Média móvel ssis

A média móvel exponencial em T-SQL As médias móveis exponentes são semelhantes às médias móveis ponderadas, na medida em que atribuem menos peso às mudanças há muito tempo e mais peso às mudanças recentes. As médias móveis ponderadas são lineares, mas as médias móveis exponenciais são exponenciais. Ou seja, o peso pode ser expresso como uma curva: existe uma ótima maneira de calcular as médias móveis exponenciais no T-SQL usando um recurso indocumentado sobre variáveis ​​e execução de totais no SQL Server. Nesta publicação do blog, vou mostrar como usar esse método para calcular a média móvel exponencial em T-SQL, mas também apresentarei um método que está usando recursos padrão no SQL Server. Infelizmente, isso significa usar um loop. Nos exemplos, calculo uma média móvel exponencial de 9 dias. Os exemplos usam o banco de dados TAdb. Um script para criar TAdb pode ser encontrado aqui. Média de Movimento Exponencial (EMA): Método de Execução de Totais A teoria por trás dos recursos totais em execução em atualizações é descrita em detalhes por Jeff Moden em seu artigo, Resolvendo os Problemas de Roteamento Total e Ordenado Ordem. Outros recursos que descrevem o uso desse método para calcular EMA são as postagens do blog Calculando as médias móveis com o T-SQL por Gabriel Priester e o desafio do fórum Expponential Moving Average Challenge. Ambos no SQL Server Central. Basicamente, no T-SQL você pode atualizar variáveis, bem como colunas em uma declaração de atualização. As atualizações são feitas linha a linha internamente pelo SQL Server. Este comportamento de linha por linha é o que torna o cálculo de um total executável possível. Este exemplo mostra como funciona: Observe que 8220ColumnRunningTotal8221 é um total em execução de 8220ColumnToSum8221. Usando esse método, podemos calcular EMA9 com este T-SQL: o cálculo do EMA é bastante simples. Usamos a linha atual e a anterior, mas com mais peso para a linha atual. O peso é calculado pela fórmula 2 (19), onde 822098221 é o parâmetro para o comprimento da EMA. Para calcular EMA9 para a linha 10 acima, o cálculo é: neste caso, a linha atual obtém 20 do peso (2 (19) 0,2) e a linha anterior recebe 80 do peso (1-2 (19) 0,8). Você encontra este cálculo na declaração acima na instrução CASE: Média de Movimento Exponencial (EMA): Método de Looping Tanto quanto eu sei, exceto o método de totais em execução descrito acima, não há nenhuma maneira de calcular EMA usando uma instrução SQL baseada em conjunto . Portanto, o T-SQL abaixo está usando um loop while para calcular EMA9: os resultados são os mesmos que no exemplo de totais em execução acima. Desempenho Como esperado, a versão de totais em execução baseada em conjunto é muito mais rápida do que a versão do loop. Na minha máquina, a solução baseada em conjunto era de cerca de 300 ms, em comparação com cerca de 1200 com a versão do loop. A versão de loop está mais em conformidade com os padrões SQL, no entanto. Portanto, a escolha entre os métodos depende do que seja o mais importante para você, desempenho ou padrões. A média móvel exponencial pode ser utilizada na análise de tendências, como acontece com os outros tipos de médias móveis, média móvel simples (SMA) e média móvel ponderada (WMA). Há também outros cálculos em análises técnicas que usam o EMA, MACD, por exemplo. Esta publicação no blog faz parte de uma série sobre análise técnica, TA, no SQL Server. Veja as outras publicações aqui. Postado por Tomas Lind Tomas Lind - Serviços de consultoria como SQL Server DBA e Desenvolvedor de Banco de Dados em High Coast Database Solutions AB. ROLANDO DE 12 MESES NA DAX Computing a média de 12 meses em DAX parece uma tarefa simples, mas esconde alguma complexidade. Este artigo explica como escrever a melhor fórmula evitando armadilhas comuns usando funções de inteligência de tempo. Começamos com o modelo usual de dados AdventureWorks, com produtos, vendas e tabela de calendário. O Calendário foi marcado como uma tabela de calendário (é necessário trabalhar com qualquer função de inteligência de tempo) e nós construímos uma hierarquia simples ano-mês-data. Com esta configuração, é muito fácil criar uma primeira tabela dinâmica mostrando vendas ao longo do tempo: ao fazer análise de tendências, se as vendas estiverem sujeitas à sazonalidade ou, em geral, se desejar remover o efeito de picos e queda nas vendas, A técnica comum é a de calcular o valor em um determinado período, geralmente 12 meses, e a média. A média móvel em 12 meses fornece um indicador suave da tendência e é muito útil em gráficos. Dado uma data, podemos calcular a média móvel de 12 meses com esta fórmula, que ainda possui alguns problemas que resolveremos mais tarde: O comportamento da fórmula é simples: calcula o valor das Vendas depois de criar um filtro no calendário que Mostra exatamente um ano completo de dados. O núcleo da fórmula é o DATESBETWEEN, que retorna um conjunto inclusivo de datas entre os dois limites. O menor é: lendo-o do mais íntimo: se mostramos dados por um mês, digamos, julho de 2007, tomamos a última data visível usando LASTDATE, que retorna o último dia em julho de 2007. Então usamos NEXTDAY para tomar o primeiro De agosto de 2007 e finalmente usamos o SAMEPERIODLASTYEAR para retornar um ano, produzindo 1 de agosto de 2006. O limite superior é simplesmente LASTDATE, ou seja, final de julho de 2007. Se usarmos esta fórmula em uma tabela dinâmica, o resultado parece ser bom, mas nós Tem um problema para a última data: de fato, como você pode ver na figura, o valor é calculado corretamente até 2008. Então, não há valor em 2009 (o que é correto, não temos vendas em 2009), mas existe Um valor surpreendente em dezembro de 2018, onde nossa fórmula mostra o grande total em vez de um valor em branco, como seria de esperar. De fato, em dezembro, LASTDATE retorna o último dia do ano e NEXTDAY deve retornar o 1 de janeiro de 2017. Mas NEXTDAY é uma função de inteligência do tempo e espera-se que retornem conjuntos de datas existentes. Este fato não é muito evidente e vale mais algumas palavras. As funções de inteligência do tempo não executam matemática nas datas. Se você quiser tomar o dia após uma determinada data, você pode simplesmente adicionar 1 a qualquer coluna de data e o resultado será no dia seguinte. Em vez disso, as funções de inteligência do tempo mudam os conjuntos de datas de ida e volta ao longo do tempo. Assim, NEXTDAY adquire a sua entrada (no nosso caso uma tabela de uma única linha com o 31 de dezembro de 2018) e desloca-a um dia depois. O problema é que o resultado deve ser 1 de janeiro de 2017, mas, porque a tabela do Calendário não contém essa data, o resultado é BLANK. Assim, nossa expressão calcula as vendas com um limite inferior em branco, o que significa o início dos tempos, resultando como resultado do grande total de vendas. Para corrigir a fórmula, basta alterar a ordem de avaliação do limite inferior: como você pode ver, agora NEXTDAY é chamado após a mudança de um ano de volta. Desta forma, tomamos 31 de dezembro de 2018, movê-lo para 31 de dezembro de 2009 e levamos no dia seguinte, que é 1 de janeiro de 2018: uma data existente na tabela do calendário. O resultado é agora o esperado: neste ponto, precisamos apenas dividir esse número em 12 para obter a média móvel. Mas, como você pode facilmente imaginar, nem sempre podemos dividi-lo por 12. De fato, no início do período não há 12 meses para agregar, mas um número menor. Precisamos calcular o número de meses para os quais há vendas. Isso pode ser feito usando a filtragem cruzada da tabela do calendário com a tabela de vendas depois que aplicamos o novo contexto de 12 meses. Definimos uma nova medida que calcula o número de meses existentes no período de 12 meses: você pode ver na próxima figura que a medida Months12M calcula um valor correto: Vale ressaltar que a fórmula não funciona se você escolher um período Mais de 12 meses, porque o CalendarMonthName possui apenas 12 valores. Se você precisar de períodos mais longos, você precisará usar uma coluna YYYYMM para poder contar mais de 12. A parte interessante desta fórmula que usa filtragem cruzada é o fato de que ele calcula o número de meses disponíveis mesmo quando você filtra usando outro atributos. Se, por exemplo, você selecionar a cor azul usando um slicer, então as vendas começam em julho de 2007 (não em 2005, como acontece com muitas outras cores). Usando o filtro cruzado em Vendas, a fórmula calcula corretamente que, em julho de 2007, há um único mês de vendas disponíveis para o Blue: neste ponto, a média móvel é apenas um DIVIDE: quando usamos isso em uma tabela dinâmica, nós ainda Tem um pequeno problema: de fato, o valor é calculado também por meses para os quais não há vendas (ou seja, meses futuros): isso pode ser resolvido usando uma declaração IF para evitar que a fórmula mostre valores quando não há vendas. Eu não tenho nada contra IF, mas, para o viciado em desempenho entre você, sempre vale a pena lembrar que IF pode ser um assassino do desempenho, porque poderia forçar o mecanismo de fórmula DAX a entrar. Neste caso específico, a diferença é insignificante, mas , Como regra geral, a melhor maneira de remover o valor quando não há vendas é confiar em fórmulas de mecanismo de armazenamento puro como esta: Comparando um gráfico usando o Avg12M com outro que mostra as vendas, você pode facilmente apreciar como a média móvel Descreve as tendências de uma maneira muito mais limpa: Mantenha-me informado sobre os próximos artigos (boletim informativo). Desmarque para baixar livremente o arquivo. Média de movimentação em T-SQL Um cálculo comum na análise de tendências é a média móvel (ou rolando). Uma média móvel é a média das, por exemplo, as últimas 10 linhas. A média móvel mostra uma curva mais suave do que os valores reais, mais ainda com um período mais longo para a média móvel, tornando-se uma boa ferramenta para análise de tendências. Esta publicação do blog mostrará como calcular a média móvel em T-SQL. Métodos diferentes serão usados ​​dependendo da versão do SQL Server. O gráfico abaixo demonstra o efeito de suavização (linha vermelha) com uma média móvel de 200 dias. As citações de ações são a linha azul. A tendência a longo prazo é claramente visível. T-SQL Moving Avergage 200 dias A demonstração abaixo requer o banco de dados TAdb que pode ser criado com o script localizado aqui. No próximo exemplo, calcularemos uma média móvel nos últimos 20 dias. Dependendo da versão do SQL Server, haverá um método diferente para fazer o cálculo. E, como veremos mais adiante, as versões mais recentes do SQL Server têm funções que permitem um cálculo muito mais efetivo. SQL Server 2017 e posterior Moeda em movimento Esta versão faz uso de uma função de janela agregada. O que é novo no SQL 2017 é a possibilidade de restringir o tamanho da janela, especificando quantas linhas que precedem a janela devem conter: as linhas anteriores são 19, pois incluiremos a linha atual também no cálculo. Como você pode ver, o cálculo da média móvel no SQL Server 2017 é bastante simples. A figura abaixo demonstra o princípio de janelas. A linha atual é marcada com amarelo. A janela é marcada com um fundo azul. A média móvel é simplesmente a média de QuoteClose nas linhas azuis: janela média T-SQL. Os resultados dos cálculos em versões antigas do SQL Server são os mesmos, então eles não serão exibidos novamente. SQL Server 2005 8211 2008R2 Média móvel Esta versão faz uso de uma expressão de tabela comum. O CTE é auto-referenciado para obter as últimas 20 linhas para cada linha: Média em Movimento antes do SQL Server 2005 A versão pré 2005 usará uma associação externa esquerda para a mesma tabela para obter as últimas 20 linhas. A tabela externa pode ser dita para conter a janela em que queremos calcular uma média: Comparação de desempenho Se executamos os três métodos diferentes simultaneamente e verificamos o plano de execução resultante, há uma diferença dramática no desempenho entre os métodos: Comparação de três Métodos diferentes para calcular a média móvel Como você pode ver, as melhorias na função de janelas no SQL 2017 fazem uma enorme diferença no desempenho. Conforme mencionado no início desta publicação, as médias móveis são usadas como uma ferramenta para ilustrar as tendências. Uma abordagem comum é combinar médias móveis de diferentes comprimentos, a fim de detectar mudanças nas tendências de curto, médio e longo prazo, respectivamente. De particular interesse são o cruzamento de linhas de tendência. Por exemplo, quando a tendência curta se move sobre a tendência longa ou média, isso pode ser interpretado como um sinal de compra na análise técnica. E quando a tendência curta se move sob uma linha de tendência mais longa, isso pode ser interpretado como um sinal de venda. O gráfico abaixo mostra Quotes, Ma20, Ma50 e Ma200. T-SQL Ma20, Ma50, Ma200 vendem e vendem sinais. Esta publicação no blog faz parte de uma série sobre análise técnica, TA, no SQL Server. Veja as outras publicações aqui. Postado por Tomas Lind