Previsão Média Em Movimento

Evolução média móvel média. Como você pode imaginar, estamos olhando algumas das abordagens mais primitivas da previsão. Mas espero que este seja, pelo menos, uma introdução interessante para algumas das questões de informática relacionadas à implementação de previsões em planilhas. Nessa linha, continuaremos começando no início e começaremos a trabalhar com as previsões da Moeda em Movimento. Previsões médias móveis. Todos estão familiarizados com as previsões da média móvel, independentemente de acreditarem estar ou não. Todos os estudantes universitários fazem-no o tempo todo. Pense nos resultados do teste em um curso onde você terá quatro testes durante o semestre. Vamos assumir que você obteve um 85 no seu primeiro teste. O que você prever para o seu segundo resultado de teste O que você acha que seu professor prever para o seu próximo resultado de teste? O que você acha que seus amigos podem prever para o seu próximo resultado do teste? O que você acha que seus pais podem prever para o seu próximo resultado? Todos os blabbing que você pode fazer para seus amigos e pais, eles e seu professor provavelmente esperam que você consiga algo na área dos 85 que você acabou de receber. Bem, agora vamos assumir que, apesar de sua auto-promoção para seus amigos, você superestimar-se e imaginar que você pode estudar menos para o segundo teste e então você obtém um 73. Agora, o que todos os interessados ​​e desinteressados ​​vão Preveja que você obtém seu terceiro teste. Existem duas abordagens muito prováveis ​​para que eles desenvolvam uma estimativa, independentemente de compartilharem com você. Eles podem dizer a si mesmos, esse cara está sempre soprando fumaça sobre seus inteligentes. Hes vai ter outros 73 se tiver sorte. Talvez os pais tentem ser mais solidários e dizer, muito, até agora você obteve um 85 e um 73, então talvez você devesse entender sobre obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festa E não mexia com a doninha em todo o lugar e se você começou a fazer muito mais estudando, você poderia obter uma pontuação mais alta. Duas dessas estimativas são, na verdade, previsões médias móveis. O primeiro está usando apenas o seu resultado mais recente para prever seu desempenho futuro. Isso é chamado de previsão média móvel usando um período de dados. O segundo é também uma previsão média móvel, mas usando dois períodos de dados. Vamos assumir que todas essas pessoas que estão se abalando na sua ótima mente ficaram chateadas e você decide fazer bem no terceiro teste por suas próprias razões e colocar uma pontuação maior na frente do quotalliesquot. Você faz o teste e sua pontuação é realmente um 89, todos, incluindo você, está impressionado. Então, agora você começa o teste final do semestre e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você fará no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. O que você acredita é o Whistle mais preciso enquanto trabalhamos. Agora, retornamos à nossa nova empresa de limpeza, iniciada pela sua meia-irmã separada chamado Whistle While We Work. Você possui alguns dados de vendas passadas representados pela seção a seguir de uma planilha. Primeiro apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula celular para as outras células C7 até C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que não precisamos realmente fazer as previsões para os períodos passados ​​para desenvolver nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Eu incluí o quotpast predictionsquot porque vamos usá-los na próxima página da web para medir a validade da previsão. Agora, eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula celular para as outras células C6 até C11. Observe como agora apenas as duas peças históricas mais recentes são usadas para cada previsão. Mais uma vez eu incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são importantes para aviso prévio. Para uma previsão média móvel de m-período, apenas os valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel de m-período, ao fazer previsões quotpast, observe que a primeira previsão ocorre no período m 1. Essas duas questões serão muito significativas quando desenvolvamos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão média móvel que pode ser usada de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que deseja usar na previsão e na matriz de valores históricos. Você pode armazená-lo em qualquer livro de trabalho que desejar. Função MovingAverage (Histórico, NumberOfPeriods) As Single Declarando e inicializando variáveis ​​Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer Inicializando variáveis ​​Counter 1 Accumulation 0 Determinando o tamanho da matriz histórica HistoricalSize Historical. Count Para o contador 1 para NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha para que o resultado do cálculo apareça onde deve gostar do seguinte. Médias migratórias: Como usá-las Algumas das principais funções de uma média móvel são identificar tendências e reversões. Medir a força de um impulso de ativos e determinar áreas potenciais onde um recurso irá encontrar suporte ou resistência. Nesta seção, vamos apontar como diferentes períodos de tempo podem monitorar a dinâmica e como as médias móveis podem ser benéficas na definição de perdas de parada. Além disso, abordaremos algumas das capacidades e limitações das médias móveis que se deve considerar ao usá-las como parte de uma rotina comercial. Tendência A tendência de identificação é uma das principais funções das médias móveis, que são utilizadas pela maioria dos comerciantes que procuram tornar a tendência seu amigo. As médias móveis são indicadores de atraso. O que significa que eles não prevêem novas tendências, mas confirmam as tendências uma vez que foram estabelecidas. Como você pode ver na Figura 1, uma ação é considerada como uma tendência de alta quando o preço está acima de uma média móvel e a média está inclinada para cima. Por outro lado, um comerciante usará um preço abaixo de uma média inclinada para baixo para confirmar uma tendência de baixa. Muitos comerciantes só considerarão manter uma posição longa em um ativo quando o preço estiver negociando acima de uma média móvel. Esta regra simples pode ajudar a garantir que a tendência seja favorável aos comerciantes. Momento Muitos comerciantes iniciantes perguntam como é possível medir o impulso e como as médias móveis podem ser usadas para enfrentar tal façanha. A resposta simples é prestar muita atenção aos períodos de tempo usados ​​na criação da média, pois cada período de tempo pode fornecer informações valiosas sobre diferentes tipos de dinâmica. Em geral, o impulso de curto prazo pode ser avaliado considerando as médias móveis que se concentram em períodos de 20 dias ou menos. Analisar as médias móveis que são criadas com um período de 20 a 100 dias geralmente é considerada como uma boa medida de impulso a médio prazo. Finalmente, qualquer média móvel que use 100 dias ou mais no cálculo pode ser usada como medida de impulso a longo prazo. O senso comum deve dizer-lhe que uma média móvel de 15 dias é uma medida mais apropriada do impulso de curto prazo do que uma média móvel de 200 dias. Um dos melhores métodos para determinar a força e a direção de um impulso de ativos é colocar três médias móveis em um gráfico e, em seguida, prestar muita atenção à forma como eles se acumulam em relação um ao outro. As três médias móveis que geralmente são usadas têm intervalos de tempo variáveis ​​na tentativa de representar movimentos de preços de curto, médio e longo prazos. Na Figura 2, um forte impulso ascendente é observado quando as médias de curto prazo estão localizadas acima das médias de longo prazo e as duas médias são divergentes. Por outro lado, quando as médias de curto prazo estão localizadas abaixo das médias de longo prazo, o impulso está na direção descendente. Suporte Outro uso comum das médias móveis é determinar possíveis suportes de preços. Não é preciso muita experiência em lidar com as médias móveis para notar que a queda do preço de um ativo, muitas vezes, irá parar e inverter a direção ao mesmo nível que uma média importante. Por exemplo, na Figura 3, você pode ver que a média móvel de 200 dias foi capaz de suportar o preço do estoque depois que ele caiu de sua alta perto de 32. Muitos comerciantes anteciparão um salto das principais médias móveis e usarão outros Indicadores técnicos como confirmação do movimento esperado. Resistência Uma vez que o preço de um activo cai abaixo de um nível influente de suporte, como a média móvel de 200 dias, não é incomum ver o ato médio como uma barreira forte que impede os investidores de pressionar o preço acima dessa média. Como você pode ver no gráfico abaixo, essa resistência é freqüentemente usada pelos comerciantes como um sinal para tirar lucros ou para fechar qualquer posição longa existente. Muitos vendedores curtos também usarão essas médias como pontos de entrada porque o preço muitas vezes rejeita a resistência e continua seu movimento mais baixo. Se você é um investidor que está ocupando uma posição longa em um ativo que está negociando abaixo das principais médias móveis, pode ser do seu melhor interesse observar estes níveis de perto porque podem afetar o valor do seu investimento. Stop-Losses As características de suporte e resistência das médias móveis tornam-na uma ótima ferramenta para gerenciar riscos. A capacidade das médias móveis para identificar locais estratégicos para definir ordens stop-loss permite que os comerciantes reduzam a perda de posições antes que elas possam crescer. Como você pode ver na Figura 5, os comerciantes que detêm uma posição longa em um estoque e definem suas ordens de stop-loss abaixo de médias influentes podem economizar muito dinheiro. O uso de médias móveis para definir ordens de stop-loss é a chave para qualquer estratégia de negociação bem-sucedida. Na prática, a média móvel proporcionará uma boa estimativa da média das séries temporais se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então, torna-se constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que em qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo e a estimativa na dimensão temporal. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e tendência do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado na suposição de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Uma vez que as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de observações m, assumindo que os dados provêm de uma população com um meio constante. Este termo é minimizado fazendo m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.