Moving Average With Exponential Smoothing

Média móvel exponencial - EMA BREAKING DOWN Média móvel exponencial - EMA As EMAs de 12 e 26 dias são as médias de curto prazo mais populares e são usadas para criar indicadores como a divergência de convergência média móvel (MACD) eo oscilador de preço percentual (PPO). Em geral, as EMAs de 50 e 200 dias são usadas como sinais de tendências de longo prazo. Os comerciantes que empregam análises técnicas consideram as médias móveis muito úteis e perspicazes quando aplicadas corretamente, mas criam havoc quando usadas de forma incorreta ou são mal interpretadas. Todas as médias móveis comumente utilizadas na análise técnica são, por sua própria natureza, indicadores de atraso. Consequentemente, as conclusões extraídas da aplicação de uma média móvel a um gráfico de mercado específico devem ser confirmar um movimento de mercado ou indicar sua força. Muitas vezes, no momento em que uma linha de indicador de média móvel fez uma mudança para refletir um movimento significativo no mercado, o ponto ótimo de entrada no mercado já passou. Um EMA serve para aliviar esse dilema até certo ponto. Como o cálculo EMA coloca mais peso sobre os dados mais recentes, ele abraça a ação do preço um pouco mais apertado e, portanto, reage mais rápido. Isso é desejável quando um EMA é usado para derivar um sinal de entrada comercial. Interpretando o EMA Como todos os indicadores de média móvel, eles são muito mais adequados para mercados de tendências. Quando o mercado está em uma tendência de alta forte e sustentada. A linha indicadora EMA também mostrará uma tendência de alta e vice-versa para uma tendência descendente. Um comerciante vigilante não só prestará atenção na direção da linha EMA, mas também a relação da taxa de mudança de uma barra para a próxima. Por exemplo, à medida que a ação do preço de uma forte tendência de alta começa a achatar e reverter, a taxa de troca de EMAs de uma barra para a próxima começará a diminuir até que a linha do indicador aplique e a taxa de mudança seja zero. Devido ao efeito de atraso, neste ponto, ou mesmo algumas barras anteriores, a ação de preço já deveria ter sido revertida. Portanto, segue que a observação de uma diminuição consistente na taxa de mudança da EMA poderia ser usada como um indicador que poderia contrariar ainda mais o dilema causado pelo efeito de atraso das médias móveis. Os usos comuns das EMA EMAs são comumente usados ​​em conjunto com outros indicadores para confirmar movimentos significativos no mercado e avaliar sua validade. Para os comerciantes que comercializam mercados intradía e de rápido movimento, o EMA é mais aplicável. Muitas vezes, os comerciantes usam EMAs para determinar um viés de negociação. Por exemplo, se um EMA em um gráfico diário mostra uma forte tendência ascendente, uma estratégia de comerciantes intradiários pode ser trocar apenas do lado longo em um gráfico intradía. Suavização Exponencial Explicada. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Quando as pessoas primeiro encontram o termo Suavização Exponencial, eles podem pensar que parece um monte de alisamento. Seja qual for o alisamento. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um diploma em matemática para entender, e espero que exista uma função incorporada do Excel disponível se eles precisarem fazê-lo. A realidade do alisamento exponencial é muito menos dramática e muito menos traumática. A verdade é que o suavização exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele apenas tem um nome complicado porque o que tecnicamente acontece como resultado deste cálculo simples é realmente um pouco complicado. Para entender o suavização exponencial, ajuda a começar com o conceito geral de suavização e alguns outros métodos comuns usados ​​para o alisamento. O que é suavizar O suavização é um processo estatístico muito comum. De fato, nós encontramos regularmente dados suavizados em várias formas no nosso dia-a-dia. Sempre que usar uma média para descrever algo, você está usando um número suavizado. Se você pensa sobre o motivo pelo qual você usa uma média para descrever algo, você entenderá rapidamente o conceito de suavização. Por exemplo, acabamos de experimentar o inverno mais caloroso registrado. Como podemos quantificar isso? Bem, começamos com conjuntos de dados das temperaturas diárias altas e baixas durante o período que chamamos de Inverno por ano na história registrada. Mas isso nos deixa com um monte de números que saltam bastante um pouco (não é como a cada dia que este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que remova todo esse salto dos dados para que possamos comparar mais facilmente um inverno com o próximo. Remover o salto nos dados é chamado de suavização e, neste caso, podemos usar apenas uma média simples para realizar o alisamento. Na previsão da demanda, usamos alisamento para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor padrões de demanda (principalmente tendência e sazonalidade) e níveis de demanda que podem ser usados ​​para estimar a demanda futura. O ruído em demanda é o mesmo conceito que o salto diário dos dados de temperatura. Não surpreendentemente, a maneira mais comum de remover o ruído do histórico de demanda é usar uma média simples ou mais específica, uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem com o passar do tempo. Por exemplo, se eu estiver usando uma média móvel de 4 meses e hoje é 1 de maio, estou usando uma média de demanda ocorrida em janeiro, fevereiro, março e abril. No dia 1 de junho, vou usar a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representava 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que o histórico mais recente tenha um impacto maior na sua previsão. Podemos adaptar nosso cálculo de média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens e o total de todos os pesos para todos os períodos deve somar até 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para descobrir que temos 65 restantes para dividir nos outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35 respectivamente para os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para o cálculo de suavização exponencial. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada à demanda de períodos mais recentes. Então, onde usamos 35 como a ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como fator de suavização em nosso cálculo exponencial de suavização para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que ao invés de nós ter que descobrir o quanto de peso a aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então, aqui vem a parte exponencial. Se usarmos 35 como fator de suavização, a ponderação da demanda de períodos mais recente será de 35. A ponderação da demanda nos próximos períodos mais recentes (o período anterior ao mais recente) será 65 de 35 (65 provém de subtrair 35 de 100). Isso equivale a 22,75 ponderações para esse período se você fizer a matemática. Nos próximos períodos, a demanda será 65 de 65 de 35, o que equivale a 14,79. O período anterior será ponderado como 65 de 65 de 65 de 35, o que equivale a 9.61, e assim por diante. E isso continua com todos os seus períodos anteriores até o início do tempo (ou o ponto em que você começou a usar o suavização exponencial para esse item em particular). Você provavelmente pensa que isso parece uma série de matemática. Mas a beleza do cálculo de suavização exponencial é que, ao invés de ter que recalcular em relação a cada período anterior sempre que você obtém uma nova demanda de períodos, você simplesmente usa a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olhamos para o cálculo real. Normalmente, nos referimos à saída do cálculo de suavização exponencial como a próxima previsão do período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os fins desse cálculo específico, nos referiremos a ele como a previsão. O cálculo de suavização exponencial é o seguinte: a demanda de períodos mais recente multiplicada pelo fator de suavização. PLUS A previsão de períodos mais recente multiplicada por (um menos o fator de suavização). D os períodos mais recentes exigem S o fator de suavização representado na forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização a partir do período anterior). OU (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para obter dados aqui são os períodos mais recentes, a demanda e os períodos mais recentes previstos. Aplicamos o fator de suavização (ponderação) para os períodos mais recentes exigindo da mesma maneira que seria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante (1 menos o fator de suavização) para a previsão de períodos mais recentes. Uma vez que a previsão de períodos mais recentes foi criada com base na demanda dos períodos anteriores e nos períodos anteriores previstos, que se baseou na demanda do período anterior e na previsão do período anterior, que se baseou na demanda do período anterior Isso e a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores são representados no cálculo, sem realmente voltar e recalcular qualquer coisa. E foi isso que impulsionou a popularidade inicial do suavização exponencial. Não era porque fazia um melhor trabalho de suavização do que a média móvel ponderada, era porque era mais fácil de calcular em um programa de computador. E, porque você não precisava pensar sobre a ponderação para dar períodos anteriores ou quantos períodos anteriores usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. Na verdade, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, pois você tem mais controle sobre a ponderação de períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com um som mais fácil e mais frio. Suavização exponencial no Excel Veja como isso realmente seria exibido em uma planilha com dados reais. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Na Figura 1A, temos uma planilha do Excel com 11 semanas de demanda e uma previsão exponencialmente suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para a semana 12. Você pode ver na barra de fórmulas, a fórmula é (L3C1) (L4 (1-C1)). Assim, as únicas entradas diretas para este cálculo são a demanda de períodos anteriores (Cell L3), os períodos anteriores previstos (Cell L4) e o fator de suavização (Cell C1, mostrado como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor para a 1ª previsão. Assim, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período que a previsão. Na célula C4, temos o nosso 1º cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos copiar Cell C4 e colá-lo nas células D4 através de M4 para preencher o resto das nossas células de previsão. Agora, você pode clicar duas vezes em qualquer célula de previsão para ver se é baseada na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Portanto, cada cálculo subseqüente de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que a demanda de cada período anterior é representada no cálculo dos períodos mais recentes, embora esse cálculo não faça referência direta a esses períodos anteriores. Se você deseja ter fantasia, você pode usar a função Excels trace precedents. Para fazer isso, clique em Celda M4 e, em seguida, na barra de ferramentas da fita (Excel 2007 ou 2010), clique na guia Fórmulas e, em seguida, clique em Preenchimentos de rastreamento. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Preocupações de rastreamento, irá desenhar linhas de conector em todos os períodos anteriores para mostrar as relações herdadas. Agora, vamos ver o que o alisamento exponencial fez por nós. A Figura 1B mostra um gráfico de linha de nossa demanda e previsão. Você vê como a projeção exponencialmente suavizada remove a maior parte da irregularidade (o salto em torno) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de suavização. Sempre que usar o suavização quando uma tendência estiver presente, sua previsão ficará para trás da tendência. Isso é verdade para qualquer técnica de suavização. Na verdade, se continuássemos esta planilha e começássemos a inserir números de demanda mais baixos (fazendo uma tendência decrescente), você veria a queda da linha de demanda e a linha de tendência se deslocará acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo de suavização exponencial que chamamos de previsão, ainda precisa de mais algum trabalho. Há muito mais para a previsão do que apenas suavizar os solavancos na demanda. Precisamos fazer ajustes adicionais para coisas como atraso de tendência, sazonalidade, eventos conhecidos que podem afetar demanda, etc. Mas tudo isso está além do alcance deste artigo. Provavelmente, você também irá usar termos como suavização exponencial e suavização triplo exponencial. Estes termos são um pouco enganadores, uma vez que você não está re-suavizando a demanda várias vezes (você poderia, se quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com suavização exponencial simples, você está suavizando a demanda base, mas com o alisamento duplo-exponencial, você suaviza a demanda base mais a tendência, e com alisamento triplo-exponencial você suaviza a demanda base mais a tendência mais a sazonalidade. A outra pergunta mais comum sobre o alisamento exponencial é onde eu consigo meu fator de suavização. Não há resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que obtém os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve implementar de forma cega qualquer cálculo sem testes completos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários do que-se para ver como esses cálculos reagem às mudanças de demanda que podem não existir atualmente nos dados de demanda que você está usando para testar. O exemplo de dados que usei anteriormente é um exemplo muito bom de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados específicos mostra uma tendência ascendente bastante consistente. Muitas grandes empresas com software de previsão muito caro ficaram em grande dificuldade no passado não tão distante, quando suas configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) estão realmente fazendo. Se eles entendessem seu sistema de previsão, eles saberiam que precisavam entrar e mudar algo quando houve mudanças súbitas e dramáticas em seus negócios. Então, você tem os conceitos básicos de suavização exponencial explicados. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, verifique meu livro Gerenciamento de inventário explicado. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados ao gerenciamento de estoque, manuseio de materiais e operações de armazém. Ele tem mais de 25 anos de experiência em gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. Meus modelos de modelagem média e exponencial do BusinessMoving Como um primeiro passo para mover além dos modelos médios, modelos de caminhada aleatórios e modelos de tendência linear, padrões e tendências não-sazonais podem ser extrapolados usando um modelo de média móvel ou suavização. O pressuposto básico por trás da média e dos modelos de suavização é que a série temporal é localmente estacionária com uma média que varia lentamente. Por isso, tomamos uma média móvel (local) para estimar o valor atual da média e então use isso como a previsão para o futuro próximo. Isso pode ser considerado como um compromisso entre o modelo médio e o modelo random-walk-without-drift. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é muitas vezes chamada de versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de suavizar os solavancos na série original. Ao ajustar o grau de alisamento (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O tipo mais simples de modelo de média é o. Média Móvel Simples (igualmente ponderada): A previsão para o valor de Y no tempo t1 que é feita no tempo t é igual à média simples das observações m mais recentes: (Aqui e em outro lugar usarei o símbolo 8220Y-hat8221 para repousar Para uma previsão da série temporal Y feita o mais cedo possível, antes de um determinado modelo.) Esta média é centrada no período t (m1) 2, o que implica que a estimativa da média local tende a ficar para trás do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Assim, dizemos que a idade média dos dados na média móvel simples é (m1) 2 em relação ao período para o qual a previsão é calculada: esta é a quantidade de tempo pelo qual as previsões tenderão a ficar atrás de pontos de viragem nos dados . Por exemplo, se você estiver avaliando os últimos 5 valores, as previsões serão cerca de 3 períodos atrasados ​​na resposta a pontos de viragem. Observe que se m1, o modelo de média móvel simples (SMA) é equivalente ao modelo de caminhada aleatória (sem crescimento). Se m for muito grande (comparável ao comprimento do período de estimativa), o modelo SMA é equivalente ao modelo médio. Tal como acontece com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfit para os dados, isto é, os erros de previsão menores em média. Aqui está um exemplo de uma série que parece exibir flutuações aleatórias em torno de uma média que varia lentamente. Primeiro, vamos tentar ajustá-lo com um modelo de caminhada aleatória, que é equivalente a uma média móvel simples de 1 termo: o modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo, elege muito da quotnoisequot no Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se, em vez disso, tentemos uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suave: a média móvel simples de 5 meses produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nesta previsão é de 3 ((51) 2), de modo que tende a atrasar os pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não se desviam até vários períodos depois). Observe que as previsões de longo prazo do modelo SMA são uma linha reta horizontal, assim como na caminhada aleatória modelo. Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões do modelo SMA são iguais a uma média ponderada de valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se ampliam à medida que o horizonte de previsão aumenta. Isso obviamente não está correto. Infelizmente, não há uma teoria estatística subjacente que nos diga como os intervalos de confiança deveriam se ampliar para esse modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões do horizonte mais longo. Por exemplo, você poderia configurar uma planilha em que o modelo SMA seria usado para prever 2 passos à frente, 3 passos à frente, etc., dentro da amostra de dados históricos. Você poderia então calcular os desvios padrão da amostra dos erros em cada horizonte de previsão e, em seguida, construir intervalos de confiança para previsões de longo prazo, adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obtemos previsões ainda mais suaves e mais de um efeito de atraso: a idade média é agora de 5 períodos ((91) 2). Se tomarmos uma média móvel de 19 termos, a idade média aumenta para 10: Observe que, de fato, as previsões estão atrasadas em torno de 10 períodos. Qual quantidade de suavização é melhor para esta série. Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3 termos: Modelo C, a média móvel de 5 termos, produz o menor valor de RMSE por uma pequena margem ao longo dos 3 As médias de prazo e de 9 anos e suas outras estatísticas são quase idênticas. Assim, entre os modelos com estatísticas de erro muito semelhantes, podemos escolher se preferimos um pouco mais de capacidade de resposta ou um pouco mais de suavidade nas previsões. (Retornar ao topo da página.) Browns Suavização exponencial simples (média móvel ponderada exponencialmente) O modelo de média móvel simples descrito acima tem a propriedade indesejável que trata as últimas observações k de forma igual e ignora completamente todas as observações precedentes. Intuitivamente, os dados passados ​​devem ser descontados de forma mais gradual - por exemplo, a observação mais recente deve ter um pouco mais de peso que o segundo mais recente, e o segundo mais recente deve ter um pouco mais de peso do que o terceiro mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Deixe 945 indicar uma constante de quotesmoothing (um número entre 0 e 1). Uma maneira de escrever o modelo é definir uma série L que represente o nível atual (isto é, o valor médio local) da série como estimado a partir de dados até o presente. O valor de L no tempo t é calculado de forma recursiva a partir de seu próprio valor anterior como este: Assim, o valor atual suavizado é uma interpolação entre o valor suavizado anterior e a observação atual, onde 945 controla a proximidade do valor interpolado para o mais recente observação. A previsão para o próximo período é simplesmente o valor liso atual: Equivalentemente, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação entre previsão anterior e observação anterior: na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior em uma quantidade fracionada de 945. É o erro ocorrido em Tempo t. Na terceira versão, a previsão é uma média móvel ponderada exponencialmente (com desconto) com o fator de desconto 1- 945: a versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha: ela se encaixa em uma Célula única e contém referências de células apontando para a previsão anterior, a observação anterior e a célula onde o valor de 945 é armazenado. Observe que se 945 1, o modelo SES é equivalente a um modelo de caminhada aleatória (sem crescimento). Se 945 0, o modelo SES é equivalente ao modelo médio, supondo que o primeiro valor suavizado seja igual à média. (Voltar ao topo da página.) A idade média dos dados na previsão de suavização simples-exponencial é de 1 945 em relação ao período para o qual a previsão é calculada. (Isso não deve ser óbvio, mas pode ser facilmente demonstrado pela avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a atrasar os pontos de viragem em cerca de 1 945 períodos. Por exemplo, quando 945 0.5 o atraso é de 2 períodos quando 945 0.2 o atraso é de 5 períodos quando 945 0.1 o atraso é de 10 períodos, e assim por diante. Para uma média de idade dada (ou seja, a quantidade de lag), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão da média móvel simples (SMA) porque coloca um peso relativamente maior na observação mais recente - isto é. É um pouco mais quotresponsivequot às mudanças ocorridas no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 ambos têm uma idade média de 5 para os dados em suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no Ao mesmo tempo, não é completamente necessário para o 8221 sobre valores com mais de 9 períodos de tempo, como mostrado neste gráfico: Outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, portanto, pode otimizar facilmente Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor ideal de 945 no modelo SES para esta série acaba por ser 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é de 10.2961 3,4 períodos, que é semelhante ao de uma média móvel simples de 6 termos. As previsões de longo prazo do modelo SES são uma linha direta horizontal. Como no modelo SMA e no modelo de caminhada aleatória sem crescimento. No entanto, note que os intervalos de confiança computados por Statgraphics agora divergem de forma razoável e que eles são substancialmente mais estreitos do que os intervalos de confiança para o modelo de caminhada aleatória. O modelo SES assume que a série é um pouco mais previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Então a teoria estatística dos modelos ARIMA fornece uma base sólida para calcular intervalos de confiança para o modelo SES. Em particular, um modelo SES é um modelo ARIMA com uma diferença não-sazonal, um termo MA (1) e nenhum termo constante. Também conhecido como um modelo quotARIMA (0,1,1) sem constantequot. O coeficiente MA (1) no modelo ARIMA corresponde à quantidade 1- 945 no modelo SES. Por exemplo, se você ajustar um modelo ARIMA (0,1,1) sem constante para a série analisada aqui, o coeficiente MA (1) estimado é 0.7029, o que é quase exatamente um menos 0.2961. É possível adicionar a hipótese de uma tendência linear constante não-zero a um modelo SES. Para fazer isso, basta especificar um modelo ARIMA com uma diferença não-sazonal e um termo MA (1) com uma constante, ou seja, um modelo ARIMA (0,1,1) com constante. As previsões a longo prazo terão uma tendência que é igual à tendência média observada durante todo o período de estimação. Você não pode fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desabilitadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial constante a longo prazo a um modelo de suavização exponencial simples (com ou sem ajuste sazonal) usando a opção de ajuste de inflação no procedimento de Previsão. A taxa de quotinflação adequada (taxa de crescimento) por período pode ser estimada como o coeficiente de inclinação em um modelo de tendência linear ajustado aos dados em conjunto com uma transformação do logaritmo natural, ou pode ser baseado em outras informações independentes sobre perspectivas de crescimento a longo prazo . (Voltar ao topo da página.) Browns Linear (ou seja, duplo) Suavização exponencial Os modelos SMA e os modelos SES assumem que não há nenhuma tendência de nenhum tipo nos dados (o que normalmente é OK ou pelo menos não muito ruim para 1- Previsões passo a passo quando os dados são relativamente barulhentos) e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. E as tendências de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaca claramente contra o ruído, e se for necessário prever mais de 1 período, a estimativa de uma tendência local também pode ser um problema. O modelo de alisamento exponencial simples pode ser generalizado para obter um modelo de alisamento exponencial linear (LES) que calcula estimativas locais de nível e tendência. O modelo de tendência mais simples do tempo é o modelo de alisamento exponencial linear Browns, que usa duas séries suavizadas diferentes centradas em diferentes pontos no tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. (Uma versão mais sofisticada deste modelo, Holt8217s, é discutida abaixo.) A forma algébrica do modelo de alisamento exponencial linear Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em várias formas diferentes, mas equivalentes. A forma quotstandardquot deste modelo geralmente é expressa da seguinte maneira: Seja S indicar a série de suavidade individualmente obtida pela aplicação de suavização exponencial simples para a série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, sob simples Suavização exponencial, esta seria a previsão de Y no período t1). Em seguida, deixe Squot indicar a série duplamente suavizada obtida pela aplicação de suavização exponencial simples (usando o mesmo 945) para a série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dado por: Isto produz e 1 0 (isto é, engane um pouco e deixe a primeira previsão igual a primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isso produz os mesmos valores ajustados que a fórmula com base em S e S, se estes últimos foram iniciados usando S 1 S 1 Y 1. Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt8217s Linear Exponential Suavização Brown8217s modelo LES calcula as estimativas locais de nível e tendência, suavizando os dados recentes, mas o fato de que ele faz com um único parâmetro de suavização coloca uma restrição nos padrões de dados que ele pode caber: o nível e a tendência Não é permitido variar em taxas independentes. O modelo LES de Holt8217s aborda esse problema ao incluir duas constantes de suavização, uma para o nível e outra para a tendência. Em qualquer momento t, como no modelo Brown8217s, há uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui, eles são computados de forma recursiva a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam suavização exponencial separadamente. Se o nível estimado e a tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão de Y tshy que teria sido feita no tempo t-1 é igual a L t-1 T t-1. Quando o valor real é observado, a estimativa atualizada do nível é calculada de forma recursiva interpolando entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1- 945. A alteração no nível estimado, Lt 8209 L t82091. Pode ser interpretado como uma medida ruim da tendência no tempo t. A estimativa atualizada da tendência é então calculada de forma recursiva interpolando entre L t 8209 L t82091 e a estimativa anterior da tendência, T t-1. Usando pesos de 946 e 1-946: a interpretação da constante de suavização de tendências 946 é análoga à da constante de alívio de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda muito lentamente ao longo do tempo, enquanto modelos com 946 maiores assumem que está mudando mais rapidamente. Um modelo com um grande 946 acredita que o futuro distante é muito incerto, porque os erros na estimativa de tendência se tornam bastante importantes ao prever mais de um período à frente. (Voltar ao topo da página.) As constantes de suavização 945 e 946 podem ser estimadas da maneira usual, minimizando o erro quadrático médio das previsões de 1 passo à frente. Quando isso é feito em Statgraphics, as estimativas são de 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume mudanças muito pequenas na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados utilizados na estimativa do nível local da série, a idade média dos dados utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a ela. . Neste caso, isso é 10.006 125. Este não é um número muito preciso na medida em que a precisão da estimativa de 946 não é realmente 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, então Este modelo está com uma média de bastante história na estimativa da tendência. O gráfico de previsão abaixo mostra que o modelo de LES estima uma tendência local um pouco maior no final da série do que a tendência constante estimada no modelo SEStrend. Além disso, o valor estimado de 945 é quase idêntico ao obtido pela montagem do modelo SES com ou sem tendência, então este é quase o mesmo modelo. Agora, eles se parecem com previsões razoáveis ​​para um modelo que deveria estimar uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram estimados pela minimização do erro quadrado das previsões de 1 passo a frente, não de previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está procurando é erros de 1 passo à frente, você não está vendo a imagem maior das tendências em relação a (digamos) 10 ou 20 períodos. Para obter este modelo mais em sintonia com a nossa extrapolação no globo ocular dos dados, podemos ajustar manualmente a constante de suavização de tendência para que ele use uma linha de base mais curta para estimativa de tendência. Por exemplo, se optar por definir 946 0,1, a idade média dos dados utilizados na estimativa da tendência local é de 10 períodos, o que significa que estamos em média a tendência nos últimos 20 períodos ou mais. Aqui é o que parece o gráfico de previsão se definimos 946 0,1 enquanto mantemos 945 0,3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso extrapolar essa tendência mais de 10 períodos no futuro. E as estatísticas de erro Aqui está uma comparação de modelo para os dois modelos mostrados acima, bem como três modelos SES. O valor ideal de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com um pouco mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 0.3048 e beta 0.008 (B) Holts linear exp. Alisamento com alfa 0.3 e beta 0.1 (C) Suavização exponencial simples com alfa 0.5 (D) Suavização exponencial simples com alfa 0.3 (E) Suavização exponencial simples com alfa 0.2 Suas estatísticas são quase idênticas, então nós realmente podemos escolher a base De erros de previsão de 1 passo à frente na amostra de dados. Temos de recuar sobre outras considerações. Se acreditamos firmemente que faz sentido basear a estimativa de tendência atual sobre o que aconteceu nos últimos 20 períodos ou mais, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se quisermos ser agnósticos sobre se existe uma tendência local, então um dos modelos SES pode ser mais fácil de explicar e também fornecerá mais previsões do meio da estrada para os próximos 5 ou 10 períodos. (Retornar ao topo da página.) Qual tipo de tendência-extrapolação é melhor: horizontal ou linear. Evidências empíricas sugerem que, se os dados já foram ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar a curto prazo linear Tendências muito distantes no futuro. As tendências evidentes hoje podem diminuir no futuro devido a causas variadas, como obsolescência do produto, aumento da concorrência e recessões cíclicas ou aumentos em uma indústria. Por esta razão, o alisamento exponencial simples geralmente realiza melhor fora da amostra do que seria de se esperar, apesar da sua extrapolação de tendência horizontal de quotnaivequot. As modificações da tendência amortecida do modelo de alisamento exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES da Tendência amortecida pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA (1,1,2). É possível calcular intervalos de confiança em torno de previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. (Beware: nem todos os softwares calculam os intervalos de confiança para esses modelos corretamente.) A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de alisamento (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos adiante que você está prevendo. Em geral, os intervalos se espalham mais rapidamente, à medida que 945 se ampliam no modelo SES e se espalham muito mais rápido quando o alisamento linear em vez do simples é usado. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao topo da página.)