Ventajas Y Limitaciones Del Método De Media Móvil De Ajuste De Tendencia

OANDA utiliza cookies para que nuestros sitios web sean fáciles de usar y personalizados para nuestros visitantes. Las cookies no se pueden utilizar para identificarlo personalmente. Al visitar nuestro sitio web, usted acepta el uso de cookies de OANDA8217 de acuerdo con nuestra Política de privacidad. Para bloquear, eliminar o administrar cookies, visite aboutcookies. org. Restringir las cookies evitará que se beneficie de algunas de las funcionalidades de nuestro sitio web. Descarga nuestra sesión Aplicaciones Móvil En Seleccionar cuenta: ampltiframe src4489469.fls. doubleclick. net/activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclick. net/activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 Width1 talla1 frameborder0 styledisplay: ninguno mcestyledisplay: Lección noneampgtamplt / iframeampgt 1: Medias Móviles Ventajas del uso de medias móviles Información general Los promedios móviles suavizan las fluctuaciones de la tasa de mercado que a menudo ocurren con cada período de informe en una tabla de precios. Cuanto más frecuentes sean las actualizaciones de tarifas, es decir, cuanto más a menudo el gráfico de precios muestre una tasa actualizada, mayor será el potencial de ruido del mercado. Para los comerciantes que se ocupan en un mercado en rápido movimiento que se está extendiendo o whipsawing hacia arriba y hacia abajo, el potencial de señales falsas es una preocupación constante. Comparación de la media móvil de 20 períodos con las tasas de mercado en tiempo real Cuanto mayor es el grado de volatilidad de los precios, mayor es la probabilidad de que se genere una señal falsa. Una señal falsa ocurre cuando parece que la tendencia actual está a punto de revertirse, pero el siguiente período de reporte demuestra que lo que inicialmente parecía ser una inversión fue, de hecho, una fluctuación del mercado. Cómo el número de periodos de informe afecta a la media móvil El número de períodos de informe incluidos en el cálculo del promedio móvil afecta a la línea del promedio móvil como se muestra en un gráfico de precios. Cuanto menores sean los puntos de datos (es decir, períodos de informe) incluidos en el promedio, más cerca se mantendrá la media móvil en la tasa spot, reduciendo así su valor y ofreciendo un poco más de penetración en la tendencia general que la tabla de precios. Por otra parte, un promedio móvil que incluye demasiados puntos iguala hacia fuera las fluctuaciones del precio a tal grado que usted no puede detectar una tendencia discernible de la tarifa. Cualquiera de las situaciones puede dificultar el reconocimiento de los puntos de inversión en tiempo suficiente para aprovechar una inversión de tendencia de tasas. Tabla de Precios de Candelabros que muestra tres líneas de medias móviles diferentes Período de Reporte - Referencia genérica utilizada para describir la frecuencia con la que se actualizan los datos de tipo de cambio. También se conoce como granularidad. Esto podría ir desde un mes, un día, una hora - incluso con tanta frecuencia como cada pocos segundos. La regla del pulgar es que cuanto más corto el tiempo que usted mantiene comercios abiertos, más con frecuencia usted debe recuperar datos del intercambio de la tarifa. 169 1996 - 2016 OANDA Corporation. Todos los derechos reservados. OANDA, fxTrade y OANDAs fx familia de marcas son propiedad de OANDA Corporation. Todas las demás marcas registradas que aparecen en este sitio web son propiedad de sus respectivos propietarios. La negociación con apalancamiento en contratos de divisas u otros productos fuera de bolsa en el margen conlleva un alto nivel de riesgo y puede no ser adecuado para todos. Le aconsejamos que considere cuidadosamente si el comercio es apropiado para usted a la luz de sus circunstancias personales. Usted puede perder más de lo que invierte. La información en este sitio web es de carácter general. Le recomendamos que busque asesoramiento financiero independiente y le asegure que entiende completamente los riesgos involucrados antes de operar. El comercio a través de una plataforma en línea conlleva riesgos adicionales. Consulte nuestra sección legal aquí. Las apuestas de spread financiero sólo están disponibles para los clientes de OANDA Europe Ltd que residan en el Reino Unido o la República de Irlanda. CFDs, capacidades de cobertura de MT4 y coeficientes de apalancamiento superiores a 50: 1 no están disponibles para los residentes de EE. UU. La información en este sitio no está dirigida a residentes de países donde su distribución, o uso por cualquier persona, sería contraria a la ley o regulación local. OANDA Corporation es un Comerciante de la Comisión de Futuros registrado y Distribuidor Minorista de Divisas con la Commodity Futures Trading Commission y es miembro de la National Futures Association. No: 0325821. Por favor refiérase a la Alerta de Inversionista FOREX de NFAs donde sea apropiado. Las cuentas de OANDA (Canadá) Corporation ULC están disponibles para cualquier persona con una cuenta bancaria canadiense. OANDA (Canadá) Corporation ULC está regulada por la Organización de Regulación de la Industria de Inversiones de Canadá (OCRMMO), que incluye la base de datos de verificación de consultores en línea de la OCRCM (Informe de Asesoría de la OCRVI). Un folleto que describe la naturaleza y los límites de la cobertura está disponible a solicitud o en cipf. ca. OANDA Europe Limited es una empresa registrada en Inglaterra número 7110087, y tiene su domicilio social en Floor 9a, Tower 42, 25 Old Broad St, Londres EC2N 1HQ. Está autorizado y regulado por la Autoridad de Conducta Financiera. No .: 542574. OANDA Asia Pacific Pte Ltd (Co. Reg. No 200704926K) posee una Licencia de Servicios de Mercados de Capitales emitida por la Autoridad Monetaria de Singapur y también tiene licencia de la Empresa Internacional Singapur. OANDA Australia Pty Ltd está regulada por la Comisión Australiana de Valores e Inversiones ASIC (ABN 26 152 088 349, AFSL N ° 412981) y es el emisor de los productos y / o servicios de esta página web. Es importante que considere la actual Guía de Servicios Financieros (FSG). Declaración de divulgación del producto (PDS). Términos de Cuenta y cualquier otro documento pertinente de OANDA antes de tomar cualquier decisión de inversión financiera. Estos documentos se pueden encontrar aquí. OANDA Japan Co. Ltd. Primer Director de Negocios de Instrumentos Financieros del Tipo I de Kanto No. 2137 Número de abonado de la Asociación de Futuros Financieros del Instituto de Finanzas de Kanto 1571. El comercio de divisas y / o CFDs en margen es de alto riesgo y no es adecuado para todo el mundo. Las pérdidas pueden exceder la inversión. El promedio móvil (a menudo acortado a ma en nuestra investigación) es uno de los indicadores más populares y es utilizado por los analistas técnicos para una variedad de tareas: Para identificar áreas de apoyo / resistencia a corto plazo para determinar la tendencia actual como un componente en muchos otros indicadores como el MACD, o bandas de Bollinger. Las principales ventajas de las medias móviles son, en primer lugar, que suavizar los datos y, por tanto, proporcionar una imagen visual más clara de la tendencia actual y, en segundo lugar, que m. a. Las señales pueden dar una respuesta precisa en cuanto a lo que es la tendencia. La principal desventaja es que son indicadores rezagados en lugar de líderes, pero esto no debería ser un problema para los inversores a largo plazo. Hay dos formas principales de media móvil: La media móvil simple (como su nombre indica) calcula el precio promedio durante un período de tiempo de movimiento especificado. Por ejemplo, una media móvil simple de 20 días calculará el precio medio medio de los últimos veinte días de precios de cierre y así sucesivamente. La media móvil exponencial (ema) también promedia los últimos x días cerrados, pero asigna un peso mayor a los precios más recientes haciéndolo más sensible a la acción del precio actual y reduciendo así el efecto de retraso. Determinación del soporte y resistencia a corto plazo El gráfico siguiente muestra el índice Nasdaq 100 con una media móvil exponencial de 50 días (ema). El índice está haciendo máximos más altos y bajos más altos de una manera consistente a través de la mayor parte de 2003 y el correo electrónico de 50 días proporcionó una buena indicación de donde estos cuencos serían i. e. donde comenzar las posiciones largas comerciales. Uno podría, por supuesto, intentar un período ligeramente más largo promedio móvil para garantizar todos los comederos se mantuvo por encima de la media, pero a partir de la experiencia que hemos encontrado el día 50 ema hace el trabajo bien. Generación de señales comerciales El método de crossover genera una señal de comercio automático bastante fiable cuando un promedio de corto plazo cruza por encima de un promedio a más largo plazo. En el ejemplo siguiente hemos mostrado 20 y 50 días emas para el índice Nasdaq 100. El método de crossover compraría el índice cuando el ema (línea verde) de 20 días más sensible cruce por encima del 50 día ema (línea roja) a más largo plazo y vendería el índice cuando el correo electrónico de 20 días cruza de vuelta por debajo del correo electrónico de 50 días. Hemos marcado compras con flechas azules y se vende con flechas rojas esta regla del sistema de pulgar que nos hubiera mantenido en el mercado de aproximadamente 1000 a alrededor de 1500. El acceso a nuestros servicios de investigación requiere la aceptación de nuestros términos de negocio y está sujeto a nuestra renuncia. Observe nuestra política de privacidad . El Servicio de Stocks de EE. UU. Y el servicio de Cronometraje de Mercado de los Estados Unidos son proporcionados por Chartcraft Inc (Chartcraft), que no es un negocio regulado. Todos los demás servicios son proporcionados por Stockcube Research Limited (Stockcube), que está autorizado y regulado por la Autoridad de Conducta Financiera del Reino Unido. Chartcraft y Stockcube son de propiedad total de Stockcube Ltd. una empresa del Reino Unido registrada en Inglaterra. Moving promedio y modelos de suavización exponencial Como un primer paso para ir más allá de los modelos de media, aleatoria y tendencia lineal, los patrones no estacionales y las tendencias pueden ser extrapolados Utilizando un modelo de media móvil o suavizado. La suposición básica detrás de los modelos de promedio y suavizado es que la serie temporal es localmente estacionaria con una media variable 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 que las previsiones tienden 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 uno 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 se establece en ARIMA. Sin embargo, puede agregar una tendencia exponencial a largo plazo constante a un modelo de suavizado exponencial simple (con o sin ajuste estacional) utilizando la opción de ajuste de inflación en el procedimiento de Pronóstico. 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 por delante, 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 un número de 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 los pronósticos 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) Suavizado 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 causas variadas como la obsolescencia del producto, 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 podría esperarse, a pesar de su extrapolación horizontal de tendencia 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.)