Moving average advantages forecasting

Introdução à Previsão Média Móvel. Como você pode imaginar, estamos analisando algumas das abordagens mais primitivas da previsão. Mas espero que isso seja pelo menos uma introdução válida para alguns dos problemas de computação relacionados à implementação de previsões em planilhas. Nesse sentido, continuaremos iniciando no início e começaremos a trabalhar com as previsões da Média móvel. Média móvel de previsões. Todos estão familiarizados com as previsões médias móveis, independentemente de acreditarem que sejam. Todos os estudantes universitários fazem isso o tempo todo. Pense nas pontuações dos seus testes em um curso onde você terá quatro testes durante o semestre. Vamos supor que você tenha um 85 no seu primeiro teste. O que você prevê para a sua segunda pontuação no teste? O que você acha que seu professor poderia prever para a sua próxima pontuação no teste? O que você acha que seus amigos podem prever para a sua próxima pontuação? Com toda a tagarelice que você pode fazer com seus amigos e pais, eles e seu professor provavelmente esperam que você consiga algo na área dos 85 que você acabou de receber. Bem, agora vamos supor que, apesar de sua autopromoção para seus amigos, você superestima a si mesmo e acha que pode estudar menos para o segundo teste e então obtém um 73. Agora, quais são todos os preocupados e despreocupados que vão antecipar-se você vai entrar em seu terceiro teste Existem duas abordagens muito prováveis ​​para que eles desenvolvam uma estimativa, independentemente de eles compartilharem com você. Eles podem dizer para si mesmos: "Esse cara está sempre fumando sua inteligência. Ele vai pegar outro 73 se tiver sorte. Talvez os pais tentem ser mais compreensivos e digam: “Bem, até agora você conseguiu um 85 e um 73, então talvez devesse figurar em um (85 73) / 2 79. Eu não sei, talvez se você fizesse menos Festejando e werent abanando a doninha em todo o lugar e se você começou a estudar muito mais você poderia obter uma pontuação mais alta. Ambas as estimativas estão realmente se movendo previsões médias. O primeiro é usar apenas sua pontuação mais recente para prever seu desempenho futuro. Isso é chamado de previsão de média móvel usando um período de dados. O segundo também é uma previsão de média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas que atacaram em sua grande mente o deixaram irritado e que você decidiu se dar bem no terceiro teste, por suas próprias razões, e colocar uma nota mais alta na frente de suas cotações. Você faz o teste e sua pontuação é na verdade uma 89. Todo mundo, inclusive você, está impressionado. Então agora você tem o teste final do semestre chegando e como de costume você sente a necessidade de incitar todos a fazerem suas previsões sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, esperamos que você possa ver o padrão. Qual você acredita ser o mais apito enquanto trabalhamos? Agora voltamos à nossa nova empresa de limpeza iniciada por sua meia-irmã chamada Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiramente, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar essa fórmula de célula para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve perceber que nós realmente não precisamos fazer as previsões para os períodos anteriores, a fim de desenvolver nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Incluí as previsões quotpast porque nós as usaremos na próxima página para medir a validade de previsão. Agora quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar essa fórmula de célula para as outras células C6 a C11. Observe como agora apenas as duas partes mais recentes de dados históricos são usadas para cada previsão. Mais uma vez incluí as previsões da semana passada para fins ilustrativos e para uso posterior na validação de previsões. Algumas outras coisas que são importantes para perceber. Para uma previsão média móvel de período m, apenas os valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão de média móvel de período m, ao fazer previsões de cotpas, observe que a primeira previsão ocorre no período m 1. Esses dois problemas serão muito significativos quando desenvolvermos nosso código. Desenvolvendo a Função Média Móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usada de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão e a matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho desejada. Função MovingAverage (Histórico, NumberOfPeriods) Como Single Declarando e inicializando variáveis ​​Dim Item As Variant Dim Contador As Integer Dim Acumulação Único Dim HistoricalSize As Integer Inicializando variáveis ​​Counter 1 Acumulação 0 Determinando o tamanho da matriz histórica HistoricalSize Historical. Count Para Counter 1 Para NumberOfPeriods Acumulando o número apropriado de valores observados anteriormente mais recentes Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovendoCúmulo Médio / NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha para que o resultado da computação apareça onde deveria estar a classe following. net. sourceforge. openforecast. models. MovingAverageModel Um modelo de previsão de média móvel baseia-se em uma série temporal artificialmente construída em que o valor para um determinado período de tempo é substituído pela média desse valor e os valores para algum número de períodos precedentes e sucessivos. Como você pode ter adivinhado na descrição, esse modelo é mais adequado para dados de séries temporais, ou seja, dados que mudam com o tempo. Por exemplo, muitos gráficos de ações individuais no mercado de ações mostram médias móveis de 20, 50, 100 ou 200 dias como forma de mostrar tendências. Como o valor da previsão para qualquer período é uma média dos períodos anteriores, a previsão sempre parecerá atrasar ou aumentar ou diminuir os valores observados (dependentes). Por exemplo, se uma série de dados tiver uma tendência ascendente perceptível, uma previsão de média móvel geralmente fornecerá uma subestimativa dos valores da variável dependente. O método da média móvel tem uma vantagem sobre outros modelos de previsão, na medida em que suaviza picos e vales (ou vales) em um conjunto de observações. No entanto, também tem várias desvantagens. Em particular, este modelo não produz uma equação real. Portanto, não é tão útil como uma ferramenta de previsão de médio e longo alcance. Ele só pode ser usado com segurança para prever um ou dois períodos no futuro. O modelo de média móvel é um caso especial da média móvel ponderada mais geral. Na média móvel simples, todos os pesos são iguais. Desde: 0.3 Autor: Steven R. Gould Campos herdados da classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Constrói um novo modelo de previsão de média móvel. MovingAverageModel (int period) Constrói um novo modelo de previsão de média móvel, usando o período especificado. getForecastType () Retorna um ou dois nomes de palavras desse tipo de modelo de previsão. init (DataSet dataSet) Usado para inicializar o modelo de média móvel. toString () Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual incluindo, quando possível, quaisquer parâmetros derivados usados. Métodos herdados da classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Constrói um novo modelo de previsão de média móvel. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como a variável independente. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o período especificado. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. O valor do período é usado para determinar o número de observações a serem usadas para calcular a média móvel. Por exemplo, para uma média móvel de 50 dias em que os pontos de dados são observações diárias, o período deve ser definido como 50. O período também é usado para determinar a quantidade de períodos futuros que podem ser efetivamente previstos. Com uma média móvel de 50 dias, não podemos razoavelmente - com qualquer grau de precisão - prever mais de 50 dias além do último período para o qual os dados estão disponíveis. Isso pode ser mais benéfico do que, digamos, um período de 10 dias, em que só poderíamos prever razoavelmente 10 dias além do último período. Parâmetros: period - o número de observações a serem usadas para calcular a média móvel. MovingAverageModel Constrói um novo modelo de previsão de média móvel, usando o nome fornecido como a variável independente e o período especificado. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. period - o número de observações a serem usadas para calcular a média móvel. Usado para inicializar o modelo de média móvel. Esse método deve ser chamado antes de qualquer outro método na classe. Como o modelo de média móvel não deriva nenhuma equação para previsão, esse método usa o DataSet de entrada para calcular os valores de previsão para todos os valores válidos da variável de tempo independente. Especificado por: init in interface Sobreposição de ForecastingModel: init na classe AbstractTimeBasedModel Parâmetros: dataSet - um conjunto de dados de observações que pode ser usado para inicializar os parâmetros de previsão do modelo de previsão. getForecastType Retorna um ou dois nomes de palavras desse tipo de modelo de previsão. Mantenha isso curto. Uma descrição mais longa deve ser implementada no método toString. Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, quando possível, quaisquer parâmetros derivados usados. Especificado por: toString na interface ForecastingModel Substituições: toString na classe WeightedMovingAverageModel Retorna: uma representação de string do modelo de previsão atual e seus parâmetros. 7 Armadilhas de médias móveis Uma média móvel é o preço médio de um título em um período de tempo especificado. . Os analistas freqüentemente usam as médias móveis como uma ferramenta analítica para facilitar o acompanhamento das tendências do mercado, à medida que os títulos sobem e descem. As médias móveis podem estabelecer tendências e medir o momento. portanto, eles podem ser usados ​​para indicar quando um investidor deve comprar ou vender um título específico. Os investidores também podem usar médias móveis para identificar pontos de suporte ou resistência, a fim de avaliar quando os preços provavelmente mudarão de direção. Ao estudar as faixas de negociação históricas, pontos de suporte e resistência são estabelecidos onde o preço de um título inverteu sua tendência de alta ou baixa, no passado. Esses pontos são usados ​​para fazer, comprar ou vender decisões. Infelizmente, as médias móveis não são ferramentas perfeitas para estabelecer tendências e apresentam muitos riscos sutis, mas significativos, para os investidores. Além disso, as médias móveis não se aplicam a todos os tipos de empresas e indústrias. Algumas das principais desvantagens das médias móveis incluem: 1. As médias móveis desenham tendências de informações passadas. Eles não levam em conta mudanças que possam afetar o desempenho futuro de uma segurança, como novos concorrentes, maior ou menor demanda por produtos no setor e mudanças na estrutura gerencial da empresa. 2. Idealmente, uma média móvel mostrará uma mudança consistente no preço de um título ao longo do tempo. Infelizmente, as médias móveis não funcionam para todas as empresas, especialmente para aquelas em setores muito voláteis ou aquelas que são fortemente influenciadas por eventos atuais. Isto é especialmente verdadeiro para a indústria petrolífera e indústrias altamente especulativas, em geral. 3. As médias móveis podem ser distribuídas ao longo de qualquer período de tempo. No entanto, isso pode ser problemático porque a tendência geral pode mudar significativamente dependendo do período de tempo usado. Tempos de tempo mais curtos têm mais volatilidade, enquanto períodos de tempo mais longos têm menos volatilidade, mas não respondem por novas mudanças no mercado. Os investidores devem ter cuidado com o prazo que escolherem, para garantir que a tendência seja clara e relevante. 4. Um debate em curso é se deve ou não ser dada mais ênfase aos dias mais recentes no período de tempo. Muitos acham que os dados recentes refletem melhor a direção em que a segurança está se movendo, enquanto outros acham que dar mais alguns dias do que outros, distorce a tendência de forma incorreta. Os investidores que usam métodos diferentes para calcular médias podem traçar tendências completamente diferentes. (Saiba mais em Médias Móveis Simples vs. Exponenciais.) 5. Muitos investidores argumentam que a análise técnica é uma maneira sem sentido de prever o comportamento do mercado. Dizem que o mercado não tem memória e o passado não é um indicador do futuro. Além disso, há uma pesquisa substancial para comprovar isso. Por exemplo, Roy Nersesian realizou um estudo com cinco estratégias diferentes usando médias móveis. A taxa de sucesso de cada estratégia variou entre 37 e 66. Esta pesquisa sugere que as médias móveis apenas produzem resultados em cerca de metade do tempo, o que poderia torná-las uma proposta arriscada para sincronizar efetivamente o mercado de ações. 6. Os títulos geralmente mostram um padrão cíclico de comportamento. Isso também é verdade para empresas de serviços públicos, que têm demanda constante por seu produto ano a ano, mas que experimentam fortes mudanças sazonais. Embora as médias móveis possam ajudar a suavizar essas tendências, elas também podem ocultar o fato de que a segurança está tendendo em um padrão oscilatório. (Para saber mais, veja Manter um olho no momento.) 7. O objetivo de qualquer tendência é prever onde o preço de um título será no futuro. Se um título não está tendendo em nenhuma direção, ele não oferece uma oportunidade de lucrar com a compra ou a venda a descoberto. A única maneira de um investidor poder lucrar seria implementar uma estratégia sofisticada baseada em opções, que depende do preço permanecer estável. The Bottom Line Médias móveis têm sido consideradas uma ferramenta analítica valiosa por muitos, mas para qualquer ferramenta ser eficaz você deve primeiro entender sua função, quando usá-lo e quando não usá-lo. Os perigos aqui discutidos indicam quando as médias móveis podem não ter sido uma ferramenta eficaz, como quando usadas com títulos voláteis, e como elas podem negligenciar certas informações estatísticas importantes, como padrões cíclicos. Também é questionável como médias móveis eficazes são para indicar com precisão as tendências dos preços. Dadas as desvantagens, as médias móveis podem ser uma ferramenta melhor usada em conjunto com outras. No final, a experiência pessoal será o último indicador de quão efetivas elas realmente são para o seu portfólio. (Para mais, veja As médias móveis adaptáveis ​​conduzem a melhores resultados)