Técnica De Média Móvel Dupla

Médicas móveis exponenciais duplas explicadas Os comerciantes confiaram em médias móveis para ajudar a identificar pontos de entrada de negociação de alta probabilidade e saídas lucrativas por muitos anos. Um problema bem conhecido com as médias móveis, no entanto, é o atraso grave que está presente na maioria dos tipos de médias móveis. A média móvel exponencial dupla (DEMA) fornece uma solução calculando uma metodologia de média mais rápida. História do Double Exponential Moving Average Na análise técnica. O termo médio móvel refere-se a uma média de preço para um instrumento comercial específico ao longo de um período de tempo especificado. Por exemplo, uma média móvel de 10 dias calcula o preço médio de um instrumento específico nos últimos dez dias, uma média móvel de 200 dias calcula o preço médio dos últimos 200 dias. Cada dia, o período de look-back avança para basear cálculos no último X número de dias. Uma média móvel aparece como uma linha suave e curva que fornece uma representação visual da tendência de longo prazo de um instrumento. As médias móveis mais rápidas, com períodos de retrocesso mais curtos, são médias móveis mais lisas e mais rápidas, com períodos mais longos, são mais suaves. Porque uma média móvel é um indicador retroativo, está atrasado. A média móvel exponencial dupla (DEMA), mostrada na Figura 1, foi desenvolvida por Patrick Mulloy na tentativa de reduzir o tempo de latência encontrado nas médias móveis tradicionais. Foi introduzido pela primeira vez na Revista Técnica de Análise Técnica de Stocks de fevereiro de 1994, no artigo da Mulloys, Suavizando dados com médias móveis mais rápidas. (Figura 1: Este gráfico de um minuto do contrato de futuros e-mini Russell 2000 mostra duas médias móveis exponenciais diferentes e um período de 55 vezes aparece em azul, Um período de 21 em rosa. Calculando uma DEMA como Mulloy explica em seu artigo original, o DEMA não é apenas uma EMA dupla com o dobro do tempo de atraso de uma única EMA, mas é uma implementação composta de EMAs simples e duplas que produzem outra EMA com menos atraso do que qualquer um dos originais dois. Em outras palavras, o DEMA não é simplesmente dois EMAs combinados, ou uma média móvel de uma média móvel, mas é um cálculo de EMAs simples e duplas. Quase todas as plataformas de análise de negociação possuem o DEMA incluído como um indicador que pode ser adicionado aos gráficos. Portanto, os comerciantes podem usar o DEMA sem conhecer a matemática por trás dos cálculos e sem ter que escrever ou inserir qualquer código. Comparando o DEMA com as médias móveis tradicionais, as médias móveis são um dos métodos mais populares de análise técnica. Muitos comerciantes usam-nos para detectar reversões de tendência. Especialmente em um crossover de média móvel, onde duas médias móveis de diferentes comprimentos são colocadas em um gráfico. Pontos onde as médias móveis cruzam podem significar oportunidades de compra ou venda. O DEMA pode ajudar os comerciantes a reverter mais cedo porque é mais rápido responder às mudanças na atividade do mercado. A Figura 2 mostra um exemplo do contrato de futuros e-mini Russell 2000. Este gráfico de um minuto tem quatro médias móveis aplicadas: 21-período DEMA (rosa) 55-período DEMA (azul escuro) 21-período MA (azul claro) 55-período MA (luz verde) Figura 2: Este gráfico de um minuto de O contrato de futuros e-mini Russell 2000 ilustra o tempo de resposta mais rápido do DEMA quando usado em um crossover. Observe como o crossover DEMA em ambos os casos aparece significativamente mais cedo do que os cruzamentos do MA. O primeiro cronômetro DEMA aparece às 12:29 e o próximo bar abre a um preço de 663,20. O cruzamento de MA, por outro lado, se forma às 12:34 e o próximo preço de abertura de barras é de 660,50. No próximo conjunto de crossovers, o cronômetro DEMA aparece às 1:33 e a próxima barra abre em 658. O MA, em contraste, forma às 1:43, com a próxima barra abrindo em 662.90. Em cada caso, o cronômetro DEMA fornece uma vantagem em entrar na tendência anterior ao cruzamento do MA. (Para mais informações, leia o Tutorial de Moedas em Movimento.) Negociação com um DEMA Os exemplos de cruzamento de média móvel acima ilustram a eficácia de usar a média móvel exponencial mais rápida e rápida. Além de usar o DEMA como um indicador autônomo ou em uma configuração crossover, o DEMA pode ser usado em uma variedade de indicadores, onde a lógica é baseada em uma média móvel. Ferramentas de análise técnica, como Bollinger Bands. A movimentação média média convergente (MACD) e a média móvel exponencial tripla (TRIX) são baseadas em tipos de média móvel e podem ser modificadas para incorporar uma DEMA em lugar de outros tipos mais tradicionais de médias móveis. Substituir o DEMA pode ajudar os comerciantes a detectar diferentes oportunidades de compra e venda que estão à frente daqueles fornecidos pelas MAs ou EMAs tradicionalmente utilizados nesses indicadores. Obviamente, entrar em uma tendência mais cedo e não mais tarde geralmente leva a maiores lucros. A Figura 2 ilustra esse princípio - se usássemos os crossovers como sinais de compra e venda. Nós inserimos os negócios significativamente mais cedo quando usamos o crossover DEMA em oposição ao cruzamento de MA. Bottom Line Traders e investidores usaram há muito tempo médias móveis em suas análises de mercado. As médias móveis são uma ferramenta de análise técnica amplamente utilizada que fornece um meio de visualizar e interpretar rapidamente a tendência a longo prazo de um determinado instrumento de negociação. Como as médias móveis pela própria natureza são indicadores de atraso. É útil ajustar a média móvel para calcular um indicador mais rápido e mais responsivo. A média móvel exponencial dupla fornece aos comerciantes e investidores uma visão da tendência a longo prazo, com a vantagem de ser uma média móvel mais rápida com menos tempo de atraso. (Para leitura relacionada, dê uma olhada no Combo de MACD em Movimento Médio e em Vendas de Expansão Simples). Se você vir essa mensagem, seu navegador desativou ou não aceita JavaScript. Para usar os recursos completos deste sistema de ajuda, como pesquisa e índice, seu navegador deve ter o suporte JavaScript habilitado. Se o seu navegador suportar JavaScript, ele fornece configurações que habilitam ou desabilitam o JavaScript. Quando o JavaScript está desativado, você pode visualizar apenas o conteúdo do tópico de ajuda, que segue esta mensagem. Métodos clássicos de previsão não estacional Métodos não-sazonais tentam prever removendo mudanças extremas em dados passados ​​onde os ciclos repetidos de valores de dados não estão presentes. Estão disponíveis os seguintes métodos clássicos de previsão não sazonal: Média móvel única (SMA) Suaviza os dados históricos com a média dos últimos vários períodos e projetando o último valor médio em frente. Predictor pode calcular automaticamente o número ótimo de períodos para a média, ou você pode selecionar o número de períodos em média. Este método é o melhor para dados voláteis sem tendência ou sazonalidade. Isso resulta em uma previsão direta e plana. Figura 64. Média média móvel típica, ajuste e linha de previsão Média de deslocamento duplo (DMA) Aplica a técnica da média móvel duas vezes, uma vez para os dados originais e, em seguida, para os dados médios móveis únicos resultantes. Esse método usa ambos os conjuntos de dados suavizados para avançar. Predictor pode calcular automaticamente o número ótimo de períodos para a média, ou você pode selecionar o número de períodos em média. Este método é o melhor para dados históricos com uma tendência, mas sem sazonalidade. Isso resulta em uma previsão direta e em declive. Figura 65. Dados típicos de baixa movimentação típica, ajuste e linha de previsão Suavização exponencial simples (SES) Pesa todos os dados passados ​​com pesos exponencialmente decrescentes indo para o passado. Em outras palavras, geralmente os dados mais recentes têm maior peso. A ponderação desta forma supera em grande parte as limitações das médias móveis ou dos métodos de mudança percentual. Predictor pode calcular automaticamente a constante de suavização ideal, ou você pode definir manualmente a constante de suavização. Este método, que resulta em uma previsão direta, de linha plana é o melhor para dados voláteis sem tendência ou sazonalidade. Figura 66. Límite Exponencial Único Típico, Ajuste e Linha de Previsão Suavização Exponencial Dupla (DES) Aplica SES duas vezes, uma vez aos dados originais e depois aos dados SES resultantes. Predictor usa o método Holt8217s para suavização exponencial dupla, que pode usar um parâmetro diferente para a segunda aplicação da equação SES. Predictor pode calcular automaticamente as constantes de suavização ótimas, ou você pode definir manualmente as constantes de suavização. Este método é o melhor para dados com uma tendência, mas sem sazonalidade. Isso resulta em uma previsão direta e em declive. Figura 67. Dados típicos de suavização exponencial, ajuste e linha de previsão Clássica Parâmetros do método de previsão não-sazonal Os métodos não-sazonais clássicos usam vários parâmetros de previsão. Para os métodos de média móvel, as fórmulas usam um parâmetro, período. Ao executar uma média móvel, o Predictor calcula a média em vários períodos. Para uma média móvel única, o número de períodos pode ser qualquer número inteiro entre 1 e metade do número de pontos de dados. Para a média móvel dupla, o número de períodos pode ser qualquer número inteiro entre 2 e um terço do número de pontos de dados. O único alisamento exponencial tem um parâmetro: alfa. Alpha (a) é a constante de suavização. O valor de alfa pode ser qualquer número entre 0 e 1, não inclusivo. O suavização exponencial dupla tem dois parâmetros: alfa e beta. Alpha é a mesma constante de suavização conforme descrito acima para o alisamento exponencial único. Beta (b) também é uma constante de suavização exatamente como alfa, exceto que é usado durante o segundo alisamento. O valor de beta pode ser qualquer número entre 0 e 1, não inclusivo. Forecasting by Smoothing Techniques Este site faz parte dos objetos de aprendizado do JavaScript E-E para a tomada de decisões. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicações na seção MENU nesta página. Uma série temporal é uma sequência de observações que são ordenadas a tempo. Inerente à coleta de dados obtidos 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 o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos e o comportamento dos resíduos, modelagem de previsão de condições. Médias móveis: as médias médias 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 as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Triple Exponential Suavização é melhor no manuseio de tendências da parábola. Uma média móvel ponderada exponencialmente 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 ponderada exponencialmente 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 ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holst Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual como a atual tendência. Observe que a média móvel simples é um caso especial do alisamento exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0.40 geralmente é efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário traçar (usando, por exemplo, Excel), no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as previsões passadas por Smoothing Techniques JavaScript para obter os valores de previsão passados ​​com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance, ele define o nível para a última observação e baseia-se na condição de que não há nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. Holder linear exponencial suavização capta informações sobre a tendência recente. Os parâmetros no modelo 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 direção da tendência recente for suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão de duas etapas. Simplesmente adicione o valor previsto para o final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões necessárias a curto prazo.