Moving Average For Dummies

Media móvil Un término de análisis técnico que significa el precio medio de una garantía durante un período de tiempo determinado (el más común es 20, 30, 50, 100 y 200 días), utilizado para detectar las tendencias de precios al aplanar grandes fluctuaciones. Esta es quizás la variable más comúnmente utilizada en el análisis técnico. Moviendo los datos promedio se utiliza para crear gráficos que muestran si un precio de las acciones está tendencia hacia arriba o hacia abajo. Pueden usarse para rastrear patrones diarios, semanales o mensuales. Cada nuevo día (o semanas o meses) los números se agregan a la media y los números más viejos se caen así, el promedio se mueve con el tiempo. En general. Cuanto más corto sea el período de tiempo utilizado, más volátiles los precios aparecerán, por lo que, por ejemplo, las líneas de 20 días de media móvil tienden a moverse hacia arriba y hacia abajo más de 200 líneas de media móvil de día. Índice de canal de productos básicos índice de fuerza real exponencial doble (DEMA) índice de fuerza real de Chaikin Índice de sobrecompra / sobreventa de Oscilador de Chaikin desplazado media móvil bandas de bollinger índice alto-bajo índice móvil relativo exponencial Kairi Índice de Copyright KIriri Copyright 2016 WebFinance, Inc. Todos los derechos reservados. La duplicación no autorizada, en su totalidad o en parte, está estrictamente prohibida. Cómo calcular los promedios móviles en Excel Excel Data Analysis for Dummies, 2 ª edición El comando Data Analysis proporciona una herramienta para calcular los promedios móviles y exponencialmente suavizados en Excel. Supongamos, por razones ilustrativas, que usted ha recopilado información diaria sobre la temperatura. Desea calcular el promedio móvil de tres días 8212 el promedio de los últimos tres días 8212 como parte de algún pronóstico meteorológico simple. Para calcular las medias móviles para este conjunto de datos, siga estos pasos. Para calcular una media móvil, primero haga clic en el botón de comando Data Analysis (Análisis de datos) tab8217s. Cuando Excel muestra el cuadro de diálogo Análisis de datos, seleccione el elemento Promedio móvil de la lista y, a continuación, haga clic en Aceptar. Excel muestra el cuadro de diálogo Promedio móvil. Identifique los datos que desea utilizar para calcular el promedio móvil. Haga clic en el cuadro de texto Intervalo de entrada del cuadro de diálogo Promedio móvil. A continuación, identifique el intervalo de entrada, ya sea escribiendo una dirección de rango de hoja de cálculo o utilizando el mouse para seleccionar el rango de hoja de cálculo. Su referencia de rango debe usar direcciones de celdas absolutas. Una dirección de celda absoluta precede la letra de la columna y el número de fila con signos, como en A1: A10. Si la primera celda de su rango de entrada incluye una etiqueta de texto para identificar o describir sus datos, active la casilla de verificación Etiquetas en primera fila. En el cuadro de texto Intervalo, indique a Excel cuántos valores deben incluirse en el cálculo del promedio móvil. Puede calcular un promedio móvil usando cualquier número de valores. De forma predeterminada, Excel utiliza los tres valores más recientes para calcular el promedio móvil. Para especificar que se utilice otro número de valores para calcular el promedio móvil, ingrese ese valor en el cuadro de texto Intervalo. Dígale a Excel dónde colocar los datos del promedio móvil. Utilice el cuadro de texto Rango de salida para identificar el intervalo de hoja de cálculo en el que desea colocar los datos del promedio móvil. En el ejemplo de la hoja de cálculo, los datos del promedio móvil se han colocado en el rango B2 de la hoja de cálculo: B10. (Opcional) Especifique si desea un gráfico. Si desea un gráfico que trace la información del promedio móvil, seleccione la casilla de verificación Salida del gráfico. (Opcional) Indique si desea calcular la información de error estándar. Si desea calcular errores estándar para los datos, seleccione la casilla de verificación Estándar Errores. Excel coloca valores de error estándar junto a los valores de media móvil. (La información de error estándar pasa a C2: C10.) Una vez que haya terminado de especificar qué información del promedio móvil desea calcular y dónde desea colocarla, haga clic en Aceptar. Excel calcula la información del promedio móvil. Nota: Si Excel doesn8217t tiene suficiente información para calcular una media móvil para un error estándar, coloca el mensaje de error en la celda. Puede ver varias celdas que muestran este mensaje de error como un valor. Moving Average - MA BREAKING DOWN Promedio móvil - MA Como ejemplo de SMA, considere un valor con los siguientes precios de cierre en 15 días: Semana 1 (5 días) 20, 22 24, 25, 23 Semana 2 (5 días) 26, 28, 26, 29, 27 Semana 3 (5 días) 28, 30, 27, 29, 28 Un MA de 10 días promediaría los precios de cierre de la primera 10 días como el primer punto de datos. El próximo punto de datos bajaría el precio más temprano, agregaría el precio el día 11 y tomaría el promedio, y así sucesivamente como se muestra a continuación. Como se mencionó anteriormente, las AMs se retrasan en la acción de los precios actuales porque se basan en precios pasados, mientras más largo sea el período de tiempo para la MA, mayor será el retraso. Por lo tanto, un MA de 200 días tendrá un grado mucho mayor de retraso que un MA de 20 días porque contiene precios durante los últimos 200 días. La longitud de la MA a utilizar depende de los objetivos comerciales, con MA más cortos utilizados para el comercio a corto plazo y de más largo plazo MA más adecuado para los inversores a largo plazo. El MA de 200 días es ampliamente seguido por inversores y comerciantes, con rupturas por encima y por debajo de este promedio móvil considerado como señales comerciales importantes. Las MA también imparten señales comerciales importantes por sí solas, o cuando dos medias se cruzan. Un aumento MA indica que la seguridad está en una tendencia alcista. Mientras que un MA decreciente indica que está en una tendencia bajista. Del mismo modo, el impulso ascendente se confirma con un cruce alcista. Que se produce cuando una MA a corto plazo cruza por encima de un MA a más largo plazo. El impulso descendente se confirma con un cruce bajista, que ocurre cuando una MA a corto plazo cruza por debajo de un MA a largo plazo. Promedios de movimiento: Cuáles son? Entre los indicadores técnicos más populares, se usan medias móviles para medir la dirección de la tendencia actual . Cada tipo de media móvil (comúnmente escrito en este tutorial como MA) es un resultado matemático que se calcula promediando un número de puntos de datos pasados. Una vez determinado, el promedio resultante se traza en un gráfico para permitir a los operadores ver los datos suavizados en lugar de centrarse en las fluctuaciones de precios cotidianas que son inherentes a todos los mercados financieros. La forma más simple de una media móvil, apropiadamente conocida como media móvil simple (SMA), se calcula tomando la media aritmética de un conjunto dado de valores. Por ejemplo, para calcular una media móvil básica de 10 días, sumaría los precios de cierre de los últimos 10 días y luego dividiría el resultado en 10. En la figura 1, la suma de los precios de los últimos 10 días (110) es Dividido por el número de días (10) para llegar al promedio de 10 días. Si un comerciante desea ver un promedio de 50 días en lugar, el mismo tipo de cálculo se haría, pero incluiría los precios en los últimos 50 días. El promedio resultante a continuación (11) tiene en cuenta los últimos 10 puntos de datos con el fin de dar a los comerciantes una idea de cómo un activo tiene un precio en relación con los últimos 10 días. Quizás usted se está preguntando porqué los comerciantes técnicos llaman a esta herramienta una media móvil y no apenas una media regular. La respuesta es que cuando los nuevos valores estén disponibles, los puntos de datos más antiguos deben ser eliminados del conjunto y los nuevos puntos de datos deben entrar para reemplazarlos. Por lo tanto, el conjunto de datos se mueve constantemente para tener en cuenta los nuevos datos a medida que estén disponibles. Este método de cálculo asegura que sólo se contabilice la información actual. En la Figura 2, una vez que se agrega el nuevo valor de 5 al conjunto, el cuadro rojo (que representa los últimos 10 puntos de datos) se desplaza hacia la derecha y el último valor de 15 se deja caer del cálculo. Debido a que el valor relativamente pequeño de 5 reemplaza el valor alto de 15, se esperaría ver el promedio de la disminución de conjunto de datos, lo que hace, en este caso de 11 a 10. Qué aspecto tienen los promedios móviles Una vez que los valores de la MA se han calculado, se representan en un gráfico y luego se conectan para crear una línea de media móvil. Estas líneas curvas son comunes en las cartas de los comerciantes técnicos, pero la forma en que se utilizan puede variar drásticamente (más sobre esto más adelante). Como se puede ver en la Figura 3, es posible agregar más de una media móvil a cualquier gráfico ajustando el número de períodos de tiempo utilizados en el cálculo. Estas líneas curvas pueden parecer distracción o confusión al principio, pero youll acostumbrarse a ellos a medida que pasa el tiempo. La línea roja es simplemente el precio medio en los últimos 50 días, mientras que la línea azul es el precio promedio en los últimos 100 días. Ahora que usted entiende lo que es un promedio móvil y lo que parece, bien introducir un tipo diferente de media móvil y examinar cómo se diferencia de la mencionada media móvil simple. La media móvil simple es muy popular entre los comerciantes, pero como todos los indicadores técnicos, tiene sus críticos. Muchas personas argumentan que la utilidad de la SMA es limitada porque cada punto en la serie de datos se pondera de la misma, independientemente de dónde se produce en la secuencia. Los críticos sostienen que los datos más recientes son más significativos que los datos anteriores y deberían tener una mayor influencia en el resultado final. En respuesta a esta crítica, los comerciantes comenzaron a dar más peso a los datos recientes, que desde entonces ha llevado a la invención de varios tipos de nuevos promedios, el más popular de los cuales es el promedio móvil exponencial (EMA). Promedio móvil exponencial El promedio móvil exponencial es un tipo de media móvil que da más peso a los precios recientes en un intento de hacerla más receptiva A nueva información. Aprender la ecuación algo complicada para calcular un EMA puede ser innecesario para muchos comerciantes, ya que casi todos los paquetes de gráficos hacen los cálculos para usted. Sin embargo, para los geeks de matemáticas que hay, aquí es la ecuación EMA: Cuando se utiliza la fórmula para calcular el primer punto de la EMA, puede observar que no hay ningún valor disponible para utilizar como la EMA anterior. Este pequeño problema se puede resolver iniciando el cálculo con una media móvil simple y continuando con la fórmula anterior desde allí. Le hemos proporcionado una hoja de cálculo de ejemplo que incluye ejemplos reales de cómo calcular una media móvil simple y una media móvil exponencial. La diferencia entre la EMA y la SMA Ahora que tiene una mejor comprensión de cómo se calculan la SMA y la EMA, echemos un vistazo a cómo estos promedios difieren. Al mirar el cálculo de la EMA, notará que se hace más hincapié en los puntos de datos recientes, lo que lo convierte en un tipo de promedio ponderado. En la Figura 5, el número de periodos de tiempo utilizados en cada promedio es idéntico (15), pero la EMA responde más rápidamente a los precios cambiantes. Observe cómo el EMA tiene un valor más alto cuando el precio está subiendo, y cae más rápidamente que el SMA cuando el precio está disminuyendo. Esta capacidad de respuesta es la razón principal por la que muchos comerciantes prefieren utilizar la EMA sobre la SMA. Qué significan los diferentes días? Las medias móviles son un indicador totalmente personalizable, lo que significa que el usuario puede elegir libremente el tiempo que desee al crear el promedio. Los períodos de tiempo más comunes utilizados en las medias móviles son 15, 20, 30, 50, 100 y 200 días. Cuanto más corto sea el lapso de tiempo utilizado para crear el promedio, más sensible será a los cambios de precios. Cuanto más largo sea el lapso de tiempo, menos sensible o más suavizado será el promedio. No hay un marco de tiempo adecuado para usar al configurar sus promedios móviles. La mejor manera de averiguar cuál funciona mejor para usted es experimentar con una serie de diferentes períodos de tiempo hasta encontrar uno que se adapte a su estrategia. Promover promedios: Cómo utilizarlos Suscríbete a las noticias para usar para obtener las últimas novedades y análisis Gracias por inscribirse en Investopedia Insights - Noticias para usar. Movir modelos de suavizado exponencial y medio Como primer paso para ir más allá de los modelos significativos, Y modelos de tendencias lineales, patrones no estacionales y tendencias pueden ser extrapolados usando un modelo de media móvil o de 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 por el cual los pronósticos tenderán a rezagarse detrás de los 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 periodos 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 los 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), ya que coloca relativamente más peso en la observación más reciente - ie. 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 está ajustado a ARIMA. Sin embargo, puede agregar una tendencia exponencial a largo plazo constante a un modelo de suavización exponencial simple (con o sin ajuste estacional) utilizando la opción de ajuste de inflación en el procedimiento de previsión. 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 lineal de suavizado exponencial (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, el cual utiliza dos series suavizadas diferentes que están 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, esto sería la previsión para Y en el período t1). Entonces, vamos a Squot denotar 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 las previsiones 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 precisión 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. Además, el valor estimado de 945 es casi idéntico al obtenido ajustando el modelo SES con o sin tendencia, por lo que este es casi el mismo modelo. Ahora, se ven como pronósticos razonables para un modelo que se supone que está estimando una tendencia local? Si observa esta gráfica, parece que la tendencia local se ha vuelto hacia abajo al final de la serie. Lo que ha ocurrido Los parámetros de este modelo Se han estimado minimizando el error al cuadrado de las previsiones de un paso adelante, y no las previsiones a largo plazo, en cuyo caso la tendencia no hace mucha diferencia. Si todo lo que usted está mirando son errores de un paso adelante, no está viendo la imagen más grande de las tendencias sobre (digamos) 10 o 20 períodos. Con el fin de obtener este modelo más en sintonía con la extrapolación de nuestro ojo de los datos, podemos ajustar manualmente la tendencia de suavizado constante de modo que utiliza una base más corta para la estimación de tendencia. Por ejemplo, si elegimos establecer 946 0.1, la edad promedio de los datos utilizados para estimar la tendencia local es de 10 períodos, lo que significa que estamos promediando la tendencia en los últimos 20 períodos aproximadamente. Here8217s lo que el pronóstico gráfico parece si fijamos 946 0.1 mientras que mantener 945 0.3. Esto parece intuitivamente razonable para esta serie, aunque probablemente sea peligroso extrapolar esta tendencia en más de 10 periodos en el futuro. Qué pasa con las estadísticas de errores? Aquí hay una comparación de modelos para los dos modelos mostrados arriba, así como tres modelos SES. El valor óptimo de 945 para el modelo SES es de aproximadamente 0,3, pero se obtienen resultados similares (con un poco más o menos de capacidad de respuesta, respectivamente) con 0,5 y 0,2. (A) Holts lineal exp. Alisamiento con alfa 0.3048 y beta 0.008 (B) Holts linear exp. Alisamiento con alfa 0.3 y beta 0.1 (C) Alisamiento exponencial simple con alfa 0.5 (D) Alisamiento exponencial simple con alfa 0.3 (E) Suavizado exponencial simple con alfa 0.2 Sus estadísticas son casi idénticas, por lo que realmente no podemos hacer la elección sobre la base De errores de pronóstico de un paso adelante en la muestra de datos. Tenemos que recurrir a otras consideraciones. Si creemos firmemente que tiene sentido basar la estimación de tendencia actual en lo que ha ocurrido durante los últimos 20 períodos, podemos hacer un caso para el modelo LES con 945 0.3 y 946 0.1. Si queremos ser agnósticos acerca de si hay una tendencia local, entonces uno de los modelos SES podría ser más fácil de explicar y también daría más pronósticos intermedios para los próximos 5 o 10 períodos. (Volver al principio de la página.) Qué tipo de tendencia-extrapolación es la mejor: horizontal o lineal La evidencia empírica sugiere que, si los datos ya han sido ajustados (si es necesario) para la inflación, puede ser imprudente extrapolar lineal a corto plazo Tendencias en el futuro. Las tendencias evidentes hoy en día pueden desacelerarse en el futuro debido a diversas causas, como la obsolescencia de los productos, el aumento de la competencia y las caídas o repuntes cíclicos en una industria. Por esta razón, el suavizado exponencial simple a menudo realiza mejor fuera de la muestra de lo que de otra manera se podría esperar, a pesar de su extrapolación de tendencia horizontal de extracción horizontal. Las modificaciones de la tendencia amortiguada del modelo de suavizado exponencial lineal también se usan a menudo en la práctica para introducir una nota de conservadurismo en sus proyecciones de tendencia. El modelo LES con tendencia amortiguada se puede implementar como un caso especial de un modelo ARIMA, en particular, un modelo ARIMA (1,1,2). Es posible calcular intervalos de confianza en torno a los pronósticos a largo plazo producidos por modelos de suavizado exponencial, al considerarlos como casos especiales de modelos ARIMA. El ancho de los intervalos de confianza depende de (i) el error RMS del modelo, (ii) el tipo de suavizado (simple o lineal) (iii) el valor (S) de la (s) constante (s) de suavizado y (iv) el número de periodos por delante que está pronosticando. En general, los intervalos se extienden más rápidamente a medida que el 945 se hace más grande en el modelo SES y se extienden mucho más rápido cuando se usa lineal en lugar de simple suavizado. Este tema se discute más adelante en la sección de modelos de ARIMA de las notas. (Volver al inicio de la página.)