Suavização exponencial Este exemplo ensina como aplicar o alisamento exponencial a uma série temporal no Excel. A suavização exponencial é usada para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossa série de tempo. 2. No separador Dados, clique em Análise de dados. Nota: não é possível encontrar o botão Análise de dados Clique aqui para carregar o suplemento do Analysis ToolPak. 3. Selecione suavização exponencial e clique em OK. 4. Clique na caixa Input Range e selecione o intervalo B2: M2. 5. Clique na caixa Fator de amortecimento e digite 0.9. Literatura fala frequentemente sobre a constante alisante (alfa). O valor (1-) é chamado de fator de amortecimento. 6. Clique na caixa Output Range e seleccione a célula B3. 8. Faça um gráfico destes valores. Explicação: porque ajustamos alfa para 0,1, o ponto de dados anterior é dado um peso relativamente pequeno enquanto o valor suavizado anterior é dado um grande peso (ou seja, 0,9). Como resultado, os picos e vales são suavizados. O gráfico mostra uma tendência crescente. Excel não é possível calcular o valor suavizado para o primeiro ponto de dados porque não existe nenhum ponto de dados anterior. O valor suavizado para o segundo ponto de dados é igual ao ponto de dados anterior. 9. Repita os passos 2 a 8 para alfa 0,3 e alfa 0,8. Conclusão: O alfa menor (maior o fator de amortecimento), mais os picos e vales são suavizados. O alfa maior (menor o fator de amortecimento), mais perto os valores suavizados são para os pontos de dados reais. Explicando as médias móveis exponenciais Os comerciantes confiaram em médias móveis para ajudar a identificar pontos de entrada de alta probabilidade de negociação e saídas rentáveis por muitos anos. Um problema bem conhecido com médias móveis, entretanto, é o sério atraso 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 Mínima Exponencial Dupla Na análise técnica. O termo média móvel refere-se a uma média do preço de um determinado instrumento de negociação durante um período de tempo especificado. Por exemplo, uma média móvel de 10 dias calcula o preço médio de um instrumento específico nos últimos 10 dez dias, uma média móvel de 200 dias calcula o preço médio dos últimos 200 dias. Cada dia, o período de retrocesso avança para cálculos de base no último número X de dias. Uma média móvel aparece como uma linha lisa e curva que fornece uma representação visual da tendência a mais longo prazo de um instrumento. Médias móveis mais rápidas, com períodos mais curtos de retro-observação, são médias móveis mais lentas, mais longas, com períodos de look-back mais longos, são mais suaves. Porque uma média móvel é um indicador olhando para trás, ele está atrasado. A média móvel exponencial dupla (DEMA), mostrada na Figura 1, foi desenvolvida por Patrick Mulloy na tentativa de reduzir a quantidade de tempo de latência encontrada nas médias móveis tradicionais. Ele foi introduzido pela primeira vez em fevereiro de 1994, Análise Técnica de Stocks amp Commodities revista em Mulloys artigo Suavização de dados com médias mais rápidas Moving. Figura 1: Este gráfico de um minuto do contrato de futuros do e-mini Russell 2000 mostra duas médias móveis exponenciais duplas diferentes, um período de 55 períodos aparece em azul, Um período de 21 em rosa. Calculando um DEMA Como Mulloy explica em seu artigo original, o DEMA não é apenas um EMA duplo com o dobro do tempo de atraso de um único EMA, mas é uma implementação composta de EMAs simples e duplos produzindo outro EMA com menos atraso do que qualquer um dos originais 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 duplos. Quase todas as plataformas de análise de negociação têm o DEMA incluído como um indicador que pode ser adicionado aos gráficos. Portanto, os comerciantes podem usar o DEMA sem saber a matemática por trás dos cálculos e sem ter que escrever ou inserir qualquer código. Comparando o DEMA com as Médias Movimentais Tradicionais As médias móveis são um dos métodos mais populares de análise técnica. Muitos comerciantes usá-los para detectar reversões de tendência. Especialmente em um crossover de média móvel, onde duas médias móveis de comprimentos diferentes são colocadas em um gráfico. Os pontos onde as médias móveis se cruzam podem significar oportunidades de compra ou venda. O DEMA pode ajudar os comerciantes a detectar reversões mais cedo, porque é mais rápido para responder a mudanças na atividade do 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: DEMA de 21 períodos (rosa) DEMA de 55 períodos (azul escuro) MA de 21 períodos (azul claro) MA de 55 períodos (verde claro) Figura 2: Este gráfico de um minuto de O contrato de futuros de 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 crossovers MA. O primeiro crossover de DEMA aparece às 12:29 e o próximo bar abre a um preço de 663.20. O crossover de MA, por outro lado, forma às 12:34 eo próximo preço de abertura de barras é em 660.50. No próximo conjunto de crossovers, o crossover de DEMA aparece a 1:33 e a barra seguinte abre em 658. A MA, em contraste, forma a 1:43, com a abertura da barra seguinte a 662.90. Em cada caso, o crossover DEMA fornece uma vantagem em entrar na tendência anterior ao crossover MA. (Para obter mais informações, leia o Tutorial de Médias Móveis.) Negociação com um DEMA Os exemplos de crossover de média móvel acima ilustram a eficácia do uso da média móvel exponencial dupla mais rápida. Além de usar o DEMA como um indicador autônomo ou em um crossover setup, o DEMA pode ser usado em uma variedade de indicadores onde a lógica é baseada em uma média móvel. Ferramentas de análise técnica, tais como Bandas Bollinger. (MACD) ea média móvel exponencial tripla (TRIX) são baseadas em tipos de média móvel e podem ser modificadas para incorporar um DEMA em vez de outros tipos mais tradicionais de médias móveis. Substituindo o DEMA pode ajudar os comerciantes spot diferentes oportunidades de compra e venda que estão à frente daqueles fornecidos pelo MAs ou EMAs tradicionalmente utilizados nestes indicadores. Claro que entrar em uma tendência mais cedo ou mais tarde, normalmente leva a maiores lucros. A Figura 2 ilustra esse princípio - se usássemos os crossovers como sinais de compra e venda. Entraríamos nos comércios significativamente mais cedo ao usar o crossover DEMA em oposição ao crossover MA. Bottom Line Traders e investidores há muito tempo usaram médias móveis em sua análise de mercado. As médias móveis são uma ferramenta de análise técnica amplamente utilizada que fornece um meio de visualizar e interpretar rapidamente a tendência de longo prazo de um determinado instrumento de negociação. Uma vez que as médias móveis por sua própria natureza são indicadores de atraso. É útil para ajustar a média móvel, a fim de calcular um indicador mais rápido, mais responsivo. A média móvel exponencial oferece aos comerciantes e investidores uma visão da tendência de longo prazo, com a vantagem de ser uma média móvel mais rápida com menos tempo de atraso. (Para a leitura relacionada, dê uma olhada em Moving Average MACD Combo e Vs. Simple Exponential Moving Averages.) Beta é uma medida da volatilidade, ou risco sistemático, de um título ou uma carteira em comparação com o mercado como um todo. Um tipo de imposto incidente sobre ganhos de capital incorridos por pessoas físicas e jurídicas. Os ganhos de capital são os lucros que um investidor. Uma ordem para comprar um título igual ou inferior a um preço especificado. Uma ordem de limite de compra permite que traders e investidores especifiquem. Uma regra do Internal Revenue Service (IRS) que permite retiradas sem penalidade de uma conta IRA. A regra exige que. A primeira venda de ações por uma empresa privada para o público. IPOs são muitas vezes emitidos por empresas menores, mais jovens à procura da. DebtEquity Ratio é rácio de endividamento utilizado para medir a alavancagem financeira de uma empresa ou um rácio de endividamento utilizado para medir um indivíduo. Como calcular médias ponderadas móveis em Excel utilizando suavização exponencial Análise de dados do Excel para Dummies, 2ª edição A ferramenta Exponential Smoothing no Excel calcula a movimentação média. No entanto, a suavização exponencial pondera os valores incluídos nos cálculos da média móvel de modo que os valores mais recentes tenham um maior efeito sobre o cálculo médio e os valores antigos tenham um efeito menor. Esta ponderação é realizada através de uma constante de alisamento. Para ilustrar como a ferramenta Exponential Smoothing funciona, suponha que você volte a olhar para a informação diária média de temperatura. Para calcular médias móveis ponderadas usando suavização exponencial, execute as seguintes etapas: Para calcular uma média móvel exponencialmente suavizada, clique primeiro no botão de comando Dados da análise de dados tab8217s. Quando o Excel exibe a caixa de diálogo Análise de dados, selecione o item suavização exponencial da lista e, em seguida, clique em OK. O Excel exibe a caixa de diálogo Suavização exponencial. Identificar os dados. Para identificar os dados para os quais você deseja calcular uma média móvel exponencialmente suavizada, clique na caixa de texto Input Range. Em seguida, identifique o intervalo de entrada, digitando um endereço de intervalo de planilha ou selecionando o intervalo de planilha. Se o intervalo de entrada incluir uma etiqueta de texto para identificar ou descrever os dados, marque a caixa de seleção Etiquetas. Fornecer a constante de alisamento. Insira o valor da constante de suavização na caixa de texto Fator de amortecimento. O arquivo de Ajuda do Excel sugere que você use uma constante de suavização de entre 0,2 e 0,3. Presumivelmente, no entanto, se você estiver usando esta ferramenta, você tem suas próprias idéias sobre o que é a constante de suavização correta. (Se você não tem idéia sobre a constante de suavização, talvez você não deveria usar essa ferramenta.) Diga ao Excel onde colocar os dados de média móvel suavemente exponencial. Use a caixa de texto Range de saída para identificar o intervalo de planilha no qual você deseja colocar os dados de média móvel. No exemplo da folha de cálculo, por exemplo, coloque os dados de média móvel no intervalo de folhas de cálculo B2: B10. (Opcional) Diagrama os dados exponencialmente suavizados. Para traçar os dados exponencialmente suavizados, marque a caixa de seleção Saída do gráfico. (Opcional) Indica que você deseja que as informações de erro padrão sejam calculadas. Para calcular erros padrão, marque a caixa de seleção Erros Padrão. O Excel coloca valores de erro padrão ao lado dos valores de média móvel exponencialmente suavizados. Depois de concluir especificando quais informações de média móvel você deseja calcular e onde deseja colocá-las, clique em OK. O Excel calcula informações sobre a média móvel. Suavização e filtragem são duas das técnicas de série de tempo mais utilizadas para remover o ruído dos dados subjacentes para ajudar a revelar as características e componentes importantes (por exemplo, tendência, sazonalidade, etc.). No entanto, também podemos usar suavização para preencher valores ausentes e / ou realizar uma previsão. Nesta edição, discutiremos cinco (5) diferentes métodos de alisamento: média móvel ponderada (WMA i), suavização exponencial simples, suavização exponencial dupla, suavização exponencial linear e suavização exponencial tripla. Por que devemos nos importar? A suavização é muito freqüentemente usada (e abusada) na indústria para fazer um rápido exame visual das propriedades dos dados (por exemplo, tendência, sazonalidade, etc.), se encaixar em valores faltantes e conduzir 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, a suavização exponencial simples assume que os dados têm uma média estável (ou pelo menos uma média de movimento lento), de modo que a suavização exponencial simples fará mal na previsão de dados exibindo sazonalidade ou uma tendência. Neste artigo, examinaremos cada função de suavização, destacaremos seus pressupostos e parâmetros e demonstraremos sua aplicação por meio 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 multiplicadores para dar pesos diferentes aos dados em diferentes posições na janela da amostra. A média móvel ponderada tem uma janela fixa (i. e. N) e os factores são tipicamente escolhidos para dar mais peso às observações recentes. O tamanho da janela (N) determina o número de pontos em média a cada vez, portanto um tamanho de janela maior é menos responsivo a novas alterações na série de tempo original e um tamanho de janela pequeno pode causar a saída suavizada ser ruidoso. Para fora da previsão da amostra finalidades: Exemplo 1: Vamos considerar as vendas mensais para a Empresa X, usando uma média móvel de 4 meses (igual ponderada). Observe que a média móvel está sempre atrasada em relação aos dados ea previsão fora da amostra converge para um valor constante. Vamos tentar usar um esquema de ponderação (veja abaixo) que dá mais ênfase à observação mais recente. Nós plotamos a média móvel ponderada igual e WMA no mesmo gráfico. O WMA parece mais responsivo às mudanças recentes e a previsão de saída da amostra converge para o mesmo valor que a média móvel. Exemplo 2: Vamos examinar o WMA na presença de tendência e sazonalidade. Para este exemplo, utilize bem os dados da companhia aérea internacional de passageiros. A janela da média móvel é de 12 meses. O MA e o WMA acompanham o ritmo da tendência, mas a previsão fora da amostra é plana. Além disso, embora a WMA exibe alguma sazonalidade, ela está sempre atrasada em relação aos dados originais. (Browns) Suavização exponencial simples A suavização exponencial simples é semelhante à WMA com a exceção de que o tamanho da janela é infinito e os fatores de ponderação diminuem exponencialmente. Como vimos na WMA, a exponencial simples é adequada 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 do WMA). No exemplo acima, escolhemos o fator de suavização para ser 0.8, o que leva à pergunta: Qual é o melhor valor para o fator de alisamento Estimar o 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 escolhemos esse valor para nosso alisamento. (Holt-Winters) Suavização Exponencial Dupla A suavização exponencial simples não funciona bem na presença de uma tendência, pelo que vários métodos concebidos sob o duplo guarda-chuva exponencial são propostos para lidar com este tipo de dados. O NumXL suporta a suavização exponencial dupla de Holt-Winters, que tem a seguinte formulação: Exemplo 1: Examinemos os dados de passageiros internacionais de passageiros Escolhemos um valor Alpha de 0,9 e um Beta de 0,1. Observe que, embora a suavização dupla traça bem os dados originais, a previsão fora da amostra é inferior à média móvel simples. Como podemos encontrar os melhores fatores de suavização Tomamos uma abordagem semelhante ao nosso exemplo de suavização exponencial simples, mas modificada para duas variáveis. Calculamos a soma dos erros quadrados construindo uma tabela de dados de duas variáveis e selecionando os valores alfa e beta que minimizam o SSE global. (Browns) Suavização Exponencial Linear Este é outro método de função de suavização exponencial dupla, mas tem um fator de suavização: Browns dupla exponencial suavização leva um parâmetro menor do que a função Holt-Winters, mas pode não oferecer um ajuste tão bom como essa função. Exemplo 1: Vamos usar o mesmo exemplo em Holt-Winters duplo exponencial e comparar a soma ideal do erro quadrado. A exponencial dupla de Browns não se ajusta aos dados da amostra, assim como ao método de Holt-Winters, mas a amostra fora da amostra (neste caso particular) é melhor. Como encontrar o melhor fator de suavização () Usamos o mesmo método para selecionar o valor alfa que minimiza a soma do erro quadrado. Para os exemplos de dados de exemplo, o alfa é encontrado para ser 0,8. (Invernos) Suavização Exponencial Tripla A suavização exponencial tripla leva em conta mudanças sazonais, bem como tendências. Este método requer 4 parâmetros: A formulação para triplo exponencial alisamento é mais envolvido do que qualquer um dos anteriores. Por favor, consulte o nosso manual de referência on-line para a formulação exata. Usando os dados internacionais da companhia aérea de passageiros, podemos aplicar o triplo triângulo exponencial dos invernos, encontrar parâmetros ótimos e conduzir uma previsão fora da amostra. Obviamente, a suavização exponencial tripla de Winters é melhor aplicada para esta amostra de dados, uma vez que rastreia bem os valores e a previsão de amostra fora da amostra apresenta sazonalidade (L12). Como encontrar o melhor fator de alisamento () Mais uma vez, precisamos escolher os valores que minimizam a soma total 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 a função utilitário (2) As restrições para este problema Conclusão suporte Arquivos
No comments:
Post a Comment