Média Móvel Exponencial Dupla Em Excel

Médicas móveis exponenciais duplas explicadas Os comerciantes confiaram em médias móveis para ajudar a identificar pontos de entrada de negociação de alta probabilidade e saídas lucrativas por muitos anos. Um problema bem conhecido com as médias móveis, no entanto, é o atraso grave que está presente na maioria dos tipos de médias móveis. A média móvel exponencial dupla (DEMA) fornece uma solução calculando uma metodologia de média mais rápida. História do Double Exponential Moving Average Na análise técnica. O termo médio móvel refere-se a uma média de preço para um instrumento comercial específico ao longo de um período de tempo especificado. Por exemplo, uma média móvel de 10 dias calcula o preço médio de um instrumento específico nos últimos dez dias, uma média móvel de 200 dias calcula o preço médio dos últimos 200 dias. Cada dia, o período de look-back avança para basear cálculos no último X número de dias. Uma média móvel aparece como uma linha suave e curva que fornece uma representação visual da tendência de longo prazo de um instrumento. As médias móveis mais rápidas, com períodos de retrocesso mais curtos, são médias móveis mais lisas e mais rápidas, com períodos mais longos, são mais suaves. Porque uma média móvel é um indicador retroativo, está atrasado. A média móvel exponencial dupla (DEMA), mostrada na Figura 1, foi desenvolvida por Patrick Mulloy na tentativa de reduzir o tempo de latência encontrado nas médias móveis tradicionais. Foi introduzido pela primeira vez na Revista Técnica de Análise Técnica de Stocks de fevereiro de 1994, no artigo da Mulloys, Suavizando dados com médias móveis mais rápidas. (Figura 1: Este gráfico de um minuto do contrato de futuros e-mini Russell 2000 mostra duas médias móveis exponenciais diferentes e um período de 55 vezes aparece em azul, Um período de 21 em rosa. Calculando uma DEMA como Mulloy explica em seu artigo original, o DEMA não é apenas uma EMA dupla com o dobro do tempo de atraso de uma única EMA, mas é uma implementação composta de EMAs simples e duplas que produzem outra EMA com menos atraso do que qualquer um dos originais dois. Em outras palavras, o DEMA não é simplesmente dois EMAs combinados, ou uma média móvel de uma média móvel, mas é um cálculo de EMAs simples e duplas. Quase todas as plataformas de análise de negociação possuem o DEMA incluído como um indicador que pode ser adicionado aos gráficos. Portanto, os comerciantes podem usar o DEMA sem conhecer a matemática por trás dos cálculos e sem ter que escrever ou inserir qualquer código. Comparando o DEMA com as médias móveis tradicionais, as médias móveis são um dos métodos mais populares de análise técnica. Muitos comerciantes usam-nos para detectar reversões de tendência. Especialmente em um crossover de média móvel, onde duas médias móveis de diferentes comprimentos são colocadas em um gráfico. Pontos onde as médias móveis cruzam podem significar oportunidades de compra ou venda. O DEMA pode ajudar os comerciantes a reverter mais cedo porque é mais rápido responder às mudanças na atividade do mercado. A Figura 2 mostra um exemplo do contrato de futuros e-mini Russell 2000. Este gráfico de um minuto tem quatro médias móveis aplicadas: 21-período DEMA (rosa) 55-período DEMA (azul escuro) 21-período MA (azul claro) 55-período MA (luz verde) Figura 2: Este gráfico de um minuto de O contrato de futuros e-mini Russell 2000 ilustra o tempo de resposta mais rápido do DEMA quando usado em um crossover. Observe como o crossover DEMA em ambos os casos aparece significativamente mais cedo do que os cruzamentos do MA. O primeiro cronômetro DEMA aparece às 12:29 e o próximo bar abre a um preço de 663,20. O cruzamento de MA, por outro lado, se forma às 12:34 e o próximo preço de abertura de barras é de 660,50. No próximo conjunto de crossovers, o cronômetro DEMA aparece às 1:33 e a próxima barra abre em 658. O MA, em contraste, forma às 1:43, com a próxima barra abrindo em 662.90. Em cada caso, o cronômetro DEMA fornece uma vantagem em entrar na tendência anterior ao cruzamento do MA. (Para mais informações, leia o Tutorial de Moedas em Movimento.) Negociação com um DEMA Os exemplos de cruzamento de média móvel acima ilustram a eficácia de usar a média móvel exponencial mais rápida e rápida. Além de usar o DEMA como um indicador autônomo ou em uma configuração crossover, o DEMA pode ser usado em uma variedade de indicadores, onde a lógica é baseada em uma média móvel. Ferramentas de análise técnica, como Bollinger Bands. A movimentação média média convergente (MACD) e a média móvel exponencial tripla (TRIX) são baseadas em tipos de média móvel e podem ser modificadas para incorporar uma DEMA em lugar de outros tipos mais tradicionais de médias móveis. Substituir o DEMA pode ajudar os comerciantes a detectar diferentes oportunidades de compra e venda que estão à frente daqueles fornecidos pelas MAs ou EMAs tradicionalmente utilizados nesses indicadores. Obviamente, entrar em uma tendência mais cedo e não mais tarde geralmente leva a maiores lucros. A Figura 2 ilustra esse princípio - se usássemos os crossovers como sinais de compra e venda. Nós inserimos os negócios significativamente mais cedo quando usamos o crossover DEMA em oposição ao cruzamento de MA. Bottom Line Traders e investidores usaram há muito tempo médias móveis em suas análises de mercado. As médias móveis são uma ferramenta de análise técnica amplamente utilizada que fornece um meio de visualizar e interpretar rapidamente a tendência a longo prazo de um determinado instrumento de negociação. Como as médias móveis pela própria natureza são indicadores de atraso. É útil ajustar a média móvel para calcular um indicador mais rápido e mais responsivo. A média móvel exponencial dupla fornece aos comerciantes e investidores uma visão da tendência a longo prazo, com a vantagem de ser uma média móvel mais rápida com menos tempo de atraso. (Para leitura relacionada, dê uma olhada no Combo MACD de Moving Average e em Versões Móveis Exponentes Simples). Suavização e filtragem são duas das técnicas de séries temporais mais utilizadas para remover o ruído dos dados subjacentes para ajudar a revelar os recursos e componentes importantes (Por exemplo, tendência, sazonalidade, etc.). No entanto, também podemos usar o suavização para preencher os valores em falta e ou realizar uma previsão. Nesta questão, discutiremos cinco (5) métodos de suavização diferentes: média móvel ponderada (WMA i), suavização exponencial simples, suavização exponencial dupla, suavização exponencial linear e suavização exponencial tripla. Por que devemos cuidar, o Smoothing é freqüentemente usado (e abusado) na indústria para fazer um rápido exame visual das propriedades dos dados (por exemplo, tendência, sazonalidade, etc.), caber nos valores ausentes e realizar uma amostra rápida fora da amostra previsão. Por que temos tantas funções de suavização Como veremos neste artigo, cada função funciona para uma suposição diferente sobre os dados subjacentes. Por exemplo, o alisamento exponencial simples pressupõe que os dados tenham uma média estável (ou pelo menos uma média de movimento lento), de modo que o alisamento exponencial simples fará mal na previsão de dados que exibam sazonalidade ou tendência. Neste artigo, examinaremos cada função de suavização, destacaremos suas premissas e parâmetros, e demonstraremos sua aplicação através de exemplos. Média de mudança ponderada (WMA) Uma média móvel é comumente usada com dados da série temporal para suavizar flutuações de curto prazo e destacar tendências ou ciclos de longo prazo. Uma média móvel ponderada tem fatores de multiplicação para dar pesos diferentes a dados em diferentes posições na janela de amostra. A média móvel ponderada tem uma janela fixa (ou seja, N) e os fatores são tipicamente escolhidos para dar mais peso às observações recentes. O tamanho da janela (N) determina o número de pontos calculados em média a cada momento, de modo que um tamanho maior do Windows é menos sensível às novas mudanças nas séries temporais originais e um pequeno tamanho da janela pode fazer com que a saída suavizada seja barulhenta. Para fins de previsão sem amostra: Exemplo 1: Consideramos as vendas mensais para a Empresa X, usando uma média móvel de 4 meses (igual ponderada). Observe que a média móvel está sempre atrasada nos dados e a previsão fora da amostra converge para um valor constante. Procuremos usar um esquema de ponderação (veja abaixo), o que dá maior ênfase à última observação. Planejamos a média móvel igualada e WMA no mesmo gráfico. O WMA parece mais receptivo às mudanças recentes e a previsão de saída de amostra converge para o mesmo valor que a média móvel. Exemplo 2: Vamos examinar a WMA na presença de tendências e sazonalidade. Para este exemplo, use as informações internacionais da companhia aérea de passageiros. A janela da média móvel é de 12 meses. O MA e o WMA seguem o ritmo da tendência, mas a previsão fora da amostra se acelera. Além disso, embora o WMA exiba alguma sazonalidade, está sempre atrasado nos dados originais. (Browns) Suavização Exponencial Simples O alisamento exponencial simples é semelhante ao WMA com a exceção de que o tamanho da janela se infinito e os fatores de ponderação diminuem exponencialmente. Como vimos no WMA, o exponencial simples é adequado para séries temporais com uma média estável, ou pelo menos uma média móvel muito lenta. Exemplo 1: Permite usar os dados de vendas mensais (como fizemos no exemplo WMA). No exemplo acima, escolhemos o fator de suavização para ser 0.8, o que implica a pergunta: Qual é o melhor valor para o fator de suavização Estimando o melhor valor dos dados Usando a função TSSUB (para calcular o erro), SUMSQ e Excel Tabelas de dados, calculamos a soma dos erros quadrados (SSE) e traçamos os resultados: O SSE atinge seu valor mínimo em torno de 0,8, então nós escolhemos esse valor para nosso alisamento. (Holt-Winters) Suavização exponencial dupla Suavização exponencial simples não funciona bem na presença de uma tendência, portanto, vários métodos concebidos sob o guarda-chuva exponencial duplo são propostos para lidar com esse tipo de dados. O NumXL suporta o suavização exponencial dupla de Holt-Winters, que leva a seguinte formulação: Exemplo 1: Examine os dados da companhia internacional de passageiros. Escolhemos um valor Alfa de 0,9 e um Beta de 0,1. Por favor, note que, embora o alisamento duplo trate os dados originais bem, a previsão fora da amostra é inferior à média móvel simples. Como encontramos os melhores fatores de suavização Tomamos uma abordagem semelhante ao nosso exemplo de suavização exponencial simples, mas modificado para duas variáveis. Calculamos a soma dos erros quadrados construindo uma tabela de dados de duas variáveis ​​e escolha os valores alfa e beta que minimizam a SSE geral. (Browns) Suavização exponencial linear Este é outro método de função de suavização exponencial dupla, mas tem um fator de suavização: o suavização exponencial dupla de Browns tem um parâmetro menor do que a função Holt-Winters, mas pode não oferecer um ajuste tão bom quanto essa função. Exemplo 1: Permite usar o mesmo exemplo em Holt-Winters exponencial dupla e comparar a soma ideal do erro quadrado. O exponencial duplo Browns não corresponde aos dados da amostra, bem como ao método Holt-Winters, mas a amostra fora da amostra (neste caso específico) é melhor. Como encontramos o melhor fator de suavização () Usamos o mesmo método para selecionar o valor alfa que minimiza a soma do erro quadrado. Para o exemplo de dados de amostra, o alfa é encontrado para ser 0,8. (Winters) Suavização exponencial tripla O alisamento exponencial triplo leva em consideração as mudanças sazonais, bem como as tendências. Este método requer 4 parâmetros: a formulação para suavização exponencial tripla é mais envolvida do que qualquer uma das anteriores. Por favor, verifique o nosso manual de referência on-line para a formulação exata. Usando os dados internacionais da companhia aérea de passageiros, podemos aplicar o suavização exponencial tripla dos invernos, encontrar os parâmetros ótimos e realizar uma previsão de amostra fora da amostra. Obviamente, o alisamento exponencial triplo do Winters é melhor aplicado para essa amostra de dados, pois rastreia os valores bem e a previsão da amostra mostra a sazonalidade (L12). Como podemos encontrar o melhor fator de suavização () Novamente, precisamos escolher os valores que minimizam a soma geral dos erros quadrados (SSE), mas as tabelas de dados podem ser usadas para mais de duas variáveis, então recorremos ao Excel Solver: (1) Configurar o problema de minimização, com o SSE como função de utilidade (2) As restrições para este problema Conclusão de suporte ArquivosHámos os coeficientes de constante e de tendência estimados por suavização exponencial. Os parâmetros de previsão, para o termo constante e para o termo de tendência podem ser definidos de forma independente. Ambos os paremeters devem estar entre 0 e 1. A previsão do valor esperado para períodos futuros é a constante mais um termo linear que depende do número de períodos no futuro. Com um termo linear como parte da previsão, esse método acompanhará as tendências nas séries temporais. Usamos os mesmos dados que os outros métodos de previsão para ilustração. Repetimos os dados abaixo. Lembre-se de que os dados simulados começam com uma média constante de 10. No tempo 11, a média aumenta com uma tendência de 1 até o tempo 20 quando a média se torna uma constante novamente com valor 20. O ruído é simulado usando uma distribuição normal com média 0 e Desvio padrão 3. Os valores são arredondados para o número inteiro mais próximo. A qualquer momento T. Apenas são necessárias três informações para calcular as estimativas,, e. Nós ilustramos os cálculos para o tempo 20, usando os coeficientes estimados para o tempo 19 e os dados para o tempo 20. Os parâmetros são definidos com três valores diferentes como na tabela abaixo. As estimativas do modelo para três casos são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa da média em cada momento e não a previsão. A estimativa com o maior valor segue a tendência com mais precisão, mas tem mais variabilidade. A previsão com menor valor é consideravelmente mais suave, mas nunca corrige inteiramente a tendência. Comparado com o modelo de regressão, o método de suavização exponencial nunca esquece inteiramente qualquer parte do passado. Assim, pode demorar mais para se recuperar no caso de uma perturbação na média subjacente. Isto está ilustrado na figura abaixo, onde a variância do ruído é definida como 0. Previsão com o Excel O suplemento de previsão implementa as fórmulas de suavização exponencial dupla. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. Utilizamos os parâmetros do segundo caso. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a previsão. Os valores dos coeficientes no tempo 0 são determinados pelo método de regressão linear. O restante das estimativas de coeficientes nas colunas C e D é calculado com o alisamento duplo exponencial. A coluna Fore (1) (E) mostra uma previsão para um período no futuro. Os valores de e estão nas células C3 e D3, respectivamente. O intervalo de previsão está na célula E3. Quando o intervalo de previsão é alterado para um número maior, os valores na coluna Fore são deslocados para baixo. A coluna Err (1) (F) mostra a diferença entre a observação e a previsão. O desvio padrão eo desvio médio médio (MAD) são calculados nas células F6 e F7, respectivamente.