Médias móveis Uma média móvel é um dos indicadores de análise técnica mais flexíveis e mais comumente usados. É altamente popular entre os comerciantes, principalmente devido à sua simplicidade. Ele funciona melhor em um ambiente de tendências. Introdução Nas estatísticas, uma média móvel é simplesmente uma média de um determinado conjunto de dados. No caso de análise técnica, esses dados são na maioria dos casos representados pelos preços de fechamento dos estoques para os dias específicos. No entanto, alguns comerciantes também usam médias separadas para mínimos e máximos diários ou mesmo uma média de valores de ponto médio (que eles calculam ao resumir diariamente o mínimo e o máximo e dividindo por ele dois). No entanto, você pode construir uma média móvel também em um período de tempo mais curto, por exemplo, usando dados diários ou de minutos. Por exemplo, se você quiser fazer uma média móvel de 10 dias, basta adicionar todos os preços de fechamento durante os últimos 10 dias e dividi-lo por 10 (neste caso, é uma média móvel simples). No dia seguinte, fazemos o mesmo, exceto que voltemos os preços nos últimos 10 dias, o que significa que o preço que foi o último em nosso cálculo para o dia anterior não está mais incluído na média de hoje - é substituído por ontem preço. A mudança de dados dessa maneira com cada novo dia de negociação, daí o termo média móvel. O propósito e uso das médias móveis na análise técnica A média móvel é um indicador de tendência. O objetivo é detectar o início de uma tendência, seguir seu progresso, bem como relatar sua reversão se ocorrer. Ao contrário do gráfico, as médias móveis não prevêem o início ou o fim de uma tendência. Eles só confirmam isso, mas apenas algum tempo após a reversão real ocorrer. Isso decorre de sua própria construção, pois esses indicadores são baseados exclusivamente em dados históricos. Os dias menos que uma média móvel contém, mais cedo pode detectar uma inversão de tendências. É devido à quantidade de dados históricos, que influenciam fortemente a média. Uma média móvel de 20 dias gera o sinal de uma reversão de tendência mais cedo do que a média de 50 dias. No entanto, também é verdade que quanto menos dias usamos na computação de médias móveis, mais sinais falsos recebemos. Assim, a maioria dos comerciantes usa uma combinação de várias médias móveis, que devem produzir um sinal ao mesmo tempo, antes que um comerciante abra sua posição no mercado. No entanto, uma média móvel atrasada atrás da tendência não pode ser completamente eliminada. Sinais de negociação Qualquer tipo de média móvel pode ser usado para gerar sinais de compra ou venda e esse processo é muito simples. O software de gráficos traça a média móvel como uma linha diretamente no gráfico de preços. Os sinais são gerados em locais onde os preços cruzam essas linhas. Quando o preço cruza acima da linha média móvel, isso implica o início de uma nova tendência ascendente e, portanto, significa um sinal de compra. Por outro lado, se o preço cruza sob a linha média móvel e o mercado também encerra nesta área, ele sinaliza o início de uma tendência descendente e, portanto, constitui um sinal de venda. Usando médias múltiplas Também podemos optar por usar movimentos múltiplos Médias simultâneas, para eliminar o ruído dos preços e especialmente os sinais falsos (whipsaws), que o uso de uma única média móvel gera. Ao usar múltiplas médias, um sinal de compra ocorre quando a menor das médias cruza acima da média mais longa, e. A média média de 50 dias ultrapassa a média de 200 dias. Por outro lado, um sinal de venda neste caso é gerado quando a média de 50 dias cruza sob a média de 200. Da mesma forma, também podemos usar uma combinação de três médias, e. Uma média de 5 dias, 10 dias e 20 dias. Neste caso, uma tendência ascendente é indicada se a linha média de 5 dias estiver acima da média móvel de 10 dias, enquanto a média de 10 dias ainda está acima da média de 20 dias. Qualquer cruzamento de médias móveis que leva a essa situação é considerado um sinal de compra. Por outro lado, a tendência descendente é indicada pela situação quando a linha média de 5 dias é menor que a média de 10 dias, enquanto a média de 10 dias é menor do que a média de 20 dias. Usando três médias móveis simultaneamente, limita a quantidade de falso Sinais gerados pelo sistema, mas também limita o potencial de lucro, pois esse sistema gera um sinal de negociação somente após a tendência estar firmemente estabelecida no mercado. O sinal de entrada pode ser gerado apenas um curto período de tempo antes da inversão das tendências. Os intervalos de tempo utilizados pelos comerciantes para calcular as médias móveis são bastante diferentes. Por exemplo, os números Fibonacci são muito populares, como o uso de médias de 5 dias, 21 dias e 89 dias. No mercado de futuros, a combinação de 4-, 9 e 18 dias também é muito popular. Prós e contras A razão pela qual as médias móveis foram tão populares é que elas refletem várias regras básicas de negociação. O uso de médias móveis ajuda você a reduzir suas perdas ao deixar seus lucros funcionar. Ao usar médias móveis para gerar sinais de negociação, você sempre troca na direção da tendência do mercado, não contra ela. Além disso, em oposição à análise de padrões de gráfico ou outras técnicas altamente subjetivas, as médias móveis podem ser usadas para gerar sinais de negociação de acordo com regras claras - eliminando assim a subjetividade das decisões comerciais, o que pode ajudar a psique dos comerciantes. No entanto, uma grande desvantagem das médias móveis é que elas funcionam bem apenas quando o mercado está a tendência. Por isso, em períodos de mercados agitados quando os preços flutuam em uma faixa de preço particular, eles não funcionam de forma alguma. Esse período pode facilmente durar mais de um terço do tempo, portanto, confiar em médias móveis sozinho é muito arriscado. Alguns comerciantes, por isso, recomendam combinar médias móveis com um indicador que mede a força de uma tendência, como ADX ou usar médias móveis apenas como um indicador de confirmação para seu sistema comercial. Tipos de médias móveis Os tipos de médias móveis mais utilizados são a média móvel simples (SMA) e a média móvel ponderada exponencialmente (EMA, EWMA). Este tipo de média móvel também é conhecido como média aritmética e representa o tipo de média móvel mais comum e mais comum. Calculamos isso resumindo todos os preços de fechamento de um determinado período, que posteriormente dividimos pelo número de dias no período. No entanto, dois problemas estão associados a este tipo de média: leva em conta apenas os dados incluídos no período selecionado (por exemplo, uma média móvel simples de 10 dias leva em consideração apenas os dados dos últimos 10 dias e simplesmente ignora todos os outros dados Antes deste período). Também é muitas vezes criticado pela alocação de pesos iguais a todos os dados no conjunto de dados (ou seja, em uma média móvel de 10 dias, um preço de 10 dias atrás tem o mesmo peso que o preço de ontem - 10). Muitos comerciantes argumentam que os dados dos últimos dias deveriam ter mais peso do que os dados mais antigos - o que resultaria na redução do atraso das médias na tendência. Esse tipo de média móvel resolve ambos os problemas associados a médias móveis simples. Em primeiro lugar, aloca mais peso em sua computação para dados recentes. Também reflete, em certa medida, todos os dados históricos para o instrumento específico. Esse tipo de média é denominado de acordo com o fato de que os pesos dos dados para o passado diminuem exponencialmente. A inclinação desta diminuição pode ser ajustada às necessidades do comerciante. Médias móveis Médias móveis Com conjuntos de dados convencionais, o valor médio é geralmente o primeiro e uma das estatísticas de resumo mais úteis para calcular. Quando os dados estão na forma de uma série temporal, a série significa uma medida útil, mas não reflete a natureza dinâmica dos dados. Os valores médios calculados em períodos curtos, quer antes do período atual, quer centrados no período atual, são geralmente mais úteis. Uma vez que esses valores médios variam, ou se movem, à medida que o período atual se move do tempo t 2, t 3. etc., eles são conhecidos como médias móveis (Mas). Uma média móvel simples é (tipicamente) a média não ponderada de k valores anteriores. Uma média móvel ponderada exponencialmente é essencialmente a mesma que uma média móvel simples, mas com contribuições para a média ponderada pela proximidade com a hora atual. Como não há um, mas toda uma série de médias móveis para qualquer série, o conjunto de Mas pode ser plotado em gráficos, analisados como uma série e usados em modelagem e previsão. Uma série de modelos pode ser construída usando médias móveis, e estas são conhecidas como modelos MA. Se esses modelos forem combinados com modelos autorregressivos (AR), os modelos compostos resultantes são conhecidos como modelos ARMA ou ARIMA (o I é para integrado). Médias móveis simples Uma vez que uma série temporal pode ser considerada como um conjunto de valores, t 1,2,3,4, n a média desses valores pode ser calculada. Se assumirmos que n é bastante grande, e selecionamos um inteiro k, que é muito menor que n. Podemos calcular um conjunto de médias de bloco, ou médias móveis simples (da ordem k): cada medida representa a média dos valores de dados ao longo de um intervalo de observações k. Observe que o primeiro MA possível da ordem k gt0 é aquele para t k. Mais geralmente podemos soltar o subíndice extra nas expressões acima e escrever: Isto indica que a média estimada no tempo t é a média simples do valor observado no tempo t e as etapas de tempo precedentes de k-1. Se forem aplicados pesos que diminuam a contribuição das observações que estão mais longe no tempo, a média móvel é dita suavizada exponencialmente. As médias móveis são freqüentemente usadas como forma de previsão, pelo que o valor estimado para uma série no instante t 1, S t1. É tomado como MA durante o período até e inclusive o tempo t. por exemplo. A estimativa de hoje é baseada em uma média de valores registrados anteriores até e inclusive ontem (para dados diários). As médias móveis simples podem ser vistas como uma forma de suavização. No exemplo ilustrado abaixo, o conjunto de dados de poluição do ar mostrado na introdução deste tópico foi aumentado por uma linha de média móvel de 7 dias (MA), mostrada aqui em vermelho. Como pode ser visto, a linha MA suaviza os picos e as depressões nos dados e pode ser muito útil na identificação de tendências. A fórmula padrão de cálculo direto significa que os primeiros pontos de dados k -1 não possuem valor MA, mas, posteriormente, os cálculos se estendem ao ponto final de dados da série. PM10 valores médios diários, fonte de Greenwich: London Air Quality Network, londonair. org. uk Um dos motivos para o cálculo de médias móveis simples da maneira descrita é que permite que os valores sejam computados para todos os intervalos de tempo do tempo até o presente, e Como uma nova medida é obtida para o tempo t 1, o MA para o tempo t 1 pode ser adicionado ao conjunto já calculado. Isso fornece um procedimento simples para conjuntos de dados dinâmicos. No entanto, existem algumas questões com essa abordagem. É razoável argumentar que o valor médio nos últimos 3 períodos, por exemplo, deve estar localizado no tempo t -1, e não no tempo t. E para um MA em um número par de períodos, talvez ele deve estar localizado no meio do ponto entre dois intervalos de tempo. Uma solução para esta questão é usar cálculos de MA centrados, em que o MA no tempo t é a média de um conjunto simétrico de valores em torno de t. Apesar de seus méritos óbvios, essa abordagem não é geralmente usada porque requer que os dados estejam disponíveis para eventos futuros, o que pode não ser o caso. Nos casos em que a análise é inteiramente de uma série existente, o uso de Mas centrado pode ser preferível. As médias móveis simples podem ser consideradas como uma forma de suavização, eliminando alguns componentes de alta freqüência de uma série de tempo e destacando (mas não removendo) tendências de maneira similar à noção geral de filtragem digital. De fato, as médias móveis são uma forma de filtro linear. É possível aplicar uma computação média móvel a uma série que já foi suavizada, ou seja, suavizando ou filtrando uma série já suavizada. Por exemplo, com uma média móvel da ordem 2, podemos considerá-la como sendo calculada usando pesos, de modo que o MA em x 2 0,5 x 1 0,5 x 2. Do mesmo modo, o MA em x 3 0,5 x 2 0,5 x 3. Se nós Aplicar um segundo nível de suavização ou filtragem, temos 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3, isto é, a filtragem de 2 estágios O processo (ou convolução) produziu uma média móvel simétrica ponderada de forma variável, com pesos. Várias convoluções podem produzir médias móveis bastante ponderadas, algumas das quais foram encontradas de particular uso em campos especializados, como nos cálculos do seguro de vida. As médias móveis podem ser usadas para remover efeitos periódicos se computado com o comprimento da periodicidade como conhecido. Por exemplo, com os dados mensais, as variações sazonais podem ser muitas vezes removidas (se este for o objetivo) aplicando uma média móvel simétrica de 12 meses com todos os meses ponderados igualmente, exceto o primeiro e o último que são ponderados por 12. Isso ocorre porque haverá Tenha 13 meses no modelo simétrico (tempo atual, t. - 6 meses). O total é dividido por 12. Procedimentos semelhantes podem ser adotados para qualquer periodicidade bem definida. Médias móveis ponderadas exponencialmente (EWMA) Com a fórmula média móvel simples: todas as observações são igualmente ponderadas. Se chamássemos esses pesos iguais, alfa t. Cada um dos pesos k seria igual a 1 k. Então a soma dos pesos seria de 1, e a fórmula seria: já vimos que as múltiplas aplicações desse processo resultam na variação dos pesos. Com médias móveis exponencialmente ponderadas, a contribuição para o valor médio de observações mais removidas no tempo é deliberada reduzida, enfatizando eventos mais recentes (locais). Essencialmente, um parâmetro de suavização, 0lt alfa lt1, é introduzido e a fórmula revisada para: Uma versão simétrica desta fórmula seria da forma: se os pesos no modelo simétrico forem selecionados como os termos dos termos da expansão binomial, (1212) 2q. Eles somarão para 1, e como q se tornar grande, irá se aproximar da distribuição Normal. Esta é uma forma de ponderação do kernel, com o Binomial atuando como a função kernel. A convolução de dois estágios descrita na subseção anterior é precisamente esse arranjo, com q 1, produzindo os pesos. Em suavização exponencial, é necessário usar um conjunto de pesos que somem para 1 e que reduzem de tamanho geométricamente. Os pesos utilizados são tipicamente da forma: Para mostrar que esses pesos somam para 1, considere a expansão de 1 como uma série. Podemos escrever e expandir a expressão entre parênteses usando a fórmula binomial (1- x) p. Onde x (1-) e p -1, o que dá: Isto fornece uma forma de média móvel ponderada da forma: esta soma pode ser escrita como uma relação de recorrência: o que simplifica bastante a computação e evita o problema de que o regime de ponderação Deve ser estritamente infinito para os pesos somarem para 1 (para valores pequenos de alfa. Isso geralmente não é o caso). A notação utilizada por diferentes autores varia. Alguns usam a letra S para indicar que a fórmula é essencialmente uma variável suavizada e escreve: enquanto a literatura da teoria do controle geralmente usa Z em vez de S para os valores exponencialmente ponderados ou suavizados (veja, por exemplo, Lucas e Saccucci, 1990, LUC1 , E o site NIST para mais detalhes e exemplos trabalhados). As fórmulas citadas acima derivam do trabalho de Roberts (1959, ROB1), mas Hunter (1986, HUN1) usa uma expressão da forma: que pode ser mais apropriada para uso em alguns procedimentos de controle. Com o alfa 1, a estimativa média é simplesmente seu valor medido (ou o valor do item de dados anterior). Com 0,5, a estimativa é a média móvel simples das medições atuais e anteriores. Em modelos de previsão o valor, S t. É freqüentemente usado como estimativa ou valor de previsão para o próximo período de tempo, ou seja, como a estimativa para x no tempo t 1. Assim, temos: Isso mostra que o valor de previsão no tempo t 1 é uma combinação da média móvel ponderada exponencialmente anterior Mais um componente que representa o erro de previsão ponderado, epsilon. No tempo t. Assumindo que uma série de tempo é fornecida e uma previsão é necessária, é necessário um valor para alfa. Isso pode ser estimado a partir dos dados existentes, avaliando a soma dos erros de predição quadrados, obtendo com valores variáveis de alfa para cada t 2,3. Definindo a primeira estimativa para ser o primeiro valor de dados observado, x 1. Nas aplicações de controle, o valor de alfa é importante, isto é, é usado na determinação dos limites de controle superior e inferior e afeta o comprimento de execução médio (ARL) esperado Antes que esses limites de controle sejam quebrados (sob o pressuposto de que a série temporal representa um conjunto de variáveis independentes aleatoriamente, distribuídas de forma idêntica com variância comum). Nessas circunstâncias, a variância da estatística de controle: é (Lucas e Saccucci, 1990): os limites de controle geralmente são estabelecidos como múltiplos fixos dessa variância assintótica, p. - 3 vezes o desvio padrão. Se alfa 0.25, por exemplo, e os dados que estão sendo monitorados assumem ter uma distribuição Normal, N (0,1), quando no controle, os limites de controle serão - 1.134 e o processo atingirá um ou outro limite em 500 etapas na média. Lucas e Saccucci (1990 LUC1) derivam os ARLs para uma ampla gama de valores alfa e sob vários pressupostos usando os procedimentos da Cadeia de Markov. Eles tabulam os resultados, incluindo o fornecimento de ARL quando a média do processo de controle foi deslocada por algum múltiplo do desvio padrão. Por exemplo, com uma mudança de 0,5 com alfa 0.25, o ARL tem menos de 50 etapas de tempo. As abordagens descritas acima são conhecidas como suavização exponencial única. Uma vez que os procedimentos são aplicados uma vez às séries temporais e, em seguida, os processos de análise ou controle são realizados no conjunto de dados suavizado resultante. Se o conjunto de dados incluir uma tendência e / ou componentes sazonais, o alisamento exponencial de dois ou três estágios pode ser aplicado como meio de remoção (modelagem explícita) desses efeitos (veja ainda mais a seção sobre Previsão abaixo e o exemplo do NIST). CHA1 Chatfield C (1975) The Analysis of Times Series: Teoria e Prática. Chapman and Hall, London HUN1 Hunter J S (1986) A média móvel ponderada exponencialmente. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Esquemas de Controle Médio Médio Ponderado Exponencialmente: Propriedades e Melhorias. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Testes de tabela de controle com base em médias móveis geométricas. Technometrics, 1, 239-250mendo média média de dados de séries temporais (observações igualmente espaçadas no tempo) de vários períodos consecutivos. Chamado de movimento porque é continuamente recalculado à medida que novos dados se tornam disponíveis, ele progride soltando o valor mais antigo e adicionando o valor mais recente. Por exemplo, a média móvel das vendas de seis meses pode ser calculada tomando a média das vendas de janeiro a junho, depois a média das vendas de fevereiro a julho, de março a agosto, e assim por diante. As médias móveis (1) reduzem o efeito das variações temporárias nos dados, (2) melhoram o ajuste dos dados para uma linha (um processo chamado alisamento) para mostrar a tendência dos dados mais claramente e (3) realçar qualquer valor acima ou abaixo do tendência. Se você está calculando algo com variância muito alta, o melhor que você pode fazer é descobrir a média móvel. Eu queria saber qual era a média móvel dos dados, então eu teria uma melhor compreensão de como estávamos fazendo. Quando você está tentando descobrir alguns números que mudam frequentemente, o melhor que você pode fazer é calcular a média móvel.
No comments:
Post a Comment