Veid Bevegelig Gjennomsnitt Algoritme

Denne repoen gir eksponentielt vektede flytte gjennomsnittlige algoritmer, eller EWMAer for kort, basert på vår kvantitative abnormale adferdssamtale. Eksponentielt vektet Flytende Gjennomsnitt Et eksponentielt vektet glidende gjennomsnitt er en måte å kontinuerlig beregne en type gjennomsnitt for en rekke tall, da tallene ankommer. Etter at en verdi i serien er lagt til gjennomsnittet, reduseres vekten i gjennomsnittet eksponentielt over tid. Dette forvirrer gjennomsnittet mot nyere data. EWMAer er nyttige av flere grunner, hovedsakelig deres rimelige beregnings - og minnekostnader, samt det faktum at de representerer den siste sentrale tendensen til seriens verdier. EWMA-algoritmen krever en forfallsfaktor, alfa. Jo større alfa, desto mer er gjennomsnittet partisk mot nyere historie. Alfabetet må være mellom 0 og 1, og er vanligvis et ganske lite tall, for eksempel 0,04. Vi vil diskutere valget av alpha senere. Algoritmen virker således, i pseudokode: Multipliser neste nummer i serien med alfa. Multipliser nåverdien av gjennomsnittet med 1 minus alfa. Legg til resultatet av trinn 1 og 2, og lagre det som den nye nåværende verdien av gjennomsnittet. Gjenta for hvert nummer i serien. Det er spesielle saker atferd for hvordan du initialiserer gjeldende verdi, og disse varierer mellom implementeringer. En tilnærming er å starte med den første verdien i serien. En annen er å gjennomsnittlig de første 10 eller så verdiene i serien ved hjelp av et aritmetisk gjennomsnitt, og deretter begynne den gradvise oppdateringen av gjennomsnittet. Hver metode har fordeler og ulemper. Det kan bidra til å se på det pictorially. Anta at serien har fem tall, og vi velger alfa for å være 0,50 for enkelhet. Heres serien, med tall i nabolaget 300. Nå kan vi ta det bevegelige gjennomsnittet av tallene. Først setter vi gjennomsnittet til verdien av det første nummeret. Deretter multipliserer vi det neste tallet med alfa, multipliserer nåværende verdi med 1-alfa, og legger til dem for å generere en ny verdi. Dette fortsetter til vi er ferdige. Legg merke til hvordan hver av verdiene i serien avtar halvparten hver gang en ny verdi legges til, og toppen av stolpene i den nedre delen av bildet representerer størrelsen på det bevegelige gjennomsnittet. Det er et glatt, eller lavpass, gjennomsnitt av den opprinnelige serien. Vurder et glidende glidende gjennomsnitt i gjennomsnittlig størrelse (ikke et eksponentielt vektet glidende gjennomsnitt) som er gjennomsnittlig over de forrige N-prøvene. Hva er gjennomsnittsalderen for hver prøve Det er N2. Anta nå at du ønsker å bygge en EWMA som har samme gjennomsnittsalder. Formelen for å beregne alfa som kreves for dette er: alpha 2 (N1). Bevis er i boken Production and Operations Analysis av Steven Nahmias. Så hvis du for eksempel har en tidsserie med prøver en gang per sekund, og du vil få det bevegelige gjennomsnittet i løpet av forrige minutt, bør du bruke en alfa på .032786885. Dette er forresten den konstante alfa som brukes til denne repositoriet SimpleEWMA. Dette depotet inneholder to implementeringer av EWMA-algoritmen, med forskjellige egenskaper. Implementeringene alle samsvarer med MovingAverage-grensesnittet, og konstruktøren returnerer den typen. Nåværende implementeringer antar et implisitt tidsintervall på 1,0 mellom hver prøve som er lagt til. Det vil si at tidsforløpet blir behandlet som om det er det samme som ankomst av prøver. Hvis du trenger tidsbasert forfall når prøvene ikke kommer nøyaktig med fastsatte intervaller, vil denne pakken ikke støtte dine behov for tiden. En SimpleEWMA er designet for lav CPU og minneforbruk. Det vil ha forskjellig oppførsel enn VariableEWMA av flere grunner. Det har ingen oppvarmingstid og det bruker et konstant henfall. Disse egenskapene lar det bruke mindre minne. Det vil også oppføre seg annerledes når det er lik null, som antas å bety uninitialized, så hvis en verdi sannsynligvis vil bli null over tid, vil en hvilken som helst ikke-null-verdi skape et skarpt hopp i stedet for en liten forandring. I motsetning til SimpleEWMA støtter dette en egendefinert alder som må lagres, og bruker dermed mer minne. Det har også en oppvarmingstid når du begynner å legge til verdier for det. Det vil rapportere en verdi på 0,0 til du har lagt til det nødvendige antall prøver til det. Det bruker litt minne til å lagre antall prøver som er lagt til det. Som et resultat bruker den litt over to ganger minnet om SimpleEWMA. Se GoDoc generert dokumentasjon her. Vi aksepterer bare trekkforespørsler for mindre reparasjoner eller forbedringer. Dette inkluderer: Små feilrettinger Typoer Dokumentasjon eller kommentarer Vennligst åpne problemer for å diskutere nye funksjoner. Trekkforespørsler om nye funksjoner vil bli avvist, så vi anbefaler å forkaste depotet og gjøre endringer i gaffelen din for brukssaken din. Dette depotet er Copyright (c) 2013 VividCortex, Inc. Alle rettigheter reservert. Det er lisensiert under MIT-lisensen. Vennligst se LISENS-filen for gjeldende lisensbetingelser. Jeg har en tidsrekke av aksjekurser og ønsker å beregne det bevegelige gjennomsnittet over et ti minutters vindu (se diagram nedenfor). Ettersom prisklasser forekommer sporadisk (det vil si at de ikke er periodiske), synes det rimeligst å beregne et tidsvektet glidende gjennomsnitt. I diagrammet er det fire prisendringer: A, B, C og D, mens de sistnevnte tre skjer innenfor vinduet. Merk at fordi B bare forekommer litt tid i vinduet (si 3 minutter), bidrar verdien til A fortsatt til beregningen. Faktisk, så vidt jeg kan fortelle, skal beregningen bare baseres på verdiene A, B og C (ikke D) og varigheten mellom dem og neste punkt (eller i tilfelle A: varigheten mellom starten av tidsvinduet og B). I utgangspunktet vil D ikke ha noen effekt da tidsvektingen vil være null. Er dette riktig Anta at dette er riktig, min bekymring er at det bevegelige gjennomsnittet vil lagre mer enn den ikke-vektede beregningen (som ville regne med verdien av D umiddelbart). Den uveide beregningen har imidlertid sine egne ulemper: A ville har så mye effekt på resultatet som de andre prisene til tross for å være utenfor tidsvinduet. En plutselig flurry av raske prismoduler vil sterkt forstyrre det bevegelige gjennomsnittet (selv om det kanskje er ønskelig). Kan noen tilby noe råd om hvilken tilnærming som synes best, eller om det er en alternativ (eller hybrid) tilnærming som er verdt å vurdere. 14 april kl 21: 35 Din begrunnelse er riktig. Hva vil du bruke gjennomsnittet for skjønt uten å vite at det er vanskelig å gi noe råd. Kanskje et alternativ ville være å vurdere løpende gjennomsnitt A, og når en ny verdi V kommer inn, beregne det nye gjennomsnittet A for å være (1-c) AcV, hvor c er mellom 0 og 1. På denne måten har de nyere flåttene en sterkere innflytelse, og effekten av gamle flått sprer seg over tid. Du kan til og med ha c avhengig av tiden siden de tidligere ticks (c blir mindre når flåttene kommer nærmere). I den første modellen (vekting) vil gjennomsnittet være forskjellig hvert sekund (som gamle avlesninger får lavere vekt og nye målinger høyere), slik at den alltid endrer seg, noe som kanskje ikke er ønskelig. Med den andre tilnærmingen, gjør prisene plutselige hopp som nye priser blir introdusert og de gamle forsvinner fra vinduet. besvart apr 14 12 kl 21:50 De to forslagene kommer fra den diskrete verden, men du kan finne en inspirasjon for ditt spesielle tilfelle. Ta en titt på eksponensiell utjevning. I denne tilnærmingen innfører du utjevningsfaktoren (01) som gjør at du kan endre innflytelsen fra de siste elementene på prognosen (eldre elementer tilordnes eksponentielt avtagende vekter): Jeg har laget en enkel animasjon av hvordan eksponensiell utjevning ville spore en ensartet tidsserie x1 1 1 1 3 3 2 2 2 1 med tre forskjellige: Se også på noen av armeringslæringsteknikkene (se på de ulike diskonteringsmetodene) for eksempel TD-læring og Q-Learning. Ja, det bevegelige gjennomsnittet vil selvfølgelig sakte. Dette er fordi verdien er historisk informasjon: den oppsummerer eksempler på prisen i løpet av de siste 10 minuttene. Denne typen gjennomsnitt er iboende laggy. Den har en innebygd fem minutters offset (fordi en boks gjennomsnitt uten offset vil være basert på - 5 minutter, sentrert på prøven). Hvis prisen har vært på A lenge, og deretter endres en gang til B, tar det 5 minutter for gjennomsnittet å nå (AB) 2. Hvis du vil ha en gjennomsnittlig funksjon uten skift i domenet, har vekten å være jevnt fordelt rundt prøvepunktet. Men dette er umulig å gjøre for priser som skjer i sanntid, siden fremtidige data er utilgjengelige. Hvis du vil ha en nylig endring, som D, for å få større innflytelse, bruk et gjennomsnitt som gir større vekt på nyere data, eller en kortere tidsperiode, eller begge deler. En måte å glatte data på er bare å bruke en enkelt akkumulator (den glatte estimatoren) E og ta periodiske prøver av dataene S. E er oppdatert som følger: I. e. en brøk K (mellom 0 og 1) av forskjellen mellom det nåværende prisprøven S og estimatoren E legges til E. Anta at prisen har vært på A lenge, slik at E er i A og deretter plutselig endres til B. Estimatoren vil begynne å bevege seg mot B på en eksponentiell måte (som oppvarming av kjøling, lading av en kondensator, osv.). Først vil det gjøre et stort hopp, og deretter mindre og mindre trinn. Hvor raskt det beveger seg, avhenger av K. Hvis K er 0, går estimatoren ikke i det hele tatt, og hvis K er 1, beveger den seg øyeblikkelig. Med K kan du justere hvor mye vekt du gir til estimatoren versus den nye prøven. Mer vekt er gitt til nyere prøver implisitt, og prøvevinduet strekker seg i utgangspunktet til uendelig: E er basert på alle verdier som noen gang har skjedd. Selv om de fleste gamle selvfølgelig ikke har noen innflytelse på nåverdien. En veldig enkel, vakker metode. besvart apr 14 12 kl 21:50 Dette er det samme som Tom39s svar. Hans formel for estimatorens nye verdi er (1 - K) E KS. som er algebraisk det samme som E K (S - E). Det er en kvadratlinjeformet blendingfunksjonskvot mellom gjeldende estimator E og den nye prøven S hvor verdien av K 0, 1 styrer blandingen. Å skrive det på den måten er fint og nyttig. Hvis K er 0,7, tar vi 70 av S og 30 av E, som er det samme som å legge til 70 av forskjellen mellom E og S tilbake til E. ndash Kaz Apr 14 12 kl 22:15 I utvidende Toms svar, formelen for å ta hensyn til avstanden mellom flåttene kan formaliseres (lukkede flått har forholdsmessig lavere vekting): a (tn - t n-1) T som er a er forholdet mellom deltaet av ankomsttid over gjennomsnittlig intervall v 1 (bruk tidligere punkt), eller v (1 - u) a (lineær interpolering eller vu (neste punkt) Ytterligere informasjon finnes på side 59 i boken En introduksjon til høyfrekvent finans. C algoritme for null-ventetid eksponentielt glidende gjennomsnitt Sist endret: 2012-08-13 Jeg har forsøkt å implementere en lavfrekvens cutoff i c som i hovedsak tar en strøm av tall og jevner ut utgangen (filtrerer ut høyfrekvent bevegelsesjitter), men det er viktig at de frontveide tallene blir vurdert umiddelbart som dataene er tidskritisk (det er å kontrollere en bevegelsessimulasjonsbase ved hjelp av utgang fra litt av spillprogramvare). Jeg har en arbeidsvektet glidende gjennomsnittlig algoitme, men kan gjøre med noe litt mer responsivt på forsiden, og jeg fant dette: - Pseudokoden er som følger: Inputs: Price (NumericSeries), Period (NumericSimple) Variabler: faktor (0), lag (0) hvis CurrentBar lt 1 deretter begynner ZLEMA Prisfaktor 2 (Period1) lag (Period 1) 2 End else start ZLEMA faktor (2Price-Pricelag) (1-faktor) ZLEMA1 ende Ive oversatt den til C og koden min er som følger: Men det virker ikke å oppføre seg ganske som jeg forventer. Det ser ut til å være nesten der, men noen ganger får jeg en litt lavere verdi enn alle elementene i køen (når de er alle høyere). Min kø og antall elementer i den er bestått som parametere, med den siste som er foran på alle tider, passerer jeg også en inkrementerende teller som starter ved 0 som kreves av funksjonen. Jeg er ikke sikker på at jeg har tolket betydningen av ZLEMA1 riktig, da den ikke er tydelig i sin pseudokode, så jeg antok at dette er de siste samtalene Zlema, og jeg antar at Pris faktisk betyr Pris0. Kanskje jeg har det galt Skal jeg kopiere den faktiske Zlema-kalkulerte verdiene tilbake til min opprinnelige kø før neste anrop, endrer jeg ikke den opprinnelige køen i det hele tatt enn bare skifter alle verdier en til enden og legger inn det siste i begynnelsen . Koden jeg bruker til å gjøre dette er: Ville være ekstremt takknemlig hvis noen med en bedre forståelse av matematikken kunne behage forstanden, sjekk dette for meg for å se om jeg har noe litt galt, takk så mye på forhånd hvis du kan hjelpe Først takk alt for Din innspill, mye verdsatt Det er fornuftig jeg antar, så jeg antar at det beste jeg kan håpe på, er bare et eksponentielt glidende gjennomsnitt, og aksepterer det vil være et lite lag, men dette vil bli minimert av tyngre frontvekt enn gitt i typisk vektet glidende gjennomsnitt Jeg har denne algoritmen også, men et lignende problem ved at verdiene ikke virker ganske riktige (med mindre dette er formens natur). For eksempel, si at mitt utvalg inneholder 16 verdier, alle 0.4775 - utgangen er 0.4983, men Id forventer at den skal være 0.4775 Ser dette ut til deg. Eksponentiell flytende gjennomsnitt. float ema (float vals, int numVals, int currentSample) statisk float faktor 0 statisk float lastema 0 float ema hvis (currentSample lt 1) ema vals0 faktor 2.0 ((float) numVals) 1.0) andre ema (faktor vals0) - faktor) lastema) lastema ema return ema Omvendt er produksjonen lavere enn hver av inngangene, selv om alle er høyere. Den kalles på samme måte som zlema (.) Ovenfor, med en økende teller. Formelen og pseudokoden for denne er her: - autotradingstrategy. wordpress20091130exponential-moving-average Takk igjen, unnskyld for min misforståelse av noen av grunnleggende: (Med vennlig hilsen, Chris J Som for koden jeg postet, har du rett om array størrelse Situasjonen. Det bør være lett å fikse. Som for dine spørsmål: 1) Filterkonstanten representerer en frekvens cutoff. Jeg brukte en digital signalbehandling (DSP) for denne teknikken. en. wikipedia. orgwi kiLow-pas sfilter er en enkel forklaring. Du vil ha avdelingen for diskret tid. I mitt tilfelle er A RC-Konstanten de snakker om. Så frekvensen som den kutter ut er over 1 (2piA). Hvis du ikke har en forståelse av Frequency-Domain teori, kan dette bli komplisert. I ditt tilfelle, jo høyere du lager A, desto lavere frekvens vil dette filteret tillate, noe som betyr at det vil jevne kurven ut mer og mer. Jo lavere du gjør det, jo mer støy som er tillatt i systemet. Husk at en må være større enn eller lik 1 for å være effektiv. Jeg reattached XLS igjen, denne gangen uten endring av rand () tallene. Juster A-konstanten og se hvordan den quotsmoothsquot (eller filter) ut høyfrekvensvariasjonene. 2) Det siste punktet i inngangsarrangementet har den nyeste verdien. 3) Det samme gjelder for utmatningsarrayen. Den siste er den nyeste verdien. 5) NUMVALS er vilkårlig. Du kan kontinuerlig legge til på input og output array så mange ganger du liker, og det ville ikke påvirke filteret. Spesielt brukte jeg 49 poeng. Men jeg kan enkelt slette de siste 20 og de første 29 utgangene vil forbli de samme. Funksjonen er ikke basert på hvor mange poeng blir brukt. Jeg vil nevne at jeg utviklet denne funksjonen for en engangskonvertering. Hvis du ønsket å gjøre en konvertering for den neste verdien på flyet, kan du prøve noe enklere (som vedlagt). Igjen er jeg rusten på c. Jeg håper dette er riktig. Det eneste du trenger å levere er inngang og filter konstant. Gi meg beskjed hvis dette hjelper. Opplæring med VWAP og MVWAP Volumvektet gjennomsnittlig pris (VWAP) og flytende volumvektet gjennomsnittspris (MVWAP) er handelsverktøy som kan brukes av alle handelsfolk. Disse verktøyene brukes imidlertid oftest av kortsiktige forhandlere og i algoritmebaserte handelsprogrammer. MVWAP kan brukes av langsiktige handelsfolk, men VWAP ser bare på en dag av gang på grunn av sin daglige beregning. Begge indikatorene er en spesiell type prisgjenomsnitt som tar hensyn til volum dette gir et mye mer nøyaktig snapshot av gjennomsnittsprisen. Indikatorene fungerer også som referanser for enkeltpersoner og institusjoner som ønsker å måle om de har god gjennomføring eller dårlig kjøring på deres bestilling. (For en primer, se Veidede flytende gjennomsnitt: Grunnleggende.) Beregning av VWAP VWAP-beregningen utføres av kartleggingsprogramvaren og viser et overlegg på diagrammet som representerer beregningene. Denne skjermen har form av en linje, som ligner andre bevegelige gjennomsnitt. Hvordan linjen beregnes, er som følger: Velg tidsramme (tick diagram, 1 min, 5 min, etc.) Beregn typisk pris for første periode (og alle perioder neste dag). Typisk pris oppnås ved å legge til høy, lav og nær, og dividere med tre: (HLC) 3 Multipliser denne typiske prisen med volumet for den perioden. Dette vil gi oss en verdi som kalles TPV. Hold en løpende total av TPV-verdiene, kalt kumulativ TPV. Dette oppnås ved kontinuerlig å legge til den nyeste TPV til tidligere verdier (unntatt den første perioden, siden det ikke vil være noen tidligere verdi). Denne figuren skal alltid bli større etter hvert som dagen utvikler seg. Hold en løpende sum av kumulativ volum. Gjør dette ved å kontinuerlig legge til det siste volumet til det forrige volumet. Dette nummeret skal bare bli større da dagen går framover. Beregn VWAP med informasjonen din: Kumulativt TPV-akkumulativt volum. Dette vil gi en volumvektet gjennomsnittspris for hver periode og vil gi dataene for å opprette strømningslinjen som overlegger prisdataene på diagrammet. Det er sannsynligvis best å bruke et regnearkprogram for å spore dataene hvis du gjør dette manuelt. Et spredningsark kan enkelt settes opp. Figur 1: Overskrift for regneark Kilde: Microsoft Excel De riktige beregningene må innføres. Å oppnå MVWAP er ganske enkelt etter at VWAP er beregnet. En MVWAP er i utgangspunktet et gjennomsnitt av VWAP-verdiene. VWAP beregnes kun hver dag, men MVWAP kan flytte fra dag til dag fordi det er et gjennomsnitt av et gjennomsnitt. Dette gir langsiktige forhandlere en flytende gjennomsnittlig volumvektet pris. Hvis en handelsmann ville ha en 10-måneders MVWAP, ville de bare vente på de ti første perioder som skulle gå, og da ville gjennomsnittlig de første 10 VWAP-beregningene. Dette vil gi selgeren MVWAP som begynner å bli plottet i periode 10. For å fortsette å få MVWAP-beregningen, inneholder de siste 10 VWAP-tallene en ny en VWAP fra den siste perioden, og slipper VWAP fra 11 perioder tidligere. Bruk på diagrammer Mens forståelse av indikatorene og de tilhørende beregningene er viktig, kan kartprogramvare gjøre beregningene for oss. På programvare som ikke inkluderer VWAP eller MVWAP, kan det fortsatt være mulig å programmere indikatoren inn i programvaren ved hjelp av beregningene ovenfor. (For relatert lesing, se Tips for å skape lønnsomme lagerdiagrammer.) Ved å velge VWAP-indikatoren, vises den i diagrammet. Generelt bør det ikke være matematiske variabler som kan endres eller justeres med denne indikatoren. Hvis en handelsmann ønsker å bruke Moving VWAP (MVWAP) indikatoren, kan hun justere hvor mange perioder som skal beregnes i gjennomsnitt. Dette kan gjøres ved å justere variabelen i kartplattformen. Velg indikatoren og gå inn i funksjonen for redigering eller egenskaper for å endre antall gjennomsnittlige perioder. Forskjeller mellom VWAP og MVWAP Det er noen store forskjeller mellom indikatorene som må forstås. VWAP vil gi en løpende total gjennom hele dagen. Dermed er den endelige verdien av dagen den volumveide gjennomsnittsprisen for dagen. Hvis du bruker et minutt diagram, er det 390 (6,5 timer X 60 minutter) beregninger som vil bli laget for dagen, med den siste som gir dagene VWAP. MVWAP vil på den annen side gi et gjennomsnitt av antall VWAP-beregninger vi ønsker å analysere. Dette betyr at det ikke er noen endelig verdi for MVWAP, da den kan kjøre flytende fra en dag til den neste, og gir et gjennomsnitt av VWAP-verdien over tid. Dette gjør MVWAP mye mer tilpassbar. Det kan skreddersys for å passe spesifikke behov. Det kan også gjøres mye mer lydhør overfor markedsflyt for kortsiktige handler og strategier, eller det kan utjevne markedsstøy hvis en lengre periode er valgt. VWAP gir verdifull informasjon for å kjøpe og holde forhandlere, spesielt etter utførelse (eller slutten av dagen). Det lar handelsmannen vite om de fikk en bedre enn gjennomsnittsprisen den dagen eller hvis de fikk en dårligere pris. MVWAP gir ikke nødvendigvis samme informasjon. (For mer, se Forstå Bestillingsutførelse.) VWAP begynner frisk hver dag. Volumet er tungt i den første perioden etter at markedet er åpent, derfor veier denne handlingen tungt inn i VWAP-beregningen. MVWAP kan overføres fra dag til dag, da den alltid vil gjennomsnitts de siste perioder (10 for eksempel) og er mindre mottakelig for en enkelt periode - og blir gradvis mindre, jo flere perioder blir i gjennomsnitt. Generelle strategier Når en sikkerhet er trending, kan vi bruke VWAP og MVWAP for å få informasjon fra markedet. Hvis prisen er over VWAP, er det en god intradag-pris å selge. Hvis prisen er under VWAP, er det en god intradag-pris å kjøpe. (For ytterligere lesing, se Fordeler med data-baserte Intradag-diagrammer.) Det er en advarsel om å bruke denne intradag skjønt. Prisene er dynamiske, så det ser ut til å være en god pris på et tidspunkt i dagen, kanskje ikke ved dagers slutt. På oppadgående trender dager kan handelsmenn forsøke å kjøpe som priser avviker fra MVWAP eller VWAP. Alternativt kan de selge i en downtrend som pris skyver opp mot linjen. Figur 2 viser tre dager med pristiltak i iShares Silver Trust ETF (SLV). Da prisen steg, ble den stort sett over VWAP og MWAP, og avtar linjene som tilbys kjøpsmuligheter. Etter hvert som pris falt, ble de stort sett under indikatorene og rallyene mot linjene var salgsmuligheter. Beta er et mål for volatiliteten, eller systematisk risiko, av en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever det. Det første salg av aksjer av et privat selskap til publikum. IPO er ofte utstedt av mindre, yngre selskaper som søker. Gjeldsgrad er gjeldsgrad som brukes til å måle selskapets økonomiske innflytelse eller en gjeldsgrad som brukes til å måle en person.