Passeio aleatório médio em movimento

A equivalência é válida apenas para certos modelos, p. EWMA de andamento aleatório ou tendência linear local holt-winters EWMA. Os modelos espaciais estaduais são muito mais gerais do que os suavizantes personalizados. Também a inicialização tem bases teóricas mais sólidas. Se você quiser manter o ruído de caminhada aleatório, e você não está familiarizado com o filtro de Kalman, então você pode estar melhor com EWMAs. Ndash Dr G 5 de outubro 11 às 8:01 Para começar: a equivalência do filtro de Kalman com EWMA é apenas para o caso de uma caminhada aleatória mais ruído e está coberto no livro, Previsão de modelo de série de tempo estrutural e filtro de Kalman por Andrew Harvey . A equivalência de EWMA com o filtro de Kalman para andar aleatório com ruído é abordada na página 175 do texto. Lá, o autor também menciona que a equivalência dos dois foi mostrada pela primeira vez em 1960 e dá referência a ele. Aqui está o link para a página do texto: books. googlebooksidKc6tnRHBwLcCamppgPA175amplpgPA175ampdqewmaandkalmanforrandomwalkwithnoiseampsourceblampotsI3VOQsYZOCampsigRdUCwgFE1s7zrPFylF3e3HxIUNYamphlenampsaXampved0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDADvonepageampqewma20and20kalman20for20random20walk20with20noiseampffalse Agora aqui é referência que cobre uma ALETERNATIVE ao Kalman e filtros de Kalman estendido - que produziu resultados que correspondem ao filtro de Kalman, mas os resultados são obtidos muito mais rápido é o dobro Exponencial Suavização: uma alternativa ao rastreamento preditivo baseado em filtro de Kalman. Em Resumo do artigo (veja abaixo), os autores afirmam. Resultados empíricos que sustentam a validade de nossas afirmações de que esses preditores são mais rápidos, mais fáceis de implementar e executam de forma equivalente aos preditores de filtragem de Kalman e de extensão de Kalman. Este é o Resumo. Apresentamos novos algoritmos para o rastreamento preditivo da posição e orientação do usuário com base em suavização exponencial dupla. Esses algoritmos, quando comparados com Kalman e preditores baseados em filtro Kalman, com modelos de medição sem derivação, funcionam aproximadamente 135 vezes mais rápido com desempenho de previsão equivalente e implementações mais simples. Este artigo descreve esses algoritmos em detalhes, juntamente com o Kalman e os preditores de filtro de Kalman estendidos testados. Além disso, descrevemos os detalhes de um experimento preditor e apresentamos resultados empíricos que sustentam a validade de nossas afirmações de que esses preditores são mais rápidos, mais fáceis de implementar e executam de forma equivalente aos preditores de filtragem de Kalman e de Kalman estendidos. Respondeu Apr 8 16 às 2:06 I39m don39t acho que isso realmente responde a pergunta sobre por que o filtro de Kalman e MA dão resultados semelhantes, mas é tangencialmente relacionado. Você poderia adicionar uma reverência completa para o papel que você cita, em vez de um hiperlink nulo. Isso faria a prova do futuro sua resposta no caso de o link externo mudar. Ndash Silverfish 8 de abril 16 às 5:46 Não era suposto ser. Como a introdução diz, isso significou ser uma alternativa para Kalaman, mas muito mais rápido. Se ele ou outro método fosse citativamente o mesmo que Kalman, com base no tópico do artigo, o autor teria mencionado isso. Então, a esse respeito, a questão é respondida. Ndash jimmeh 9 de abril 16 às 12:15 A equivalência do filtro de Kalman ao passeio aleatório com EWMA é coberta no livro Forecast Structural Time Series Model e Kalman Filter by Andrew Harvey. A equivalência de EWMA com o filtro Kalman para caminhada aleatória é abordada na página 175 do texto. Lá, ele menciona que foi mostrado pela primeira vez em 1960 e fornece a referência. Ndash jimmeh 9 de abril 16 às 12: 54Movendo os modelos de suavização média e exponencial 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 as séries temporais são localmente estacionárias com uma média que varia lentamente. Por isso, tomamos uma média móvel (local) para estimar o valor atual da média e, em seguida, use isso como a previsão para um 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 geralmente é chamada de uma versão quotsmoothedquot da série original porque a média a 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 ideal entre o desempenho dos modelos de caminhada aleatória e média. 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 das séries temporais Y feitas o mais cedo possível por 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 atrasar os pontos de viragem nos dados . Por exemplo, se você estiver calculando a média dos 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 quotfitquot para os dados, ou seja, os menores erros de previsão em média. Aqui é 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, o que equivale 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 lisas: 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 existe uma teoria estatística subjacente que nos diga como os intervalos de confiança devem 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 média de idade aumenta para 10: Observe que, de fato, as previsões estão atrasadas em torno de 10 pontos. 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 Médias temporais e de 9 termos, 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 de que trata as últimas observações k de forma igualitária 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 suavizado atual 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 suavizado 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 cometido 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 que apontam para a previsão anterior, a observação anterior e a célula onde o valor de 945 é armazenado. Note-se 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 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 quotresponsivech para as 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 possui 8220forget8221 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 é 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é 10.2961 3,4 períodos, o 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 o cálculo de 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 ao 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 desativadas 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 de 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 quanto a 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 houver necessidade de prever mais de 1 período à frente, 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 suavização 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 denotar a série de suavização individual 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.) Então, deixe Squot indicar a série duplamente suavizada obtida aplicando o alisamento exponencial simples (usando o mesmo 945) para a série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dada por: Isto produz e 1 0 (isto é, traga 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 Suavizante Brown8217s modelo LES calcula estimativas locais de nível e tendência ao suavizar 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 podem variar a 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. A qualquer momento t, como no modelo Brown8217s, existe 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 o alisamento 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 simulação de tendência 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 revelam-se 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, esse 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 grandeza 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, isso parece previsões razoáveis ​​para um modelo que deveria estimar uma tendência local Se você 8220eyeball8221 este gráfico, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foi estimado pela minimização do erro quadrado das previsões de 1 passo à 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 a passo, 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 extrapolação dos dados no olho, podemos ajustar manualmente a constante de alívio da tendência, de modo que ele use uma linha de base mais curta para a 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 esta 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 capacidade de resposta, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alpha 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 realmente podemos usar a escolha com base De erros de previsão de 1 passo à frente na amostra de dados. Temos de voltar atrás em outras considerações. Se acreditamos firmemente que faz sentido basear a estimativa da tendência atual sobre o que aconteceu nos últimos 20 períodos, 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 daria 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 inflação, então pode ser imprudente extrapolar linear de curto prazo 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 este motivo, o alisamento exponencial simples geralmente apresenta melhor fora da amostra do que seria de esperar, apesar da sua extrapolação de tendência horizontal de quotnaivequot. As modificações de tendências amortecidas 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 modificação 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 todo o software calcula 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 rápido, 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.) Bandas de Bollinger Bandas de Bollinger Introdução Desenvolvido por John Bollinger, as Bandas de Bollinger são bandas de volatilidade colocadas acima e abaixo de uma média móvel. A volatilidade é baseada no desvio padrão. Que muda à medida que a volatilidade aumenta e diminui. As bandas aumentam automaticamente quando a volatilidade aumenta e estreita quando a volatilidade diminui. Essa natureza dinâmica das Bandas Bollinger também significa que elas podem ser usadas em diferentes títulos com as configurações padrão. Para os sinais, as Bandas Bollinger podem ser usadas para identificar M-Tops e W-Bottoms ou para determinar a força da tendência. Os sinais derivados do estreitamento do BandWidth são discutidos no artigo da tabela da tabela no BandWidth. Nota: Bollinger Bands é uma marca registrada de John Bollinger. Cálculo SharpCharts Bandas Bollinger consistem em uma banda do meio com duas bandas externas. A banda do meio é uma média móvel simples que geralmente é configurada em 20 períodos. Uma média móvel simples é usada porque a fórmula de desvio padrão também usa uma média móvel simples. O período de retrocesso para o desvio padrão é o mesmo que para a média móvel simples. As bandas externas geralmente são definidas 2 desvios padrão acima e abaixo da faixa do meio. As configurações podem ser ajustadas de acordo com as características de determinados títulos ou estilos de negociação. Bollinger recomenda fazer pequenos ajustes incrementais ao multiplicador de desvio padrão. Alterar o número de períodos para a média móvel também afeta o número de períodos usados ​​para calcular o desvio padrão. Portanto, apenas são necessários pequenos ajustes para o multiplicador de desvio padrão. Um aumento no período médio móvel aumentaria automaticamente o número de períodos usados ​​para calcular o desvio padrão e também justificaria um aumento no multiplicador de desvio padrão. Com um SMA de 20 dias e um Desvio Padrão de 20 dias, o multiplicador de desvio padrão é definido em 2. Bollinger sugere aumentar o multiplicador de desvio padrão para 2,1 para um SMA de 50 períodos e diminuir o multiplicador de desvio padrão para 1,9 para um período de 10 SMA. Sinal: W-Bottoms W-Bottoms faziam parte do trabalho de Arthur Merrill039 que identificava 16 padrões com uma forma W básica. Bollinger usa esses vários padrões de W com Bandas de Bollinger para identificar W-Bottoms. Um W-Bottom se forma em uma tendência de baixa e envolve dois níveis de reação. Em particular, Bollinger procura W-Bottoms, onde a segunda baixa é menor do que a primeira, mas se mantém acima da banda inferior. Há quatro etapas para confirmar um W-Bottom com Bollinger Bands. Primeiro, uma reação é baixa. Esta baixa é geralmente, mas nem sempre, abaixo da faixa inferior. Em segundo lugar, há um salto para a banda do meio. Em terceiro lugar, há um novo preço baixo na segurança. Esta baixa detém acima da banda inferior. A capacidade de manter acima da faixa mais baixa no teste mostra menos fraqueza no último declínio. Em quarto lugar, o padrão é confirmado com um forte movimento fora do segundo baixo e uma ruptura de resistência. O gráfico 2 mostra Nordstrom (JWN) com um W-Bottom em janeiro-fevereiro de 2010. Primeiro, o estoque formou uma reação baixa em janeiro (seta preta) e quebrou abaixo da faixa inferior. Em segundo lugar, houve um salto para trás acima da banda do meio. Em terceiro lugar, o estoque mudou-se abaixo da baixa de janeiro e manteve-se acima da banda inferior. Mesmo que o pico de 5 de fevereiro quebrou a banda mais baixa, as Bandas Bollinger são calculadas usando os preços de fechamento, de modo que os sinais também devem basear-se nos preços de fechamento. Em quarto lugar, o estoque subiu com o volume em expansão no final de fevereiro e quebrou acima do início de fevereiro. O gráfico 3 mostra Sandisk com um W-Bottom menor em julho-agosto de 2009. Sinal: M-Tops M-Tops também fizeram parte do trabalho de Arthur Merrill039 que identificou 16 padrões com uma forma M básica. Bollinger usa esses vários padrões M com Bollinger Bands para identificar M-Tops. De acordo com Bollinger, os tops geralmente são mais complicados e extraídos do que os fundos. Os tops duplos, os padrões de cabeça e os ombros e os diamantes representam partes superiores em evolução. Na sua forma mais básica, um M-Top é semelhante a um topo duplo. No entanto, as altas de reação nem sempre são iguais. A primeira alta pode ser maior ou menor do que a segunda alta. Bollinger sugere a procura de sinais de não confirmação quando uma segurança está fazendo novos aumentos. Este é basicamente o oposto do W-Bottom. A falta de confirmação ocorre com três etapas. Primeiro, uma segurança forja uma reação bem acima da banda superior. Em segundo lugar, há uma retração para a banda do meio. Em terceiro lugar, os preços se movem acima do alto anterior, mas não alcançam a banda superior. Este é um sinal de alerta. A incapacidade da segunda reação alta para atingir a banda superior mostra um ímpeto decrescente, que pode antecipar uma inversão de tendência. A confirmação final vem com uma quebra de suporte ou um sinal indicador de baixa. O Gráfico 4 mostra o Exxon Mobil (XOM) com um M-Top em abril-maio ​​de 2008. O estoque se moveu acima da banda superior em abril. Houve uma retração em maio e, em seguida, outro impulso acima de 90. Mesmo que o estoque se movesse acima da banda superior em uma base intradia, não Fechou acima da banda superior. O M-Top foi confirmado com uma quebra de suporte duas semanas depois. Observe também que MACD formou uma divergência de baixa e se moveu abaixo de sua linha de sinal para confirmação. O gráfico 5 mostra Pulte Homes (PHM) dentro de uma tendência de alta em julho-agosto de 2008. O preço excedeu a banda alta no início de setembro para afirmar a tendência de alta. Depois de uma retrocessão abaixo do SMA de 20 dias (banda média de Bollinger), o estoque se moveu para um nível mais alto acima de 17. Apesar deste novo alto para o movimento, o preço não excedeu a banda superior. Isso mostrou um sinal de aviso. O estoque quebrou suporte uma semana depois e o MACD se moveu abaixo da linha de sinal. Observe que este M-top é mais complexo porque há níveis de reação mais baixos em ambos os lados do pico (seta azul). Este topo evolutivo formou um pequeno padrão de cabeça e ombros. Sinal: Caminhando as Bandas Movimentos acima ou abaixo das bandas não são sinais per se. Como Bollinger diz, movimentos que tocam ou excedem as bandas não são sinais, mas sim tags. Em frente a isso, um movimento para a banda superior mostra força, enquanto um movimento brusco para a banda baixa mostra fraqueza. Os osciladores Momentum funcionam da mesma forma. A sobrecompra não é necessariamente otimista. Isso requer força para alcançar os níveis de sobrecompra e as condições de sobrecompra podem se estender em uma forte tendência de alta. Da mesma forma, os preços podem caminhar pela banda com inúmeros toques durante uma forte tendência de alta. Pense nisso por um momento. A banda superior possui 2 desvios padrão acima da média móvel simples de 20 períodos. É preciso um movimento de preço muito forte para superar essa banda superior. Um toque de banda superior que ocorre depois de uma Bollinger Band confirmar que W-Bottom sinalizaria o início de uma tendência de alta. Assim como uma forte tendência de alta produz numerosas tags de banda superior, também é comum que os preços nunca atinjam a banda baixa durante uma tendência de alta. O SMA de 20 dias às vezes funciona como suporte. De fato, mergulha abaixo do SMA de 20 dias às vezes oferece oportunidades de compra antes da próxima tag da banda superior. O Gráfico 6 mostra Air Products (APD) com um aumento e fechamento acima da faixa superior em meados de julho. Primeiro, note que este é um forte aumento que quebrou acima de dois níveis de resistência. Um forte impulso ascendente é um sinal de força e não de fraqueza. A negociação ficou plana em agosto e a SMA de 20 dias se moveu para os lados. As bandas de Bollinger diminuíram, mas APD não fechou abaixo da banda inferior. Os preços, e os SMA de 20 dias, apareceram em setembro. No geral, APD fechou acima da banda superior pelo menos cinco vezes ao longo de um período de quatro meses. A janela indicadora mostra o Índice de Canal de Mercadorias de 10 Períodos (CCI). Os mergulhos abaixo de -100 são considerados sobrevoados e se deslocam para trás acima de -100 indicam o início de um salto de sobreposição (linha verde pontilhada). A tag de banda superior e o breakout iniciaram a tendência de alta. CCI então identificou pullbacks negociáveis ​​com mergulhos abaixo de -100. Este é um exemplo de combinação de Bandas Bollinger com um oscilador momentum para sinais comerciais. O Gráfico 7 mostra Monsanto (MON) com uma caminhada pela banda inferior. O estoque caiu em janeiro com uma quebra de suporte e fechou abaixo da banda inferior. Desde meados de janeiro até o início de maio, a Monsanto fechou abaixo da faixa inferior pelo menos cinco vezes. Observe que o estoque não caiu acima da banda superior uma vez durante esse período. A ruptura do suporte e o fechamento inicial abaixo da faixa inferior sinalizaram uma tendência de baixa. Como tal, o Índice de canal de commodities de 10 períodos (CCI) foi usado para identificar situações de sobrecompração de curto prazo. Um movimento acima de 100 é sobrecompra. Um movimento de volta abaixo de 100 sinaliza uma retomada da tendência de baixa (setas vermelhas). Este sistema desencadeou dois bons sinais no início de 2010. Conclusões As bandas de Bollinger refletem a direção com a SMA de 20 períodos e a volatilidade com as bandas superiores. Como tal, eles podem ser usados ​​para determinar se os preços são relativamente altos ou baixos. De acordo com Bollinger, as bandas devem conter 88-89 de ação de preço, o que faz um movimento fora das bandas significativo. Tecnicamente, os preços são relativamente altos quando acima da banda superior e relativamente baixos quando abaixo da faixa inferior. No entanto, relativamente alto não deve ser considerado como de baixa ou como sinal de venda. Do mesmo modo, relativamente baixo não deve ser considerado otimista ou como sinal de compra. Os preços são altos ou baixos por um motivo. Tal como acontece com outros indicadores, as Bandas Bollinger não devem ser usadas como uma ferramenta autônoma. Os cartistas devem combinar Bandas Bollinger com análise de tendências básicas e outros indicadores para confirmação. Bandas e SharpCharts Bandas Bollinger podem ser encontradas em SharpCharts como uma sobreposição de preços. Tal como acontece com uma média móvel simples, Bollinger Bands deve ser mostrado em cima de um gráfico de preço. Ao selecionar Bollinger Bands, a configuração padrão aparecerá na janela de parâmetros (20,2). O primeiro número (20) define os períodos para a média móvel simples e o desvio padrão. O segundo número (2) define o multiplicador de desvio padrão para as bandas superior e inferior. Esses parâmetros padrão configuram as distâncias padrão das bandas 2 abaixo da média móvel simples. Os usuários podem alterar os parâmetros para atender às suas necessidades de gráficos. Bollinger Bands (50,2.1) pode ser usado por um período de tempo mais longo ou as Bandas de Bollinger (10,1,9) podem ser usadas por um período de tempo mais curto. Clique aqui para um exemplo ao vivo. Stocks Commodities Magazine Artigos: