Suavização exponencial Este exemplo ensina como aplicar o suavização exponencial a uma série temporal no Excel. O alisamento exponencial é usado para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossas séries temporais. 2. Na guia Dados, clique em Análise de dados. Nota: não consigo encontrar o botão Análise de dados Clique aqui para carregar o complemento Analysis ToolPak. 3. Selecione Suavização exponencial e clique em OK. 4. Clique na caixa Intervalo de entrada e selecione o intervalo B2: M2. 5. Clique na caixa Factor de amortecimento e digite 0.9. A literatura geralmente fala sobre a constante de alisamento (alfa). O valor (1-) é chamado de fator de amortecimento. 6. Clique na caixa Intervalo de saída e selecione a célula B3. 8. Traçar um gráfico desses valores. Explicação: porque estabelecemos alfa para 0,1, o ponto de dados anterior recebe um peso relativamente pequeno, enquanto o valor suavizado anterior recebe um grande peso (ou seja, 0,9). Como resultado, picos e vales são alisados. O gráfico mostra uma tendência crescente. O Excel não pode calcular o valor suavizado para o primeiro ponto de dados porque não existe um 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 alisados. O alfa maior (menor o fator de amortecimento), mais próximos são os valores suavizados dos pontos de dados atuais. Médias móveis exponentes explícitas. Os comerciantes basearam-se em médias móveis para ajudar a identificar os pontos de entrada de negociação de alta probabilidade e as saídas lucrativas por muitos anos. Um problema bem conhecido com as médias móveis, no entanto, é o atraso grave 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 do Double Exponential Moving Average Na análise técnica. O termo médio móvel refere-se a uma média de preço para um instrumento comercial específico ao longo de um período de tempo especificado. Por exemplo, uma média móvel de 10 dias calcula o preço médio de um instrumento específico nos últimos dez dias, uma média móvel de 200 dias calcula o preço médio dos últimos 200 dias. Cada dia, o período de look-back avança para basear cálculos no último X número de dias. Uma média móvel aparece como uma linha suave e curva que fornece uma representação visual da tendência de longo prazo de um instrumento. As médias móveis mais rápidas, com períodos de retrocesso mais curtos, são médias móveis mais lisas e mais rápidas, com períodos mais longos, são mais suaves. Porque uma média móvel é um indicador retroativo, está atrasado. A média móvel exponencial dupla (DEMA), mostrada na Figura 1, foi desenvolvida por Patrick Mulloy na tentativa de reduzir o tempo de latência encontrado nas médias móveis tradicionais. Foi introduzido pela primeira vez na Revista Técnica de Análise Técnica de Stocks de fevereiro de 1994, no artigo da Mulloys, Suavizando dados com médias móveis mais rápidas. (Figura 1: Este gráfico de um minuto do contrato de futuros e-mini Russell 2000 mostra duas médias móveis exponenciais diferentes e um período de 55 vezes aparece em azul, Um período de 21 em rosa. Calculando uma DEMA como Mulloy explica em seu artigo original, o DEMA não é apenas uma EMA dupla com o dobro do tempo de atraso de uma única EMA, mas é uma implementação composta de EMAs simples e duplas que produzem outra 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 duplas. Quase todas as plataformas de análise de negociação possuem o DEMA incluído como um indicador que pode ser adicionado aos gráficos. Portanto, os comerciantes podem usar o DEMA sem conhecer a matemática por trás dos cálculos e sem ter que escrever ou inserir qualquer código. Comparando o DEMA com as médias móveis tradicionais, as médias móveis são um dos métodos mais populares de análise técnica. Muitos comerciantes usam-nos para detectar reversões de tendência. Especialmente em um crossover de média móvel, onde duas médias móveis de diferentes comprimentos são colocadas em um gráfico. Pontos onde as médias móveis cruzam podem significar oportunidades de compra ou venda. O DEMA pode ajudar os comerciantes a reverter mais cedo porque é mais rápido responder às 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: 21-período DEMA (rosa) 55-período DEMA (azul escuro) 21-período MA (azul claro) 55-período MA (luz verde) Figura 2: Este gráfico de um minuto de O contrato de futuros e-mini Russell 2000 ilustra o tempo de resposta mais rápido do DEMA quando usado em um crossover. Observe como o crossover DEMA em ambos os casos aparece significativamente mais cedo do que os cruzamentos do MA. O primeiro cronômetro DEMA aparece às 12:29 e o próximo bar abre a um preço de 663,20. O cruzamento de MA, por outro lado, se forma às 12:34 e o próximo preço de abertura de barras é de 660,50. No próximo conjunto de crossovers, o cronômetro DEMA aparece às 1:33 e a próxima barra abre em 658. O MA, em contraste, forma às 1:43, com a próxima barra abrindo em 662.90. Em cada caso, o cronômetro DEMA fornece uma vantagem em entrar na tendência anterior ao cruzamento do MA. (Para mais informações, leia o Tutorial de Moedas em Movimento.) Negociação com um DEMA Os exemplos de cruzamento de média móvel acima ilustram a eficácia de usar a média móvel exponencial mais rápida e rápida. Além de usar o DEMA como um indicador autônomo ou em uma configuração crossover, o DEMA pode ser usado em uma variedade de indicadores, onde a lógica é baseada em uma média móvel. Ferramentas de análise técnica, como Bollinger Bands. A movimentação média média convergente (MACD) e a média móvel exponencial tripla (TRIX) são baseadas em tipos de média móvel e podem ser modificadas para incorporar uma DEMA em lugar de outros tipos mais tradicionais de médias móveis. Substituir o DEMA pode ajudar os comerciantes a detectar diferentes oportunidades de compra e venda que estão à frente daqueles fornecidos pelas MAs ou EMAs tradicionalmente utilizados nesses indicadores. Obviamente, entrar em uma tendência mais cedo e não mais tarde geralmente leva a maiores lucros. A Figura 2 ilustra esse princípio - se usássemos os crossovers como sinais de compra e venda. Nós inserimos os negócios significativamente mais cedo quando usamos o crossover DEMA em oposição ao cruzamento de MA. Bottom Line Traders e investidores usaram há muito tempo médias móveis em suas análises de mercado. As médias móveis são uma ferramenta de análise técnica amplamente utilizada que fornece um meio de visualizar e interpretar rapidamente a tendência a longo prazo de um determinado instrumento de negociação. Como as médias móveis pela própria natureza são indicadores de atraso. É útil ajustar a média móvel para calcular um indicador mais rápido e mais responsivo. A média móvel exponencial dupla fornece aos comerciantes e investidores uma visão da tendência a longo prazo, com a vantagem de ser uma média móvel mais rápida com menos tempo de atraso. (Para leitura relacionada, dê uma olhada em Combo MACD em Movimento Médio e em Vendas Móveis Externas Simples). Exemplo de Suavização Exponencial dupla. Este exemplo ilustra como usar a técnica XLMiners Double Exponential Suavização para descobrir tendências em uma série temporal que contém sazonalidade. Na faixa XLMiner, na guia Aplicar seu modelo, selecione Ajuda - Exemplos. Então ForecastingData Mining Examples. E abra o conjunto de dados de exemplo, Airpass. xlsx. Este conjunto de dados contém os totais mensais dos passageiros das companhias aéreas internacionais de 1949 a 1960. Depois que o conjunto de dados de exemplo for aberto, clique em uma célula no conjunto de dados e selecione na guia Série de tempo, selecione Partição para abrir a caixa de diálogo Dados de partição da série de tempo. Selecione o mês como a variável de tempo e os passageiros como variáveis nos dados da partição. Clique em OK para particionar os dados em Conjuntos de treinamento e validação. A planilha DataPartitionTS está inserida à direita da planilha de Dados. Clique na folha de cálculo DataPartitionTS e, na faixa XLMiner, na guia Time Series, selecione Smoothing - Double Exponential para abrir a caixa de diálogo Double Exponential Smoothing. O mês já foi selecionado como a variável Tempo. Selecione Passageiros como variável selecionada e, em Opções de saída, selecione Produzir previsão na validação para testar a previsão no conjunto de validação. Este exemplo usa os padrões para os parâmetros alfa e de tendência. O XLMiner inclui um recurso que escolhe os valores de parâmetro alfa e de tendência que resultam no erro quadrático médio residual mínimo. Recomenda-se que este recurso seja usado com cuidado, pois esta característica geralmente leva a um modelo que é superado ao Conjunto de Treinamento. Um modelo de superposição raramente exibe alta precisão preditiva no conjunto de validação. Clique em OK para executar o algoritmo Double Sopon Exponential. Duas planilhas, DoubleExponentialOutput e DoubleExponentialStored. São inseridos à direita da planilha DataPartitionTS. Clique na folha de cálculo DoubleExponentialOutput para ver os resultados do alisamento. Ao comparar as saídas de suavização média exponencial e móvel, o Suavizado Exponencial Duplo resulta em um ajuste melhor quando usado com um conjunto de dados, incluindo sazonalidade (Training Set MSE 876.05 e Validation Set MSE 8043.08). Se o algoritmo Optimize for usado, um Alfa de .9568 é escolhido juntamente com uma Tendência de 0,009. Os parâmetros exibidos resultam em um MSE de 450.7 para o Training Set e um MSE de 8477.64 para o conjunto de validação. Novamente, o modelo criado com os parâmetros do algoritmo Optimize resultou em um modelo com um ajuste melhor do que um modelo criado com os parâmetros padrão.
No comments:
Post a Comment