Moving Average Linear Trend

Indicador Técnico de Média Móvel O Indicador Técnico de Média Móvel mostra o valor médio do preço do instrumento para um determinado período de tempo. Quando se calcula a média móvel, uma média do preço do instrumento para este período de tempo. À medida que o preço muda, sua média móvel aumenta ou diminui. Existem quatro tipos diferentes de médias móveis: Simples (também referido como Aritmética). Exponencial. Alisado e linear ponderado. As médias móveis podem ser calculadas para qualquer conjunto de dados seqüenciais, incluindo preços de abertura e fechamento, preços mais altos e mais baixos, volume de negociação ou quaisquer outros indicadores. É freqüentemente o caso quando se utilizam médias móveis duplas. A única coisa em que as médias móveis de diferentes tipos divergem consideravelmente umas das outras, é quando os coeficientes de peso, que são atribuídos aos dados mais recentes, são diferentes. No caso em que estamos falando de simples média móvel, todos os preços do período em questão, são iguais em valor. As Médias Mínimas exponenciais e Lineares ponderadas atribuem mais valor aos preços mais recentes. A maneira mais comum de interpretar a média móvel de preços é comparar sua dinâmica com a ação de preço. Quando o preço do instrumento sobe acima de sua média móvel, um sinal de compra aparece, se o preço cai abaixo de sua média móvel, o que temos é um sinal de venda. Este sistema de comércio, que é baseado na média móvel, não é projetado para fornecer entrada no direito de mercado em seu ponto mais baixo, e sua saída direita no pico. Permite agir de acordo com a seguinte tendência: comprar logo após os preços chegarem ao fundo, e vender logo depois que os preços atingiram seu pico. As médias móveis também podem ser aplicadas aos indicadores. É aí que a interpretação das médias móveis dos indicadores é semelhante à interpretação das médias móveis de preços: se o indicador se eleva acima da média móvel, isso significa que o movimento do indicador ascendente deverá continuar: se o indicador cair abaixo da sua média móvel, Significa que é provável que continue indo para baixo. Aqui estão os tipos de médias móveis no gráfico: Média Móvel Simples (SMA) Média Móvel Exponencial (EMA) com suavização de Média Móvel (SMMA) Linear Média Móvel Ponderada Cálculo (LWMA): Média Móvel Simples (SMA) Simples, em outras palavras, A média móvel aritmética é calculada pela soma dos preços de encerramento do instrumento ao longo de um certo número de períodos únicos (por exemplo, 12 horas). Este valor é então dividido pelo número de tais períodos. Onde: N é o número de períodos de cálculo. Média Móvel Exponencial (EMA) A média móvel suavizada exponencialmente é calculada adicionando a média móvel de uma determinada parcela do preço de fechamento atual ao valor anterior. Com médias móveis exponencialmente suavizadas, os preços mais recentes são de maior valor. P-porcentagem de média móvel exponencial será parecido com: Onde: FECHAR (i) o preço do encerramento do período atual EMA (i-1) Exponencialmente Movendo Média do período anterior encerramento P a percentagem de utilização do valor do preço. Alisou Média Móvel (SMMA) O primeiro valor desta média móvel suavizada é calculada como a média móvel simples (SMA): A segunda e subsequentes médias móveis são calculados de acordo com esta fórmula: Onde: sum1 é a soma total dos preços de fechamento N períodos PREVSUM é a soma suavizada do SMMA1 bar anterior é a média móvel suavizada da primeira barra SMMA (i) é a média móvel suavizada da barra atual (exceto para o primeiro) CLOSE (i) é o preço de fechamento atual N É o período de suavização. Média Móvel Ponderada Linear (LWMA) No caso da média móvel ponderada, os dados mais recentes são mais valiosos que os dados mais antigos. A média móvel ponderada é calculada multiplicando cada um dos preços de fechamento dentro da série considerada, por um determinado coeficiente de ponderação. Onde: SUM (i, N) é a soma total dos coeficientes de peso. Source Code A fonte MQL4 completa de Médias Móveis está disponível na Base de Códigos: Médias Móveis Aviso: Todos os direitos sobre estes materiais são reservados pela MetaQuotes Software Corp. É proibida a cópia ou reimpressão destes materiais, total ou parcialmente. Choosing the best trendline for Seus dados Quando você deseja adicionar uma linha de tendência a um gráfico no Microsoft Graph, você pode escolher qualquer um dos seis diferentes tipos de tendência / regressão. O tipo de dados que você tem determina o tipo de linha de tendência que você deve usar. Confiabilidade Trendline Uma linha de tendência é mais confiável quando seu valor R-quadrado está em ou próximo de 1. Quando você ajusta uma linha de tendência para seus dados, o Graph calcula automaticamente seu valor R-quadrado. Se desejar, você pode exibir esse valor em seu gráfico. Uma linha de tendência linear é uma linha reta em melhor ajuste que é usada com conjuntos de dados lineares simples. Seus dados são lineares se o padrão em seus pontos de dados se assemelha a uma linha. Uma linha de tendência linear geralmente mostra que algo está aumentando ou diminuindo a uma taxa constante. No exemplo a seguir, uma linha de tendência linear mostra claramente que as vendas de geladeiras aumentaram consistentemente ao longo de um período de 13 anos. Observe que o valor R-quadrado é 0.9036, que é um bom ajuste da linha para os dados. Uma linha de tendência logarítmica é uma linha curva melhor ajustada que é mais útil quando a taxa de mudança nos dados aumenta ou diminui rapidamente e, em seguida, nivela para fora. Uma linha de tendência logarítmica pode usar valores negativos e / ou positivos. O exemplo a seguir usa uma linha de tendência logarítmica para ilustrar o crescimento populacional predito de animais em uma área de espaço fixo, onde a população nivelada como espaço para os animais diminuiu. Observe que o valor R-quadrado é 0.9407, que é um ajuste relativamente bom da linha para os dados. Uma linha de tendência polinomial é uma linha curva que é usada quando os dados flutuam. É útil, por exemplo, para analisar ganhos e perdas em um grande conjunto de dados. A ordem do polinômio pode ser determinada pelo número de flutuações nos dados ou por quantas curvas (colinas e vales) aparecem na curva. Uma linha de tendência polinomial de ordem 2 geralmente tem apenas uma colina ou vale. Ordem 3 geralmente tem uma ou duas colinas ou vales. Ordem 4 geralmente tem até três. O exemplo a seguir mostra uma linha de tendência polinomial Order 2 (uma colina) para ilustrar a relação entre velocidade e consumo de gasolina. Observe que o valor R-quadrado é 0.9474, que é um bom ajuste da linha para os dados. Uma linha de tendência de energia é uma linha curva que é melhor usada com conjuntos de dados que comparam medidas que aumentam a uma taxa específica, por exemplo, a aceleração de um carro de corrida em intervalos de um segundo. Você não pode criar uma linha de tendência de energia se seus dados contiverem valores zero ou negativos. No exemplo a seguir, os dados de aceleração são mostrados traçando a distância em metros por segundos. A linha de tendência de energia demonstra claramente a crescente aceleração. Note que o valor R-quadrado é 0.9923, que é um ajuste quase perfeito da linha para os dados. Uma linha de tendência exponencial é uma linha curva que é mais útil quando os valores de dados sobem ou caem a taxas cada vez mais altas. Não é possível criar uma linha de tendência exponencial se os dados contiverem valores zero ou negativos. No exemplo a seguir, uma linha de tendência exponencial é usada para ilustrar a quantidade decrescente de carbono 14 em um objeto à medida que envelhece. Observe que o valor R-quadrado é 1, o que significa que a linha se encaixa perfeitamente os dados. Uma linha de tendência de média móvel suaviza as flutuações nos dados para mostrar um padrão ou tendência mais claramente. Uma linha de tendência de média móvel usa um número específico de pontos de dados (definido pela opção Período), os calcula em média e usa o valor médio como um ponto na linha de tendência. Se Período é definido como 2, por exemplo, então a média dos dois primeiros pontos de dados é usada como o primeiro ponto na linha de tendência de média móvel. A média do segundo e terceiro pontos de dados é usada como o segundo ponto na linha de tendência, e assim por diante. No exemplo a seguir, uma linha de tendência de média móvel mostra um padrão no número de casas vendidas ao longo de um período de 26 semanas. Quando se calcula uma média móvel corrente, colocar a média no período de tempo médio faz sentido No exemplo anterior calculamos a média de Os primeiros 3 períodos de tempo e colocá-lo próximo ao período 3. Poderíamos ter colocado a média no meio do intervalo de tempo de três períodos, ou seja, próximo ao período 2. Isso funciona bem com períodos de tempo ímpar, mas não tão bom Para mesmo períodos de tempo. Então, onde colocamos a primeira média móvel quando M 4 Tecnicamente, a Média Móvel cairá em t 2,5, 3,5. Para evitar esse problema, suavizamos as MAs usando M 2. Assim, suavizamos os valores suavizados Se nós formos uma média de um número par de termos, precisamos suavizar os valores suavizados A tabela a seguir mostra os resultados usando M 4.Moving Average - MA BREAKING DOWN Média Móvel - MA Como exemplo da SMA, considere um título com os seguintes preços de fechamento em 15 dias: Semana 1 (5 dias) 20, 22, 24, 25, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Um MA de 10 dias seria a média dos preços de fechamento para os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicionar o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme mencionado anteriormente, MAs atraso ação preço atual, porque eles são baseados em preços passados ​​quanto maior for o período de tempo para o MA, maior o atraso. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração da MA a ser utilizada depende dos objetivos de negociação, com MAs mais curtos usados ​​para negociação de curto prazo e MAs de longo prazo mais adequados para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que ele está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. O impulso para baixo é confirmado com um crossover de baixa, o que ocorre quando um MA de curto prazo cruza abaixo de um MA de longo prazo. Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou lentamente alterada . No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o número inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas juntamente com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com média constante. Este termo é minimizado fazendo-se o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados da amostra na coluna B. As 10 primeiras observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usados ​​para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.