Moving average of order 1

Médias Móveis: Quais São Entre os indicadores técnicos mais populares, as médias móveis são usadas para medir a direção da tendência atual. Todo tipo de média móvel (normalmente escrito neste tutorial como MA) é um resultado matemático calculado pela média de um número de pontos de dados passados. Uma vez determinada, a média resultante é então plotada em um gráfico, a fim de permitir que os operadores analisem os dados suavizados, em vez de se concentrarem nas flutuações cotidianas de preços inerentes a todos os mercados financeiros. A forma mais simples de uma média móvel, apropriadamente conhecida como média móvel simples (SMA), é calculada tomando a média aritmética de um dado conjunto de valores. Por exemplo, para calcular uma média móvel básica de 10 dias, você somaria os preços de fechamento dos últimos 10 dias e dividiria o resultado por 10. Na Figura 1, a soma dos preços dos últimos 10 dias (110) é dividido pelo número de dias (10) para chegar à média de 10 dias. Se um trader desejar ver uma média de 50 dias, o mesmo tipo de cálculo seria feito, mas incluiria os preços nos últimos 50 dias. A média resultante abaixo (11) leva em consideração os últimos 10 pontos de dados para dar aos traders uma idéia de como um ativo é precificado em relação aos últimos 10 dias. Talvez você esteja se perguntando por que os traders técnicos chamam essa ferramenta de uma média móvel e não apenas de uma média comum. A resposta é que, à medida que novos valores se tornam disponíveis, os pontos de dados mais antigos devem ser descartados do conjunto e novos pontos de dados devem ser inseridos para substituí-los. Assim, o conjunto de dados está em constante movimento para considerar novos dados à medida que se tornam disponíveis. Esse método de cálculo garante que apenas as informações atuais estejam sendo contabilizadas. Na Figura 2, quando o novo valor de 5 é adicionado ao conjunto, a caixa vermelha (representando os últimos 10 pontos de dados) move-se para a direita e o último valor de 15 é retirado do cálculo. Como o valor relativamente pequeno de 5 substitui o valor alto de 15, você esperaria ver a média da diminuição do conjunto de dados, o que faz, neste caso de 11 a 10. Como as médias móveis se parecem Uma vez que os valores do MA foram calculados, eles são plotados em um gráfico e, em seguida, conectados para criar uma linha média móvel. Essas linhas curvas são comuns nos gráficos dos operadores técnicos, mas como elas são usadas podem variar drasticamente (mais sobre isso depois). Como você pode ver na Figura 3, é possível adicionar mais de uma média móvel a qualquer gráfico, ajustando o número de períodos usados ​​no cálculo. Essas linhas curvas podem parecer confusas ou confusas a princípio, mas você se acostumará a elas com o passar do tempo. A linha vermelha é simplesmente o preço médio nos últimos 50 dias, enquanto a linha azul é o preço médio nos últimos 100 dias. Agora que você entende o que é uma média móvel e como ela se parece, introduza um tipo diferente de média móvel e examine como ela difere da média móvel simples mencionada anteriormente. A média móvel simples é extremamente popular entre os traders, mas, como todos os indicadores técnicos, tem seus críticos. Muitos indivíduos argumentam que a utilidade da SMA é limitada porque cada ponto na série de dados é ponderado da mesma forma, independentemente de onde ocorra na sequência. Os críticos argumentam que os dados mais recentes são mais significativos do que os dados mais antigos e devem ter uma influência maior no resultado final. Em resposta a esta crítica, os comerciantes começaram a dar mais peso aos dados recentes, o que levou à invenção de vários tipos de novas médias, a mais popular das quais é a média móvel exponencial (EMA). (Para leitura adicional, consulte Noções básicas de médias móveis ponderadas e qual é a diferença entre um SMA e um EMA) Média móvel exponencial A média móvel exponencial é um tipo de média móvel que dá mais peso aos preços recentes em uma tentativa de torná-lo mais responsivo para novas informações. Aprender a equação um tanto complicada para calcular um EMA pode ser desnecessário para muitos comerciantes, já que quase todos os pacotes de gráficos fazem os cálculos para você. No entanto, para você geeks de matemática lá fora, aqui está a equação EMA: Ao usar a fórmula para calcular o primeiro ponto da EMA, você pode perceber que não há nenhum valor disponível para usar como a EMA anterior. Esse pequeno problema pode ser resolvido iniciando o cálculo com uma média móvel simples e continuando com a fórmula acima de lá. Fornecemos uma planilha de exemplo que inclui exemplos reais de como calcular uma média móvel simples e uma média móvel exponencial. A diferença entre o EMA e o SMA Agora que você tem um melhor entendimento de como o SMA e o EMA são calculados, vamos ver como essas médias diferem. Observando o cálculo da EMA, você notará que mais ênfase é colocada nos pontos de dados recentes, tornando-se um tipo de média ponderada. Na Figura 5, os números de períodos usados ​​em cada média são idênticos (15), mas a EMA responde mais rapidamente às variações de preços. Observe como o EMA tem um valor mais alto quando o preço está subindo e cai mais rápido do que o da SMA quando o preço está em queda. Essa capacidade de resposta é a principal razão pela qual muitos comerciantes preferem usar o EMA sobre o SMA. O que significam os diferentes dias As médias móveis são um indicador totalmente personalizável, o que significa que o usuário pode escolher livremente qualquer período de tempo desejado ao criar a média. Os períodos de tempo mais comuns usados ​​nas médias móveis são 15, 20, 30, 50, 100 e 200 dias. Quanto menor o período de tempo usado para criar a média, mais sensível será para as alterações de preço. Quanto maior o intervalo de tempo, menos sensível ou mais suavizado, a média será. Não há prazo certo para usar ao configurar suas médias móveis. A melhor maneira de descobrir qual funciona melhor para você é experimentar vários períodos de tempo diferentes até encontrar um que se encaixe na sua estratégia. Médias móveis: como usá-los6.2 Médias móveis ma 40 elecsales, ordem 5 Na segunda coluna dessa tabela, é mostrada uma média móvel da ordem 5, fornecendo uma estimativa do ciclo de tendência. O primeiro valor nesta coluna é a média das cinco primeiras observações (1989-1993). O segundo valor na coluna 5-MA é a média dos valores 1990-1994 e assim por diante. Cada valor na coluna 5-MA é a média das observações no período de cinco anos centrada no ano correspondente. Não há valores para os dois primeiros anos ou últimos dois anos porque não temos duas observações em nenhum dos lados. Na fórmula acima, a coluna 5-MA contém os valores de hat com k2. Para ver como é a estimativa do ciclo de tendência, plotamos isso junto com os dados originais da Figura 6.7. enredo 40 elecsales, main "Electricidade salentica residual, ylab" GWhquot. xlab quotYear 41 linhas 40 ma 40 elecsales, 5 41. col quotredot 41 Observe como a tendência (em vermelho) é mais suave do que os dados originais e captura o movimento principal da série temporal sem todas as pequenas flutuações. O método da média móvel não permite estimativas de T onde t está próximo das extremidades da série, portanto a linha vermelha não se estende às bordas do gráfico em nenhum dos lados. Posteriormente, usaremos métodos mais sofisticados de estimativa de ciclo de tendência, que permitem estimativas próximas aos pontos finais. A ordem da média móvel determina a suavidade da estimativa do ciclo de tendência. Em geral, uma ordem maior significa uma curva mais suave. O gráfico a seguir mostra o efeito de alterar a ordem da média móvel para os dados de vendas de eletricidade residencial. Médias móveis simples como estas são geralmente de ordem ímpar (por exemplo, 3, 5, 7, etc.) Isso é para que elas sejam simétricas: em uma média móvel de ordem m2k1, há k observações anteriores, k observações posteriores e observação intermediária que são calculados Mas, se estivesse nivelado, não seria mais simétrico. Médias móveis de médias móveis É possível aplicar uma média móvel a uma média móvel. Uma razão para fazer isso é fazer uma média móvel de ordem regular simétrica. Por exemplo, podemos pegar uma média móvel de ordem 4 e, em seguida, aplicar outra média móvel de ordem 2 aos resultados. Na Tabela 6.2, isso foi feito nos primeiros anos dos dados trimestrais australianos de produção de cerveja. beer2 lt - window 40 ausbeer, start 1992 41 ma4 lt ma 40 beer2, order 4. center FALSO 41 ma2x4 lt - ma 40 beer2, order 4. centro TRUE 41 A notação 2x4-MA na última coluna significa um 4-MA seguido por um 2-MA. Os valores da última coluna são obtidos pela média móvel da ordem 2 dos valores da coluna anterior. Por exemplo, os dois primeiros valores na coluna 4-MA são 451,2 (443410420532) / 4 e 448,8 (410420532433) / 4. O primeiro valor na coluna 2x4-MA é a média destes dois: 450,0 (451,2448,8) / 2. Quando um 2-MA segue uma média móvel de ordem uniforme (como 4), é chamado de média móvel centralizada de ordem 4. Isso ocorre porque os resultados agora são simétricos. Para vermos que este é o caso, podemos escrever o 2times4-MA da seguinte forma: begin hat amp frac Bigfrac (y y y y) frac (y y yy) Big amp frac fry frac14y frac14y frac18y. end É agora uma média ponderada de observações, mas é simétrica. Outras combinações de médias móveis também são possíveis. Por exemplo, um 3 x 3-MA é freqüentemente usado, e consiste de uma média móvel de ordem 3 seguida por outra média móvel de ordem 3. Em geral, um MA de ordem regular deve ser seguido por um MA de ordem uniforme para torná-lo simétrico. Da mesma forma, uma ordem ímpar MA deve ser seguida por uma ordem ímpar MA. Estimando o ciclo de tendência com dados sazonais O uso mais comum de médias móveis centralizadas é estimar o ciclo de tendência a partir de dados sazonais. Considere os 2 x 4-MA: chapéu fracamente frac14y frac14y frac14y frac18y. Quando aplicado aos dados trimestrais, cada trimestre do ano é dado o mesmo peso que o primeiro e o último termos se aplicam ao mesmo trimestre em anos consecutivos. Consequentemente, a variação sazonal será calculada na média e os valores resultantes de hat t terão pouca ou nenhuma variação sazonal restante. Um efeito semelhante seria obtido usando 2 x 8-MA ou 2 x 12-MA. Em geral, 2 x m-MA é equivalente a uma média móvel ponderada de ordem m1 com todas as observações tomando peso 1 / m, exceto pelo primeiro e último termos que levam pesos 1 / (2m). Então, se o período sazonal é par e de ordem m, use 2 vezes m-MA para estimar o ciclo de tendência. Se o período sazonal é ímpar e da ordem m, use um m-MA para estimar o ciclo de tendência. Em particular, um 2 x 12-MA pode ser usado para estimar o ciclo de tendência de dados mensais e um 7-MA pode ser usado para estimar o ciclo de tendência de dados diários. Outras escolhas para a ordem da MA geralmente resultarão em estimativas de ciclos de tendência sendo contaminadas pela sazonalidade nos dados. Exemplo 6.2 Manufatura de equipamentos elétricos A Figura 6.9 mostra 2 x 12-MA aplicada ao índice de pedidos de equipamentos elétricos. Observe que a linha suave não mostra sazonalidade, é quase o mesmo que o ciclo de tendência mostrado na Figura 6.2, que foi estimado usando um método muito mais sofisticado do que as médias móveis. Qualquer outra escolha para a ordem da média móvel (exceto 24, 36, etc.) teria resultado em uma linha suave que mostra algumas flutuações sazonais. conspiração 40 elecequip, ylab quotNew orders indexquot. col quotgrayquot, main quotEquipamento de equipamentos elétricos (área do euro) 41 linhas 40 ma 40 elecequip, order 12 41. col quotredot 41 Médias móveis ponderadas As combinações de médias móveis resultam em médias móveis ponderadas. Por exemplo, o 2x4-MA discutido acima é equivalente a um 5-MA ponderado com pesos dados por frac, frac, frac, frac, frac. Em geral, um m-MA ponderado pode ser escrito como hat t soma k ajy, onde k (m-1) / 2 e os pesos são dados por a, dots, ak. É importante que os pesos sejam somados a um e que sejam simétricos para que aj a. O simples m-MA é um caso especial em que todos os pesos são iguais a 1 / m. Uma grande vantagem das médias móveis ponderadas é que elas geram uma estimativa mais suave do ciclo de tendência. Em vez de observações entrando e saindo do cálculo com o peso total, seus pesos são aumentados lentamente e então lentamente diminuídos, resultando em uma curva mais suave. Alguns conjuntos específicos de pesos são amplamente utilizados. Algumas delas são apresentadas na Tabela 6.3.2.1 Modelos de Média Móvel (modelos MA) Modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos autoregressivos e / ou termos médios móveis. Na semana 1, aprendemos um termo autoregressivo em um modelo de série temporal para a variável x t é um valor defasado de x t. Por exemplo, um termo autorregressivo lag 1 é x t-1 (multiplicado por um coeficiente). Esta lição define os termos da média móvel. Um termo de média móvel em um modelo de série temporal é um erro passado (multiplicado por um coeficiente). Let (wt overset N (0, sigma2w)), significando que wt são idênticos, independentemente distribuídos, cada um com uma distribuição normal tendo média 0 e a mesma variância. O modelo de média móvel de 1ª ordem, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w teta2w) O modelo de média móvel de ordem q , indicado por MA (q) é (xt mu wt theta1w theta2w pontos thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora inverta os sinais algébricos de valores de coeficientes estimados e termos (não-quadrados) em fórmulas para ACFs e variâncias. Você precisa verificar seu software para verificar se sinais positivos ou negativos foram usados ​​para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades Teóricas de uma Série Temporal com um Modelo MA (1) Observe que o único valor diferente de zero no ACF teórico é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma amostra de ACF com uma autocorrelação significativa somente no lag 1 é um indicador de um possível modelo MA (1). Para estudantes interessados, as provas dessas propriedades são um apêndice a este folheto. Exemplo 1 Suponha que um modelo MA (1) seja x t 10 w t .7 w t-1. onde (wet overset N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por Um gráfico deste ACF segue. O gráfico que acabamos de mostrar é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra costuma oferecer um padrão tão claro. Usando R, simulamos n valores de 100 amostras usando o modelo xt 10 w t .7 w t-1 onde wt iid N (0,1). Para esta simulação, segue-se um gráfico de série temporal dos dados da amostra. Nós não podemos dizer muito desta trama. A amostra ACF para os dados simulados é a seguinte. Vemos um pico no atraso 1 seguido por valores geralmente não significativos para atrasos 1. Observe que o ACF da amostra não corresponde ao padrão teórico do MA subjacente (1), que é que todas as autocorrelações para atrasos anteriores 1 serão 0 Uma amostra diferente teria uma amostra ACF ligeiramente diferente mostrada abaixo, mas provavelmente teria as mesmas características gerais. Propriedades Teóricas de uma Série Temporal com um Modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Observe que os únicos valores não nulos no ACF teórico são para os lags 1 e 2. As autocorrelações para lags maiores são 0 Assim, uma amostra ACF com autocorrelações significativas nos lags 1 e 2, mas autocorrelações não significativas para lags maiores indica um possível modelo MA (2). iid N (0,1). Os coeficientes são 1 0,5 e 2 0,3. Como este é um MA (2), o ACF teórico terá valores diferentes de zero apenas nos lags 1 e 2. Os valores das duas autocorrelações diferentes de zero são Uma plotagem do ACF teórico a seguir. Como quase sempre é o caso, dados de amostra não se comportarão tão perfeitamente quanto a teoria. Simulamos n valores de 150 amostras para o modelo x t 10 w t 0,5 w t-1 .3 w t-2. Onde está N (0,1). O gráfico da série temporal dos dados segue. Como no gráfico de séries temporais para os dados de amostra MA (1), você não pode dizer muito sobre isso. A amostra ACF para os dados simulados é a seguinte. O padrão é típico para situações em que um modelo MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos lags 1 e 2, seguidos por valores não significativos para outros lags. Note que, devido ao erro de amostragem, a amostra ACF não corresponde exatamente ao padrão teórico. ACF para Modelos Gerais MA (q) Uma propriedade dos modelos MA (q) em geral é que existem autocorrelações diferentes de zero para as primeiras defasagens e autocorrelações 0 para todos os atrasos gt q. Não unicidade de conexão entre valores de 1 e (rho1) no modelo MA (1). No modelo MA (1), para qualquer valor de 1. o recíproco 1/1 fornece o mesmo valor para Como exemplo, use 0,5 para 1. e depois use 1 / (0.5) 2 para 1. Você receberá (rho1) 0,4 em ambos os casos. Para satisfazer uma restrição teórica chamada invertibilidade. restringimos os modelos MA (1) a ter valores com valor absoluto menor que 1. No exemplo dado, 1 0.5 será um valor de parâmetro permitido, enquanto 1 1 / 0.5 2 não. Invertibilidade dos modelos MA Um modelo MA é dito ser invertível se for algebricamente equivalente a um modelo AR de ordem infinita convergente. Convergindo, queremos dizer que os coeficientes de AR diminuem para 0 quando voltamos no tempo. A invertibilidade é uma restrição programada no software de séries temporais usado para estimar os coeficientes de modelos com termos de MA. Não é algo que nós verificamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para os modelos MA (1) são fornecidas no apêndice. Nota Teoria Avançada. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo invertível. A condição necessária para a invertibilidade é que os coeficientes tenham valores tais que a equação 1- 1 y-. - q y q 0 tem soluções para y que estão fora do círculo unitário. Código R para os Exemplos No Exemplo 1, plotamos o ACF teórico do modelo x t 10 w t. 7w t-1. e então simulou n 150 valores deste modelo e plotou a série temporal da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0,7), lag. max10) 10 defasagens de ACF para MA (1) com theta1 0,7 lags0: 10 cria uma variável denominada lags que varia de 0 a 10. plotagem (defasagens, acfma1, xlimc (1,10), ylabr, tipoh, ACF principal para MA (1) com teta1 0,7) abline (h0) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto chamado acfma1 (nossa escolha de nome). O comando de plotagem (o terceiro comando) traça atrasos em relação aos valores de ACF para os lags de 1 a 10. O parâmetro ylab marca o eixo yeo parâmetro principal coloca um título na plotagem. Para ver os valores numéricos do ACF, simplesmente use o comando acfma1. A simulação e os gráficos foram feitos com os seguintes comandos. xcarima. sim (n150, list (mac (0.7))) Simula n 150 valores de MA (1) xxc10 adiciona 10 para fazer a média 10. A simulação assume como padrão 0. plotagem (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), ACF principal para dados de amostras simuladas) No Exemplo 2, plotamos o ACF teórico do modelo xt 10 wt.5 wt-1 .3 w t-2. e então simulou n 150 valores deste modelo e plotou a série temporal da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados foram: acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 plot (defasagens, acfma2, xlimc (1,10), ylabr, typeh, ACF principal para MA (2) com teta1 0,5, teta20.3) abline (h0) xcarima. sim (n150, lista (mac (0.5, 0.3))) xxc10 plot (x, typeb, principal Sim Simulado (2) Séries) acf (x, xlimc (1,10), mainACF para Dados MA (2) simulados Apêndice: Prova de Propriedades do MA (1) Para estudantes interessados, aqui estão as provas de propriedades teóricas do modelo MA (1). Variação: (texto (xt) texto (mu wt theta1 w) 0 texto (wt) texto (teta1w) sigma2w teta21sigma2w (1theta21) sigma2w) Quando h1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 A razão é que, por definição de independência do peso. E (wk w j) 0 para qualquer k j. Além disso, porque o w tem média 0, E (w j w j) E (w j 2) w 2. Para uma série temporal, aplique esse resultado para obter o ACF fornecido acima. Um modelo MA invertível é aquele que pode ser escrito como um modelo AR de ordem infinita que converge para que os coeficientes AR converjam para 0 à medida que nos movemos infinitamente de volta no tempo. Bem demonstre invertibilidade para o modelo MA (1). Substituímos então a relação (2) para wt-1 na equação (1) (3) (zt wt theta1 (z-teta1w) wt teta1z-teta2w) No tempo t-2. a equação (2) se torna Nós então substituímos a relação (4) para w t-2 na equação (3) (zt wt theta1 z-teta1w wt teta1z-teta21 (z-teta1w) wt teta1z-teta12z teta31w) Se continuarmos ( infinitamente), obteríamos o modelo AR de ordem infinita (zt wt theta1z - theta21z theta31z - theta41z dots) Note, no entanto, que se 1 1, os coeficientes multiplicando os lags de z aumentarão (infinitamente) em tamanho à medida que voltarmos Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo MA invertível (1). Na semana 3, veremos que um modelo AR (1) pode ser convertido em um modelo MA de ordem infinita: (xt - mu wt phi1w phi21w pontos phik1 w pontos soma phij1w) Este somatório dos termos de ruído branco passado é conhecido como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos voltando no tempo. Isso é chamado de ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Lembre-se na semana 1, notamos que um requisito para um AR estacionário (1) é aquele 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Esta última etapa usa um fato básico sobre séries geométricas que requer (phi1lt1), caso contrário a série diverge. Navegação