Prós E Contras Da Previsão Média Móvel

Médias móveis Uma média móvel é um dos indicadores de análise técnica mais flexíveis e mais comumente usados. É altamente popular entre os comerciantes, principalmente devido à sua simplicidade. Ele funciona melhor em um ambiente de tendências. Introdução Nas estatísticas, uma média móvel é simplesmente uma média de um determinado conjunto de dados. No caso de análise técnica, esses dados são na maioria dos casos representados pelos preços de fechamento dos estoques para os dias específicos. No entanto, alguns comerciantes também usam médias separadas para mínimos e máximos diários ou mesmo uma média de valores de ponto médio (que eles calculam ao resumir diariamente o mínimo e o máximo e dividindo por ele dois). No entanto, você pode construir uma média móvel também em um período de tempo mais curto, por exemplo, usando dados diários ou de minutos. Por exemplo, se você quiser fazer uma média móvel de 10 dias, basta adicionar todos os preços de fechamento durante os últimos 10 dias e dividi-lo por 10 (neste caso, é uma média móvel simples). No dia seguinte, fazemos o mesmo, exceto que voltemos os preços nos últimos 10 dias, o que significa que o preço que foi o último em nosso cálculo para o dia anterior não está mais incluído na média de hoje - é substituído por ontem preço. A mudança de dados dessa maneira com cada novo dia de negociação, daí o termo média móvel. O objetivo eo uso das médias móveis na análise técnica A média móvel é um indicador de tendência. O objetivo é detectar o início de uma tendência, seguir seu progresso, bem como relatar sua reversão se ocorrer. Ao contrário do gráfico, as médias móveis não prevêem o início ou o fim de uma tendência. Eles só confirmam isso, mas apenas algum tempo após a reversão real ocorrer. Isso decorre de sua própria construção, pois esses indicadores são baseados exclusivamente em dados históricos. Os dias menos que uma média móvel contém, mais cedo pode detectar uma inversão de tendências. É devido à quantidade de dados históricos, que influenciam fortemente a média. Uma média móvel de 20 dias gera o sinal de uma reversão de tendência mais cedo do que a média de 50 dias. No entanto, também é verdade que quanto menos dias usamos na computação de médias móveis, mais sinais falsos recebemos. Assim, a maioria dos comerciantes usa uma combinação de várias médias móveis, que devem produzir um sinal ao mesmo tempo, antes que um comerciante abra sua posição no mercado. No entanto, uma média móvel atrasada atrás da tendência não pode ser completamente eliminada. Sinais de negociação Qualquer tipo de média móvel pode ser usado para gerar sinais de compra ou venda e esse processo é muito simples. O software de gráficos traça a média móvel como uma linha diretamente no gráfico de preços. Os sinais são gerados em locais onde os preços cruzam essas linhas. Quando o preço cruza acima da linha média móvel, isso implica o início de uma nova tendência ascendente e, portanto, significa um sinal de compra. Por outro lado, se o preço cruza sob a linha média móvel e o mercado também encerra nesta área, ele sinaliza o início de uma tendência descendente e, portanto, constitui um sinal de venda. Usando médias múltiplas Também podemos optar por usar movimentos múltiplos Médias simultâneas, para eliminar o ruído dos preços e especialmente os sinais falsos (whipsaws), que o uso de uma única média móvel gera. Ao usar múltiplas médias, um sinal de compra ocorre quando a menor das médias cruza acima da média mais longa, e. A média média de 50 dias ultrapassa a média de 200 dias. Por outro lado, um sinal de venda neste caso é gerado quando a média de 50 dias cruza sob a média de 200. Da mesma forma, também podemos usar uma combinação de três médias, e. Uma média de 5 dias, 10 dias e 20 dias. Neste caso, uma tendência ascendente é indicada se a linha média de 5 dias estiver acima da média móvel de 10 dias, enquanto a média de 10 dias ainda está acima da média de 20 dias. Qualquer cruzamento de médias móveis que leva a essa situação é considerado um sinal de compra. Por outro lado, a tendência descendente é indicada pela situação quando a linha média de 5 dias é menor que a média de 10 dias, enquanto a média de 10 dias é menor do que a média de 20 dias. Usando três médias móveis simultaneamente, limita a quantidade de falso Sinais gerados pelo sistema, mas também limita o potencial de lucro, pois esse sistema gera um sinal de negociação somente após a tendência estar firmemente estabelecida no mercado. O sinal de entrada pode ser gerado apenas um curto período de tempo antes da inversão das tendências. Os intervalos de tempo utilizados pelos comerciantes para calcular as médias móveis são bastante diferentes. Por exemplo, os números Fibonacci são muito populares, como o uso de médias de 5 dias, 21 dias e 89 dias. No mercado de futuros, a combinação de 4-, 9 e 18 dias também é muito popular. Prós e contras A razão pela qual as médias móveis foram tão populares é que elas refletem várias regras básicas de negociação. O uso de médias móveis ajuda você a cortar suas perdas enquanto deixa seus lucros funcionarem. Ao usar médias móveis para gerar sinais de negociação, você sempre troca na direção da tendência do mercado, não contra ela. Além disso, em oposição à análise de padrões de gráfico ou outras técnicas altamente subjetivas, as médias móveis podem ser usadas para gerar sinais de negociação de acordo com regras claras - eliminando assim a subjetividade das decisões comerciais, o que pode ajudar a psique dos comerciantes. No entanto, uma grande desvantagem das médias móveis é que elas funcionam bem apenas quando o mercado está a tendência. Por isso, em períodos de mercados agitados quando os preços flutuam em uma faixa de preço particular, eles não funcionam de forma alguma. Esse período pode facilmente durar mais de um terço do tempo, portanto, confiar em médias móveis sozinho é muito arriscado. Alguns comerciantes, por isso, recomendam combinar médias móveis com um indicador que mede a força de uma tendência, como ADX ou usar médias móveis apenas como um indicador de confirmação para seu sistema comercial. Tipos de médias móveis Os tipos de médias móveis mais utilizados são a média móvel simples (SMA) e a média móvel ponderada exponencialmente (EMA, EWMA). Este tipo de média móvel também é conhecido como média aritmética e representa o tipo de média móvel mais comum e mais comum. Calculamos isso resumindo todos os preços de fechamento de um determinado período, que posteriormente dividimos pelo número de dias no período. No entanto, dois problemas estão associados a este tipo de média: leva em conta apenas os dados incluídos no período selecionado (por exemplo, uma média móvel simples de 10 dias leva em consideração apenas os dados dos últimos 10 dias e simplesmente ignora todos os outros dados Antes deste período). Também é muitas vezes criticado pela alocação de pesos iguais a todos os dados no conjunto de dados (ou seja, em uma média móvel de 10 dias, um preço de 10 dias atrás tem o mesmo peso que o preço de ontem - 10). Muitos comerciantes argumentam que os dados dos últimos dias deveriam ter mais peso do que os dados mais antigos - o que resultaria na redução do atraso das médias na tendência. Esse tipo de média móvel resolve ambos os problemas associados a médias móveis simples. Em primeiro lugar, aloca mais peso em sua computação para dados recentes. Também reflete, em certa medida, todos os dados históricos para o instrumento específico. Esse tipo de média é denominado de acordo com o fato de que os pesos dos dados para o passado diminuem exponencialmente. A inclinação desta diminuição pode ser ajustada às necessidades do comerciante. As 7 armadilhas das médias móveis Uma média móvel é o preço médio de uma garantia durante um período de tempo especificado. Os analistas freqüentemente usam médias móveis como uma ferramenta analítica para tornar mais fácil seguir as tendências do mercado, à medida que os títulos se movem para cima e para baixo. As médias móveis podem estabelecer tendências e medir o dinamismo. Portanto, eles podem ser usados ​​para indicar quando um investidor deve comprar ou vender uma segurança específica. Os investidores também podem usar médias móveis para identificar pontos de suporte ou de resistência, a fim de avaliar quando os preços provavelmente mudarão de direção. Ao estudar os intervalos comerciais históricos, os pontos de suporte e resistência são estabelecidos onde o preço de uma garantia reverteu sua tendência ascendente ou descendente, 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 atraem tendências de informações passadas. Eles não levam em consideração as mudanças que podem afetar o desempenho futuro de uma segurança, como novos concorrentes, demanda maior ou menor de produtos na indústria e mudanças na estrutura gerencial da empresa. 2. Idealmente, uma média móvel mostrará uma mudança consistente no preço de uma segurança, ao longo do tempo. Infelizmente, as médias móveis não funcionam para todas as empresas, especialmente para aqueles em indústrias muito voláteis ou aqueles que são fortemente influenciados pelos eventos atuais. Isto é especialmente verdadeiro para a indústria do petróleo e indústrias altamente especulativas, em geral. 3. As médias móveis podem ser distribuídas em qualquer período de tempo. No entanto, isso pode ser problemático porque a tendência geral pode mudar significativamente de acordo com o período de tempo usado. Cortes de tempo mais curtos têm mais volatilidade, enquanto marcos de tempo mais longos têm menor volatilidade, mas não contam novas mudanças no mercado. Os investidores devem ter cuidado com o prazo que eles escolherem, para garantir que a tendência seja clara e relevante. 4. Um debate em curso é se deve ou não se colocar mais ênfase nos últimos dias no período de tempo. Muitos acham que os dados recentes refletem melhor a direção em que a segurança se está movendo, enquanto outros acham que dar alguns dias mais peso do que outros, prejudica incorretamente a tendência. Os investidores que usam métodos diferentes para calcular médias podem desenhar 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. Eles dizem que o mercado não tem memória e o passado não é um indicador do futuro. Além disso, há pesquisas substanciais para apoiar 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 aproximadamente metade do tempo, o que poderia fazer com que eles usassem uma proposta de risco para efetivamente cronometrar o mercado de ações. 6. Os valores mobiliários mostram frequentemente um padrão cíclico de comportamento. Isso também é verdade para as empresas de serviços públicos, que têm uma demanda constante por seu produto ano-a-ano, mas experimentam fortes mudanças sazonais. Embora as médias móveis possam ajudar a suavizar essas tendências, elas também podem esconder o fato de que a segurança está em um padrão oscilatório. (Para saber mais, veja Keep a Eye On Momentum.) 7. O objetivo de qualquer tendência é prever onde o preço de uma garantia será no futuro. Se uma segurança não é tendência em qualquer direção, não oferece uma oportunidade de lucrar com a compra ou venda a descoberto. A única maneira que um investidor pode lucrar seria implementar uma estratégia sofisticada baseada em opções que dependa do preço restante constante. A média final As médias móveis foram consideradas uma ferramenta analítica valiosa por muitos, mas para que qualquer ferramenta seja efetiva, você deve primeiro entender sua função, quando usá-la e quando não usá-la. Os perigos aqui discutidos indicam quando as médias móveis podem não ter sido uma ferramenta efetiva, como quando usadas com títulos voláteis e como podem ignorar certas informações estatísticas importantes, como padrões cíclicos. Também é questionável como as médias móveis efetivas são para indicar com precisão as tendências de preços. Dadas as desvantagens, as médias móveis podem ser uma ferramenta mais utilizada em conjunto com outras. No final, a experiência pessoal será o último indicador de quão eficazes são realmente para o seu portfólio. (Para mais, veja As médias móveis adaptativas conduzem a melhores resultados) Previsão 101: Mais além da previsão automática Parte 3: Melhorando sua previsão com modelos descendentes Esta parcela de Previsão 101 apresenta o terceiro de três artigos sobre ir além da previsão automática. O primeiro artigo apresentou uma visão geral das abordagens automáticas de séries temporais, examinando como funcionam, os prós e os contras da sua utilização e situações em que não deveriam ser utilizadas. O segundo artigo descreveu a evolução de um processo de previsão bem-sucedido, observando que muitas vezes envolve uma progressão de planilhas ad hoc para abordagens automáticas de séries temporais e, finalmente, abordagens personalizadas aplicadas ao subconjunto dos itens em que eles agregam valor. O segundo artigo descreveu um desses modelos personalizados de aproximação de um método avançado de previsão, que muitas vezes supera as abordagens de séries temporais automáticas para dados em que eventos especiais, como promoções, greves, feriados móveis, etc. ocorreram durante o período de demanda histórica. Neste artigo, iremos olhar para outro modelismo customizado personalizado para baixo. As abordagens descendentes alavancam a estrutura que existe em dados agregados de nível superior para melhorar as previsões em níveis mais baixos da hierarquia de previsão. O que é uma previsão top-down A maioria das organizações lidam com vários níveis de agregação e requer previsões consistentes em todos os níveis. Por exemplo, uma empresa de bebidas pode precisar de uma previsão para vendas totais, bem como uma previsão para cada marca, cada segmento de cliente, cada tipo de contêiner e cada SKU. Ao preparar previsões para dados hierárquicos, você deve decidir sobre uma estratégia de reconciliação (ou seja, você deve decidir como fazer com que as previsões sejam consistentes em todos os níveis). Uma abordagem é aplicar métodos de previsão estatística diretamente ao historial de demanda de nível mais baixo e construir todas as previsões de nível de grupo somando as previsões de nível inferior, isto é conhecido como uma previsão ascendente. Uma abordagem alternativa é usar métodos de previsão estatística em dados mais agregados e, em seguida, aplicar um esquema de alocação para gerar as previsões de nível mais baixo, isto é conhecido como uma previsão de alta para cima. Vamos ilustrar estas abordagens com um exemplo muito simples. A coluna denominada Model-Based contém a previsão que seria criada aplicando um método de previsão estatística diretamente ao dado conjunto de dados. Assim, em nosso exemplo, se você previu a demanda por 6 pacotes diretamente, a previsão seria igual a 70, se você prever a demanda por 12 pacotes diretamente, a previsão seria igual a 30 e se você prever a demanda por latas totais diretamente, a previsão seria igual a 120. Observe que a previsão para Cans não é igual à soma da previsão para 6 pacotes e a previsão de 12 pacotes. Quando os três conjuntos de dados são previstos de forma independente usando suas próprias histórias, não há mecanismo estatístico que os obriga a reconciliar e é extremamente improvável que o façam. Às vezes, a previsão baseada em modelos para o grupo pode ser bastante diferente da soma das previsões baseadas em modelo de série de componentes. Observe que, na abordagem de baixo para cima, as previsões baseadas em modelos são usadas para os dados do nível do item (6 pacotes e 12 pacotes) e a previsão do nível de grupo (Cans) é calculada como sua soma. Na abordagem de cima para baixo, a previsão baseada em modelo é usada para o nível de grupo e as previsões de nível de item são calculadas ajustando suas previsões baseadas em modelo de forma proporcional para que elas somem a previsão de nível de grupo. Uma alternativa de abordagem de cima para baixo é não prever os dados do nível do item e simplesmente desagregar a previsão do nível de grupo aplicando fatores de proporcionalidade. Este método seria apropriado quando as proporções são constantes e conhecidas (por exemplo, desagregando as vendas de sapatos usando uma tabela de tamanhos ou um produto acabado usando uma lista de materiais). Quando as abordagens de cima para baixo melhoram as previsões A decisão de usar uma abordagem de cima para baixo ou de baixo para cima geralmente depende de duas questões importantes. 1. As unidades de nível inferior provavelmente exigirão modelos estatísticos distintos Isso seria o caso se as forças do mercado que dão forma às vendas no nível inferior são diferentes. Diferentes mercados, publicidade e promoção diferentes e diferentes distribuições favorecem a criação de previsões distintas baseadas em modelos. Se as maçãs e as laranjas tiverem mercados distintamente diferentes, então você provavelmente fará melhor para prever separadamente. Se não, então, muitas vezes, há uma vantagem distinta para prever o topo da fruta agregada. Se os dados de nível inferior forem estatisticamente semelhantes, a previsão em um nível de grupo geralmente resultará em uma previsão mais precisa porque: A. um maior volume de dados está disponível. B. Há menos ruído (variação aleatória) nos dados agregados que podem distorcer a previsão. C. Os dados agregados geralmente exibem uma estrutura mais pronunciada, tornando os padrões mais fáceis de reconhecer e prever. 2. Existe informação estatística suficiente nas vendas históricas de nível inferior para construir um modelo baseado apenas nessas vendas. Muitas organizações que precisam gerar previsões de baixo nível descobrem que, nos níveis mais baixos, simplesmente não há estrutura suficiente para gerar previsões estatísticas significativas diretamente Dos dados de baixo nível. Nesses casos, há pouca escolha além de gerar as previsões de nível mais baixo não com modelos estatísticos, mas sim usando algum tipo de esquema de alocação de cima para baixo. Vamos ilustrar isso com um exemplo. A Figura 1 mostra as vendas mensais de uma marca de xarope para tosse. A Figura 2 mostra as vendas mensais de um SKU específico. A empresa atribui um número de SKU exclusivo para cada combinação de sabor a garrafa que produz. Considere os dois gráficos. Observe que no nível da marca, há mais estrutura para os dados. O padrão sazonal é prontamente aparente e há menos ruído. Mais de três anos de histórico de demanda está disponível no nível da marca, enquanto apenas 10 meses de história existem para o SKU recentemente introduzido. Neste exemplo, a falta de histórico no nível SKU não permite que você construa um modelo de previsão sazonal diretamente dos dados. Assim, como o xarope contra a tosse é claramente um produto sazonal, uma abordagem ascendente produzirá previsões muito precárias. Por outro lado, uma abordagem de cima para baixo permite capturar a estrutura sazonal que existe no nível do grupo e apresentá-la às previsões do nível SKU através dos ajustes de cima para baixo. Resumo A maioria das organizações descobre que usando a abordagem de séries temporais automatizadas, como as implementadas em Forecast Prowork bastante bem para a grande maioria de seus itens e oferecem vantagens substanciais sobre a previsão ad hoc com planilhas. Nesta série de artigos, discutimos os prós e contras das abordagens automáticas de séries temporais e também exploramos a modelagem de eventos e a previsão top-down de duas abordagens alternativas de previsão que muitas vezes melhoram a precisão da previsão para o subconjunto de seus itens onde os modelos de séries temporais automáticos não funcionam bem. Sobre o autor: Eric Stellwagen é vice-presidente e co-fundador da Business Forecast Systems, Inc. (BFS) e co-autor da linha de produtos Forecast Pro. Ele consulta amplamente na área de previsão de negócios práticos que se dediquem 20 a 30 dias por ano, apresentando oficinas sobre o assunto e freqüentemente abordando grupos profissionais, como o Fórum de Gerenciamento de Previsão de Vendas da Universidade do Tennesses, APICS e o Institute for Business Forecasting. Reconhecido como um dos principais especialistas no campo, ele trabalhou com inúmeras empresas, incluindo Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning e Verizon. Ele também está atuando no conselho de diretores do Instituto Internacional de Previsores (IIF).