Exponencialmente Móvil Ponderado Ejemplo Media

Explorando La ponderado exponencialmente en movimiento volatilidad media es la medida más común de riesgo, pero viene en varios sabores. En un artículo anterior, mostramos cómo calcular la volatilidad histórica sencilla. (Para leer este artículo, consulte Uso de volatilidad para medir el riesgo futuro.) Se utilizó datos reales Googles precio de las acciones con el fin de calcular la volatilidad diaria en relación a los 30 días de datos de saldos. En este artículo, vamos a mejorar en la volatilidad simple y discutir el promedio móvil ponderado exponencialmente (EWMA). Vs. histórica La volatilidad implícita En primer lugar, permite poner esta métrica en un poco de perspectiva. Existen dos grandes enfoques: histórico e implícitas (o implícitos) de volatilidad. El enfoque histórico asume que el pasado es prólogo medimos la historia con la esperanza de que es predictivo. La volatilidad implícita, por el contrario, ignora la historia se resuelve por la volatilidad implícita en los precios de mercado. Se espera que el mercado sabe mejor y que el precio de mercado contiene, aunque implícitamente, una estimación de consenso de la volatilidad. (Para leer relacionados, consulte los usos y límites de volatilidad.) Si nos centramos únicamente en los tres enfoques históricos (arriba a la izquierda), tienen dos pasos en común: Calcular la serie de declaraciones periódicas Aplicar un sistema de ponderación En primer lugar, calcular el retorno periódico. Eso es por lo general una serie de retornos diarios en cada declaración se expresa en términos continuamente compuestas. Para cada día, se toma el logaritmo natural de la relación de precios de las acciones (es decir, el precio actual dividido por el precio de ayer, y así sucesivamente). Esto produce una serie de retornos diarios, desde u i de u i-m. dependiendo del número de días (días m) estamos midiendo. Eso nos lleva a la segunda etapa: Aquí es donde los tres enfoques diferentes. En el artículo anterior (Uso de Volatilidad Para medir el riesgo futuro), puso de manifiesto que, en un par de simplificaciones aceptables, la varianza simple es el promedio de los rendimientos al cuadrado: Observe que esto resume cada una de las declaraciones periódicas, a continuación, divide el total por el número de días u observaciones (m). Por lo tanto, es realmente sólo un promedio de los cuadrados de las declaraciones periódicas. Dicho de otra manera, cada retorno al cuadrado se le da un peso igual. Así que si alfa (a) es un factor de ponderación (en concreto, un 1 / m), a continuación, una variación sencilla es como la siguiente: El EWMA Mejora de varianza simple La debilidad de este enfoque es que todas las devoluciones ganan el mismo peso. Ayer (muy reciente) de retorno no tiene más influencia en la variación de la última declaración de meses. Este problema se resuelve mediante el uso de la media ponderada exponencialmente en movimiento (EWMA), en la que los rendimientos más recientes tienen mayor peso en la varianza. El promedio móvil ponderado exponencialmente (EWMA) introduce lambda. que se llama el parámetro de suavizado. Lambda debe ser menor que uno. Bajo esa condición, en lugar de pesos iguales, cada retorno al cuadrado es ponderado por un coeficiente multiplicador de la siguiente manera: Por ejemplo, RiskMetrics TM, una empresa de gestión del riesgo financiero, tiende a utilizar una lambda de 0,94 o 94. En este caso, la primera ( más reciente) al cuadrado retorno periódico se pondera por (1-0,94) (. 94) 0 6. el siguiente volver al cuadrado es simplemente un lambda-múltiplo del peso antes en este caso 6 multiplicado por 94 5.64. Y la tercera es igual peso días anteriores (1-0.94) (0,94) 2 5,30. Eso es el significado de exponencial de EWMA: cada peso es un multiplicador constante (es decir lambda, que debe ser menor que uno) del peso día anterior. Esto asegura una variación que se pondera o sesgada hacia los datos más recientes. (Para obtener más información, echa un vistazo a la hoja de cálculo Excel para Googles volatilidad.) La diferencia entre la volatilidad y simplemente EWMA para Google se muestra a continuación. volatilidad simple pesa efectivamente todos y cada declaración periódica por 0.196 como se muestra en la Columna O (que tenía dos años de datos diarios de precios de acciones. Eso es 509 retornos diarios y 1/509 0,196). Sin embargo, observe que la columna P asigna un peso de 6, a continuación, 5,64, a continuación, 5.3 y así sucesivamente. Esa es la única diferencia entre la varianza simple y EWMA. Recuerde: Después sumamos toda la serie (en la columna Q) tenemos la varianza, que es el cuadrado de la desviación estándar. Si queremos que la volatilidad, tenemos que recordar tomar la raíz cuadrada de la varianza que. ¿Cuál es la diferencia en la volatilidad diaria entre la varianza y EWMA en el caso de Googles Su significativa: La varianza simple nos dio una volatilidad diaria de 2,4 pero el EWMA dio una volatilidad diaria de sólo el 1,4 (véase la hoja de cálculo para más detalles). Al parecer, la volatilidad de Googles se estableció más recientemente, por lo tanto, una variación simple podría ser artificialmente alta. Varianza del día de hoy es una función de la varianza pior Días Youll aviso que necesitamos para calcular una larga serie de pesos que disminuye exponencialmente. No vamos a hacer los cálculos aquí, pero una de las mejores características de la EWMA es que toda la serie reduce convenientemente a una fórmula recursiva: recursivo significa que las referencias de la varianza de hoy (es decir, es una función de la varianza días antes). Usted puede encontrar esta fórmula en la hoja de cálculo también, y se produce exactamente el mismo resultado que el cálculo longhand Dice: varianza de hoy (bajo EWMA) es igual a la varianza de ayer (ponderado por lambda) más la rentabilidad de ayer al cuadrado (ponderado por One Lambda menos). Nótese cómo estamos simplemente añadiendo dos términos juntos: ayeres varianza ponderada y ayer ponderados, al cuadrado de retorno. Aun así, lambda es nuestro parámetro de suavizado. Un lambda superior (por ejemplo, como RiskMetrics 94) indica descomposición más lenta en la serie - en términos relativos, vamos a tener más puntos de datos en la serie y que vamos a caer más lentamente. Por otro lado, si reducimos el lambda, indicamos decaimiento superior: los pesos se caen más rápidamente y, como resultado directo de la rápida desintegración, se utilizan menos puntos de datos. (En la hoja de cálculo, lambda es una entrada, por lo que puede experimentar con su sensibilidad). Resumen La volatilidad es la desviación estándar instantáneo de una acción y la métrica de riesgo más común. También es la raíz cuadrada de la varianza. Podemos medir la variación histórica o implícita (volatilidad implícita). Cuando se mide históricamente, el método más fácil es la varianza simple. Pero la debilidad con varianza simple es todas las devoluciones reciben el mismo peso. Así que nos enfrentamos a un clásico disyuntiva: siempre queremos más datos, pero cuantos más datos tenemos más nuestro cálculo se diluye por los datos distantes (menos relevantes). El promedio móvil ponderado exponencialmente (EWMA) mejora de varianza simple mediante la asignación de pesos a las declaraciones periódicas. Al hacer esto, podemos utilizar tanto una muestra de gran tamaño, sino también dar un mayor peso a los rendimientos más recientes. (Para ver un tutorial película sobre este tema, visite la tortuga biónica.) Tabuladas Medias Móviles: Los fundamentos largo de los años, los técnicos han encontrado dos problemas con la media móvil simple. El primer problema radica en el marco de tiempo de la media móvil (MA). La mayoría de los analistas técnicos creen que la acción del precio. la apertura o el cierre de la bolsa, no es suficiente por lo que depender para predecir correctamente las señales de compra o venta de la acción de cruce Mas. Para resolver este problema, ahora los analistas asignan más peso a los datos de los precios más recientes mediante el uso de la media móvil exponencial suavizada (EMA). (Más información en la exploración del Exponencial Ponderado de media móvil.) Ejemplo Por ejemplo, el uso de un MA de 10 días, un analista tomaría el precio de cierre del día 10 y se multiplica este número por 10, el noveno día a las nueve, el octavo día a las ocho y así sucesivamente hasta el primero de la MA. Una vez se ha determinado el total, el analista entonces sería dividir el número de la adición de los multiplicadores. Si agrega los multiplicadores del ejemplo MA de 10 días, el número es de 55. Este indicador se conoce como el promedio móvil ponderado linealmente. (Para leer relacionados, echa un vistazo a medias móviles simples hacen Tendencias destacan.) Muchos técnicos son firmes creyentes en el Promedio Móvil Suavizado exponencial (EMA). Este indicador ha sido explicado de muchas maneras diferentes que confunde a los estudiantes y los inversores. Tal vez la mejor explicación proviene de J. Murphy Análisis Técnico Juan de los mercados financieros, (publicado por el Instituto de Nueva York de Hacienda, 1999): El exponencialmente suavizada mover las direcciones de ambas medias de los problemas asociados con la media móvil simple. En primer lugar, el promedio suavizado exponencial asigna un mayor peso a los datos más recientes. Por lo tanto, se trata de una media móvil ponderada. Sin embargo, mientras que asigna menos importancia a los datos de precios en el pasado, sí incluye en su cálculo todos los datos de la vida del instrumento. Además, el usuario es capaz de ajustar la ponderación para dar mayor o menor peso a la más reciente precio día, que se añade a un porcentaje de la anterior valor días. La suma de ambos valores porcentuales se suma a 100. Por ejemplo, el último precio de días se podría asignar un peso de 10 (0,10), que se añade a los días anteriores peso de 90 (.90). Esto le da al último día 10 de la ponderación total. Este sería el equivalente a una media de 20 días, dando el último precio día un valor menor de 5 (0,05). Figura 1: Promedio Móvil Suavizado Exponencial La anterior tabla muestra el índice compuesto Nasdaq desde la primera semana en agosto de 2000 y el 1 de junio de 2001. Como se puede ver claramente, la EMA, que en este caso está utilizando los datos de los precios de cierre a través de una período de nueve días, ha señales de venta definitivos para los días 8 de septiembre (marcado por un negro flecha hacia abajo). Este fue el día en que el índice cayó por debajo del nivel de 4000. La segunda flecha negro muestra otra pierna hacia abajo que los técnicos estaban realmente esperando. El Nasdaq no podía generar suficiente volumen y el interés de los inversores minoristas para romper la marca de 3.000. A continuación, se sumergió de nuevo a tocar fondo en 1.619,58 en Apr. 4. La tendencia alcista de Apr. 12 está marcada por una flecha. Aquí el índice cerró en 1,961.46, y los técnicos comenzó a ver los gestores de fondos institucionales que empiezan a recoger algunas gangas como Cisco, Microsoft y algunos de los temas relacionados con la energía. (Lea nuestros artículos relacionados: Moving Sobres: Promedio. Refinando una popular herramienta de negociación y en movimiento de rebote Normal) 7.3.7 ponderada exponencial de media móvil (EWMA) 7.3.7 ponderada exponencialmente media móvil Para conciliar las suposiciones de manera uniforme ponderada media móvil (UWMA) estimación con las realidades de la heteroscedasticidad mercado, que podría aplicarse estimador de 7,10 a sólo el más reciente tq datos históricos. que debería ser más un reflejo de las condiciones actuales del mercado. Si lo hace, es contraproducente, ya que la aplicación de estimador de 7,10 a una pequeña cantidad de datos aumentará su error estándar. En consecuencia, UWMA implica un dilema: su aplicación a una gran cantidad de datos es mala, pero también lo es su aplicación a un poco de datos. Esto motivó Zangari (1994) para proponer una modificación de UWMA llamado ponderado exponencialmente estimation.2 media (EWMA) que se mueve Esto se aplica una ponderación no uniforme a los datos de series de tiempo, por lo que una gran cantidad de datos se puede utilizar, pero los datos recientes se pondera más fuertemente . Como su nombre indica, los pesos se basan en la función exponencial. la estimación promedio móvil ponderado exponencialmente reemplaza estimador de 7,10 con factor de decaimiento, donde generalmente se le asigna un valor entre 0,95 y 0,99. factores de desintegración inferiores tienden a ponderar los datos más recientes. Tenga en cuenta que la estimación promedio móvil ponderado exponencialmente es ampliamente utilizado, pero es una modesta mejora con respecto a UWMA. No intenta modelar mercado de heterocedasticidad condicional más de lo que lo hace UWMA. Su esquema de ponderación reemplaza el dilema de la cantidad de datos para su uso con un dilema similar a la agresividad con un factor de disminución de su uso. Consideremos de nuevo Exponer 7,6 y nuestro ejemplo de la posición de USD 10 MM es SGD. Permite estimar 10 1 utilizando exponencialmente móvil ponderado promedio de 7.20 estimador. Si utilizamos 0.99, se obtiene una estimación de 10 1 de 0,0054. Si utilizamos 0.95, se obtiene una estimación de 0,0067. Estos corresponden a la posición de los resultados del valor en riesgo de USD 89.000 y USD 110.000, respectivamente. Ejercicios Anexo 7.7 indica los 30 días de datos de 1 mes CHF Libor. Exhibición 7.7: Los datos de 1 mes CHF Libor. Las tarifas se expresan en porcentajes. Fuente: British Bankers Association (BBA).Moving modelos de promedio y suavizado exponencial Como un primer paso para ir más allá de los modelos de medias, modelos de paseo aleatorio, y los modelos lineales de tendencia, patrones y tendencias no estacionales se puede extrapolar el uso de un modelo de media móvil o alisado. El supuesto básico detrás de promediado y modelos de suavizado es que la serie de tiempo es estacionaria localmente con una media de variación lenta. Por lo tanto, tomamos una media móvil (local) para estimar el valor actual de la media y luego usar eso como el pronóstico para el futuro próximo. Esto puede ser considerado como un compromiso entre el modelo de la media y la deriva en el modelo del paseo aleatorio, sin. La misma estrategia se puede utilizar para estimar y extrapolar una tendencia local. Un promedio móvil a menudo se llama una versión quotsmoothedquot de la serie original porque los promedios de corto plazo tiene el efecto de suavizar los baches en la serie original. Al ajustar el grado de suavizado (el ancho de la media móvil), que podemos esperar para golpear algún tipo de equilibrio óptimo entre el rendimiento de los modelos de medias y caminar al azar. El tipo más simple de promedio de modelos es el. Sencilla (igualmente ponderados) Media Móvil: El pronóstico para el valor de Y en el tiempo t1 que se hace en el tiempo t es igual a la media aritmética de las observaciones más recientes M: (Aquí y en otros lugares que va a utilizar el símbolo 8220Y-hat8221 reposar para obtener la previsión de las series temporales Y hecha en la fecha previa temprano posible de un modelo dado.) Este promedio se centra en el periodo t (m1) / 2, lo que implica que la estimación de la media local tenderá a la zaga del verdadero valor de la media local por cerca de (m1) / 2 períodos. Por lo tanto, decimos que la edad promedio de los datos de la media móvil simple (m1) / 2 con respecto al período para el que se calcula el pronóstico: esta es la cantidad de tiempo en que las previsiones tienden a la zaga de los puntos de inflexión en el datos. Por ejemplo, si son un promedio de los últimos 5 valores, las previsiones será de unos 3 periodos 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 paseo aleatorio (sin crecimiento). Si m es muy grande (comparable a la longitud del período de estimación), el modelo de SMA es equivalente al modelo de la media. Como con cualquier parámetro de un modelo de predicción, es costumbre para ajustar el valor de k con el fin de obtener el mejor quotfitquot a los datos, es decir, los errores de pronóstico más pequeños en promedio. Aquí está un ejemplo de una serie que parece mostrar fluctuaciones aleatorias alrededor de una media que varía lentamente. En primer lugar, permite tratar de encajar con un modelo de paseo aleatorio, lo que equivale a una media móvil simple de 1 plazo: El modelo de paseo aleatorio responde muy rápidamente a los cambios en la serie, pero al hacerlo se recoge gran parte de la quotnoisequot en el datos (las fluctuaciones aleatorias), así como la quotsignalquot (la media local). Si en lugar de probar una media móvil simple de 5 términos, obtenemos una puesta a punto más suave en busca de los pronósticos: El 5 plazo promedio móvil simple rendimientos significativamente más pequeños que los errores del modelo de paseo aleatorio en este caso. La edad promedio de los datos de esta previsión es de 3 ((51) / 2), de modo que tiende a la zaga de los puntos de inflexión en aproximadamente tres períodos. (Por ejemplo, una recesión parece haber ocurrido en el período de 21 años, pero las previsiones no dar la vuelta hasta varios períodos más tarde.) Tenga en cuenta que las previsiones a largo plazo del modelo de SMA son una línea recta horizontal, al igual que en el paseo aleatorio modelo. Por lo tanto, el modelo de SMA asume que no hay una tendencia en los datos. Sin embargo, mientras que las previsiones del modelo de paseo aleatorio son simplemente igual al último valor observado, las predicciones del modelo de SMA son iguales a una media ponderada de los valores recientes. Los límites de confianza calculados por Statgraphics para las previsiones a largo plazo de la media móvil simple no se ensanchan a medida que aumenta la previsión horizonte. Esto obviamente no es correcta Desafortunadamente, no existe una teoría estadística subyacente que nos dice cómo los intervalos de confianza debe ampliar para este modelo. Sin embargo, no es demasiado difícil de calcular estimaciones empíricas de los límites de confianza para los pronósticos a más largo horizonte. Por ejemplo, podría configurar una hoja de cálculo en la que el modelo de SMA sería utilizado para pronosticar 2 pasos por delante, 3 pasos por delante, etc., dentro de la muestra de datos históricos. A continuación, podría calcular las desviaciones estándar de la muestra de los errores en cada horizonte de pronóstico, y luego construir intervalos de confianza para los pronósticos a más largo plazo sumando y restando múltiplos de la desviación estándar correspondiente. Si tratamos una media móvil simple de 9 plazo, obtenemos previsiones aún más suaves y más de un efecto rezagado: La edad media es ahora de 5 puntos ((91) / 2). Si tomamos una media móvil de 19 plazo, el promedio de edad aumenta a 10: Tenga en cuenta que, de hecho, las previsiones están quedando atrás los puntos de inflexión en alrededor de 10 periodos. ¿Qué cantidad de suavizado que es mejor para esta serie Aquí se presenta una tabla que compara sus estadísticas de errores, incluyendo también una 3-plazo promedio: Modelo C, la media móvil de 5 plazo, se obtiene el valor más bajo de RMSE por un pequeño margen sobre el 3 - term y 9 plazo promedios, y sus otras estadísticas son casi idénticos. Así, entre los modelos con las estadísticas de errores muy similares, podemos elegir si preferimos un poco más la capacidad de respuesta o un poco más de suavidad en los pronósticos. (Volver al comienzo de la página.) Browns suavizado exponencial simple (promedio móvil ponderado exponencialmente) El modelo de media móvil simple descrito anteriormente tiene la propiedad indeseable que trata los últimos k observaciones por igual y completamente ignora todas las observaciones precedentes. Intuitivamente, los datos del pasado deben ser descontados de forma más gradual - por ejemplo, la observación más reciente debería ser un poco más de peso que 2 más reciente, y el segundo más reciente debería ser un poco más peso que la 3 más reciente, y pronto. El modelo de suavizamiento exponencial simple (SES) logra esto. Vamos a 945 denotan un constantquot quotsmoothing (un número entre 0 y 1). Una forma de escribir el modelo es definir una serie L que representa el nivel actual (es decir, valor medio local) de la serie como se estima a partir de datos hasta el presente. El valor de L en el tiempo t se calcula de forma recursiva a partir de su propio valor anterior así: Por lo tanto, el valor suavizado actual es una interpolación entre el valor suavizado anterior y la observación actual, donde los 945 controles de la proximidad entre el valor interpolado a la más reciente observación. La previsión para el próximo período es simplemente el valor suavizado actual: De manera equivalente, podemos expresar el pronóstico siguiente directamente en función de las previsiones anteriores y observaciones anteriores, en cualquiera de las siguientes versiones equivalentes. En la primera versión, la previsión es una interpolación entre pronóstico anterior y observación anterior: En la segunda versión, el siguiente pronóstico se obtiene mediante el ajuste de la previsión anterior en la dirección del error anterior por una cantidad fraccionaria 945. está el error cometido en el tiempo t. En la tercera versión, el pronóstico es un ponderado exponencialmente (es decir, descontado) de media móvil con el factor de descuento 1- 945: La versión de interpolación de la fórmula de predicción es el más simple de usar si está implementando el modelo en una hoja de cálculo: se ajusta en una sola célula y contiene referencias a celdas que apuntan a la previsión anterior, la observación anterior, y la célula donde se almacena el valor de 945. Tenga en cuenta que si 945 1, el modelo SES es equivalente a un modelo de paseo aleatorio (sin crecimiento). Si 945 0, el modelo SES es equivalente al modelo de la media, suponiendo que el primer valor de suavizado se establece igual a la media. (Volver al comienzo de la página.) La edad promedio de los datos en el pronóstico a simple alisado exponencial es 1/945 con respecto al período para el que se calcula el pronóstico. (Esto no se supone que es obvio, pero se puede demostrar fácilmente mediante la evaluación de una serie infinita.) Por lo tanto, el simple previsión de media móvil tiende a la zaga de los puntos de inflexión en alrededor de 1/945 períodos. Por ejemplo, cuando 945 0.5 el retraso es de 2 945 periodos en los que el retraso es 0,2 5 0,1 945 periodos en los que el retraso es de 10 períodos, y así sucesivamente. Para una edad media determinada (es decir, cantidad de lag), el suavizamiento exponencial simple (SES) Pronóstico es algo superior a la previsión media móvil simple (SMA) porque pone relativamente más peso en la más reciente --i. e observación. es ligeramente más quotresponsivequot a los cambios que ocurren en el pasado reciente. Por ejemplo, un modelo de SMA con 9 términos y un modelo de SES con 945 0.2 ambos tienen una edad promedio de 5 para los datos en sus previsiones, pero el modelo SES pone más peso en los últimos 3 valores que lo hace el modelo de SMA y en el mismo tiempo doesn8217t totalmente 8220forget8221 sobre los valores de más de 9 períodos de edad, como se muestra en esta tabla: 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 puede fácilmente optimizada mediante el uso de un algoritmo de quotsolverquot para minimizar el error cuadrático medio. El valor óptimo de 945 en el modelo SES para 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 periodos, que es similar a la de un móvil simple 6 plazo promedio. Las previsiones a largo plazo del modelo de SES son una línea recta horizontal. como en el modelo de SMA y el modelo de paseo aleatorio sin crecimiento. Sin embargo, tenga en cuenta que los intervalos de confianza calculados por Statgraphics ahora divergen de un modo de aspecto razonable, y que son sustancialmente más estrecha que los intervalos de confianza para el modelo de paseo aleatorio. El modelo SES asume que la serie es un poco predictablequot quotmore que lo hace el modelo de paseo aleatorio. 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 buena base 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 MA (1) plazo, y sin término constante. también conocido como un modelo quotARIMA (0,1,1) sin constantquot. El MA (1) coeficiente en el modelo ARIMA corresponde a la cantidad 1- 945 en el modelo de SES. Por ejemplo, si encaja en un modelo ARIMA (0,1,1) sin el temor constante a la serie analizada aquí, el MA estimado (1) coeficiente resulta ser 0.7029, que es casi exactamente uno menos 0,2961. Es posible añadir el supuesto de un no-cero tendencia constante lineal a un modelo de SES. Para ello, sólo tiene que especificar un modelo ARIMA con una diferencia no estacional y un (1) término MA 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 promedio observado durante todo el período de estimación. No se puede hacer esto en conjunto con ajuste estacional, ya que las opciones de ajuste estacional se desactivan cuando el tipo de modelo se establece en ARIMA. Sin embargo, se puede añadir una tendencia exponencial constante a largo plazo a un simple modelo de suavizado exponencial (con o sin ajuste estacional) mediante el uso de la opción de ajuste de la inflación en el procedimiento de pronóstico. La tasa de quotinflationquot apropiado (porcentaje de crecimiento) por período se puede calcular como el coeficiente de la pendiente en un modelo de tendencia lineal ajustada a los datos en conjunción con una transformación logaritmo natural, o puede basarse en otra información, independiente sobre las perspectivas de crecimiento a largo plazo . (Volver a la parte superior de la página.) Browns lineales (es decir, dobles) modelos de suavizado exponencial de la media móvil y modelos SES asumen que no hay una tendencia de cualquier tipo en los datos (que es por lo general OK o al menos no muy malo para 1- previsiones paso por delante cuando los datos son relativamente ruidoso), y que pueden ser modificados para incorporar una tendencia lineal constante como se muestra arriba. ¿Qué hay de tendencias a corto plazo Si una serie muestra una tasa variable de crecimiento o un patrón cíclico que se destaca claramente contra el ruido, y si hay una necesidad de pronosticar más de 1 periodo por delante, a continuación, la estimación de una tendencia local también puede ser un problema. El modelo simple de suavizado exponencial se puede generalizar para obtener un modelo lineal de suavizado exponencial (LES) que calcula las estimaciones locales de tanto nivel y la tendencia. El modelo de tendencia variable en el tiempo más simple es Browns lineales exponencial modelo de suavizado, que utiliza dos series diferentes alisado que se centran en diferentes puntos en el 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 de Brown8217s lineal modelo de suavizado exponencial, al igual que la del modelo simple de suavizado exponencial, se puede expresar en un número de formas diferentes pero equivalentes. La forma quotstandardquot de este modelo se suele expresar como sigue: Sea S la serie suavizada por enlaces sencillos, obtenido mediante la aplicación de suavizado exponencial simple de la serie Y. Es decir, el valor de S en el período t viene dada por: (Hay que recordar que, en virtud de simples suavizado exponencial, esto sería el pronóstico para Y en el periodo t1), entonces Squot denotan la serie suavizada doblemente obtenido mediante la aplicación de suavizado exponencial simple (utilizando la misma 945) de la serie S:. por último, el pronóstico para tk Y. para cualquier kgt1, viene dada por: Esto produce e 1 0 (es decir, engañar un poco, y dejar que el primer pronóstico es igual a la primera observación real), y e 2 Y2 Y1 8211. después de lo cual las previsiones se generan utilizando la ecuación anterior. Esto produce los mismos valores ajustados según la fórmula basada en S y S si éstas se puso en marcha el uso de S 1 S 1 Y 1. Esta versión del modelo se utiliza en la siguiente página que ilustra una combinación de suavizado exponencial con ajuste estacional. modelo Holt8217s lineal de suavizado exponencial Brown8217s LES calcula estimaciones locales de nivel y la tendencia al suavizar los datos recientes, pero el hecho de que lo hace con un único parámetro de suavizado un factor limitante para los patrones de datos que es capaz de encajar: el nivel y la tendencia no se les permite variar a frecuencias independientes. modelo Holt8217s LES resuelve este problema mediante la inclusión de dos constantes de suavizado, una para el nivel y uno para la tendencia. En cualquier momento t, como en el modelo Brown8217s, el no es una estimación L t del nivel local y una estimación T t de la tendencia local. Aquí se computan de forma recursiva a partir del valor de Y observó en el tiempo t, y las estimaciones anteriores del nivel y la tendencia por dos ecuaciones que se aplican suavizado exponencial a ellos por separado. Si el nivel estimado y la tendencia en el tiempo t-1 son L y T t82091 t-1. respectivamente, entonces el pronóstico para Y tshy que se habrían hecho en el momento t-1 es igual a L-1 t t t-1. Cuando se observa el valor real, la estimación actualizada del nivel se calcula de forma recursiva mediante la interpolación entre Y tshy y su pronóstico, L-1 t t t-1, usando pesos de 945 y 945. 1- El cambio en el nivel estimado, es decir, L t L 8209 t82091. puede interpretarse como una medición de ruido de la tendencia en el tiempo t. La estimación actualizada de la tendencia se calcula entonces de forma recursiva mediante la interpolación entre L T 8209 L t82091 y la estimación anterior de la tendencia, T t-1. usando pesos de 946 y 1-946: La interpretación de la tendencia constante de alisamiento 946 es análoga a la de los de nivel constante de alisamiento 945. Los modelos con valores pequeños de 946 asume que la tendencia cambia sólo muy lentamente con el tiempo, mientras que los modelos con 946 más grande asumen que está cambiando más rápidamente. Un modelo con un gran 946 cree que el futuro lejano es muy incierto, ya que los errores en la estimación de la tendencia-llegar a ser bastante importante cuando la previsión de más de un período que se avecina. (Volver al principio de la página.) El suavizado constantes de 945 y 946 se puede estimar de la forma habitual mediante la minimización del error cuadrático medio de las previsiones 1-paso-a continuación. Cuando esto se haga 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 a otro, por lo que, básicamente, este modelo está tratando de estimar una tendencia a largo plazo. Por analogía con la noción de que la edad promedio de los datos que se utiliza para estimar el nivel local de la serie, la edad media de los datos que se utiliza para estimar la tendencia local es proporcional a 1/946, aunque no exactamente igual a eso. En este caso que resulta ser 1 / 0.006 125. Esta isn8217t un número muy preciso ya que la precisión de la estimación de 946 isn8217t realmente 3 cifras decimales, pero es del mismo orden general de magnitud que el tamaño de muestra de 100 , por lo que este modelo tiene un promedio de más de un buen montón de historia para estimar la tendencia. La trama de previsión a continuación muestra que el modelo de LES estima una tendencia local de un poco más grande en el extremo de la serie de la tendencia constante estimado en el modelo SEStrend. Además, el valor estimado de 945 es casi idéntica a la obtenida ajustando el modelo SES con o sin tendencia, por lo que este es casi el mismo modelo. Ahora, hacen éstos se parecen a las previsiones razonables para un modelo que se supone que es la estimación de la tendencia local Si 8220eyeball8221 esta trama, parece que la tendencia local se ha convertido a la baja al final de la serie Lo que ha sucedido Los parámetros de este modelo se han estimado mediante la minimización del error al cuadrado de las previsiones de 1-paso adelante, no pronósticos a más largo plazo, en cuyo caso la tendencia doesn8217t hacen una gran diferencia. Si todo lo que está viendo son los errores 1-paso-a continuación, usted no está viendo el panorama general de las tendencias en (digamos) 10 o 20 períodos. Con el fin de conseguir este modelo más acorde con nuestra extrapolación de los datos de globo ocular, podemos ajustar manualmente la tendencia constante de alisamiento para que utilice una línea de base más corta para la estimación de tendencia. Por ejemplo, si elegimos para establecer 946 0.1, a continuación, la edad media de los datos utilizados en la estimación de la tendencia local es de 10 períodos, lo que significa que estamos promediando la tendencia de que los últimos 20 períodos más o menos. Here8217s lo que la trama de previsión parece si ponemos 946 0,1 945 0,3 mientras se mantiene. Esto parece intuitivamente razonable para esta serie, aunque es probable que sea peligroso extrapolar esta tendencia alguna más de 10 periodos en el futuro. ¿Qué pasa con las estadísticas de error Aquí está una comparación de modelos para los dos modelos que se muestran arriba, así como tres modelos SES. El valor óptimo de 945.para el modelo SES es de aproximadamente 0,3, pero resultados similares (con poco más o menos capacidad de respuesta, respectivamente) se obtienen con 0,5 y 0,2. exp lineal (A) Holt. suavizado con alfa y beta 0,3048 0,008 (B) Holts exp lineal. suavizado con alfa 0,3 y beta 0.1 (C) de suavizado exponencial simple con alfa 0,5 (D) de suavizado exponencial simple con alfa 0,3 (E) de suavizado exponencial simple con alfa 0,2 Sus estadísticas son casi idénticos, por lo que realmente can8217t tomar la decisión sobre la base de los errores de pronóstico 1 paso por delante dentro de la muestra de datos. Tenemos que recurrir a otras consideraciones. Si estamos convencidos de que tiene sentido basar la estimación actual tendencia en lo que ha ocurrido en los últimos 20 períodos más o menos, podemos hacer un caso para el modelo con LES y 945 0,3 946 0,1. Si queremos ser agnóstico sobre si existe una tendencia local, entonces uno de los modelos SLS podría ser más fácil de explicar y también daría más pronósticos media-of-the-road para los próximos 5 o 10 períodos. (Volver al principio de la página.) ¿Qué tipo de tendencia-extrapolación es mejor: La evidencia empírica horizontal o lineal sugiere que, si ya se han ajustado los datos (si es necesario) para la inflación, entonces puede ser imprudente extrapolar lineal a corto plazo tendencias muy lejos en el futuro. Tendencias hoy evidentes podrían crecer más en el futuro debido a causas variadas como la obsolescencia de los productos, el aumento de la competencia, y las depresiones cíclicas o repuntes en una industria. Por esta razón, suavizamiento exponencial simple menudo funciona mejor fuera de la muestra de lo que se podría esperar de otro modo, a pesar de su quotnaivequot horizontal extrapolación de tendencias. Amortiguadas modificaciones tendencia del modelo de suavizado exponencial lineal también se utilizan a menudo en la práctica de introducir una nota de cautela en sus proyecciones de tendencias. El modelo LES-tendencia amortiguada puede ser implementado como un caso especial de un modelo ARIMA, en particular, una (1,1,2) modelo ARIMA. Es posible calcular intervalos de confianza alrededor de las predicciones a largo plazo producidos por los modelos de suavizado exponencial, al considerarlos como casos especiales de los modelos ARIMA. (Cuidado: no todo el software calcula correctamente los intervalos de confianza para estos modelos.) La anchura 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 constante (s) de suavizado y (iv) el número de períodos por delante que se pronostica. En general, los intervalos se extienden más rápido a medida 945 se hace más grande en el modelo SES y se extienden mucho más rápido cuando se utiliza en lugar de lineal de suavizado simple. En este tema se tratará más adelante en la sección de modelos ARIMA de las notas. (Volver a la parte superior de la página.) Los pequeños cambios sólo se hacen evidentes con el tiempo Desafortunadamente, se necesita tiempo para que los patrones en los datos a surgir debido a violaciónes individuales de los límites de control no necesariamente apuntan a un cambio permanente en el proceso. El gráfico de control Shewhart no es de gran alcance para la detección de pequeños cambios, por ejemplo del orden de a lo más una desviación estándar, que parece ser el caso de los datos de calibración se muestra en la página anterior. El EWMA (exponencialmente ponderada media móvil) gráfico de control es más adecuado para este propósito. Explicación de EWMA estadística en el nivel kilogramo El promedio móvil ponderado exponencialmente (EWMA) es una estadística para el seguimiento del proceso que promedia los datos de una manera que da menos y menos peso a los datos, ya que se eliminan más en el tiempo de la medición de corriente. La estadística EWMA en el tiempo t se calcula de forma recursiva a partir de puntos de datos individuales que están ordenados en el tiempo para ser Y1, Y2,, ldots,, Yt, donde la primera estadística EWMA es el promedio de los datos históricos. EWMA lambda Yt (1-lambda) Mecanismo de control EWMA para gráfico de control EWMA El EWMA puede hacerse sensible a cambios pequeños o una deriva gradual en el proceso por la elección del factor de ponderación, (lambda). Un factor de ponderación entre 0,2 a 0,3 se ha sugerido para este propósito (Hunter), y 0,15 es otra opción popular. Los límites para el control de gráfico La línea de destino o en el centro de la gráfica de control es el promedio de los datos históricos. La parte superior (UCL) y los límites inferiores (LCL) son UCL EWMA k sqrt LCL EWMA - k sqrt donde s es la desviación estándar de los datos históricos de la función bajo el radical es una buena aproximación a la componente de la desviación estándar de la EWMA estadística que es una función del tiempo y k es el factor multiplicativo. se define de la misma manera que para el gráfico de control Shewhart, que por lo general se toma como 3. Ejemplo de gráfico EWMA para los datos de verificación estándar para calibraciones kilogramo que muestran múltiples violaciónes de los límites de control para las estadísticas EWMA El objetivo (promedio) y estándar del proceso desviación se calcula a partir de los datos de verificación estándar tomados antes de 1985. el cálculo de la estadística EWMA comienza con los datos tomados en el inicio de 1985. en el gráfico de control a continuación, los datos de control a partir de 1985 se muestran en verde, y las estadísticas EWMA se muestran como puntos negros superpuestos sobre los datos en bruto. Los límites de control se calculan de acuerdo con la ecuación anterior, donde la desviación estándar del proceso, es 0,03065 mg y k 3. Las estadísticas EWMA, y no a los datos en bruto, son de interés en la búsqueda de señales fuera de control. Debido a que la estadística EWMA es una media ponderada, que tiene una desviación estándar menor que una sola medición de control, y, por lo tanto, los límites de control EWMA son más estrechos que los límites de un gráfico de control Shewhart. La carta EWMA para calibraciones de masas se pueden generar utilizando tanto el código y el código R Dataplot. Interpretación del gráfico de control La carta EWMA muestra muchos violaciónes de los límites de control a partir de aproximadamente el punto medio de 1986. Este modelo surge debido a que el promedio del proceso en realidad se ha desplazado aproximadamente una desviación estándar, y la carta EWMA es sensible a la pequeña cambios.