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 promedio de RH Hooker calculados en 1901 como ldquomoving-average. 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 Armada de los Estados Unidos durante la Segunda Guerra Mundial, donde su misión era diseñar un sistema de seguimiento de 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 los 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 los circuitos, 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 menciona el origen de esa técnica matemática, pero señala que había estado en uso en la ingeniería aeroespacial durante muchos años. Promedio móvil exponencial (EMA) El promedio móvil exponencial (EMA) pesa los precios actuales más fuertemente que los precios anteriores. Esto da a la media móvil exponencial la ventaja de ser más rápido para responder a las fluctuaciones de precios que una media móvil simple, sin embargo, que también puede verse como una desventaja porque la EMA es más propenso a whipsaws (es decir, señales falsas). El gráfico de eBay (EBAY) muestra la diferencia entre un promedio móvil exponencial de 10 días (EMA) y el promedio móvil simple de 10 días (SMA): Lo más importante es notar cuánto más rápido responde el EMA al precio Mientras que la SMA se retrasa durante los períodos de inversión. La siguiente tabla muestra la diferencia entre los crossovers promedio móvil (ver: Crossovers Promedio Móvil) posibles señales de compra y venta con una EMA y una SMA: Como muestra el gráfico anterior de los QQQQ, Los EMAs son más rápidos para responder al movimiento de precios, los EMA no son necesariamente más rápidos para dar posibles señales de compra y venta cuando se usan crossovers de media móvil. También tenga en cuenta que el concepto ilustrado en el gráfico anterior con crossovers de media móvil exponencial es el concepto detrás del indicador de convergencia de convergencia de movilidad (MACD) popular (véase: MACD). Puesto que los promedios móviles exponenciales pesan los precios actuales más pesadamente que los precios pasados, el EMA es considerado por muchos comerciantes como superior a la media móvil simple sin embargo, cada comerciante debe pesar los pros y los contras del EMA y decidir de qué manera utilizarán Promedios móviles. Sin embargo, los promedios móviles siguen siendo el indicador de análisis técnico más popular en el mercado hoy en día. La información anterior es sólo para fines informativos y de entretenimiento y no constituye asesoramiento comercial o una solicitud de compra o venta de acciones, opciones, futuros, productos básicos o productos de divisas. El desempeño pasado no es necesariamente una indicación del desempeño futuro. El comercio es inherentemente arriesgado. OnlineTradingConcepts no será responsable de ningún daño especial o consecuencial que resulte del uso o la incapacidad de uso, los materiales y la información proporcionada por este sitio. Véase la exención de responsabilidad completa. Pronóstico con promedios móviles exponenciales Para los datos estacionarios o casi estacionarios, el promedio móvil exponencial es un método simple para la predicción de series temporales. Elija entre previsión y suavizado para ver la diferencia entre ellos es el parámetro de suavizado en el promedio móvil exponencial y es el error cuadrático medio entre el pronóstico (curva roja) y los valores reales de los datos (curva azul). Valores mayores de causar menos suavizado. COSAS PARA INTENTAR INSTALACIONES DETALLES La previsión en el tiempo está dada por where es el valor real de la serie temporal en el tiempo. Esta recursión comienza en. Cuando . El pronóstico es para todo el tiempo y cuando. La previsión es la última observación. Para más información sobre la predicción con métodos de suavización exponencial, vea 1. Los estudiantes deben preguntarse: ¿Existe alguna relación entre la apariencia de los datos y el valor óptimo de la predicción ¿Por qué la media móvil exponencial no es un método de pronóstico muy bueno para los datos con una Tendencia 1 SG Makridakis, SC Wheelwright, y RJ Hyndman, Previsión, Métodos y Aplicaciones. 3ª ed. Hoboken, Nueva Jersey: John Wiley amp Sons, Inc. 1998.
No comments:
Post a Comment