이동 평균 교차: 외환시장

$인 MA(1). 오른쪽: $y_t = \varepsilon_t- \varepsilon_+0.8\varepsilon_$인 MA(2). 두 가지 경우 모두, $\varepsilon_t$은 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음입니다." width="100%" />

이동 평균[MA] 에 대한 모든 통계량 및 그래프 해석

이동 평균[MA] 길이는 Minitab에서 이동 평균[MA]을 계산하기 위해 사용하는 연속적 관측치의 수입니다. 예를 들어, 월별 데이터의 경우 값이 3이면 3월의 이동 평균[MA]이 3월, 2월, 1월의 관측치의 평균이라는 것을 나타냅니다.

이동 평균[MA] 길이에 따라 평활의 양이 조정됩니다. 일반적으로 충분히 데이터를 평활화하여 잡음(불규칙한 변동)을 줄여 패턴이 더 분명하게 보이도록 해야 합니다. 그러나 데이터를 너무 많이 평활화하여 중요한 상세 정보가 유실되는 일은 없도록 해야 합니다. 값이 낮을수록 선이 덜 평활됩니다. 값이 높을수록 선이 더 평활됩니다.

이동 평균[MA] = 2

이동 평균[MA] = 6

평균 절대 백분율 오차(MAPE)는 정확도를 오차의 백분율로 표시합니다. MAPE는 백분율이기 때문에 다른 정확도 측도 통계량보다 더 쉽게 이해할 수 있습니다. 예를 들어 MAPE가 5이면 예측 값은 평균 5% 벗어납니다.

그러나 모형이 데이터를 잘 적합시키는 것으로 보이더라도 MAPE 값이 아주 큰 경우도 있습니다. 0에 가까운 데이터 값이 있는지 확인하려면 그림을 조사하십시오. MAPE는 절대 오차를 실제 데이터로 나누기 때문에 0에 이동 평균 교차 가까운 값이 있으면 MAPE가 상당히 크게 팽창할 수 있습니다.

다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다. 단일 모형에 3개의 정확도 측도 모두에 대한 가장 낮은 값이 없는 경우 MAPE가 일반적으로 많이 사용되는 측정값입니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측 값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다.

평균 절대 편차(MAD)는 데이터와 같은 단위로 정확도를 표시하므로 오차의 양을 판단하는 데 도움이 됩니다. MAD의 경우 MSD에 비해 특이치가 적은 영향을 미칩니다.

다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.

평균 제곱 편차(MSD)는 적합 시계열 값의 정확도를 측정합니다. MSD의 경우 MAD에 비해 특이치가 큰 영향을 미칩니다.

다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.

이동 평균[MA] 값은 연속 관측치에서 계산됩니다. 예를 들어, 이동 평균[MA] 길이가 3인 월별 데이터의 경우 3월의 이동 평균[MA]은 3월, 2월, 1월의 관측치의 평균입니다.

예측값(적합치라고도 함)

시간 t에 대한 예측값은 시간 t-1에서의 이동 평균[MA]과 같습니다.

예측값이 관측치와 매우 다른 관측은 비정상적이거나 영향력이 있을 수도 있습니다. 특이치의 원인을 식별해 보십시오. 모든 데이터 입력 또는 측정 오류를 수정하십시오. 비정상적인 일회성 사건과 연관된 데이터 값을 삭제해 보십시오(특수 원인). 그런 다음 분석을 반복하십시오.

오차 값은 잔차라고도 합니다. 오차 값은 관측치와 예측값 간의 차이입니다.

모형이 적절한지 확인하려면 오차 값을 그림으로 표시하십시오. 이 값은 모형이 데이터에 얼마나 잘 적합되는 지에 대한 유용한 정보를 제공합니다. 일반적으로 오차 값은 분명한 패턴이나 비정상적인 값 없이 0 주위에 랜덤하게 분포해야 합니다.

Minitab에서는 사용자가 예측값을 생성하는 기간을 표시합니다. 기간은 예측값의 시간 단위입니다. 기본적으로 예측값은 데이터의 끝에서 시작합니다.

예측값은 시계열 모형에서 얻은 적합치입니다. Minitab에서는 사용자가 지정한 수의 예측값을 표시합니다. 예측값은 데이터의 끝 또는 사용자가 지정한 원점에서 시작됩니다.

지정된 기간 동안 변수를 예측하려면 예측값을 사용합니다. 예를 들어, 창고 관리자는 이전 60개월 간의 주문을 바탕으로 향후 3개월 동안 얼마나 많은 제품을 주문해야 하는지 모형화할 수 있습니다.

예측값이 정확할지 여부를 확인하려면 그림의 적합치 및 예측값을 조사하십시오. 예측값은 일반적으로 계열의 끝에서 데이터를 따라야 합니다. 적합치가 계열의 끝에서 데이터로부터 멀어지면 예측값이 정확하지 않을 수도 있습니다. 이동 평균[MA]에서의 예측값은 일정하므로, 예측값 이동 평균 교차 전의 데이터에는 추세가 없어야 합니다. 예측값 전에 추세가 있으면 예측값이 정확하지 않을 수도 있습니다.

이동 평균[MA]에서의 예측값은 추세의 추정치가 아니라 수준의 최신 추정치만을 기반으로 하기 때문에 매우 보수적입니다. 일반적으로 향후 6기간만 예측해야 합니다.

하한 및 상한

예측 하한과 예측 상한은 각 예측값에 대한 예측 구간을 생성합니다. 예측 구간은 가능한 예측 값의 범위입니다. 예를 들어, 95% 예측 구간을 사용하면 예측값이 지정된 시간에 예측 구간에 포함된다고 95% 신뢰할 수 있습니다.

이동 평균[MA] 그림

이동 평균[MA] 그림은 관측치 대 시간을 표시합니다. 이 그림에는 이동 평균[MA]에서 계산된 적합치, 예측 값, 이동 평균[MA] 길이 및 정확도 측도가 포함됩니다. 적합치 대신 평활값을 표시할 수도 있습니다.

모형이 데이터에 적합하면 단일 지수 평활 을 수행하고 두 모형을 비교할 수 있습니다.
모형이 데이터에 적합하지 않으면 그림에서 추세나 계절성이 있는지 조사하십시오. 추세나 계절성의 증거가 보이면 다른 시계열 분석을 사용해야 합니다. 자세한 내용은 어떤 시계열 분석을 사용해야 합니까?에서 확인하십시오.

이 평활 그림에서는 적합치가 데이터를 가깝게 따르며, 이는 모형이 데이터에 적합하다는 것을 나타냅니다.

잔차의 히스토그램

잔차의 히스토그램은 모든 관측치에 대한 잔차의 분포를 보여줍니다. 모형이 데이터를 잘 적합시키는 경우, 잔차가 0을 평균으로 랜덤하게 분포해야 합니다. 따라서 히스토그램이 0을 중심으로 거의 대칭이어야 합니다.

잔차의 정규 확률도

잔차의 정규 확률도는 분포가 정규 분포일 때 잔차 대 잔차의 기대값을 표시합니다.

잔차의 정규 확률도를 사용하면 잔차가 정규 분포를 따르는지 여부를 확인할 수 있습니다. 그러나 이 분석에서는 잔차가 정규 분포를 따르지 않아도 됩니다.

잔차가 정규 분포를 따르는 경우, 잔차의 정규 확률도는 대략 직선을 따라야 합니다. 다음 패턴은 잔차가 정규 분포를 따르지 않는다는 것을 의미합니다.

S-곡선은 긴 꼬리를 갖는 분포를 의미합니다.

역 S-곡선은 짧은 꼬리를 갖는 분포를 의미합니다.

하향 곡선은 오른쪽으로 치우친 분포를 의미합니다.

선으로부터 멀리 떨어져 있는 몇 개의 점은 특이치를 갖는 분포를 암시합니다.

잔차 대 적합치

잔차 대 적합치 그림은 y-축에 잔차, x-축에 적합치를 표시합니다.

잔차 대 적합치 그림을 사용하면 잔차가 치우치지 않고 분산이 일정한지 여부를 확인할 수 있습니다. 이상적으로는 점들이 식별 가능한 패턴 없이 0의 양쪽에 랜덤하게 분포해야 합니다.

다음 표의 패턴은 잔차가 치우쳐 있으며 잔차에 일정하지 않은 분산이 있다는 것을 나타낼 수도 있습니다.

패턴	패턴이 나타내는 내용
적합치에 대해 잔차가 부채꼴 모양으로 흩어져 있거나 고르지 않게 퍼져 있음	일정하지 않은 분산
곡선	고차 항 누락
한 점이 0에서 멀리 떨어져 있음	특이치

잔차에 일정하지 않은 분산이나 패턴이 있으면 예측값이 정확하지 않을 수도 있습니다.

잔차 대 순서

잔차 대 순서 그림은 잔차를 데이터가 수집된 순서대로 표시합니다.

잔차 대 순서 그림을 사용하면 적합치가 관측 기간 동안의 관측치와 비교하여 얼마나 정확한지 확인할 수 있습니다. 점들의 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다. 이상적으로는 그림의 잔차들이 중심선 주위에 랜덤하게 분포해야 합니다.

다음 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다.

패턴	패턴이 나타내는 내용
일관된 장기 추세	모형이 데이터에 적합함
단기 추세	이동 또는 패턴의 변화
한 점이 다른 점들로부터 멀리 떨어져 있음	특이치
점들의 급격한 이동	데이터의 기본 패턴이 변경됨

다음 예의 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다.

관측치의 순서가 왼쪽에서 오른쪽으로 증가함에 따라 잔차가 규칙적으로 줄어듭니다.

잔차 값이 작은 값(왼쪽 부분)에서 큰 값(오른쪽 부분)으로 갑자기 변경됩니다.

잔차 대 변수

잔차 대 변수 그림은 잔차 대 다른 변수를 표시합니다.

그림을 사용하면 변수가 체계적인 방식으로 반응에 영향을 미치는지 여부를 확인할 수 있습니다. 잔차에 패턴이 존재하면 다른 변수가 반응에 연관됩니다. 이 정보를 다른 연구의 기초로 사용할 수 있습니다.

Forecasting: Principles and Practice

회귀에서 목표 예상 변수(forecast variable)의 과거 값을 이용하는 대신에, 이동 평균 모델은 회귀처럼 보이는 모델에서 과거 예측 오차(forecast error)을 이용합니다. \[ y_ 이동 평균 교차 = c + \varepsilon_t + \theta_\varepsilon_ + \theta_\varepsilon_ + \dots + \theta_\varepsilon_, \] 여기에서 $\varepsilon_t$ 는 백색잡음입니다. 이것을 $q$ 차 이동 평균 모델인 MA( $q$ ) 모델이라고 부르겠습니다. 물론, $\varepsilon_t$ 의 값을 관찰하지 않기 때문에, 이것은 실제로는 보통 생각하는 회귀가 아닙니다.

$y_t$ 의 각 값을 과거 몇 개의 예측 오차(forecast error)의 가중 이동 평균으로 생각할 수 있다는 것에 주목합시다. 하지만, 이동 평균 모델을 6장에서 다룬 이동 평균 평활과 헷갈리지 말아야 합니다. 이동 평균 모델은 미래 값을 예측할 때 사용합니다만, 이동 평균 평활은 과거 값의 추세-주기를 측정할 때 사용합니다.

$매개변수를 다르게 설정한 이동 평균 모델로부터 얻은 데이터의 두 가지 예. 왼쪽: $y_t = 20 + \varepsilon_t + 0.8\varepsilon_</p> <p>$인 MA(1). 오른쪽: $y_t = \varepsilon_t- \varepsilon_+0.8\varepsilon_$인 MA(2). 두 이동 평균 교차 가지 경우 모두, $\varepsilon_t$은 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음입니다.$

Figure 8.6: 매개변수를 다르게 설정한 이동 평균 모델로부터 얻은 데이터의 두 가지 예. 왼쪽: $y_t = 20 + \varepsilon_t + 0.8\varepsilon_$ 인 MA(1). 오른쪽: $y_t = \varepsilon_t- \varepsilon_+0.8\varepsilon_$ 인 MA(2). 두 가지 경우 모두, $\varepsilon_t$ 은 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음입니다.

그림 8.6은 MA(1) 모델과 MA(2) 모델로 얻은 몇몇 데이터를 나타냅니다. 매개변수 $\theta_1,\dots,\theta_q$ 을 바꾸면 다른 시계열 패턴이 나타납니다. 자기회귀 모델을 이용하는 경우처럼, 오차항 $\varepsilon_t$ 의 분산은 시계열의 패턴이 아니라 눈금만 바꿀 것입니다.

정상성을 나타내는 어떤 AR( $p$ ) 모델을 MA( $\infty$ ) 모델로 쓸 수 있습니다. 예를 들어, 반복하여 대입하면, 이렇게 바꿔 쓰는 과정을 AR(1) 모델에 대해 다음과 같이 나타낼 수 있습니다: \[\begin y_t &= \phi_1y_ + \varepsilon_t\\ &= \phi_1(\phi_1y_ + \varepsilon_) + \varepsilon_t\\ &= \phi_1^2y_ + \phi_1 \varepsilon_ + \varepsilon_t\\ &= \phi_1^3y_ + \phi_1^2 \varepsilon_ + \phi_1 \varepsilon_ + \varepsilon_t\\ &\text \end\]

MA 매개변수에 대한 몇몇 제한조건을 도입하면 반대 결과도 성립합니다. 그러면 MA 모델을 가역적(invertible)이라고 부릅니다. 즉, 어떤 가역적인 MA( $q$ ) 과정을 AR( $\infty$ ) 과정으로 쓸 수 있습니다. 가역적 모델은 단순하게 MA 모델을 AR 모델로 바꿀 수 있도록 하는 것만은 아닙니다. 몇 가지 수학적인 특징도 갖고 있습니다.

예를 들어, MA(1) 과정 $y_ = e_t + \theta_e_$ 을 생각해봅시다. 이것을 AR( $\infty$ )로 표현하면, 가장 최근의 오차는 현재와 과거 관측값의 선형 함수로 쓸 수 있습니다: \[ e_t = \sum_^\infty (-\theta)^j y_. \] $|\theta| > 1$ 이면, 가중치의 시차(lag) 값이 증가함에 따라 증가하고, 따라서 더 멀리 떨어진 관측값일 수록 현재 오차에 미치는 영향이 커집니다. $|\theta|=1$ 이면, 가중치가 크기에 대해 상수이고, 멀리 떨어진 관측값과 가까운 관측값 모두 같은 영향을 미칩니다. 앞의 두 경우 모두 그럴듯하지 않기 때문에, \(|\theta|

다른 모델에 대한 가역성(invertibility) 제한조건은 정상성(stationarity) 제한조건과 비슷합니다.

$q\ge3$ 에 대해서는 더 복잡한 조건이 성립합니다. 여기에서도, R에서 모델을 다룰 때 이러한 제한조건을 처리해줄 것입니다.

이중 지수 이동 평균 설명

기술적 분석 2강 - 지수이동평균선(EMA)이란 무엇인가 (알디슨의 미국 주식) (칠월 2022)

이중 지수 이동 평균 설명

그러나 평균 이동에 대한 잘 알려진 문제점은 대부분의 이동 평균에 나타나는 심각한 지연입니다. 이중 지수 이동 평균 (DEMA)은 더 빠른 평균화 방법을 계산하여 솔루션을 제공합니다.

이중 지수 이동 평균의 역사

기술적 분석에서 이동 평균이라는 용어는 특정 기간 동안 특정 거래 수단의 평균 가격을 나타냅니다. 예를 들어 10 일 이동 평균은 지난 10 일 동안 특정 악기의 평균 가격을 계산합니다. 200 일 이동 평균은 지난 200 일의 평균 가격을 계산합니다. 매일 룩백 기간은 마지막 X 이동 평균 교차 일 수에 대한 기본 계산으로 이동합니다. 이동 평균은 악기의 장기적인 추세를 시각적으로 표현하는 부드럽고 휘어지는 선으로 나타납니다. 좀 더 짧은 이동 시간 (look-back period)을 가진보다 빠른 이동 평균은 더 짧습니다. 좀 더 긴 룩백 (look-back) 기간을 가진 더 느린 이동 평균은 더 매끄 럽습니다. 이동 평균은 역방향 표시기이기 때문에 뒤떨어져 있습니다. 그림 1에 나타난 이중 지수 이동 평균 (DEMA)은 Patrick Mulloy가 전통적인 이동 평균에서 발견되는 지연 시간을 줄이기 위해 개발되었습니다. 그것은 1994 년 2 월, Mulloy의 기사 "빠른 평균 이동 평균으로 데이터 평활화"에서

Stock & Commodities 기술 분석

잡지에 처음 소개되었습니다. (기술적 분석에 대한 입문서는 Technical Analysis Tutorial. ) 그림 1 : e-mini Russell 2000 선물 계약의이 1 분짜리 차트는 두 가지 서로 다른 이중 지수 이동 평균을 보여줍니다. 55주기는 파란색으로, 21주기는 분홍색으로 나타납니다. 출처 : Tradestation

이동 평균은 기술적 분석의 가장 보편적 인 방법 중 하나입니다. 많은 상인들은 특히 다른 길이의 두 이동 평균이 차트에 배치되는 이동 평균 교차에서 추세 역전을 찾아 내기 위해이 차트를 사용합니다.이동 평균이 교차하는 지점은 매수 기회를 의미 할 수 있습니다. DEMA는 시장 활동의 변화에보다 신속하게 대응할 수 있기 때문에 상인이 역 분개를 빨리 처리 할 수 있도록 도와줍니다. 그림 2는 e-mini Russell 2000 선물 계약의 예를 보여줍니다. 이 1 분 차트에는 다음과 같은 네 가지 이동 평균이 적용됩니다.

55- 기간 DEMA (진한 파란색)

21- 기간 MA (밝은 파란색) 55- 기간 MA 연두색) e-mini Russell 2000 선물 계약의 1 분짜리 차트는 크로스 오버에서 사용될 때 DEMA의 빠른 응답 시간을 보여줍니다. 두 경우의 DEMA 크로스 오버가 MA 크로스 오버보다 훨씬 빨리 나타납니다.

첫 번째 DEMA 크로스 오버는 12시 29 분에 표시되고 다음 막대는 $ 663의 가격으로 열립니다. MA 크로스 오버는 다른 한편으로는 12시 34 분에 형성되고 다음 술집의 개시 가격은 660 달러입니다. 50. 다음 크로스 오버 세트에서는 DEMA 크로스 오버가 1 : 33에 나타나고 다음 막대가 $ 658로 열립니다. 대조적으로, MA는 1시 43 분에 형성되고, 다음 술집은 $ 662로 시작됩니다. 90. 각각의 경우에있어서, DEMA 크로스 오버는 MA 크로스 오버보다 더 일찍 트렌드에 들어가는 이점을 제공합니다. (더 많은 통찰력을 얻으려면
이동 평균 자습서
를 읽으십시오.)
DEMA와의 거래

결론 거래자와 투자자는 오랫동안 시장 분석에서 이동 평균을 사용 해왔다. 이동 평균은 주어진 거래 수단의 장기 추세를 신속하게보고 해석 할 수있는 수단을 제공하는 널리 사용되는 기술적 분석 도구입니다. 본질적으로 이동 평균은 지연 지표이기 때문에보다 신속하고 반응이 빠른 지표를 계산하려면 이동 평균을 조정하는 것이 좋습니다. 이중 지수 이동 평균은 상인과 투자자에게 더 장기적인 추세를 보여 주며 지연 시간을 줄이면서 이동 평균이 더 빠른 장점이 있습니다. (관련 읽기에 대해서는 이동 평균 MACD 콤보

movmean

M = movmean( A , k ) 는 로컬 k 점 평균값으로 구성된 배열을 반환합니다. 여기서 각 평균은 A 의 이동 평균 교차 인접 요소들이 포함된 길이 k 의 슬라이딩 윈도우에서 계산됩니다. k 가 홀수면 윈도우의 중심은 현재 위치의 요소가 됩니다. k 가 짝수면 윈도우의 중심은 현재 요소 및 이전 요소가 됩니다. 윈도우를 다 채우기에 요소가 부족할 때는 윈도우 크기가 끝점에서 자동으로 잘립니다. 윈도우가 잘렸을 때는 윈도우를 채우는 요소들의 평균을 구합니다. M 은 A 와 크기가 같습니다.

A 가 벡터인 경우 movmean 은 벡터의 길이를 따라 동작합니다.

A 가 다차원 배열인 경우 movmean 는 크기가 1이 아닌 첫 번째 배열 차원에 따라 동작합니다.

M = movmean( A , [kb kf] ) 는 현재 위치에 있는 요소와 그 위치 뒤로 kb 개 요소, 그 위치 앞으로 kf 개 요소를 포함하는 길이 kb+kf+1 의 윈도우에서 평균을 계산합니다.

M = movmean( ___ , dim ) 은 위에 열거된 구문을 사용하여 차원 dim 을 따라 이동 평균의 배열을 반환합니다. 예를 들어 A 가 행렬인 경우, movmean(A,k,2) 는 A 의 열을 따라 각 행에 대한 k 요소 슬라이딩 평균을 계산합니다.

M = movmean( ___ , nanflag ) 는 위에 열거된 구문의 계산에 NaN 값을 포함시킬지 또는 생략할지 여부를 지정합니다. movmean(A,k,'includenan') 은 계산에 모든 NaN 값을 포함시키는 반면, movmean(A,k,'omitnan') 은 NaN 값을 무시하고 더 적은 수의 점을 대상으로 평균을 계산합니다.

M = movmean( ___ , Name,Value ) 는 하나 이상의 이름-값 쌍의 인수를 사용하여 이동 평균에 대한 추가 파라미터를 지정합니다. 예를 들어, x 가 시간 값의 벡터인 경우 movmean(A,k,'SamplePoints',x) 는 x 에 있는 시간에 관한 이동 평균을 계산합니다.

벡터의 중심 이동 평균

행 벡터의 3점 중심 이동 평균을 이동 평균 교차 계산합니다. 끝점에 있는 윈도우의 요소가 3개 미만일 때는 남은 요소들의 평균을 구합니다.

벡터의 후행 이동 평균

행 벡터의 3점 후행 이동 평균을 계산합니다. 끝점에 있는 윈도우의 요소가 3개 미만일 때는 남은 요소들의 평균을 구합니다.

행렬의 이동 평균 교차 이동 평균

행렬의 각 행에 대한 3점 중심 이동 평균을 계산합니다. 윈도우가 첫 번째 행에서 시작하고, 행 끝까지 수평으로 슬라이딩한 후, 두 번째 행으로 이동합니다. 차원 인수는 2이고, 이것은 A 의 열 방향으로 윈도우를 슬라이딩합니다.

NaN 이동 평균 교차 요소를 포함한 벡터의 이동 평균

NaN 요소 2개가 포함된 행 벡터의 3점 중심 이동 평균을 계산합니다.

평균을 다시 계산하되, NaN 값을 생략합니다. movmean 이 NaN 요소를 무시할 경우, 윈도우 내에 남아 있는 요소들의 평균을 구하게 됩니다.

이동 평균에 대한 샘플 점

시간 벡터 t 에 따라 A 에 있는 데이터의 3시간 중심 이동 평균을 계산합니다.

완전한 윈도우의 평균만 반환하기

행 벡터의 3점 중심 이동 평균을 계산하되, 3개 미만의 점을 사용하는 모든 계산을 출력값에서 무시합니다. 즉, 요소를 3개 가진 완전한 윈도우에서 계산된 평균만 반환하고, 끝점에서의 계산은 무시합니다.

입력 인수

A — 입력 배열
벡터 | 행렬 | 다차원 배열

입력 배열로, 벡터, 행렬, 다차원 배열 중 하나로 지정됩니다.

k — 윈도우 길이
숫자형 또는 duration형 스칼라

윈도우 길이로, 숫자형 또는 duration형 스칼라로 지정됩니다. k 가 양의 정수 스칼라일 때 중심 위치에서의 평균은 현재 위치의 요소와 주위의 요소를 포함합니다. 예를 들어, 길이 3의 윈도우로 3점 평균을 정의할 때 벡터 A 에 대한 계산은 다음과 같습니다.

[kb kf] — 방향 윈도우 길이
2개 요소를 포함하는 숫자형 또는 duration형 행 벡터

방향 윈도우 길이로, 2개 요소를 포함하는 숫자형 또는 duration형 행 벡터로 지정됩니다. kb 와 kf 가 양의 정수 스칼라일 때 계산은 kb+kf+1 개 요소에 대해 이루어집니다. 계산은 현재 위치의 요소, 현재 위치 앞의 kb 개 요소, 그리고 현재 위치 뒤의 kf 개 요소를 포함합니다. 예를 들어, 방향 윈도우 [2 1] 에 의해 4점 평균이 정의되면 벡터 A 에 대한 계산은 다음과 같습니다.

dim — 연산을 수행할 차원
양의 정수 스칼라

연산을 수행할 차원으로, 양의 정수 스칼라로 지정됩니다. 값이 지정되지 않은 경우 디폴트 값은 크기가 1이 아닌 첫 이동 평균 교차 번째 배열 차원이 됩니다.

차원 dim 은 movmean 이 계산되는 차원 즉, 지정한 윈도우가 슬라이딩하는 방향을 나타냅니다.

2차원 입력 배열 A 가 있다고 가정하겠습니다.

dim = 1 인 경우, movmean(A,k,1) 은 첫 이동 평균 교차 번째 열부터 시작해 각 행에 대해 수직 방향으로 슬라이딩합니다. 평균은 한 번에 k 개 요소를 대상으로 계산됩니다. 그런 다음 두 번째 열로 이동하고 계산을 반복합니다. 이 과정은 모든 열을 거칠 때까지 계속됩니다.

dim = 2 인 경우, movmean(A,k,2) 는 첫 번째 행부터 시작해 각 열에 대해 수평 방향으로 슬라이딩합니다. 평균은 한 번에 k 개 요소를 대상으로 계산됩니다. 그런 다음 두 번째 행으로 이동하고 계산을 반복합니다. 이 과정은 모든 행을 거칠 때까지 계속됩니다.

nanflag — NaN 조건
'includenan' (디폴트 값) | 'omitnan'

NaN 조건으로, 다음 값 중 하나로 지정됩니다.

'includenan' — 평균을 계산할 때 입력값의 NaN 값을 포함하여, 결과적으로 NaN 출력값을 생성합니다.

'omitnan' — 입력값의 모든 NaN 값을 무시합니다. 윈도우가 NaN 값만 포함하는 경우, movmean 은 NaN 을 반환합니다.

이름-값 인수

예: M = movmean(A,k,'Endpoints','fill')

선택적으로 Name,Value 인수가 쉼표로 구분되어 지정됩니다. 여기서 Name 은 인수 이름이고 Value 는 대응값입니다. Name 은 따옴표 안에 표시해야 합니다. Name1,Value1. NameN,ValueN 과 같이 여러 개의 이름-값 쌍의 인수를 어떤 순서로든 지정할 수 있습니다.

Endpoints — 선행 윈도우와 후행 윈도우 처리 방법
'shrink' (디폴트 값) | 'discard' | 'fill' | 숫자형 스칼라 또는 논리형 스칼라

선행 윈도우와 후행 윈도우를 처리하는 방법으로, 'Endpoints' 와 함께 다음 값 중 하나가 쉼표로 구분되어 지정됩니다.

'Endpoints' 값	설명
'shrink'	입력값의 끝점 근처의 윈도우 크기를 실제로 존재하는 요소만 포함하도록 축소합니다.
'discard'	윈도우가 실제로 존재하는 요소들과 완전히 겹치지 않을 때는 어떤 평균도 출력하지 않습니다.
'fill'	존재하지 않는 요소를 NaN 으로 대체합니다.
숫자형 스칼라 또는 논리형 스칼라	존재하지 않는 요소를 지정한 숫자형 또는 논리형 값으로 대체합니다.

SamplePoints — 평균을 계산할 샘플 점
벡터

평균을 계산할 샘플 점으로, 'SamplePoints' 와 함께 벡터가 쉼표로 구분되어 지정됩니다. 샘플 점은 A 에 있는 데이터의 위치를 나타냅니다. 샘플 점은 균일하게 샘플링할 필요가 없습니다. 기본적으로, 샘플 점 벡터는 [1 2 3 . ] 입니다.

이동 윈도우는 샘플 점을 기준으로 하여 정의되며, 이 샘플 점은 정렬되고 고유한 요소를 가져야 합니다. 예를 들어, t 가 입력 데이터에 해당하는 벡터 시간인 경우 movmean(rand(1,10),3,'SamplePoints',t) 에는 t(i)-1.5 ~ t(i)+1.5 범위의 시간 구간을 나타내는 윈도우가 있습니다.

샘플 점 벡터의 데이터형이 datetime 형 또는 duration 형인 경우 이동 윈도우 길이는 duration 형이어야 합니다.

샘플 점의 간격이 균일하지 않을 때 'Endpoints' 이름-값 쌍을 지정하면 Endpoints의 값은 'shrink' 입니다.