Un promedio móvil con suavidad exponencial es un promedio móvil ponderado en el que los factores de peso son potencias de S. La constante de suavizado. Se calcula una media móvil exponencialmente suavizada sobre todos los datos acumulados hasta ahora en lugar de cortarse después de algunos días. Para el día d la media móvil exponencialmente suavizada es: Pero esto es sólo una secuencia geométrica El siguiente término en una secuencia de este tipo viene dado por: A d (1- S) M d SA d -1. El cálculo se acelera y la comprensión sirve si sustituimos: P 1-S por S en la ecuación para el siguiente término. Haciendo un pequeño álgebra, descubrimos: Esta reformulación hace que la operación de suavizado sea muy intuitiva. Cada día, tomamos la antigua tendencia número A d -1. Calcular la diferencia entre ella y la medida de hoy M d. Entonces agregue un porcentaje de esa diferencia P al valor de tendencia antiguo obtenga el nuevo. Obviamente, cuanto más cerca está P de 1 (y por lo tanto, cuanto más cerca está de S), más influencia tiene la nueva medición sobre la tendencia. Si P 1, el antiguo valor de tendencia A d -1 se cancela y la media móvil rastrea los datos con precisión. Por ejemplo, con la constante de suavizado S 0.9 que usamos en los datos de peso, calculamos el nuevo valor de tendencia A d del valor de tendencia anterior A d -1 y el peso de hoy M d como: En discusiones de promedios móviles suavizados exponencialmente, Aplicaciones, tenga cuidado de confundir la constante de suavizado S con la forma de variante P1-S introducida para simplificar el cálculo y hacer más evidente el efecto de los nuevos datos sobre el promedio móvil. P se refiere a menudo como el porcentaje de suavizado que el término 10 suavizado se refiere a un cálculo en el que P 10 / 1000.1 y, por lo tanto, S 0.9.OR-Notas OR-Notes son una serie de notas introductorias sobre temas que caen bajo el amplio encabezamiento de la Campo de investigación de operaciones (OR). Originalmente fueron utilizados por mí en un curso introductorio de OR que doy en el Imperial College. Ahora están disponibles para su uso por cualquier estudiante y maestro interesado en OR sujeto a las siguientes condiciones. Puede encontrar una lista completa de los temas disponibles en OR-Notes aquí. Ejemplos de pronóstico Ejemplo de pronóstico 1996 Examen UG La demanda de un producto en cada uno de los últimos cinco meses se muestra a continuación. Utilice una media móvil de dos meses para generar una previsión de demanda en el mes 6. Aplique el suavizado exponencial con una constante de suavizado de 0.9 para generar una previsión de demanda de demanda en el mes 6. Cuál de estos dos pronósticos prefiere y por qué? El promedio móvil para los meses dos a cinco es dado por: El pronóstico para el mes seis es sólo el promedio móvil para el mes antes de que es decir, el promedio móvil para el mes 5 m 5 2350. Aplicando suavizado exponencial con una constante de suavizado de 0,9 obtenemos: Antes de que el pronóstico para el mes seis sea apenas el promedio para el mes 5 M 5 2386 Para comparar los dos pronósticos calculamos la desviación cuadrada media (MSD). Si hacemos esto, encontramos que para el promedio móvil MSD (15 - 19) sup2 (18 - 23) sup2 (21-24) sup2 / 3 16.67 y para el promedio exponencialmente suavizado con una constante de suavización de 0.9 MSD (13-17) ) Sup2 (18.76 - 23) sup2 (22.58 - 24) sup2 / 4 10.44 En general, vemos que el suavizado exponencial parece dar las mejores previsiones de un mes de anticipación ya que tiene un MSD más bajo. Por lo tanto, preferimos el pronóstico de 2386 que ha sido producido por suavizado exponencial. Ejemplo de pronóstico 1994 UG examen La siguiente tabla muestra la demanda de un nuevo aftershave en una tienda para cada uno de los últimos 7 meses. Calcular una media móvil de dos meses para los meses dos a siete. Cuál sería su pronóstico para la demanda en el mes ocho? Aplicar el suavizado exponencial con una constante de suavizado de 0,1 para obtener una previsión de la demanda en el mes ocho. Cuál de las dos previsiones para el mes ocho prefieres y por qué? El encargado de la tienda cree que los clientes están cambiando a este nuevo aftershave de otras marcas. Analice cómo puede modelar este comportamiento de conmutación e indicar los datos que necesitaría para confirmar si se está produciendo o no esta conmutación. Solución El promedio móvil de dos meses para los meses dos a siete es dado por: El pronóstico para el mes ocho es sólo la media móvil para el mes anterior que es decir, el promedio móvil para el mes 7 m 7 46. Aplicando suavizado exponencial con una constante de suavizado de 0,1 Obtenemos: Como antes de la previsión para el mes ocho es sólo el promedio para el mes 7 M 7 31,11 31 (como no podemos tener la demanda fraccional). Para comparar los dos pronósticos se calcula la desviación cuadrática media (MSD). Si hacemos esto encontramos que para el promedio móvil y para el promedio exponencialmente suavizado con una constante de suavizado de 0,1 En general, vemos que el promedio móvil de dos meses parece dar el mejor pronóstico de un mes de anticipación, ya que tiene un MSD más bajo. Por lo tanto, preferimos la previsión de 46 que se ha producido por la media móvil de dos meses. Para examinar la conmutación que tendría que utilizar un modelo de proceso de Markov, donde las marcas de estados y que se necesita información de estado inicial y las probabilidades de conmutación de clientes (a partir de encuestas). Necesitamos ejecutar el modelo en datos históricos para ver si tenemos un ajuste entre el modelo y el comportamiento histórico. Ejemplo de pronóstico 1992 UG examen La siguiente tabla muestra la demanda de una determinada marca de afeitar en una tienda para cada uno de los últimos nueve meses. Calcular una media móvil de tres meses para los meses tres a nueve. Cuál sería su pronóstico para la demanda en el mes diez? Aplicar el suavizado exponencial con una constante de suavizado de 0,3 para obtener una previsión de la demanda en el mes diez. Cuál de los dos pronósticos para el mes diez prefieres y por qué? Solución El promedio móvil de tres meses para los meses 3 a 9 es dado por: El pronóstico para el mes 10 es sólo el promedio móvil para el mes anterior que es decir el promedio móvil para el mes 9 M 9 20,33. Por lo tanto (como no podemos tener demanda fraccional) el pronóstico para el mes 10 es 20. Aplicando el suavizado exponencial con una constante de suavizado de 0.3 obtenemos: Como antes la predicción para el mes 10 es sólo el promedio para el mes 9 M 9 18.57 19 (como nosotros No puede tener demanda fraccional). Para comparar los dos pronósticos se calcula la desviación cuadrática media (MSD). Si hacemos esto, encontramos que para el promedio móvil y para el promedio exponencialmente suavizado con una constante de suavizado de 0,3 En general, vemos que el promedio móvil de tres meses parece dar el mejor pronóstico de un mes de anticipación ya que tiene un MSD más bajo. Por lo tanto, preferimos la previsión de 20 que se ha producido por el promedio móvil de tres meses. Ejemplo de pronóstico 1991 UG examen La siguiente tabla muestra la demanda de una marca particular de máquina de fax en un gran almacén en cada uno de los últimos doce meses. Calcular la media móvil de cuatro meses para los meses 4 a 12. Cuál sería su pronóstico para la demanda en el mes 13 Aplicar suavizado exponencial con una constante de suavizado de 0,2 para obtener una previsión de la demanda en el mes 13. Cuál de las dos previsiones para el mes 13 Prefiere y por qué Qué otros factores, no considerados en los cálculos anteriores, pueden influir en la demanda del fax en el mes 13 Solución La media móvil de cuatro meses para los meses 4 a 12 está dada por: m 4 (23 19 15 12) / 4 17,25 m 5 (27 23 19 15) / 4 21 m 6 (30 27 23 19) / 4 24,75 m 7 (32 30 27 23) / 4 28 m 8 (33 32 30 27) / 4 30,5 m 9 ( 37 33 32 30) / 4 33 m 10 (41 37 33 32) / 4 35,75 m 11 (49 41 37 33) / 4 40 m 12 (58 49 41 37) / 4 46,25 El pronóstico para el mes 13 es sólo el movimiento Promedio para el mes anterior, es decir, el promedio móvil para el mes 12 m 12 46,25. Por lo tanto (como no podemos tener demanda fraccional) el pronóstico para el mes 13 es 46. Aplicando el suavizado exponencial con una constante de suavizado de 0.2 obtenemos: Como antes la previsión para el mes 13 es sólo el promedio para el mes 12 M 12 38.618 39 (como nosotros No puede tener demanda fraccional). Para comparar los dos pronósticos se calcula la desviación cuadrática media (MSD). Si hacemos esto, encontramos que para el promedio móvil y para el promedio exponencialmente suavizado con una constante de suavizado de 0,2 En general, vemos que el promedio móvil de cuatro meses parece dar las mejores previsiones de un mes de anticipación, ya que tiene un MSD más bajo. Por lo tanto, preferimos la previsión de 46 que se ha producido por el promedio móvil de cuatro meses. La demanda estacional los cambios de precio de la publicidad, tanto esta marca y otras marcas situación económica general de la nueva tecnología Ejemplo de pronóstico 1989 UG examen La siguiente tabla muestra la demanda de una determinada marca de horno de microondas en un almacén en cada uno de los últimos doce meses. Calcular una media móvil de seis meses para cada mes. Cuál sería su pronóstico para la demanda en el mes 13 Aplique el suavizado exponencial con una constante de suavizado de 0,7 para obtener una previsión de la demanda en el mes 13. Cuál de las dos previsiones para el mes 13 prefiere y por qué? Solución Ahora no podemos calcular una Media móvil de seis meses hasta que tengamos al menos 6 observaciones - es decir, sólo podemos calcular tal promedio a partir del mes 6 en adelante. Por lo tanto, tenemos: m 6 (34 32 30 29 31 27) / 6 30,50 m 7 (36 34 32 30 29 31) / 6 32,00 m 8 (35 36 34 32 30 29) / 6 32,67 m 9 (37 35 36 34 32 30) / 6 34,00 m 10 (39 37 35 36 34 32) / 6 35,50 m 11 (40 39 37 35 36 34) / 6 36,83 m 12 (42 40 39 37 35 36) / 6 38,17 La previsión para el mes 13 Es sólo el promedio móvil para el mes anterior, es decir, el promedio móvil para el mes 12 m 12 38,17. Por lo tanto (como no podemos tener demanda fraccional) el pronóstico para el mes 13 es 38. Aplicando el suavizado exponencial con una constante de suavizado de 0.7 obtenemos: Promedio móvil ponderado: Lo básico Durante años, los técnicos han encontrado dos problemas con la media móvil simple. El primer problema radica en el marco temporal del promedio móvil (MA). La mayoría de los analistas técnicos creen que la acción de los precios. El precio de la acción de apertura o cierre, no es suficiente de lo que depender para predecir adecuadamente las señales de compra o venta de la acción de cruce del MA. Para resolver este problema, los analistas asignan ahora más peso a los datos de precios más recientes utilizando el promedio móvil con suavidad exponencial (EMA). Por ejemplo, usando un MA de 10 días, un analista tomaría el precio de cierre del décimo día y multiplicaría este número por 10, el noveno día por nueve, el octavo Día por ocho y así sucesivamente a la primera de la MA. Una vez que se ha determinado el total, el analista dividirá el número por la adición de los multiplicadores. Si agrega los multiplicadores del ejemplo de MA de 10 días, el número es 55. Este indicador se conoce como el promedio móvil ponderado linealmente. (Para la lectura relacionada, echa un vistazo a los promedios móviles simples hacen que las tendencias se destacan.) Muchos técnicos son creyentes firmes en el promedio móvil exponencialmente suavizado (EMA). Este indicador se ha explicado de muchas maneras diferentes que confunde tanto a los estudiantes como a los inversores. Tal vez la mejor explicación viene de John J. Murphys Análisis Técnico de los Mercados Financieros, (publicado por el Instituto de Nueva York de Finanzas, 1999): El exponencialmente suavizado media móvil se ocupa de los dos problemas asociados con el promedio móvil simple. En primer lugar, el promedio suavizado exponencial asigna un mayor peso a los datos más recientes. Por lo tanto, es una media móvil ponderada. Pero si bien asigna menor importancia a los datos de precios pasados, incluye en su cálculo todos los datos en la vida útil del instrumento. Además, el usuario puede ajustar la ponderación para dar mayor o menor peso al precio de los días más recientes, que se agrega a un porcentaje del valor de días anteriores. La suma de ambos valores porcentuales se suma a 100. Por ejemplo, el precio de los últimos días se podría asignar un peso de 10 (.10), que se agrega a los días anteriores peso de 90 (.90). Esto da el último día 10 de la ponderación total. Esto sería el equivalente a un promedio de 20 días, al dar al precio de los últimos días un valor menor de 5 (0,05). Figura 1: Promedio móvil suavizado exponencial El gráfico anterior muestra el índice Nasdaq Composite desde la primera semana de agosto de 2000 hasta el 1 de junio de 2001. Como puede ver claramente, la EMA, que en este caso está usando los datos de cierre de precios en un De nueve días, tiene señales de venta definitiva el 8 de septiembre (marcado por una flecha negra hacia abajo). Este fue el día en que el índice se rompió por debajo del nivel de los 4.000. La segunda flecha negra muestra otra pierna abajo que los técnicos esperaban. El Nasdaq no pudo generar suficiente volumen e interés de los inversores minoristas para romper la marca de 3.000. Luego se zambulló de nuevo hasta el fondo en 1619.58 el 4 de abril. La tendencia alcista del 12 de abril está marcada por una flecha. Aquí el índice cerró en 1,961.46, y los técnicos comenzaron a ver a los gestores de fondos institucionales comenzando a recoger algunos negocios como Cisco, Microsoft y algunos de los temas relacionados con la energía. Podemos ver que el valor de la SMA de 10 días ha disminuido, debido a un cambio en los datos con respecto a sólo un solo día. (Ver nuestros artículos relacionados: Sobres de media móvil: Refinación de una herramienta de comercio popular y Bounce Media móvil). Las tablas anteriores muestran cómo los datos igualmente ponderados influyen en el valor global de la SMA. Como se trata de una SMA de corto plazo, su valor puede cambiar sólo debido a una acción de precio extraordinario durante un solo día. Sin embargo, este efecto se puede suavizar utilizando una forma diferente de promediar los datos. En este caso, un analista técnico utiliza el promedio móvil exponencial (EMA). Se puede calcular utilizando la siguiente fórmula: EMA (i) EMA (i-1) SFP (i) 8211 EMA (i-1). Donde P (i) se refiere al precio en el período (i), que es más a menudo el precio de cierre EMA (i) se refiere al valor más reciente de la EMA EMA (i-1) se refiere al valor reciente anterior de la EMA SF se refiere a un factor de suavizado, que se calcula como sigue SF 2 / (n1), donde n representa el número de períodos que el EMA utiliza. Número total de días (n) Cerrar Precio P (i) En la tabla anterior se utilizaron exactamente los mismos precios de cierre y las mismas velas que en el cálculo de la SMA del artículo anterior. Los comerciantes principiantes deben tomar nota de que el valor EMA (i-1) para el día 10 (que en nuestro caso es el período más temprano) es el precio de cierre de la vela número 11, que se sitúa antes de los diez precios de cierre sucesivos en la tabla, O 0,89450. Así, comenzamos a construir la tabla de una manera ascendente. Ahora, veamos el siguiente gráfico: Aquí podemos ver una SMA de 10 días (la línea negra) y una EMA de 10 días (la línea azul). Por lo general, la EMA cambiará su dirección más rápidamente que la SMA, debido a la ponderación adicional que coloca en los datos más recientes. La gráfica muestra que durante los 4 últimos períodos (días) la EMA se mueve por debajo de la SMA. Esto se debe a que el par AUD / USD demuestra un claro movimiento hacia abajo durante estos cuatro días más recientes. Por lo tanto, la EMA refleja el sentimiento más reciente de manera más clara. Observe que durante los primeros 12 días (las 12 velas verdes consecutivas a la izquierda) la EMA permanece por encima de la SMA y luego reacciona antes al cambio de sentimiento (las 8 velas rojas consecutivas). Por lo tanto, podemos decir que la EMA refleja mejor lo que los actores del mercado están haciendo ahora que la SMA. Esto también explica por qué un número de osciladores utilizan un EMA y más particularmente el MACD. Que trataremos a continuación. EMA o SMA 8211 que elegir La EMA tiene mayor agilidad y por lo general reacciona más rápido a los cambios en el sentimiento general del mercado y, respectivamente, la acción de precios, mientras que la SMA reacciona de manera más lenta. Por lo tanto, la SMA mejor suaviza fakeouts y movimiento de precios extraordinario. Para un comerciante que utiliza marcos de tiempo más pequeños y está dispuesto a atrapar la tendencia rápidamente, la EMA será una opción más apropiada. Con el EMA él / ella será capaz de reconocer y entrar en la tendencia antes, que si se utiliza el SMA. Un lado negativo en este caso puede ser la probabilidad de ser detenido (la parada-pérdida del trader8217s podría ser desencadenada), si se produce un pico o saltos inusuales. Como la EMA reacciona más rápido a la acción de precio más reciente, podría señalar que la tendencia ya se ha revertido y que el comerciante debe salir de su comercio, probablemente en una pérdida. Mientras tanto, sin embargo, el mercado puede continuar su movimiento anterior en la dirección de la posición del comerciante. Para un comerciante que utiliza períodos de tiempo más largos, el SMA probablemente será una mejor opción, debido a su suavidad. A largo plazo, la tendencia suele durar un período prolongado de tiempo, lo que hace que el reconocimiento inmediato no sea tan importante. En este caso, un comerciante espera un movimiento suave y una reacción débil a los picos inusuales y salpicaduras, ya que este último en realidad no cambia la tendencia en sí. Un lado negativo puede ser la omisión de un buen punto de entrada, porque la SMA tienden a mostrar un enorme retraso después de que la tendencia ha comenzado. La conclusión es que diferentes estilos comerciales requieren diferentes parámetros de la media móvil. Los comerciantes a corto plazo, que entran en, dicen 25 operaciones por mes, pueden utilizar un SMA de 4 días, mientras que los comerciantes a largo plazo, que participan, por ejemplo, 3-4 operaciones al mes, pueden utilizar un EMA de 20 días. Ambos estilos comerciales podrían ser casi igualmente eficaces. Por lo tanto, no podemos decir que un SMA de 4 días es más apropiado que un EMA de 20 días. Vuelve a la experimentación y la práctica. Si un comerciante descubre que una media móvil es el indicador, que mejor se adapte a su estrategia comercial, entonces tendrá que tomar tiempo y experimentar para decidir qué tipo de medios móviles y qué período de uso. Fundada en 2013, Binary Tribune tiene como objetivo proporcionar a sus lectores información exacta y actual cobertura de noticias financieras. Nuestro sitio web se centra en los principales segmentos de las acciones de los mercados financieros, las divisas y los productos básicos, y una explicación interactiva en profundidad de los principales acontecimientos e indicadores económicos. Divulgación de riesgos financieros BinaryTribune no será responsable por la pérdida de dinero o cualquier daño causado por confiar en la información de este sitio. Trading de divisas, acciones y materias primas en el margen conlleva un alto nivel de riesgo y puede no ser adecuado para todos los inversores. Antes de decidir intercambiar divisas debe considerar cuidadosamente sus objetivos de inversión, nivel de experiencia y apetito de riesgo. Política de cookies Este sitio web utiliza cookies para ofrecerle la mejor experiencia y para conocerte mejor. Al visitar nuestro sitio web con su navegador configurado para permitir cookies, usted acepta nuestro uso de cookies como se describe en nuestra Política de privacidad. Copy Copyright 2016 mdash Tribuna binaria. Todos los derechos reservadosMoving promedio y modelos de suavización exponencial Como un primer paso para ir más allá de los modelos de media, modelos de caminata aleatoria, y modelos de tendencias lineales, los patrones no estacionales y las tendencias pueden ser extrapolados utilizando un modelo de media móvil o suavizado. La suposición básica detrás de los modelos de promedio y suavizado es que la serie temporal es localmente estacionaria con una media que varía lentamente. Por lo tanto, tomamos un promedio móvil (local) para estimar el valor actual de la media y luego usarlo como pronóstico para el futuro cercano. Esto puede considerarse como un compromiso entre el modelo medio y el modelo aleatorio-paseo-sin-deriva. La misma estrategia se puede utilizar para estimar y extrapolar una tendencia local. Una media móvil se denomina a menudo una versión quotomoldeada de la serie original porque el promedio de corto plazo tiene el efecto de suavizar los golpes en la serie original. Al ajustar el grado de suavizado (el ancho de la media móvil), podemos esperar encontrar algún tipo de equilibrio óptimo entre el rendimiento de la media y los modelos de caminata aleatoria. El tipo más simple de modelo de promediación es el. Promedio móvil simple (igualmente ponderado): El pronóstico para el valor de Y en el tiempo t1 que se hace en el tiempo t es igual al promedio simple de las observaciones m más recientes: (Aquí y en otros lugares usaré el símbolo 8220Y-hat8221 para permanecer en pie Para un pronóstico de la serie de tiempo Y hecho a la fecha más temprana posible posible por un modelo dado). Este promedio se centra en el período t (m1) / 2, lo que implica que la estimación de la media local tiende a quedar rezagada detrás del Valor real de la media local de aproximadamente (m1) / 2 periodos. Por lo tanto, decimos que la edad media de los datos en el promedio móvil simple es (m1) / 2 en relación con el período para el cual se calcula el pronóstico: es la cantidad de tiempo en que los pronósticos tienden a quedar rezagados detrás de puntos de inflexión en el datos. Por ejemplo, si está promediando los últimos 5 valores, las previsiones serán de aproximadamente 3 períodos tarde en la respuesta a los puntos de inflexión. Tenga en cuenta que si m1, el modelo de media móvil simple (SMA) es equivalente al modelo de caminata aleatoria (sin crecimiento). Si m es muy grande (comparable a la longitud del período de estimación), el modelo SMA es equivalente al modelo medio. Como con cualquier parámetro de un modelo de pronóstico, es habitual ajustar el valor de k para obtener el mejor valor de los datos, es decir, los errores de predicción más pequeños en promedio. He aquí un ejemplo de una serie que parece presentar fluctuaciones aleatorias alrededor de una media de variación lenta. En primer lugar, vamos a tratar de encajar con un modelo de caminata al azar, que es equivalente a una media móvil simple de un término: El modelo de caminata aleatoria responde muy rápidamente a los cambios en la serie, pero al hacerlo, recoge gran parte del quotnoisequot en el Los datos (las fluctuaciones aleatorias), así como el quotsignalquot (la media local). Si en lugar de eso intentamos una media móvil simple de 5 términos, obtendremos un conjunto de previsiones más suaves: El promedio móvil simple a 5 terminos produce errores significativamente menores que el modelo de caminata aleatoria en este caso. La edad promedio de los datos de esta previsión es de 3 ((51) / 2), de modo que tiende a quedar a la zaga de los puntos de inflexión en aproximadamente tres períodos. (Por ejemplo, parece haber ocurrido una recesión en el período 21, pero las previsiones no giran hasta varios períodos más tarde). Obsérvese que los pronósticos a largo plazo del modelo SMA son una línea recta horizontal, al igual que en la caminata aleatoria modelo. Por lo tanto, el modelo SMA asume que no hay tendencia en los datos. Sin embargo, mientras que las previsiones del modelo de caminata aleatoria son simplemente iguales al último valor observado, las previsiones del modelo SMA son iguales a un promedio ponderado de valores recientes. Los límites de confianza calculados por Statgraphics para los pronósticos a largo plazo de la media móvil simple no se amplían a medida que aumenta el horizonte de pronóstico. Esto obviamente no es correcto Desafortunadamente, no hay una teoría estadística subyacente que nos diga cómo los intervalos de confianza deberían ampliarse para este modelo. Sin embargo, no es demasiado difícil calcular estimaciones empíricas de los límites de confianza para las previsiones a más largo plazo. Por ejemplo, podría configurar una hoja de cálculo en la que el modelo SMA se utilizaría para pronosticar dos pasos adelante, tres pasos adelante, etc. dentro de la muestra de datos históricos. A continuación, podría calcular las desviaciones estándar de los errores en cada horizonte de pronóstico y, a continuación, construir intervalos de confianza para pronósticos a más largo plazo sumando y restando múltiplos de la desviación estándar apropiada. Si intentamos una media móvil sencilla de 9 términos, obtendremos pronósticos aún más suaves y más de un efecto rezagado: La edad promedio es ahora de 5 períodos ((91) / 2). Si tomamos una media móvil de 19 términos, la edad promedio aumenta a 10: Obsérvese que, de hecho, las previsiones están ahora rezagadas detrás de puntos de inflexión en aproximadamente 10 períodos. Qué cantidad de suavizado es la mejor para esta serie Aquí hay una tabla que compara sus estadísticas de error, incluyendo también un promedio de 3 términos: El modelo C, la media móvil de 5 términos, produce el valor más bajo de RMSE por un pequeño margen sobre los 3 A término y 9 promedios, y sus otras estadísticas son casi idénticas. Por lo tanto, entre los modelos con estadísticas de error muy similares, podemos elegir si preferiríamos un poco más de capacidad de respuesta o un poco más de suavidad en las previsiones. El modelo de media móvil simple descrito anteriormente tiene la propiedad indeseable de que trata las últimas k observaciones por igual e ignora por completo todas las observaciones precedentes. (Volver al principio de la página.) Browns Simple Exponential Smoothing Intuitivamente, los datos pasados deben ser descontados de una manera más gradual - por ejemplo, la observación más reciente debería tener un poco más de peso que la segunda más reciente, y la segunda más reciente debería tener un poco más de peso que la tercera más reciente, y pronto. El modelo de suavizado exponencial simple (SES) lo logra. Sea 945 una constante quotsmoothingquot (un número entre 0 y 1). Una forma de escribir el modelo es definir una serie L que represente el nivel actual (es decir, el valor medio local) de la serie, tal como se estimó a partir de los datos hasta el presente. El valor de L en el tiempo t se calcula recursivamente a partir de su propio valor anterior como este: Así, el valor suavizado actual es una interpolación entre el valor suavizado anterior y la observación actual, donde 945 controla la proximidad del valor interpolado al valor más reciente observación. El pronóstico para el siguiente período es simplemente el valor suavizado actual: Equivalentemente, podemos expresar el próximo pronóstico directamente en términos de previsiones anteriores y observaciones previas, en cualquiera de las siguientes versiones equivalentes. En la primera versión, la previsión es una interpolación entre la previsión anterior y la observación anterior: En la segunda versión, la siguiente previsión se obtiene ajustando la previsión anterior en la dirección del error anterior por una cantidad fraccionada de 945. es el error hecho en Tiempo t En la tercera versión, el pronóstico es una media móvil exponencialmente ponderada (es decir, descontada) con el factor de descuento 1-945: La versión de interpolación de la fórmula de pronóstico es la más simple de usar si está implementando el modelo en una hoja de cálculo: se ajusta en un Célula única y contiene referencias de celdas que apuntan a la previsión anterior, la observación anterior y la celda donde se almacena el valor de 945. Tenga en cuenta que si 945 1, el modelo SES es equivalente a un modelo de caminata aleatoria (sin crecimiento). Si 945 0, el modelo SES es equivalente al modelo medio, asumiendo que el primer valor suavizado se establece igual a la media. La edad promedio de los datos en el pronóstico de suavización exponencial simple es de 1/945 en relación con el período para el cual se calcula la predicción. (Esto no se supone que sea obvio, pero se puede demostrar fácilmente mediante la evaluación de una serie infinita.) Por lo tanto, el pronóstico promedio móvil simple tiende a quedar rezagado detrás de puntos de inflexión en aproximadamente 1/945 períodos. Por ejemplo, cuando 945 0.5 el retraso es 2 períodos cuando 945 0.2 el retraso es 5 períodos cuando 945 0.1 el retraso es 10 períodos, y así sucesivamente. Para una edad promedio dada (es decir, la cantidad de retraso), el simple suavizado exponencial (SES) pronosticado es algo superior a la predicción del promedio móvil simple (SMA) porque coloca relativamente más peso en la observación más reciente - i. e. Es un poco más sensible a los cambios ocurridos en el pasado reciente. Por ejemplo, un modelo SMA con 9 términos y un modelo SES con 945 0.2 tienen una edad promedio de 5 para los datos de sus pronósticos, pero el modelo SES pone más peso en los 3 últimos valores que el modelo SMA y en el modelo SMA. Otra ventaja importante del modelo SES sobre el modelo SMA es que el modelo SES utiliza un parámetro de suavizado que es continuamente variable, por lo que se puede optimizar fácilmente Utilizando un algoritmo quotsolverquot para minimizar el error cuadrático medio. El valor óptimo de 945 en el modelo SES de esta serie resulta ser 0.2961, como se muestra aquí: La edad promedio de los datos de esta previsión es de 1 / 0.2961 3.4 períodos, que es similar a la de un movimiento simple de 6 términos promedio. Los pronósticos a largo plazo del modelo SES son una línea recta horizontal. Como en el modelo SMA y el modelo de caminata aleatoria sin crecimiento. Sin embargo, tenga en cuenta que los intervalos de confianza calculados por Statgraphics ahora divergen de manera razonable y que son sustancialmente más estrechos que los intervalos de confianza para el modelo de caminata aleatoria. El modelo SES asume que la serie es algo más predecible que el modelo de caminata aleatoria. Un modelo SES es en realidad un caso especial de un modelo ARIMA. Por lo que la teoría estadística de los modelos ARIMA proporciona una base sólida para el cálculo de los intervalos de confianza para el modelo SES. En particular, un modelo SES es un modelo ARIMA con una diferencia no estacional, un término MA (1) y ningún término constante. Conocido también como modelo quotARIMA (0,1,1) sin constantequot. El coeficiente MA (1) en el modelo ARIMA corresponde a la cantidad 1-945 en el modelo SES. Por ejemplo, si se ajusta un modelo ARIMA (0,1,1) sin constante a la serie analizada aquí, el coeficiente MA estimado (1) resulta ser 0.7029, que es casi exactamente un menos 0.2961. Es posible añadir la suposición de una tendencia lineal constante no nula a un modelo SES. Para ello, basta con especificar un modelo ARIMA con una diferencia no estacional y un término MA (1) con una constante, es decir, un modelo ARIMA (0,1,1) con constante. Las previsiones a largo plazo tendrán entonces una tendencia que es igual a la tendencia media observada durante todo el período de estimación. No puede hacerlo junto con el ajuste estacional, ya que las opciones de ajuste estacional están deshabilitadas cuando el tipo de modelo se establece en ARIMA. Sin embargo, puede agregar una tendencia exponencial a largo plazo constante a un modelo de suavizado exponencial simple (con o sin ajuste estacional) utilizando la opción de ajuste de inflación en el procedimiento de Pronóstico. La tasa apropiada de inflación (crecimiento porcentual) por período puede estimarse como el coeficiente de pendiente en un modelo de tendencia lineal ajustado a los datos en conjunción con una transformación de logaritmo natural o puede basarse en otra información independiente sobre las perspectivas de crecimiento a largo plazo . (Regreso al inicio de la página.) Browns Linear (es decir, doble) Suavizado exponencial Los modelos SMA y SES suponen que no hay ninguna tendencia de ningún tipo en los datos (que normalmente está bien o al menos no es demasiado malo para 1- Avance anticipado cuando los datos son relativamente ruidosos), y se pueden modificar para incorporar una tendencia lineal constante como se muestra arriba. Qué pasa con las tendencias a corto plazo? Si una serie muestra una tasa de crecimiento variable o un patrón cíclico que se destaca claramente contra el ruido, y si hay una necesidad de pronosticar más de un período, la estimación de una tendencia local también podría ser un problema. El modelo de suavizado exponencial simple puede generalizarse para obtener un modelo de suavizado exponencial lineal (LES) que calcula las estimaciones locales de nivel y tendencia. El modelo de tendencia más simple que varía en función del tiempo es el modelo lineal de suavizado exponencial de Browns, que utiliza dos series suavizadas diferentes centradas en diferentes momentos del tiempo. La fórmula de predicción se basa en una extrapolación de una línea a través de los dos centros. (Una versión más sofisticada de este modelo, Holt8217s, se discute a continuación). La forma algebraica del modelo de suavizado exponencial lineal de Brown8217s, como la del modelo de suavizado exponencial simple, puede expresarse en varias formas diferentes pero equivalentes. La forma estándar de este modelo se expresa usualmente de la siguiente manera: Sea S la serie de suavizado simple obtenida aplicando el suavizado exponencial simple a la serie Y. Es decir, el valor de S en el periodo t está dado por: (Recuérdese que, Exponencial, esta sería la previsión para Y en el período t1). Entonces, Squot denote la serie doblemente suavizada obtenida aplicando el suavizado exponencial simple (usando el mismo 945) a la serie S: Finalmente, la previsión para Y tk. Para cualquier kgt1, viene dado por: Esto produce e 1 0 (es decir, trucar un poco y dejar que el primer pronóstico sea igual a la primera observación real), y e 2 Y 2 8211 Y 1. Después de lo cual las previsiones se generan usando la ecuación anterior. Esto produce los mismos valores ajustados que la fórmula basada en S y S si estos últimos se iniciaron usando S 1 S 1 Y 1. Esta versión del modelo se utiliza en la página siguiente que ilustra una combinación de suavizado exponencial con ajuste estacional. Holt8217s Linear Exponential Smoothing Brown8217s El modelo LES calcula las estimaciones locales de nivel y tendencia al suavizar los datos recientes, pero el hecho de que lo haga con un solo parámetro de suavizado impone una restricción en los patrones de datos que puede encajar: el nivel y la tendencia No se les permite variar a tasas independientes. El modelo LES de Holt8217s aborda este problema incluyendo dos constantes de suavizado, una para el nivel y otra para la tendencia. En cualquier momento t, como en el modelo Brown8217s, existe una estimación L t del nivel local y una estimación T t de la tendencia local. Aquí se calculan recursivamente a partir del valor de Y observado en el instante t y de las estimaciones previas del nivel y de la tendencia por dos ecuaciones que les aplican el suavizado exponencial separadamente. Si el nivel estimado y la tendencia en el tiempo t-1 son L t82091 y T t-1. Respectivamente, entonces la previsión de Y tshy que habría sido hecha en el tiempo t-1 es igual a L t-1 T t-1. Cuando se observa el valor real, la estimación actualizada del nivel se calcula recursivamente interpolando entre Y tshy y su pronóstico, L t-1 T t-1, utilizando pesos de 945 y 1-945. El cambio en el nivel estimado, Es decir L t 8209 L t82091. Puede interpretarse como una medida ruidosa de la tendencia en el tiempo t. La estimación actualizada de la tendencia se calcula recursivamente mediante la interpolación entre L t 8209 L t82091 y la estimación anterior de la tendencia, T t-1. Utilizando los pesos de 946 y 1-946: La interpretación de la constante de suavizado de tendencia 946 es análoga a la de la constante de suavizado de nivel 945. Los modelos con valores pequeños de 946 asumen que la tendencia cambia muy lentamente con el tiempo, mientras que los modelos con 946 más grandes suponen que está cambiando más rápidamente. Un modelo con una gran 946 cree que el futuro lejano es muy incierto, porque los errores en la estimación de la tendencia son muy importantes cuando se pronostica más de un período por delante. Las constantes de suavizado 945 y 946 se pueden estimar de la manera habitual minimizando el error cuadrático medio de los pronósticos de 1 paso adelante. Cuando esto se hace en Statgraphics, las estimaciones resultan ser 945 0,3048 y 946 0,008. El valor muy pequeño de 946 significa que el modelo supone muy poco cambio en la tendencia de un período al siguiente, por lo que básicamente este modelo está tratando de estimar una tendencia a largo plazo. Por analogía con la noción de la edad media de los datos que se utilizan para estimar el nivel local de la serie, la edad media de los datos que se utilizan para estimar la tendencia local es proporcional a 1/946, aunque no exactamente igual a eso. En este caso, resulta ser 1 / 0.006 125. Esto no es un número muy preciso en la medida en que la exactitud de la estimación de 946 es realmente de 3 decimales, pero es del mismo orden general de magnitud que el tamaño de la muestra de 100 , Por lo que este modelo está promediando bastante historia en la estimación de la tendencia. La gráfica de pronóstico siguiente muestra que el modelo LES calcula una tendencia local ligeramente mayor al final de la serie que la tendencia constante estimada en el modelo SEStrend. Also, the estimated value of 945 is almost identical to the one obtained by fitting the SES model with or without trend, so this is almost the same model. Now, do these look like reasonable forecasts for a model that is supposed to be estimating a local trend If you 8220eyeball8221 this plot, it looks as though the local trend has turned downward at the end of the series What has happened The parameters of this model have been estimated by minimizing the squared error of 1-step-ahead forecasts, not longer-term forecasts, in which case the trend doesn8217t make a lot of difference. If all you are looking at are 1-step-ahead errors, you are not seeing the bigger picture of trends over (say) 10 or 20 periods. In order to get this model more in tune with our eyeball extrapolation of the data, we can manually adjust the trend-smoothing constant so that it uses a shorter baseline for trend estimation. For example, if we choose to set 946 0.1, then the average age of the data used in estimating the local trend is 10 periods, which means that we are averaging the trend over that last 20 periods or so. Here8217s what the forecast plot looks like if we set 946 0.1 while keeping 945 0.3. This looks intuitively reasonable for this series, although it is probably dangerous to extrapolate this trend any more than 10 periods in the future. What about the error stats Here is a model comparison for the two models shown above as well as three SES models. The optimal value of 945.for the SES model is approximately 0.3, but similar results (with slightly more or less responsiveness, respectively) are obtained with 0.5 and 0.2. (A) Holts linear exp. smoothing with alpha 0.3048 and beta 0.008 (B) Holts linear exp. smoothing with alpha 0.3 and beta 0.1 (C) Simple exponential smoothing with alpha 0.5 (D) Simple exponential smoothing with alpha 0.3 (E) Simple exponential smoothing with alpha 0.2 Their stats are nearly identical, so we really can8217t make the choice on the basis of 1-step-ahead forecast errors within the data sample. We have to fall back on other considerations. If we strongly believe that it makes sense to base the current trend estimate on what has happened over the last 20 periods or so, we can make a case for the LES model with 945 0.3 and 946 0.1. If we want to be agnostic about whether there is a local trend, then one of the SES models might be easier to explain and would also give more middle-of-the-road forecasts for the next 5 or 10 periods. (Return to top of page.) Which type of trend-extrapolation is best: horizontal or linear Empirical evidence suggests that, if the data have already been adjusted (if necessary) for inflation, then it may be imprudent to extrapolate short-term linear trends very far into the future. Trends evident today may slacken in the future due to varied causes such as product obsolescence, increased competition, and cyclical downturns or upturns in an industry. For this reason, simple exponential smoothing often performs better out-of-sample than might otherwise be expected, despite its quotnaivequot horizontal trend extrapolation. Damped trend modifications of the linear exponential smoothing model are also often used in practice to introduce a note of conservatism into its trend projections. The damped-trend LES model can be implemented as a special case of an ARIMA model, in particular, an ARIMA(1,1,2) model. It is possible to calculate confidence intervals around long-term forecasts produced by exponential smoothing models, by considering them as special cases of ARIMA models. (Beware: not all software calculates confidence intervals for these models correctly.) The width of the confidence intervals depends on (i) the RMS error of the model, (ii) the type of smoothing (simple or linear) (iii) the value(s) of the smoothing constant(s) and (iv) the number of periods ahead you are forecasting. In general, the intervals spread out faster as 945 gets larger in the SES model and they spread out much faster when linear rather than simple smoothing is used. This topic is discussed further in the ARIMA models section of the notes. (Return to top of page.)
No comments:
Post a Comment