Origen Promedio Móvil

Historia y antecedentes Quién primero vino con los promedios móviles Los analistas técnicos han estado utilizando medias móviles ahora por varias décadas. Son tan omnipresentes en nuestro trabajo que la mayoría de nosotros no sabemos de dónde vinieron. Los estadísticos categorizan los promedios móviles como parte de una familia de herramientas para ldquoTime Series Analysisrdquo. Otros de esa familia son: ANOVA, Media Aritmética, Coeficiente de Correlación, Covarianza, Tabla de Diferencias, Ajuste de Mínimos Cuadrados, Máxima Verosimilitud, Media Móvil, Periodograma, Teoría de Predicción, Variable Aleatoria, Random Walk, Residual, Variance. Puedes leer más sobre cada una de estas y sus definiciones en Wolfram. El desarrollo del ldquomoving averagerdquo se remonta a 1901, aunque el nombre se le aplicó posteriormente. Del historiador de matemáticas Jeff Miller: MOVIENDO LA MEDIA. Esta técnica para suavizar los puntos de datos se utilizó durante décadas antes de que este, o cualquier término general, entró en uso. En 1909 GU Yule (Diario de la Sociedad Real de Estadística, 72, 721-730) describió los promedios quoinstantaneous media de RH Hooker calculado en 1901 como ldquomoving-promedios. Yule no adoptó el término en su libro de texto, pero entró en circulación a través de WI Kingrsquos Elementos del Método Estadístico (1912). LdquoMoving averagerdquo, que se refiere a un tipo de proceso estocástico, es una abreviatura de H. Woldrsquos ldquoprocess of moving averagerdquo (Estudio sobre el análisis de series temporales estacionarias (1938)). Wold describió cómo los casos especiales del proceso habían sido estudiados en la década de 1920 por Yule (en relación con las propiedades del método de correlación de diferencias variables) y Slutsky John Aldrich. De StatSoft Inc. viene esta descripción de Exponential Smoothing. Que es una de varias técnicas para ponderar datos pasados ​​de manera diferente: ldquo El suavizado exponencial se ha vuelto muy popular como un método de pronóstico para una amplia variedad de datos de series temporales. Históricamente, el método fue desarrollado independientemente por Robert Goodell Brown y Charles Holt. Brown trabajó para la Marina de los EE. UU. durante la Segunda Guerra Mundial, donde su misión era diseñar un sistema de seguimiento de la información de control de incendios para calcular la ubicación de los submarinos. Más tarde, aplicó esta técnica a la predicción de la demanda de piezas de repuesto (un problema de control de inventario). Describió esas ideas en su libro de 1959 sobre el control de inventario. La investigación de Holtrsquos fue patrocinada por la Oficina de Investigación Naval de forma independiente, desarrolló modelos de suavización exponencial para procesos constantes, procesos con tendencias lineales y para datos estacionales. El Holtrsquos paper, ldquoForecasting Seasonals and Trends por Moyos Mínimos ponderados exponencialmente fue publicado en 1957 en O. N.R. Memorándum de investigación 52, Carnegie Institute of Technology. No existe en línea de forma gratuita, pero puede ser accesible por aquellos con acceso a recursos académicos de papel. Hasta donde sabemos, P. N. (Pete) Haurlan fue el primero en utilizar el suavizado exponencial para el seguimiento de los precios de las acciones. Haurlan era un científico de cohetes real que trabajó para JPL en los años 60 tempranos, y así él tenía acceso a una computadora. No los llamó promedios móviles exponenciales (EMAs), o los medios matemáticos de moda matemáticamente ponderados exponencialmente (EWMAs) rdquo. En su lugar, los llamó ldquoTrend Valuesrdquo, y se refirió a ellos por sus constantes de suavizado. Por lo tanto, lo que hoy en día se conoce comúnmente como EMA de 19 días, llamó a Trendrdquo ldquo10. Dado que su terminología era el original para tal uso en el seguimiento de precios de las acciones, por eso seguimos usando esa terminología en nuestro trabajo. Haurlan había empleado EMAs en el diseño de los sistemas de seguimiento de cohetes, que podrían por ejemplo necesidad de interceptar un objeto en movimiento como un satélite, un planeta, etc Si el camino hacia el objetivo estaba apagado, entonces algún tipo de entrada tendría que ser aplicada Para el mecanismo de dirección, pero no querían exagerar o underdo esa entrada y se vuelven inestables o no se convierten. Por lo tanto, el tipo correcto de suavizado de datos de entrada fue útil. Haurlan llamó a esto Controldquo proporcional, lo que significa que el mecanismo de dirección no intentaría ajustar todo el error de seguimiento de una vez. Los EMAs eran más fáciles de codificar en circuitos analógicos tempranos que otros tipos de filtros porque sólo necesitan dos piezas de datos variables: el valor de entrada actual (por ejemplo, precio, posición, ángulo, etc.) y el valor EMA anterior. La constante de suavizado sería cableada en el circuito, por lo que el ldquomemoryrdquo sólo tendría que hacer un seguimiento de esas dos variables. Una media móvil simple, por otro lado, requiere mantener un registro de todos los valores dentro del período de retroceso. Así que un 50-SMA significaría mantener un seguimiento de 50 puntos de datos, a continuación, el promedio de ellos. Se ata mucho más poder de procesamiento. Vea más acerca de EMAs versus Simple Moving Averages (SMA) en Exponential Versus Simple. Haurlan fundó el boletín Trade Levels en los años 60, dejando a JPL para ese trabajo más lucrativo. Su boletín fue patrocinador del programa de TV Charting The Market en KWHY-TV en Los Ángeles, el primer programa de televisión de TA, organizado por Gene Morgan. El trabajo de Haurlan y Morgan fue una gran parte de la inspiración detrás del desarrollo de Sherman y Marian McClellanrsquos del Oscilador McClellan y Summation Index, que implican el suavizado exponencial de los datos Advance-Decline. Puede leer un folleto de 1968 titulado Measuring Trend Values ​​publicado por Haurlan a partir de la página 8 del folleto del premio MTA. Que preparamos para los asistentes a la conferencia de la MTA de 2004 donde Sherman y Marian recibieron el premio MTArsquos Lifetime Achievement Award. Haurlan no enumera el origen de esa técnica matemática, pero señala que había estado en uso en la ingeniería aeroespacial durante muchos años. Previsión con análisis de series de tiempo ¿Qué es la predicción? La predicción es un método que se utiliza ampliamente en el análisis de series de tiempo para predecir una respuesta Variable, como los beneficios mensuales, el rendimiento de las existencias o las cifras de desempleo, durante un período de tiempo determinado. Los pronósticos se basan en los patrones de los datos existentes. Por ejemplo, un gestor de almacén puede modelar la cantidad de producto a pedido durante los próximos 3 meses en función de los 12 meses anteriores de pedidos. Puede utilizar una variedad de métodos de series de tiempo, como análisis de tendencias, descomposición o suavizado exponencial simple, para modelar patrones en los datos y extrapolar esos patrones al futuro. Elija un método de análisis para determinar si los patrones son estáticos (constantes a lo largo del tiempo) o dinámicos (cambio con el tiempo), la naturaleza de la tendencia y los componentes estacionales, y cuánto antes se desea pronosticar. Antes de producir los pronósticos, se ajustan varios modelos de candidatos a los datos para determinar qué modelo es el más estable y preciso. Previsiones para un análisis de media móvil El valor ajustado en el tiempo t es la media móvil no centrada en el tiempo t -1. Los pronósticos son los valores ajustados al origen previsto. Si prevé 10 unidades de tiempo por delante, el valor previsto para cada momento será el valor ajustado en el origen. Los datos hasta el origen se utilizan para calcular las medias móviles. Puede utilizar el método de medias móviles lineales calculando promedios móviles consecutivos. El método de promedios móviles lineales se utiliza a menudo cuando existe una tendencia en los datos. Primero, calcule y almacene el promedio móvil de la serie original. A continuación, calcule y almacene el promedio móvil de la columna previamente almacenada para obtener una segunda media móvil. En predicciones ingenuas, la previsión para el tiempo t es el valor de los datos en el tiempo t -1. El uso del procedimiento de media móvil con un promedio móvil de longitud uno da un pronóstico ingenuo. Previsiones para un único análisis de suavizado exponencial El valor ajustado en el tiempo t es el valor suavizado en el tiempo t-1. Los pronósticos son el valor ajustado al origen previsto. Si prevé 10 unidades de tiempo por delante, el valor previsto para cada momento será el valor ajustado en el origen. Los datos hasta el origen se utilizan para el suavizado. En pronósticos ingenuos, la previsión para el tiempo t es el valor de los datos en el tiempo t-1. Realizar un solo suavizado exponencial con un peso de uno para hacer predicciones ingenuas. Previsiones para un doble análisis de suavizado exponencial El doble suavizado exponencial utiliza los componentes de nivel y tendencia para generar pronósticos. El pronóstico para m períodos por delante de un punto en el tiempo t es L t mT t. Donde L t es el nivel y T t es la tendencia en el tiempo t. Se utilizarán datos hasta el tiempo de origen previsto para el suavizado. Pronósticos del método Winters El método Winters utiliza el nivel, la tendencia y los componentes estacionales para generar pronósticos. La previsión para m períodos por delante de un punto en el tiempo t es: donde L t es el nivel y T t es la tendencia en el tiempo t, multiplicada por (o agregada para un modelo aditivo) la componente estacional para el mismo período desde el momento Año anterior. El método Winters utiliza datos hasta el tiempo de origen previsto para generar los pronósticos. Promedio de emisión - 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 Primeros 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. Así, 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 de negociación, con MA más cortos utilizados para el comercio a corto plazo y 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 más largo plazo.