Movendo média tipo exponencial

Média Móvel Exponencial - EMA BREAKING DOWN Média Móvel Exponencial - EMA As EMAs de 12 e 26 dias são as médias de curto prazo mais populares e são usadas para criar indicadores como a divergência de convergência média móvel (MACD) eo oscilador de preço percentual (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 atrasados. 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 baixa. 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. Devido ao efeito retardado, por este ponto, ou mesmo algumas barras antes, a ação do preço deve já ter invertido. Portanto, segue-se que a observação de uma diminuição consistente da taxa de variação da EMA poderia ser utilizada como um indicador que pudesse 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 ascendente, uma estratégia de comerciantes intraday pode ser a negociação apenas a partir do lado longo em um gráfico intraday. Introdução para ARIMA: não sazonais modelos ARIMA (p, d, q) : Os modelos de ARIMA são, na teoria, a classe a mais geral dos modelos para prever uma série de tempo que possa ser feita 8220stationary8221 pela diferenciação (se necessário), talvez em conjunto com as transformações não lineares tais como registrar ou deflating (se necessário). Uma variável aleatória que é uma série de tempo é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ele se move de forma consistente. Isto é, os seus padrões de tempo aleatório a curto prazo têm sempre o mesmo aspecto num sentido estatístico. Esta última condição significa que suas autocorrelações (correlações com seus próprios desvios prévios em relação à média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de poder permanece constante ao longo do tempo. Uma variável aleatória desta forma pode ser vista (como de costume) como uma combinação de sinal e ruído, eo sinal (se for aparente) poderia ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou rápida alternância no sinal , E poderia também ter uma componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, tipo de regressão) na qual os preditores consistem em atrasos da variável dependente e / ou atrasos dos erros de previsão. Ou seja: Valor previsto de Y uma constante e / ou uma soma ponderada de um ou mais valores recentes de Y e / ou uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores defasados ​​de Y., é um modelo autoregressivo puro (8220 auto-regressado8221), que é apenas um caso especial de um modelo de regressão e que poderia ser equipado com software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y retardada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são defasagens dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não há maneira de especificar o erro 8222 como uma variável independente: os erros devem ser calculados em base período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros defasados ​​como preditores é que as previsões do modelo não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Portanto, os coeficientes em modelos ARIMA que incluem erros retardados devem ser estimados por métodos de otimização não-lineares (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags das séries estacionalizadas na equação de previsão são chamados de termos quotautorregressivos, os atrasos dos erros de previsão são chamados de quotmoving termos médios e uma série de tempo que precisa ser diferenciada para ser estacionária é dito ser uma versão quotintegrada de uma série estacionária. Modelos de Random-walk e tendência aleatória, modelos autorregressivos e modelos de suavização exponencial são casos especiais de modelos ARIMA. Um modelo ARIMA não sazonal é classificado como um modelo quotARIMA (p, d, q) quot, onde: p é o número de termos autorregressivos, d é o número de diferenças não sazonais necessárias para a estacionaridade e q é o número de erros de previsão defasados ​​em A equação de predição. A equação de previsão é construída como se segue. Em primeiro lugar, vamos dizer a d diferença de Y. o que significa: Note que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Pelo contrário, é a primeira diferença de primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação de previsão geral é: Aqui os parâmetros da média móvel (9528217s) são definidos de modo que seus sinais sejam negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) definem-los para que eles tenham mais sinais ao invés. Quando números reais são conectados à equação, não há ambigüidade, mas é importante saber qual convenção seu software usa quando está lendo a saída. Muitas vezes os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230, etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) a necessidade de estacionarizar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, tal como o desmatamento ou a deflação. Se você parar neste ponto e prever que a série diferenciada é constante, você tem apenas montado uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionária pode ainda ter erros autocorrelacionados, sugerindo que algum número de termos AR (p 8805 1) e / ou alguns termos MA (q 8805 1) também são necessários na equação de previsão. O processo de determinar os valores de p, d e q que são melhores para uma dada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns dos tipos De modelos não-sazonais ARIMA que são comumente encontrados é dada abaixo. ARIMA (1,0,0) modelo autoregressivo de primeira ordem: se a série é estacionária e autocorrelacionada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, mais uma constante. A equação de previsão neste caso é 8230, que é regressão Y sobre si mesma retardada por um período. Este é um modelo 8220ARIMA (1,0,0) constant8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (ele deve ser menor que 1 em magnitude se Y estiver parado), o modelo descreve o comportamento de reversão de média no qual o valor do próximo período deve ser 981 vezes 1 Longe da média como valor deste período. Se 981 1 for negativo, ele prevê o comportamento de reversão de média com alternância de sinais, isto é, também prevê que Y estará abaixo do próximo período médio se estiver acima da média neste período. Em um modelo autorregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 à direita também, e assim por diante. Dependendo dos sinais e magnitudes dos coeficientes, um modelo ARIMA (2,0,0) poderia descrever um sistema cuja reversão média ocorre de forma sinusoidal oscilante, como o movimento de uma massa sobre uma mola submetida a choques aleatórios . Se a série Y não for estacionária, o modelo mais simples possível para ela é um modelo randômico randômico, que pode ser considerado como um caso limitante de um modelo AR (1) em que o modelo autorregressivo Coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a variação média período-período (ou seja, a deriva a longo prazo) em Y. Este modelo poderia ser montado como um modelo de regressão sem interceptação em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não sazonal e um termo constante, é classificada como um modelo de ARIMA (0,1,0) com constante. quot O modelo randômico-sem-desvio seria um ARIMA (0,1, 0) sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: Se os erros de um modelo de caminhada aleatória são autocorrelacionados, talvez o problema possa ser corrigido adicionando um lag da variável dependente à equação de predição - Eu Pela regressão da primeira diferença de Y sobre si mesma retardada por um período. Isto resultaria na seguinte equação de predição: que pode ser rearranjada para Este é um modelo autorregressivo de primeira ordem com uma ordem de diferenciação não sazonal e um termo constante - isto é. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem suavização exponencial simples constante: Uma outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se que para algumas séries temporais não-estacionárias (por exemplo, as que exibem flutuações barulhentas em torno de uma média de variação lenta), o modelo de caminhada aleatória não funciona tão bem quanto uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com mais precisão a média local. O modelo de suavização exponencial simples usa uma média móvel exponencialmente ponderada de valores passados ​​para conseguir esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em um número de formas matematicamente equivalentes. Uma das quais é a chamada 8220error correction8221, na qual a previsão anterior é ajustada na direção do erro que ela fez: Como e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar uma suavização exponencial simples especificando-a como um modelo ARIMA (0,1,1) sem Constante, eo coeficiente MA (1) estimado corresponde a 1-menos-alfa na fórmula SES. Lembre-se que no modelo SES, a idade média dos dados nas previsões de 1 período antecipado é de 1 945, o que significa que tendem a ficar aquém das tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a média de idade dos dados nas previsões de 1 período de um modelo ARIMA (0,1,1) sem constante é de 1 (1 - 952 1). Assim, por exemplo, se 952 1 0,8, a idade média é 5. Quando 952 1 aproxima-se de 1, o modelo ARIMA (0,1,1) sem constante torna-se uma média móvel de muito longo prazo e como 952 1 Aproxima-se 0 torna-se um modelo randômico-caminhada-sem-deriva. Nos dois modelos anteriores discutidos acima, o problema dos erros autocorrelacionados em um modelo de caminhada aleatória foi fixado de duas maneiras diferentes: adicionando um valor defasado da série diferenciada Para a equação ou adicionando um valor defasado do erro de previsão. Qual abordagem é a melhor Uma regra para esta situação, que será discutida em mais detalhes mais adiante, é que a autocorrelação positiva é geralmente melhor tratada pela adição de um termo AR para o modelo e autocorrelação negativa é geralmente melhor tratada pela adição de um MA termo. Nas séries econômicas e de negócios, a autocorrelação negativa muitas vezes surge como um artefato de diferenciação. Portanto, o modelo ARIMA (0,1,1), no qual a diferenciação é acompanhada por um termo de MA, é mais freqüentemente usado do que um modelo de auto-correlação positiva. Modelo ARIMA (1,1,0). ARIMA (0,1,1) com suavização exponencial simples constante com crescimento: Ao implementar o modelo SES como um modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente MA (1) estimado pode ser negativo. Isto corresponde a um factor de suavização maior do que 1 num modelo SES, o que normalmente não é permitido pelo procedimento de ajustamento do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de predição: As previsões de um período de adiantamento deste modelo são qualitativamente semelhantes às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem suavização exponencial linear constante: Os modelos lineares de suavização exponencial são modelos ARIMA que utilizam duas diferenças não sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma retardada por dois períodos, mas sim é a primeira diferença da primeira diferença - i. e. A mudança na mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: ela mede a quotaccelerationquot ou quotcurvaturequot na função em um dado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prevê que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: que pode ser rearranjada como: onde 952 1 e 952 2 são MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que Holt8217s modelo, e Brown8217s modelo é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões a longo prazo deste modelo convergem para uma linha reta cujo declive depende da tendência média observada no final da série. ARIMA (1,1,2) sem suavização exponencial linear de tendência amortecida constante. Este modelo é ilustrado nos slides acompanhantes nos modelos ARIMA. Ele extrapola a tendência local no final da série, mas aplana-lo em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem apoio empírico. Veja o artigo sobre "Por que a tendência de amortecimento" trabalha por Gardner e McKenzie e o artigo de "Rule of Gold" de Armstrong et al. para detalhes. É geralmente aconselhável aderir a modelos nos quais pelo menos um de p e q não é maior do que 1, ou seja, não tente encaixar um modelo como ARIMA (2,1,2), uma vez que isto é susceptível de conduzir a sobre-adaptação E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação de planilhas: modelos ARIMA como os descritos acima são fáceis de implementar em uma planilha. A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear referente a valores nas linhas precedentes das colunas A e C, multiplicada pelos coeficientes AR ou MA apropriados armazenados em células em outra parte da planilha. Análise Técnica: Médias Móveis A maioria dos padrões de gráfico mostra uma grande variação no movimento de preços. Isso pode tornar difícil para os comerciantes ter uma idéia de uma tendência global de segurança. Um método simples comerciantes usar para combater isso é aplicar médias móveis. Uma média móvel é o preço médio de um título em um determinado período de tempo. Ao traçar um preço médio dos títulos, o movimento dos preços é suavizado. Uma vez que as flutuações do dia-a-dia são removidas, os comerciantes são mais capazes de identificar a verdadeira tendência e aumentar a probabilidade de que ele vai trabalhar em seu favor. (Para saber mais, leia o tutorial de Médias Móveis.) Tipos de Médias Móveis Existem vários tipos de médias móveis que variam no modo como são calculadas, mas como cada média é interpretada permanece a mesma. Os cálculos diferem apenas em relação à ponderação que eles colocam nos dados de preços, passando de uma ponderação igual de cada ponto de preço para mais peso sendo colocado em dados recentes. Os três tipos mais comuns de médias móveis são simples. Linear e exponencial. Média Móvel Simples (SMA) Este é o método mais comum usado para calcular a média móvel dos preços. Ele simplesmente leva a soma de todos os últimos preços de fechamento durante o período de tempo e divide o resultado pelo número de preços utilizados no cálculo. Por exemplo, em uma média móvel de 10 dias, os últimos 10 preços de fechamento são somados e divididos por 10. Como você pode ver na Figura 1, um comerciante é capaz de fazer a média menos responsiva à mudança de preços, aumentando o número Dos períodos utilizados no cálculo. Aumentar o número de períodos de tempo no cálculo é uma das melhores maneiras de medir a força da tendência de longo prazo e a probabilidade de que ele vai reverter. Muitos indivíduos argumentam que a utilidade deste tipo de média é limitada porque cada ponto da série de dados tem o mesmo impacto no resultado independentemente de onde ele ocorre na seqüência. Os críticos argumentam que os dados mais recentes são mais importantes e, portanto, ele também deve ter uma maior ponderação. Este tipo de crítica tem sido um dos principais fatores que levaram à invenção de outras formas de médias móveis. Média Ponderada Linear Este indicador de média móvel é o menos comum entre os três e é usado para resolver o problema da ponderação igual. A média móvel ponderada linear é calculada tomando a soma de todos os preços de fechamento durante um determinado período de tempo e multiplicando-os pela posição do ponto de dados e dividindo então pela soma do número dos períodos. Por exemplo, em uma média linear ponderada de cinco dias, o preço de fechamento de hoje é multiplicado por cinco, ontem por quatro e assim por diante até que o primeiro dia na faixa do período seja atingido. Estes números são então somados e divididos pela soma dos multiplicadores. Média Móvel Exponencial (EMA) Este cálculo de média móvel utiliza um factor de suavização para colocar um peso mais elevado em pontos de dados recentes e é considerado muito mais eficiente do que a média linear ponderada. Ter uma compreensão do cálculo não é geralmente exigido para a maioria dos comerciantes porque a maioria dos pacotes gráficos fazer o cálculo para você. A coisa mais importante a lembrar sobre a média móvel exponencial é que ele é mais responsivo a novas informações relativas à média móvel simples. Esta responsividade é um dos principais fatores de por que esta é a média móvel de escolha entre muitos comerciantes técnicos. Como você pode ver na Figura 2, um EMA de 15 períodos aumenta e cai mais rapidamente do que um SMA de 15 períodos. Esta pequena diferença não parece muito, mas é um fator importante para estar ciente, pois pode afetar retornos. Principais usos das médias móveis As médias móveis são usadas para identificar tendências atuais e reversões de tendências, bem como para estabelecer níveis de suporte e resistência. As médias móveis podem ser usadas para identificar rapidamente se uma segurança está se movimentando em uma tendência de alta ou em uma tendência de baixa, dependendo da direção da média móvel. Como você pode ver na Figura 3, quando uma média móvel está indo para cima eo preço está acima dela, a segurança está em uma tendência de alta. Por outro lado, uma média móvel em declive com o preço abaixo pode ser usada para sinalizar uma tendência de baixa. Outro método para determinar o momento é olhar para a ordem de um par de médias móveis. Quando uma média de curto prazo está acima de uma média de longo prazo, a tendência é para cima. Por outro lado, uma média de longo prazo acima de uma média de curto prazo sinaliza um movimento descendente na tendência. Movendo inversões de tendência média são formados de duas maneiras principais: quando o preço se move através de uma média móvel e quando se move através de cruzamentos de média móvel. O primeiro sinal comum é quando o preço se move através de uma média móvel importante. Por exemplo, quando o preço de um título que estava em uma tendência de alta cai abaixo de uma média móvel de 50 períodos, como na Figura 4, é um sinal de que a tendência de alta pode estar se reverter. O outro sinal de uma inversão de tendência é quando uma média móvel atravessa outra. Por exemplo, como você pode ver na Figura 5, se a média móvel de 15 dias cruza acima da média móvel de 50 dias, é um sinal positivo de que o preço começará a aumentar. Se os períodos usados ​​no cálculo forem relativamente curtos, por exemplo, 15 e 35, isso poderia indicar uma reversão da tendência de curto prazo. Por outro lado, quando duas médias com intervalos de tempo relativamente longos se cruzam (50 e 200, por exemplo), isso é usado para sugerir uma mudança de tendência em longo prazo. Outra maneira principal de se usar médias móveis é identificar níveis de suporte e resistência. Não é raro ver um estoque que tem sido queda parar o seu declínio e sentido inverso, uma vez que atinge o apoio de uma grande média móvel. Um movimento através de uma grande média móvel é muitas vezes usado como um sinal por comerciantes técnicos que a tendência é inverter. Por exemplo, se o preço rompe a média móvel de 200 dias em uma direção descendente, é um sinal de que a tendência de alta está se revertindo. As médias móveis são uma ferramenta poderosa para analisar a tendência em uma segurança. Eles fornecem suporte útil e pontos de resistência e são muito fáceis de usar. Os intervalos de tempo mais comuns que são usados ​​ao criar médias móveis são 200 dias, 100 dias, 50 dias, 20 dias e 10 dias. Calcula-se que a média de 200 dias seja uma boa medida de um ano comercial, uma média de 100 dias de meio ano, uma média de 50 dias de um quarto de ano, uma média de 20 dias de um mês e 10 Média diária de duas semanas. As médias móveis ajudam os comerciantes técnicos a suavizar um pouco do ruído que é encontrado nos movimentos de preços do dia-a-dia, dando aos comerciantes uma visão mais clara da tendência de preços. Até agora temos focado no movimento de preços, através de gráficos e médias. Na próxima seção, olhe bem algumas outras técnicas usadas para confirmar movimento de preços e padrões. Análise Técnica: Indicadores E Osciladores