Strategien Optionen Invest Überschuss Bargeld

BREAKING DOWN Net Cash Cash Cash kann auch als die Kurzform bei der Verweisung auf Netto-Cash-per-Anteil, wie es sich auf Aktien investiert. Der Begriff kann geändert werden, um die Funktion der Fonds zu unterscheiden, z. B. die Verwendung des Netto-Cashflows bei der Beschreibung der eingehenden Mittel, die über einen bestimmten Zeitraum erhalten werden. Anleger können Netto-Cash verwenden, um festzustellen, ob eine Gesellschaft Aktien eine attraktive Anlagechance bietet und kann in Verbindung mit anderen Maßnahmen zur Bewertung der gesamten Liquidität des Unternehmens verwendet werden. Netto-Cash bezieht sich auf die Höhe der liquiden Mittel, die aufgrund des Abschlusses einer einzigen Transaktion oder mehrerer Transaktionen gewonnen oder verloren gegangen sind, nachdem alle Verpflichtungen und Verbindlichkeiten erfüllt sind. Verpflichtungen können unter anderem Betriebskosten, Zahlungen auf Schulden und Investitionstätigkeiten beinhalten, sind aber nicht darauf beschränkt. Die Berechnung des Nettobetrags beginnt mit der Bestimmung der Höhe der Einnahmen während einer bestimmten Zeit, die oft als Brutto bezeichnet wird. Sobald gesamt, werden alle Verpflichtungen, die aus diesen Mitteln gezahlt werden, entfernt, so dass der Netto-Geldbetrag als Rest bleibt. Netto-Cash Flow Der Netto-Cashflow bezieht sich auf den Gewinn oder Verlust von Fonds über einen Zeitraum, in dem die Schulden bezahlt werden. Wenn ein Unternehmen einen Überschuss an Bargeld hat, nachdem er alle betrieblichen Betriebskosten getroffen hat, wird er als positiver Cashflow bezeichnet. Wenn das Unternehmen mehr Mittel für Verpflichtungen aussendet, als es durch Verkauf oder andere Transaktionen verdient, wird es als negativer Cashflow bezeichnet. Ein negativer Cashflow bedeutet nicht, dass ein Unternehmen nicht in der Lage ist, alle seine Verpflichtungen zu bezahlen, nur dass der in die Gesellschaft eingeführte Geldbetrag nicht ausreicht, um die Verpflichtungen für denselben Zeitraum zu decken. Wenn andere Sparkassen zur Erfüllung der Verpflichtung liquidiert werden oder zusätzliche Schuld aufgehoben wird, die nicht den Erhalt einer pauschalen Einlage beinhaltet, kann ein Unternehmen alle seine Verpflichtungen unter Beibehaltung eines negativen Cashflows erfüllen. Analyse von Net Cash Cash Die meisten Menschen assoziieren positive Ereignisse mit Erhöhungen der Netto-Cash, die untersucht werden können, um Einblick in eine Gesellschaft finanzielle Gesundheit zu geben. Hierbei handelt es sich um Gewinne aus der Herstellung von Waren oder die Erbringung von Dienstleistungen sowie Kapitalerträge. Bestimmte Aktivitäten können zu einem positiven Cashflow führen, der sich nicht positiv auf die finanzielle Gesundheit eines Unternehmens auswirken kann, wie z. B. Geld, das aufgrund einer neuen Schuld oder einer mit einer pauschalen Darlehenszahlung verbundenen Aktivitäten erworben wurde.13 Strategien, um ein Vermögen zu sparen, Von echten Leuten, die vor 40 Jahren in den Ruhestand gegangen sind. Denken Sie an Geld als etwas zu investieren. Peter Adeney, besser bekannt als Mr. Money Moustache drehte sich ein paar Köpfe, als er seinen Ruhestand im Alter von 30 Jahren im Jahr 2005 angekündigt hatte, indem er zwei Drittel seiner und seiner wifes Take-Home-Bezahlung rettete. Die 30-etwas Rentner Geheimnis kocht auf die Gewohnheit des Denkens über Geld als etwas zu investieren, anstatt etwas zu verbringen. Der wachsende Teil meines Geldes ist ziemlich einfach, sagte er Farnoosh Torabi auf Episode 38 ihres Podcast, So Money. Ich mag die Idee, alles Geld zu investieren. Also, wenn ich irgendwann in einen Überschuss gehe, denke ich nicht an etwas, um mit ihm zu kaufen, ich denke, okay, ich werde dieses Geld besser los und leg es wieder zur Arbeit. Also, ich fege es aus dem Bankkonto und in regelmäßige Indexfonds. Während eine Erhöhung, großzügiges Geburtstagsgeschenk oder glückliche Lotterie-Gewinne einen Einkaufsbummel für die meisten von uns auslösen kann, ist Herr Geld-Mustaches-Instinkt, überschüssiges Geld zu investieren, das hilft, jede mögliche Versuchung zu vermeiden, die entstehen kann. Maximieren Sie Ihr Einkommen. Finanziell unabhängig zu sein, erfordert den Aufbau einer großen Menge an Kapital, eine Aufgabe, die viel leichter durch das Erwerb eines hohen Einkommens gemacht wird, erklären Jacobson und Tseng von Go Curry Cracker. Die sich verpflichtet haben, 70 ihres Einkommens für etwa 10 Jahre zu retten, um sich in ihren 30er Jahren bequem zurückzuziehen. Während ein sechsstelliges Einkommen sicherlich hilft, ist es nicht notwendig für die vorzeitigen Rentner, sie beachten: Für diejenigen, die kein Interesse an der Hochschule oder diejenigen mit einem Abschluss in einem niedrigeren Einkommen Bereich, Zeit außerhalb der Arbeit kann auf eine Seite Hektik ausgegeben werden . Egal welchen Weg Sie wählen, mit harter Arbeit und Hingabe ist es möglich, Einkommen im Laufe der Zeit zu wachsen. Durch Aufblasen von Einsparungen anstatt Lebensstil, wird dies zu einem raschen Wachstum im Reichtum führen. Investiere den Unterschied. Sobald Sie Ihr Einkommen maximiert haben, wollen Sie so viel von diesem Geld zu arbeiten, wie Sie vielleicht können. Eine der effektivsten Möglichkeiten, mehr Geld im Laufe der Zeit zu verdienen ist, es zu investieren. Und je früher du anfängst, desto besser. Lernen zu investieren ist wahrscheinlich die wertvollste Fähigkeit, die man jemals lernen könnte, schreiben Jacobson und Tseng. Der Aktienmarkt ist einer der größten Reichtum, der Fahrzeuge geschaffen hat, die jemals geschaffen wurden (vielleicht auch nur ein Fahrrad) und ist ein wichtiger Bestandteil des Baus eines Portfolios, das einen Ruhestand von 60 Jahren unterstützt. Für weitere Informationen über die Investition, lesen Sie auf die Grundlagen vor dem Tauchen in. Go Auto-frei. Dies kann für einige als andere möglich sein, aber wenn möglich, Handel mit Ihrem Auto für öffentliche Verkehrsmittel, ein Fahrrad oder Ihre eigenen zwei Füße. Jacobson und Tseng schätzen, dass sie 835 im Monat dank ihres autofreien Lebensstils sparen. Es war wichtig für mich, kein Auto zu haben, also habe ich mein aktuelles Zuhause auf der Grundlage einer direkten Buslinie zur Arbeit ausgewählt, schreibt Jacobson. Es hat sich gut gearbeitet. Plus, youd bekommen die gesundheitlichen Vorteile von Wandern und Radfahren, und wouldnt haben, um mit dem Stress der Straße umzugehen. Wenn ein Auto eine absolute Notwendigkeit ist, erwägen Sie, etwas zu kaufen, das Sie sich im Voraus mit Ihren Einsparungen leisten können, um den teuren Finanzierungsaspekt zu überspringen. Viele Leute in meiner Einkommensgruppe oder Altersgruppe haben ein paar neue Autos und sie haben sie finanziert, Mr. Money Mustache erklärte Torabi. Es kommt ihnen gar nicht vor, dass man ein Auto mit Geld kaufen kann, das man eigentlich hat und das macht sie über Jahrzehnte hinweg. So kann das ein paar hunderttausend Dollar im Laufe von nur 30 oder 40 Jahren blasen. Wenn du alle Bereiche deines Lebens optimierst, so dass du nicht so viel vergeudest, kannst du deine Ausgaben um halb oder gar 75 schneiden. Ein automatischer Beitrag zu deinem Ruhestand einrichten. Sie sollten bereits dazu beitragen, Ihre Arbeitgeber 401 (k) Plan, wenn Sie Zugang zu einem haben, und die volle Nutzung der Firma Spiel, wenn seine angeboten. Genau wie ein 401 (k) Beitrag wird automatisch aus Ihrem Gehaltsscheck genommen, eine weitere intelligente Strategie ist es, Ihre Beiträge zu alternativen Ruhestand Konten wie eine IRA zu automatisieren. Wählen Sie einfach den Prozentsatz Ihres Gehaltsschecks, den Sie beiseite legen und investieren müssen, um Ihre finanziellen Ziele zu erreichen, je früher Sie in den Ruhestand gehen möchten, desto größer ist der Prozentsatz und sollte einen automatischen Transfer von Ihrem Girokonto in Ihre Altersvorsorge einrichten Monat. Du siehst niemals das Geld und lernt, ohne es zu leben. Sie können nur herausfinden, wie viel Sie von jedem Gehaltsscheck abziehen müssen und dann zu Beginn des Jahres einrichten, schreibt Joe Udo von Rentner um 40. Wer über die Hälfte seines Einkommens gespart und im Alter von 38 Jahren in den Ruhestand ging, kann das auch tun Mit der Roth IRA und 529 auch. Nachdem du diese Auto-Beiträge eingerichtet hast, dann bist du sicher, den Rest deines Einkommens zu verbringen. Verfolgen Sie Ihre Ausgaben. Wissen Sie, wie viel Sie ausgeben, auf monatlichen Abonnements oder auf Kaffee Chancen sind seine mehr als Sie denken. Wenn Sie kleinere, alltägliche Ausgaben auf ein Ruhestand Konto umleiten, kann es sammeln und wachsen in Tausende von Dollar im Laufe der Zeit. Dank der Macht der Zinseszins. Schreiben Sie alle Ihre Ausgaben und analysieren Sie es, beraten Jacobson und Tseng. Verfolgen Sie Ihre Dollars. Ich garantiere, dass du etwas findest, das du entweder nicht wusstest, dass du dein Geld ausgegeben hast, oder du fühlst dich unnötig. Versuchen Sie, eine Kalkulationstabelle auf Ihrem Computer zu halten, oder betrachten Sie eine App, die automatisch Ihre Ausgaben für Sie, wie z. B. Mint. Sie brauchen ein Budget. Oder persönliches Kapital. Setzen Sie klare und spezifische Ziele. Die Einstellung eines Datums ist ein entscheidender Schritt zu ergreifen, wenn Sie planen, frühzeitig in Rente gehen, sagt Udo. Es gibt Ihnen ein Ziel zu schießen und die meisten von uns arbeiten besser mit einer Frist drohen. Youll wollen auch ein Ruhestand Budget, was bedeutet, Sie müssen sich hinsetzen und herauszufinden, was Ihr Einkommen und Ausgaben wird nach dem Ruhestand aussehen, sagt er. Das hängt davon ab, wie Sie Ihren zukünftigen Lebensstil vorstellen. Zum Beispiel, planen Sie auf Reisen viel, oder gifting Geld an Familienmitglieder Wie viel wird das kosten Ein Bargeld Kissen. Frühe Rentner sollten vermutlich etwa ein Jahr Aufwand in bar haben, bevor sie es beendigt, rät Udo. Wir bauten ein 50.000 Bargeldkissen, bevor ich meine Arbeit im Jahr 2012 beendigte. Das Bargeldkissen gab uns Seelenfrieden und wir können es für unvorhergesehene Notfälle nutzen. Plus, wenn Ihr Ruhestand nach Plan geht und Sie nicht brauchen, um in dieses Geld zu klopfen, Sie youll haben extra Geld zu investieren und lassen Sie wachsen. Mach deine Forschung. Blogger, die unter den Namen von Herrn und Frau Frugalwood gehen, sparen etwa 70 ihrer Heimat-Lohn und planen, bis 2017 im Alter von 33 Jahren mit der Hilfe einer Schlüsselgewohnheit bequem zu gehen: fleißige Forschung. Wenn es darum geht, etwas zu kaufen, sind sie methodisch und rücksichtslos, sie schreiben auf ihrem persönlichen Blog. Wir beobachten, Preis vergleichen, Forschung, absichtliche, untersuchen gebrauchte Optionen, betrachten, wenn wir schon etwas besitzen, was genügt, bestimmen, ob es ausgeliehen werden kann, und dann sorgfältig unseren Kauf machen. Auf diese Weise finden wir das beste Produkt zum besten Preis. Als es um den Kauf eines Hauses ging, schaute das Paar über 270 offene Häuser an, bevor sie sich auf ihrem Platz in Cambridge, Massachusetts niederließen. Sie haben sogar umfangreiche Forschung in Hunderassen vor dem Kauf ihrer Windhund. Und sie planen schon voran für ihr nächstes Auto. Obwohl ihr aktueller Minivan wahrscheinlich 100.000 Meilen übrig hat. Diese aufmerksame Planung und sorgfältige Kauf nicht nur spart ihnen Tausende von Dollar auf Big-Ticket-Artikel es auch lindert Geld Stress, dass viele von uns Gesicht. Wir leiden nicht an Käufer Reue, schreibt Frau Frugalwood. Es tat mir noch leid, dass wir gewartet haben, um einen Kauf zu machen. Die Zeit verleiht immer eine Perspektive und ein besseres Geschäft. Es ist eine bewährte sparsame Tatsache. Getty ImagesPascal Le Segretain Machen Sie einen Probelauf. Um sicherzustellen, dass seine Familie ohne sein Gehalt funktionieren konnte, rettete Udo alle seine Gehaltsschecks für ein Jahr, bevor er seinen Job verließ, schreibt er. Es diente auch als Praxis-Runde für das Leben aus ihrem Post-Ruhestand Budget. Haben Sie einen Backup-Plan, falls Ihr Probelauf nicht so heiß ist, rät Udo: Arbeiten Sie auf Ihrem Plan B und planen Sie C. Wenn Ihre Finanzierung bergab geht, was würden Sie tun, können Sie wieder an die Arbeit gehen, Ihre Kosten schneiden, zu einem verlagern Billiger Stadt, oder einen Mitbewohner bekommen. Es gibt viele Möglichkeiten, aber du musst es mit deinem Partner ausarbeiten. Gewöhnen Sie sich, Geld zu verbringen, das Sie später Geld sparen wird. Es kann kontraintuitiv sein, um Einkäufe zu sparen, aber das ist, was einige der erfolgreichsten Geld-Sparer tun. Sie sind nicht nur Dinge zu kaufen, sie investieren in Dinge Werkzeuge und Dienstleistungen, die schließlich sparen sie Geld im Laufe der Zeit, ob das ist ein programmierbarer Thermostat oder eine Online-Projekt-Management-Zertifizierung. Auch die Frugalwoods, die zugeben, dass ihre Heimat ist in erster Linie mit Rabatt Craigslist Angebote, Garage Verkauf Artikel, und sogar Müll Funde, eigene teure Dinge ausgestattet. Zum Beispiel reitet Herr Frugalwood ein 500-Bike, aber die Einsparungen, die er erntete, indem er nicht zahlen musste, um weit über die Anfangskosten hinauszugehen. Wir konnten billigere Analoga von jedem dieser Dinge bekommen, aber jedes Element ist etwas, was wir bestimmt war würdig der zusätzlichen Kosten, erklären sie von ihrer Liste von 10 schockierend teure Dinge, die sie besitzen. Die meisten dieser Produkte ermöglichen es uns, auf lange Sicht eine größere Sparsamkeit zu erreichen. Lebe groß in einem kleinen Raum, empfehle Jacobson und Tseng. Seit den 1950er Jahren hat sich die durchschnittliche Wohngröße fast verdoppelt. Neben zusätzlichen Schlafzimmern, zusätzlichen Bädern, zusätzlichen Schränken und extra Garagenparken, bringt dies auch zusätzliche Steuern, zusätzliche Nebenkosten, zusätzliche Wartungskosten und zusätzliche Zeit für die Reinigung. Im Gegensatz dazu haben wir uns entschieden, in einer kleinen Wohnung zu leben, die einen Bruchteil des Preises eines Hauses oder einer Wohnung kostet. Alle Einsparungen gingen direkt in unser Vermittlungskonto. Finden Sie Freude an Dingen, die nicht viel oder etwas kosten. Am Ende des Tages, der Schlüssel zum Ruhestand früh kocht, um weniger zu verbringen und mehr zu sparen. Viele gehen davon aus, dass Sie 40 oder mehr Jahre arbeiten müssen, um sich zurückzuziehen, oder dass langfristige internationale Reisen nur für College-Drop-outs und schmutzige Hippies leben auf Reis und Bohnen, schreiben Jacobson und Tseng. Es gibt wirklich nur eine Sache, die bestimmt, wie schnell Sie uns auf der Straße beitreten könnten: Sparquote. Die besten Sparer finden und genießen, die Fülle von billigen und kostenlosen Aktivitäten gibt, wie Kochen, Wandern, Lesen und nutzen die kostenlose Aktivitäten von Ihrer Stadt oder Stadt angeboten. Sicher, es macht Spaß, Geld auszugeben. Ich mag Essen, Reisen und andere Unterhaltungen so viel wie jeder, schreibt Udo. Aber ich glaube, ich fand das Geheimnis, weniger Geld auszugeben. Sie müssen lernen, freie oder billige Unterhaltungen zu genießen. Es gibt eine Menge von kostenlosen Sachen zu tun, da draußen und du musst nicht viel Geld ausgeben, um Spaß zu haben. Geld für Spaß einmal in eine Weile ausgeben ist gut, aber es sollte nicht die Norm sein. SEHEN SIE AUCH: 21 Lebensstiländerungen, um zu machen, wenn Sie mehr Geld sparen möchten 13 Strategien, um ein Vermögen zu retten, von echten Leuten, die sich im Ruhestand befinden. 40Investment Management ist über die Erreichung von Anlagezielen unter bestimmten Einschränkungen zum Beispiel, die bestmögliche Rendite für ein bestimmtes Niveau zu erreichen Des risiko Um diesen Zielen gerecht zu werden, kann der Anleger Eigenkapital in einem Vermögenswert, einer Aktie, einem Fonds oder Immobilien kaufen oder Schuldverschreibungen von Regierungen und Kapitalgesellschaften erwerben. Durch eine effektive Verwaltung solcher Anlagen kann der Anlageverwalter eine höhere Rendite für ein bestimmtes, akzeptables Risiko erzielen. Es gibt viele Werkzeuge, um dieses Ziel zu erreichen. Erwartete Rückgabe und Portfolioabweichung Die beiden grundlegenden Kennzahlen für ein Anlageportfolio sind die Rendite und die Varianz. Im Falle einer einzelnen Dividendenausschüttung ist die Rendite gegeben durch: wobei D 1 die zum Zeitpunkt t 1 gezahlte Dividende ist. Die zukünftige Rendite eines Aktienbestandes oder eines Portfolios ist mit Sicherheit nicht bekannt, es gibt verschiedene Wahrscheinlichkeiten für unterschiedliche Renditen Szenarien, von denen sich einer tatsächlich entfalten wird. Angesichts n möglicher Rückkehrszenarien, jeder mit seiner eigenen Wahrscheinlichkeit p i. Die erwartete Rendite ist: Die Varianz eines solchen Bestandes oder Portfolios ist gegeben durch: Ein Portfolio hat gewisse Vorteile gegenüber einer einzigen Sicherheit. Die Rückkehr einer Sicherheit kann dazu neigen, sich in die gleiche Richtung zu bewegen wie die Rückkehr einer anderen Sicherheit, aber in die entgegengesetzte Richtung der Rückgabe einer dritten Sicherheit. Aufgrund dieser Tendenzen, wenn Wertpapiere in ein Portfolio gruppiert werden, kann für eine gegebene erwartete Rendite die Varianz dieser Rendite reduziert werden. Die gemeinsamen Tendenzen zwischen den Renditen können von Kovarianzen gemessen werden. Die Kovarianz in zwei Wertpapierrenditen ist gegeben durch: Der Korrelationskoeffizient zwischen Wertpapier i und dem Markt ist gegeben durch: Für zwei Wertpapiere ist zu beachten, dass, wenn T-Rechnungen, die den risikofreien Zinssatz verdienen, in Höhe von 963 für RF 0 enthalten sind Wertpapiere können viele verschiedene Portfolios konstruiert werden, indem die Gewichtung jedes Wertpapiers im Portfolio variiert wird. Um das Mindestabweichungsportfolio zu finden, Für ein gleich gewichtetes Portfolio mit allen Standardabweichungen gleich und alle Kovarianzen gleich Null: Risiko angepasst Rückkehr Unterschiedliche Anleger haben unterschiedliche Risiken. Bei der Verwaltung eines Portfolios für einen bestimmten Investor ist es das Ziel, die Portfolio-Rendite für das Risiko zu maximieren, das der Investor bereit ist zu nehmen. Das folgende Modell kann verwendet werden: wo A-Anleger Abneigung gegen Risiko, gemessen durch die Varianz des Portfolios zurückkehren. Um die Funktion zu maximieren, vorausgesetzt, dass die Anleger Vermögenswerte nur im Marktportfolio und dem risikofreien Vermögenswert sind, lassen Sie zunächst den Bruchteil der Vermögenswerte im Marktportfolio. Dann kann das Risiko einer individuellen Sicherheit in einem gut diversifizierten Portfolio durch seine Beta gemessen werden. Ein solches Risiko ist nicht zulässig. Beta einer individuellen Sicherheit in Bezug auf den Markt ist: Beta eines risikofreien Vermögenswertes in Bezug auf den Markt 0. Beta bestimmt mit historischen Daten unterliegen Schätzfehler. Merrill Lynch und einige andere Firmen setzen diesen Wert zurück auf die mittlere Beta des Marktes (1) oder der Industrie mit dem niedrigeren das Vertrauen in 946 historische. Der untere sollte der für w gewählte Wert sein. Beta eines Portfolios: Man ist bereit, eine niedrigere Rendite auf ein Wertpapier oder ein Portfolio mit einer negativen Beta zu akzeptieren, da es das Portfolio-Risiko als Teil eines größeren Portfolios reduzieren kann. Effiziente Portfolios liegen auf der Kapitalmarktlinie (CML). Diese CML ist kein Teil der CAPM. Für diese Linie muss eine perfekte Korrelation zwischen dem fraglichen Portfolio und dem Marktportfolio bestehen. Dies bedeutet, dass die Linie nur für die Portfolios, die eine Kombination aus dem tangentialen Portfolio (in der Regel das Marktportfolio) und die risikofreie Rate sind. Wenn die Kreditaufnahme nicht zulässig ist, wählt der rationale risikoaverse Investor ein Portfolio entlang der Kapitalmarktlinie bis zur effizienten Grenze und folgt dann der effizienten Grenze für höhere Risiko und Rendite. Die Varianz und die erwartete Rendite des Marktportfolios können durch die Kombination von zwei Portfolios, die auf der effizienten Grenze liegen, und die Lösung für die Gewichte im folgenden Ausdruck erhalten werden: Die Kovarianz zwischen zwei Portfolios auf der effizienten Grenze kann durch die Gewichte gefunden werden Um das Marktportfolio zu emulieren und dann für 963 12 in der folgenden Gleichung zu lösen: Die Sharpe-Lintner-Version des Capital Asset Pricing-Modells impliziert, dass infolge aller Investoren, die das Marktportfolio halten, eine lineare Beziehung zwischen der erwarteten Rendite besteht Auf eine Sicherheit und ihre 946. Das folgende ist die Sicherheits-Marktlinie - alle Sicherheiten erwarteten Rückkehr liegen auf dieser Linie. Diese Zeile gilt für alle Wertpapiere, nicht nur effiziente Portfolios. Erwartete Rendite eines Portfolios mit CAPM: Wenn die Annahme gleicher Kredit - und Kreditzinsen entspannt ist, sind die Anleger nicht mehr verpflichtet, das Marktportfolio zu halten, sondern können eine Reihe von Portfolios entlang der effizienten Grenze zwischen dem Zeitpunkt der Tangentialität der Leihlinie und der Punkt der Tangentialität der Kreditlinie. CAPM erfordert die Maßnahme von zwei unbekannten Mengen - Marktrisikoprämie und Beta. Allerdings haben Versuche, die erwarteten Renditen durch die Verwendung historischer Aktienrendedaten zu schätzen, zu std-Fehlern über doppelte von CAPM geführt, da für CAPM die bessere Präzision bei der Schätzung der Marktrisikoprämie mehr als den zusätzlichen Schätzfehler in Beta kompensiert. Es gab viele Schwierigkeiten beim Testen von CAPM. Roll argumentierte, dass das CAPM immer für Ex-Post-Daten halten muss, wenn der für den Markt gewählte Proxy effizient ist. Er argumentierte auch, dass es unmöglich ist, den wahren Markt zu messen, so dass die CAPM nicht getestet werden kann. Allerdings stellte Stambaugh 1982 fest, dass das Hinzufügen weiterer riskanter Vermögenswerte wie Unternehmensanleihen, Immobilien und Konsumgüter auf das Marktportfolio die Tests nicht wesentlich beeinflusst hat. Single Factor Model (Marktmodell), wobei e der Abstand von der Regressionslinie zum Zeitpunkt t ist. Der Mittelwert von e it 0 und die Kovarianz zwischen R m und e i 0. Dies ist ein Regressionsmodell, das das Risiko einer Sicherheit im Laufe der Zeit charakterisiert, indem es seine Beta über ein Zeitintervall misst. 946 Ich unterscheide mich von dem 946 im, das in der CAPM verwendet wird, in dem 946 im ist mehr von einer heutigen Beta anstatt einer über die Zeit genommen. Im traditionellen Ansatz der Prüfung der CAPM, im ersten Schritt verwendet man dieses Modell, um die Beta aller Wertpapiere (oder Portfolios) zu messen. Im zweiten Schritt schätzt man die CAPM selbst, indem sie die Sicherheitsrenditen auf die geschätzten Betas zurückgibt. Bei der Prüfung von CAPM auf diese Weise muss man die Gültigkeit von Tests mit Ex-post-Daten in Frage stellen, um das Ex-ante-CAPM zu testen. Auch gibt es Messfehler in einzelnen Sicherheits-Betas. Verwenden von Portfolios statt in der First-Pass-Regression hilft. Abweichung mit dem Einzelfaktormodell: wobei R i. R m Und ich sind zufällige Variablen. Die Varianz des Mittelwertes a i ist null per Definition Null, also fällt dieser Begriff aus. In einem gut diversifizierten Portfolio ist Var (e i) 0. In dieser Gleichung ist 946 2 i Var (R m) die vom Markt erläuterte Varianz. Der Prozentsatz der Abweichung, der durch den Markt erklärt wird, ist dann gegeben. Beachten Sie, dass (1-R 2) die idiosynkratische Varianz ist. Diese Ausdrücke gelten auch für Portfolios, indem sie i mit p ersetzen. Für zwei Portfolios oder Wertpapiere, in denen ihre eis unkorreliert sind, ist die Kovarianz zwischen ihnen gegeben durch: Dies wird durch die Suche nach der Kovarianz zwischen: Querschnitt der gemeinsamen Aktienrenditen Fama und Französisch verwendet ein Multi-Faktor-Modell mit zusätzlichen Risikofaktoren im Zusammenhang mit Größe, Preisbuch, etc. Sie kamen zu dem Schluss, dass drei Risikofaktoren ausreichend waren. Gabriel Hawawini und Donald Keims Papier berichtet, dass Aktienrenditen abhängen Größe, EP, CFP, PB und früheren Renditen. Diese Faktoren waren jedoch nicht auf Risiko zurückzuführen. Die Prämien in Bezug auf Größe und PB sind vor allem auf den Januar-Effekt zurückzuführen. Es ist unwahrscheinlich, dass das Risiko im Januar höher ist. Die Größe Amp PB Prämien sind unkorreliert über internationale Märkte. Dies steht im Widerspruch zum Begriff der gut integrierten internationalen Märkte, in denen ähnliche Risiken zu ähnlichen Renditen führen sollten. Marktneutrale Strategien balancieren das Marktrisiko, indem sie lange auf einige Wertpapiere und kurz auf andere. Manche Leute schlagen vor, den T-Rechnungssatz als Benchmark zu verwenden, um die Marktrendite einer solchen Strategie zu vergleichen. Man kann argumentieren, dass, obwohl die marktneutrale Strategie riskant ist, da es null beta hat, es nicht zum Risiko des Marktportfolios beiträgt und daher keine Prämie über den risikofreien Zinssatz befehlen sollte. Auf der anderen Seite, wenn die erwarteten Renditen auf der langen Seite höher sind als die kurzfristig, sollte die Benchmark-Rendite den risikofreien Zinssatz übersteigen. Ein wichtiger Faktor für die Performance von High-Turnover-Portfolios ist die Höhe der Handelskosten. Einschließlich der expliziten Kosten wie Provisionen, Gebühren und Steuern, der Marktmacher-Verbreitung, die Auswirkungen des Handels auf den Marktpreis und die Opportunitätskosten, die während der Verzögerung zwischen dem Zeitpunkt der Entscheidung und dem Zeitpunkt des Handelsabschlusses entstehen. Die Handelskosten können durch passives Fondsmanagement und elektronischen Handel reduziert werden. Die konventionelle Weisheit ist, dass auf lange Sicht die Aktie Renditen überlegen, die denen von Anleihen überlegen sind. Aber während die Varianz der geometrischen Mittel der Renditen mit zunehmendem Zeithorizont abnimmt, nimmt die Varianz des Endvermögens zu. Wenn eine Put-Option gekauft wurde, um einen bestimmten Terminal-Reichtum zu versichern, würden die Kosten dieser Option mit steigender Zeithorizont steigen. Soweit die Optionspreise ein Risiko darstellen, steigt das Risiko der Aktieninvestitionen mit steigendem Zeithorizont an. Die optimale Vermögensallokation ist eine Funktion des gegenwärtigen Vermögens, des Ziels des zukünftigen Vermögens, der Risikotoleranz und des Zeithorizonts. Langfristige Erträge sind schwierig, statistisch zu analysieren, denn wenn der historische Zeithorizont zunimmt, sinkt die Anzahl der möglichen unabhängigen Erhebungsrenditen. Im Jahr 1991 veröffentlichten Butler und Domian ein Verfahren, das versucht, diese Schwierigkeit zu überwinden, indem er zuerst die monatlichen Renditen für den SampP 500 und die langfristigen Anleihen über einen langen historischen Zeithorizont auflistet. Durch zufällige Auswahl von Daten können Rückkehr über verschiedene langfristige Halteperioden durch Multiplikation der entsprechenden Anzahl von Stichproben emuliert werden. Eine nahezu grenzenlose Anzahl von Proben für jede Halteperiode kann mit dieser Methode erzeugt werden. Die Durchführung einer solchen Analyse mit Daten aus den 792 Monaten von 1926-1991 zeigt, dass über einen Zeitraum von 10 Jahren, gibt es eine 11 Chance, dass Aktien werden Underperformance Anleihen über einen Zeitraum von 20 Jahren diese Wahrscheinlichkeit reduziert auf 5. Defined - Benefit Pension Pläne In einem leistungsorientierten Plan garantiert der Plansponsor (in der Regel ein Arbeitgeber) den Planteilnehmern einen künftigen Nutzen, wobei die Verantwortung für einen Fehlbetrag der Anlageperformance des Plans übernommen wird. FASB 87 verlangt, dass eine unfundierte Haftung im Barwert der Leistungen in der Bilanz des Arbeitgebers erscheint. Eine Alternative für den Plansponsor ist es, den Barwert der Planhaftung in Staatsanleihen mit der gleichen Dauer wie die Haftung zu stellen, wobei in diesem Fall keine Chance auf Fehlbetrag besteht und die Haftung vollständig immunisiert ist. Da die Pensionspläne nicht besteuert werden, wird der Anreiz, Eigenkapital zu halten, um die niedrigeren Steuern auf Kapitalgewinne zu nutzen, vermindert. Für ein bestimmtes Risiko steigen steuerliche Implikationen die Rendite am meisten für Investitionen wie Anleihen, die eine große Spanne zwischen Vorsteuer und Nachsteuererklärung haben. Eine Alternative zu Anleihen ist für die Pensionskasse, um ihr Geld in risikoreichere Vermögenswerte wie Stammaktien zu stellen. Unter dieser letzteren Alternative gibt es sowohl die Chance eines Fehlbetrags als auch die Chance eines Überschusses. Allerdings gestattet FASB 87 nicht, dass ein Überschuss als Vermögenswert für die Bilanz des Sponsors ausgewiesen wird und der Überschuss häufig den Planteilnehmern zugewiesen wird. Dennoch ist es aus vielen Gründen üblich, dass Unternehmen in ihren Pensionsfonds Eigenkapital halten. Die Pension Benefit Guarantee Corporation (eine Bundesagentur) garantiert die Vorteile und die Sponsorenprämien sind unabhängig vom Risiko der Pensionsfondsinvestitionen. Für Arbeitgeber in finanzieller Not ist die Rentengarantie von PBGC effektiv eine Put-Option. Angesichts der Tatsache, dass die Put-Optionen im Wert steigen, wenn das Risiko zunimmt, gibt es einen Anreiz für einige Unternehmen, die Pensionskasse in riskante Vermögenswerte zu investieren. In leistungsorientierten Plänen besteht die Möglichkeit der Steuerbeschäftigung. Der Plansponsor kann Schulden ausgeben, um Eigenkapital im Pensionsplan zu erwerben. Der Pensionsplan kann dann die Anleihen in Anleihen investieren. Wegen des steuerlichen Status der Pensionskasse werden die Steuern auf die Pensionspläne Anleihezinsen aufgeschoben, und der Sponsor wird den Zinssteuerschild von seiner Schuldausgabe genießen. Der Sponsor realisiert dann einen Arbitrage-Gewinn, der dem Zinssatz entspricht, multipliziert mit dem Körperschaftssteuersatz, ohne Erhöhung des Gesamtrisikos der Unternehmen. Arbitrage Pricing Theory Im Jahr 1976 präsentierte Steve Ross die Arbitrage Pricing Theory (APT) als Alternative zum CAPM, die weniger Annahmen erfordert. Die APT ist eine Gleichgewichtstheorie, die sich von einem Faktormodell unterscheidet, indem sie die Beziehungen zwischen den erwarteten Renditen über Wertpapiere und Attribute, die diese Wertpapiere beeinflussen, spezifiziert. Ein Faktormodell erlaubt die erste Laufzeit im Modell, die erwartete Rendite, um sich über die Wertpapiere zu unterscheiden und kann daher einen und einen effizienten oder einen ineffizienten Markt darstellen. Ross nahm an, dass die Renditen die erste Laufzeit gemeinsam haben und die anderen Bedingungen von verschiedenen systematischen Faktoren abhängen, im Gegensatz zum Binnenmarktrisikoprämienfaktor der CAPM. Das Modell nimmt die Form an: wo ich den Wert des i-ten Faktors, 946 pi Empfindlichkeit der Rückkehr zum i-ten Faktor, k Anzahl der Faktoren und e pt gleich der idiosynkratischen Variation in der Rendite ist. Unter der Annahme eines effizienten Gleichgewichtsmarktes ist der erste Begriff des Rechts des Gleichheitszeichens für alle Wertpapiere gleich und entspricht etwa dem risikofreien Zinssatz. Beispiele für Faktoren, die in das Modell aufgenommen werden könnten, sind die monatliche industrielle Produktion, Änderungen der erwarteten Inflation, unerwartete Inflation, unerwartete Änderungen der Risikoprämie und unerwartete Verschiebungen der Zinsstruktur. Solche Variablen beeinflussen wahrscheinlich die meisten oder alle Aktien. Marktneutrale Strategien revisited Angesichts der Tatsache, dass Alpha die Rendite über der Marktrendite ist, kann man durch die Erstellung eines Portfolios auf positive Alpha-Aktien und kurz auf negative Alpha-Aktien die Wirkung des Marktes aufheben. Diese marktneutrale Strategie wird manchmal als doppelte Alpha, keine Beta-Strategie bezeichnet. Da eine solche Strategie mit dem Markt unkorreliert ist, hängt die Volatilität von Nicht-Marktfaktoren ab. Wenn das marktneutrale Portfolio in vielen Branchen sehr vielfältig ist, kann die Volatilität gering sein. Wenn sich das Portfolio in einer kleineren Anzahl von Aktien und Branchen konzentriert, kann die Volatilität hoch sein. Wenn das Portfolio nicht unter Aktien unterschiedlicher Größen - oder Wertschöpfungsmaßnahmen ausgeglichen wird, könnte es aufgrund dieser nicht marktwirtschaftlichen Risikofaktoren zu einer höheren Volatilität kommen. Gegenseitige Gelder berechnen ihre Anleger. Transaktionsgebühren, die Lasten genannt werden, werden manchmal für Fondkäufe oder Rücknahmen berechnet. Solche Gebühren werden direkt vom Investorenkonto abgezogen und stellen eine Gebühr für den Maklerdienst dar, um Informationen und Fondsauswahl zu liefern. Die betrieblichen Aufwendungen sind Gebühren, die vom Fondseinkommen vor der Ausschüttung an die Anleger abgezogen werden und in der Regel durchschnittlich etwas mehr als 1 pro Jahr betragen. Zwei Bestandteile der betrieblichen Aufwendungen sind Managementgebühren und 12b-1 Gebühren. Die 12b-1-Gebühren stellen eine Erstattung für die Marketingkosten dar. Investmentfonds können je nach Anlageart wie Wert oder Wachstum charakterisiert werden. Allerdings kann die tatsächliche Fondszusammensetzung nicht genau dem angegebenen Anlagestil entsprechen, und Berichte über Portfoliobestände sind möglicherweise nicht sehr repräsentativ, da sie nur zu einem Zeitpunkt Schnappschüsse sind. Diese Einschränkung macht die Öffentlichkeit von den Betrieben, die Verzerrungen unterworfen sind, wie z. B. Fensterbekleidungen, in denen der Portfoliomanager Aktien, die gut gelaufen sind, so dass die Anleger diese Aktien in den Portfoliobeständen sehen (Kostenbasis wird nicht gemeldet) und wahrnehmen die Manager in der Lage sein, die Top-Performer auszuwählen. Stilanalyse ist eine Methode zur Charakterisierung des wahren Stils eines Fonds, der auf seinem Verhalten basiert, nicht auf seinen erklärten Zielen und Beständen. Die Stilanalyse wird durchgeführt, indem zuerst ein Satz von Indizes ausgewählt wird, die bestimmten Stilen entsprechen, wie z. B. Small-Cap-Wert, Small-Cap-Wachstum, Large-Cap-Wert, Large-Cap-Wachstum und Cash. Mit einer gewichteten Kombination dieser Indizes kann man ein passives Benchmark-Portfolio aufbauen, das die Rückkehr des zu analysierenden Portfolios so genau wie möglich verfolgt. Nehmen wir an, dass es fünf Indizes gibt, mit denen die Benchmark erstellt werden kann. Die folgenden Schritte werden verwendet, um den Stil zu analysieren: Definieren Sie die Benchmark-Rückkehr für die Periode t zu sein: Definieren Sie den Tracking-Fehler zu sein: Lösen Sie für die Gewichte durch Minimierung der Standardabweichung des mittleren Tracking-Fehlers über den gesamten Zeitraum, der unter dem Einschränkung, dass die Gewichte auf eins summieren und jeweils größer oder gleich Null sind (es sei denn, Netto-Short-Positionen sind im Fonds erlaubt). Die Standardabweichung des Tracking Error ist gegeben durch: Bewertung der Fonds Performance Wenn die populäre Presse veröffentlicht Investment-Performance-Rankings, es in der Regel nicht berücksichtigt das Risiko, dass der Portfolio-Manager nahm, um diese Rendite zu erreichen. Solche Rankings spiegeln nicht notwendigerweise die Geschicklichkeit des Managers wider. To adjust for risk, one should consider the ratio of excess returns to risk, or consider risk-adjusted differential returns. For the risk, one can use standard deviations or betas. The Jensen measure is perhaps the most widely used measure of fund performance. In the above measures, R p is the return of the portfolio under test, R B is the return of a passive benchmark portfolio, R F is the risk-free rate, and E(R) represents the mean historical returns. In determining which measure to use, one should consider the purpose of the measurement. For portfolios that represent a large portion of its investors assets, a method that uses standard deviation should be used the Sharpe Measure and the other Std. deviation differential measure are more appropriate. For ranking fund performance, the ratio of excess return to risk should be measured the Sharpe Measure or the Treynor Measure are more appropriate. There is some evidence of some autocorrelation in stock prices. Small amounts of both positive autocorrelation, in which stock returns tend to move in the direction of the previous period, and negative autocorrelation, in which returns tend to move in a direction opposite to that of the previous period, have been observed. In situations of positive autocorrelation, momentum investing strategies should be employed, and in situations of negative autocorrelation, contrarian strategies should be used. However, for shorter term trading, any advantage from these techniques is neutralized by trading costs, and for longer terms there is not yet enough data to confirm or deny any net advantage. Timing the Market Some investors have attempted to time the market to increase their returns, increasing their stake in equities when they predict an up market and decreasing it when they predict a down market. QuickMBAs market timing page covers this topic in more detail. Coupon bearing notes and bonds typically make fixed interest payments two times per year. Zero coupon bonds are sold at a discount and pay off their face values at maturity. Zero coupon treasury securities are issued by commercial institutions who separate the interest and principal payments. These zero coupon bonds are known as CATs, TIGRs, and STRIPs. Bond prices often are quoted in the format x:y, where x is the integer dollar amount and y is the fractional amount in 32 nd s of a dollar. The spot rate is the rate that would correspond to a single cash flow at maturity for a bond purchased today, as is the case with a zero coupon bond. A notation used for spot rates is r n . where n is the number of periods (e. g. years) into the future when a loan made today is to mature. The forward rate is the rate at which a future loan is made today. A notation used for forward rates is f m, n . where m is the number of periods from the present when the loan is to commence, and n is the number of periods into the future when the loan is to end. Forward rates can be expressed in terms of spot rates: The ask price of a U. S. Treasury bill is calculated from the asked rate (not asked yield) as follows: Ask Price 10,000 1 - asked rate ( N 360 ) where N the number of days until maturity. The implied rate (spot rate) is ( 10,000 Ask Price - 1 ). This implied rate does not represent an annualized basis. The annualized rate is found by raising the implied rate to the 365N power: Annualized Rate ( Implied Rate ) 365 N The bond equivalent yield is the yield to maturity y that satisfies the following equation: where P price, C n cash flow at the end of each period, N number of periods. For a zero coupon bond there is only one cash flow at maturity. The value of a coupon bond can be modeled as a portfolio of zero-coupon bonds having face values and maturity dates that correspond to the coupon payments and dates. Summing the prices of the zero-coupon bonds then would give the value of the coupon bond, and any difference would represent an arbitrage opportunity. Forward rates can be calculated using the prices and returns of bills, notes, or bonds provided they cover the proper time periods. For example, given the six month spot rate r 0.5 . one can calculate the one year spot rate r 1.0 by using the data for a one year note the following equation: Price coupon1 (1r 0.5 ) (coupon2 face value) (1r 1.0 ) Once the spot rates are known, the forward rate can be calculated as already illustrated. The spot rate is not quoted on an annualized basis. To annualize it: Annualized Yield (Spot Rate) xy where x is the number of periods in one year, and y is the number of periods included in the spot rate. The duration of a bond often is thought of in terms of time until maturity. However, in addition to the payoff of the face value at maturity, there are the coupon payment cash flows that influence effective duration. Two bond with equal yield-to-maturities and maturity dates will have different effective durations if their coupon rates are different. Frederick Macaulay suggested the following method of determining duration: where 9T life of the bond in semiannual periods, 9C t cash flow at end of t th semiannual period, 9y yield to maturity, expressed as a bond-equivalent yield. A zero-coupon bond has no coupon payments and therefore its effective duration always is equal to the time until maturity and does not change as yield-to-maturity changes. Duration essentially measures the sensitivity of a bonds price to movements in interest rates. By this definition, duration is defined as D 187 ( 68 P P ) 68 ( 1 r ) ( 1 r ) If one plots the price of a non-callable bond as a function of its yield, the plot will be concave up (convex down) rather than linear. This curvature is called convexity, and in this case, positive convexity. Convexity is due to the fact that effective duration increases as interest rates decrease. Because of the effectively shorter duration, the coupon bond yield curve will be below that of the zero coupon bond when forward rates are rising with time, and above it when they are dropping. Zero coupon rates often are more useful for capital budgeting purposes. Research has found that diversified portfolios of junk bonds have lower variance than those of high-grade bonds. There are several contributing factors to this initially surprising result. First, while individual junk bonds are risky, much of this risk can be diversified in a portfolio. Second, because of the higher coupon rate, junk bonds effectively have a shorter duration than do higher grade bonds and therefore a lower sensitivity to interest rate movements. Third, junk bonds are more likely to be called than are higher-grade bonds, since there is a strong incentive to refinance at lower rates if the issuers credit improves. This characteristic reduces the effective duration resulting in less volatility. David F. Swensen, Pioneering Portfolio Management . An Unconventional Approach to Institutional Investment The articles on this website are copyrighted material and may not be reproduced, stored on a computer disk, republished on another website, or distributed in any form without the prior express written permission of QuickMBA.

Mit A 3 Jahres Gleit Durchschnitt Prognose Die Betrag Für Jahr 10

A Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es sind zwölf Methoden zur Berechnung von Prognosen verfügbar. Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel könnte das Gewicht der letzten historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten angegeben werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für die Dauer von drei Monaten (Verarbeitungsoption 19 3), die dann für prozentuale Genauigkeit und mittlere Absolutabweichungsberechnungen verwendet wird (tatsächlicher Umsatz im Vergleich zur simulierten Prognose). A.2 Prognoseleistungsbewertungskriterien Abhängig von Ihrer Auswahl an Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden besser als andere für einen bestimmten historischen Datensatz durchgeführt. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die auf einer Stufe des Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind mittlere Absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum. Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt (PBF). Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der nächsten Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. A.3 Methode 1 - angegebener Prozentsatz über letztes Jahr Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Anwender angegebenen Faktor, zB 1,10 für 10 Zunahme oder 0,97 für 3 Abnahmen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen zur Auswertung der Prognoseleistung (Verarbeitungsoption 19). A.4.1 Prognoseberechnung Umfang des Verkaufsverlaufs bei der Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate des Jahres 2005: 114 119 137 370 Summe der gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0.9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0.9367 119.8036 oder ca. 120. Februar 2005 Umsatz 117 0.9367 109.5939 oder ca. 110. März 2005 Umsatz 115 0.9367 107.7205 oder ca. 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, September): 129 140 131 400 Summe der gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnen der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozent der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110.3429 A.4.4 Mittlere Absolutabweichungsberechnung MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung der Prognoseleistung festgelegten Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einbezogen werden sollen (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar-Prognose: 114 119 137 370, 370 3 123.333 oder 123 Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Vorhersage: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Umsatz (129 140 131) 3 133.3333 November 2005 Umsatz (140 131 114) 3 128.3333 Dezember 2005 Umsatz (131 114 119) 3 121.3333 A.6.3 Prozent der Genauigkeitsberechnung POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mittleres Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsdaten. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Die Anzahl der Perioden, die in die Regression einbezogen werden (Verarbeitungsoption 5a), plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung (Verarbeitungsoption 19). A.8.1 Prognoseberechnung Anzahl der Perioden, die in die Regression einbezogen werden sollen (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu. Durchschnitt der letzten drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (114 1) (119 2) (137 3) 763 Unterschied zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( 12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 232 11,5 Wert2 Durchschnitt - Wert1 Verhältnis 123.3333 - 11.5 2 100.3333 Prognose (1 n) Wert1 Wert2 4 11.5 100.3333 146.333 oder 146 Prognose 5 11.5 100.3333 157.8333 oder 158 Prognose 6 11.5 100.3333 169.3333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit Gewicht (129 1) (140 2) (131 3) 802 Unterschied zwischen den Werte 802 - 133.3333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133.3333 - 1 2 131.3333 Prognose (1 n) Wert1 Wert2 4 1 131.3333 135.3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) 3 128.3333 Zusammenfassung der letzten drei Monate mit Gewichtsbetrachtung (140 1) (131 2) (114 3) 744 Unterschied zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 UnterschiedRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121.3333 (1 2 3) -11.9999 Wert1 DifferenzRatio -11.99992 -5.9999 Wert2 Durchschnitt - Wert1 Verhältnis 121.3333 - (-5.9999) 2 133.3333 Prognose 4 (- 5,9999) 133,3333 109,333 A,8,3 Prozent der Genauigkeitsberechnung POA (135,33 102,33 109,33) (114 119 137) 100 93,78 A,8,4 Mittlere Absolutabweichungsberechnung MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A,9 Methode 7 - Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren bestimmt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Daher ist diese Methode nur kurzfristig sinnvoll. Prognosevorgaben: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu passen. Sie spezifizieren n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt, Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Anzahl der zu berücksichtigenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Verwenden Sie die vorherigen (3 n) Monate in dreimonatigen Blöcken: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (wobei X 1) abc (2) Q2 verwendet werden soll A bX cX2 (wobei X 2) a 2b 4c (3) Q3 a bX cX2 (wobei X 3) a 3b 9c die drei Gleichungen gleichzeitig lösen, um b, a und c zu finden: Subtrahieren Sie Gleichung (1) aus Gleichung (2) Und lösen für b (2) - (1) Q2 - Q1 b 3c Ersetzen Sie diese Gleichung für b in Gleichung (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schließlich ersetzen Sie diese Gleichungen für a und b in Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Die zweite Grad Approximation Methode berechnet a, b und c wie folgt: a Q3 (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (3) (3) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Vorhersage (X4): (322 340 - 368) 3 2943 98 pro Periode April bis Juni Vorhersage (X5): ( 322 425 - 575) 3 57.333 oder 57 pro Periode Juli bis September Vorhersage (X6): (322 510 - 828) 3 1,33 oder 1 pro Periode Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - Mar) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mittelwert Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden vervielfachen Verkaufsdaten aus einem früheren Zeitraum durch einen vom Benutzer angegebenen Faktor, dann projektieren sie in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als denselben Zeitraum im letzten Jahr anzugeben, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie zum Beispiel 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15 zu erhöhen. Basisperiode. Beispielsweise wird n 3 die erste Prognose auf die Verkaufsdaten im Oktober 2005 stützen. Mindestverkaufsgeschichte: Der Benutzer spezifizierte die Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichungsberechnung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie mit dem Weighted Moving Average den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA besser auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, wird aber langsam zu einer Verschiebung des Umsatzniveaus kommen. Auf der anderen Seite wird ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Ebene des Umsatzes reagieren, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen auf 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuordnen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie bei allen linearen gleitenden durchschnittlichen Prognosetechniken zutreffend, treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Zum Beispiel, wenn n 3, wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für einen Zeitraum vor 3 (n2 n) 2 3 (32 3) 2 36 0,5 Verhältnis für zwei Perioden vorher 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Verhältnis für drei Perioden vor 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar-Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Vorhersage: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133.6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119.3333 A.12.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (vorherige Istverkäufe) (1 - a) vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) ist das Gewicht für die Vorhersage für die vorherige Periode angewendet. Gültige Werte für einen Bereich von 0 bis 1 und liegen in der Regel zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden der Verkaufshistorie basiert. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zu reduzieren, die zur Überprüfung der Ergebnisse erforderlich sind. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden sollen (Verarbeitungsoption 11a) 3 und Alpha-Faktor (Verarbeitungsoption 11b) leer in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1, wenn alpha angegeben ist Ein Faktor für die 2. ältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha angegeben ist ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) oder alpha, wenn alpha angegeben ist ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober aktuell) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November Tatsächlich) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember aktuell) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Vorhersage Januar Vorhersage 127 März Vorhersage Januar Vorhersage 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136.3333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004 Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119.6666 November Sm. Durchschn. 24 119 24 119.6666 119.3333 Dezember 2004 Verkauf Sep Sm. Durchschn. 119.3333 A.13.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Methode 12 - Exponentielle Glättung Mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung darin, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1. b Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta-Bereich von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderliche Verkaufsgeschichte: zwei Jahre plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglätteter Durchschnitt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu generieren. Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden soll. Das System wertet automatisch die Leistung für jede der von Ihnen ausgewählten Prognosemethoden aus und für jede der prognostizierten Produkte. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Prozent der Genauigkeit (POA) wählen. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten fit (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es werden in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum bestehen. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum. Die Vorhersagemethode, die die beste Übereinstimmung (beste Passform) zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums herstellt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. A.16 Mittlere Absolute Abweichung (MAD) MAD ist der Mittelwert (oder Durchschnitt) der Absolutwerte (oder Größe) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) ist Ein Maß für die Prognose-Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch Negativfehler von 8 und 2 abgebrochen. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose unvoreingenommen ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, da es darum geht, unvoreingenommene Prognosen zu erzeugen. Doch in der Dienstleistungsbranche wäre die obige Situation als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. Die Summation über die Holdout-Periode ermöglicht positive Fehler, um negative Fehler zu annullieren. Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose unvoreingenommen ist, wird das POA-Verhältnis 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100 liegt. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt nicht in irgendeiner Weise. Operationen Strategie Hausaufgabenhilfe 1. (TCO 5) Was ist die Prognose für Mai , Basierend auf einem gewichteten gleitenden Durchschnitt, der auf die folgenden Daten der vergangenen Nachfrage angewendet wird, und unter Verwendung der Gewichte 4, 3, 2 (größer. Mehr zeigen 1. (TCO 5) Wie lautet die Prognose für Mai, basierend auf einem gewichteten gleitenden Durchschnitt, Die folgenden Daten der vergangenen Nachfrage und die Verwendung der Gewichte 4, 3, 2 (das größte Gewicht ist für die letzten Daten) Nov. 2. (TCO 5) Jim039s Abteilung in einem lokalen Kaufhaus hat den Verkauf eines Produkts in den letzten zehn verfolgt Wochen-Exponential-Glättung mit einem Alpha von 0,4.Im Januar stellte er 150.000 Umsatz und erzielte 155.000 Umsatz ist. Mit diesem gleichen Prognosemodell, schätzen Jims Februar Umsatz (Punkte: 6) 152.000 155.000 157.000 305.000 3. (TCO 5) Mit a Drei-Jahres-Gleitender Durchschnitt prognostiziert den Betrag für das Jahr 10. Jahrgang 99 (Punkte: 7) Jahr 10 122.87 Jahr 10 99.98 Jahr 10 110.67 Jahr 10 115.873 Verständnis der Prognose Ebenen und Methoden Sie können sowohl Detail (Einzelposten) Prognosen und Zusammenfassung (Produkt Linie) Prognosen, die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes. 3.1 Prognoseleistungsbewertungskriterien Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben. Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem es die ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf anwendet und die Prognosesimulation mit der aktuellen Historie vergleicht. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Umsatz voraussagte. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik zeigt die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Abfolge von Schritten, um die beste Passung zu bestimmen: Verwenden Sie jede spezifizierte Methode, um eine Prognose für den Holdout-Zeitraum zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe an die simulierten Prognosen für den Haltezeitraum. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen Verkauf übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den von Ihnen ausgewählten Verarbeitungsoptionen. Empfehlen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten an Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. Dieser Abschnitt behandelt: Methode 1: Prozent über letztes Jahr. Methode 2: Berechneter Prozentsatz über letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Durchschnittlich bewegen. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter bewegter Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Programm für die Prognoseerzeugung verwenden möchten (R34650). Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht ins nächste Jahr. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte. 3.2.1 Methode 1: Prozent über letztes Jahr Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognosevorgaben: Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresgeschäftsdaten um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht 117 mal 1.1 128.7 gerundet auf 129. März-Prognose entspricht 115 mal 1.1 126.5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztes Jahr Diese Methode verwendet den berechneten Percent Over Last-Jahr-Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Erhöhung oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über letztes Jahr Die berechnete Periode über dem letzten Jahr vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr zu projizieren, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist, bewahrt wird. Prognose-Spezifikationen: Umfang der Verkaufsgeschichte bei der Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet, vorausgesetzt, n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr zu diesem Jahr Diese Methode verwendet Im vergangenen Jahr Umsatz für die nächsten Jahre prognostiziert. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus ein Jahr des Verkaufsauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach reifen Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Das letzte Jahr zu diesem Jahr verwandelt die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber es könnte ein erhebliches saisonales Nachfragemuster bestehen. Vorhersage Spezifikationen: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognoseberechnung verwendet: Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128. Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117. März Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um den nächsten Zeitraum zu projizieren. Sie sollten es oft (monatlich oder mindestens vierteljährlich) neu berechnen, um dem sich ändernden Nachfrageniveau zu entsprechen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden des Kundenauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu bestimmen. Die MA-Prognosemethode bleibt hinter den Trends zurück. Prognose-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Prognosevorgaben: n entspricht der Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Verkaufsstufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Veränderungen in den Trends zu erkennen. Diese Methode erfordert die Anzahl der besagten Perioden und die Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit gleichbleibenden positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Erfolgsdaten-Datenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosevorgaben: n entspricht dem Datenpunkt im Verkaufsverlauf, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um die Differenz zwischen Dezember (aktuellste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderliche Verkaufsgeschichte: n plus 1 plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1 mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 (2 mal 2) 141 entspricht. März-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 entspricht (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Least Squares Regression (LSR) Methode ergibt eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Ablauf der Zeit. LSR passt eine Zeile in den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die angegebene Anzahl historischer Datenperioden. Die Mindestanforderung ist zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten. Die Methode berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X die Zeit darstellt. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt-Funktions-Verschiebungen in der Nachfrage. Lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten prognostizierte Vorurteile und systematische Fehler auf. Prognosevorgaben: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie z. B. n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde gewöhnlich ein größeres n (wie z. B. n 24) verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderliche Verkaufsgeschichte: n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: März-Prognose entspricht 119,5 (7 mal 2,3) 135,6 gerundet auf 136. 3.2.7 Methode 7: Zweite Grad-Approximation Um die Prognose zu projizieren, verwendet diese Methode die Formel für die zweite Grad-Approximation, um eine Kurve zu zeichnen Das basiert auf der Anzahl der Perioden der Verkaufsgeschichte. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei. Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem längerfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsverlaufdaten anzupassen. Die zweite Grad-Approximation ist ähnlich, aber diese Methode bestimmt die Werte für a, b und c in dieser Prognoseformel: Y a b X c X 2 Ziel dieser Methode ist es, eine Kurve auf die Verkaufsverlaufsdaten zu setzen. Diese Methode ist nützlich, wenn sich ein Produkt im Übergang zwischen Lebenszyklusstadien befindet. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig sinnvoll. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Die tatsächlichen Verkaufsdaten für April bis Juni werden in den ersten Punkt Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), was 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht, was 140 129 entspricht 131 400 Q3 (Okt) (Nov) (Dez), was 114 119 137 370 entspricht Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 repräsentiert den gesamten historischen Umsatz für April, Mai und Juni und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März. Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Gradnäherung Drei Gleichungen beschreiben die drei Punkte auf dem Graphen: (1) Q1 A cx 2 wobei X 1 (Q1 abc) (2) Q2 a bX cX 2 wobei X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 wobei X 3 (Q3 a 3b 9c) die drei Gleichungen gleichzeitig lösen Um die Gleichung 1 (1) aus Gleichung 2 (2) zu subtrahieren und für b zu lösen: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie diese Gleichung für B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließlich ersetzen diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Das zweite Grad Approximation-Verfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 mal ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 ( 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Annäherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 abgerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose entspricht 4 3 1,33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr: 3.2.8 Methode 8: Flexible Methode Diese Methode ermöglicht es Ihnen, die bestmögliche Anzahl von Perioden des Kundenauftragsverlaufs auszuwählen, der n Monate vor dem voraussichtlichen Startdatum beginnt Eine prozentuale Erhöhung oder Verringerung des Multiplikationsfaktors anwenden, um die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden multiplizieren die Verkaufsdaten aus einer früheren Zeitspanne mit einem von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben, der nicht der gleiche Zeitraum im letzten Jahr ist, als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichtsdaten um 10 Prozent zu erhöhen. Basisperiode Zum Beispiel, n 4 bewirkt, dass die erste Prognose auf Umsatzdaten im September des vergangenen Jahres basiert. Mindestens erforderliche Verkaufsgeschichte: Die Anzahl der Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind (Perioden der besten Anpassung). Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird: 3.2.9 Methode 9: Gewichteter beweglicher Durchschnitt Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt der vorherigen Monatsverkäufe geschieht, um die nächste Monatsverkaufsgeschichte zu projizieren. Mit dieser Formel können Sie jedoch Gewichte für jede der Vorperioden zuordnen. Diese Methode erfordert die Anzahl der gewählten Perioden plus die Anzahl der Perioden am besten passende Daten. Ähnlich wie Moving Average ist diese Methode hinter den Nachfragetrends zurückgegangen, so dass diese Methode nicht für Produkte mit starken Trends oder Saisonalität empfohlen wird. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu veranschlagen, die relativ gleich ist. 3.2.9.1 Beispiel: Methode 9: Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie bei der Verwendung von WMA ungleiche Gewichte den historischen Daten zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkäufe Geschichte starke Tendenzen oder saisonale Muster aufweist. Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte (n), die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen im Umsatz zu erkennen. Umgekehrt reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatz, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption rdquo14 - Perioden zu includerdquo sollte 12 Monate nicht überschreiten. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist. Die zugewiesene Gewichte müssen 1,00 betragen. Zum Beispiel, wenn n 4, Gewichte von 0,50, 0,25, 0,15 und 0,10 mit den letzten Daten, die das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose entspricht (131 mal 0,10) (114 mal 0,15) (119 mal 0,25) (137 mal 0,50) (0,10 0,15 0,25 0,50) 128,45 gerundet auf 128. Februar-Prognose entspricht (114 mal 0,10) (137 mal 0,25) (137 mal 0,25) (137 mal 0,25) (128 mal 0,50) 1 127,5 gerundet auf 128. März-Vorhersage gleich (119 mal 0,10) (137 mal 0,15) (128 mal 0,25) (128 mal 0,50) 1 128,45 gerundet 128. 3.2.10 Methode 10: Lineare Glättung Diese Methode berechnet einen gewichteten Durchschnitt der vergangenen Verkaufsdaten. Bei der Berechnung verwendet diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs (von 1 bis 12), die in der Verarbeitungsoption angegeben ist. Das System nutzt eine mathematische Progression, um Daten im Bereich vom ersten (geringsten Gewicht) bis zum endgültigen (größten Gewicht) zu wiegen. Dann projiziert das System diese Informationen zu jeder Periode in der Prognose. Diese Methode erfordert für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind, die Monate am besten. 3.2.10.1 Beispiel: Methode 10: Lineare Glättung Diese Methode ähnelt Methode 9, WMA. Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend oder saisonale Muster. Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Beispielsweise ist n gleich 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Wenn z. B. n gleich 4 ist, weist das System Gewichte von 0,4, 0,3, 0,2 und 0,1 zu, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: 3.2.11 Methode 11: Exponentielle Glättung Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden darstellt. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die Anzahl der angegebenen historischen Datenperioden. Die Mindestanforderung ist zwei historische Datenperioden. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten liegt. 3.2.11.1 Beispiel: Methode 11: Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System Gewichte auf, die linear den historischen Daten abweichen. In der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage lautet: Prognose-Alpha (vorherige Ist-Verkäufe) (1 ndashalpha) (vorherige Prognose) Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode angewendet wird. (1 ndash alpha) ist das Gewicht, das auf die Prognose für die vorherige Periode angewendet wird. Werte für Alpha-Bereich von 0 bis 1 und fallen normalerweise zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00 (alpha (1 ndash alpha) 1). Sie sollten einen Wert für die Glättungskonstante, alpha, zuweisen. Wenn Sie keinen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der Perioden des Verkaufsverlaufs basiert, die in der Verarbeitungsoption angegeben ist. Alpha entspricht der Glättungskonstante, die verwendet wird, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Umsatzes zu berechnen. Werte für Alpha-Bereich von 0 bis 1. n entspricht dem Bereich der Verkaufsverlaufdaten, die in die Berechnungen enthalten sind. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: 3.2.12 Methode 12: Exponentielle Glättung mit Trend und Saisonalität Diese Methode berechnet einen Trend, einen saisonalen Index und einen exponentiell geglätteten Durchschnitt aus dem Kundenauftragsverlauf. Das System wendet dann eine Projektion des Trends auf die Prognose an und passt sich dem Saisonindex an. Diese Methode erfordert die Anzahl der Perioden am besten fit plus zwei Jahre der Verkaufsdaten, und ist nützlich für Elemente, die sowohl Trend und Saisonalität in der Prognose haben. Sie können den Alpha - und Beta-Faktor eingeben oder das System berechnen. Alpha - und Beta-Faktoren sind die Glättungskonstante, die das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Umsatzes (Alpha) und die Trendkomponente der Prognose (Beta) zu berechnen. 3.2.12.1 Beispiel: Methode 12: Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponential-Glättung, indem ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose besteht aus einem geglätteten Durchschnitt, der für einen linearen Trend angepasst ist. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. Alpha entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Werte für Alpha-Bereich von 0 bis 1. Beta entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose angewendet wird. Alpha und Beta sind unabhängig voneinander. Sie müssen nicht auf 1,0 summieren. Mindestens erforderliche Verkaufsgeschichte: Ein Jahr plus die Anzahl der Zeiträume, die erforderlich sind, um die Prognoseleistung zu bewerten (Perioden der besten Passform). Wenn zwei oder mehr Jahre historische Daten vorliegen, verwendet das System zwei Jahre Daten in den Berechnungen. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Ein exponentiell geglätteter Durchschnitt: Ein exponentiell geglätteter Trend: Ein einfacher durchschnittlicher saisonaler Index: Abbildung 3-3 Einfacher durchschnittlicher Saisonindex Die Prognose wird dann unter Verwendung der Ergebnisse der drei Gleichungen berechnet: L ist die Länge der Saisonalität (L entspricht 12 Monaten oder 52 Wochen). T ist die aktuelle Zeitspanne. M ist die Anzahl der Zeiträume in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf den entsprechenden Zeitraum indiziert ist. Diese Tabelle enthält die in der Prognoseberechnung verwendete Geschichte: Dieser Abschnitt enthält einen Überblick über die Prognoseauswertungen und erörtert: Sie können Prognosemethoden auswählen, um bis zu 12 Prognosen für jedes Produkt zu generieren. Jede Prognosemethode könnte eine etwas andere Projektion erzeugen. Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose in den Plänen für jedes Produkt zu verwenden ist. Das System wertet automatisch die Leistung für jede Prognosemethode aus, die Sie auswählen und für jedes Produkt, das Sie prognostizieren. Sie können zwischen zwei Leistungskriterien wählen: MAD und POA. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungstechniken erfordern für einen von Ihnen angegebenen Zeitraum die tatsächlichen Verkaufsgeschichte. Die Zeit der letzten Geschichte, die für die Auswertung verwendet wird, wird als Haltezeit oder Periode der besten Passung bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwendet das System die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Macht einen Vergleich zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für die Halteperiode berechnet und im Vergleich zur bekannten Verkaufsgeschichte für denselben Zeitraum verglichen. Die Prognosemethode, die die bestmögliche Übereinstimmung zwischen der Prognose und den tatsächlichen Verkäufen während des Haltezeitraums erzeugt, wird für die Verwendung in den Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann sich jedes Mal ändern, wenn Sie eine Prognose generieren. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.