Exponentielle Glättung

Die exponentielle Glättung (engl.: exponential smoothing) ist ein Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle Glätten mit zunehmender Aktualität eine höhere Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen.

Die exponentielle Glättung wird vor allem verwendet, wenn die Zeitreihe keinerlei systematisches Muster wie linearen Anstieg oder Ähnliches erkennen lässt. Das Verfahren wird beispielsweise in der Lagerhaltung verwendet, wenn es etwa darum geht, den Bedarf eines zu bestellenden Artikels im kommenden Jahr zu ermitteln. So hat die Schweizer Armee mit der exponentiellen Glättung gute Erfolge bei der Ermittlung der benötigten Gewehre im folgenden Jahr gemacht.

Man ermittelt mit der exponentiellen Glättung also Prognosewerte. Man geht von dem Ansatz aus, dass der gegenwärtige Zeitreihenwert immer auch von den vergangenen Werten beeinflusst wird, wobei sich der Einfluss abschwächt, je weiter der Wert in der Vergangenheit liegt. Durch die Gewichtung der Zeitreihenwerte mit einem Glättungsfaktor werden starke Ausschläge einzelner beobachteter Werte auf der geschätzten Zeitreihe verteilt.

Inhaltsverzeichnis

1 Formales Modell
2 Beispiel für den exponentiell geglätteten DAX
3 Anmerkung
4 Arten exp. Glättungsverfahren
5 Exponentielle Glättung (Materialwirtschaft)
6 Formel für die exponentielle Glättung
7 Siehe auch
8 Weblinks

Formales Modell

Gegeben ist eine Zeitreihe mit den Beobachtungen y₁, y₂, ..., y_t, ... zu den Zeitpunkten t. Im Zeitpunkt t wird für y_t ein geglätteter Schätzwert y*_t errechnet, der sich als gewichteter Durchschnitt ergibt aus dem aktuellen Zeitreihenwert y_t und dem Schätzwert der Vorperiode y*_t-1. Die Gewichtung wird durch den Glättungsfaktor α bestimmt, wobei 0 ≤ α ≤1 sein muss. Man erhält

$y^*_t = \alpha \cdot y_{t} + (1-\alpha) \cdot y^*_{t-1} \;.$

Für α=1 ist der Vorhersagewert gleich dem Messwert (keine Glättung), für α=0 bleibt die Vorhersage unverändert (Glättung zu einer Parallelen zur x-Achse).

Die Zeitreihe baut sich so rekursiv auf. Theoretisch ist die laufende Zeitreihe beim Zeitpunkt t bereits unendlich lang. Für die praktische Ermittlung des geglätteten Wertes wird man allerdings einen Startwert y*₀ vorgeben und von da an die geglättete Zeitreihe ermitteln.

Baut man nun beginnend bei y*₀ die geglättete Zeitreihe auf,

$y_1^* = \alpha y_1 + (1-\alpha )y^*_0\;,$

$y_2^* = \alpha y_2 + (1-\alpha )y^*_1\;,$

$y_3^* = \alpha y_3 + (1-\alpha )y^*_2\;,$

...

erhält man, wenn man die Rekursivität auflöst,

$y^*_t = \alpha y_t + \alpha (1- \alpha ) y_{t-1} + \alpha (1- \alpha )^2 y_{t-2} + ... + \alpha (1- \alpha )^{t-1} y_1 + (1- \alpha )^t y^*_0$

$= \alpha y_t + \alpha \sum_{i=1}^{t-1}{(1- \alpha )^i y_{t-i}} + (1- \alpha )^t y^*_0 \;.$

Man sieht, wie wegen α <1 die Einflüsse der Vergangenheit immer mehr verschwinden.

α wird deshalb auch Gegenwartsfaktor genannt. Je größer α, desto stärker ist bei der Berechnung der Bezug auf die aktuelleren Werte.

Der Schätzwert y*_t liefert dann den Prognosewert für den Zeitpunkt t+1. Liegt also der beobachtete Zeitreihenwert y_t der Gegenwart vor, kann die Prognose für die nächste Periode getroffen werden.

Beispiel für den exponentiell geglätteten DAX

Graph der geglätteten DAX-Werte

Es soll mit den monatlichen Durchschnittswerten des Aktienindex DAX für die Monate Januar 1977 bis August 1978 eine exponentielle Glättung berechnet werden. Die Daten liegen nebst den geglätteten Zeitreihenwerten vor:

DAX-Werte und ihre exponentielle Glättung (α = 0,3)
Monat   Zeitpunkt t     DAX Vt  Glättung y*t
1977 Jan        0       512,3   512,3
1977 Feb        1       496,2   507,5
1977 Mrz        2       509,8   508,2
1977 Apr        3       551,9   521,3
1977 Mai        4       539,9   526,9
1977 Jun        5       524,9   526,3
1977 Jul        6       530,3   527,5
1977 Aug        7       540,9   531,5
1977 Sep        8       541,3   534,4
1977 Okt        9       554,2   540,4
1977 Nov        10      557,5   545,5
1977 Dez        11      549,34  546,7
1978 Jan        12      549,4   547,5
1978 Feb        13      552,9   549,1
1978 Mrz        14      549,7   549,3
1978 Apr        15      532,1   544,1
1978 Mai        16      545,5   544,5
1978 Jun        17      553,0   547,1
1978 Jul        18      582,1   557,6
1978 Aug        19      583,1   565,2

Der erste Wert wird mit 512,3 als Startwert $y_0^*$ genommen. Wir verwenden einen Glättungsfaktor α = 0,3.

Es ergeben sich die geglätteten Werte

$y_1^* = 0,3 \cdot 496,2 + 0,7 \cdot 512,3 = 507,5 \;,$

$y_2^* = 0,3 \cdot 509,8 + 0,7 \cdot 507,5 = 508,2 \;,$

$y_3^* = 0,3 \cdot 551,9 + 0,7 \cdot 508,2 = 521,3 \;,$

…

Die Schätzung $y_1^*$ ist jetzt der Prognosewert für die Periode 2 und so weiter.

Die Grafik zeigt die Glättung für α = 0,3 und α = 0,7. Man sieht, dass der kleinere Glättungsfaktor die Zeitreihe stärker glättet, denn hier geht der aktuelle Wert jetzt nur mit einem Gewicht von 0,3 ein, wogegen die „mittleren“ Vergangenheitswerte weiterhin mit 0,7 berücksichtigt werden.

Anmerkung

Die exponentielle Glättung ist dann ein empfehlenswertes Verfahren, wenn die Zeitreihenwerte einen chaotischen Eindruck machen und keinerlei Systematik erkennen lassen. Liegen allerdings Beobachtungen vor, die einen Trend beinhalten, d.h. die laufend steigen oder fallen, "schleppen" die geglätteten Werte "hinterher", wie man auch teilweise in der Grafik erkennen kann. So sieht man deutlich, wie zwischen t = 7 und t = 12 die Schätzwerte immer systematisch unter den beobachteten Werten liegen. Man kann diesem Problem mit der so genannten "doppelten exponentiellen Glättung" abhelfen.

Arten exp. Glättungsverfahren

Unterschieden werden die exponentielle Glättung 1. Ordnung und exponentielle Glättung 2. Ordnung. Hier beschrieben ist die exponentielle Glättung 1. Ordnung. Die Variante der 2. Ordnung berücksichtigt einen Trend in der Zeitreihe.