Moving Average Fan

Fita média móvel DEFINIÇÃO da fita média móvel Uma técnica utilizada na análise técnica para identificar tendências em mudança. Ele é criado colocando um grande número de médias móveis no mesmo gráfico. Quando todas as médias estão se movendo na mesma direção, a tendência é dito ser forte. Reversões são confirmadas quando as médias crossover e cabeça no sentido oposto. As médias móveis utilizadas no diagrama começam com a média móvel de 50 dias e aumentam em períodos de 10 dias até a média final de 200. (50, 60, 70, 80, 190, 200) BREAKING DOWN Moving Average Ribbon Respondent to Mudança de condições é contabilizada pela alteração do número de períodos de tempo utilizados nas médias móveis. Quanto mais curto o número de períodos utilizados para criar a média, mais sensível a fita é a ligeira mudança de preços. Por exemplo, uma série de médias móveis de 5, 15, 25, 35 e 45 dias será uma melhor escolha para encontrar inversões de curto prazo, em seguida, 150, 160, 170, médias móveis de 180 dias. Moving Indicador Técnico Médio A Média Móvel Indicador Técnico mostra o valor médio do preço do instrumento para um determinado período de tempo. Quando se calcula a média móvel, uma média do preço do instrumento para este período de tempo. À medida que o preço muda, sua média móvel aumenta ou diminui. Existem quatro tipos diferentes de médias móveis: Simples (também referido como Aritmética). Exponencial. Alisado e linear ponderado. As médias móveis podem ser calculadas para qualquer conjunto de dados seqüenciais, incluindo preços de abertura e fechamento, preços mais altos e mais baixos, volume de negociação ou quaisquer outros indicadores. É freqüentemente o caso quando se utilizam médias móveis duplas. A única coisa em que as médias móveis de diferentes tipos divergem consideravelmente umas das outras, é quando os coeficientes de peso, que são atribuídos aos dados mais recentes, são diferentes. No caso em que estamos falando de simples média móvel, todos os preços do período em questão, são iguais em valor. As Médias Mínimas exponenciais e Lineares ponderadas atribuem mais valor aos preços mais recentes. A maneira mais comum de interpretar a média móvel de preços é comparar sua dinâmica com a ação de preço. Quando o preço do instrumento sobe acima de sua média móvel, um sinal de compra aparece, se o preço cai abaixo de sua média móvel, o que temos é um sinal de venda. Este sistema de comércio, que é baseado na média móvel, não é projetado para fornecer entrada no direito de mercado em seu ponto mais baixo, e sua saída direita no pico. Permite agir de acordo com a seguinte tendência: comprar logo após os preços chegarem ao fundo, e vender logo depois que os preços atingiram seu pico. As médias móveis também podem ser aplicadas aos indicadores. É aí que a interpretação das médias móveis dos indicadores é semelhante à interpretação das médias móveis de preços: se o indicador se eleva acima da média móvel, isso significa que o movimento do indicador ascendente deverá continuar: se o indicador cair abaixo da sua média móvel, Significa que é provável que continue indo para baixo. Aqui estão os tipos de médias móveis no gráfico: Média Móvel Simples (SMA) Média Móvel Exponencial (EMA) com suavização de Média Móvel (SMMA) Linear Média Móvel Ponderada Cálculo (LWMA): Média Móvel Simples (SMA) Simples, em outras palavras, A média móvel aritmética é calculada pela soma dos preços de encerramento do instrumento ao longo de um certo número de períodos únicos (por exemplo, 12 horas). Este valor é então dividido pelo número de tais períodos. Onde: N é o número de períodos de cálculo. Média Móvel Exponencial (EMA) A média móvel suavizada exponencialmente é calculada adicionando a média móvel de uma determinada parcela do preço de fechamento atual ao valor anterior. Com médias móveis exponencialmente suavizadas, os preços mais recentes são de maior valor. P-porcentagem de média móvel exponencial será parecido com: Onde: FECHAR (i) o preço do encerramento do período atual EMA (i-1) Exponencialmente Movendo Média do período anterior encerramento P a percentagem de utilização do valor do preço. Alisou Média Móvel (SMMA) O primeiro valor desta média móvel suavizada é calculada como a média móvel simples (SMA): A segunda e subsequentes médias móveis são calculados de acordo com esta fórmula: Onde: sum1 é a soma total dos preços de fechamento N períodos PREVSUM é a soma suavizada do SMMA1 bar anterior é a média móvel suavizada da primeira barra SMMA (i) é a média móvel suavizada da barra atual (exceto para o primeiro) CLOSE (i) é o preço de fechamento atual N É o período de suavização. Média Móvel Ponderada Linear (LWMA) No caso da média móvel ponderada, os dados mais recentes são mais valiosos que os dados mais antigos. A média móvel ponderada é calculada multiplicando cada um dos preços de fechamento dentro da série considerada, por um determinado coeficiente de ponderação. Onde: SUM (i, N) é a soma total dos coeficientes de peso. fonte código fonte completo MQL4 de médias móveis está disponível na base de código: Médias de advertência movente: Todos os direitos sobre estes materiais são reservados pela MetaQuotes Software Corp. A cópia ou reimpressão destes materiais no todo ou em parte é prohibited. Exponential Média Móvel - EMA Carregar o leitor. Os EMAs de 12 e 26 dias são as médias de curto prazo mais populares e são usados ​​para criar indicadores como a divergência de convergência média móvel (MACD) eo oscilador de preços percentuais (PPO). Em geral, as EMA de 50 e 200 dias são usadas como sinais de tendências de longo prazo. Traders que empregam análise técnica encontrar médias móveis muito útil e perspicaz quando aplicado corretamente, mas criar havoc quando usado de forma inadequada ou são mal interpretados. Todas as médias móveis normalmente utilizadas na análise técnica são, pela sua própria natureza, indicadores de atraso. Conseqüentemente, as conclusões tiradas da aplicação de uma média móvel a um gráfico de mercado específico devem ser para confirmar um movimento de mercado ou para indicar sua força. Muitas vezes, quando uma linha de indicadores de média móvel fez uma alteração para refletir uma mudança significativa no mercado, o ponto ótimo de entrada no mercado já passou. Um EMA serve para aliviar este dilema em certa medida. Porque o cálculo EMA coloca mais peso sobre os dados mais recentes, ele abraça a ação de preço um pouco mais apertado e, portanto, reage mais rápido. Isto é desejável quando um EMA é usado para derivar um sinal de entrada de negociação. Interpretando a EMA Como todos os indicadores de média móvel, eles são muito mais adequados para mercados de tendências. Quando o mercado está em uma tendência de alta forte e sustentada. A linha de indicador EMA também mostrará uma tendência de alta e vice-versa para uma tendência de queda. Um comerciante vigilante não só prestar atenção à direção da linha EMA, mas também a relação da taxa de mudança de uma barra para a próxima. Por exemplo, à medida que a ação de preço de uma forte tendência de alta começar a se nivelar e reverter, a taxa de mudança da EMA de uma barra para a próxima começará a diminuir até que a linha de indicador se aplana ea taxa de mudança seja zero. Por causa do efeito retardado, por este ponto, ou mesmo alguns bares antes, a ação de preço já deve ter invertido. Por conseguinte, segue-se que a observação de uma diminuição consistente da taxa de variação da EMA poderia ser utilizada como um indicador que poderia contrariar o dilema causado pelo efeito retardado das médias móveis. Usos comuns do EMA EMAs são comumente usados ​​em conjunto com outros indicadores para confirmar movimentos significativos do mercado e para avaliar a sua validade. Para os comerciantes que negociam intraday e mercados em rápido movimento, o EMA é mais aplicável. Muitas vezes os comerciantes usam EMAs para determinar um viés de negociação. Por exemplo, se um EMA em um gráfico diário mostra uma forte tendência de alta, uma estratégia de comerciantes intraday pode ser o comércio apenas a partir do lado longo em um gráfico intraday. Moving média Em estatísticas. Uma média móvel é uma de uma família de técnicas semelhantes usadas para analisar dados de séries temporais. Uma série de média móvel pode ser calculada para qualquer série de tempo. As médias móveis são usadas para suavizar as flutuações de curto prazo, destacando assim tendências ou ciclos de longo prazo. O limiar entre curto e longo prazo depende da aplicação, e os parâmetros da média móvel serão ajustados em conformidade. Matematicamente, cada uma dessas médias móveis é um exemplo de convolução. Estas médias também são semelhantes aos filtros passa-baixa usados ​​no processamento de sinal. Conteúdo Média móvel simples Editar Ao calcular valores sucessivos, um novo valor entra na soma e um valor antigo cai, significando que uma soma completa cada vez é desnecessária. Na análise técnica, existem vários valores populares para n. Como 10 dias, 40 dias ou 200 dias. O período selecionado depende do tipo de movimento que se está concentrando, como curto, intermediário ou longo prazo. Em qualquer caso, os níveis médios móveis são interpretados como suporte em um mercado em ascensão, ou resistência em um mercado em queda. Em todos os casos, uma média móvel fica atrás da última ação de preço, simplesmente pela natureza de sua suavização. Um SMA pode retardar-se em uma extensão indesejável, e pode ser influenciado demasiado por preços velhos que deixam cair fora da média. Isso é abordado dando peso extra aos preços recentes, como no WMA e EMA abaixo. Uma característica do SMA é que, se os dados tiverem uma flutuação periódica, a aplicação de um SMA desse período eliminará essa variação (a média sempre contendo um ciclo completo). Mas um ciclo perfeitamente regular é raramente encontrado em economia ou finanças. 1 Média ponderada de média móvel Uma média ponderada é qualquer média que tem fatores multiplicadores para dar diferentes pesos a diferentes pontos de dados. Mas na análise técnica, uma média móvel ponderada (WMA) tem o significado específico de pesos que diminuem aritmeticamente. Em um dia WMA-dia o dia mais recente tem peso n. A segunda mais recente n-1. Etc, até zero. Peso WMA n 15 O gráfico à direita mostra como os pesos diminuem, desde o peso mais alto para os dias mais recentes, até zero. Pode ser comparado com os pesos na média móvel exponencial que se segue. Uma média móvel exponencial (EMA), às vezes também chamada de média móvel exponencialmente ponderada (EWMA), aplica fatores de ponderação que diminuem exponencialmente. A ponderação para cada dia diminui exponencialmente, dando muito mais importância a observações recentes, enquanto ainda não descartar observações mais antigas inteiramente. O gráfico à direita mostra um exemplo da redução de peso. O grau de diminuição da pesagem é expresso como um factor de alisamento constante, um número entre 0 e 1 pode ser expresso como uma percentagem, pelo que um factor de alisamento de 10 é equivalente a 0,1. Alternativamente, pode ser expresso em termos de N períodos de tempo, onde. Por exemplo, N19 é equivalente a 0,1. A observação num período de tempo t é designada Y t. E o valor da EMA em qualquer período de tempo t é designado por S t. S 1 é indefinido. S2 pode ser inicializado de várias maneiras diferentes, mais comumente ajustando S2 a Y1. Embora existam outras técnicas, tais como definir S 2 para uma média das primeiras 4 ou 5 observações. A proeminência do efeito de inicialização de S 2 na média móvel resultante depende de valores menores, tornando a escolha de S 2 relativamente mais importante do que valores maiores, uma vez que um maior desacelera mais rapidamente as observações mais antigas. A fórmula para calcular a EMA nos períodos de tempo t88052 é 2 Esta formulação é de acordo com Hunter (1986) 3 uma abordagem alternativa por Roberts (1959) usa Y t em vez de Y t-1 4 Esta fórmula também pode ser expressa em análise técnica Termos como segue, mostrando como a EMA passos para o preço mais recente, mas apenas por uma proporção da diferença (cada vez), 5 Em teoria, esta é uma soma finita. Mas porque 1- é menor que 1, os termos tornam-se menores e menores, e podem ser ignorados uma vez suficientemente pequeno. O denominador se aproxima de 1 /, e esse valor pode ser usado em vez de somar os poderes, desde que se usem termos suficientes para que a parte omitida seja desprezível. Os N períodos em um N-dia EMA só especifica o fator. Não é um ponto de parada para o cálculo da forma como N está em um SMA ou WMA. Os primeiros N dias em um EMA representam cerca de 86 do peso total no cálculo embora. A fórmula de potência acima dá um valor inicial para um dia particular, após o que a fórmula de dias sucessivos mostrada em primeiro lugar pode ser aplicada. A questão de como voltar atrás para ir para um valor inicial depende, no pior dos casos, sobre os dados. Se existirem grandes valores de preço p em dados antigos, então eles terão um efeito sobre o total, mesmo que sua ponderação seja muito pequena. Se se assume que os preços não variam muito descontroladamente, então apenas a ponderação pode ser considerada, e calcular quanto peso é omitido por parar após dizer k termos. Isto é, que é, ou seja. Uma fração do peso total. J. Welles Wilder Edit Analista técnico J. Welles Wilder usa uma forma diferente para especificar o período de um EMA. Por exemplo, 14 dias ele escreve 6 So 1 / N em vez de 2 / (N1) como descrito acima. O cálculo e as propriedades são todos iguais, é apenas um cálculo diferente da taxa de suavização. É claro que deve ser tomado cuidado com o que se destina. Uma conversão pode ser feita facilmente, por exemplo, 14 dias a partir de Wilder é equivalente a 27 dias no anterior (conversão 2N-1). Outras ponderações Editar Outros sistemas de ponderação são usados ​​ocasionalmente 8211, por exemplo, uma ponderação de volume pesará cada período de tempo em proporção ao seu volume de negociação. Existem sistemas de ponderação projetados usando uma combinação de médias móveis: O indicador DEMA (eo indicador TEMA (Média Mínima Exponencial Tripla) são compostos únicos de uma única média móvel exponencial, uma média móvel exponencial dupla e, neste último caso, um movimento exponencial triplo Média que fornece menos defasagem do que qualquer um dos três componentes individualmente. Eles foram originalmente introduzido janeiro de 1994 por Patrick Mulloy. Como referência e link para o resumo ou texto O indicador TRIX usa um triple-EMA em seu cálculo. Isto acaba como apenas um Alguns conjuntos de pesos em dados passados ​​e um conjunto bastante diferente de um EMA simples na verdade Ver também Editar Notas e referências Editar Ligações externas EditMoving modelos de suavização média e exponencial Como um primeiro passo para ir além dos modelos de média, aleatória e linear Modelos de tendência, padrões e tendências não sazonais podem ser extrapolados usando um modelo de média móvel ou suavização. A suposição básica por trás de modelos de média e suavização é que a série de tempo é estacionária localmente com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e então usamos isso como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio e o modelo aleatório-andar-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é muitas vezes chamado de uma versão quotsmoothedquot da série original, porque a média de curto prazo tem o efeito de suavizar os solavancos na série original. Ajustando o grau de suavização (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O tipo mais simples de modelo de média é o. Média Móvel Simples (igualmente ponderada): A previsão para o valor de Y no tempo t1 que é feita no tempo t é igual à média simples das observações m mais recentes: (Aqui e em outro lugar usarei o símbolo 8220Y-hat8221 para ficar Para uma previsão da série temporal Y feita o mais cedo possível antes de um determinado modelo). Esta média é centrada no período t (m1) / 2, o que implica que a estimativa da média local tende a ficar para trás Valor real da média local em cerca de (m1) / 2 períodos. Dessa forma, dizemos que a idade média dos dados na média móvel simples é (m1) / 2 relativa ao período para o qual a previsão é calculada: é a quantidade de tempo em que as previsões tenderão a ficar para trás dos pontos de inflexão na dados. Por exemplo, se você estiver calculando a média dos últimos 5 valores, as previsões serão cerca de 3 períodos atrasados ​​em responder a pontos de viragem. Observe que se m1, o modelo de média móvel simples (SMA) é equivalente ao modelo de caminhada aleatória (sem crescimento). Se m é muito grande (comparável ao comprimento do período de estimação), o modelo SMA é equivalente ao modelo médio. Como com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfitquot aos dados, isto é, os erros de previsão mais pequenos em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta. Primeiro, vamos tentar ajustá-lo com um modelo de caminhada aleatória, o que equivale a uma média móvel simples de um termo: O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo ele escolhe grande parte do quotnoise no Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se, em vez disso, tentarmos uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves: A média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nessa previsão é de 3 ((51) / 2), de modo que ela tende a ficar atrás de pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virar até vários períodos mais tarde.) Observe que as previsões de longo prazo do modelo SMA são uma linha reta horizontal, assim como na caminhada aleatória modelo. Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões do modelo SMA são iguais a uma média ponderada de valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se alargam à medida que o horizonte de previsão aumenta. Isto obviamente não é correto Infelizmente, não existe uma teoria estatística subjacente que nos diga como os intervalos de confiança devem se alargar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de longo prazo. Por exemplo, você poderia configurar uma planilha na qual o modelo SMA seria usado para prever 2 passos à frente, 3 passos à frente, etc. dentro da amostra de dados históricos. Você poderia então calcular os desvios padrão da amostra dos erros em cada horizonte de previsão e, em seguida, construir intervalos de confiança para previsões de longo prazo adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obtemos previsões ainda mais suaves e mais um efeito retardado: A idade média é agora de 5 períodos ((91) / 2). Se tomarmos uma média móvel de 19 períodos, a idade média aumenta para 10: Observe que, na verdade, as previsões estão agora atrasadas por pontos de inflexão em cerca de 10 períodos. Qual a quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3-termo: Modelo C, a média móvel de 5-termo, rende o menor valor de RMSE por uma pequena margem sobre o 3 E médias de 9-termo, e suas outras estatísticas são quase idênticas. Assim, entre os modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações igualmente e completamente ignora todas as observações anteriores. (Voltar ao início da página.) Marrons Simples Exponencial Suavização (exponencialmente ponderada média móvel) Intuitivamente, os dados passados ​​devem ser descontados de forma mais gradual - por exemplo, a observação mais recente deve ter um pouco mais de peso que a segunda mais recente, ea segunda mais recente deve ter um pouco mais de peso que a 3ª mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Vamos 945 denotar uma constante quotsmoothingquot (um número entre 0 e 1). Uma maneira de escrever o modelo é definir uma série L que represente o nível atual (isto é, o valor médio local) da série, conforme estimado a partir dos dados até o presente. O valor de L no tempo t é calculado recursivamente a partir de seu próprio valor anterior como este: Assim, o valor suavizado atual é uma interpolação entre o valor suavizado anterior e a observação atual, onde 945 controla a proximidade do valor interpolado para o mais recente observação. A previsão para o próximo período é simplesmente o valor suavizado atual: Equivalentemente, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação entre previsão anterior e observação anterior: Na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior por uma fração 945. é o erro feito em Tempo t. Na terceira versão, a previsão é uma média móvel exponencialmente ponderada (ou seja, descontada) com o fator de desconto 1- 945: A versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha: Célula única e contém referências de células que apontam para a previsão anterior, a observação anterior ea célula onde o valor de 945 é armazenado. Observe que, se 945 1, o modelo SES é equivalente a um modelo de caminhada aleatória (sem crescimento). Se 945 0, o modelo SES é equivalente ao modelo médio, assumindo que o primeiro valor suavizado é definido igual à média. A idade média dos dados na previsão de suavização exponencial simples é de 1/945 em relação ao período para o qual a previsão é calculada. (Isso não é suposto ser óbvio, mas pode ser facilmente demonstrado através da avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a ficar para trás de pontos de viragem em cerca de 1/945 períodos. Por exemplo, quando 945 0,5 o atraso é 2 períodos quando 945 0,2 o atraso é de 5 períodos quando 945 0,1 o atraso é de 10 períodos, e assim por diante. Para uma dada idade média (isto é, a quantidade de atraso), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão de média móvel simples (SMA) porque coloca relativamente mais peso na observação mais recente - i. e. É ligeiramente mais quotresponsivequot às mudanças que ocorrem no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 têm uma idade média de 5 para os dados nas suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no modelo SMA. Outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser facilmente otimizado Utilizando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor óptimo de 945 no modelo SES para esta série revela-se 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é de 1 / 0.2961 3.4 períodos, que é semelhante ao de um 6-termo simples de movimento média. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA eo modelo de caminhada aleatória sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoavelmente aparente, e que eles são substancialmente mais estreitos do que os intervalos de confiança para o modelo de caminhada aleatória. O modelo SES assume que a série é um tanto mais previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. De modo que a teoria estatística dos modelos ARIMA fornece uma base sólida para o cálculo de intervalos de confiança para o modelo SES. Em particular, um modelo SES é um modelo ARIMA com uma diferença não sazonal, um termo MA (1) e nenhum termo constante. Também conhecido como um modelo quimétrico ARIMA (0,1,1) sem constantequot. O coeficiente MA (1) no modelo ARIMA corresponde à quantidade 1-945 no modelo SES. Por exemplo, se você ajustar um modelo ARIMA (0,1,1) sem constante à série aqui analisada, o coeficiente MA estimado (1) resulta ser 0,7029, que é quase exatamente um menos 0,2961. É possível adicionar a hipótese de uma tendência linear constante não-zero para um modelo SES. Para isso, basta especificar um modelo ARIMA com uma diferença não sazonal e um termo MA (1) com uma constante, ou seja, um modelo ARIMA (0,1,1) com constante. As previsões a longo prazo terão então uma tendência que é igual à tendência média observada ao longo de todo o período de estimação. Não é possível fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desativadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial de longo prazo constante a um modelo de suavização exponencial simples (com ou sem ajuste sazonal) usando a opção de ajuste de inflação no procedimento de Previsão. A taxa adequada de inflação (crescimento percentual) por período pode ser estimada como o coeficiente de declive num modelo de tendência linear ajustado aos dados em conjunção com uma transformação de logaritmo natural, ou pode basear-se noutras informações independentes relativas às perspectivas de crescimento a longo prazo . (Retornar ao início da página.) Browns Linear (ie double) Suavização exponencial Os modelos SMA e SES assumem que não há tendência de qualquer tipo nos dados (o que geralmente é OK ou pelo menos não muito ruim para 1- Antecipadamente quando os dados são relativamente ruidosos) e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. O que acontece com as tendências a curto prazo Se uma série exibe uma taxa variável de crescimento ou um padrão cíclico que se destaca claramente contra o ruído, e se houver uma necessidade de prever mais de um período à frente, a estimativa de uma tendência local também pode ser um problema. O modelo de suavização exponencial simples pode ser generalizado para obter um modelo de suavização exponencial linear (LES) que calcula estimativas locais de nível e tendência. O modelo de tendência de variação de tempo mais simples é o modelo de alisamento exponencial linear de Browns, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos no tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. (Uma versão mais sofisticada deste modelo, Holt8217s, é discutida abaixo). A forma algébrica do modelo de suavização exponencial linear de Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em um número de formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida pela aplicação de suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, sob simples Exponencial, esta seria a previsão para Y no período t1.) Então deixe Squot denotar a série duplamente-alisada obtida aplicando a suavização exponencial simples (usando o mesmo 945) à série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dada por: Isto produz e 1 0 (isto é, enganar um pouco e deixar a primeira previsão igual à primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isto produz os mesmos valores ajustados que a fórmula baseada em S e S se estes últimos foram iniciados utilizando S 1 S 1 Y 1. Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt8217s Linear Exponential Smoothing Brown8217s O modelo LES calcula estimativas locais de nível e tendência ao suavizar os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de ajustar: o nível ea tendência Não são permitidos variar em taxas independentes. Holt8217s modelo LES aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência. Em qualquer momento t, como no modelo Brown8217s, existe uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui eles são calculados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado ea tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão para Y tshy que teria sido feita no tempo t-1 é igual a L t-1 T t-1. Quando o valor real é observado, a estimativa atualizada do nível é computada recursivamente pela interpolação entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1-945. A mudança no nível estimado, Nomeadamente L t 8209 L t82091. Pode ser interpretado como uma medida ruidosa da tendência no tempo t. A estimativa actualizada da tendência é então calculada recursivamente pela interpolação entre L t 8209 L t82091 e a estimativa anterior da tendência, T t-1. Usando pesos de 946 e 1-946: A interpretação da constante de alisamento de tendência 946 é análoga à da constante de alisamento de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda apenas muito lentamente ao longo do tempo, enquanto modelos com Maior 946 supor que está mudando mais rapidamente. Um modelo com um 946 grande acredita que o futuro distante é muito incerto, porque os erros na tendência-estimativa tornam-se completamente importantes ao prever mais de um período adiante. As constantes de suavização 945 e 946 podem ser estimadas da maneira usual, minimizando o erro quadrático médio das previsões de 1 passo à frente. Quando isso é feito em Statgraphics, as estimativas se tornam 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados que é usada na estimativa do nível local da série, a idade média dos dados que é usada na estimativa da tendência local é proporcional a 1/946, embora não exatamente igual a isto. Neste caso, isto é 1 / 0.006 125. Este número é muito preciso, na medida em que a precisão da estimativa de 946 é realmente de 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100 , Assim que este modelo está calculando a média sobre bastante muita história em estimar a tendência. O gráfico de previsão abaixo mostra que o modelo LES estima uma tendência local ligeiramente maior no final da série do que a tendência constante estimada no modelo SEStrend. Além disso, o valor estimado de 945 é quase idêntico ao obtido pelo ajuste do modelo SES com ou sem tendência, de modo que este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis ​​para um modelo que é suposto estar estimando uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram calculados minimizando o erro quadrático das previsões de um passo à frente, e não as previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está olhando são 1-passo-frente erros, você não está vendo a imagem maior de tendências sobre (digamos) 10 ou 20 períodos. A fim de obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de suavização constante para que ele usa uma linha de base mais curto para a estimativa de tendência. Por exemplo, se escolhemos definir 946 0,1, então a idade média dos dados usados ​​na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo uma média da tendência ao longo dos últimos 20 períodos aproximadamente. Here8217s o que o lote de previsão parece se ajustarmos 946 0.1 mantendo 945 0.3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso para extrapolar esta tendência mais de 10 períodos no futuro. E sobre as estatísticas de erro Aqui está uma comparação de modelos para os dois modelos mostrados acima, bem como três modelos SES. O valor ótimo de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com ligeiramente mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 0,3048 e beta 0,008 (B) Holts linear exp. Alisamento com alfa 0,3 e beta 0,1 (C) Alisamento exponencial simples com alfa 0,5 (D) Alisamento exponencial simples com alfa 0,3 (E) Alisamento exponencial simples com alfa 0,2 Suas estatísticas são quase idênticas, então realmente não podemos fazer a escolha com base De erros de previsão de 1 passo à frente dentro da amostra de dados. Temos de recorrer a outras considerações. Se acreditarmos firmemente que faz sentido basear a estimativa de tendência atual sobre o que aconteceu nos últimos 20 períodos, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se quisermos ser agnósticos quanto à existência de uma tendência local, então um dos modelos SES pode ser mais fácil de explicar e também fornecerá mais previsões de médio-caminho para os próximos 5 ou 10 períodos. Evidências empíricas sugerem que, se os dados já tiverem sido ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar os resultados lineares de curto prazo Muito para o futuro. As tendências evidentes hoje podem afrouxar no futuro devido às causas variadas tais como a obsolescência do produto, a competição aumentada, e os abrandamentos cíclicos ou as ascensões em uma indústria. Por esta razão, a suavização exponencial simples geralmente desempenha melhor fora da amostra do que poderia ser esperado, apesar da sua extrapolação de tendência horizontal quotnaivequot. Modificações de tendência amortecida do modelo de suavização exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES com tendência a amortecimento pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA (1,1,2). É possível calcular intervalos de confiança em torno de previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de suavização (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 se torna maior no modelo SES e eles se espalham muito mais rápido quando se usa linear ao invés de alisamento simples. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao topo da página.)