Alisamento exponencial simples e média móvel

Médias de Análise Técnica As médias móveis são usadas para suavizar as oscilações de curto prazo para obter uma melhor indicação da tendência de preços. As médias são indicadores que seguem as tendências. Uma média móvel de preços diários é o preço médio de uma ação durante um período escolhido, exibido dia a dia. Para calcular a média, você tem que escolher um período de tempo. A escolha de um período de tempo é sempre uma reflexão sobre, mais ou menos lag em relação ao preço em comparação com um maior ou menor suavização dos dados de preços. As médias de preços são usadas como indicadores de tendência e principalmente como referência para suporte de preços e resistência. Em geral, as médias estão presentes em todos os tipos de fórmulas para suavizar os dados. Oferta especial: quotCapturing Profit com análise técnica Average Simple Moving Uma média móvel simples é calculada adicionando todos os preços dentro do período de tempo escolhido, dividido por esse período de tempo. Desta forma, cada valor de dados tem o mesmo peso no resultado médio. Figura 4.35: Média móvel simples, exponencial e ponderada. A curva espessa e preta no gráfico da figura 4.35 é uma média móvel simples de 20 dias. Média móvel exponencial Uma média móvel exponencial dá mais peso, percentagem sábio, aos preços individuais em um intervalo, com base na seguinte fórmula: EMA (EMA anterior) (anterior EMA (1 EMD ndash)) A maioria dos investidores não se sente confortável com um Expressão relacionada à porcentagem na média móvel exponencial, em vez disso, eles se sentem melhor usando um período de tempo. Se você quiser saber a porcentagem em que trabalhar com um período, a próxima fórmula lhe dá a conversão: Um período de três dias corresponde a uma porcentagem exponencial de: A curva fina e preta na figura 4.35 é um movimento exponencial de 20 dias média. Média Móvel Ponderada Uma média móvel ponderada coloca mais peso nos dados recentes e menor peso nos dados mais antigos. Uma média móvel ponderada é calculada pela multiplicação de cada dado por um factor do dia ldquo1rdquo até ao dia ldquonrdquo para os dados mais antigos para os mais recentes, o resultado é dividido pelo total de todos os factores multiplicadores. Em uma média móvel ponderada de 10 dias, há 10 vezes mais peso para o preço hoje em proporção ao preço há 10 dias. Da mesma forma, o preço de ontem ganha nove vezes mais peso, e assim por diante. A curva fina tracejada preta na figura 4.35 é uma média móvel ponderada de 20 dias. Simples, Exponencial ou Ponderado Se compararmos estas três médias básicas, vemos que a média simples tem a maior suavização, mas geralmente também a maior defasagem após reversões de preços. A média exponencial está mais próxima do preço e também vai reagir mais rapidamente às oscilações de preços. Mas correções de período mais curtos também são visíveis nesta média por causa de um efeito menos suavização. Finalmente, a média ponderada acompanha ainda mais de perto o movimento dos preços. Determinar qual dessas médias usar depende do seu objetivo. Se você quiser um indicador de tendência com melhor suavização e apenas pouca reação para movimentos mais curtos, a média simples é melhor. Se você quer um alisamento onde você ainda pode ver os períodos curtos oscilações, então a média móvel exponencial ou ponderada é a melhor escolha. Forecasting por Smoothing Técnicas Este site é uma parte do JavaScript E-labs objetos de aprendizagem para a tomada de decisão. Outros JavaScript nesta série são categorizados sob diferentes áreas de aplicações na seção MENU nesta página. Uma série de tempo é uma seqüência de observações que são ordenadas no tempo. Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são suavização. Estas técnicas, quando devidamente aplicadas, revelam mais claramente as tendências subjacentes. Insira a série de tempo em ordem de linha em seqüência, começando pelo canto superior esquerdo e o (s) parâmetro (s) e, em seguida, clique no botão Calcular para obter uma previsão de um período antecipado. Caixas em branco não são incluídas nos cálculos, mas zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados use a tecla Tab não seta ou digite chaves. Características de séries temporais, que podem ser reveladas ao examinar seu gráfico. Com os valores previstos, eo comportamento residual, modelagem de previsão de condições. Médias móveis: As médias móveis classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados ​​para filtrar o ruído branco aleatório dos dados, para tornar a série de tempo mais suave ou mesmo para enfatizar certos componentes informativos contidos na série de tempo. Suavização Exponencial: Este é um esquema muito popular para produzir uma Série de Tempo suavizada. Enquanto que em Médias Móveis as observações passadas são ponderadas igualmente, a Suavização Exponencial atribui pesos exponencialmente decrescentes à medida que a observação avança. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Double Exponential Smoothing é melhor para lidar com as tendências. Triple Exponential Smoothing é melhor no manuseio de tendências de parabola. Uma média móvel exponencialmente ponderada com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 / (n1) OR n (2 - a) / a. Assim, por exemplo, uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,04878. Suavização Linear Exponencial de Holts: Suponha que a série de tempo não é sazonal, mas exibe tendência. Holts método estima tanto o nível atual ea tendência atual. Observe que a média móvel simples é caso especial da suavização exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) / Alpha. Para a maioria dos dados empresariais, um parâmetro Alpha menor que 0,40 é frequentemente eficaz. No entanto, pode-se realizar uma busca de grade do espaço de parâmetro, com 0,1 a 0,9, com incrementos de 0,1. Então o melhor alfa tem o menor erro médio absoluto (erro MA). Como comparar vários métodos de alisamento: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla consiste na comparação visual de várias previsões para avaliar a sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário plotar (usando, por exemplo, Excel) no mesmo gráfico os valores originais de uma variável de série temporal e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões Passadas por Técnicas de Suavização JavaScript para obter os valores de previsão anteriores com base em técnicas de suavização que usam apenas um único parâmetro. Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ótimos, ou mesmo próximos, ótimos por tentativa e erros para os parâmetros. A suavização exponencial única enfatiza a perspectiva de curto alcance que define o nível para a última observação e é baseada na condição de que não há tendência. A regressão linear, que se ajusta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa a faixa de longo alcance, que está condicionada à tendência básica. Holts linear suavização exponencial captura informações sobre tendência recente. Os parâmetros no modelo de Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande, e as tendências-parâmetro devem ser aumentadas se a tendência de direção recente é apoiada pelo causal alguns fatores. Previsão de Curto Prazo: Observe que cada JavaScript nesta página fornece uma previsão de um passo adiante. Para obter uma previsão de duas etapas. Basta adicionar o valor previsto ao final dos dados de séries temporais e, em seguida, clicar no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões de curto prazo necessárias. As médias móveis são mais do que o estudo de uma seqüência de números em ordem sucessiva. Os primeiros praticantes de análises de séries temporais estavam realmente mais preocupados com números de séries temporais individuais do que com a interpolação desses dados. Interpolação. Na forma de teorias de probabilidade e análise, veio muito mais tarde, à medida que os padrões foram desenvolvidos e as correlações descobertas. Uma vez compreendidas, várias curvas e linhas foram desenhadas ao longo das séries temporais, numa tentativa de prever onde os pontos de dados poderiam ir. Estes são agora considerados métodos básicos atualmente utilizados pelos comerciantes de análise técnica. Análise de gráficos pode ser rastreada até ao século 18 Japão, mas como e quando as médias móveis foram aplicadas pela primeira vez aos preços de mercado continua a ser um mistério. É geralmente entendido que as médias móveis simples (SMA) foram usadas muito antes de médias móveis exponenciais (EMA), porque EMAs são construídos em SMA quadro eo continuum SMA foi mais facilmente compreendido para fins de plotagem e acompanhamento. Média móvel simples (SMA) As médias móveis simples tornaram-se o método preferido para rastrear os preços de mercado, porque eles são rápidos de calcular e fácil de entender. Os primeiros praticantes de mercado operavam sem o uso de métricas de gráficos sofisticados em uso hoje, então eles dependiam principalmente dos preços de mercado como seus únicos guias. Eles calcularam os preços de mercado à mão, e graficou esses preços para denotar tendências e direção de mercado. Este processo foi bastante tedioso, mas provou ser bastante rentável com a confirmação de mais estudos. Para calcular uma média móvel simples de 10 dias, simplesmente adicione os preços de fechamento dos últimos 10 dias e divida por 10. A média móvel de 20 dias é calculada adicionando os preços de fechamento ao longo de um período de 20 dias e dividindo por 20 e em breve. Esta fórmula não é apenas baseada em preços de fechamento, mas o produto é uma média de preços - um subconjunto. As médias móveis são chamadas de movimento porque o grupo de preços usado no cálculo se move de acordo com o ponto no gráfico. Isto significa que os dias velhos são deixados cair em favor de dias novos do preço de fechamento, assim que um cálculo novo é sempre necessário que corresponde ao frame de tempo da média empregada. Assim, uma média de 10 dias é recalculada adicionando o novo dia e deixando cair o 10o dia, eo nono dia é deixado cair no segundo dia. Média Móvel Exponencial (EMA) A média móvel exponencial tem sido refinada e mais comumente usada desde a década de 1960, graças aos experimentos de praticantes anteriores com o computador. A nova EMA se concentraria mais nos preços mais recentes do que em uma longa série de pontos de dados, como a média móvel simples exigida. EMA atual ((Preço (atual) - EMA anterior)) X multiplicador) EMA anterior. O fator mais importante é a constante de suavização que 2 / (1N) onde N é o número de dias. Uma EMA de 10 dias 2 / (101) 18.8 Isto significa que uma EMA de 10 períodos pondera o preço mais recente 18,8, um EMA de 20 dias de 9,52 e um peso de EMA de 50 dias de 3,92 no dia mais recente. A EMA trabalha ponderando a diferença entre o preço dos períodos atuais e a EMA anterior e adicionando o resultado à EMA anterior. Quanto mais curto o período, mais peso é aplicado ao preço mais recente. Fitting Lines Por estes cálculos, pontos são plotados, revelando uma linha de montagem. Linhas de montagem acima ou abaixo do preço de mercado significam que todas as médias móveis são indicadores de atraso. E são usados ​​principalmente para seguir as tendências. Eles não funcionam bem com os mercados de gama e períodos de congestionamento, porque as linhas de montagem não denotam uma tendência devido a uma falta de maiores ou mais baixos evidentes baixos. Além disso, linhas de encaixe tendem a permanecer constantes sem dica de direção. Uma linha de montagem crescente abaixo do mercado significa um longo, enquanto uma linha de montagem caindo acima do mercado significa um curto. (Para obter um guia completo, leia nosso Tutorial de Moving Average.) O objetivo de empregar uma média móvel simples é detectar e mensurar tendências ao suavizar os dados usando os meios de vários grupos de preços. Uma tendência é manchada e extrapolada em uma previsão. O pressuposto é que os movimentos de tendências anteriores continuarão. Para a média móvel simples, uma tendência de longo prazo pode ser encontrada e seguida muito mais fácil do que uma EMA, com suposição razoável de que a linha de ajuste será mais forte do que uma linha EMA devido ao foco mais longo em preços médios. Um EMA é usado para capturar movimentos de tendência mais curtos, devido ao foco nos preços mais recentes. Por este método, um EMA suposto para reduzir quaisquer defasagens na média móvel simples para que a linha de ajuste vai abraçar os preços mais perto do que uma simples média móvel. O problema com a EMA é o seguinte: o seu propenso a quebra de preços, especialmente durante os mercados rápidos e períodos de volatilidade. A EMA funciona bem até os preços quebrar a linha de montagem. Durante os mercados de maior volatilidade, você poderia considerar o aumento da duração do termo médio móvel. Pode-se até mudar de um EMA para um SMA, uma vez que o SMA suaviza os dados muito melhor do que um EMA devido ao seu foco em meios de longo prazo. Indicadores de Tendência Como indicadores de atraso, médias móveis servem bem como linhas de suporte e resistência. Se os preços despencarem abaixo de uma linha de ajuste de 10 dias em uma tendência ascendente, as chances são boas de que a tendência de alta pode estar diminuindo, ou pelo menos o mercado pode estar se consolidando. Se os preços quebrar acima de uma média móvel de 10 dias em uma tendência de baixa. A tendência pode estar diminuindo ou se consolidando. Nesses casos, empregar uma média móvel de 10 e 20 dias juntos e esperar que a linha de 10 dias atravesse acima ou abaixo da linha de 20 dias. Isso determina a próxima direção de curto prazo para os preços. Para períodos de longo prazo, observe as médias móveis de 100 e 200 dias para direções de longo prazo. Por exemplo, usando as médias móveis de 100 e 200 dias, se a média móvel de 100 dias cruza abaixo da média de 200 dias, sua chamada cruz de morte. E é muito bearish para preços. Uma média móvel de 100 dias que ultrapassa uma média móvel de 200 dias é chamada de cruz dourada. E é muito otimista para os preços. Não importa se um SMA ou um EMA é usado, porque ambos são indicadores de tendência seguinte. É apenas a curto prazo que a SMA tem ligeiros desvios em relação à sua contraparte, a EMA. Conclusão As médias móveis são a base da análise de gráficos e séries temporais. As médias móveis simples e as médias móveis exponenciais mais complexas ajudam a visualizar a tendência alisando os movimentos de preços. A análise técnica é por vezes referida como uma arte em vez de uma ciência, que levam anos para dominar. (Saiba mais em nosso Tutorial de Análise Técnica.) Uma pessoa que negocia derivativos, commodities, títulos, ações ou moedas com um risco maior que a média em troca de. QuotHINTquot é uma sigla que significa quothigh renda não impostos. quot É aplicado a high-assalariados que evitam pagar renda federal. Um fabricante de mercado que compra e vende títulos corporativos de curto prazo, chamados de papel comercial. Um negociante de papel é tipicamente. A compra e venda ilimitada de bens e serviços entre países, sem a imposição de restrições como, por exemplo, as seguintes: 7.1 Alisamento exponencial simples O mais simples dos métodos de suavização exponencial é chamado naturalmente de suavização exponencial simples (SES). (Em alguns livros, é chamado de suavização exponencial única.) Este método é adequado para previsão de dados sem tendência ou padrão sazonal. Por exemplo, os dados da Figura 7.1 não apresentam qualquer comportamento de tendência claro ou qualquer sazonalidade, embora a média dos dados possa estar mudando lentamente ao longo do tempo. Já consideramos a nave ea média como possíveis métodos de previsão desses dados (Seção 2/3). Oildata lt - window 40 óleo, início 1996. fim 2007 41 parcela 40 oildata, ylab quotOil (milhões de toneladas) quot, xlab quotYearquot 41 Usando o método nave, todas as previsões para o futuro são iguais ao último valor observado da série, Para h1,2, pontos. Portanto, o método da nave supõe que a observação mais atual é a única importante e que todas as observações anteriores não fornecem nenhuma informação para o futuro. Isto pode ser pensado como uma média ponderada onde todo o peso é dado à última observação. Usando o método médio, todas as projeções futuras são iguais a uma média simples dos dados observados, que é a fração de Tt, para h1,2, pontos. Assim, o método médio pressupõe que todas as observações são de igual importância e que recebem o mesmo peso na geração de previsões. Muitas vezes queremos algo entre estes dois extremos. Por exemplo, pode ser sensato atribuir pesos maiores a observações mais recentes do que observações de um passado distante. Este é exatamente o conceito por trás de suavização exponencial simples. As previsões são calculadas usando médias ponderadas onde os pesos diminuem exponencialmente à medida que as observações vêm de mais longe no passado --- os pesos menores estão associados com as observações mais antigas: onde 0 le alfa le 1 é o parâmetro de suavização. A previsão de um passo para o tempo T1 é uma média ponderada de todas as observações na série y1, dots, yT. A taxa na qual os pesos diminuem é controlada pelo parâmetro alfa. A Tabela 7.1 mostra os pesos associados às observações para quatro valores diferentes de alfa na previsão usando alisamento exponencial simples. Note que a soma dos pesos mesmo para um alfa pequeno será aproximadamente um para qualquer tamanho de amostra razoável. Para qualquer alfa entre 0 e 1, os pesos ligados às observações diminuem exponencialmente à medida que retrocedemos no tempo, daí o nome de suavização exponencial. Se alfa é pequeno (isto é, perto de 0), mais peso é dado às observações de um passado mais distante. Se alfa for grande (isto é, perto de 1), mais peso é dado às observações mais recentes. No caso extremo em que alfa1, hat yT e previsões são iguais às previsões da nave. Apresentamos três formas equivalentes de suavização exponencial simples, cada uma das quais leva à equação de previsão (ref). Forma média ponderada A previsão no tempo t1 é igual a uma média ponderada entre a observação mais recente yt eo chapéu de previsão mais recente, hat hat alfa yt (1-alfa) para t1, pontos, T, onde 0 le alfa le 1 é O parâmetro de suavização. O processo tem que começar em algum lugar, então deixamos a primeira previsão de y1 ser denotada por ell0. Em seguida, comece hat chapéu de um chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu de chapéu (1-alfa) alfa-1 (1-alfa) ell0right alfa alfa (1-alfa) alfa 1 alfa (1-alfa) Alfa y2 alfa (1-alfa) y1 (1-alfa) 2 ell0 amp alfa y3 alfa (1-alfa) y2 alfa (1-alfa) 2 y1 (1-alfa) 3 ell0 amp vdots 1-alfa) jy (1-alfa) Tl. Tag label end Assim, a forma média ponderada leva à mesma equação de previsão (ref). Formulário de componente Uma representação alternativa é a forma de componente. Para a suavização exponencial simples, o único componente incluído é o nível, ellt. (Outros métodos considerados mais adiante neste capítulo também podem incluir uma tendência bt e componente sazonal.) As representações de formas componentes de métodos de suavização exponencial compreendem uma equação de previsão e uma equação de suavização para cada um dos componentes incluídos no método. A forma componente de suavização exponencial simples é dada por: begin texto ampamppred amp ell texto ampampell amp alfa y (1 - alfa) ell, end onde ell é o nível (ou o valor alisado) da série no instante t. A equação de previsão mostra que o valor previsto no tempo t1 é o nível estimado no tempo t. A equação de suavização para o nível (normalmente referido como equação de nível) dá o nível estimado da série em cada período t. A aplicação da equação de previsão para o tempo T dá, pred ell, o nível mais recente estimado. Se substituir ellt por pred e ell por pred na equação de suavização, vamos recuperar a forma média ponderada de suavização exponencial simples. Formulário de correção de erros A terceira forma de suavização exponencial simples é obtida reorganizando a equação de nível na forma componente para obter o que chamamos de forma de correção de erro begin ell amp ell alfa (y - ell) amp ell alfa e end onde Ey - ell y - pred para t1, pontos, T. Ou seja, e é o erro de previsão dentro da amostra de um passo no tempo t. Os erros de previsão dentro da amostra levam ao ajuste / correção do nível estimado ao longo do processo de suavização para t1, pontos, T. Por exemplo, se o erro no tempo t é negativo, então pred gtyt e assim o nível no tempo t-1 foi superestimado. O nível novo é então o nível anterior ell ajustado para baixo. Quanto mais próximo estiver o alfa, maior é a estimativa do nível (grandes ajustes ocorrem). Quanto menor for o alfa, mais suave será o nível (pequenos ajustes ocorrerão). Previsões de múltiplos horizontes Até agora, damos equações de previsão para apenas um passo à frente. A suavização exponencial simples tem uma função de previsão plana e, portanto, para horizontes de previsão mais longos, pred predlt, qquad h2,3, dots. Lembre-se que estas previsões só serão adequadas se a série temporal não tiver qualquer tendência ou componente sazonal. Inicialização A aplicação de cada método de suavização exponencial requer a inicialização do processo de suavização. Para a suavização exponencial simples precisamos especificar um valor inicial para o nível, ell0, que aparece no último termo da equação (ref). Portanto, ell0 desempenha um papel em todas as previsões geradas pelo processo. Em geral, o peso ligado a ell0 é pequeno. No entanto, no caso em que o alfa é pequeno e / ou a série temporal é relativamente curta, o peso pode ser suficientemente grande para ter um efeito visível nas previsões resultantes. Portanto, a seleção de valores iniciais adequados pode ser bastante importante. Uma abordagem comum é definir ell0y1 (lembre-se que ell0pred). Outros métodos exponenciais de suavização que também envolvem uma tendência e / ou uma componente sazonal requerem valores iniciais para estes componentes também. Tabulamos estratégias comuns para a seleção de valores iniciais na Tabela 7.9. Uma abordagem alternativa (ver abaixo) é usar a otimização para estimar o valor de ell0 em vez de defini-lo para algum valor. Mesmo que a otimização seja usada, a seleção de valores iniciais apropriados pode auxiliar na velocidade e precisão do processo de otimização. Otimização Para cada método de suavização exponencial também precisamos escolher o valor para os parâmetros de suavização. Para a suavização exponencial simples, existe apenas um parâmetro de alisamento (alfa), mas para os métodos que se seguem geralmente há mais de um parâmetro de suavização. Existem casos em que os parâmetros de suavização podem ser escolhidos de uma forma subjectiva, o previsor especifica o valor dos parâmetros de suavização com base na experiência anterior. No entanto, uma maneira mais robusta e objetiva de obter valores para os parâmetros desconhecidos incluídos em qualquer método de suavização exponencial é estimá-los a partir dos dados observados. Na Seção 4/2, estimamos os coeficientes de um modelo de regressão minimizando a soma dos erros quadráticos (SSE). Da mesma forma, os parâmetros desconhecidos e os valores iniciais para qualquer método de suavização exponencial podem ser estimados minimizando o SSE. Os erros são especificados como etyt - pred para t1, dots, T (os erros de previsão dentro da amostra de um passo à frente). Por isso, encontramos os valores dos parâmetros desconhecidos e os valores iniciais que minimizam o início do marcador de etiqueta do texto sum T (yt - pred) 2sum Tet2. Ao contrário do caso de regressão (onde temos fórmulas que retornam os valores dos coeficientes de regressão que minimizam o SSE) isso envolve um problema de minimização não-linear e precisamos usar uma ferramenta de otimização para realizar isso. Exemplo 7.1 Produção de óleo fit1 Lotes 40 oildata, alfa 0.2. Inicial quot. H 3 41 fit2 ltês 40 oildata, alfa 0,6. Inicial quot. H 3 41 fit3 ltês 40 oildata, h 3 41 parcela 40 fit1, parcela. Conf FALSE, ylab quotOil (milhões de toneladas) quot, xlab Quot. Principal quotquot. Fcol quotwhitequot. Tipo quotoquot 41 linhas 40 montadas 40 fit1 41. col quotbluequot. Tipo quotoquot 41 linhas 40 montadas 40 fit2 41. col quotredquot. Tipo quotoquot 41 linhas 40 montadas 40 fit3 41. col quotgreenquot. Tipo quotoquot 41 linhas 40 fit1mean, col quotbluequot. Tipo quotoquot 41 linhas 40 fit2mean, col quotredquot. Tipo quotoquot 41 linhas 40 fit3mean, col quotgreenquot. Tipo quotoquot 41 legenda 40 quottopleftquot, lty 1. col c 40 1. quotbluequot. Quotredquot. Quotgreenquot 41. c 40 quotdataquot. Expressão 40 alfa 0,2 41. expressão 40 alfa 0,6 41, expressão 40 alfa 0,89 41 41, pch 1 41 Neste exemplo, a suavização exponencial simples é aplicada à produção de petróleo prevista na Arábia Saudita. A linha preta na Figura 7.2 é um gráfico dos dados ao longo do período de 1996 a 2007, que mostra um nível variável ao longo do tempo, mas nenhum comportamento tendencial óbvio. Na Tabela 7.2 demonstramos a aplicação de suavização exponencial simples. As três últimas colunas mostram o nível estimado para os tempos t0 a t12, então as previsões para h1,2,3, para três valores diferentes de alfa. Para as duas primeiras colunas, o parâmetro de suavização alfa é definido como 0,2 e 0,6 respectivamente eo nível inicial ell0 é ajustado para y1 em ambos os casos. Na terceira coluna, tanto o parâmetro de suavização como o nível inicial são estimados. Usando uma ferramenta de otimização, encontramos os valores de alfa e ell0 que minimizam o SSE, sujeito à restrição que 0alalphale1. Observe que os valores de SSE apresentados na última linha da tabela são menores para este alfa e ell0 estimados do que para os outros valores de alfa e ell0. Valores observados yt Tabela 7.2: Previsão da produção total de petróleo em milhões de toneladas para a Arábia Saudita usando alisamento exponencial simples com três valores diferentes para o parâmetro de alisamento alfa. Alpha0.89 e ell0447.5 são obtidos minimizando SSE ao longo dos períodos t 1,2. 12. Os três diferentes conjuntos de previsões para o período 2008-2018 estão representados na Figura 7.2. Também são plotadas as previsões de um passo dentro da amostra junto com os dados durante o período 1996-2007. A influência do alfa no processo de alisamento é claramente visível. Quanto maior o alfa maior o ajuste que ocorre na próxima previsão na direção do ponto de dados anterior menor alfa leva a menos ajuste e assim a série de um passo dentro da amostra previsões é mais suave. Informação do livro Os dados suaves removem a variação aleatória e mostram as tendências e os componentes cíclicos Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. Uma técnica freqüentemente usada na indústria é suavizar. Essa técnica, quando corretamente aplicada, revela mais claramente a tendência subjacente, os componentes sazonais e cíclicos. Existem dois grupos distintos de métodos de alisamento Métodos de média Métodos de suavização exponencial Tomar médias é a maneira mais simples de suavizar os dados Vamos primeiro investigar alguns métodos de média, como a média simples de todos os dados passados. Um gerente de um armazém quer saber o quanto um fornecedor típico oferece em unidades de 1000 dólares. Ele / ela toma uma amostra de 12 fornecedores, aleatoriamente, obtendo os seguintes resultados: A média computada ou média dos dados 10. O gerente decide usar isto como a estimativa para despesa de um fornecedor típico. Esta é uma boa ou má estimativa O erro quadrático médio é uma maneira de julgar o quão bom é um modelo Vamos calcular o erro quadrático médio. O valor verdadeiro do erro gasto menos o valor estimado. O erro ao quadrado é o erro acima, ao quadrado. O SSE é a soma dos erros quadrados. O MSE é a média dos erros quadrados. Resultados do MSE por exemplo Os resultados são: Erro e esquadrado Erros A estimativa 10 A questão surge: podemos usar a média para prever a renda se suspeitarmos de uma tendência? Um olhar para o gráfico abaixo mostra claramente que não devemos fazer isso. A média pondera todas as observações passadas igualmente Em resumo, afirmamos que A média simples ou média de todas as observações passadas é apenas uma estimativa útil para previsão quando não há tendências. Se houver tendências, use estimativas diferentes que levem em conta a tendência. A média pesa todas as observações passadas igualmente. Por exemplo, a média dos valores 3, 4, 5 é 4. Sabemos, é claro, que uma média é calculada adicionando todos os valores e dividindo a soma pelo número de valores. Outra forma de calcular a média é adicionando cada valor dividido pelo número de valores, ou 3/3 4/3 5/3 1 1.3333 1.6667 4. O multiplicador 1/3 é chamado de peso. Em geral: barra fração soma esquerda (fratura direita) x1 esquerda (fratura direita) x2,. ,, Esquerda (frac direito) xn. O (esquerda (frac direito)) são os pesos e, naturalmente, somam a 1.