चलती - औसत - भूल - कारक

एक्सपोनेंनीली भारित मूविंग औसत की खोज करना। वोल्टालिटी जोखिम का सबसे सामान्य उपाय है, लेकिन यह कई जायके में आता है पिछले लेख में हमने दिखाया कि साधारण ऐतिहासिक अस्थिरता की गणना कैसे की जा सकती है इस लेख को पढ़ने के लिए, देखें भविष्य की जोखिम को मापने के लिए अस्थिरता का प्रयोग हम Google स्टॉक डेटा के 30 दिनों के आधार पर दैनिक अस्थिरता की गणना करने के लिए वास्तविक स्टॉक मूल्य डेटा इस आलेख में, हम साधारण अस्थिरता में सुधार करेंगे और तीव्रता से भारित चलती औसत EWMA ऐतिहासिक वि। इम्प्लाइड अस्थिरता पर चर्चा करेंगे, इस मीट्रिक को थोड़ा परिप्रेक्ष्य के ऐतिहासिक और निहित या अंतर्निहित अस्थिरता के दो व्यापक दृष्टिकोण हैं ऐतिहासिक दृष्टिकोण यह मानते हैं कि पिछले प्रस्तावना हम आशा में इतिहास को मापते हैं कि यह अनुमान लगाया गया है, दूसरी ओर, अस्थिरता को प्रभावित करता है, इतिहास की उपेक्षा करता है जो बाजार की कीमतों से उत्पन्न अस्थिरता के लिए हल करता है यह उम्मीद करता है कि बाज़ार सबसे अच्छी तरह जानता है और बाजार मूल्य में शामिल है, भले ही निहित, भले ही वोटाइल का एक सर्वसम्मति अनुमान संबंधित रीडिंग के लिए, देखें और वाष्पशीलता की सीमाएं देखें। यदि हम उपरोक्त बाईं ओर सिर्फ तीन ऐतिहासिक तरीकों पर ध्यान देते हैं, तो उनके पास दो कदम समान हैं। आवधिक वापसी की श्रृंखला की गणना करें। भारोत्तोलन योजना लागू करें। सबसे पहले, हम गणना करते हैं आवधिक वापसी जो आमतौर पर दैनिक रिटर्न की एक श्रृंखला होती है, जहां प्रत्येक प्रतिफल को लगातार जटिल शब्दों में व्यक्त किया जाता है, प्रत्येक दिन के लिए, हम शेयरों के अनुपात का प्राकृतिक लॉग लेते हैं, अर्थात् कल कल मूल्य से विभाजित मूल्य, और इसी तरह। दैनिक रिटर्न की श्रृंखला, यूआई से यू आईएम पर निर्भर करता है कि हम कितने दिनों के दिन मापन कर रहे हैं। यह हमें दूसरे चरण में ले जाता है यह वह जगह है जहां तीन दृष्टिकोण भिन्न हैं पिछले संस्करण में अस्थिरता का उपयोग करने के लिए भविष्य के जोखिम को गेज करने के लिए, हमने दिखाया कि स्वीकार्य सरलीकरणों की एक जोड़ी, सरल विचरण चुकता रिटर्न का औसत है। यह ध्यान दें कि ये आवधिक रिटर्न के प्रत्येक अंक में है, फिर उस दिन को कुल संख्या या टिप्पणियों से विभाजित किया जाता है तो, यह सचमुच जूस है स्क्वायर आवधिक रिटर्न का औसत एक और तरीका देता है, प्रत्येक स्क्वेर्ड रिटर्न को एक समान वजन दिया जाता है। यदि अल्फा ए एक वेटिंग कारक विशेष रूप से 1 मीटर है, तो एक साधारण विचरण ऐसा कुछ दिखता है। ईवमा सरल विचरण पर सुधार करता है इस दृष्टिकोण की कमजोरी यह है कि सभी रिटर्न उसी वज़न कम करते हैं कल की हालिया रिटर्न का पिछले महीने की वापसी की तुलना में विचलन पर और अधिक प्रभाव नहीं पड़ता है यह समस्या घाटेदार भारित चलती औसत EWMA का उपयोग करके तय की गई है, जिसमें अधिक हाल के रिटर्न का अधिक वजन है भिन्नता पर। तीव्रता से भारित चलती औसत EWMA लैम्ब्डा का परिचय देता है जिसे लम्ब्डािंग पैरामीटर कहा जाता है लम्बेडा एक से कम होना चाहिए, उस स्थिति में, समान भार के बजाय, प्रत्येक स्क्वेर्ड रिटर्न का गुणक एक गुणक के रूप में भारित होता है। उदाहरण के लिए, जोखिम मैट्रिक्स टीएम, एक वित्तीय जोखिम प्रबंधन कंपनी, 0 94 या 94 के लैम्ब्डा का इस्तेमाल करती है, इस मामले में, सबसे हाल ही में चुकता आवधिक वापसी का श्रेय 1-0 94 94 0 6 द्वारा होता है एक्सटी स्क्वेर्ड रिटर्न केवल इस मामले में पूर्व वजन का एक लम्ब्डा-मल्टीपल है, 6 गुणा 9 4 5 64 और तीसरा पहले दिन का वजन 1-0 94 94 94 2 5 30 के बराबर होता है। इसका अर्थ है कि ईडब्ल्यूएमए प्रत्येक वजन में घातीय का अर्थ है एक निरंतर गुणक यानी लैम्ब्डा है, जो पहले के एक दिन के वजन के कम से कम होना चाहिए यह एक भिन्नता को सुनिश्चित करता है जो अधिक हाल के डेटा पर भारित या पक्षपाती है। अधिक जानने के लिए, Google की अस्थिरता के लिए एक्सेल वर्कशीट देखें केवल अस्थिरता के बीच का अंतर और Google के लिए ईडब्ल्यूएमए नीचे दिखाया गया है। कॉलम ओ में दिखाए गए अनुसार मामूली अस्थिरता का प्रभावी रूप से प्रत्येक 1 9 6 तक प्रत्येक आवधिक वापसी का वजन होता है। हमारे पास दो साल का दैनिक स्टॉक मूल्य डेटा था जो कि 50 9 दैनिक रिटर्न और 1 50 9 0 1 9 6 है, लेकिन ध्यान दें कि कॉलम पी को असाइन किया गया है 6 का वजन, फिर 5 64, फिर 5 3 और इसी प्रकार यह सरल विचरण और ईडब्ल्यूएमए के बीच का एकमात्र अंतर है। याद रखें कि हम कॉलम क्यू में पूरी श्रृंखला को जोड़ते हैं, तो हमारे पास विचरण होता है, जो मानक विचलन का वर्ग है हम अस्थिरता चाहते हैं, हम nee उस विचरण के वर्गमूल को ले जाने के लिए याद रखना। Google के मामले में विचरण और ईडब्ल्यूएमए के बीच दैनिक अस्थिरता में क्या अंतर है यह महत्वपूर्ण है कि सरल विचरण ने हमें 2 4 की एक दैनिक अस्थिरता दी, लेकिन ईडब्ल्यूएमए ने रोज़ाना की अस्थिरता दी केवल 1 4 विवरण के लिए स्प्रैडशीट देखें जाहिर है, Google की हाल ही में अस्थिरता बनी हुई है, इसलिए एक साधारण विचलन कृत्रिम रूप से ऊंचा हो सकता है। आज का विचरण पायर डे के भिन्नता का कार्य है आप देखेंगे कि हमें एक लंबी श्रृंखला की गणना करने की आवश्यकता है गिरावट का वजन हम यहां गणित नहीं करेंगे, लेकिन ईडब्ल्यूएमए की सबसे अच्छी सुविधाओं में से एक यह है कि पूरी श्रृंखला आसानी से एक रिकर्सिव फॉर्मूला को कम कर देता है। पुनरावृत्त का मतलब है कि आज के विचरण संदर्भ अर्थात् पहले के विचरण का एक कार्य है। स्प्रैडशीट में यह फ़ॉर्मूला भी ढूंढें, और यह सटीक रूप से उसी नतीजे का उत्पादन करता है जो लम्बे लाइन गणना के रूप में बताता है कि ईडब्ल्यूएमए के तहत टूडे का विचलन कल के कलर्स के बराबर लैम्ब्डा प्लस कल एस एस द्वारा भारित करता है एक शून्य से लैम्ब्डा द्वारा तराजू की बदली की सूचना ध्यान दें कि हम कल के भारित विचरण के साथ दो शब्दों को जोड़ते हैं और वेटेड, स्क्वेर्ड रिटर्न में भी शामिल होते हैं.इसके अलावा, लैम्ब्डा हमारे चौरसाई पैरामीटर है एक उच्च लैम्ब्डा जैसे कि जोखिम मैट्रिक की 94 श्रृंखला में धीमी क्षय दर्शाती है - रिश्तेदार शब्दों में, हम श्रृंखला में अधिक डेटा पॉइंट होने जा रहे हैं और वे धीरे धीरे गिरने जा रहे हैं दूसरी तरफ, अगर हम लैम्ब्डा को कम करते हैं, तो हम संकेत देते हैं कि अधिक गिरावट वजन अधिक तेज़ी से गिरने और प्रत्यक्ष रूप से तेजी से क्षय का नतीजा, कम डेटा पॉइंट्स का उपयोग किया जाता है स्प्रेडशीट में लैम्ब्डा एक इनपुट होता है, इसलिए आप इसकी संवेदनशीलता के साथ प्रयोग कर सकते हैं। सारांश अस्थिरता एक स्टॉक का तात्कालिक मानक विचलन है और सबसे आम जोखिम मीट्रिक यह भी वर्गमूल है विचरण की हम ऐतिहासिक या अप्रत्यक्ष रूप से उल्लिखित अस्थिरता के विचलन का आकलन कर सकते हैं जब ऐतिहासिक रूप से मापने का सबसे आसान तरीका सरल विचरण होता है लेकिन सरल विचरण के साथ कमजोरी सभी रिटर्न वही हैं आठ तो हम एक क्लासिक ट्रेड-ऑफ का सामना करते हैं, हम हमेशा अधिक डेटा चाहते हैं, लेकिन जितना अधिक आंकड़े हमारे पास हैं, उतना ही कम प्रासंगिक आंकड़ों की तुलना में हमारी गणना को पतला किया जाता है। तेजी से भारित चलती औसत EWMA आवधिक रिटर्न के लिए भार बताकर सरल विचरण पर सुधार करता है। यह, हम दोनों एक बड़े नमूना आकार का उपयोग कर सकते हैं लेकिन अधिक हाल के रिटर्न के लिए अधिक वजन भी दे सकते हैं। इस विषय पर एक फिल्म ट्यूटोरियल देखने के लिए, बायोनिक कछुए पर जाएं। ब्याज दर जिस पर एक डिपॉजिटरी संस्था फेडरल रिजर्व में एक अन्य डिपॉजिटरी संस्था में रखी गई धनराशि देती है। किसी दिए गए सुरक्षा या बाजार सूचकांक के लिए रिटर्न के फैलाव के एक सांख्यिकीय उपाय वाष्पशीलता को या तो मापा जा सकता है। 1 9 33 में अमेरिकी कांग्रेस ने बैंकिंग अधिनियम के रूप में पारित किया, जिसने वाणिज्यिक बैंकों को निवेश में भाग लेने से मना कर दिया। नॉनफ़ॉर्म पेरोल में खेतों, निजी घरों और गैर-लाभकारी क्षेत्र के बाहर किसी भी नौकरी का उल्लेख है अमेरिकी श्रम ब्यूरो भारतीय रुपए भारतीय रूपए के लिए मुद्रा का संक्षिप्त नाम या मुद्रा प्रतीक, भारत की मुद्रा 1 रुपए से बना है। एक दिवालिया कंपनी की परिसंपत्तियों पर एक शुरुआती बोली जिसे दिवालिया कंपनी द्वारा चुना गया बोलीदाता के एक पूल से खरीदे गए खरीदार से है। औसत। विधि विधि विधि स्लाइडिंग खिड़की डिफ़ॉल्ट घातीय भार। खिड़की स्लाइडिंग लंबाई की एक खिड़की विंडो लंबाई प्रत्येक चैनल के साथ इनपुट डेटा पर आगे बढ़ता है हमेशा के लिए खिड़की के माध्यम से चलता हुआ वाई नमूना, ब्लॉक खिड़की में डेटा पर औसत की गणना करता है। विस्तारणीय भार: ब्लॉक भारित कारकों के एक सेट द्वारा नमूनों को गुणा करता है भार कारकों की परिमाण में तेजी से घट जाती है क्योंकि डेटा बढ़ने की उम्र बढ़ जाती है, कभी भी नहीं शून्य औसत गणना करने के लिए, एल्गोरिद्म भारित डेटा को बताता है। खिड़की की लंबाई को निर्दिष्ट करें विंडो बंद करने के लिए डिफॉल्ट बंद पर विंडो निर्दिष्ट करें। जब आप इस चेक बॉक्स को चुनते हैं, तो स्लाइडिंग विंडो की लंबाई विंडो लंबाई में निर्दिष्ट मान के बराबर होती है जब आप इस चेक बॉक्स को रिक्त करें, स्लाइडिंग विंडो की लंबाई अनंत है इस मोड में, ब्लॉक मौजूदा नमूने के औसत और चैनल में पिछले सभी नमूनों की गणना करता है। विंडो की लंबाई स्लाइडिंग विंडो की लंबाई 4 डिफ़ॉल्ट सकारात्मक स्केलर पूर्णांक। विन्डो लंबाई निर्दिष्ट करता है स्लाइडिंग विंडो की लंबाई यह पैरामीटर तब प्रकट होता है जब आप विंडो लंबाई निर्दिष्ट करें चेक बॉक्स का चयन करते हैं। कारक को भूलना घातीय भार कारक 0 9 डिफ़ॉल्ट सकारात्मक वास्तविक रेंज 0,1 में स्केलर। यह पैरामीटर तब लागू होता है जब आप विधि को घातांकित भार के लिए निर्धारित करते हैं 0 9 का भूलने वाला घटक पुराने आंकड़ों को अधिक वजन देता है 0 1 का भूलने वाला घटक 1 0 का एक भूल का कारक अनंत स्मृति को इंगित करता है सभी पिछला नमूनों को एक समान वजन दिया जाता है। यह पैरामीटर ट्यून करने योग्य है आप सिमुलेशन के दौरान भी इसका मूल्य बदल सकते हैं। कोड जनरेशन चलाने के लिए सिमुलेशन के प्रकार का उपयोग करके सिमुलेशन को परिभाषित करें। एक्सपीरेटेड निष्पादन। जनरेटेड सी कोड का उपयोग करके मॉडल को सरल करें। पहली बार जब आप एक सिमुलेशन चलाते हैं, तो सिमुलिक उत्पन्न करता है ब्लॉक के लिए सी कोड, बाद के सिमुलेशन के लिए सी कोड का पुन: उपयोग किया जाता है, जब तक मॉडल बदल नहीं करता है, यह विकल्प अतिरिक्त स्टार्टअप समय की आवश्यकता है, लेकिन इंटरपेटेड निष्पादन की तुलना में तेज़ सिमुलेशन गति प्रदान करता है। MATLAB इंटरप्रिटर का उपयोग करके मॉडल को सरल करें यह विकल्प स्टार्टअप समय को छोटा करता है, लेकिन कोड पीढ़ी की तुलना में धीमी सिमुलेशन गति। खिड़की पद्धति को स्लाइडिंग। स्लाइडिंग विंडो विधि में, प्रत्येक इनपुट नमूने के लिए आउटपुट औसत है वर्तमान नमूना और लेन - 1 पिछला नमूनों लेन खिड़की की लंबाई है पहला लेन - 1 आउटपुट की गणना करने के लिए, जब विंडो में अभी तक पर्याप्त डेटा नहीं है, एल्गोरिथम शून्य के साथ विंडो को भरता है उदाहरण के तौर पर, गणना करने के लिए औसत जब दूसरा इनपुट नमूना आता है, तो एल्गोरिथ्म विंडो के साथ लेन - 2 शून्य को भरता है डेटा वेक्टर, एक्स तब दो डेटा नमूनों के बाद लेन - 2 शून्य होता है.जब आप विंडो की लंबाई निर्दिष्ट नहीं करते हैं, एल्गोरिथ्म एक चुनता है अनंत खिड़की की लंबाई इस मोड में, वर्तमान नमूना की चलती औसत और चैनल में सभी पिछले नमूने हैं। एक्सपेन्टेन्शिअल भारिंग पद्धति। घातीय वजन पद्धति में चलती औसत इन फ़ार्मुलों का उपयोग करके फिर से गणना की जाती है। एन एन एन एन 1 1 एक्स एन 1 1 एन एन एन एन एन 1 1 एन एन एन एन एन एन मौजूदा नमूना पर औसत चल रहा है। एन वर्तमान डेटा इनपुट नमूना। एन एन 1 पिछले नमूने में औसत चल रहा है। फैक्टरिंग factor. w एन भारिंग कारक पर लागू मौजूदा डेटा नमूना 1 1 एन एन एन एन 1 औसत पर पिछले आंकड़ों का प्रभाव। पहले नमूने के लिए, जहां एन 1, एल्गोरिथ्म एन नमूना चुनता है अगले नमूने के लिए, वजन कारक अद्यतन किया जाता है और औसत गणना करने के लिए उपयोग किया जाता है, के अनुसार पुनरावर्ती समीकरण आंकड़ों की उम्र बढ़ने के कारण, वजन कारक की भयावस्था में तेजी से कमी आती है और कभी भी शून्य नहीं पहुंचती है दूसरे शब्दों में, हाल के आंकड़ों के पुराने आंकड़ों की तुलना में मौजूदा औसत पर अधिक प्रभाव पड़ता है। भूल का पहलू का मूल्य निर्धारित करता है भार कारकों में परिवर्तन की दर 0 9 का एक भूल का कारक पुराने आंकड़ों को अधिक वजन देता है 0 1 के भूलने वाले कारक की तुलना में 0 0 का एक भूल का कारक अनंत स्मृति का संकेत देता है सभी पिछले नमूनों को एक समान वजन दिया जाता है। अपने देश का चयन करें । खिड़की पद्धति को स्लाइडिंग। स्लाइडिंग विंडो विधि में, निर्दिष्ट लंबाई की एक विंडो, लेन डेटा पर नमूना देती है, नमूना द्वारा नमूना है, और सांख्यिकी को विंडो में डेटा पर गिना जाता है प्रत्येक इनपुट नमूना के लिए आउटपुट आंकड़े वह वर्तमान नमूना की खिड़की और लेन - 1 पहले के नमूने पहली बार लेन-1 के आउटपुट की गणना करने के लिए, जब खिड़की में अभी तक पर्याप्त डेटा नहीं है, तो एल्गोरिथम विंडो को शून्य से भरता है बाद के समय के चरणों में विंडो को भरने के लिए, एल्गोरिथ्म पिछले डेटा फ़्रेम से नमूनों का उपयोग करता है बढ़ते आंकड़े एल्गोरिदम में एक राज्य होता है और पिछले डेटा को याद करता है। स्लाइडिंग विंडो पद्धति का उपयोग करते हुए एक स्ट्रीमिंग इनपुट डेटा की चलती औसत की गणना करने के उदाहरण पर विचार करें एल्गोरिथ्म का उपयोग करता है खिड़की की लंबाई 4 प्रत्येक इनपुट नमूने के साथ जो डेटा में आता है, लंबाई 4 की खिड़की डेटा के साथ चलती है। खिड़की परिमित लंबाई का है, एल्गोरिदम एक सीमित आवेग प्रतिक्रिया फ़िल्टर बनाने के लिए डेटा की एक सीमित अवधि के ऊपर एक आंकड़ा का विश्लेषण करने के लिए, खिड़की की खिड़की पद्धति फिसलने। खिड़की लंबाई का प्रभाव। खिड़की लंबाई डेटा की लंबाई को परिभाषित करता है जिस पर एल्गोरिथ्म आंकलनों की गणना करता है खिड़की चलता है क्योंकि नए डेटा में आता है अगर खिड़की बड़ी है, आंकड़ा गणना आंकड़ों के स्थिर आंकड़ों के करीब है डेटा के लिए जो तेजी से नहीं बदलता है, एक चिकनी आँकड़े प्राप्त करने के लिए एक लंबी खिड़की का उपयोग करें जो डेटा तेजी से बदलता है, एक छोटी खिड़की का उपयोग करें। एक्सपेन्नेएलिटी भारिंग विधि। घातीय वजन पद्धति का एक अनंत आवेग प्रतिक्रिया एल्गोरिथ्म वजन का एक सेट की गणना करता है, और इन भारों को आंकड़ों के नमूनों पर लगातार लागू होता है जैसे डेटा बढ़ता है, भार कारक की भयावहता तेजी से घट जाती है और शून्य तक पहुंचती है दूसरे शब्दों में, हाल के आंकड़ों पर अधिक प्रभाव होता है पुराने आंकड़ों की तुलना में वर्तमान नमूना पर आंकड़े अनंत आवेग प्रतिक्रिया के कारण, एल्गोरिथ्म को कम गुणांक की आवश्यकता होती है, इसे एम्बेडेड अनुप्रयोगों के लिए अधिक उपयुक्त बनाता है। भूल कारक का महत्व भार कारकों के परिवर्तन की दर निर्धारित करता है 0 का एक भूल का कारक 9 पुराने आंकड़ों को अधिक वजन देता है, 0 0 का भूल का कारक, हाल के आंकड़ों को और अधिक वजन देने के लिए, विस्मृत फाई को स्थानांतरित करना सीटीओएर के करीब 0 तेजी से अलग-अलग डेटा में छोटे बदलाव का पता लगाने के लिए, 0 से नीचे का एक छोटा मान अधिक उपयुक्त है 1 0 का एक भूल का पहलू अनंत स्मृति का संकेत देता है सभी पिछले नमूनों को एक समान वजन दिया जाता है भूल का पहलू का इष्टतम मूल्य उस पर निर्भर करता है डेटा स्ट्रीम किसी दिए गए डेटा स्ट्रीम के लिए, कारक को भूलने के लिए इष्टतम मान की गणना करने के लिए, देखें 1. घातीय वजन पद्धति का उपयोग करते हुए चलती औसत की गणना करने का उदाहरण देखें। भूलने वाला कारक 0 9 है। चलती औसत एल्गोरिदम वजन को अद्यतन करता है और गणना करता है प्रत्येक पुनरावर्ती समीकरणों का उपयोग करके आने वाले प्रत्येक डेटा नमूने के लिए औसत पुनरावर्ती चलती है। एन एन एन 1 1 एक्स एन 1 1 एन एन एन एन एन 1 1 एन एन एन एन एनएफ़ेटिंग कारक. व एन भारिंग कारक वर्तमान डेटा पर लागू होता है sample. x एन वर्तमान डेटा इनपुट sample. x एन 1 पिछले नमूने पर औसत चल रहा है। 1 1 एन एन एन एन एन 1 मौजूदा औसत नमूने पर औसत औसत पर एन औसत चल रहा है। चलती औसत एल्गोरिथ्म एक राज्य है और पिछली बार चरण से डेटा को याद करता है। पहला नमूना के लिए, जब N 1 , एल्गोरिथ्म एन 1 को चुनता है अगले नमूने के लिए, वेटिंग कारक को अपडेट किया जाता है और रिकर्सिव समीकरणों का उपयोग करके औसत गणना की जाती है। डेटा बढ़ने की उम्र के रूप में, भारिंग कारक की भयावहता तेजी से घट जाती है और दूसरे शब्दों में शून्य तक नहीं पहुंचती , हाल के आंकड़ों के पुराने आंकड़ों की तुलना में मौजूदा औसत पर अधिक प्रभाव पड़ता है.जब भूलते हुए कारक 0 है 5, तो पुराने डेटा पर लगाए गए वजन कम होने की तुलना में कम है जब भूलने वाला तत्व 9 है 9. जब भूल का कारक 1 होता है, तो सभी डेटा नमूने समान रूप से तौला जाता है इस मामले में, तीव्रता से भारित विधि एक अनन्त विंडो लंबाई के साथ स्लाइडिंग खिड़की पद्धति के समान होती है.जब सिग्नल तेजी से बदलता है, तो कम भूल का कारक का उपयोग करें जब भूल कारक कम होता है, तो प्रभाव पिछले आंकड़े वर्तमान औसत से कम हैं यह क्षणिक तेज बनाता है उदाहरण के तौर पर, तेजी से अलग-अलग शोर कदम पर विचार करें तीव्रता से भारित विधि का उपयोग करके इस सिग्नल के चलती औसत को देखते हुए कारकों 0 8, 0 भूलने के साथ एल्गोरिथ्म के प्रदर्शन की तुलना करें 9 और 99 99. जब आप भूखंड पर ज़ूम इन करते हैं, तो आप देख सकते हैं कि चलती औसत में क्षणिक तीक्ष्ण है जब भूलने वाला कारक कम होता है यह उस डेटा के लिए अधिक उपयुक्त बनाता है जो तेजी से बदलता है। चलती औसत पर अधिक जानकारी के लिए एल्गोरिदम, सिस्टम ऑब्जेक्ट या मूविंग एलायल ब्लॉक पेज में एल्गोरिदम अनुभाग देखें। अन्य चलती आंकड़े एल्गोरिदम पर अधिक जानकारी के लिए, संबंधित सिस्टम ऑब्जेक्ट और ब्लॉक पेजों में एल्गोरिदम अनुभाग देखें। 1 बोडेनहम, स्ट्रीमिंग डेटा पीएच डी थीसिस इंपीरियल कॉलेज, लंदन, 2012 के लिए डीन अनुकूली छनन और परिवर्तन जांच। अपने देश का चयन करें