Medios móviles: ¿Cuáles son? Entre los indicadores técnicos más populares, las medias móviles se utilizan para medir la dirección de la tendencia actual. Cada tipo de media móvil (comúnmente escrito en este tutorial como MA) es un resultado matemático que se calcula promediando un número de puntos de datos pasados. Una vez determinado, el promedio resultante se traza en un gráfico para permitir a los operadores ver los datos suavizados en lugar de centrarse en las fluctuaciones de precios cotidianas que son inherentes a todos los mercados financieros. La forma más simple de una media móvil, apropiadamente conocida como media móvil simple (SMA), se calcula tomando la media aritmética de un conjunto dado de valores. Por ejemplo, para calcular una media móvil básica de 10 días, sumaría los precios de cierre de los últimos 10 días y luego dividiría el resultado en 10. En la figura 1, la suma de los precios de los últimos 10 días (110) es Dividido por el número de días (10) para llegar al promedio de 10 días. Si un comerciante desea ver un promedio de 50 días en lugar, el mismo tipo de cálculo se haría, pero incluiría los precios en los últimos 50 días. El promedio resultante a continuación (11) tiene en cuenta los últimos 10 puntos de datos con el fin de dar a los comerciantes una idea de cómo un activo tiene un precio en relación con los últimos 10 días. Quizás usted se está preguntando porqué los comerciantes técnicos llaman a esta herramienta una media móvil y no apenas una media regular. La respuesta es que cuando los nuevos valores estén disponibles, los puntos de datos más antiguos deben ser eliminados del conjunto y los nuevos puntos de datos deben entrar para reemplazarlos. Por lo tanto, el conjunto de datos se mueve constantemente para tener en cuenta los nuevos datos a medida que estén disponibles. Este método de cálculo garantiza que sólo se contabilice la información actual. En la Figura 2, una vez que se agrega el nuevo valor de 5 al conjunto, el cuadro rojo (que representa los últimos 10 puntos de datos) se desplaza hacia la derecha y el último valor de 15 se deja caer del cálculo. Debido a que el valor relativamente pequeño de 5 reemplaza el valor alto de 15, se esperaría ver el promedio de la disminución de conjunto de datos, lo que hace, en este caso de 11 a 10. ¿Qué aspecto tienen los promedios móviles Una vez que los valores de la MA se han calculado, se representan en un gráfico y luego se conectan para crear una línea de media móvil. Estas líneas curvas son comunes en las cartas de los comerciantes técnicos, pero la forma en que se utilizan puede variar drásticamente (más sobre esto más adelante). Como se puede ver en la Figura 3, es posible agregar más de un promedio móvil a cualquier gráfico ajustando el número de períodos de tiempo utilizados en el cálculo. Estas líneas curvas pueden parecer distracción o confusión al principio, pero youll acostumbrarse a ellos a medida que pasa el tiempo. La línea roja es simplemente el precio medio en los últimos 50 días, mientras que la línea azul es el precio promedio en los últimos 100 días. Ahora que usted entiende lo que es un promedio móvil y lo que parece, bien introducir un tipo diferente de media móvil y examinar cómo se diferencia de la mencionada media móvil simple. La media móvil simple es muy popular entre los comerciantes, pero como todos los indicadores técnicos, tiene sus críticos. Muchas personas argumentan que la utilidad de la SMA es limitada porque cada punto en la serie de datos se pondera de la misma, independientemente de dónde se produce en la secuencia. Los críticos sostienen que los datos más recientes son más significativos que los datos anteriores y deberían tener una mayor influencia en el resultado final. En respuesta a esta crítica, los comerciantes comenzaron a dar más peso a los datos recientes, que desde entonces ha llevado a la invención de varios tipos de nuevos promedios, el más popular de los cuales es el promedio móvil exponencial (EMA). Promedio móvil exponencial El promedio móvil exponencial es un tipo de media móvil que da más peso a los precios recientes en un intento de hacerla más receptiva A nueva información. Aprender la ecuación algo complicada para calcular un EMA puede ser innecesario para muchos comerciantes, ya que casi todos los paquetes de gráficos hacen los cálculos para usted. Sin embargo, para los geeks de matemáticas que hay, aquí es la ecuación EMA: Cuando se utiliza la fórmula para calcular el primer punto de la EMA, puede observar que no hay ningún valor disponible para utilizar como la EMA anterior. Este pequeño problema se puede resolver iniciando el cálculo con una media móvil simple y continuando con la fórmula anterior desde allí. Le hemos proporcionado una hoja de cálculo de ejemplo que incluye ejemplos reales de cómo calcular una media móvil simple y una media móvil exponencial. La diferencia entre la EMA y la SMA Ahora que tiene una mejor comprensión de cómo se calculan la SMA y la EMA, echemos un vistazo a cómo estos promedios difieren. Al mirar el cálculo de la EMA, notará que se hace más hincapié en los puntos de datos recientes, lo que lo convierte en un tipo de promedio ponderado. En la Figura 5, el número de periodos de tiempo utilizados en cada promedio es idéntico (15), pero la EMA responde más rápidamente a los precios cambiantes. Observe cómo el EMA tiene un valor más alto cuando el precio está subiendo, y cae más rápidamente que el SMA cuando el precio está disminuyendo. Esta capacidad de respuesta es la razón principal por la que muchos comerciantes prefieren utilizar la EMA sobre la SMA. ¿Qué significan los diferentes días? Las medias móviles son un indicador totalmente personalizable, lo que significa que el usuario puede elegir libremente el tiempo que desee al crear el promedio. Los períodos de tiempo más comunes utilizados en las medias móviles son 15, 20, 30, 50, 100 y 200 días. Cuanto más corto sea el lapso de tiempo utilizado para crear el promedio, más sensible será a los cambios de precios. Cuanto más largo sea el lapso de tiempo, menos sensible o más suavizado será el promedio. No hay un marco de tiempo adecuado para usar al configurar sus promedios móviles. La mejor manera de averiguar cuál funciona mejor para usted es experimentar con una serie de diferentes períodos de tiempo hasta encontrar uno que se adapte a su estrategia. Medios móviles: cómo utilizarlos Suscríbase a las noticias para usar para obtener las últimas ideas y análisis Gracias por inscribirse en Investopedia Insights - Noticias de Use. A RIMA significa Autoregressive Integrated Moving Average modelos. 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 lo largo 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 al 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 se ven 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. Por eso el modelado ARIMA tradicional es un arte más que una ciencia. Promedios de Movimiento - Promedios Móviles Simples y Exponenciales - Simple y Exponencial Introducción Los promedios móviles suavizan los datos de precios para formar un indicador de tendencia siguiente. No predicen la dirección del precio, sino que definen la dirección actual con un retraso. Los promedios móviles se retrasan porque están basados en precios pasados. A pesar de este retraso, las medias móviles ayudan a suavizar la acción de los precios y filtran el ruido. También forman los bloques de construcción de muchos otros indicadores técnicos y superposiciones, como Bollinger Bands. MACD y el oscilador de McClellan. Los dos tipos más populares de promedios móviles son el promedio móvil simple (SMA) y el promedio móvil exponencial (EMA). Estos promedios móviles pueden usarse para identificar la dirección de la tendencia o definir niveles potenciales de soporte y resistencia. Aquí hay un gráfico con un SMA y un EMA en él: Cálculo del promedio móvil simple Un promedio móvil simple se forma computando el precio medio de un título sobre un número específico de períodos. La mayoría de las medias móviles se basan en los precios de cierre. Una media móvil simple de 5 días es la suma de cinco días de los precios de cierre dividida por cinco. Como su nombre lo indica, un promedio móvil es un promedio que se mueve. Los datos antiguos se eliminan a medida que vienen disponibles nuevos datos. Esto hace que el promedio se mueva a lo largo de la escala de tiempo. A continuación se muestra un ejemplo de un promedio móvil de 5 días que evoluciona en tres días. El primer día de la media móvil simplemente cubre los últimos cinco días. El segundo día de la media móvil desciende el primer punto de datos (11) y añade el nuevo punto de datos (16). El tercer día de la media móvil continúa cayendo el primer punto de datos (12) y añadiendo el nuevo punto de datos (17). En el ejemplo anterior, los precios aumentan gradualmente de 11 a 17 en un total de siete días. Observe que la media móvil también aumenta de 13 a 15 durante un período de cálculo de tres días. También observe que cada valor promedio móvil es justo debajo del último precio. Por ejemplo, el promedio móvil para el primer día es igual a 13 y el último precio es 15. Los precios de los cuatro días anteriores fueron más bajos y esto hace que el promedio móvil se retrasa. Cálculo del promedio móvil exponencial Los promedios móviles exponenciales reducen el retraso aplicando más peso a los precios recientes. La ponderación aplicada al precio más reciente depende del número de periodos de la media móvil. Hay tres pasos para calcular una media móvil exponencial. En primer lugar, calcular el promedio móvil simple. Un promedio móvil exponencial (EMA) tiene que comenzar en alguna parte así que una media móvil simple se utiliza como EMA anterior del período anterior en el primer cálculo. Segundo, calcule el multiplicador de ponderación. En tercer lugar, calcular la media móvil exponencial. La siguiente fórmula es para un EMA de 10 días. Una media móvil exponencial de 10 períodos aplica una ponderación de 18.18 al precio más reciente. Un EMA de 10 periodos también puede ser llamado un EMA 18.18. Una EMA de 20 periodos aplica una ponderación de 9.52 al precio más reciente (2 / (201) .0952). Observe que la ponderación para el período de tiempo más corto es más que la ponderación para el período de tiempo más largo. De hecho, la ponderación disminuye a la mitad cada vez que el período de media móvil se duplica. Si desea un porcentaje específico para un EMA, puede usar esta fórmula para convertirlo en períodos de tiempo y luego ingresar ese valor como el parámetro EMA039s: A continuación se muestra un ejemplo de hoja de cálculo de una media móvil simple de 10 días y un valor de 10- Promedio móvil exponencial para Intel. Los promedios móviles simples son directos y requieren poca explicación. El promedio de 10 días se mueve simplemente mientras que nuevos precios están disponibles y los viejos precios caen apagado. El promedio móvil exponencial comienza con el valor de la media móvil simple (22,22) en el primer cálculo. Después del primer cálculo, la fórmula normal se hace cargo. Debido a que un EMA comienza con un promedio móvil simple, su verdadero valor no se realizará hasta 20 o más períodos más tarde. En otras palabras, el valor de la hoja de cálculo Excel puede diferir del valor del gráfico debido al corto período de revisión. Esta hoja de cálculo sólo se remonta a 30 períodos, lo que significa que el efecto de la media móvil simple ha tenido 20 períodos para disipar. StockCharts se remonta al menos 250 períodos (por lo general mucho más) para sus cálculos de modo que los efectos de la media móvil simple en el primer cálculo se han disipado completamente. El factor de Lag Cuanto más largo es el promedio móvil, más el retraso. Una media móvil exponencial de 10 días abrazará los precios de cerca y se convertirá poco después de que los precios giren. Los promedios móviles cortos son como los veleros, ágiles y rápidos de cambiar. Por el contrario, una media móvil de 100 días contiene muchos datos pasados que lo ralentizan. Los promedios móviles más largos son como los petroleros oceánicos - letárgicos y lentos para cambiar. Se necesita un movimiento de precios más grande y más largo para una media móvil de 100 días para cambiar el rumbo. La tabla de arriba muestra el SampP 500 ETF con una EMA de 10 días siguiendo de cerca los precios y una molienda SMA de 100 días más alta. Incluso con la disminución de enero-febrero, la SMA de 100 días mantuvo el curso y no rechazó. La SMA de 50 días se sitúa entre los promedios móviles de 10 y 100 días cuando se trata del factor de retraso. Simples versus promedios móviles exponenciales Aunque hay claras diferencias entre promedios móviles simples y promedios móviles exponenciales, uno no es necesariamente mejor que el otro. Los promedios móviles exponenciales tienen menos retraso y, por lo tanto, son más sensibles a los precios recientes y las recientes variaciones de precios. Los promedios móviles exponenciales se convertirán antes de promedios móviles simples. Los promedios móviles simples, por otro lado, representan un verdadero promedio de precios para todo el período de tiempo. Como tales, los promedios móviles simples pueden ser más adecuados para identificar niveles de soporte o resistencia. La preferencia media móvil depende de los objetivos, el estilo analítico y el horizonte temporal. Los cartistas deben experimentar con ambos tipos de promedios móviles, así como diferentes plazos para encontrar el mejor ajuste. La siguiente tabla muestra IBM con la SMA de 50 días en rojo y la EMA de 50 días en verde. Ambos culminaron a finales de enero, pero la disminución en la EMA fue más nítida que la disminución de la SMA. La EMA apareció a mediados de febrero, pero la SMA continuó baja hasta finales de marzo. Tenga en cuenta que la SMA apareció más de un mes después de la EMA. Longitudes y plazos La longitud del promedio móvil depende de los objetivos analíticos. Promedios cortos móviles (5-20 períodos) son los más adecuados para las tendencias a corto plazo y el comercio. Los cartistas interesados en las tendencias a mediano plazo optarían por promedios móviles más largos que podrían extenderse de 20 a 60 períodos. Los inversores a largo plazo preferirán las medias móviles con 100 o más períodos. Algunas longitudes móviles son más populares que otras. El promedio móvil de 200 días es quizás el más popular. Debido a su longitud, esto es claramente una media móvil a largo plazo. A continuación, el promedio móvil de 50 días es muy popular para la tendencia a mediano plazo. Muchos cartistas utilizan los promedios móviles de 50 días y 200 días juntos. A corto plazo, una media móvil de 10 días fue muy popular en el pasado porque era fácil de calcular. Uno simplemente agregó los números y movió el punto decimal. Identificación de tendencias Las mismas señales pueden generarse utilizando promedios móviles simples o exponenciales. Como se mencionó anteriormente, la preferencia depende de cada individuo. Estos ejemplos a continuación utilizarán promedios móviles simples y exponenciales. El término media móvil se aplica tanto a promedios móviles simples como exponenciales. La dirección de la media móvil transmite información importante sobre los precios. Una media móvil en ascenso muestra que los precios están aumentando. Una media móvil decreciente indica que los precios, en promedio, están cayendo. El aumento de la media móvil a largo plazo refleja una tendencia alcista a largo plazo. Una caída del promedio móvil a largo plazo refleja una tendencia a la baja a largo plazo. El gráfico anterior muestra 3M (MMM) con una media móvil exponencial de 150 días. Este ejemplo muestra cuán bien funcionan las medias móviles cuando la tendencia es fuerte. La EMA de 150 días rechazó en noviembre de 2007 y otra vez en enero de 2008. Observe que tomó una declinación 15 para invertir la dirección de esta media móvil. Estos indicadores rezagados identifican reversiones de tendencias a medida que ocurren (en el mejor de los casos) o después de que ocurren (en el peor). MMM continuó más bajo en marzo de 2009 y luego subió 40-50. Observe que la EMA de 150 días no apareció hasta después de este aumento. Una vez que lo hizo, sin embargo, MMM continuó más alto en los próximos 12 meses. Los promedios móviles trabajan brillantemente en fuertes tendencias. Crossovers dobles Dos medias móviles se pueden usar juntas para generar señales de cruce. En Análisis Técnico de los Mercados Financieros. John Murphy llama a esto el método de crossover doble. Los crossovers dobles implican una media móvil relativamente corta y una media móvil relativamente larga. Como con todas las medias móviles, la longitud general de la media móvil define el marco de tiempo para el sistema. Un sistema que utilice un EMA de 5 días y un EMA de 35 días se consideraría a corto plazo. Un sistema que utilizara un SMA de 50 días y un SMA de 200 días se consideraría de mediano plazo, tal vez incluso a largo plazo. Un cruce alcista ocurre cuando el promedio móvil más corto cruza por encima del promedio móvil más largo. Esto también se conoce como una cruz de oro. Un crossover bajista ocurre cuando el promedio móvil más corto cruza debajo de la media móvil más larga. Esto se conoce como una cruz muerta. Los cruces de media móvil producen señales relativamente tardías. Después de todo, el sistema emplea dos indicadores retardados. Cuanto más largo sea el promedio móvil, mayor será el desfase en las señales. Estas señales funcionan muy bien cuando una buena tendencia se apodera. Sin embargo, un sistema de crossover de media móvil producirá muchos whipsaws en ausencia de una tendencia fuerte. También hay un método triple crossover que implica tres promedios móviles. De nuevo, se genera una señal cuando la media móvil más corta cruza las dos medias móviles más largas. Un simple sistema de crossover triple puede implicar promedios móviles de 5 días, 10 días y 20 días. La tabla anterior muestra Home Depot (HD) con una EMA de 10 días (línea punteada verde) y EMA de 50 días (línea roja). La línea negra es el cierre diario. El uso de un crossover promedio móvil habría dado lugar a tres whipsaws antes de coger un buen comercio. La EMA de 10 días se rompió por debajo de la EMA de 50 días a finales de octubre (1), pero esto no duró mucho ya que los 10 días retrocedieron a mediados de noviembre (2). Esta cruz duró más tiempo, pero el siguiente cruce bajista en enero (3) ocurrió cerca de finales de noviembre los niveles de precios, dando lugar a otro whipsaw. Esta cruz bajista no duró mucho ya que la EMA de 10 días retrocedió por encima de los 50 días unos días después (4). Después de tres malas señales, la cuarta señal prefiguró un movimiento fuerte mientras que la acción avanzó sobre 20. Hay dos takeaways aquí. Primero, los crossovers son propensos al whipsaw. Se puede aplicar un filtro de precio o tiempo para ayudar a prevenir las sierras. Los operadores pueden requerir que el crossover dure 3 días antes de actuar o requiera que la EMA de 10 días se mueva por encima / por debajo del EMA de 50 días por una cierta cantidad antes de actuar. En segundo lugar, MACD se puede utilizar para identificar y cuantificar estos crossovers. MACD (10, 50, 1) mostrará una línea que representa la diferencia entre las dos medias móviles exponenciales. MACD se vuelve positivo durante una cruz de oro y negativo durante una cruz muerta. El oscilador de precio porcentual (PPO) se puede utilizar de la misma manera para mostrar diferencias porcentuales. Tenga en cuenta que MACD y el PPO se basan en promedios móviles exponenciales y no coincidirá con los promedios móviles simples. Este gráfico muestra Oracle (ORCL) con EMA de 50 días, EMA de 200 días y MACD (50.200,1). Hubo cuatro crossovers de media móvil durante un período de 2 1/2 años. Los tres primeros resultaron en whipsaws o malos oficios. Una tendencia sostenida comenzó con el cuarto crossover como ORCL avanzó a mediados de los 20s. Una vez más, los crossovers medios móviles funcionan muy bien cuando la tendencia es fuerte, pero producen pérdidas en ausencia de una tendencia. Crossovers de precios Los promedios móviles también pueden usarse para generar señales con crossovers de precios simples. Una señal alcista se genera cuando los precios se mueven por encima de la media móvil. Se genera una señal bajista cuando los precios se mueven por debajo de la media móvil. Los crossovers de precios se pueden combinar para comerciar dentro de la tendencia más grande. La media móvil más larga establece el tono para la tendencia más grande y la media móvil más corta se utiliza para generar las señales. Uno buscaría cruces de precios alcistas sólo cuando los precios ya están por encima de la media móvil más larga. Esto estaría negociando en armonía con la tendencia más grande. Por ejemplo, si el precio está por encima de la media móvil de 200 días, los cartistas sólo se centrarán en las señales cuando el precio se mueve por encima de la media móvil de 50 días. Obviamente, un movimiento por debajo de la media móvil de 50 días precedería a tal señal, pero tales cruces bajistas serían ignorados porque la tendencia más grande es hacia arriba. Una cruz bajista simplemente sugeriría un retroceso dentro de una mayor tendencia alcista. Un retroceso por encima de la media móvil de 50 días señalaría una subida de los precios y la continuación de la mayor tendencia alcista. El siguiente gráfico muestra Emerson Electric (EMR) con la EMA de 50 días y EMA de 200 días. La acción se movió por encima y se mantuvo por encima de la media móvil de 200 días en agosto. Hubo bajadas por debajo de los 50 días EMA a principios de noviembre y de nuevo a principios de febrero. Los precios se movieron rápidamente por encima de la EMA de 50 días para proporcionar señales alcistas (flechas verdes) en armonía con la mayor tendencia alcista. MACD (1,50,1) se muestra en la ventana del indicador para confirmar los cruces de precios por encima o por debajo de la EMA de 50 días. El EMA de 1 día es igual al precio de cierre. El MACD (1,50,1) es positivo cuando el cierre está por encima del EMA de 50 días y negativo cuando el cierre está por debajo del EMA de 50 días. Soporte y Resistencia Los promedios móviles también pueden actuar como soporte en una tendencia alcista y resistencia en una tendencia bajista. Una tendencia alcista a corto plazo podría encontrar apoyo cerca de la media móvil simple de 20 días, que también se utiliza en bandas de Bollinger. Una tendencia alcista a largo plazo podría encontrar apoyo cerca del promedio móvil de 200 días, que es el promedio móvil más popular a largo plazo. De hecho, el promedio móvil de 200 días puede ofrecer soporte o resistencia simplemente porque es tan ampliamente utilizado. Es casi como una profecía autocumplida. El gráfico de arriba muestra el NY Composite con el promedio móvil simple de 200 días desde mediados de 2004 hasta finales de 2008. Los 200 días de apoyo brindado numerosas veces durante el avance. Una vez que la tendencia se invirtió con una ruptura de apoyo superior doble, el promedio móvil de 200 días actuó como resistencia alrededor de 9500. No espere soporte exacto y niveles de resistencia de promedios móviles, especialmente medias móviles más largas. Los mercados son impulsados por la emoción, lo que los hace propensos a los rebasamientos. En lugar de los niveles exactos, las medias móviles se pueden utilizar para identificar las zonas de apoyo o resistencia. Conclusiones Las ventajas de utilizar promedios móviles deben sopesarse contra las desventajas. Los promedios móviles son tendencia que sigue, o rezagada, los indicadores que serán siempre un paso detrás. Esto no es necesariamente una cosa mala. Después de todo, la tendencia es su amigo y es mejor el comercio en la dirección de la tendencia. Medias móviles aseguran que un comerciante está en línea con la tendencia actual. A pesar de que la tendencia es su amigo, los valores pasan una gran cantidad de tiempo en rangos comerciales, lo que hace que los promedios móviles sean ineficaces. Una vez en una tendencia, los promedios móviles le mantendrá en, pero también dar señales tardías. Don039t esperan vender en la parte superior y comprar en la parte inferior utilizando promedios móviles. Al igual que con la mayoría de las herramientas de análisis técnico, las medias móviles no deben usarse por sí solas, sino en conjunto con otras herramientas complementarias. Los cartistas pueden usar promedios móviles para definir la tendencia general y luego usar RSI para definir los niveles de sobrecompra o sobreventa. Adición de promedios móviles a los gráficos de StockCharts Los promedios móviles están disponibles como una función de superposición de precios en el workbench de SharpCharts. Utilizando el menú desplegable Superposiciones, los usuarios pueden elegir un promedio móvil simple o un promedio móvil exponencial. El primer parámetro se utiliza para establecer el número de períodos de tiempo. Se puede agregar un parámetro opcional para especificar el campo de precio que se debe utilizar en los cálculos: O para el Abierto, H para el Alto, L para el Bajo y C para el Cierre. Una coma se utiliza para separar los parámetros. Se puede agregar otro parámetro opcional para cambiar las medias móviles a la izquierda (pasado) oa la derecha (futuro). Un número negativo (-10) cambiaría la media móvil a la izquierda 10 períodos. Un número positivo (10) cambiaría la media móvil a los 10 periodos correctos. Múltiples promedios móviles pueden superponerse a la gráfica de precios simplemente agregando otra línea de superposición al workbench. Los miembros de StockCharts pueden cambiar los colores y el estilo para diferenciar entre varios promedios móviles. Después de seleccionar un indicador, abra Opciones avanzadas haciendo clic en el pequeño triángulo verde. Las Opciones avanzadas también se pueden usar para agregar una superposición de promedio móvil a otros indicadores técnicos como RSI, CCI y Volumen. Haga clic aquí para un gráfico en vivo con varios promedios móviles diferentes. Usando los promedios móviles con las exploraciones de StockCharts Aquí hay algunas exploraciones de la muestra que los miembros de StockCharts pueden utilizar para explorar diversas situaciones del promedio móvil: Movimiento alcista de la media cruzada: Esta exploraciones busca las poblaciones con una media móvil simple de 150 días y una cruz alcista de los 5 EMA y EMA de 35 días. La media móvil de 150 días está subiendo, siempre y cuando se está negociando por encima de su nivel hace cinco días. Una cruz alcista ocurre cuando la EMA de 5 días se mueve por encima de la EMA de 35 días sobre un volumen por encima del promedio. Media bajista media móvil: Esta escanea busca acciones con una media móvil simple descendente de 150 días y una cruz bajista de la EMA de 5 días y de la EMA de 35 días. La media móvil de 150 días está cayendo, siempre y cuando se está negociando por debajo de su nivel hace cinco días. Una cruz bajista ocurre cuando la EMA de 5 días se mueve por debajo de la EMA de 35 días sobre un volumen por encima del promedio. Estudio adicional El libro de John Murphy tiene un capítulo dedicado a los promedios móviles ya sus diversos usos. Murphy cubre los pros y los contras de los promedios móviles. Además, Murphy muestra cómo los promedios móviles trabajan con Bollinger Bands y los sistemas comerciales basados en canales. Análisis Técnico de los Mercados Financieros John MurphyMedio móvil de segundo orden y escalamiento de series temporales estocticas Citar este artículo como: Alessio, E. Carbone, A. Castelli, G. et al. EUR. Phys. Las propiedades de correlación a largo plazo de las series temporales estocásticas y (i) han sido investigadas introduciendo la función 2 MA () () y (I) - () (i) 2. donde () (i) es el promedio móvil de y (i), definido como 1 / n () y (i - k) La dimensión de la serie estocástica. Se muestra que, usando un procedimiento computacional apropiado, la función MA varía como n H donde H es el exponente de Hurst de la serie. También se ha realizado una comparación de los exponentes de ley de potencia obtenidos usando respectivamente la función MA y el Análisis de Fluctuación Detrendada. Se han evidenciado características interesantes que denota la existencia de una relación entre las propiedades de escala del proceso ruidoso y la técnica de filtrado de media móvil. PACS. 05.40.-a Fenómenos de fluctuación, procesos aleatorios, ruido y movimiento browniano 05.45.Tp Análisis de series de tiempo Recibido el 31 de diciembre de 2001 Información sobre derechos de autor EDP Sciences, Springer-Verlag 2002 Autores y afiliaciones E. Alessio 1 A. Carbone 2 G. Castelli 2 V IT 2. Instituto Nacional de la Física de la Materia (INFM) y Dipartimento di Fisica, Politécnico de Turín, Corso Duca degli Abruzzi 24, 10129 Torino (Italia) , Italia IT Acerca de este artículo Imprimir ISSN El término tendencias implica un cambio en el tiempo. Un tipo de pronóstico es cuantitativo, e implica analizar datos de series de tiempo, y luego predecir lo que podría ser el futuro. Por ejemplo, las ventas en un puesto de helado en el parque de la ciudad en junio de cada uno de los últimos cinco años ha sido buena, pero en julio fue alrededor de 20 más que en junio. Si este año, el stand tomó 10.000 en junio (un nuevo récord), ¿cuánto predeciría que tomará en julio? Bueno, si estuviéramos correctos en nuestra hipótesis basada en los datos históricos, la estimación de marzo sería la cifra de julio 20 más alto, o 12.000. Microsoft Excel ofrece algunas herramientas integradas para la previsión. Una de ellas le permite agregar una línea de tendencia a los puntos de datos existentes en un gráfico. Esto permite al usuario interpolar (es decir, encontrar un punto de datos entre puntos existentes) o extrapolar (es decir, para encontrar un punto de datos pasado el final de los datos actuales, ya sea por pronóstico o quotbackcasting a un período anterior). Sin embargo, Como con las plantillas, los desarrolladores de estas herramientas han tomado algunas decisiones para el usuario, y no todos los usuarios estarían de acuerdo con esas decisiones. Si las limitaciones impuestas por las características de Microsoft Excels para la predicción son inapropiadas para una tarea de pronóstico en particular, al lector se le alienta a utilizar la manipulación numérica directa utilizando técnicas analíticas probadas como se describe en cualquiera de varios textos sobre pronóstico (como Makridakis, Wheelwright amp Hyndman, 1998). Antes de comenzar En esta página se supone que el usuario tiene Microsoft Excel8482 2010 o 2007 con el complemento Analysis ToolPak de Microsoft instalado. Veamos algunos datos referentes a lámparas fluorescentes compactas (CFLs) usando lo siguiente como un documento fuente: US Department of Energy. (2009). CFL Market Profile - Marzo de 2009. Washington, DC: Autor. Obtenido el 7 de abril de 2009 de www. energystar. gov/ia/products/downloads/CFLMarketProfile. pdf El análisis en este informe fue realizado por D amp R International, LTD (www. drintl /.) En la página 2, hay una barra (O gráfico de barras) que enumera el número de envíos de LFC por año hasta 2007, y luego predice el número de envíos en 2008, 2009 y 2010, sobre la base de esos datos. Permite utilizar los datos de este gráfico y la potencia de Microsoft Excel para hacer una predicción similar. Idealmente, tendría los valores de datos reales, pero en este caso, se hizo una estimación basada en el gráfico anterior y la siguiente se ingresó en una hoja de cálculo de Excel. Tabla 1. Datos brutos. Permite ver sólo los datos históricos de 2000 a 2007, no las estimaciones o predicciones para 2008 a 2010. Podemos recrear el gráfico de barras mostrado en el documento de origen seleccionando los datos históricos en Excel y creando un gráfico de barras: Figura 2. Datos crudos en un gráfico de barras para coincidir con original Pero en lugar de eso, permite crear un diagrama de dispersión de los valores (ya que la característica de ecuación de la línea de tendencia Excels puede producir errores con gráficos de barras o gráficos de líneas.) Figura 3. Datos brutos en un gráfico de dispersión. Adición de una línea de tendencia lineal y una ecuación de regresión Ahora, recuerde, sólo nos interesan los datos de CFL y queremos poder predecir los años futuros. Para agregar una línea de tendencia, haga clic en uno de los iconos que representan un punto de datos para CFL y, a continuación, haga clic con el botón derecho del ratón y seleccione quotAdd Trendline. quot Verá el siguiente cuadro de diálogo. En este ejemplo, asumiremos que el número de lámparas fluorescentes compactas enviadas por año aumenta a una velocidad constante o lineal. Por ahora, en el área Opciones de Tendencia, seleccione el siguiente tipo de Tendencia / Regresión: Pronóstico Lineal - Adelante 3 períodos Visualización Ecuación en el gráfico Después de mover la ecuación tenemos: Figura 5. Datos brutos con una línea de tendencia lineal y una ecuación de regresión. La ecuación es una ecuación de regresión lineal. Eso significa que es la ecuación de una línea recta que mejor se ajusta a los puntos en el gráfico. El método que utiliza Excel para determinar estas ecuaciones implica encontrar la línea que produce el menor valor para la suma de los cuadrados de las diferencias verticales entre los puntos de datos y la línea. Como todas las líneas, tiene una ecuación en la forma: y es el número a calcular, la variable dependiente o, en este caso, el número de millones de CFL enviadas por año m es la pendiente de la línea, que es igual al cambio En el valor de y dividido por el cambio en el valor de x x es el punto de datos dado o la variable dependiente, en este caso, es el año yb es la intersección de eje-y de la línea. Y 388 millones de LFCs enviados Podemos sustituir otros valores de x, como el año 2020, y como tenemos una ecuación, podemos predecir que habrá 793 millones de LFCs enviadas en el año 2020. Por supuesto, esto está haciendo un Muchos supuestos que no debemos hacer. En particular, asumimos que la tendencia es lineal y que continuará en el futuro. Método alternativo. Puede encontrar la ecuación directamente de los datos presentados, si lo desea. Seleccione dos celdas como G5 y G6 y luego comience a escribir en la fórmula: LINEST (rango) para el rango, seleccione todos los valores y conocidos, a continuación, escriba el paréntesis de cierre, pero no pulse la tecla Intro. En su lugar, pulse Control-Mayús-Intro. Youll ver la pendiente y la intercepción aparecen en estas dos celdas. Muchas tendencias no son lineales. Por ejemplo, la población humana en el planeta era bastante lineal, pero luego se disparó, como se ilustra en la línea roja de la siguiente figura: Figura 7. Tendencia no lineal de crecimiento de la población mundial a largo plazo. Naciones Unidas, 1999, p. 7. Existen varias ecuaciones predictivas no lineales. Bien mirar dos, ecuaciones exponenciales y ecuaciones polinómicas, pero se aconseja explorar otros. Tomemos los mismos datos históricos de envío de CFL que utilizamos anteriormente y aplicamos algunas líneas de tendencia no lineales. Aquí hay una línea de tendencia exponencial. Utiliza una ecuación que tiene el valor x (el año) como exponente. Hice clic en la nueva ecuación una etiqueta de línea de tendencia de quotformat seleccionada para mostrar la ecuación en notación científica con seis puntos decimales, ya que el valor predeterminado no me da suficiente precisión para predecir. Figura 8. Datos brutos con línea de tendencia exponencial. Como podemos ver, la línea de tendencia es curvada, no tanto como lo indica el relativamente alto punto de referencia de 2007, pero todavía está curvado. La ecuación predictiva es: y 1.598767 E -279 e 3.226616 E -01 x Recuerde que el capital E significa quotTimes diez a la potencia de y que el caso minúsculo e es una constante aproximadamente igual a 2.71828. En Excel, puedo escribir en la siguiente fórmula en cualquier celda: y reemplazando quot2010quot con el año, obtener una predicción para ese año. El valor para 2010 es 733 millones de LFC, y el valor para 2012 es de 1.398 millones de liras CFL. La ecuación predictiva puede ser un polinomio. Vimos que la ecuación de regresión lineal era una ecuación polinomial de segundo orden, o cuadrática, agrega un término x 2, resultando en: La gráfica de una ecuación cuadrática de esta forma es típicamente una parábola. Aquí está el mismo dato con una línea de tendencia polinomial de segundo orden: Figura 9. Línea de tendencia polinómica de segundo orden con ecuación. Es posible aumentar el orden, añadiendo un término x 3. x 4. o x 5, si hay razón para creer que tal curva será más precisa. A veces, sospechamos que los datos deben ser modificados. En nuestro ejemplo, observe cuán alto era el valor de 400 para 2007. Un analista podría tener razones para creer que este punto era un valor atípico, y debido a algunas circunstancias especiales, como una campaña de marketing de una sola vez, el alto valor de este dato Está desechando la predicción futura. Permite alterar los datos, reduciendo ese punto a 300. Tabla 2. Datos revisados. Utilizando los datos revisados y la predicción de polinomios de segundo orden, obtenemos: Figura 10. El valor de 2007 fue cambiado de 400 a 300 en la creencia de que se trataba de un valor anormal. Observe cómo la Figura 10 está relativamente cerca de la predicción inicial mostrada en el documento original de la DOE de EE. UU. Hay muchas maneras de transformar y ajustar los datos, y en cada caso el analista debe tener una línea defendible de razonamiento que justifique la transformación. Al igual que con muchas formas de análisis estadístico, la extrapolación de la línea de tendencia puede estar sujeta a intentos deliberados de hacer que los datos sugieran el sesgo de los analistas. Esto es inapropiado. Donde hay proyecciones alternativas, es mejor presentarlas con explicaciones de cada una. Por ejemplo, la siguiente ilustración muestra varios caminos diferentes que la población mundial podría tomar en diferentes condiciones explicadas por los autores. Como se ve en Excels Trendline Options cuadro de diálogo, hay otros tipos de líneas de tendencia que se pueden agregar, incluyendo un logarítmico, la energía y la tendencia media móvil línea de tendencia. El complemento de Analysis ToolPak para Excel también tiene varias herramientas de previsión. Para acceder a ellos, haga clic en Análisis de datos en la ficha Datos. Verá el promedio móvil, la regresión y el suavizado exponencial allí, todos los cuales pueden usarse para pronosticar. Pero no te detengas ahí, Excel, al igual que algunos otros programas de manipulación numérica, permite al usuario controlar directamente las fórmulas utilizadas para obtener valores. No tenemos que conformarnos con la configuración predeterminada que se utiliza en la función Agregar Trendline de gráficos, pero podemos realizar los cálculos necesarios en los datos directamente. Para obtener información sobre los métodos de esta lección, y otros, como el método de Box-Jenkins, regresión dinámica, regresión múltiple, consulte un texto sobre pronóstico, como el de Makridakis, Wheelwright, amp Hyndman (1998). Makridakis. S. Wheelwright, S. amp Hyndman, R. (1998). Pronóstico: Métodos y Aplicaciones. 3ª ed. Nueva York: Wiley amp Sons. Naciones Unidas. (1998). Proyecciones mundiales de población a largo plazo: Basado en la Revisión de 1998. Resumen ejecutivo . Autor. Recuperado el 7 de abril de 2009 de www. un. org/esa/population/publications/longrange/longrangeExecSum. pdf Departamento de Energía de los Estados Unidos. (2009). CFL Market Profile - Marzo de 2009. Washington, DC: Autor. Obtenido el 7 de abril de 2009 de www. energystar. gov/ia/products/downloads/CFLMarketProfile. pdf
No comments:
Post a Comment