลลัพธ์ที่กรองออกจะล่าช้าประมาณ 12 ชั่วโมง เนื่องจากตัวกรองค่าเฉลี่ยเคลื่อนที่ของเรามีความล่าช้า ตัวกรองสมมาตรใด ๆ ที่มีความยาว N จะมีความล่าช้าของ (N-1) 2 ตัวอย่าง เราสามารถบัญชีสำหรับความล่าช้านี้ด้วยตนเอง การแยกความแตกต่างเฉลี่ยนอกจากนี้เรายังสามารถใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ค่าประมาณที่ดีขึ้นว่าช่วงเวลาของวันมีผลต่ออุณหภูมิโดยรวมอย่างไร เมื่อต้องการทำเช่นนี้ขั้นแรกให้ลบข้อมูลที่ราบเรียบออกจากการวัดอุณหภูมิรายชั่วโมง จากนั้นแบ่งส่วนข้อมูลที่แตกต่างออกเป็นวันและใช้เวลาเฉลี่ยมากกว่า 31 วันในเดือน Extracting Peak Envelope บางครั้งเราก็อยากจะมีการประมาณการที่แตกต่างกันอย่างราบรื่นว่าเสียงสูงและต่ำของสัญญาณอุณหภูมิของเรามีการเปลี่ยนแปลงทุกวัน ในการทำเช่นนี้เราสามารถใช้ฟังก์ชันซองจดหมายเพื่อเชื่อมต่อเสียงสูงและต่ำสุดที่ตรวจพบได้ในเซตย่อยของช่วงเวลา 24 ชั่วโมง ในตัวอย่างนี้เรามั่นใจว่าจะมีอย่างน้อย 16 ชั่วโมงระหว่างแต่ละระดับที่สูงมากและต่ำสุด นอกจากนี้เรายังสามารถรับรู้ได้ว่าเสียงสูงและต่ำมีแนวโน้มอย่างไรโดยการใช้ค่าเฉลี่ยระหว่างสองสุดขั้ว ตัวกรองเฉลี่ยถ่วงน้ำหนักแบบอื่นตัวเก็บประจุแบบอื่น ๆ ที่มีค่าเฉลี่ยเคลื่อนที่ไม่ได้มีน้ำหนักเท่ากัน ตัวกรองอื่น ๆ ตามการขยายตัวของสอง (12,12) n ตัวกรองชนิดนี้จะประมาณเส้นโค้งปกติสำหรับค่าที่มีขนาดใหญ่ของ n เป็นประโยชน์สำหรับการกรองเสียงรบกวนความถี่สูงสำหรับ n ขนาดเล็ก ในการหาค่าสัมประสิทธิ์สำหรับตัวกรองแบบทวินามให้หมุนตัว 12 12 ด้วยตัวเองแล้วค่อยๆหมุนวนเอาท์พุทด้วย 12 12 จำนวนครั้งที่กำหนด ในตัวอย่างนี้ใช้การวนซ้ำทั้งหมดห้าครั้ง ตัวกรองอื่นที่คล้ายกับตัวกรองการขยายตัวของ Gaussian คือตัวกรองค่าเฉลี่ยเลขยกกำลัง ตัวกรองค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักชนิดนี้ใช้งานง่ายและไม่ต้องใช้ขนาดหน้าต่างที่ใหญ่ คุณสามารถปรับตัวกรองเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักด้วยค่าพารามิเตอร์เลขคณิตตามพารามิเตอร์ alpha ระหว่างศูนย์และหนึ่ง ค่าอัลฟาจะสูงขึ้น ขยายการอ่านสำหรับหนึ่งวัน เลือกประเทศของคุณ