Alisando a média móvel constante

Previsão por Técnicas de Suavização Este site é uma parte dos objetos de aprendizagem de JavaScript E-Labs para tomada de decisão. Outros JavaScript nesta série são categorizados sob diferentes áreas de aplicações na seção MENU nesta página. Uma série de tempo é uma seqüência de observações que são ordenadas no tempo. Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são suavização. Estas técnicas, quando devidamente aplicadas, revelam mais claramente as tendências subjacentes. Insira a série de tempo em ordem de linha em seqüência, começando pelo canto superior esquerdo e o (s) parâmetro (s) e, em seguida, clique no botão Calcular para obter uma previsão de um período antecipado. Caixas em branco não são incluídas nos cálculos, mas zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados use a tecla Tab não seta ou digite chaves. Características de séries temporais, que podem ser reveladas ao examinar seu gráfico. Com os valores previstos, eo comportamento residual, modelagem de previsão de condições. Médias móveis: As médias móveis classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados ​​para filtrar o ruído branco aleatório dos dados, para tornar a série de tempo mais suave ou mesmo para enfatizar certos componentes informativos contidos na série de tempo. Suavização Exponencial: Este é um esquema muito popular para produzir uma Série de Tempo suavizada. Enquanto que em Médias Móveis as observações passadas são ponderadas igualmente, a Suavização Exponencial atribui pesos exponencialmente decrescentes à medida que a observação avança. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Double Exponential Smoothing é melhor para lidar com as tendências. Triple Exponential Smoothing é melhor no manuseio de tendências de parabola. Uma média móvel exponencialmente ponderada com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 / (n1) OR n (2 - a) / a. Assim, por exemplo, uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,04878. Suavização Linear Exponencial de Holts: Suponha que a série de tempo não é sazonal, mas exibe tendência. Holts método estima tanto o nível atual ea tendência atual. Observe que a média móvel simples é caso especial da suavização exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) / Alpha. Para a maioria dos dados empresariais, um parâmetro Alpha menor que 0,40 é frequentemente eficaz. No entanto, pode-se realizar uma busca de grade do espaço de parâmetro, com 0,1 a 0,9, com incrementos de 0,1. Então o melhor alfa tem o menor erro médio absoluto (erro MA). Como comparar vários métodos de alisamento: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla consiste na comparação visual de várias previsões para avaliar a sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário plotar (usando, por exemplo, Excel) no mesmo gráfico os valores originais de uma variável de série temporal e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões Passadas por Técnicas de Suavização JavaScript para obter os valores de previsão anteriores com base em técnicas de suavização que usam apenas um único parâmetro. Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ótimos, ou mesmo próximos, ótimos por tentativa e erros para os parâmetros. A suavização exponencial única enfatiza a perspectiva de curto alcance que define o nível para a última observação e é baseada na condição de que não há tendência. A regressão linear, que se ajusta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa a faixa de longo alcance, que está condicionada à tendência básica. Holts linear suavização exponencial captura informações sobre tendência recente. Os parâmetros no modelo de Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande, e as tendências-parâmetro devem ser aumentadas se a tendência de direção recente é apoiada pelo causal alguns fatores. Previsão de Curto Prazo: Observe que cada JavaScript nesta página fornece uma previsão de um passo adiante. Para obter uma previsão de duas etapas. Basta adicionar o valor previsto ao final dos dados de séries temporais e, em seguida, clicar no mesmo botão Calcular. Você pode repetir esse processo por algumas vezes para obter as previsões de curto prazo necessárias. Exponencial Smoothing Explicado. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Quando as pessoas encontram pela primeira vez o termo suavização exponencial, eles podem pensar que soa como um inferno de um monte de suavização. Seja qual for a suavização. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um grau em matemática para entender, e espero que haja uma função embutida do Excel disponível se eles precisam fazer isso. A realidade da suavização exponencial é muito menos dramática e muito menos traumática. A verdade é, suavização exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele só tem um nome complicado, porque o que tecnicamente acontece como resultado deste cálculo simples é realmente um pouco complicado. Para entender a suavização exponencial, ajuda a começar com o conceito geral de suavização e um par de outros métodos comuns usados ​​para obter suavização. O que é alisamento A suavização é um processo estatístico muito comum. Na verdade, encontramos regularmente dados alisados ​​em várias formas em nossas vidas diárias. Toda vez que você usar uma média para descrever algo, você está usando um número suavizado. Se você pensar sobre porque você usa uma média para descrever algo, você compreenderá rapidamente o conceito do alisamento. Por exemplo, nós apenas experimentamos o inverno mais quente registrado. Como somos capazes de quantificar este Bem, começamos com conjuntos de dados das temperaturas altas e baixas diárias para o período que chamamos de Inverno para cada ano na história registrada. Mas isso nos deixa com um monte de números que saltam um pouco (não é como todos os dias este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que elimine tudo isso pulando em torno dos dados para que possamos mais facilmente comparar um inverno para o próximo. Removendo o salto em torno dos dados é chamado de suavização, e neste caso, podemos apenas usar uma média simples para realizar a suavização. Na previsão de demanda, usamos suavização para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor os padrões de demanda (principalmente tendência e sazonalidade) e os níveis de demanda que podem ser usados ​​para estimar a demanda futura. O ruído na demanda é o mesmo conceito que o saltar diário dos dados da temperatura. Não é de surpreender que a forma mais comum de as pessoas removerem o ruído da história de demanda seja usar um simples medidor ou mais especificamente uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem com o passar do tempo. Por exemplo, se eu estou usando uma média móvel de 4 meses, e hoje é 01 de maio, estou usando uma média de demanda que ocorreu em janeiro, fevereiro, março e abril. No dia 1º de junho, estarei usando a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representava 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que a história mais recente tivesse um impacto maior em sua previsão. Podemos adaptar nosso cálculo da média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens eo total de todos os pesos para todos os períodos deve somar 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para achar que temos 65 restantes para dividir sobre os outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35, respectivamente, para os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para o nosso cálculo de suavização exponencial. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada aos períodos mais recentes da procura. Então, onde usamos 35 como ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como o fator de suavização em nosso cálculo de suavização exponencial para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que, em vez de ter que também descobrir quanto peso a aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então aqui vem a parte exponencial. Se usarmos 35 como fator de suavização, a ponderação dos períodos mais recentes exigirá 35. A ponderação dos próximos períodos mais recentes demanda (o período anterior ao mais recente) será de 65 de 35 (65 vem de subtrair 35 de 100). Isso equivale a 22,75 ponderação para esse período, se você fizer a matemática. Os próximos períodos mais recentes demanda será de 65 de 65 de 35, o que equivale a 14,79. O período antes disso será ponderado como 65 de 65 de 65 de 35, o que equivale a 9,61, e assim por diante. E isso vai de volta através de todos os seus períodos anteriores todo o caminho de volta para o início do tempo (ou o ponto em que você começou a usar suavização exponencial para esse item específico). Você provavelmente está pensando que está olhando como um monte de matemática. Mas a beleza do cálculo de suavização exponencial é que, em vez de ter que recalcular cada período anterior cada vez que você obtiver uma nova demanda de períodos, basta usar a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olharmos para o cálculo real Normalmente nos referimos à saída do cálculo de suavização exponencial como a próxima previsão do período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os propósitos deste cálculo específico, vamos nos referir a ele como a previsão. O cálculo de suavização exponencial é o seguinte: Os períodos mais recentes exigidos multiplicados pelo fator de suavização. PLUS Previsão dos períodos mais recentes multiplicada por (um menos o factor de suavização). D os períodos mais recentes exigem S o fator de suavização representado em forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização do período anterior). OR (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para entradas de dados aqui são os períodos mais recentes de demanda e os períodos mais recentes previstos. Aplicamos o fator de suavização (ponderação) aos períodos mais recentes, exigindo da mesma forma que o faria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante (1 menos o factor de suavização) aos períodos mais recentes previstos. Uma vez que a previsão de períodos mais recente foi criada com base na demanda de períodos anteriores e nos períodos anteriores, que se baseou na demanda do período anterior e na previsão do período anterior, baseada na demanda do período anterior E a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores demanda são representados no cálculo sem realmente voltar e recalcular qualquer coisa. E isso é o que levou a popularidade inicial de suavização exponencial. Não era porque fêz um trabalho melhor de suavização do que a média móvel ponderada, era porque era mais fácil de calcular em um programa de computador. E, porque você não precisa pensar sobre o que ponderar para dar períodos anteriores ou quantos períodos anteriores para usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. De fato, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, uma vez que você tem mais controle sobre a ponderação dos períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com soar mais fácil e mais fresco. Suavização exponencial no Excel Permite ver como isso seria realmente olhar em uma planilha com dados reais. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Na Figura 1A, temos uma planilha Excel com 11 semanas de demanda, e uma previsão exponencialmente suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para semana 12. Você pode ver na fórmula barra, a fórmula é (L3C1) (L4 (1-C1)). Portanto, as únicas entradas diretas para este cálculo são a demanda de períodos anteriores (célula L3), os períodos prévios previstos (célula L4) e o fator de suavização (célula C1, mostrada como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor para a 1ª previsão. Assim, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período da previsão. Na Célula C4 temos o nosso primeiro cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos então copiar Célula C4 e colá-lo em Células D4 a M4 para preencher o resto de nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver que é baseado na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Assim, cada subsequente cálculo de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que cada demanda de períodos anteriores é representada no cálculo dos períodos mais recentes, mesmo que esse cálculo não faça referência direta a esses períodos anteriores. Se você quiser obter fantasia, você pode usar Excels trace antecedentes função. Para fazer isso, clique em Célula M4 e, em seguida, na barra de ferramentas da faixa de opções (Excel 2007 ou 2010), clique na guia Fórmulas e, em seguida, clique em Rastrear precedentes. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Trace Precedents, desenhará linhas de conector para todos os períodos anteriores para mostrar os relacionamentos herdados. Agora vamos ver o que suavização exponencial fez por nós. A Figura 1B mostra um gráfico linear de nossa demanda e previsão. Você caso ver como a previsão exponencial suavizada remove a maior parte do jaggedness (o saltar ao redor) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de suavização. Toda vez que você usar suavização quando uma tendência está presente sua previsão ficará atrás da tendência. Isto é verdade para qualquer técnica de suavização. De fato, se continuássemos esta planilha e começássemos a inserir números de demanda mais baixos (fazendo uma tendência descendente), veríamos a queda da linha de demanda ea linha de tendência se mover acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo exponencial suavização que chamamos de uma previsão, ainda precisa de algum trabalho mais. Há muito mais a previsão do que apenas alisar as colisões na demanda. Precisamos fazer ajustes adicionais para coisas como defasagem de tendência, sazonalidade, eventos conhecidos que podem afetar a demanda, etc. Mas tudo isso está além do escopo deste artigo. Provavelmente, você também corre em termos como suavização exponencial dupla e suavização tripla exponencial. Esses termos são um pouco enganador, uma vez que você não está re-suavização da demanda várias vezes (você poderia se você quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com a suavização exponencial simples, você está suavizando a demanda básica, mas com a suavização exponencial dupla você está suavizando a demanda base mais a tendência e, com a suavização exponencial tripla, está alisando a demanda básica mais a tendência mais a sazonalidade. A outra pergunta mais comumente questionada sobre a suavização exponencial é onde faço para obter o meu fator de suavização Não há nenhuma resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que você recebe os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve cegamente implementar qualquer cálculo sem testes minuciosos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários de ocorrência para ver como esses cálculos reagem às mudanças de demanda que talvez não existam atualmente nos dados de demanda que você está usando para testes. O exemplo de dados que eu usei anteriormente é um bom exemplo de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados particulares mostra uma tendência ascendente um tanto consistente. Muitas grandes empresas com software de previsão muito caro entrou em grande problema no passado não tão distante quando suas configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) está realmente fazendo. Se eles entendessem seu sistema de previsão, eles teriam sabido que precisavam pular e mudar algo quando havia mudanças súbitas e dramáticas em seus negócios. Então, você tem o básico de suavização exponencial explicado. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, confira o meu livro Inventory Management Explained. Cópia Copyright. O conteúdo do InventoryOps está protegido por direitos de autor e não está disponível para republicação. Dave Piasecki. É proprietário / operador da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de inventário, manuseio de materiais e operações de armazém. Tem mais de 25 anos de experiência na gestão de operações e pode ser alcançado através de seu website (www. inventoryops), onde mantém informações adicionais relevantes. Meu Vs BusinessSimple. As médias móveis são mais do que o estudo de uma seqüência de números em ordem sucessiva. Os primeiros praticantes de análises de séries temporais estavam realmente mais preocupados com números de séries temporais individuais do que com a interpolação desses dados. Interpolação. Na forma de teorias de probabilidade e análise, veio muito mais tarde, à medida que os padrões foram desenvolvidos e as correlações descobertas. Uma vez compreendidas, várias curvas e linhas foram desenhadas ao longo das séries temporais, numa tentativa de prever onde os pontos de dados poderiam ir. Estes são agora considerados métodos básicos atualmente utilizados pelos comerciantes de análise técnica. Análise de gráficos pode ser rastreada até ao século 18 Japão, mas como e quando as médias móveis foram aplicadas pela primeira vez aos preços de mercado continua a ser um mistério. É geralmente entendido que as médias móveis simples (SMA) foram usadas muito antes de médias móveis exponenciais (EMA), porque EMAs são construídos em SMA quadro eo continuum SMA foi mais facilmente compreendido para fins de plotagem e acompanhamento. Média móvel simples (SMA) As médias móveis simples tornaram-se o método preferido para rastrear os preços de mercado, porque eles são rápidos de calcular e fácil de entender. Os primeiros praticantes de mercado operavam sem o uso de métricas de gráficos sofisticados em uso hoje, então eles dependiam principalmente dos preços de mercado como seus únicos guias. Eles calcularam os preços de mercado à mão, e graficou esses preços para denotar tendências e direção de mercado. Este processo foi bastante tedioso, mas provou ser bastante rentável com a confirmação de mais estudos. Para calcular uma média móvel simples de 10 dias, simplesmente adicione os preços de fechamento dos últimos 10 dias e divida por 10. A média móvel de 20 dias é calculada adicionando os preços de fechamento ao longo de um período de 20 dias e dividindo por 20 e em breve. Esta fórmula não é apenas baseada em preços de fechamento, mas o produto é uma média de preços - um subconjunto. As médias móveis são chamadas de movimento porque o grupo de preços usado no cálculo se move de acordo com o ponto no gráfico. Isto significa que os dias velhos são deixados cair em favor de dias novos do preço de fechamento, assim que um cálculo novo é sempre necessário que corresponde ao frame de tempo da média empregada. Assim, uma média de 10 dias é recalculada adicionando o novo dia e deixando cair o 10o dia, eo nono dia é deixado cair no segundo dia. Média Móvel Exponencial (EMA) A média móvel exponencial tem sido refinada e mais comumente usada desde a década de 1960, graças aos experimentos de praticantes anteriores com o computador. A nova EMA se concentraria mais nos preços mais recentes do que em uma longa série de pontos de dados, como a média móvel simples exigida. EMA atual ((Preço (atual) - EMA anterior)) X multiplicador) EMA anterior. O fator mais importante é a constante de suavização que 2 / (1N) onde N é o número de dias. Uma EMA de 10 dias 2 / (101) 18.8 Isto significa que uma EMA de 10 períodos pondera o preço mais recente 18,8, um EMA de 20 dias de 9,52 e um peso de EMA de 50 dias de 3,92 no dia mais recente. A EMA trabalha ponderando a diferença entre o preço dos períodos atuais e a EMA anterior e adicionando o resultado à EMA anterior. Quanto mais curto o período, mais peso é aplicado ao preço mais recente. Fitting Lines Por estes cálculos, pontos são plotados, revelando uma linha de montagem. Linhas de montagem acima ou abaixo do preço de mercado significam que todas as médias móveis são indicadores de atraso. E são usados ​​principalmente para seguir as tendências. Eles não funcionam bem com os mercados de gama e períodos de congestionamento, porque as linhas de montagem não denotam uma tendência devido a uma falta de maiores ou mais baixos evidentes baixos. Além disso, linhas de encaixe tendem a permanecer constantes sem dica de direção. Uma linha de montagem crescente abaixo do mercado significa um longo, enquanto uma linha de montagem caindo acima do mercado significa um curto. (Para obter um guia completo, leia nosso Tutorial de Moving Average.) O objetivo de empregar uma média móvel simples é detectar e mensurar tendências ao suavizar os dados usando os meios de vários grupos de preços. Uma tendência é manchada e extrapolada em uma previsão. O pressuposto é que os movimentos de tendências anteriores continuarão. Para a média móvel simples, uma tendência de longo prazo pode ser encontrada e seguida muito mais fácil do que uma EMA, com suposição razoável de que a linha de ajuste será mais forte do que uma linha EMA devido ao foco mais longo em preços médios. Um EMA é usado para capturar movimentos de tendência mais curtos, devido ao foco nos preços mais recentes. Por este método, um EMA suposto para reduzir quaisquer defasagens na média móvel simples para que a linha de ajuste vai abraçar os preços mais perto do que uma simples média móvel. O problema com a EMA é o seguinte: o seu propenso a quebra de preços, especialmente durante os mercados rápidos e períodos de volatilidade. A EMA funciona bem até os preços quebrar a linha de montagem. Durante os mercados de maior volatilidade, você poderia considerar o aumento da duração do termo médio móvel. Pode-se até mudar de um EMA para um SMA, uma vez que o SMA suaviza os dados muito melhor do que um EMA devido ao seu foco em meios de longo prazo. Indicadores de Tendência Como indicadores de atraso, médias móveis servem bem como linhas de suporte e resistência. Se os preços despencarem abaixo de uma linha de ajuste de 10 dias em uma tendência ascendente, as chances são boas de que a tendência de alta pode estar diminuindo, ou pelo menos o mercado pode estar se consolidando. Se os preços quebrar acima de uma média móvel de 10 dias em uma tendência de baixa. A tendência pode estar diminuindo ou se consolidando. Nesses casos, empregar uma média móvel de 10 e 20 dias juntos e esperar que a linha de 10 dias atravesse acima ou abaixo da linha de 20 dias. Isso determina a próxima direção de curto prazo para os preços. Para períodos de longo prazo, observe as médias móveis de 100 e 200 dias para direções de longo prazo. Por exemplo, usando as médias móveis de 100 e 200 dias, se a média móvel de 100 dias cruza abaixo da média de 200 dias, sua chamada cruz de morte. E é muito bearish para preços. Uma média móvel de 100 dias que ultrapassa uma média móvel de 200 dias é chamada de cruz dourada. E é muito otimista para os preços. Não importa se um SMA ou um EMA é usado, porque ambos são indicadores de tendência seguinte. É apenas a curto prazo que a SMA tem ligeiros desvios em relação à sua contraparte, a EMA. Conclusão As médias móveis são a base da análise de gráficos e séries temporais. As médias móveis simples e as médias móveis exponenciais mais complexas ajudam a visualizar a tendência alisando os movimentos de preços. A análise técnica é por vezes referida como uma arte em vez de uma ciência, que levam anos para dominar. (Saiba mais em nosso Tutorial de Análise Técnica.) Uma pessoa que negocia derivativos, commodities, títulos, ações ou moedas com um risco maior que a média em troca de. QuotHINTquot é uma sigla que significa quothigh renda não impostos. quot É aplicado a high-assalariados que evitam pagar renda federal. Um fabricante de mercado que compra e vende títulos corporativos de curto prazo, chamados de papel comercial. Um negociante de papel é tipicamente. Uma ordem colocada com uma corretora para comprar ou vender um número definido de ações a um preço especificado ou melhor. A compra e venda irrestrita de bens e serviços entre países sem a imposição de restrições, tais como. No mundo dos negócios, um unicórnio é uma empresa, geralmente uma start-up que não tem um registro de desempenho estabelecido. Como calcular médias ponderadas móveis em Excel usando suavização exponencial Excel Data Analysis For Dummies, 2nd Edition A ferramenta Exponential Smoothing em O Excel calcula a média móvel. No entanto, a suavização exponencial pondera os valores incluídos nos cálculos da média móvel de modo que os valores mais recentes tenham um maior efeito sobre o cálculo médio e os valores antigos tenham um efeito menor. Esta ponderação é realizada através de uma constante de alisamento. Para ilustrar como a ferramenta Exponential Smoothing funciona, suponha que você volte a olhar para a informação diária média de temperatura. Para calcular médias móveis ponderadas usando suavização exponencial, execute as seguintes etapas: Para calcular uma média móvel exponencialmente suavizada, clique primeiro no botão de comando Dados da análise de dados tab8217s. Quando o Excel exibe a caixa de diálogo Análise de dados, selecione o item suavização exponencial da lista e clique em OK. Excel exibe a caixa de diálogo Exponential Smoothing. Identificar os dados. Para identificar os dados para os quais você deseja calcular uma média móvel exponencialmente suavizada, clique na caixa de texto Input Range. Em seguida, identifique o intervalo de entrada, digitando um endereço de intervalo de planilha ou selecionando o intervalo de planilha. Se o intervalo de entrada incluir um rótulo de texto para identificar ou descrever os dados, marque a caixa de seleção Etiquetas. Fornecer a constante de alisamento. Insira o valor da constante de suavização na caixa de texto Fator de amortecimento. O arquivo de Ajuda do Excel sugere que você use uma constante de suavização de entre 0,2 e 0,3. Presumivelmente, no entanto, se você estiver usando esta ferramenta, você tem suas próprias idéias sobre o que é a constante de suavização correta. (Se você não tem idéia sobre a constante de suavização, talvez você não deveria usar essa ferramenta.) Diga ao Excel onde colocar os dados de média móvel suavemente exponencial. Use a caixa de texto Range de saída para identificar o intervalo de planilha na qual você deseja inserir os dados de média móvel. No exemplo da folha de cálculo, por exemplo, coloque os dados de média móvel no intervalo de folhas de cálculo B2: B10. (Opcional) Diagrama os dados exponencialmente suavizados. Para traçar os dados exponencialmente suavizados, marque a caixa de seleção Saída do gráfico. (Opcional) Indique que você deseja que as informações de erro padrão sejam calculadas. Para calcular erros padrão, marque a caixa de seleção Erros Padrão. O Excel coloca valores de erro padrão ao lado dos valores de média móvel exponencialmente suavizados. Depois de concluir especificando quais informações de média móvel você deseja calcular e onde deseja colocá-las, clique em OK. O Excel calcula a média móvel de informações. Combinado com a constante de suavização Na semana passada, a previsão de sexta-feira, discutimos os métodos de previsão média móvel, simples e ponderada. Quando uma série temporal é estacionária, isto é, não exibe tendência discernível ou sazonalidade e está sujeita apenas à aleatoriedade da existência cotidiana, então os métodos de média móvel ou até mesmo uma média simples de toda a série são úteis para prever os próximos períodos. No entanto, a maioria das séries temporais são tudo menos estacionárias: vendas de varejo têm tendência, sazonal e elementos cíclicos, enquanto os serviços públicos têm tendência e componentes sazonais que afetam o uso de eletricidade e calor. Assim, as abordagens de média móvel podem fornecer resultados inferiores aos desejáveis. Além disso, os números de vendas mais recentes normalmente são mais indicativos de vendas futuras, por isso, muitas vezes, é necessário ter um sistema de previsão que dê maior peso a observações mais recentes. Insira a suavização exponencial. Ao contrário dos modelos de média móvel, que usam um número fixo dos valores mais recentes na série de tempo para suavização e previsão, a suavização exponencial incorpora todos os valores de séries temporais, colocando o peso mais pesado nos dados atuais e pesos em observações mais antigas que diminuem exponencialmente Tempo. Devido à ênfase em todos os períodos anteriores no conjunto de dados, o modelo de suavização exponencial é recursivo. Quando uma série temporal não exibe uma sazonalidade ou tendência forte ou discernível, a forma mais simples de suavização exponencial exponencial única pode ser aplicada. A fórmula para a suavização exponencial simples é: Nesta equação, t1 representa o valor de previsão para o período t 1 Y t é o valor real do período corrente, t t é o valor de previsão para o período corrente, t e é a constante de suavização. Ou alfa, um número entre 0 e 1. Alfa é o peso que você atribui à observação mais recente em sua série de tempo. Essencialmente, você está baseando sua previsão para o próximo período no valor real para este período eo valor que você previu para este período, que por sua vez foi baseado em previsões para os períodos anteriores. Let8217s supor you8217ve estado no negócio por 10 semanas e quer prever as vendas para a 11 ª semana. As vendas para as primeiras 10 semanas são: A partir da equação acima, você sabe que, a fim de chegar a uma previsão para a semana 11, você precisa de valores previstos para as semanas 10, 9 e todo o caminho até a semana 1. Você também sabe Que a semana 1 não tem nenhum período precedente, assim que não pode ser previsão. E, você precisa determinar a constante de alisamento, ou alfa, para usar em suas previsões. Determinando a Previsão Inicial A primeira etapa na construção de seu modelo de suavização exponencial é gerar um valor de previsão para o primeiro período em sua série de tempo. A prática mais comum é definir o valor previsto da semana 1 igual ao valor real, 200, o que faremos em nosso exemplo. Outra abordagem seria que, se você tiver dados de vendas anteriores para isso, mas não estiver usando-o em sua construção do modelo, você pode tomar uma média de um par de períodos imediatamente anteriores e usar isso como a previsão. Como você determina sua previsão inicial é subjetiva. Como grande deve Alpha Be Este também é um julgamento chamada, e encontrar o alfa apropriado está sujeito a tentativa e erro. Geralmente, se sua série de tempo é muito estável, um pequeno é apropriado. Inspeção visual de suas vendas em um gráfico também é útil na tentativa de identificar um alfa para começar com. Por que o tamanho de importante Como quanto mais próximo estiver de 1, quanto mais peso for atribuído ao valor mais recente na determinação de sua previsão, mais rapidamente sua previsão se ajustará aos padrões em sua série de tempo e menos suavização ocorrerá. Da mesma forma, quanto mais próximo estiver de 0, mais peso será colocado nas observações anteriores na determinação da previsão, quanto mais lentamente sua previsão se ajustar aos padrões na série de tempo e quanto mais suavização ocorrer. Let8217s inspecionar visualmente as 10 semanas de vendas: O processo de suavização exponencial As vendas parecem um pouco irregulares, oscilando entre 200 e 235. Let8217s começar com um alfa de 0,5. Isso nos dá a seguinte tabela: Observe como, mesmo que suas previsões sejam precisas, quando seu valor real para uma semana específica for maior do que o previsto (semanas 2 a 5, por exemplo), suas previsões para cada uma das semanas subseqüentes Semanas 3 a 6) ajustar para cima quando seus valores reais são inferiores à sua previsão (por exemplo, semanas 6, 8, 9 e 10), suas previsões para a semana seguinte se ajusta para baixo. Observe também que, à medida que você se move para períodos posteriores, suas previsões anteriores desempenham cada vez menos um papel em suas previsões posteriores, como seu peso diminui exponencialmente. Basta olhar para a tabela acima, você sabe que a previsão para a semana 11 será inferior a 220,8, a sua previsão para a semana 10: Então, com base no nosso alfa e nossas vendas passadas, o nosso melhor palpite é que as vendas na semana 11 será 215,4. Dê uma olhada no gráfico de vendas reais vs previsões para as semanas 1-10: Observe que as vendas previstas são mais suaves do que reais, e você pode ver como a linha de vendas previstas se ajusta a picos e mergulhos na série de vendas reais. E se tivéssemos usado um menor ou maior Alpha We8217ll demonstrar usando um alfa de 0,30 e um de 0,70. Isso nos dá a seguinte tabela e gráfico: Usando um alfa de 0,70, acabamos com o menor MAD das três constantes. Tenha em mente que julgar a confiabilidade das previsões não é sempre sobre minimizar MAD. MAD, afinal, é uma média de desvios. Observe como dramaticamente os desvios absolutos de cada alfa mudam de semana para semana. As previsões podem ser mais confiáveis ​​usando um alfa que produz um maior MAD, mas tem menos variação entre seus desvios individuais. Limites na Suavização Exponencial A suavização exponencial não se destina a previsão a longo prazo. Geralmente é usado para prever um ou dois, mas raramente mais de três períodos à frente. Além disso, se houver uma mudança súbita drástica no nível de vendas ou valores, ea série de tempo continua nesse novo nível, então o algoritmo será lento para acompanhar a mudança repentina. Assim, haverá maior erro de previsão. Em situações como essa, seria melhor ignorar os períodos anteriores antes da alteração e iniciar o processo de suavização exponencial com o novo nível. Finalmente, este post discutido único suavização exponencial, que é usado quando não há sazonalidade notável ou tendência nos dados. Quando há uma tendência perceptível ou padrão sazonal nos dados, a suavização exponencial única produzirá um erro de previsão significativo. É necessário um duplo alinhamento exponencial para ajustar esses padrões. Vamos cobrir dupla exponencial suavização na semana próxima 8217s Previsão sexta-feira post. Novas Mensagens