Suavização e filtragem são duas das técnicas de séries temporais mais usadas para remover o ruído dos dados subjacentes para ajudar a revelar os recursos e componentes importantes (por exemplo, tendência, sazonalidade, etc.). No entanto, também podemos usar alisamento para preencher os valores em falta e ou realizar uma previsão. Nesta questão, discutiremos cinco (5) métodos de suavização diferentes: média móvel ponderada (WMA i), suavização exponencial simples, suavização exponencial dupla, suavização linear exponencial e suavização exponencial tripla. Por que devemos cuidar, o Smoothing é freqüentemente usado (e abusado) na indústria para fazer um exame visual rápido das propriedades dos dados (por exemplo, tendência, sazonalidade, etc.), caber nos valores que faltam e realizar uma amostra rápida fora da amostra previsão. Por que temos tantas funções de suavização Como veremos neste artigo, cada função funciona para uma suposição diferente sobre os dados subjacentes. Por exemplo, o alisamento exponencial simples pressupõe que os dados tenham uma média estável (ou pelo menos uma média de movimento lento), de modo que o alisamento exponencial simples fará mal na previsão de dados que exibam sazonalidade ou tendência. Neste artigo, examinaremos cada função de suavização, destacaremos suas premissas e parâmetros e demonstraremos sua aplicação através de exemplos. Média móvel ponderada (WMA) Uma média móvel é comumente usada com dados de séries temporais para suavizar flutuações de curto prazo e destacar tendências ou ciclos de longo prazo. Uma média móvel ponderada tem fatores de multiplicação para dar pesos diferentes aos dados em diferentes posições na janela de amostra. A média móvel ponderada tem uma janela fixa (ou seja, N) e os fatores são tipicamente escolhidos para dar mais peso às observações recentes. O tamanho da janela (N) determina o número de pontos calculados em média a cada momento, de modo que um tamanho maior do Windows é menos sensível às novas mudanças nas séries temporais originais e um pequeno tamanho da janela pode fazer com que a saída suavizada seja barulhenta. Para fins de previsão da amostra: Exemplo 1: Consideramos as vendas mensais da Empresa X, usando uma média móvel de 4 meses (igual ponderada). Observe que a média móvel está sempre atrasada nos dados e a previsão fora da amostra converge para um valor constante. Procuremos usar um esquema de ponderação (veja abaixo), o que dá maior ênfase à última observação. Planejamos a média móvel igual à igualada e a WMA no mesmo gráfico. O WMA parece mais sensível às mudanças recentes e a previsão de amostra fora da amostra converge para o mesmo valor que a média móvel. Exemplo 2: Vamos examinar a WMA na presença de tendências e sazonalidade. Para este exemplo, use os dados internacionais da companhia aérea de passageiros. A janela de média móvel é de 12 meses. O MA e o WMA seguem o ritmo com a tendência, mas a previsão fora da amostra se acelera. Além disso, embora a WMA exiba alguma sazonalidade, está sempre atrasada nos dados originais. (Browns) Suavização Exponencial Simples O alisamento exponencial simples é semelhante ao WMA com a exceção de que o tamanho da janela se infinito e os fatores de ponderação diminuem exponencialmente. Como vimos no WMA, o exponencial simples é adequado para séries temporais com uma média estável, ou pelo menos uma média móvel muito lenta. Exemplo 1: Permite usar os dados de vendas mensais (como fizemos no exemplo WMA). No exemplo acima, escolhemos o fator de suavização para ser 0.8, o que implica a pergunta: Qual é o melhor valor para o fator de suavização Estimativa do melhor valor dos dados Usando a função TSSUB (para calcular o erro), SUMSQ e Excel Tabelas de dados, calculamos a soma dos erros quadrados (SSE) e traçamos os resultados: O SSE atinge seu valor mínimo em torno de 0,8, então nós escolhemos esse valor para nosso alisamento. (Holt-Winters) Suavização exponencial dupla Suavização exponencial simples não funciona bem na presença de uma tendência, portanto, vários métodos concebidos sob o guarda-chuva duplo exponencial são propostos para lidar com esse tipo de dados. O NumXL suporta o suavização exponencial dupla de Holt-Winters, que leva a seguinte formulação: Exemplo 1: Examine os dados da companhia internacional de passageiros. Escolhemos um valor Alpha de 0,9 e um Beta de 0,1. Observe que, embora o alisamento duplo trate os dados originais bem, a previsão fora da amostra é inferior à média móvel simples. Como encontramos os melhores fatores de suavização Tomamos uma abordagem semelhante ao nosso exemplo simples de suavização exponencial, mas modificado para duas variáveis. Calculamos a soma dos erros quadrados construindo uma tabela de dados de duas variáveis e escolha os valores alfa e beta que minimizam a SSE geral. (Browns) Suavização exponencial linear Este é outro método de função de suavização exponencial dupla, mas tem um fator de suavização: o suavização exponencial dupla de Browns tem um parâmetro menor que a função Holt-Winters, mas pode não oferecer um ajuste tão bom quanto essa função. Exemplo 1: Permite usar o mesmo exemplo em Holt-Winters exponencial dupla e comparar a soma ideal do erro quadrado. O exponencial duplo Browns não corresponde aos dados da amostra, bem como ao método Holt-Winters, mas a amostra fora da amostra (neste caso particular) é melhor. Como encontramos o melhor fator de suavização () Usamos o mesmo método para selecionar o valor alfa que minimiza a soma do erro quadrado. Para o exemplo de dados de amostra, o alfa é encontrado para ser 0.8. (Winters) Suavização exponencial tripla O alisamento exponencial triplo leva em consideração as mudanças sazonais, bem como as tendências. Este método requer 4 parâmetros: a formulação para suavização exponencial tripla é mais envolvida que qualquer uma das anteriores. Por favor, verifique o nosso manual de referência online para a formulação exata. Usando os dados internacionais da companhia aérea de passageiros, podemos aplicar o sono exponencial triplo dos Invernos, encontrar parâmetros ótimos e realizar uma previsão de amostra fora de amostra. Obviamente, o alisamento exponencial triplo de Winters é melhor aplicado para essa amostra de dados, pois acompanha os valores bem e a previsão da amostra mostra a sazonalidade (L12). Como encontramos o melhor fator de suavização () Novamente, precisamos escolher os valores que minimizam a soma geral dos erros quadrados (SSE), mas as tabelas de dados podem ser usadas para mais de duas variáveis, então recorremos ao Excel Solver: (1) Configurar o problema de minimização, com o SSE como função de utilidade (2) As restrições para este problema Conclusão de suporte ArquivosDouble Exponential Moving Averages Explained Traders confiaram em médias móveis para ajudar a identificar pontos de entrada de negociação de alta probabilidade e saídas lucrativas para muitos anos. Um problema bem conhecido com as médias móveis, no entanto, é o atraso sério que está presente na maioria dos tipos de médias móveis. A média móvel exponencial dupla (DEMA) fornece uma solução calculando uma metodologia de média mais rápida. História da Média Motivo Exponencial Dupla Na análise técnica. A média móvel do termo refere-se a uma média de preço para um instrumento de negociação específico durante um período de tempo especificado. Por exemplo, uma média móvel de 10 dias calcula o preço médio de um instrumento específico nos últimos dez dias, uma média móvel de 200 dias calcula o preço médio dos últimos 200 dias. Cada dia, o período de look-back avança para basear cálculos no último X número de dias. Uma média móvel aparece como uma linha suave e curva que fornece uma representação visual da tendência de longo prazo de um instrumento. As médias móveis mais rápidas, com períodos mais curtos, são médias móveis mais lisas e mais rápidas, com períodos mais longos, são mais suaves. Porque uma média móvel é um indicador retroativo, está atrasado. A média móvel exponencial dupla (DEMA), mostrada na Figura 1, foi desenvolvida por Patrick Mulloy na tentativa de reduzir o tempo de latência encontrado nas médias móveis tradicionais. Foi introduzido pela primeira vez na Revista Técnica de Análise Técnica de Stocks de fevereiro de 1994 no artigo da Mulloys, Suavizando Dados com Médias Móveis mais Rápidas. (Figura 1: Este gráfico de um minuto do contrato de futuros e-mini Russell 2000 mostra duas diferentes médias móveis exponenciais diferentes, um período de 55 vezes aparece em azul, Um período de 21 em rosa. Calculando uma DEMA como Mulloy explica em seu artigo original, o DEMA não é apenas uma EMA dupla com o dobro do tempo de atraso de uma única EMA, mas é uma implementação composta de EMAs simples e duplas que produzem outra EMA com menos atraso do que o original dois. Em outras palavras, o DEMA não é simplesmente dois EMAs combinados, ou uma média móvel de uma média móvel, mas é um cálculo de EMAs simples e duplas. Quase todas as plataformas de análise de negociação possuem o DEMA incluído como um indicador que pode ser adicionado aos gráficos. Portanto, os comerciantes podem usar o DEMA sem conhecer a matemática por trás dos cálculos e sem ter que escrever ou inserir nenhum código. Comparando o DEMA com as médias móveis tradicionais, as médias móveis são um dos métodos mais populares de análise técnica. Muitos comerciantes os usam para detectar reversões de tendências. Especialmente em um crossover média móvel, onde duas médias móveis de diferentes comprimentos são colocadas em um gráfico. Pontos onde as médias móveis cruzam podem significar oportunidades de compra ou venda. O DEMA pode ajudar os comerciantes a detectar inversões mais cedo porque é mais rápido responder às mudanças na atividade de mercado. A Figura 2 mostra um exemplo do contrato de futuros e-mini Russell 2000. Este gráfico de um minuto tem quatro médias móveis aplicadas: 21-período DEMA (rosa) 55-período DEMA (azul escuro) 21-período MA (azul claro) 55-período MA (luz verde) Figura 2: Este gráfico de um minuto de O contrato de futuros e-mini Russell 2000 ilustra o tempo de resposta mais rápido do DEMA quando usado em um crossover. Observe como o crossover DEMA em ambas as instâncias aparece significativamente mais cedo do que os cruzamentos do MA. O primeiro cronômetro DEMA aparece às 12:29 e o próximo bar abre a um preço de 663,20. O cruzamento do MA, por outro lado, se forma às 12h34 e o próximo preço de abertura dos bares é de 660.50. No próximo conjunto de crossovers, o cronômetro DEMA aparece às 1:33 e a barra seguinte abre em 658. O MA, em contraste, forma às 1:43, com a próxima barra abrindo em 662.90. Em cada caso, o cronômetro DEMA oferece uma vantagem em entrar na tendência anterior ao cruzamento do MA. (Para mais informações, leia o Tutorial de médias móveis.) Negociação com um DEMA Os exemplos de cruzamento de média móvel acima ilustram a eficácia de usar a média móvel exponencial de duplo aumento. Além de usar o DEMA como um indicador autônomo ou em uma configuração crossover, o DEMA pode ser usado em uma variedade de indicadores, onde a lógica é baseada em uma média móvel. Ferramentas de análise técnica como Bollinger Bands. A divergência de convergência média móvel (MACD) e a média móvel exponencial tripla (TRIX) são baseadas em tipos de média móvel e podem ser modificadas para incorporar uma DEMA em lugar de outros tipos mais tradicionais de médias móveis. A substituição da DEMA pode ajudar os comerciantes a detectar diferentes oportunidades de compra e venda que estão à frente das providenciadas pelas MAs ou EMAs tradicionalmente usadas nesses indicadores. Evidentemente, entrar em uma tendência mais cedo e não mais tarde geralmente leva a maiores lucros. A Figura 2 ilustra este princípio - se usássemos os crossovers como sinais de compra e venda. Nós inserimos os negócios significativamente mais cedo quando usamos o crossover DEMA em oposição ao cruzamento de MA. Bottom Line Os comerciantes e os investidores utilizaram há muito tempo médias móveis em suas análises de mercado. As médias móveis são uma ferramenta de análise técnica amplamente utilizada que fornece um meio de visualizar e interpretar rapidamente a tendência a longo prazo de um determinado instrumento de negociação. Uma vez que as médias móveis pela sua própria natureza são indicadores de atraso. É útil ajustar a média móvel para calcular um indicador mais rápido e mais responsivo. A média móvel exponencial dupla fornece aos comerciantes e investidores uma visão da tendência a mais longo prazo, com a vantagem de ser uma média móvel mais rápida com menos tempo de atraso. (Para leitura relacionada, dê uma olhada em Combo MACD em Movimento Médio e Simples e Vendas em Moedas Exponenciais). Um psicólogo de riqueza é um profissional de saúde mental especializado em questões relacionadas especificamente com indivíduos ricos. O branqueamento de capitais é o processo de criar a aparência de grandes quantias de dinheiro obtidas de crimes graves, tais como. Métodos de contabilidade que se concentram em impostos, em vez de aparência de demonstrações financeiras públicas. A contabilidade tributária é regida. O efeito boomer refere-se à influência que o cluster geracional nascido entre 1946 e 1964 tem na maioria dos mercados. Um aumento no preço das ações que muitas vezes ocorre na semana entre o Natal e o Ano Novo039s Day. Existem inúmeras explicações. Um termo usado por John Maynard Keynes usado em um de seus livros econômicos. Em sua publicação de 1936, a Teoria Geral do Emprego.
Comments
Post a Comment