Moving average method questions no Brasil

Calculando a diferença entre a média móvel ea média móvel ponderada A média móvel de 5 períodos, com base nos preços acima, seria calculada usando a seguinte fórmula: Com base na equação acima, o preço médio durante o período listado acima foi de 90,66. Usando médias móveis é um método eficaz para eliminar flutuações de preços fortes. A principal limitação é que os pontos de dados de dados mais antigos não são ponderados de forma diferente dos pontos de dados próximos ao início do conjunto de dados. É aqui que as médias móveis ponderadas entram em jogo. As médias ponderadas atribuem uma ponderação mais pesada a pontos de dados mais atuais, uma vez que são mais relevantes do que pontos de dados no passado distante. A soma da ponderação deve somar 1 (ou 100). No caso da média móvel simples, as ponderações são distribuídas igualmente, razão pela qual não são mostradas na tabela acima. Preço de Fechamento do Método da Média Móvel AAPLJava Se você estiver procurando por um EMA otimizado para dados em fluxo contínuo, obtido de um arquivo ou serviço de cotação, a seguinte classe de amostra fará você bem, ao invés de usar cálculos de força bruta. Esta abordagem é particularmente útil se você estiver processando dados em tempo real. Os EMAs, um caso especial de médias móveis ponderadas, têm o benefício de que a ponderação relativa para cada período sucessivo diminui com um fator constante f 2 (N1), onde N é o número de períodos durante os quais a EMA deve ser aplicada. Eman fprice (1-f) eman-1 A classe de exemplo a seguir implementa essa natureza iterativa de EMA e minimiza os requisitos de computação em relação a brute - Métodos de pós-processamento. Private int numPeriods 0 private int totalPeriods 0 privado double runningEMA 0.0 privado double factor 0.0 público EMA (int numPeriods) this. numPeriods numPeriods factor 2.0 (numPeriods 1.0) Redefinir cálculos para gerar EMA para o período determinado. Public void reset (int numPeriods) Retorna EMA para o período define durante o construtor. Se os períodos processados ​​forem inferiores ao intervalo EMA, zero será retornado. Public double calcular (preço duplo) runningEMA factorprice (1-factor) runningEMA if (totalPeriods lt numPeriods) De onde você origina os dados de preço eo que você faz com os resultados da EMA é com você. Por exemplo, se você tivesse os dados de preço em uma matriz e deseja calcular uma EMA em outra matriz, o snippet a seguir funcionará: os preços duplos. Fonte de cálculos, arquivo ou serviço de cotação duplo ema novo doubleprices. length EMA ema novo EMA (50) 50 EMA período para (int idx0 iltprices. length idx) emaidx ema (pricesidx) Boa sorte e melhores votos para o seu projeto.6.2 Na segunda coluna desta tabela, é mostrada uma média móvel de ordem 5, fornecendo uma estimativa do ciclo tendencial. O primeiro valor nesta coluna é a média das cinco primeiras observações (1989-1993) o segundo valor na coluna 5-MA é a média dos valores 1990-1994 e assim por diante. Cada valor na coluna 5-MA é a média das observações no período de cinco anos centrado no ano correspondente. Não há valores para os dois primeiros anos ou últimos dois anos porque não temos duas observações de cada lado. Na fórmula acima, a coluna 5-MA contém os valores de hat com k2. Para ver como é a estimativa do ciclo tendencial, traçamos o gráfico juntamente com os dados originais da Figura 6.7. Parcela 40 elecsales, venda de eletricidade principal quotResidential, ylab quotGWhquot. 41 Observe como a tendência (em vermelho) é mais suave do que os dados originais e captura o movimento principal da série de tempo sem todas as flutuações secundárias. O método da média móvel não permite estimativas de T em que t está próximo das extremidades da série, portanto, a linha vermelha não se estende para os bordos do gráfico em nenhum dos lados. Posteriormente, usaremos métodos mais sofisticados de estimativa de ciclo tendencial que permitem estimativas próximas aos pontos finais. A ordem da média móvel determina a suavidade da estimativa de tendência-ciclo. Em geral, uma ordem maior significa uma curva mais suave. O gráfico a seguir mostra o efeito da alteração da ordem da média móvel para os dados de vendas de eletricidade residencial. As médias móveis simples como estas são normalmente de ordem ímpar (por exemplo, 3, 5, 7, etc.). Isto é assim que são simétricas: numa média móvel de ordem m2k1, existem k observações anteriores, k observações posteriores e a observação do meio Que são médias. Mas se m fosse uniforme, não seria mais simétrico. Médias móveis de médias móveis É possível aplicar uma média móvel a uma média móvel. Uma razão para fazer isso é fazer uma média móvel de ordem uniforme simétrica. Por exemplo, podemos pegar uma média móvel de ordem 4 e, em seguida, aplicar outra média móvel de ordem 2 aos resultados. Na Tabela 6.2, isso foi feito para os primeiros anos dos dados da produção de cerveja trimestral australiana. Beer2 lt - window 40 ausbeer, início 1992 41 ma4 ltm 40 beer2, ordem 4. center FALSE 41 ma2x4 ltm 40 cerveja2, ordem 4. center TRUE 41 A notação 2times4-MA na última coluna significa um 4-MA Seguido por um 2-MA. Os valores na última coluna são obtidos tomando uma média móvel de ordem 2 dos valores na coluna anterior. Por exemplo, os dois primeiros valores na coluna 4-MA são 451,2 (443410420532) 4 e 448,8 (410420532433) 4. O primeiro valor na coluna 2times4-MA é a média destes dois: 450,0 (451.2448.8) 2. Quando um 2-MA segue uma média móvel de ordem par (como 4), ele é chamado de média móvel centrada de ordem 4. Isso é porque os resultados são agora simétricos. Para ver que este é o caso, podemos escrever o 2times4-MA da seguinte forma: begin hat amp frac Bigfrac (y y y y) frac (y y y y) Big frac fray frac14y frac14y frac14y frac18y. Fim É agora uma média ponderada de observações, mas é simétrica. Outras combinações de médias móveis também são possíveis. Por exemplo, uma 3 x 3 MA é frequentemente utilizada e consiste numa média móvel de ordem 3 seguida por outra média móvel de ordem 3. Em geral, uma ordem par MA deve ser seguida por uma ordem par MA para torná-la simétrica. Similarmente, uma ordem ímpar MA deve ser seguida por uma ordem ímpar MA. Estimativa do ciclo tendencial com dados sazonais O uso mais comum de médias móveis centradas é estimar o ciclo tendencial a partir de dados sazonais. Considere o 2x4-MA: fracasso do chapéu frac14y frac14y frac14y frac18y. Quando aplicados aos dados trimestrais, cada trimestre do ano recebe igual peso, uma vez que o primeiro eo último termo se aplicam ao mesmo trimestre em anos consecutivos. Conseqüentemente, a variação sazonal será média e os valores resultantes de hat t terão pouca ou nenhuma variação sazonal restante. Um efeito semelhante seria obtido utilizando um 2-8 MA ou um 2-12 MA. Em geral, um m-MA 2x é equivalente a uma média móvel ponderada de ordem m1 com todas as observações tomando peso 1m exceto para o primeiro e último termos que tomam pesos 1 (2m). Portanto, se o período sazonal é par e de ordem m, use um m-MA 2x para estimar o ciclo tendencial. Se o período sazonal é ímpar e de ordem m, use um m-MA para estimar o ciclo de tendência. Em particular, um 2 x 12 MA pode ser usado para estimar o ciclo de tendência de dados mensais e um 7-MA pode ser usado para estimar a tendência-ciclo de dados diários. Outras escolhas para a ordem do MA normalmente resultarão em estimativas de ciclo de tendência sendo contaminadas pela sazonalidade nos dados. Exemplo 6.2 Fabricação de equipamentos elétricos A Figura 6.9 mostra um 2 x 12-MA aplicado ao índice de ordens de equipamentos elétricos. Observe que a linha suave não mostra nenhuma sazonalidade, é quase o mesmo que o ciclo de tendências mostrado na Figura 6.2 que foi estimado usando um método muito mais sofisticado do que as médias móveis. Qualquer outra escolha para a ordem da média móvel (exceto para 24, 36, etc.) teria resultado em uma linha suave que mostra algumas flutuações sazonais. Plot 40 elecequip, ylab quotNovas ordens indicequot. Col quotgrayquot, main quotredigtquot, 41 Quotred quotredquot 41 Médias móveis ponderadas As combinações de médias móveis resultam em médias móveis ponderadas. Por exemplo, o 2x4-MA discutido acima é equivalente a um 5-MA ponderado com pesos dados por frac, frac, frac, frac, frac. Em geral, uma m-MA ponderada pode ser escrita como hat t sum k aj y, onde k (m-1) 2 e os pesos são dados por a, dots, ak. É importante que todos os pesos somem a um e que sejam simétricos para que aj a. O m-MA simples é um caso especial onde todos os pesos são iguais a 1m. Uma grande vantagem das médias móveis ponderadas é que elas produzem uma estimativa mais suave do ciclo tendencial. Em vez das observações que entram e que deixam o cálculo no peso cheio, seus pesos são aumentados lentamente e então lentamente diminuídos resultando em uma curva mais lisa. Alguns conjuntos específicos de pesos são amplamente utilizados. Algumas delas são dadas na Tabela 6.3.Exemplo Perguntas (de Exames Passados) Nota: A resposta correta é seguida por. O código i - j refere - se a que parte do texto a pergunta pretende resolver. 1. Quais os fatores que as cinco técnicas de suavização de dados apresentadas no Capítulo Três têm em comum? A) Todos usam apenas observações passadas dos dados. B) Todos eles não conseguem prever inversões cíclicas nos dados. C) Todos suavizam o ruído de curto prazo através da média dos dados. D) Todos os produtos correlacionaram as previsões em série. E) Todos os itens acima estão corretos. 2. Uma média móvel de 3 pontos centrada simples da variável da série temporal Xt é dada por: A) (Xt-1 Xt-2 Xt-3) 3. B) (Xt Xt-1 Xt-1) 3. C) (Xt1 Xt Xt-1) 3. D) Nenhuma das alternativas acima está correta. 3. O alisamento médio móvel pode levar a inferência enganosa quando aplicado a A) dados estacionários. B) previsão inversão de tendência no mercado de ações. C) conjuntos de dados pequenos e limitados. D) grandes e abundantes conjuntos de dados. E) Nenhuma das alternativas acima está correta. 4. Qual dos seguintes não é correto no que se refere à escolha do tamanho apropriado da constante de suavização (a) no modelo de suavização exponencial simples A) Selecione valores próximos de zero se a série tiver uma grande variação aleatória. B) Selecione valores próximos de um se você deseja que os valores de previsão dependam fortemente das mudanças recentes nos valores reais. C) Selecione um valor que minimize RMSE. D) Selecione um valor que maximize o erro médio quadrado. E) Todos os itens acima estão corretos. 5. A constante de alisamento (a) do modelo de suavização exponencial simples A) deve ter um valor próximo de um se os dados subjacentes forem relativamente erráticos. B) deve ter um valor próximo de zero se os dados subjacentes forem relativamente suaves. C) estiver mais próximo de zero, maior será a revisão na previsão atual, dado o erro de previsão atual. D) estiver mais próximo de um, maior será a revisão na previsão atual dado o erro de previsão atual. 6. O procedimento de mínimos quadrados minimiza a A) soma dos resíduos. B) quadrado do erro máximo. C) soma dos erros absolutos. D) soma dos resíduos quadrados. E) Nenhuma das alternativas acima está correta. 7. Um residual é A) a diferença entre a média de Y condicional em X ea média incondicional. B) a diferença entre a média de Y eo seu valor real. C) a diferença entre a predição de regressão de Y eo seu valor real. D) a diferença entre a soma dos erros quadrados antes e depois de X é usada para prever Y. E) Nenhuma das alternativas acima está correta. 8 Os distúrbios do modelo de regressão (erros de previsão) A) assumem uma distribuição de probabilidade normal. B) são considerados independentes ao longo do tempo. C) são assumidos como média para zero. D) pode ser estimado por resíduos OLS. E) Todos os itens acima estão corretos. 9. Os índices sazonais de vendas para o Black Lab Ski Resort são para janeiro 1,20 e dezembro 0,80. Se as vendas de dezembro para 1998 fossem 5.000, uma estimativa razoável das vendas para janeiro de 1999 é: E) Nenhuma das opções acima está correta. 10. Quais das seguintes técnicas não são utilizadas para resolver o problema da autocorrelação A) Modelos autorregressivos. B) Melhorar a especificação do modelo. C) Alisamento médio móvel. D) Primeiro diferenciar os dados. E) Regressão utilizando alterações percentuais. 11. Qual das seguintes não é uma conseqüência da correlação serial A) As estimativas da inclinação de OLS são agora imparciais. B) Os intervalos de previsão OLS são tendenciosos. C) O R-quadrado é menor que 0,5. D) As estimativas pontuais são imparciais. E) Nenhuma das alternativas acima está correta. 12. A autocorrelação leva ou causa: B) Correlação serial. C) Regressão espúria. D) Regressão não linear. E) Todos os itens acima estão corretos. 13. Os intervalos de predição exatos para a variável dependente A) são arqueados em torno da linha de regressão estimada. B) São lineares em torno da linha de regressão estimada. C) não levam em conta a variabilidade de Y ao redor da regressão amostral. D) não ter em conta a aleatoriedade da amostra. E) Nenhuma das alternativas acima está correta. Problema Curto Exemplo 14. Um modelo de regressão linear bivariada que relaciona os gastos com viagens internas (DTE) em função do rendimento per capita (IPC) foi estimado como: DTE -9589.67 .953538 (IPC) DTE de Previsão na hipótese de IPC ser 14.750. Faça o ponto apropriado e estimativas aproximadas de intervalo de 95 por cento, assumindo que a variância de erro de regressão estimada foi 2,077,230.38. A estimativa pontual de DTE é: DTE -9589.67 .953538 (14.750) 4.475,02. O erro padrão da regressão é 1441,26 eo intervalo de confiança aproximado de 95 é: 4,475.02 plusmn (2) (1441,26) 4,475.02 plusmn 2882,52 P1592,50 lt DTE lt 7357,54 .95. B) Dado que o DTE real se revelou ser 7.754 (milhões), calcule o erro percentual na sua previsão. Se o valor real do DTE for 7.754, o erro percentual na previsão, baseado na estimativa pontual de 4475.02, é 42.3. (7754 - 4475,02) 7754,423. 15 Se se verificar que os erros de previsão de um modelo de tipo ARIMA apresentam correlação serial, tal modelo A) não é um modelo de previsão adequado. B) é um candidato para adicionar outra variável explicativa. C) quase certamente contém sazonalidade. D) é um candidato para Cochrane-Orcutt regressão. E) Todos os itens acima estão corretos. 16. Os modelos de média móvel são melhor descritos como A) médias simples. B) médias não ponderadas. C) médias ponderadas das séries de ruído branco. D) médias ponderadas de variáveis ​​aleatórias não normais. E) Nenhuma das alternativas acima está correta. 17. Qual dos seguintes padrões do correlograma da função de autocorrelação parcial é inconsistente com um processo de dados autorregressivo subjacente A) Declínio exponencial para zero. B) Ciclicamente declinando para zero. C) Positivo no início, então negativo e aumentando a zero. D) Negativo no início, depois positivo e decrescente para zero. E) Todos os itens acima estão corretos. A função de autocorrelação de uma série de tempo mostra coeficientes significativamente diferentes de zero nos retornos 1 a 4. A função de autocorrelação parcial mostra um pico e monotonicamente aumenta para zero à medida que aumenta o comprimento dos retornos. Tal série pode ser modelada como um modelo. E) Nenhuma das alternativas acima está correta. 19. Qual das seguintes não é uma primeira etapa no processo de seleção do modelo ARIMA A) Examine a função de autocorrelação da série bruta. B) Examinar a função de autocorrelação parcial da série bruta. C) Teste os dados quanto à estacionaridade. D) Estimar um modelo ARIMA (1,1,1) para fins de referência. E) Todos os itens acima estão corretos. 20 Qual é a hipótese nula que está sendo testada usando a estatística Box-Pierce A) O conjunto de autocorrelações é conjuntamente igual a zero. B) O conjunto de autocorrelações não é conjuntamente igual a zero. C) O conjunto de autocorrelações são conjuntamente igual a um. D) O conjunto de autocorrelações são conjuntamente não iguais a um. E) Todos os itens acima estão incorretos. 21. O objectivo principal da combinação de previsões é reduzir B) o viés de previsão médio. C) erro médio de previsão quadrática. D) erro médio absoluto de previsão. E) Todos os itens acima estão corretos. 22. Qual das seguintes é uma vantagem ao usar a abordagem adaptativa para estimar os pesos ótimos no processo de combinação de previsão A) Os pesos variam de período para período. B) Pode ser realizado um teste do viés do modelo de previsão combinado. C) A covariância entre variâncias de erro é utilizada. D) Os pesos são escolhidos de modo a maximizar a variância do erro de regressão. E) Todos os itens acima estão corretos.