Calculando a média móvel Este VI calcula e exibe a média móvel, usando um número pré-selecionado. Primeiro, o VI inicializa dois registros de deslocamento. O registro de deslocamento superior é inicializado com um elemento e, continuamente, adiciona o valor anterior com o novo valor. Este registro de deslocamento mantém o total das últimas medições x. Depois de dividir os resultados da função de adicionar com o valor pré-selecionado, o VI calcula o valor médio móvel. O registro de deslocamento de baixo contém uma matriz com a dimensão Média. Este registro de deslocamento mantém todos os valores da medição. A função de substituição substitui o novo valor após cada loop. Este VI é muito eficiente e rápido porque usa a função de elemento de substituição dentro do loop while e ele inicializa a matriz antes de entrar no loop. Este VI foi criado no LabVIEW 6.1. Bookmark amp ShareMoving modelos de suavização média e exponencial Como um primeiro passo para mover além dos modelos médios, modelos de caminhada aleatórios e modelos de tendência linear, padrões e tendências não-sazonais podem ser extrapolados usando um modelo de média móvel ou suavização. O pressuposto básico por trás da média e dos modelos de suavização é que a série temporal é localmente estacionária com uma média que varia lentamente. Por isso, tomamos uma média móvel (local) para estimar o valor atual da média e então use isso como a previsão para o futuro próximo. Isso pode ser considerado como um compromisso entre o modelo médio e o modelo random-walk-without-drift. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é muitas vezes chamada de versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de suavizar os solavancos na série original. Ao ajustar o grau de alisamento (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 repousar Para uma previsão da série temporal 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 para trás do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Assim, dizemos que a idade média dos dados na média móvel simples é (m1) 2 em relação ao período para o qual a previsão é calculada: esta é a quantidade de tempo pelo qual as previsões tenderão a ficar atrás de pontos de viragem nos dados . Por exemplo, se você estiver avaliando os últimos 5 valores, as previsões serão cerca de 3 períodos atrasados na resposta 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 for muito grande (comparável ao comprimento do período de estimativa), o modelo SMA é equivalente ao modelo médio. Tal como acontece com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfit para os dados, isto é, os erros de previsão menores em média. Aqui está um exemplo de uma série que parece exibir flutuações aleatórias em torno de uma média que varia lentamente. Primeiro, vamos tentar ajustá-lo com um modelo de caminhada aleatória, que é equivalente a uma média móvel simples de 1 termo: o modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo, elege muito da quotnoisequot no Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se, em vez disso, tentemos uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suave: a média móvel simples de 5 meses produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nesta previsão é de 3 ((51) 2), de modo que tende a atrasar os pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não se desviam até vários períodos depois). 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 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 ampliam à medida que o horizonte de previsão aumenta. Isso obviamente não está correto. Infelizmente, não há uma teoria estatística subjacente que nos diga como os intervalos de confiança deveriam se ampliar para esse modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões do horizonte mais longo. Por exemplo, você poderia configurar uma planilha em que 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, em seguida, 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, obtemos previsões ainda mais suaves e mais de um efeito de atraso: a idade média é agora de 5 períodos ((91) 2). Se tomarmos uma média móvel de 19 termos, a idade média aumenta para 10: Observe que, de fato, as previsões estão atrasadas em torno de 10 períodos. Qual quantidade de suavização é melhor para esta série. Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3 termos: Modelo C, a média móvel de 5 termos, produz o menor valor de RMSE por uma pequena margem ao longo dos 3 As médias de prazo e de 9 anos e suas outras estatísticas são quase idênticas. Assim, entre os modelos com estatísticas de erro muito semelhantes, podemos escolher se preferimos um pouco mais de capacidade de resposta ou um pouco mais de suavidade nas previsões. (Retornar ao topo da página.) Browns Suavização exponencial simples (média móvel ponderada exponencialmente) O modelo de média móvel simples descrito acima tem a propriedade indesejável que trata as últimas observações k de forma igual e ignora completamente todas as observações precedentes. 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 o segundo mais recente, e o segundo mais recente deve ter um pouco mais de peso do que o terceiro mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Deixe 945 indicar uma constante de quotesmoothing (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 como estimado a partir de dados até o presente. O valor de L no tempo t é calculado de forma recursiva a partir de seu próprio valor anterior como este: Assim, o valor atual suavizado 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 liso 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 em uma quantidade fracionada de 945. É o erro ocorrido em Tempo t. Na terceira versão, a previsão é uma média móvel ponderada exponencialmente (com desconto) 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 uma Célula única e contém referências de células apontando para a previsão anterior, a observação anterior e a 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, supondo que o primeiro valor suavizado seja igual à média. (Voltar ao topo da página.) A idade média dos dados na previsão de suavização simples-exponencial é de 1 945 em relação ao período para o qual a previsão é calculada. (Isso não deve ser óbvio, mas pode ser facilmente demonstrado pela avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a atrasar os pontos de viragem em cerca de 1 945 períodos. Por exemplo, quando 945 0.5 o atraso é de 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 média de idade dada (ou seja, a quantidade de lag), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão da média móvel simples (SMA) porque coloca um peso relativamente maior na observação mais recente - isto é. É um pouco mais quotresponsivequot às mudanças ocorridas no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 ambos têm uma idade média de 5 para os dados em suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no Ao mesmo tempo, não é completamente necessário para o 8221 sobre valores com mais de 9 períodos de tempo, como mostrado neste gráfico: Outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, portanto pode otimizar facilmente Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor ideal de 945 no modelo SES para esta série acaba por ser 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é de 10.2961 3,4 períodos, que é semelhante ao de uma média móvel simples de 6 termos. As previsões de longo prazo do modelo SES são uma linha direta horizontal. Como no modelo SMA e no modelo de caminhada aleatória sem crescimento. No entanto, note que os intervalos de confiança computados por Statgraphics agora divergem de 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 pouco mais previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Então a teoria estatística dos modelos ARIMA fornece uma base sólida para calcular 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 um 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 analisada aqui, o coeficiente MA (1) estimado é 0.7029, o que é quase exatamente um menos 0.2961. É possível adicionar a hipótese de uma tendência linear constante não-zero a 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 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 desabilitadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial constante a longo prazo 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 de quotinflação adequada (taxa de crescimento) por período pode ser estimada como o coeficiente de inclinação em um modelo de tendência linear ajustado aos dados em conjunto com uma transformação do logaritmo natural, ou pode ser baseado em outras informações independentes sobre perspectivas de crescimento a longo prazo . (Voltar ao topo da página.) Browns Linear (ou seja, duplo) Suavização exponencial Os modelos SMA e os modelos SES assumem que não há nenhuma tendência de nenhum tipo nos dados (o que normalmente é OK ou pelo menos não muito ruim para 1- Previsões passo a passo quando os dados são relativamente barulhentos) e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. E as tendências de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaca claramente contra o ruído, e se for necessário prever mais de 1 período, a estimativa de uma tendência local também pode ser um problema. O modelo de alisamento exponencial simples pode ser generalizado para obter um modelo de alisamento exponencial linear (LES) que calcula estimativas locais de nível e tendência. O modelo de tendência mais simples do tempo é o modelo de alisamento exponencial linear Browns, que usa duas séries suavizadas diferentes centradas em diferentes pontos no 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 alisamento exponencial linear Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em várias formas diferentes, mas equivalentes. A forma quotstandardquot deste modelo geralmente é expressa da seguinte maneira: Seja S indicar a série de suavidade individualmente obtida pela aplicação de suavização exponencial simples para a série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, sob simples Suavização exponencial, esta seria a previsão de Y no período t1). Em seguida, deixe Squot indicar a série duplamente suavizada obtida pela aplicação de suavização exponencial simples (usando o mesmo 945) para a série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dado por: Isto produz e 1 0 (isto é, engane um pouco e deixe a primeira previsão igual a primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isso produz os mesmos valores ajustados que a fórmula com base em S e S, se estes últimos foram iniciados usando 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 Suavização Brown8217s modelo LES calcula as estimativas locais de nível e tendência, suavizando os dados recentes, mas o fato de que ele faz com um único parâmetro de suavização coloca uma restrição nos padrões de dados que ele pode caber: o nível e a tendência Não é permitido variar em taxas independentes. O modelo LES de Holt8217s aborda esse problema ao incluir duas constantes de suavização, uma para o nível e outra para a tendência. Em qualquer momento t, como no modelo Brown8217s, há uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui, eles são computados de forma recursiva a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam suavização exponencial separadamente. Se o nível estimado e a tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão de 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 de forma recursiva interpolando entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1- 945. A alteração no nível estimado, Lt 8209 L t82091. Pode ser interpretado como uma medida ruim da tendência no tempo t. A estimativa atualizada da tendência é então calculada de forma recursiva interpolando 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 tendências 946 é análoga à da constante de alívio de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda muito lentamente ao longo do tempo, enquanto modelos com 946 maiores assumem que está mudando mais rapidamente. Um modelo com um grande 946 acredita que o futuro distante é muito incerto, porque os erros na estimativa de tendência se tornam bastante importantes ao prever mais de um período à frente. (Voltar ao topo da página.) 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 são de 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume mudanças muito pequenas 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 utilizados na estimativa do nível local da série, a idade média dos dados utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a ela. . Neste caso, isso é 10.006 125. Este não é um número muito preciso na medida em que a precisão da estimativa de 946 não é realmente 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, então Este modelo está com uma média de bastante história na estimativa da tendência. O gráfico de previsão abaixo mostra que o modelo de LES estima uma tendência local um pouco 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, então este é quase o mesmo modelo. Agora, eles se parecem com previsões razoáveis para um modelo que deveria 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 estimados pela minimização do erro quadrado das previsões de 1 passo a frente, não de previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está procurando é erros de 1 passo à frente, você não está vendo a imagem maior das tendências em relação a (digamos) 10 ou 20 períodos. Para obter este modelo mais em sintonia com a nossa extrapolação no globo ocular dos dados, podemos ajustar manualmente a constante de suavização de tendência para que ele use uma linha de base mais curta para estimativa de tendência. Por exemplo, se optar por definir 946 0,1, a idade média dos dados utilizados na estimativa da tendência local é de 10 períodos, o que significa que estamos em média a tendência nos últimos 20 períodos ou mais. Aqui é o que parece o gráfico de previsão se definimos 946 0,1 enquanto mantemos 945 0,3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso extrapolar essa tendência mais de 10 períodos no futuro. E as estatísticas de erro Aqui está uma comparação de modelo para os dois modelos mostrados acima, bem como três modelos SES. O valor ideal de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com um pouco 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, então nós realmente podemos escolher a base De erros de previsão de 1 passo à frente na amostra de dados. Temos de recuar sobre outras considerações. Se acreditamos firmemente que faz sentido basear a estimativa de tendência atual sobre o que aconteceu nos últimos 20 períodos ou mais, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se quisermos ser agnósticos sobre se existe uma tendência local, então um dos modelos SES pode ser mais fácil de explicar e também fornecerá mais previsões do meio da estrada para os próximos 5 ou 10 períodos. (Retornar ao topo da página.) Qual tipo de tendência-extrapolação é melhor: horizontal ou linear. Evidências empíricas sugerem que, se os dados já foram ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar a curto prazo linear Tendências muito distantes no futuro. As tendências evidentes hoje podem diminuir no futuro devido a causas variadas, como obsolescência do produto, aumento da concorrência e recessões cíclicas ou aumentos em uma indústria. Por esta razão, o alisamento exponencial simples geralmente realiza melhor fora da amostra do que seria de se esperar, apesar da sua extrapolação de tendência horizontal de quotnaivequot. As modificações da tendência amortecida do modelo de alisamento exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES da Tendência amortecida 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. (Beware: nem todos os softwares calculam os intervalos de confiança para esses modelos corretamente.) A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de alisamento (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos adiante que você está prevendo. Em geral, os intervalos se espalham mais rapidamente, à medida que 945 se ampliam no modelo SES e se espalham muito mais rápido quando o alisamento linear em vez do simples é usado. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao topo da página.) Envelopes médios móveis Envelopes médios móveis Introdução Os Envelopes médios móveis são envelopes baseados em porcentagem definidos acima e abaixo de uma média móvel. A média móvel, que constitui a base para esse indicador, pode ser uma média móvel simples ou exponencial. Cada envelope é então definido a mesma porcentagem acima ou abaixo da média móvel. Isso cria bandas paralelas que seguem a ação de preço. Com uma média móvel como base, os Envelopes médios móveis podem ser usados como indicador de tendência. No entanto, este indicador não se limita apenas a seguir a tendência. Os envelopes também podem ser usados para identificar níveis de sobrecompra e sobrevenda quando a tendência é relativamente plana. Cálculo do cálculo para Envelopes médios móveis é direto. Primeiro, escolha uma média móvel simples ou uma média móvel exponencial. As médias móveis simples pesam cada ponto de dados (preço) igualmente. As médias móveis exponenciais colocam mais peso nos preços recentes e têm menos atraso. Em segundo lugar, selecione o número de períodos de tempo para a média móvel. Em terceiro lugar, defina a porcentagem para os envelopes. Uma média móvel de 20 dias com um envelope 2.5 mostra as seguintes duas linhas: o gráfico acima mostra a IBM com um SMA de 20 dias e 2,5 envelopes. Observe que o SMA de 20 dias foi adicionado a este SharpChart para referência. Observe como os envelopes se movem em paralelo com o SMA de 20 dias. Eles continuam a ser uma constante de 2,5 acima e abaixo da média móvel. Interpretação Os indicadores baseados em canais, bandas e envelopes são projetados para abranger a maioria das ações de preços. Portanto, os movimentos acima ou abaixo dos envelopes merecem atenção. As tendências geralmente começam com movimentos fortes em uma direção ou outra. Um aumento acima do envelope superior mostra uma força extraordinária, enquanto um mergulho abaixo do envelope inferior mostra uma fraqueza extraordinária. Esses movimentos fortes podem sinalizar o fim de uma tendência e o início de outra. Com uma média móvel como base, os Envelopes médios móveis são um indicador de tendência natural. Tal como acontece com as médias móveis, os envelopes irão atrasar a ação de preço. A direção da média móvel determina a direção do canal. Em geral, uma tendência de baixa está presente quando o canal se move mais baixo, enquanto existe uma tendência de alta quando o canal se move mais alto. A tendência é plana quando o canal se move de lado. Às vezes, uma forte tendência não se concretiza depois de uma quebra de envelope e os preços se movem para uma faixa de negociação. Essas gamas de negociação são marcadas por uma média móvel relativamente plana. Os envelopes podem então ser usados para identificar níveis de sobrecompra e sobrevenda para fins comerciais. Um movimento acima do envelope superior indica uma situação de sobrecompra, enquanto um movimento abaixo do envelope inferior marca uma condição de sobrevenda. Parâmetros Os parâmetros para Envelopes médios móveis dependem dos objetivos de troca de investimento e das características da segurança envolvida. Os comerciantes provavelmente usarão médias móveis mais curtas (mais rápidas) e envelopes relativamente apertados. Os investidores provavelmente preferirão médias móveis mais longas (mais lentas) com envelopes mais amplos. A volatilidade de uma segurança de segurança também influenciará os parâmetros. Bollinger Bands e Keltner Channels criaram mecanismos que se ajustam automaticamente à volatilidade de uma segurança. As Bandas Bollinger usam o desvio padrão para definir largura de banda. Os Canais Keltner usam o intervalo médio verdadeiro (ATR) para definir a largura do canal. Estes se ajustam automaticamente para a volatilidade. Os cartistas devem ter uma contabilidade independente da volatilidade ao definir os Envelopes médios móveis. Valores com alta volatilidade exigirão bandas mais amplas para abranger a maioria das ações de preços. Valores com baixa volatilidade podem usar bandas mais estreitas. Ao escolher os parâmetros certos, muitas vezes ajuda a sobrepor alguns diferentes Envelopes médios móveis e comparar. O gráfico acima mostra o ETF SampP 500 com três Envelopes médios móveis com base no SMA de 20 dias. Os 2.5 envelopes (vermelhos) foram tocados várias vezes, os 5 envelopes (verde) só foram tocados durante a onda de julho. Os 10 envelopes (rosa) nunca foram tocados, o que significa que esta banda é muito larga. Um comerciante de médio prazo pode usar os 5 envelopes, enquanto um comerciante de curto prazo pode usar os 2.5 envelopes. Os índices de ações e os ETFs exigem envelopes mais restritos porque geralmente são menos voláteis do que os estoques individuais. O gráfico da Alcoa tem os mesmos Envelopes de média móvel que o gráfico SPY. No entanto, note que a Alcoa violou os 10 envelopes várias vezes porque é mais volátil. Identidade da tendência Envelopes médios móveis podem ser usados para identificar movimentos fortes que sinalizam o início de uma tendência prolongada. O truque, como sempre, está escolhendo os parâmetros corretos. Isso leva prática, tentativa e erro. O gráfico abaixo mostra Dow Chemical (DOW) com os Envelopes médios móveis (20,10). Os preços de fechamento são usados porque as médias móveis são calculadas com os preços de fechamento. Alguns chartists preferem barras ou candlesticks para utilizar o dia intradiário alto e baixo. Observe como a DOW subiu acima do envelope superior em meados de julho e continuou movendo-se acima deste envelope até o início de agosto. Isso mostra força extraordinária. Observe também que os Envelopes médios móveis apareceram e seguiram o avanço. Após um movimento de 14 a 23, o estoque foi claramente comprado demais. No entanto, este movimento estabeleceu um forte precedente que marcou o início de uma tendência prolongada. Com o DOW se tornando overbought logo depois de estabelecer sua tendência de alta, chegou a hora de esperar uma retração jogável. Os comerciantes podem procurar retrocessos com análise básica de gráfico ou com indicadores. Os pullbacks geralmente vêm sob a forma de bandeiras ou cunhas em queda. A DOW formou uma imagem de bandeira perfeita em agosto e quebrou a resistência em setembro. Outra bandeira se formou no final de outubro com uma fuga em novembro. Após o aumento de novembro, o estoque puxou para trás com uma bandeira de cinco semanas em dezembro. O índice do canal Commodity (CCI) é mostrado na janela do indicador. Move-se abaixo de -100 mostram leituras de oversold. Quando a tendência é maior, as leituras de sobrevenda podem ser usadas para identificar retrocessos para melhorar o perfil de risco e recompensa para um comércio. Momentum gira novamente quando a CCI volta para o território positivo (linhas verdes pontilhadas). A lógica inversa pode ser aplicada para uma tendência de baixa. Um movimento forte abaixo do envelope inferior sinaliza uma fraqueza extraordinária que pode anunciar uma tendência de queda prolongada. O gráfico abaixo mostra o International Game Tech (IGT) que se encontra abaixo do envelope 10 para estabelecer uma tendência de baixa no final de outubro de 2009. Como o estoque foi bastante sobrevendido após esse declínio acentuado, teria sido prudente esperar por um salto. Podemos então usar a análise básica de preços ou outro indicador de impulso para identificar os saltos. A janela indicadora mostra o Oscilador Estocástico sendo usado para identificar rebotes de sobrebancos. Um movimento acima de 80 é considerado sobrecompra. Uma vez acima de 80, os carlos podem então procurar um sinal de gráfico ou uma volta abaixo de 80 para sinalizar uma desaceleração (linhas pontilhadas em vermelho). O primeiro sinal foi confirmado com uma quebra de suporte. O segundo sinal resultou em um whipsaw (perda) porque o estoque se moveu acima de 20 algumas semanas depois. O terceiro sinal foi confirmado com uma quebra de linha de tendência que resultou em um declínio bastante acentuado. Semelhante ao Oscilador de Preços Antes de avançar para níveis de sobrecompra e sobrevenda, vale a pena ressaltar que os Envelopes Médicos em Movimento são semelhantes ao Oscilador de Preços por Cálculo (PPO). Envelopes médios móveis nos dizem quando uma segurança está negociando uma determinada porcentagem acima de uma média móvel específica. PPO mostra a diferença percentual entre uma média móvel exponencial curta e uma média móvel exponencial mais longa. PPO (1,20) mostra a diferença percentual entre um EMA de 1 período e um EMA de 20 períodos. Um EMA de 1 dia é igual ao próximo. Os Envelopes Médicos em Movimento Exponencial de 20 Períodos refletem a mesma informação. O gráfico acima mostra o Russell 2000 ETF (IWM) com PPO (1,20) e 2.5 Exponential Moving Average Envelopes. As linhas horizontais foram definidas em 2,5 e -2,5 no PPO. Observe que os preços se movem acima do envelope 2.5 quando o PPO se move acima de 2,5 (sombreamento amarelo) e os preços se movem abaixo do envelope 2.5 quando o PPO se move abaixo de -2,5 (sombreado laranja). PPO é um oscilador de momentum que pode ser usado para identificar níveis de sobrecompra e sobrevenda. Por extensão, Envelopes médios móveis também podem ser usados para identificar níveis de sobrecompra e sobrevenda. O PPO usa médias móveis exponenciais, portanto deve ser comparado aos Envelopes médios móveis usando EMAs, não SMAs. OverboughtOversold Medir as condições de sobrecompra e sobrevenda é complicado. Os valores mobiliários podem tornar-se sobre-comprados e permanecerem sobre comprados em uma forte tendência de alta. Da mesma forma, os valores mobiliários podem se sobreviver e continuar a ser vendidos em uma forte tendência de queda. Em uma forte tendência de alta, os preços geralmente se movem acima do envelope superior e continuam acima desta linha. Na verdade, o envelope superior aumentará à medida que o preço continua acima do envelope superior. Isso pode parecer tecnicamente sobrecompra, mas é um sinal de força para permanecer sobrecompra. O inverso é verdadeiro para oversold. As leituras de sobrecompra e sobrevenda são melhor usadas quando a tendência se choca. O gráfico para a Nokia tem tudo. As linhas rosa representam os Envelopes médios móveis (50,10). Uma média móvel simples de 50 dias está no meio (vermelho). Os envelopes são definidos 10 acima e abaixo dessa média móvel. O gráfico começa com um nível de sobrecompra que permaneceu overbought como uma forte tendência surgiu em abril-maio. A ação de preços tornou-se agitada de junho a abril, que é o cenário perfeito para níveis de sobrecompra e sobrevenda. Os níveis de sobrecompra em setembro e meados de março apresentaram reversões. Da mesma forma, os níveis de sobrevenda em agosto e no final de outubro anunciaram avanços. O gráfico termina com uma condição de sobrevenda que permanece sobrevenda à medida que surge uma forte tendência de baixa. As condições de sobrecompra e sobrevenda devem servir como alertas para análises futuras. Os níveis de sobrecompra devem ser confirmados com a resistência do gráfico. Os cartistas também podem procurar padrões de baixa para reforçar o potencial de reversão em níveis de sobrecompração. Da mesma forma, os níveis de sobrevenda devem ser confirmados com o suporte ao gráfico. Chartist também pode procurar padrões otimistas para reforçar o potencial de reversão em níveis de sobrevenda. Conclusões Os Envelopes médios móveis são usados principalmente como um indicador de tendência, mas também podem ser usados para identificar condições de sobrecompra e sobrevenda. Após um período de consolidação, uma forte quebra de envelope pode sinalizar o início de uma tendência prolongada. Uma vez que uma tendência de alta é identificada, os cartistas podem recorrer a indicadores de impulso e outras técnicas para identificar leitores e retrocessos dentro daquela tendência. Condições de reposição e rejeições podem ser usadas como oportunidades de venda dentro de uma maior tendência de queda. Na ausência de uma forte tendência, os Envelopes médios móveis podem ser usados como o Oscilador de preços por cento. Move-se acima das leituras de overbought de sinal de envelope superior, enquanto se move abaixo das leituras de oversold do sinal de envelope inferior. Também é importante incorporar outros aspectos da análise técnica para confirmar a leitura de sobrecompra e sobrevenda. Os padrões de reversão de resistência e queda podem ser usados para corroborar as leituras de sobrecompra. Os padrões de reversão de apoio e otimização podem ser usados para afirmar condições de sobrevoo. SharpCharts Envelopes médios móveis podem ser encontrados em SharpCharts como uma sobreposição de preços. Tal como acontece com uma média móvel, os envelopes devem ser exibidos em cima de um gráfico de preço. Ao selecionar o indicador na caixa suspensa, a configuração padrão aparecerá na janela de parâmetros (20,2,5). Os Envelopes MA são baseados em uma média móvel simples. Os Envelopes EMA são baseados em uma média móvel exponencial. O primeiro número (20) define os períodos para a média móvel. O segundo número (2.5) define a porcentagem de deslocamento. Os usuários podem alterar os parâmetros para atender às suas necessidades de gráficos. A média móvel correspondente pode ser adicionada como sobreposição separada. Clique aqui para um exemplo ao vivo. Oversold após Break above High Envelope: Esta varredura procura ações que quebraram acima de seu envelope exponencial superior exponencial (50,10) há vinte dias para afirmar ou estabelecer uma tendência de alta. O CCI atual de 10 períodos está abaixo de -100 para indicar uma condição de sobrevenda a curto prazo. Sobrecompra após Break abaixo do envelope mais baixo: esta varredura procura ações que quebraram abaixo de seu envelope exponencial menor exponencial (50,10) há vinte dias para afirmar ou estabelecer uma tendência de baixa. O CCI atual de 10 períodos é superior a 100 para indicar uma condição de sobrecompração de curto prazo. Mais estudos tendem a negociar para uma vida Thomas Carr
No comments:
Post a Comment