Moving average pdf file

Introdução a ARIMA: modelos não-sazonais: equação de previsão ARIMA (p, d, q): os modelos ARIMA são, na teoria, a classe mais geral de modelos para prever uma série de tempo que pode ser feita para ser 8220stação2008 por diferenciação (se necessário), talvez Em conjunto com transformações não-lineares, como log ou desinflando (se necessário). Uma variável aleatória que é uma série temporal é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ela muda de forma consistente. Ou seja, seus padrões de tempo aleatório de curto prazo sempre parecem os mesmos em um sentido estatístico. A última condição significa que suas autocorrelações (correlações com seus próprios desvios anteriores da média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de potência permanece constante ao longo do tempo. Uma variável aleatória deste formulário pode ser vista (como de costume) como uma combinação de sinal e ruído, e o sinal (se um é aparente) pode ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida no signo , E também poderia ter um componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, regressão) em que os preditores consistem em atrasos da variável dependente ou atrasos dos erros de previsão. Isto é: valor previsto de Y uma constante ou uma soma ponderada de um ou mais valores recentes de Y e uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores atrasados ​​de Y. é um modelo autoregressivo puro (8220 self-regressed8221), que é apenas um caso especial de um modelo de regressão e que pode ser equipado com o software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y rezagada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são atrasos dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não existe nenhuma maneira de especificar o erro 8222 do último período8217s como uma variável independente: os erros devem ser computados numa base de período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros atrasados ​​como preditores é que as previsões do modelo8217s não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Assim, os coeficientes nos modelos ARIMA que incluem erros atrasados ​​devem ser estimados por métodos de otimização não-linear (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags da série estacionada na equação de previsão são chamados quota de termos degressivos, os atrasos dos erros de previsão são chamados quotmoving termos de média, e uma série de tempo que precisa ser diferenciada para ser estacionada é uma versão quotintegratedquot de uma série estacionária. Modelos aleatórios e de tendência aleatória, modelos autoregressivos e modelos de suavização exponencial são todos os casos especiais de modelos ARIMA. Um modelo ARIMA não-sazonal é classificado como um quot de quotARIMA (p, d, q), onde: p é o número de termos autorregressivos, d é o número de diferenças não-sazonais necessárias para a estacionaridade e q é o número de erros de previsão atrasados ​​em A equação de predição. A equação de previsão é construída da seguinte forma. Primeiro, digamos a d ª diferença de Y. o que significa: Observe que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Em vez disso, é a primeira diferença da primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação geral de previsão é: Aqui, os parâmetros de média móvel (9528217s) são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) os definem de modo que eles tenham sinais de mais. Quando os números reais estão conectados à equação, não há ambigüidade, mas é importante saber qual a convenção que seu software usa quando você está lendo a saída. Muitas vezes, os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230 etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) necessidade de estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como o registro ou a desinflação. Se você parar neste ponto e prever que a série diferenciada é constante, você ajustou apenas uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionada ainda pode ter erros autocorrelacionados, sugerindo que alguns números de AR (p 8805 1) e outros termos do número MA (q 8805 1) também são necessários na equação de previsão. O processo de determinação dos valores de p, d e q que são melhores para uma determinada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns tipos Dos modelos ARIMA não-sazonais que são comumente encontrados são dados abaixo. Modelo autoregressivo de primeira ordem ARIMA (1,0,0): se a série estiver estacionada e autocorrelada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, além de uma constante. A equação de previsão neste caso é 8230, que é regredida por si mesma atrasada por um período. Este é um modelo 8220ARIMA (1,0,0) constante8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (deve ser inferior a 1 em magnitude se Y estiver estacionário), o modelo descreve o comportamento de reversão média em que o valor do período 8217 seguinte deve ser previsto 981 1 vez como Muito longe da média, já que este valor do período 8217s. Se 981 1 for negativo, ele prevê um comportamento de reversão média com alternância de sinais, ou seja, ele também prevê que Y estará abaixo do período médio seguinte se estiver acima da média desse período. Em um modelo autoregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 também à direita e assim por diante. Dependendo dos sinais e das magnitudes dos coeficientes, um modelo ARIMA (2,0,0) pode descrever um sistema cuja reversão média ocorre de forma sinusoidalmente oscilante, como o movimento de uma massa em uma mola sujeita a choques aleatórios . ARIMA (0,1,0) caminhada aleatória: se a série Y não estiver estacionária, o modelo mais simples possível para ele é um modelo de caminhada aleatória, que pode ser considerado como um caso limitante de um modelo AR (1) no qual o autorregressivo O coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a mudança média do período para o período (ou seja, a derivação de longo prazo) em Y. Esse modelo poderia ser ajustado como um modelo de regressão sem intercepção em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não-sazonal e um termo constante, esta é classificada como um modelo quotARIMA (0,1,0) com constante. O modelo aleatório-sem-atrasado seria um ARIMA (0,1, 0) modelo sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: se os erros de um modelo de caminhada aleatória forem autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - - é Ao regredir a primeira diferença de Y em si mesma atrasada por um período. Isso produziria a seguinte equação de predição: que pode ser rearranjada para Este é um modelo autoregressivo de primeira ordem com uma ordem de diferenciação não-sazonal e um termo constante - ou seja. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem alisamento exponencial simples constante: Outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se de que, para algumas séries temporais não estacionárias (por exemplo, as que exibem flutuações ruidosas em torno de uma média variando lentamente), o modelo de caminhada aleatória não funciona, bem como uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com maior precisão a média local. O modelo de suavização exponencial simples usa uma média móvel ponderada exponencialmente de valores passados ​​para alcançar esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em várias formas matematicamente equivalentes. Um dos quais é o chamado formulário 8220error correction8221, em que a previsão anterior é ajustada na direção do erro que ele fez: porque e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar um alisamento exponencial simples especificando-o como um modelo ARIMA (0,1,1) sem Constante e o coeficiente estimado MA (1) corresponde a 1-menos-alfa na fórmula SES. Lembre-se que, no modelo SES, a idade média dos dados nas previsões de 1 período anterior é de 1 945. O que significa que tenderão a atrasar tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a idade média dos dados nas previsões de 1 período de um ARIMA (0,1,1) - sem modelo constante é 1 (1 - 952 1). Assim, por exemplo, se 952 1 0.8, a idade média é 5. Como 952 1 aborda 1, o modelo ARIMA (0,1,1) sem modelo constante torna-se uma média móvel de muito longo prazo e, como 952 1 Aproxima-se de 0, torna-se um modelo de caminhada aleatória sem drift. What8217s é a melhor maneira de corrigir a autocorrelação: adicionar termos AR ou adicionar termos MA. Nos dois modelos anteriores discutidos acima, o problema dos erros auto-correlacionados em um modelo de caminhada aleatória foi consertado de duas maneiras diferentes: adicionando um valor atrasado da série diferenciada Para a equação ou adicionando um valor atrasado do erro de previsão. Qual abordagem é melhor Uma regra de ouro para esta situação, que será discutida com mais detalhes mais adiante, é que a autocorrelação positiva geralmente é melhor tratada adicionando um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada adicionando um Termo MA. Nas séries temporais econômicas e econômicas, a autocorrelação negativa surge frequentemente como um artefato da diferenciação. (Em geral, a diferenciação reduz a autocorrelação positiva e pode até causar uma mudança de autocorrelação positiva para negativa). Assim, o modelo ARIMA (0,1,1), em que a diferenciação é acompanhada por um termo MA, é mais freqüentemente usado do que um Modelo ARIMA (1,1,0). ARIMA (0,1,1) com alisamento exponencial constante e constante: ao implementar o modelo SES como modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente estimado de MA (1) pode ser negativo. Isso corresponde a um fator de alisamento maior do que 1 em um modelo SES, que geralmente não é permitido pelo procedimento de montagem do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de previsão: as previsões de um período anteriores deste modelo são qualitativamente similares às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Linha inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem alisamento exponencial linear constante: modelos de alisamento exponencial linear são modelos ARIMA que utilizam duas diferenças não-sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma atrasada por dois períodos, mas é a primeira diferença da primeira diferença - isto é. A mudança de mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t-Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: mede a quotaccelerationquot ou quotcurvaturequot na função em um determinado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prediz que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: o que pode ser rearranjado como: onde 952 1 e 952 2 são o MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que o modelo Holt8217s, e o modelo Brown8217s é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA (1,1,2) sem alisamento exponencial linear constante de tendência amortecida. Este modelo está ilustrado nos slides que acompanham os modelos ARIMA. Ele extrapola a tendência local no final da série, mas acha-se em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo em quotPor que a Tendência Damped funciona por Gardner e McKenzie e o artigo do quotGolden Rulequot de Armstrong et al. para detalhes. Em geral, é aconselhável manter os modelos em que pelo menos um de p e q não é maior do que 1, ou seja, não tente se ajustar a um modelo como o ARIMA (2,1,2), pois isso provavelmente levará a uma superposição E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação da planilha: os modelos ARIMA, como os descritos acima, são fáceis de implementar em uma planilha eletrônica. A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear referente a valores nas linhas precedentes das colunas A e C, multiplicada pelos coeficientes apropriados de AR ou MA armazenados em células em outra parte na planilha. O SampP 500 fechou dezembro com um ganho mensal de 1,82 após um ganho de 3,42 em novembro. Todos os três SampP 500 MAs estão sinalizando investidos e três dos cinco Ivy Portfolio ETF MAs Mdash Vanguard Total Stock Market ETF (VTI), PowerShares DB (DBC) e Vanguard FTSE All-World ex-US ETF (VEU) mdash estão sinalizando investidos . Na tabela, fechamentos mensais que estão dentro de 2 de um sinal são destacados em amarelo. A tabela acima mostra o sinal de média móvel (SMA) de 10 meses atual para cada um dos cinco ETFs apresentados no The Ivy Portfolio. Weve também incluiu uma tabela de SMA de 12 meses para os mesmos ETFs para esta estratégia alternativa popular. Para uma análise de facinação da estratégia da Ivy Portfolio, veja este artigo de Adam Butler, Mike Philbrick e Rodrigo Gordillo: Backtesting Médias móveis Nos últimos anos, utilizamos o Excel para rastrear o desempenho de várias estratégias de temporização em média móvel. Mas agora usamos as ferramentas de backtesting disponíveis no site ETFReplay. Qualquer pessoa que esteja interessada no timing do mercado com ETFs deve ter uma olhada neste site. Aqui estão as duas ferramentas que usamos com mais freqüência: Antecedentes sobre médias móveis Comprar e vender com base em uma média móvel de fechamentos mensais pode ser uma estratégia efetiva para gerenciar o risco de perda severa dos principais mercados ursos. Em essência, quando o fechamento mensal do índice está acima do valor da média móvel, você mantém o índice. Quando o índice fecha abaixo, você muda para dinheiro. A desvantagem é que ele nunca deixa você no topo ou na parte de trás na parte inferior. Além disso, pode produzir o whipsaw ocasional (sinal de compra ou venda de curto prazo), como, ocasionalmente, experimentado no ano passado. No entanto, um gráfico do SampP 500 encerra mensalmente desde 1995 mostra que uma estratégia de média móvel simples (SMA) de 10 ou 12 meses teria participação segurada na maior parte do movimento de preços ascendentes, ao mesmo tempo em que reduziria drasticamente as perdas. Aqui está a variante de 12 meses: A média móvel exponencial de 10 meses (EMA) é uma pequena variante da média móvel simples. Esta versão aumenta matematicamente a ponderação de dados mais recentes na sequência de 10 meses. Desde 1995, produziu menos whipsaws do que a média móvel simples equivalente, embora fosse um mês mais lento para sinalizar uma venda após esses dois mercados. Um olhar de volta às médias móveis de 10 e 12 meses no Dow durante o Crash de 1929 e Great Depression mostra a eficácia dessas estratégias durante esses tempos perigosos. Os sinais de Psicologia do Momentum O tempo funciona por causa de um traço humano básico. As pessoas imitam o comportamento bem sucedido. Quando eles ouvem de outros ganharem dinheiro no mercado, eles compram. Eventualmente, a tendência inverte. Pode ser apenas as expansões e contrações normais do ciclo econômico. Às vezes, a causa é mais dramática: uma bolha de ativos, uma grande guerra, uma pandemia ou um choque financeiro inesperado. Quando a tendência inverte, os investidores bem sucedidos vendem cedo. A imitação do sucesso gradualmente transforma o impulso de compra anterior em impulso de venda. Implementando a Estratégia Nossas ilustrações do SampP 500 são apenas aquelas ilustrações do mdash. Usamos o SampP por causa dos dados históricos extensivos que estão prontamente disponíveis. No entanto, os seguidores de uma estratégia de média móvel devem tomar decisões buysell nos sinais para cada investimento específico, não um índice amplo. Mesmo se você estiver investindo em um fundo que rastreie o SampP 500 (por exemplo Vanguards VFINX ou o SPY ETF), os sinais médios móveis para os fundos ocasionalmente serão diferentes do índice subjacente devido ao reinvestimento de dividendos. Os números SampP 500 em nossas ilustrações excluem dividendos. A estratégia é mais eficaz em uma conta com vantagem fiscal com um serviço de corretagem de baixo custo. Você quer os ganhos para si mesmo, não seu corretor ou seu tio Sam. Nota . Para quem quiser ver as médias móveis de 10 e 12 meses no SampP 500 e as posições de equivalência patrimonial desde 1950, possui um arquivo Excel (formato xls) dos dados. Nossa fonte para os fechamentos mensais (Coluna B) é o Yahoo Finance. As colunas D e F mostram as posições marcadas pelo fim do mês fechado para as duas estratégias SMA. No passado, recomendamos o artigo pensativo Mebane Fabers, uma abordagem quantitativa para a atribuição de ativos táticos. O artigo agora foi atualizado e expandido como Parte Três: Gerenciamento Ativo em seu livro The Ivy Portfolio. Co-autor com Eric Richardson. Esta é uma leitura obrigatória para qualquer um que considere o uso de um sinal de tempo para decisões de investimento. O livro analisa a aplicação das médias móveis do SampP 500 e quatro classes de ativos adicionais: o Índice Morgan EAEA do Morgan Stanley Capital International (MSCI EAFE), o índice de commodities Goldman Sachs (GSCI), a National Association of Real Estate Investment Trusts Index (NAREIT) e Bônus do Tesouro a 10 anos do governo dos Estados Unidos. Como uma característica regular deste site, atualizamos os sinais no final de cada mês. Para informações adicionais sobre Mebane Faber, visite seu site, Mebane Faber Research. Nota de rodapé no cálculo das médias móveis mensais: se você estiver fazendo seus próprios cálculos de médias móveis para ações que pagam dividendos ou ETFs, ocasionalmente obterá resultados diferentes se você não se ajustar a dividendos. Por exemplo, em 2017, a VNQ permaneceu investida no final de novembro com base nos fechamentos mensais ajustados, mas houve um sinal de venda se você ignorasse os ajustes de dividendos. Como os dados dos meses anteriores serão alterados quando os dividendos forem pagos, você deve atualizar os dados por todos os meses no cálculo se um dividendo for pago desde o fechamento mensal anterior. Este será o caso de quaisquer ações ou fundos que paguem dividendos.