Modelo De Media Móvil Explicado

8.4 Modelos de media móvil En lugar de utilizar valores pasados ​​de la variable de pronóstico en una regresión, un modelo de media móvil utiliza errores de pronóstico anteriores en un modelo similar a la regresión. Y c e teta teta e dots theta e, donde et es ruido blanco. Nos referimos a esto como un modelo MA (q). Por supuesto, no observamos los valores de et, por lo que no es realmente regresión en el sentido usual. Observe que cada valor de yt puede considerarse como una media móvil ponderada de los últimos errores de pronóstico. Sin embargo, se mueve modelos de promedio no debe confundirse con el movimiento suavizado promedio discutimos en el capítulo 6. Un modelo de media móvil se utiliza para la predicción de valores futuros mientras se mueve suavizado promedio se utiliza para estimar la tendencia-ciclo de los valores del pasado. Figura 8.6: Dos ejemplos de datos de modelos de media móvil con diferentes parámetros. A la izquierda: MA (1) con y t 20e t 0.8e t-1. Derecha: MA (2) con y t e t - e t-1 0.8e t-2. En ambos casos, e t es el ruido blanco normalmente distribuido con media cero y varianza uno. La Figura 8.6 muestra algunos datos de un modelo MA (1) y un modelo MA (2). Al cambiar los parámetros theta1, dots, thetaq, se obtienen diferentes patrones de series temporales. Al igual que con los modelos autorregresivos, la varianza del término de error y sólo cambiará la escala de la serie, no los patrones. Es posible escribir cualquier modelo estacionario AR (p) como un modelo MA (infty). Por ejemplo, mediante la sustitución repetida, podemos demostrar esto para un AR (1) Modelo: comenzar yt amp amp phi1y et phi1 (phi1y e) et amp phi12y phi1 E et amp phi13y phi12e phi1 E et amptext extremo provisto -1 lt lt phi1 1, el valor de phi1k se hará más pequeño a medida que k sea mayor. Así que finalmente obtenemos yt et phi1 e phi12 e phi13 e cdots, un proceso MA (infty). El resultado inverso se cumple si imponemos algunas limitaciones a los parámetros de MA. Entonces el modelo MA se llama inversible. Es decir, que podemos escribir cualquier proceso de MA (q) invertible como un proceso de AR (infty). Los modelos invertibles no son simplemente para permitirnos convertir de los modelos de MA a los modelos de AR. También tienen algunas propiedades matemáticas que los hacen más fáciles de usar en la práctica. Las restricciones de invertibilidad son similares a las restricciones de estacionariedad. Para un modelo MA (1): -1lttheta1lt1. Para un modelo MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2 lt 1. Condiciones más complicadas se mantienen para qge3. Una vez más, R se encargará de estas limitaciones al estimar los modelos. Un RIMA significa Autoregressive Integrated Moving Average. Univariante (vector único) ARIMA es una técnica de previsión que proyecta los valores futuros de una serie basada enteramente en su propia inercia. Su aplicación principal es en el área de pronósticos a corto plazo que requieren al menos 40 puntos de datos históricos. Funciona mejor cuando los datos muestran un patrón estable o consistente en el tiempo con una cantidad mínima de valores atípicos. A veces llamado Box-Jenkins (después de los autores originales), ARIMA suele ser superior a las técnicas de suavización exponencial cuando los datos son razonablemente largos y la correlación entre las observaciones pasadas es estable. Si los datos son cortos o muy volátiles, entonces algún método de suavizado puede funcionar mejor. Si usted no tiene por lo menos 38 puntos de datos, debe considerar algún otro método que ARIMA. El primer paso para aplicar la metodología ARIMA es verificar la estacionariedad. La estacionariedad implica que la serie permanece a un nivel bastante constante en el tiempo. Si existe una tendencia, como en la mayoría de las aplicaciones económicas o de negocios, sus datos NO son estacionarios. Los datos también deben mostrar una variación constante en sus fluctuaciones en el tiempo. Esto se ve fácilmente con una serie que es muy estacional y que crece a un ritmo más rápido. En tal caso, los altibajos en la estacionalidad se harán más dramáticos con el tiempo. Si no se cumplen estas condiciones de estacionariedad, no se pueden calcular muchos de los cálculos asociados con el proceso. Si un gráfico gráfico de los datos indica nonstationarity, entonces usted debe diferenciar la serie. La diferenciación es una excelente forma de transformar una serie no estacionaria en una serie estacionaria. Esto se hace restando la observación en el período actual a la anterior. Si esta transformación se realiza sólo una vez en una serie, se dice que los datos se han diferenciado primero. Este proceso esencialmente elimina la tendencia si su serie está creciendo a una tasa bastante constante. Si está creciendo a un ritmo creciente, puede aplicar el mismo procedimiento y diferenciar los datos de nuevo. Sus datos entonces serían segundos diferenciados. Las autocorrelaciones son valores numéricos que indican cómo una serie de datos se relaciona a sí misma con el tiempo. Más precisamente, mide cuán fuertemente están correlacionados los valores de datos en un número específico de períodos separados entre sí a lo largo del tiempo. El número de períodos separados se llama generalmente el retraso. Por ejemplo, una autocorrelación en el retardo 1 mide cómo los valores 1 período aparte están correlacionados entre sí a lo largo de la serie. Una autocorrelación en el retraso 2 mide cómo los datos dos períodos aparte están correlacionados a través de la serie. Las autocorrelaciones pueden variar de 1 a -1. Un valor próximo a 1 indica una alta correlación positiva, mientras que un valor cercano a -1 implica una correlación negativa alta. Estas medidas se evalúan con mayor frecuencia a través de tramas gráficas llamadas correlagramas. Un correlagrama traza los valores de autocorrelación para una serie dada con diferentes retardos. Esto se conoce como la función de autocorrelación y es muy importante en el método ARIMA. La metodología ARIMA intenta describir los movimientos en una serie temporal estacionaria como una función de lo que se llaman parámetros de media móvil y autorregresiva. Estos parámetros se denominan parámetros AR (autoregessivos) y MA (medias móviles). Un modelo de AR con un solo parámetro se puede escribir como. X (t) A (1) X (t-1) E (t) donde X (t) serie temporal bajo investigación A (1) el parámetro autorregresivo de orden 1 X (t-1) (T) el término de error del modelo Esto simplemente significa que cualquier valor dado X (t) puede explicarse por alguna función de su valor anterior, X (t-1), más algún error aleatorio inexplicable, E (t). Si el valor estimado de A (1) fue de 0,30, entonces el valor actual de la serie estaría relacionado con 30 de su valor hace 1 período. Por supuesto, la serie podría estar relacionada con más de un valor pasado. Por ejemplo, X (t) A (1) X (t-1) A (2) X (t-2) E (t) Esto indica que el valor actual de la serie es una combinación de los dos valores inmediatamente anteriores, X (t-1) y X (t-2), más algún error aleatorio E (t). Nuestro modelo es ahora un modelo autorregresivo de orden 2. Modelos de media móvil: Un segundo tipo de modelo de Box-Jenkins se denomina modelo de media móvil. Aunque estos modelos parecen muy similares al modelo de AR, el concepto detrás de ellos es muy diferente. Los parámetros de la media móvil relacionan lo que sucede en el período t sólo con los errores aleatorios que ocurrieron en períodos de tiempo pasados, es decir, E (t-1), E (t-2), etc., en lugar de X (t-1), X T-2), (Xt-3) como en los enfoques autorregresivos. Un modelo de media móvil con un término MA puede escribirse como sigue. El término B (1) se denomina un MA de orden 1. El signo negativo delante del parámetro se utiliza para la convención solamente y se imprime generalmente La mayoría de los programas de ordenador. El modelo anterior simplemente dice que cualquier valor dado de X (t) está directamente relacionado solamente con el error aleatorio en el período anterior, E (t-1), y al término de error actual, E (t). Como en el caso de los modelos autorregresivos, los modelos de media móvil pueden extenderse a estructuras de orden superior que abarcan diferentes combinaciones y longitudes móviles. La metodología ARIMA también permite la construcción de modelos que incorporen parámetros tanto de autorregresión como de media móvil. Estos modelos se refieren a menudo como modelos mixtos. Aunque esto hace que sea una herramienta de pronóstico más complicada, la estructura puede simular mejor la serie y producir un pronóstico más preciso. Los modelos puros implican que la estructura consiste solamente en los parámetros AR o MA - no ambos. Los modelos desarrollados por este enfoque usualmente se llaman modelos ARIMA porque usan una combinación de autoregresión (AR), integración (I), que se refiere al proceso inverso de diferenciación para producir las operaciones de predicción y de media móvil (MA). Un modelo de ARIMA se indica generalmente como ARIMA (p, d, q). Esto representa el orden de los componentes autorregresivos (p), el número de operadores de diferenciación (d) y el orden más alto del término medio móvil. Por ejemplo, ARIMA (2,1,1) significa que usted tiene un modelo autorregresivo de segundo orden con un componente de media móvil de primer orden cuya serie se ha diferenciado una vez para inducir la estacionariedad. Elegir la especificación correcta: El principal problema en el clásico Box-Jenkins es tratar de decidir qué especificación ARIMA utilizar-i. e. Cuántos AR y / o MA parámetros para incluir. Esto es lo que gran parte de Box-Jenkings 1976 se dedicó al proceso de identificación. Dependía de la eva - luación gráfica y numérica de las funciones de autocorrelación de la muestra y de autocorrelación parcial. Bueno, para sus modelos básicos, la tarea no es demasiado difícil. Cada uno tiene funciones de autocorrelación que miran de cierta manera. Sin embargo, cuando se sube en complejidad, los patrones no se detectan tan fácilmente. Para hacer las cosas más difíciles, sus datos representan sólo una muestra del proceso subyacente. Esto significa que los errores de muestreo (valores atípicos, errores de medición, etc.) pueden distorsionar el proceso teórico de identificación. Es por eso que el modelado ARIMA tradicional es un arte más que una ciencia. Un promedio móvil simple (SMA) explicado Un promedio móvil simple (SMA) es el tipo más simple de media móvil en el análisis de divisas (DUH). Básicamente, un simple promedio móvil se calcula sumando los últimos 8220X8221 period8217s precios de cierre y luego dividir ese número por X. Don8217t preocupación, we8217ll lo hacen claro como el cristal. Calculando el Promedio Móvil Simples (SMA) Si trazó un promedio móvil simple de 5 periodos en un gráfico de 1 hora, sumaría los precios de cierre de las últimas 5 horas y luego dividiría ese número por 5. Voila Tiene el promedio Precio de cierre durante las últimas cinco horas cadena de los precios medios juntos y obtendrá un promedio móvil Si tuviera que trazar una media móvil simple de 5 períodos en un gráfico de la moneda de 10 minutos, se sumaría los precios de cierre de los últimos 50 minutos Y luego dividir ese número por 5. Si tuviera que trazar una media móvil simple de 5 periodos en un gráfico de 30 minutos, se sumarían los precios de cierre de los últimos 150 minutos y luego dividir ese número por 5. Si tuviera que trazar La media móvil simple de 5 periodos en las 4 h. Bien, bien, lo sabemos, lo sabemos. Obtiene la imagen La mayoría de los paquetes de gráficos harán todos los cálculos para usted. La razón por la que sólo te aburre (bostezar) con un 8220how to8221 en el cálculo de promedios móviles simples es porque it8217s importante entender para que sepa cómo editar y ajustar el indicador. Comprender cómo funciona un indicador significa que puede ajustar y crear diferentes estrategias a medida que cambia el entorno del mercado. Ahora, como con casi cualquier otro indicador de divisas por ahí, los promedios móviles operan con un retraso. Debido a que está tomando los promedios de la historia de precios pasados, en realidad sólo está viendo el camino general del pasado reciente y la dirección general de 8220future8221 acción de precio a corto plazo. Descargo de responsabilidad: Los promedios móviles no le convertirán en la Sra. Cleo el psíquico Aquí hay un ejemplo de cómo los promedios móviles suavizar la acción del precio. En el gráfico anterior, we8217ve trazó tres SMA diferentes en el gráfico de 1 hora de USD / CHF. Como puede ver, cuanto más largo es el período de SMA, más se queda atrás del precio. Observe cómo el 62 SMA está más lejos del precio actual que los 30 y 5 SMA. Esto se debe a que el 62 SMA suma los precios de cierre de los últimos 62 períodos y lo divide por 62. El período más largo que utiliza para el SMA, más lento es reaccionar al movimiento de precios. Las SMA de este gráfico muestran el sentimiento general del mercado en este momento. Aquí, podemos ver que el par es tendencia. En lugar de sólo mirar el precio actual del mercado, los promedios móviles nos dan una visión más amplia, y ahora podemos medir la dirección general de su precio futuro. Con el uso de SMAs, podemos decir si un par está tendiendo hacia arriba, hacia abajo, o simplemente para variar. Hay un problema con el promedio móvil simple: son susceptibles a los picos. Cuando esto sucede, esto puede darnos señales falsas. Podríamos pensar que una nueva tendencia cambiaria puede estar desarrollándose pero en realidad, nada cambió. En la próxima lección, le mostraremos lo que queremos decir, y también le presentamos a otro tipo de media móvil para evitar este problema. Guarde su progreso iniciando sesión y marcando la lección completa