เครื่องคำนวณค่าเฉลี่ยเคลื่อนที่ (SMA/EMA)

ค่าเฉลี่ยเคลื่อนที่คืออะไร?

ค่าเฉลี่ยเคลื่อนที่ทำให้ชุดข้อมูลที่มีสัญญาณรบกวนราบเรียบขึ้นโดยแทนที่แต่ละจุดด้วยค่าเฉลี่ยของจุดใกล้เคียง ทำให้มองเห็นแนวโน้มพื้นฐานได้ง่ายขึ้นท่ามกลางความผันผวนระยะสั้น เป็นหนึ่งในเทคนิคอนุกรมเวลาที่ใช้กันแพร่หลายที่สุดในการพยากรณ์อุปสงค์การผลิต การวิเคราะห์ทางการเงิน และการติดตามกระบวนการ

ค่าเฉลี่ยเคลื่อนที่แบบธรรมดา (SMA) หาค่าเฉลี่ยของ N จุดล่าสุด ("หน้าต่าง") โดยให้น้ำหนักเท่ากัน แล้วเลื่อนไปข้างหน้าหนึ่งขั้นสำหรับแต่ละจุดใหม่ คำนวณและตีความง่าย แต่ปฏิบัติต่อข้อมูลเก่าและใหม่เท่ากัน และตอบสนองช้าต่อการเปลี่ยนแปลงล่าสุดที่แท้จริง เนื่องจากแต่ละจุดเก่ายังคงถูกนับเต็มจนกว่าจะหลุดออกจากหน้าต่าง

ค่าเฉลี่ยเคลื่อนที่แบบเอกซ์โพเนนเชียล (EMA) ให้น้ำหนักมากกว่ากับจุดล่าสุดและน้ำหนักน้อยลงเรื่อย ๆ กับจุดที่เก่ากว่า โดยใช้ตัวประกอบการทำให้ราบเรียบที่ได้จากขนาดหน้าต่าง ทำให้ EMA ตอบสนองต่อการเปลี่ยนแปลงล่าสุดได้เร็วกว่า SMA ที่มีขนาดหน้าต่างเดียวกัน แลกกับความไวต่อสัญญาณรบกวนระยะสั้นที่มากขึ้นเล็กน้อย

Formula: SMA_t = (x_t + x_(t-1) + ... + x_(t-N+1)) / N EMA_t = α × x_t + (1 − α) × EMA_(t-1), α = 2 / (N + 1)

ตัวอย่างการคำนวณ

จากชุดข้อมูล 10, 12, 13, 12, 15, 16, 18, 17, 19, 20 ด้วยหน้าต่าง 3 ช่วง: ค่า SMA แรกหาค่าเฉลี่ยของสามจุดแรก (10+12+13)/3 = 11.67 ค่าที่สองหาค่าเฉลี่ยของจุดที่ 2-4 (12+13+12)/3 = 12.33 และเป็นเช่นนี้ต่อไป ทำให้ได้ค่าที่ราบเรียบทั้งหมด 8 ค่า (10 จุดลบด้วยหน้าต่าง 3 บวก 1) EMA เริ่มจากค่าเฉลี่ยเริ่มต้นเดียวกัน (11.67) แต่จากนั้นให้น้ำหนักกับแต่ละจุดใหม่มากขึ้น (α = 2/(3+1) = 0.5 ในกรณีนี้) ทำให้ได้ชุดข้อมูลที่ติดตามแนวโน้มขาขึ้นในภายหลังได้ใกล้เคียงกว่า SMA

เมื่อใดควรใช้เครื่องคำนวณนี้

• ผู้วางแผนการผลิตที่ทำให้ข้อมูลผลผลิตหรืออุปสงค์รายวันราบเรียบเพื่อเผยแนวโน้มพื้นฐานก่อนตั้งค่าพยากรณ์
• วิศวกรคุณภาพที่ติดตามตัวชี้วัดกระบวนการตามเวลาเพื่อแยกแยะแนวโน้มที่แท้จริงจากความผันแปรสุ่มตามปกติ
• ผู้จัดการพลังงานที่ทำให้ค่าการใช้พลังงานรายวันราบเรียบเพื่อติดตามแนวโน้มประสิทธิภาพที่ค่อยเป็นค่อยไปซึ่งถูกบดบังด้วยสัญญาณรบกวนจากสภาพอากาศหรือการใช้งานรายวัน
• นักวิเคราะห์สินค้าคงคลังหรือห่วงโซ่อุปทานที่ทำให้ข้อมูลยอดขายหรือการใช้งานราบเรียบเพื่อเป็นข้อมูลนำเข้าสำหรับการคำนวณพยากรณ์อย่างง่ายหรือจุดสั่งซื้อซ้ำ

ข้อผิดพลาดที่ควรหลีกเลี่ยง

• เลือกขนาดหน้าต่างตามอำเภอใจโดยไม่พิจารณาวัฏจักรธรรมชาติของข้อมูล — หน้าต่างที่ไม่ตรงกับคาบพื้นฐาน (เช่น หาค่าเฉลี่ย 5 วันของข้อมูลที่มีรูปแบบรายสัปดาห์ชัดเจน) อาจบิดเบือนแนวโน้มแทนที่จะทำให้ชัดเจนขึ้น
• ปฏิบัติต่อชุดข้อมูลที่ราบเรียบราวกับว่าไม่มีความล่าช้า — ทั้ง SMA และ EMA ล่าช้ากว่าการเปลี่ยนแปลงจริงอย่างฉับพลันในข้อมูลโดยธรรมชาติของการออกแบบ ค่าเฉลี่ยเคลื่อนที่จะยืนยันแนวโน้มเสมอช้ากว่าที่มันเริ่มขึ้นจริง
• ใช้ค่าเฉลี่ยเคลื่อนที่กับข้อมูลที่ไม่มีลำดับที่มีความหมาย (เช่น กลุ่มเชิงหมวดหมู่ที่ไม่ได้เรียง) — เทคนิคนี้สันนิษฐานว่าจุดข้อมูลถูกเรียงตามเวลาหรือลำดับ การนำไปใช้กับข้อมูลที่ไม่เรียงลำดับให้ผลลัพธ์ที่ไม่มีความหมาย
• เปรียบเทียบค่า SMA และ EMA ราวกับว่าวัดสิ่งเดียวกันโดยไม่คำนึงถึงความแตกต่างของความล่าช้า — EMA ตอบสนองเร็วกว่า ดังนั้นที่จุดใด ๆ ก็ตาม EMA และ SMA ของหน้าต่างเดียวกันอาจแตกต่างกันอย่างมีนัยสำคัญ โดยเฉพาะทันทีหลังจากการเปลี่ยนแปลงจริงในข้อมูล
• คาดการณ์จุดค่าเฉลี่ยเคลื่อนที่สุดท้ายเป็นการพยากรณ์โดยไม่มีการปรับ — ค่าเฉลี่ยเคลื่อนที่อธิบายพฤติกรรมที่ราบเรียบในอดีต ไม่ใช่การคาดการณ์ล่วงหน้า การประมาณค่านอกช่วงอย่างไร้เดียงสาละเลยแนวโน้มหรือฤดูกาลใด ๆ ที่ยังคงมีอยู่ในข้อมูล

วิธีตีความผลลัพธ์

• ค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นบ่งชี้แนวโน้มขาขึ้นในข้อมูลพื้นฐานตลอดช่วงหน้าต่าง ค่าเฉลี่ยเคลื่อนที่ที่ลดลงบ่งชี้แนวโน้มขาลง
• เมื่อชุดข้อมูลต้นฉบับตัดขึ้นเหนือค่าเฉลี่ยเคลื่อนที่ของมัน มักถูกอ่านว่าเป็นสัญญาณเริ่มต้น (แม้จะล่าช้า) ของการเปลี่ยนไปสู่แนวโน้มขาขึ้น และการตัดลงต่ำกว่าบ่งชี้ในทางตรงข้าม
• ค่าเฉลี่ยเคลื่อนที่ที่ค่อนข้างคงที่แม้ชุดข้อมูลต้นฉบับจะมีสัญญาณรบกวนบ่งชี้ว่ากระบวนการพื้นฐานมีเสถียรภาพ และสัญญาณรบกวนที่มองเห็นเป็นเพียงความผันแปรสุ่มระยะสั้น
• ช่องว่างระหว่าง EMA และ SMA (เมื่อคำนวณด้วยหน้าต่างเดียวกัน) แสดงให้เห็นว่า EMA ให้น้ำหนักกับข้อมูลล่าสุดมากกว่าเท่าใด — ช่องว่างที่เพิ่มขึ้นบ่งชี้ว่าข้อมูลล่าสุดกำลังเบี่ยงเบนอย่างเห็นได้ชัดจากค่าเฉลี่ยระยะยาว
• เนื่องจากค่าเฉลี่ยเคลื่อนที่ล่าช้ากว่าข้อมูลจริงเสมอ ควรถือว่าการเปลี่ยนทิศทางแนวโน้มได้รับการยืนยันก็ต่อเมื่อจุดที่ราบเรียบต่อเนื่องกันหลายจุดยังคงทิศทางนั้นต่อไป ไม่ใช่จากจุดใหม่เพียงจุดเดียว

มาตรฐานและเอกสารอ้างอิงที่เกี่ยวข้อง

• NIST/SEMATECH e-Handbook of Statistical Methods (ส่วนที่ 6.4, Introduction to Time Series Analysis) — เอกสารอ้างอิงเกี่ยวกับค่าเฉลี่ยเคลื่อนที่และวิธีการทำให้ราบเรียบ
• Hyndman, R.J. & Athanasopoulos, G., "Forecasting: Principles and Practice" — เอกสารอ้างอิงแบบเปิดที่ใช้กันอย่างแพร่หลาย ครอบคลุมวิธีค่าเฉลี่ยเคลื่อนที่และการทำให้ราบเรียบแบบเอกซ์โพเนนเชียลสำหรับการพยากรณ์อุปสงค์
• Box, G.E.P., Jenkins, G.M., "Time Series Analysis: Forecasting and Control" — ตำราสถิติพื้นฐานที่ครอบคลุมค่าเฉลี่ยเคลื่อนที่และการทำให้ราบเรียบแบบเอกซ์โพเนนเชียลในฐานะองค์ประกอบพื้นฐานของการสร้างแบบจำลองอนุกรมเวลา

คำถามที่พบบ่อย

ควรเลือกขนาดหน้าต่างอย่างไร?

หน้าต่างที่ใหญ่ขึ้นให้เส้นที่ราบเรียบกว่าแต่ตอบสนองช้ากว่าต่อการเปลี่ยนแปลงจริง และสูญเสียจุดข้อมูลมากขึ้นที่จุดเริ่มต้นของชุดข้อมูล (SMA ต้องการ N-1 จุดก่อนที่จะสามารถสร้างค่าแรกได้) หน้าต่างที่เล็กกว่าติดตามข้อมูลได้ใกล้ชิดกว่าแต่คงสัญญาณรบกวนไว้มากกว่า จุดเริ่มต้นทั่วไปคือการเลือกหน้าต่างที่ตรงกับวัฏจักรธรรมชาติของข้อมูล (เช่น 7 สำหรับข้อมูลรายวันที่มีรูปแบบรายสัปดาห์ 12 สำหรับข้อมูลรายเดือนที่มีรูปแบบรายปี)

ควรใช้ EMA แทน SMA เมื่อใด?

ใช้ EMA เมื่อต้องการให้เส้นที่ราบเรียบตอบสนองต่อการเปลี่ยนแปลงล่าสุดได้เร็วขึ้น — เช่น การตรวจจับแนวโน้มที่กำลังก่อตัวในผลผลิตการผลิตหรือการใช้พลังงานให้เร็วที่สุดเท่าที่จะทำได้ ใช้ SMA เมื่อต้องการเส้นฐานที่มั่นคงและตอบสนองน้อยกว่า หรือเมื่อการให้น้ำหนักเท่ากันตลอดช่วงหน้าต่างเหมาะสมกว่าในเชิงแนวคิด (เช่น การหาค่าเฉลี่ยของ 7 วันล่าสุดของตัวชี้วัดโดยไม่มีเหตุผลที่จะให้น้ำหนักวันที่ใกล้กว่ามากกว่า)

เหตุใดชุดข้อมูลที่ราบเรียบจึงมีจุดน้อยกว่าต้นฉบับ?

ค่าเฉลี่ยเคลื่อนที่ไม่สามารถคำนวณได้จนกว่าจะมีจุดข้อมูลย้อนหลังเพียงพอที่จะเติมเต็มหน้าต่าง ดังนั้น (หน้าต่าง − 1) จุดแรกของชุดข้อมูลต้นฉบับจึงไม่มีค่าเฉลี่ยเคลื่อนที่ที่สอดคล้องกัน ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงของชุดข้อมูล 10 จุดจึงให้ค่าที่ราบเรียบเพียง 8 ค่า โดยเรียงเริ่มจากจุดที่ 3 ของชุดข้อมูลต้นฉบับ