Modelos de média móvel e de suavização exponencial Como um primeiro passo para ir além dos modelos de média, modelos de caminhada aleatória e modelos de tendência linear, padrões e tendências não sazonais podem ser extrapolados usando um modelo de média móvel ou suavização. A suposição básica por trás dos modelos de média e suavização é que a série temporal é estacionária localmente com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e, em seguida, usá-lo como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio eo modelo randômico-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é chamada frequentemente uma versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de alisar para fora 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 de tempo 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 aquém do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Dessa forma, dizemos que a média de idade dos dados na média móvel simples é (m1) 2 em relação ao período para o qual a previsão é calculada: é a quantidade de tempo que as previsões tendem a ficar atrás de pontos de viragem nos 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 baixos 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 encaixá-lo com um modelo de caminhada aleatória, o que equivale a uma média móvel simples de 1 termo: O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo escolhe grande parte do quotnoisequot na Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se preferirmos tentar 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 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 a partir 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 há uma teoria estatística subjacente que nos diga como os intervalos de confiança devem se ampliar 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 então 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, obteremos previsões ainda mais suaves e mais de 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 viragem por cerca de 10 períodos. 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 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 de forma igual e ignora completamente todas as observações anteriores. (Voltar ao início da página.) Browns Simple Exponential Smoothing (média ponderada exponencialmente ponderada) 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 do 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: ela se encaixa em um 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 pela 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 determinada 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. Uma 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 otimizado com facilidade Usando 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 10.2961 3.4 períodos, que é semelhante ao de uma média móvel simples de 6-termo. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA e no modelo randômico sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoável, 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 quotmore previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Assim 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 modelo quotARIMA (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 para a 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 fazer 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 durante todo o período de estimação. Você não pode 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 conjunto com uma transformação de logaritmo natural, ou pode basear-se em outra informação independente sobre as perspectivas de crescimento a longo prazo . (Voltar ao início da página.) Browns Linear (ie duplo) Suavização exponencial Os modelos SMA e SES assumem que não há tendência de qualquer tipo nos dados (o que normalmente 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 de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaque claramente contra o ruído, e se houver uma necessidade de prever mais do que 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 linear de suavização exponencial (LES) que calcula as 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 do 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 várias formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida aplicando-se a suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, 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 dado por: Isto resulta em 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 as 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 podem 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 calculada 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 suavização de tendência 946 é análoga à da constante de suavização 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 utilizada na estimativa do nível local da série, a idade média dos dados que são utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a . Neste caso, isto é 10.006 125. Isto não é um número 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, portanto 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 pela montagem 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 ser estimar 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 alisamento 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 a média da tendência ao longo dos últimos 20 períodos. Here8217s o que o lote de previsão parece se definimos 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) Suavização exponencial simples com alfa 0,5 (D) Suavização exponencial simples com alfa 0,3 (E) Suavização exponencial simples com alfa 0,2 Suas estatísticas são quase idênticas, portanto, 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 queremos ser agnósticos quanto à existência de uma tendência local, então um dos modelos do SES pode ser mais fácil de explicar e também dar 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 de 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 à frente que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 fica 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.) O que é uma média móvel Importante: Esta página é parte do conteúdo arquivado e pode estar desatualizada. Toda a variedade de indicadores financeiros poderia ser dividida em três classes: tendência seguinte, osciladores e outros. Tendência Os seguintes indicadores são eficazes quando o mercado está se movendo na tendência mas se torna perigoso em um mercado estável. Os osciladores mostram pontos de viragem de mercado firmes e podem enviar sinais inoportunos ou falsos no mercado em movimento. Outros indicadores monitoram o estado dos investidores massa psicológica. A tendência mais importante Os seguintes indicadores são média móvel, MACD (Moving Average ConvergenceDivergence), MACD-histograma, índice direcional médio (ADX) e índice de distribuição de acúmulo. Todos eles são indicadores atrasados que mudam quando a tendência já havia mudado. Uma média móvel (MA), também chamada de média móvel, é um indicador de movimento de preço médio, mostrando o valor médio dos dados dentro de um prazo específico. Seu usado para suavizar as flutuações de curto prazo e destacar tendências de longo prazo. Da mesma forma todos os outros instrumentos de uma média móvel tem suas próprias vantagens e desvantagens. O ponto mais fraco é que ele não adverte sobre a próxima mudança da tendência. A maior vantagem nos ajuda a determinar o movimento atual da tendência e a confirmar a mudança quando ela realmente acontece. Os níveis médios móveis são interpretados como resistência em um mercado em ascensão, ou apoio em um mercado em queda. Aqui, um nível de suporte significa uma classificação de preço em que o preço tende a encontrar apoio à medida que está diminuindo. O preço é mais provável que 8220bounce8221 fora deste nível, em vez de quebrar através dele. Um nível de resistência é o oposto de um nível de suporte e é um extremum superior onde o preço tende a encontrar resistência como ele está subindo. Os programas analíticos gráficos modernos calculam a escala larga de tipos diferentes da média movente e oferecem a variedade de seus estilos da visualização. Um período de tempo para o cálculo poderia ser definido como curto, intermediário ou longo prazo. Para a tendência de longo prazo, a média de 200 dias é mais popular para médio prazo média de 50 dias e para curto prazo 8211 média de 10 dias. Os seguintes tipos de médias de rolamento são usados mais freqüentemente do que outros: uma média móvel simples (SMA) uma média móvel ponderada (WMA) e uma média exponencialmente móvel (EMA). Embora uma média móvel simples (média aritmética de preços não ponderados para períodos passados) seja mais comumente usada, pode ser desproporcionalmente influenciada por dados antigos, embutidos em seu cálculo. A fim de evitar que um peso extra seja dado a pontos de dados mais recentes chegando a uma média móvel ponderada. WMA também é mais sensível do que SMA e está mais próximo da tendência de preços. Numa média exponencialmente móvel, é estabelecido um coeficiente para representar o grau de diminuição da ponderação, um factor de alinhamento constante entre 0 e 1. Em seguida, os dados recentes e EMA para o período anterior são ponderados de acordo com o coeficiente escolhido. Por este meio os dados para todos os períodos de tempo precedentes são incluídos automaticamente no cálculo mas os preços recentes têm ainda mais peso. A análise geral das médias móveis baseia-se nos próximos itens chave Determinação de pontos de cruzamento de preços e gráficos de MA Determinação de mínimo e máximo de MA Detecção de dispersão máxima entre preço e média móvel Após um movimento de uma média móvel Geralmente duas médias móveis, , São usados para análise de tendência de mercado. A correlação entre suas linhas poderia fornecer informações essenciais sobre a força das tendências. Em forte tendência de alta, por exemplo, a curto prazo ascensão média móvel mais rápido do que longo prazo e spread entre as linhas se alarga. Se o spread começa a encolher isso nos dá aviso prévio de que a tendência ascendente está perdendo o seu ímpeto. Como as médias móveis são tendência após os indicadores, elas são mais úteis no mercado moderno. Quando o mercado é estável, os retornos da natureza das médias móveis alisamento geram sinais falsos. Tipos de método de média móvel Economia Ensaio Publicado em: 23 de março de 2015 Última edição: 23 de março de 2015 Este ensaio foi apresentado por um estudante. Este não é um exemplo do trabalho escrito por nossos ensaiistas profissionais. Previsão é parte muito essencial e importante no planejamento de negócios. Refere-se à estimativa da demanda por produtos e serviços no futuro próximo e ao recurso necessário para produzir esses produtos. As estimativas da demanda futura de produtos ou serviços são comumente referidas como previsão de vendas. Em outras palavras, a previsão é a arte ea ciência de prever eventos futuros. É não é mera uma suposição ou previsão sobre o futuro sem qualquer base racional. Pode envolver a tomada de dados históricos ou de previsão intuitiva na ausência de dados históricos. Base de Previsão A previsão por sua natureza usa dados do período passado para prever a projeção futura da empresa. Os dados históricos incluem as demonstrações financeiras de suas organizações e qualquer informação que você acredita ter um valor preditivo relativo para o sucesso futuro de sua empresa. Os dados históricos não têm que vir unicamente de sua companhia que pode igualmente ser dados macroeconômicos históricos, tais como o Índice de Confiança do Consumidor, taxas de interesse, começos de carcaça ou toda a outra variável econômica que você acredita tem um efeito em seu negócio baseado em sua experiência de negócio e observações . Método de média móvel Um método de média móvel usa um número de valores de dados históricos mais recentes para gerar uma previsão. A média móvel para n número de períodos na média móvel é calculada como: Este método utiliza a média de um número de pontos de dados adjacentes ou períodos. O processo de média utiliza observações sobrepostas para gerar médias. O termo quotmovingquot refere-se à forma como as médias são calcular a previsão move para cima ou para baixo a série de tempo para escolher observações para calcular uma média de um número fixo de observações. Em nossos dez períodos sobre a questão, o método das médias móveis usaria a média das dez observações mais recentes dos dados da série de tempo como previsão para o próximo período. A média móvel é comumente usada com dados de séries temporais para suavizar a flutuação de curto prazo e destaca tendências ou ciclos de longo prazo. O limiar entre Longo e Curto Prazo depende da aplicação e o parâmetro da média móvel será ajustado em conformidade. Por exemplo, geralmente usado na análise técnica de dados financeiros, como preços de ações e retorno de várias ações ou volume de negociação Uma média móvel também chamado de média móvel, é um indicador de movimento de preço médio, mostrando o valor médio dos dados dentro de prazo específico. Os níveis médios móveis são interpretados como resistência em um mercado em ascensão, ou apoio em um mercado em queda. Aqui, um nível de suporte significa uma classificação de preço onde o preço tende a encontrar quotsupportquot como ele está indo para baixo. O preço é mais provável quotbouncequot fora deste nível em vez de quebrar através dele. Um nível de resistência é o oposto de um nível de suporte e é um extremo superior onde o preço tende a encontrar resistência à medida que vai subindo. Os programas analíticos gráficos modernos calculam a escala larga de tipos diferentes da média movente e oferecem a variedade de seus estilos da visualização. Um período de tempo para o cálculo poderia ser definido como curto, intermediário ou longo prazo. Para a tendência de longo prazo a média de 200 dias é mais popular para médio prazo - média de 50 dias e para curto prazo - média de 10 dias. Os seguintes tipos de médias de rolamento são usados mais freqüentemente do que outros: uma média móvel simples (SMA) uma média móvel ponderada (WMA) e uma média exponencialmente móvel (EMA). Tipos de método de média móvel Método de média móvel simples é usado para estimar a média de uma série de tempo de demanda e remover os efeitos de flutuação aleatória. É mais útil quando a demanda não tem tendência pronunciada ou flutuações sazonais. Neste método, se usarmos médias móveis de período n, a demanda média para os n períodos de tempo mais recentes é calculada e usada como previsão para o próximo período de tempo. Para o próximo período, após a demanda ser conhecida, a demanda mais antiga da média anterior é substituída pela demanda mais recente ea média é recalculada. Método de média móvel ponderada neste método cada demanda histórica na média móvel pode ter seu próprio peso ea soma do peso é igual a um. Por exemplo, em um modelo de média móvel ponderada de 5 períodos, o período mais recente pode ser atribuído a um peso de 0,50, ao segundo período mais recente pode ser atribuído um peso de 0,30, 0,20, 0,10 e para a terceira maior parte com um peso de 0,05 . A vantagem do método da média ponderada é que permite dar ênfase à demanda recente em relação à demanda anterior. Método de Suavização Exponencial É um método sofisticado de movimentação ponderada que ainda é relativamente fácil de entender e usar. Ele requer apenas três itens de dados: os períodos previstos, a demanda real para este período e que é referido como constante de suavização e tendo um valor entre 0 e 1. A fórmula do ESM é a seguinte: Ft Ft-1 (At - 1) Ft-1 Previsão para o período anterior (t-1) At-1 Demanda real para o período anterior (t-1) Constante de suavização (o valor varia de 0 a 1) Selecionar uma constante de suavização é basicamente uma questão de julgamento ou tentativa e erro. Valores correntemente utilizados entre 0,05 e 0,5. Característica Método de movimentação média: - Suavização de dados Ajuda média móvel na função suavização ou suave na seqüência original, a seqüência original de flutuação é enfraquecida eo intervalo médio número N maior, mais forte no efeito de suavização em série. O número médio de intervalos de tempo N é ímpar, apenas uma média móvel, a média móvel como os termos de média móvel média num valor representativo de tendência e quando o termo médio móvel N é par, o valor médio móvel representa a posição média de O nível par, não em um tempo, está na necessidade de um adjacente dois valor médio da média móvel, pode fazer o valor médio de um determinado período de tempo, isso é chamado de mudança é média, também se tornar o centro da média móvel . Mudanças sazonais Quando a série inclui variação sazonal, o número de intervalo médio móvel deve ser consistente com a variação sazonal do comprimento N, para eliminar a variação sazonal se a seqüência contiver um ciclo de mudança, dos termos N e comprimento do ciclo deve ser basicamente A mesma média, a eliminação da flutuação do ciclo pode ser melhor Vantagens do método de média móvel: Facilmente compreensível A suposição do modelo de média móvel é que a previsão mais precisa da demanda futura é uma combinação simples (linear) da demanda passada média móvel método é fácil de entender do que Qualquer outro método. Este método suaviza os dados e facilita a detecção de tendência. Cálculo simples e fácil A média móvel é calculada pela média aritmética de um dado conjunto de valores. Eles são mais fáceis de usar do que outros modelos de regressão. Por exemplo, para calcular uma média móvel básica de 10 dias, você adicionaria os preços de fechamento dos últimos 10 dias e, em seguida, dividiria o resultado por 10. Previsões estáveis quanto à resposta, queremos que o modelo de previsão seja para mudanças nos dados reais da demanda Deve ser equilibrada contra o nosso desejo de suprimir indesejável chance variação ou ruído nos dados. Com a ajuda da média móvel pode alcançar tais objetivos. Limitações do Método da Média Móvel A pesagem igual é dada a cada um dos valores usados no cálculo da média móvel, enquanto que é razoável que os dados mais razoáveis sejam mais importantes para as situações atuais. O método da média móvel não leva em consideração os dados fora do período médio. O uso de média móvel não ajustada pode levar a uma previsão equivocada O método de média móvel para um grande número de registros de dados do passado Através da introdução de novos dados é cada vez mais tempo, continuamente revista valor médio, como valor previsto. O princípio básico do método de média móvel é através da média móvel para eliminar séries temporais irregulares de mudanças e outras mudanças, revelando assim a tendência de longo prazo das séries temporais. Solução para o Problema Dado Movimento Total de 3 Ano Média Móvel
No comments:
Post a Comment