Apa Itu Contoh Perhitungan SMA? (Kalkulasi Sederhana yang Dapat Diverifikasi)

Jawaban langsung

Contoh perhitungan SMA (Simple Moving Average) adalah kalkulasi langkah demi langkah di mana Anda memilih ukuran jendela N, mendaftar nilai input, dan menghitung rata-rata dari N nilai terbaru pada setiap titik.

Syarat utama untuk contoh yang dapat diverifikasi adalah setiap asumsi dinyatakan: ukuran jendela, angka input yang tepat, dan bagaimana “pada setiap langkah” disejajarkan dengan data yang Anda rata-ratakan.

Mekanisme atau definisi

SMA adalah singkatan dari Simple Moving Average. “Sederhana” berarti menggunakan rata-rata aritmetika tanpa bobot (semua N nilai dihitung sama).

Definisi (waktu diskrit): jika Anda memiliki rangkaian nilai (x_1, x_2, \dots), maka SMA dengan ukuran jendela N pada waktu t (di mana (t \ge N)) adalah: [ \text{SMA}t = \frac{x{t-N+1}+x_{t-N+2}+\dots+x_t}{N} ] Asumsi yang harus Anda nyatakan secara eksplisit dalam contoh perhitungan apa pun:

1. Ukuran jendela N (berapa banyak nilai terbaru yang dirata-ratakan).
2. Urutan input yang tepat (x_t).
3. Aturan penjajaran (SMA_t menggunakan nilai yang berakhir pada t, sehingga “didasarkan pada” N nilai terakhir termasuk nilai saat ini).

Bukti atau contoh

Contoh numerik terperinci dengan semua asumsi dinyatakan.

Asumsi:

• Ukuran jendela: N = 3.
• Nilai input (sesuai urutan kemunculannya):
  • x1 = 10
  • x2 = 12
  • x3 = 14
  • x4 = 13
  • x5 = 15
• Penjajaran: SMA dihitung pada setiap waktu t ≥ 3 menggunakan 3 nilai terakhir yang berakhir pada t.

Perhitungan:

• SMA3 = (x1 + x2 + x3) / 3 = (10 + 12 + 14) / 3 = 36/3 = 12
• SMA4 = (x2 + x3 + x4) / 3 = (12 + 14 + 13) / 3 = 39/3 = 13
• SMA5 = (x3 + x4 + x5) / 3 = (14 + 13 + 15) / 3 = 42/3 = 14

Keterbatasan material yang ditunjukkan oleh mekanisme contoh ini:

• SMA baru dimulai ketika setidaknya ada N nilai (di sini, pada t=3). Titik-titik sebelumnya tidak memiliki SMA yang terdefinisi kecuali Anda menambahkan aturan (misalnya, padding atau menggunakan jendela yang lebih kecil). Aturan apa pun seperti itu mengubah hasil.

Keterbatasan dan risiko

SMA adalah transformasi matematis dari data masa lalu, bukan jaminan pergerakan masa depan.

Keterbatasan umum yang perlu dipahami sebelum menggunakan SMA dalam analisis apa pun:

• Lag (keterlambatan): karena SMA merata-ratakan N nilai terakhir, umumnya bereaksi lebih lambat daripada nilai terbaru. Dengan N=3, perubahan apa pun harus muncul di beberapa titik untuk menggerakkan rata-rata secara signifikan.
• Sensitivitas jendela: nilai N yang berbeda menghasilkan jalur SMA yang berbeda. N pendek melacak perubahan lebih cepat; N panjang menghaluskan lebih banyak tetapi dapat menyembunyikan titik balik.
• Ketergantungan pada data dan prapemrosesan: hasil SMA bergantung pada apa yang Anda rata-ratakan (misalnya, nilai mentah vs. nilai yang disesuaikan) dan bagaimana data yang hilang atau pengambilan sampel tidak teratur ditangani.
• Mode kegagalan selama perubahan rezim: ketika pola yang mendasari dalam rangkaian input berubah secara tiba-tiba, rata-rata bergerak dapat tetap “di antara” keadaan karena mencerminkan campuran nilai lama dan baru.
• Non-persistensi historis: bahkan jika perilaku SMA cocok dengan pola masa lalu dalam data yang Anda pilih, itu tidak menetapkan bahwa hubungan yang sama akan terulang.

Verifikasi atau pertanyaan berikutnya

Anda dapat memverifikasi contoh perhitungan secara independen dengan menghitung ulang SMA menggunakan asumsi yang sama yang dinyatakan (N=3, nilai input yang tepat 10, 12, 14, 13, 15, dan penjajaran bahwa SMA_t menggunakan N nilai terakhir yang berakhir pada t).

Pertanyaan berikutnya yang berguna adalah: ukuran jendela N apa yang mengubah kehalusan dan lag untuk kumpulan data spesifik Anda? Jawaban apa pun harus tetap menyatakan asumsi (N dan rangkaian input) agar kalkulasi tetap dapat direproduksi.