As 7 armadilhas de médias móveis Uma média móvel é o preço médio de um título durante um período de tempo especificado. Analistas freqüentemente usam médias móveis como uma ferramenta analítica para tornar mais fácil seguir as tendências do mercado, como os valores mobiliários para cima e para baixo. As médias móveis podem estabelecer tendências e medir o momentum. Portanto, eles podem ser usados para indicar quando um investidor deve comprar ou vender um determinado título. Os investidores também podem usar médias móveis para identificar pontos de suporte ou resistência, a fim de avaliar quando os preços são susceptíveis de mudar de direção. Ao estudar os intervalos históricos de negociação, pontos de apoio e resistência são estabelecidos onde o preço de uma garantia reverteu sua tendência de alta ou de baixa, no passado. Esses pontos são usados para fazer, comprar ou vender decisões. Infelizmente, as médias móveis não são ferramentas perfeitas para estabelecer tendências e apresentam muitos riscos sutis, mas significativos, para os investidores. Além disso, as médias móveis não se aplicam a todos os tipos de empresas e indústrias. Algumas das principais desvantagens de médias móveis incluem: 1. Médias móveis desenhar tendências de informações passadas. Eles não levam em conta mudanças que podem afetar o desempenho futuro de uma segurança, como novos concorrentes, maior ou menor demanda por produtos na indústria e mudanças na estrutura gerencial da empresa. 2. Idealmente, uma média móvel vai mostrar uma mudança consistente no preço de um título, ao longo do tempo. Infelizmente, as médias móveis não funcionam para todas as empresas, especialmente para aqueles em indústrias muito voláteis ou aqueles que são fortemente influenciados por eventos atuais. Isto é especialmente verdadeiro para a indústria de petróleo e indústrias altamente especulativas, em geral. 3. As médias móveis podem ser distribuídas em qualquer período de tempo. No entanto, isso pode ser problemático, porque a tendência geral pode mudar significativamente, dependendo do período de tempo utilizado. Os prazos mais curtos têm mais volatilidade, enquanto os períodos de tempo mais longos têm menos volatilidade, mas não contam com novas mudanças no mercado. Os investidores devem ter cuidado com o prazo que escolherem, para se certificar de que a tendência é clara e relevante. 4. Um debate em curso é a questão de saber se deve ou não dar mais ênfase aos últimos dias do período. Muitos acham que os dados recentes melhor refletem a direção da segurança está se movendo, enquanto outros sentem que dando alguns dias mais peso do que outros, incorretamente tende a tendência. Investidores que utilizam métodos diferentes para calcular médias podem traçar tendências completamente diferentes. (Saiba mais em médias simples versus médias exponenciais.) 5. Muitos investidores argumentam que a análise técnica é uma maneira sem sentido de prever o comportamento do mercado. Eles dizem que o mercado não tem memória eo passado não é um indicador do futuro. Além disso, há uma pesquisa substancial para apoiar isso. Por exemplo, Roy Nersesian conduziu um estudo com cinco estratégias diferentes usando médias móveis. A taxa de sucesso de cada estratégia variou entre 37 e 66. Esta pesquisa sugere que as médias móveis só produzem resultados cerca de metade do tempo, o que poderia fazer usando-os uma proposta arriscada para efetivamente timing do mercado de ações. 6. As seguranças mostram frequentemente um teste padrão cíclico do comportamento. Isso também é verdade para as empresas de serviços públicos, que têm uma demanda constante por seu produto ano a ano, mas experimentam fortes mudanças sazonais. Embora as médias móveis podem ajudar a suavizar estas tendências, eles também podem ocultar o fato de que a segurança está tendendo em um padrão oscilatório. (Para saber mais, veja Manter Um Olho Em Momentum.) 7. O objetivo de qualquer tendência é prever onde o preço de um título será no futuro. Se uma segurança não é tendência em qualquer direção, ele não fornece uma oportunidade de lucrar com qualquer compra ou venda a descoberto. A única maneira que um investidor pode ser capaz de lucrar seria implementar uma estratégia sofisticada, baseada em opções, que depende do preço permanecer estável. A linha inferior As médias móveis foram consideradas uma ferramenta analítica valiosa por muitos, mas para que toda a ferramenta seja eficaz você deve primeiramente compreender sua função, quando a usar e quando não a usar. Os perigos aqui discutidos indicam quando as médias móveis podem não ter sido uma ferramenta eficaz, como quando usadas com títulos voláteis, e como eles podem ignorar certas informações estatísticas importantes, como padrões cíclicos. Também é questionável como as médias móveis eficazes são para indicar com precisão tendências de preços. Dadas as desvantagens, médias móveis podem ser uma ferramenta melhor usada em conjunto com outros. No final, a experiência pessoal será o indicador final de quão eficaz eles realmente são para o seu portfólio. Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou mudar lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o número inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas juntamente com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com média constante. Este termo é minimizado fazendo-se o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados da amostra na coluna B. As 10 primeiras observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usados para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7 respectivamente. Previsão 101: Indo para além da previsão automática Parte 3: Melhorando a sua previsão com modelos descendentes Esta parte da Previsão 101 apresenta o terceiro de três artigos sobre como ir Além da previsão automática. O primeiro artigo apresentou uma visão geral das abordagens automáticas de séries temporais, examinando como elas funcionam, os prós e os contras de usá-las e situações nas quais elas não devem ser utilizadas. O segundo artigo descreveu a evolução de um processo de previsão bem-sucedido, observando que ele freqüentemente envolve uma progressão de planilhas ad hoc para abordagens automáticas de séries temporais e, finalmente, para abordagens personalizadas que são aplicadas ao subconjunto dos itens onde agregam valor. O segundo artigo descreveu um desses métodos de previsão avançados, que muitas vezes superam as abordagens automáticas de séries temporais para dados em que acontecimentos especiais como promoções, greves, feriados móveis, etc. ocorreram durante o período histórico de demanda. Neste artigo, vamos olhar para outra abordagem personalizada approachdown-down modelagem. Abordagens de cima para baixo aproximam estrutura que existe em dados agregados de nível superior para melhorar previsões em níveis mais baixos da hierarquia de previsão. O que é uma previsão de cima para baixo A maioria das organizações lida com vários níveis de agregação e requer previsões consistentes em todos os níveis. Por exemplo, uma empresa de bebidas pode precisar de uma previsão para as vendas totais, bem como uma previsão para cada marca, cada segmento de cliente, cada tipo de recipiente e cada SKU. Ao preparar previsões para dados hierárquicos, você deve decidir sobre uma estratégia de reconciliação (ou seja, você deve decidir como aplicar que as previsões são consistentes entre os níveis). Uma abordagem é aplicar métodos de previsão estatística diretamente aos históricos de demanda de nível mais baixo e construir todas as previsões de nível de grupo, somando as previsões de nível inferior, isto é conhecido como uma previsão de baixo para cima. Uma abordagem alternativa é usar métodos de previsão estatística em dados mais agregados e, em seguida, aplicar um esquema de alocação para gerar as previsões de nível inferior, isso é conhecido como uma previsão de cima para baixo. Vamos ilustrar essas abordagens com um exemplo muito simples. A coluna rotulada Model-Based contém a previsão que seria criada aplicando um método de previsão estatística diretamente ao dado conjunto de dados. Assim, no nosso exemplo, se você previu a demanda por 6 pacotes diretamente a previsão seria igual a 70, se você previu a demanda para 12 pacotes diretamente a previsão seria igual a 30 e se você previu a demanda por latas totais a previsão seria igual a 120. Observe que a previsão para Cans não é igual à soma da previsão para 6 pacotes e a previsão para 12 pacotes. Quando os três conjuntos de dados são previstos independentemente usando suas próprias histórias, não há nenhum mecanismo estatístico que os obriga a conciliar e eles são extremamente improváveis de fazê-lo. Às vezes, a previsão baseada em modelos para o grupo pode ser bastante diferente da soma das previsões baseadas em modelos da série de componentes. Observe que na abordagem bottom-up as previsões baseadas em modelos são usadas para os dados de nível de item (6 pacotes e 12 pacotes) ea previsão de nível de grupo (Cans) é calculada como sua soma. Na abordagem de cima para baixo, a previsão baseada em modelo é usada para o nível de grupo e as previsões de nível de item são calculadas ajustando-se proporcionalmente as previsões baseadas em modelos para que somem a previsão de nível de grupo. Uma abordagem alternativa de cima para baixo é não prever os dados de nível de item e apenas desagregar a previsão de nível de grupo, aplicando fatores de proporcionalidade. Este método seria apropriado quando as proporções são constantes e conhecidas (por exemplo, desagregando as vendas de calçados usando um gráfico de tamanhos ou um produto acabado usando uma lista de materiais). Quando as abordagens de cima para baixo melhoram as previsões A decisão de usar uma abordagem de cima para baixo ou de baixo para cima depende muitas vezes de duas questões importantes. 1. As unidades de nível inferior podem exigir modelos estatísticos distintos? Tal seria o caso se as forças de mercado que moldam as vendas no nível inferior forem diferentes. Diferentes mercados, diferentes formas de publicidade e promoção e distribuição diferente favorecem a criação de diferentes previsões baseadas em modelos. Se maçãs e laranjas têm mercados distintos, então você provavelmente fará melhor para prever separadamente. Se não, então há frequentemente uma vantagem distinta a prever para cima para baixo da fruta agregada. Se os dados de nível inferior forem estatisticamente semelhantes, a previsão em um nível de grupo geralmente resultará em uma previsão mais precisa porque: A. um volume maior de dados está disponível. B. há menos ruído (variação aleatória) nos dados agregados que poderiam distorcer a previsão. C. os dados agregados apresentarão frequentemente uma estrutura mais pronunciada, tornando os padrões mais fáceis de reconhecer e prever. 2. Há informações estatísticas suficientes no nível inferior de vendas históricas para construir um modelo baseado apenas nas vendas Muitas organizações que precisam gerar previsões de baixo nível descobrem que nos níveis mais baixos simplesmente não há estrutura suficiente para gerar previsões estatísticas significativas diretamente A partir dos dados de baixo nível. Nesses casos, há pouca escolha senão gerar as previsões de nível mais baixo não com modelos estatísticos, mas sim usando algum tipo de esquema de alocação de cima para baixo. Vamos ilustrar isso com um exemplo. A Figura 1 mostra as vendas mensais de uma marca de xarope para tosse. A Figura 2 mostra as vendas mensais para um SKU específico. A empresa atribui um número de SKU exclusivo para cada combinação de sabor por tamanho de garrafa que produz. Considere os dois gráficos. Observe que no nível da marca, há mais estrutura para os dados. O padrão sazonal é facilmente aparente e há menos ruído. Mais de três anos de história de demanda está disponível no nível da marca, enquanto apenas 10 meses de história existe para o SKU recentemente introduzido. Neste exemplo, a falta de histórico no nível de SKU não permite que você construa um modelo de previsão sazonal diretamente dos dados. Assim, uma vez que o xarope para a tosse é claramente um produto sazonal, uma abordagem ascendente produzirá previsões muito fracas. Por outro lado, uma abordagem top-down permite capturar a estrutura sazonal que existe no nível do grupo e apresentá-la às previsões de nível SKU através dos ajustes de cima para baixo. Resumo A maioria das organizações descobre que o uso de abordagens automatizadas de séries de tempo, como as implementadas no Prowork de Provas, bem para a grande maioria de seus itens e oferece vantagens substanciais sobre a previsão ad hoc com planilhas. Nesta série de artigos, discutimos os prós e contras das abordagens automáticas de séries temporais e também exploramos a modelagem de eventos e a previsão de cima para baixo duas abordagens de previsão alternativas que muitas vezes melhoram a precisão de previsão para o subconjunto de itens onde os modelos de séries temporais automáticos não executam bem. Sobre o autor: Eric Stellwagen é vice-presidente e co-fundador da Business Forecast Systems, Inc. (BFS) e co-autor da linha de produtos de software Forecast Pro. Ele consulta extensamente na área de forecastings práticos do negócio que gastam 20-30 dias um o ano que apresenta oficinas no assunto e aborda freqüentemente grupos profissionais tais como o fórum da gerência da previsão das vendas da universidade de Tennessees, APICS eo instituto para a previsão do negócio. Reconhecido como um perito principal na área, ele trabalhou com várias empresas, incluindo Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning e Verizon. Ele também está atualmente servindo no conselho de administração do Instituto Internacional de Previsores (IIF). Médias de Mudar Uma média móvel é um dos mais flexíveis, bem como mais comumente utilizados indicadores de análise técnica. É altamente popular entre os comerciantes, principalmente por causa de sua simplicidade. Ele funciona melhor em um ambiente de tendências. Introdução Na estatística, uma média móvel é simplesmente uma média de um determinado conjunto de dados. Em caso de análise técnica, estes dados são, na maioria dos casos, representados pelos preços de fechamento das existências para os dias específicos. No entanto, alguns comerciantes também usam médias separadas para mínimos e máximos diários ou até mesmo uma média de valores de ponto médio (que calculam somando o mínimo e máximo diário e dividindo por dois). No entanto, você pode construir uma média móvel também em um período de tempo mais curto, por exemplo, usando dados diários ou de minutos. Por exemplo, se você quiser fazer uma média móvel de 10 dias, basta somar todos os preços de fechamento durante os últimos 10 dias e, em seguida, dividi-los por 10 (neste caso, é uma média móvel simples). No dia seguinte, fazemos o mesmo, exceto que novamente tomamos os preços dos últimos 10 dias, o que significa que o preço que foi o último em nosso cálculo para o dia anterior não está mais incluído na média de hoje - é substituído por yesterdays preço. Os dados mudam desta maneira com cada novo dia de negociação, daí o termo média móvel. A finalidade eo uso de médias móveis na análise técnica média móvel é um indicador de tendência seguinte. Seu objetivo é detectar o início de uma tendência, acompanhar o seu progresso, bem como relatar sua reversão se ocorrer. Ao contrário de gráficos, as médias móveis não antecipam o início ou o fim de uma tendência. Eles só confirmá-lo, mas apenas algum tempo após a reversão real ocorre. Ela decorre de sua própria construção, pois esses indicadores são baseados apenas em dados históricos. Os dias menos uma média móvel contém, quanto mais cedo ele pode detectar uma inversão de tendências. É devido à quantidade de dados históricos, que influencia fortemente a média. Uma média móvel de 20 dias gera o sinal de uma inversão de tendência mais cedo do que a média de 50 dias. No entanto, também é verdade que quanto menos dias usamos na computação em média móvel, mais sinais falsos recebemos. Assim, a maioria dos comerciantes usam uma combinação de várias médias móveis, que todos têm de produzir um sinal simultaneamente, antes de um comerciante abre sua posição no mercado. No entanto, as médias móveis ficam atrás da tendência não pode ser completamente eliminada. Sinais comerciais Qualquer tipo de média móvel pode ser usado para gerar sinais de compra ou venda e este processo é muito simples. O software gráfico traça a média móvel como uma linha diretamente no gráfico de preços. Os sinais são gerados em locais onde os preços cruzam essas linhas. Quando o preço cruza acima da linha média móvel, implica o início de uma nova tendência ascendente e, portanto, significa um sinal de compra. Por outro lado, se o preço atravessa sob a linha de média móvel e o mercado também fecha nesta área, assinala o início de uma tendência descendente e, portanto, constitui um sinal de venda. Usando múltiplas médias Também podemos optar por usar múltiplos movimentos Em simultâneo, a fim de eliminar o ruído nos preços e especialmente os falsos sinais (whipsaws), que o uso de uma única média móvel produz. Quando se utilizam múltiplas médias, ocorre um sinal de compra quando a mais curta das médias cruza acima da média mais longa, e. A média de 50 dias cruza acima da média de 200 dias. Por outro lado, um sinal de venda neste caso é gerado quando a média de 50 dias cruza abaixo da média de 200. Da mesma forma, também podemos utilizar uma combinação de três médias, e. Uma média de 5 dias, 10 dias e 20 dias. Neste caso, uma tendência ascendente é indicada se a linha média de 5 dias estiver acima da média móvel de 10 dias, enquanto a média de 10 dias ainda está acima da média de 20 dias. Qualquer cruzamento de médias móveis que leva a esta situação é considerado um sinal de compra. Inversamente, a tendência descendente é indicada pela situação em que a média da linha de 5 dias é inferior à média de 10 dias, enquanto a média de 10 dias é inferior à média de 20 dias. Utilizar três médias móveis limita simultaneamente a quantidade de falsos Sinais gerados pelo sistema, mas também limita o potencial de lucro, já que tal sistema gera um sinal de negociação somente após a tendência estar firmemente estabelecida no mercado. O sinal de entrada pode ser mesmo gerado apenas um curto período de tempo antes da inversão das tendências. Os intervalos de tempo usados pelos traders para calcular médias móveis são bem diferentes. Por exemplo, os números de Fibonacci são muito populares, como usar médias de 5 dias, 21 dias e 89 dias. Na negociação de futuros, a combinação 4-, 9- e 18 dias é muito popular, também. Prós e contras A razão pela qual as médias móveis foram tão populares é que eles refletem várias regras básicas de negociação. Uso de médias móveis ajuda você a cortar suas perdas, deixando seus lucros funcionar. Ao usar médias móveis para gerar sinais de negociação, você sempre comércio na direção da tendência do mercado, e não contra ele. Além disso, ao contrário da análise de padrões de gráfico ou outras técnicas altamente subjetivas, as médias móveis podem ser usadas para gerar sinais de negociação de acordo com regras claras - eliminando assim a subjetividade das decisões comerciais, o que pode ajudar a psique dos comerciantes. No entanto, uma grande desvantagem de médias móveis é que eles funcionam bem apenas quando o mercado está tendendo. Assim, em períodos de mercados agitados quando os preços flutuam em uma faixa de preço particular que não funcionam em tudo. Esse período pode facilmente durar mais de um terço do tempo, portanto, depender apenas de médias móveis é muito arriscado. Alguns comerciantes por isso recomendam a combinação de médias móveis com um indicador medindo a força de uma tendência, como o ADX ou usar médias móveis apenas como um indicador de confirmação para o seu sistema de comércio. Tipos de médias móveis Os tipos mais utilizados de médias móveis são Média Móvel Simples (SMA) e Média Móvel Ponderada Exponencialmente (EMA, EWMA). Esse tipo de média móvel também é conhecido como média aritmética e representa o tipo mais simples e mais comumente usado de média móvel. Calculamo-lo somando todos os preços de fechamento para um determinado período, que subseqüentemente dividimos pelo número de dias no período. No entanto, dois problemas estão associados a este tipo de média: ele leva em conta apenas os dados incluídos no período selecionado (por exemplo, uma média móvel simples de 10 dias leva em conta apenas os dados dos últimos 10 dias e simplesmente ignora todos os outros dados Antes desse período). Também é freqüentemente criticado por alocar pesos iguais a todos os dados no conjunto de dados (ou seja, em uma média móvel de 10 dias, um preço de 10 dias atrás tem o mesmo peso que o preço de ontem - 10). Muitos comerciantes argumentam que os dados dos últimos dias devem levar mais peso do que os dados mais antigos - o que resultaria na redução das médias atraso por trás da tendência. Esse tipo de média móvel resolve os problemas associados a médias móveis simples. Em primeiro lugar, aloca mais peso em sua computação para dados recentes. Ele também, em certa medida, reflete todos os dados históricos para o instrumento em particular. Esse tipo de média é nomeado de acordo com o fato de que os pesos dos dados para o passado diminuem exponencialmente. A inclinação desta diminuição pode ser ajustada às necessidades do trader. Forecasting 101: Box-Jenkins Forecasting Box-Jenkins (ARIMA) é um método de previsão importante que pode render previsões altamente precisas para certos tipos de dados. Nesta seção de Previsão 101 bem analisar os prós e contras da Box-Jenkins modelagem, fornecer uma visão conceitual de como a técnica funciona e discutir a melhor forma de aplicá-lo aos dados de negócios. Um pouco de História Em 1970, George Box e Gwilym Jenkins popularizaram os modelos ARIMA (Autoregressive Integrated Moving Average) em seu livro seminal, Time Series Analysis: Forecasting and Control 1. Tecnicamente, a técnica de previsão descrita no texto é um modelo ARIMA, Os meteorologistas (incluindo o autor) usam as frases modelos ARIMA e modelos Box-Jenkins intercambiáveis. Os modelos ARIMA geraram inicialmente muita excitação na comunidade acadêmica, devido principalmente a seus pressupostos teóricos, que provaram que, se determinadas premissas fossem cumpridas, os modelos renderiam previsões ótimas. No início, a técnica não gozava de uso generalizado entre a comunidade empresarial. Isto foi principalmente devido ao procedimento difícil, demorado e altamente subjetivo descrito por Box e Jenkins para identificar a forma adequada do modelo para um dado conjunto de dados. Para piorar as coisas, estudos empíricos mostraram que, apesar da superioridade teórica dos modelos ARIMA em relação a outros métodos de previsão, na prática os modelos não superam os outros métodos de séries crônicas rotineiramente. Um estudo empírico particularmente importante descobriu que os modelos de suavização exponencial superaram Box-Jenkins 55 do tempo em uma amostra de 1.001 conjuntos de dados 2. Isso ainda é uma boa demonstração para Box-Jenkins (ele superou a suavização exponencial 45 do tempo), então o Lição aqui, é que, idealmente, seria possível alternar entre diferentes abordagens, conforme apropriado, em vez de tomar uma abordagem de tamanho único. O desafio para um previsor corporativo é determinar que conjuntos de dados são mais adequados para Box-Jenkins e, em seguida, para identificar a forma adequada do modelo. A captura de tela acima mostra a previsão gerada a partir de um modelo ARIMA juntamente com a lógica de seleção de especialistas e os detalhes do modelo. Hoje, pacotes de software como o Forecast Pro usam algoritmos automáticos para decidir quando usar os modelos Box-Jenkins e para identificar automaticamente a forma adequada do modelo. Essas abordagens automáticas têm mostrado que superam os procedimentos de identificação manual e tornaram os modelos Box-Jenkins acessíveis e úteis para a comunidade de previsão de negócios. 3. Embora existam formas multivariadas de modelos ARIMA, a maioria do uso do método é uma técnica de previsão de séries temporais . (Os métodos de séries temporais são técnicas de previsão que baseiam a previsão unicamente no histórico do item que você está previendo.) Como uma técnica de séries temporais, os modelos ARIMA são apropriados quando você pode assumir uma quantidade razoável de continuidade entre o passado eo futuro. Os modelos são mais adequados para previsão de curto prazo 8212say 18 meses ou less8212due a sua suposição de que os padrões e tendências futuras se assemelham padrões atuais e tendências. Esta é uma suposição razoável no curto prazo, mas torna-se mais tênue quanto mais fora você previsão. Box-Jenkins modelos são semelhantes aos modelos de suavização exponencial em que eles são adaptáveis, podem modelar tendências e padrões sazonais, e pode ser automatizado. Eles diferem em que eles são baseados em autocorrelações (padrões no tempo) ao invés de uma visão estrutural de nível, tendência e sazonalidade. Box-Jenkins tende a ter sucesso melhor do que suavização exponencial para conjuntos de dados mais longos e estáveis e não tão bem para dados mais ruidosos e mais voláteis. Os modelos Box-Jenkins são matematicamente complexos. Neste artigo, iremos fornecer uma visão conceitual muito básica de como um modelo ARIMA funciona e introduzir alguma notação associada ao modelo. Se você estiver interessado em aprender mais sobre os modelos Box-Jenkins, eles são abordados em detalhes no Forecast Pro Statistical Reference Manual e em praticamente todos os livros acadêmicos sobre a previsão de séries temporais. Um modelo ARIMA tem 3 componentes, cada um dos quais ajuda a modelar diferentes tipos de padrões. O AR significa auto-regressivo. O I representa integrado. O MA significa média móvel. Cada componente tem uma ordem de modelo associada que indica o tamanho do componente. Geralmente, um modelo não-sazonal de Box-Jenkins é simbolizado como ARIMA (p, d, q) onde p indica o número de termos AR, d indica a ordem de diferenciação e q indica o número de termos MA. Um modelo de Box-Jenkins sazonal é simbolizado como ARIMA (p, d, q) (P, D, Q), onde p, d, q indica as ordens do modelo para os componentes de curto prazo do modelo e P, D, Q indica as ordens do modelo para os componentes sazonais do modelo. Identificar os modelos adequados de Box-Jenkins requer determinar as ordens do modelo. Teoricamente, as ordens do modelo podem assumir valores inteiros na prática, geralmente são 0, 1, 2 ou 3. Isso ainda produz centenas de modelos diferentes para considerar uma das razões pelas quais a identificação manual dos modelos é tão difícil. Box-Jenkins é um método de previsão importante que pode gerar previsões mais precisas do que outros métodos de séries temporais para certos tipos de dados. Como originalmente formulado, a identificação do modelo se baseava em um procedimento difícil, demorado e altamente subjetivo. Hoje, pacotes de software como o Forecast Pro usam algoritmos automáticos para decidir quando usar os modelos Box-Jenkins e para identificar automaticamente a forma adequada do modelo. Essas abordagens automáticas tornaram os modelos Box-Jenkins acessíveis e úteis para a comunidade de previsão de previsão de negócios. 1 G. E. P. Box e G. M. Jenkins 1976 Análise de séries temporais: Previsão e Controle. Revised Edition, São Francisco: Holden Day. 2 S. Makridakis et ai. 1984 A precisão de previsão dos métodos principais da série de tempo. Chichister: Wiley. 3 Um estudo de Spyros Makridakis e um do Statistician americano mostraram ambos o Forecast Pros automático Box-Jenkins procedimento para superar a identificação manual por especialistas humanos. Referem-se à referência anterior de Makridakis e a: Keith Ord e Sam Lowe 1996 Automatic Forecasting, The American Statistician. Sobre o autor: Eric Stellwagen é o co-fundador da Business Forecast Systems, Inc e co-autor da linha de produtos de software Forecast Pro. Ele tem consultado amplamente na área de previsão de negócios práticos e gasta 20-30 dias por ano apresentando oficinas sobre o assunto. Ele trabalhou com muitas empresas líderes, incluindo Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning e Verizon. Ele apresentou seminários e workshops sob a égide de muitos grupos, incluindo o Instituto de Educação Profissional, a Sociedade Americana de Controle de Produção e Inventário, a Universidade de Wisconsin, o Instituto de Previsão de Negócios, o Grupo Mundial de Pesquisa, o Instituto Internacional de Pesquisa, Instituto de Pesquisa de Energia Elétrica, a International Communications Forecasting Association eo Instituto Internacional de Previsões. Atualmente, ele é membro do conselho de diretores do Instituto Internacional de Previsões e do conselho consultivo da Foresight: The International Journal of Applied Forecasting.
No comments:
Post a Comment