Média em movimento natural

O custo humano das catástrofes naturais 2017: uma perspectiva global Download PDF (6.31 MB) Entre 1994 e 2017, EM-DAT registrou 6.873 desastres naturais em todo o mundo, que matou 1,35 milhão de vidas ou quase 68.000 vidas em média a cada ano. Além disso, 218 milhões de pessoas foram afetadas por desastres naturais em média por ano durante este período de 20 anos. A freqüência de desastres geofísicos (terremotos, tsunamis, erupções vulcânicas e movimentos de massa) manteve-se praticamente constante ao longo deste período, mas um aumento sustentado dos eventos relacionados ao clima (principalmente inundações e tempestades) levou as ocorrências totais significativamente mais altas. Desde 2000, o EM-DAT registrou uma média de 341 desastres relacionados ao clima por ano, 44 ​​acima da média de 1994-2000 e bem mais do que o dobro em 1980-1989. Do ponto de vista da análise de desastres, o crescimento populacional e os padrões de desenvolvimento econômico são mais importantes do que a mudança climática ou as variações cíclicas do tempo quando se explica essa tendência ascendente. Hoje, não só há mais pessoas prejudicadas do que há 50 anos atrás, mas construir em planícies de inundação, zonas de terremotos e outras áreas de alto risco aumentou a probabilidade de que um perigo natural de rotina se torne uma grande catástrofe. Dados EM-DAT mostram que as inundações causaram a maioria das catástrofes entre 1994 e 2017, representando 43 de todos os eventos registrados e afetando quase 2,5 bilhões de pessoas. As tempestades foram o segundo tipo de desastre mais freqüente, matando mais de 244 mil pessoas e custando US936 bilhões em danos registrados. Isso faz das tempestades o tipo de desastre mais caro nas últimas duas décadas eo segundo mais caro em termos de vidas perdidas. Os terremotos (incluindo os tsunamis) mataram mais pessoas do que todos os outros tipos de desastre juntos, alegando quase 750.000 vidas entre 1994 e 2017. Os tsunamis foram o sub-tipo mais mortal de terremoto, com uma média de 79 mortes por cada 1.000 pessoas afetadas, em comparação com Para quatro mortes por 1.000 para os movimentos do solo. Isso faz tsunamis quase vinte vezes mais mortal do que os movimentos do solo. A seca afetou mais de um bilhão de pessoas entre 1994 e 2017, ou seja, 25 do total mundial. Isto apesar do fato de que as secas representaram apenas 5 dos eventos de desastre neste período. Cerca de 41 das catástrofes provocadas pela seca ocorreram em África, indicando que os países de baixos rendimentos continuam a ser subjugados pela seca, apesar de terem sido implementados alertas eficazes. Em números absolutos, os EUA e a China registraram a maior quantidade de desastres entre 1994 e 2017, devido principalmente à sua dimensão, às variadas massas de terra e às altas densidades populacionais. Entre os continentes, a Ásia suportou o peso das catástrofes, com 3,3 bilhões de pessoas afetadas apenas na China e na Índia. Se os dados são padronizados, no entanto, para refletir o número de pessoas afetadas por 100.000 cabeça de população, então Eritreia e Mongólia foram os países mais afetados do mundo. O Haiti sofreu o maior número de pessoas mortas em termos absolutos e em relação ao tamanho de sua população devido ao terrível número de terremotos de 2018. Enquanto os desastres se tornaram mais freqüentes nos últimos 20 anos, o número médio de pessoas afetadas caiu de um em cada 23 em 1994-2003 para um em 39 durante 2004-2017. Isto é parcialmente explicado pelo crescimento populacional, mas os números afectados também diminuíram em termos absolutos. Por outro lado, as taxas de mortalidade aumentaram durante o mesmo período, atingindo uma média de mais de 99.700 mortes por ano entre 2004 e 2017. Isto reflecte em parte a enorme perda de vidas em três megadisasters (o tsunami asiático de 2004, o ciclone Nargis em 2008 E o terremoto haitiano de 2018). No entanto, a tendência permanece ascendente mesmo quando estes três eventos são excluídos das estatísticas. A análise dos dados da EM-DAT também mostra como os níveis de renda incidem nas mortes por acidentes. Em média, mais de três vezes mais pessoas morreram por desastre em países de baixa renda (332 mortes) do que em nações de alta renda (105 mortes). Um padrão semelhante é evidente quando os países de renda baixa e média-baixa são agrupados e comparados com os países de renda média alta e média alta. Em conjunto, os países de renda mais alta experimentaram 56 desastres, mas perderam 32 de vidas, enquanto os países de baixa renda sofreram 44 de desastres, mas sofreram 68 mortes. Isso demonstra que os níveis de desenvolvimento econômico, ao invés de exposição a perigos em si, são os principais determinantes da mortalidade. Na visão do CREDs, os dados EM-DAT apresentados neste relatório apontam para várias conclusões importantes: O aumento das taxas de mortalidade num momento em que o número de pessoas afetadas está caindo destaca a vulnerabilidade contínua das comunidades aos riscos naturais. Dada a precisão das previsões meteorológicas de hoje e a evolução dos alertas antecipados, os nossos dados levantam questões sobre a eficácia dos esforços globais de mitigação de desastres. Acreditamos que mais trabalho deve ser feito para avaliar os resultados reais das intervenções de redução de risco de desastres (DRR) em vidas humanas e meios de subsistência. Tendo em conta o peso desproporcionado dos riscos naturais nos países de rendimento mais baixo, incluindo a enorme disparidade nas taxas de mortalidade nos países mais ricos e pobres, as medidas de atenuação nos países menos desenvolvidos exigem uma melhoria significativa. Melhor controle de inundações para as comunidades mais pobres em alto risco de inundações recorrentes seria um passo importante na direção certa. Existem soluções eficazes e de baixo custo, incluindo a arborização, o zoneamento da planície de inundação, a construção de aterros, a melhoria dos avisos ea restauração das zonas húmidas. Tais ações trariam também benefícios para o desenvolvimento, uma vez que os dados do EM-DAT mostram que as inundações são a principal causa de danos causados ​​por desastres em escolas, hospitais e clínicas, etc. em países de baixa renda. À luz das previsões de que as mudanças climáticas aumentarão a freqüência de tempestades e outros eventos climáticos extremos, uma melhor gestão, mitigação e implantação de avisos de tempestades poderiam salvar mais vidas no futuro. A redução do tamanho das populações vulneráveis ​​à seca deve ser uma prioridade global durante a próxima década, dada a eficácia dos alertas antecipados eo vasto número de pessoas afectadas, particularmente em África. É urgentemente necessária uma melhor investigação sobre como e por que razão as famílias e as comunidades são afectadas por catástrofes, para que as respostas se baseiem em evidências e não em suposições. Sem essa pesquisa de nível micro, a futura RRC e a prevenção de desastres não serão eficazes. Modelos de média móvel e de suavização exponencial Como um primeiro passo para se ir além dos modelos de média, modelos de tendência linear e tendências lineares, padrões e tendências não sazonais podem ser extrapolados usando Um modelo de média móvel ou suavização. A suposição básica por trás dos modelos de média e suavização é que a série temporal é estacionária localmente com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e, em seguida, usá-lo como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio eo modelo randômico-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é chamada frequentemente uma versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de alisar para fora os solavancos na série original. Ajustando o grau de suavização (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. 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 ficar Para uma previsão da série de tempo Y feita o mais cedo possível antes de um determinado modelo). Esta média é centrada no período t (m1) 2, o que implica que a estimativa da média local tende a ficar aquém do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Dessa forma, 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: é a quantidade de tempo que as previsões tendem a ficar atrás dos 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 ​​em responder 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 é muito grande (comparável ao comprimento do período de estimação), o modelo SMA é equivalente ao modelo médio. Como com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfitquot aos dados, isto é, os erros de previsão mais baixos em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta. Primeiro, vamos tentar encaixá-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 escolhe grande parte do quotnoisequot na Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se preferirmos tentar uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves: a média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nessa previsão é 3 ((51) 2), de modo que ela tende a ficar atrás de pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virar até vários períodos mais tarde.) 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 a partir 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 alargam à medida que o horizonte de previsão aumenta. Isto obviamente não é correto Infelizmente, não há uma teoria estatística subjacente que nos diga como os intervalos de confiança devem se ampliar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de longo prazo. Por exemplo, você poderia configurar uma planilha na qual 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 então 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, obteremos previsões ainda mais suaves e mais de um efeito retardado: A idade média é agora de 5 períodos ((91) 2). Se tomarmos uma média móvel de 19 períodos, a idade média aumenta para 10: Observe que, na verdade, as previsões estão agora atrasadas por volta dos pontos de inflexão por cerca de 10 períodos. A quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3-termo: Modelo C, a média móvel de 5-termo, rende o menor valor de RMSE por uma pequena margem sobre o 3 E médias de 9-termo, e suas outras estatísticas são quase idênticas. Assim, entre modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações de forma igual e ignora completamente todas as observações anteriores. (Voltar ao início da página.) Browns Simple Exponential Smoothing (exponencialmente ponderada) 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 a segunda mais recente, ea segunda mais recente deve ter um pouco mais de peso do que a 3ª mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Vamos 945 denotar uma constante quotsmoothingquot (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, conforme estimado a partir dos dados até o presente. O valor de L no tempo t é calculado recursivamente 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 por uma fração 945. é o erro feito em Tempo t. Na terceira versão, a previsão é uma média móvel exponencialmente ponderada (ou seja, descontada) 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 um Célula única e contém referências de células que apontam para a previsão anterior, a observação anterior ea célula onde o valor de 945 é armazenado. Observe 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, assumindo que o primeiro valor suavizado é definido igual à média. A idade média dos dados na previsão de suavização exponencial simples é de 1 945 em relação ao período para o qual a previsão é calculada. (Isso não é suposto ser óbvio, mas pode ser facilmente demonstrado pela avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a ficar para trás de pontos de viragem em cerca de 1 945 períodos. Por exemplo, quando 945 0,5 o atraso é 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 determinada idade média (isto é, a quantidade de atraso), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão de média móvel simples (SMA) porque coloca relativamente mais peso na observação mais recente - i. e. É ligeiramente mais quotresponsivequot às mudanças que ocorrem no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 têm uma idade média de 5 para os dados nas suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no modelo SMA. Uma outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser facilmente otimizado Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor óptimo de 945 no modelo SES para esta série revela-se 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é 10.2961 3.4 períodos, que é semelhante ao de uma média móvel simples de 6-termo. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA e no modelo randômico sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma 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 tanto quotmore previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Assim 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 aqui analisada, o coeficiente MA estimado (1) resulta ser 0,7029, que é quase exatamente um menos 0,2961. É possível adicionar a hipótese de uma tendência linear constante não-zero para um 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 então 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 de longo prazo constante 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 adequada de inflação (crescimento percentual) por período pode ser estimada como o coeficiente de declive num modelo de tendência linear ajustado aos dados em conjunto com uma transformação de logaritmo natural, ou pode basear-se em outra informação independente sobre as perspectivas de crescimento a longo prazo . (Voltar ao início da página.) Browns Linear (ie duplo) Suavização exponencial Os modelos SMA e SES assumem que não há tendência de qualquer tipo nos dados (o que normalmente é OK ou pelo menos não muito ruim para 1- Antecipadamente quando os dados são relativamente ruidosos), e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. O que acontece com as tendências de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaque claramente contra o ruído, e se houver uma necessidade de prever mais do que um período à frente, a estimativa de uma tendência local também pode ser um problema. O modelo de suavização exponencial simples pode ser generalizado para obter um modelo linear de suavização exponencial (LES) que calcula estimativas locais de nível e tendência. O modelo de tendência de variação de tempo mais simples é o modelo de alisamento exponencial linear de Browns, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos do 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 suavização exponencial linear de Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em um número de formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida aplicando-se a suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, Exponencial, esta seria a previsão para Y no período t1.) Então deixe Squot denotar a série duplamente-alisada obtida aplicando a suavização exponencial simples (usando o mesmo 945) à série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dada por: Isto resulta em e 1 0 (isto é, enganar um pouco, e deixar a primeira previsão igual à primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isto produz os mesmos valores ajustados que a fórmula baseada em S e S se estes últimos foram iniciados utilizando 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 Smoothing Brown8217s O modelo LES calcula as estimativas locais de nível e tendência ao suavizar os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de ajustar: o nível ea tendência Não podem variar em taxas independentes. Holt8217s modelo LES aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência. Em 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 calculados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado ea tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão para 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 recursivamente pela interpolação entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1-945. A mudança no nível estimado, Nomeadamente L t 8209 L t82091. Pode ser interpretado como uma medida ruidosa da tendência no tempo t. A estimativa actualizada da tendência é então calculada recursivamente pela interpolação 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 suavização de tendência 946 é análoga à da constante de suavização de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda apenas muito lentamente ao longo do tempo, enquanto modelos com Maior 946 supor 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 tornam-se bastante importantes quando se prevê mais de um período à frente. 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 se tornam 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados que é utilizada na estimativa do nível local da série, a idade média dos dados que são utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a . Neste caso, isto é 10.006 125. Isto não é um número muito preciso, na medida em que a precisão da estimativa de 946 é realmente de 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, portanto Este modelo está calculando a média sobre bastante muita história em estimar a tendência. O gráfico de previsão abaixo mostra que o modelo LES estima uma tendência local ligeiramente 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, de modo que este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis ​​para um modelo que é suposto ser estimar uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram calculados minimizando o erro quadrático das previsões de um passo à frente, e não as previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está olhando são 1-passo-frente erros, você não está vendo a imagem maior de tendências sobre (digamos) 10 ou 20 períodos. A fim de obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de alisamento constante para que ele usa uma linha de base mais curto para a estimativa de tendência. Por exemplo, se escolhemos definir 946 0,1, então a idade média dos dados usados ​​na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo a média da tendência ao longo dos últimos 20 períodos. Here8217s o que o lote de previsão parece se definimos 946 0,1, mantendo 945 0,3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso para extrapolar esta tendência mais de 10 períodos no futuro. E sobre as estatísticas de erro Aqui está uma comparação de modelos para os dois modelos mostrados acima, bem como três modelos SES. O valor ótimo de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com ligeiramente mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 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, portanto, realmente não podemos fazer a escolha com base De erros de previsão de 1 passo à frente dentro da amostra de dados. Temos de recorrer a outras considerações. Se acreditarmos 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 queremos ser agnósticos quanto à existência de uma tendência local, então um dos modelos do SES pode ser mais fácil de explicar e também dar mais previsões de médio-caminho para os próximos 5 ou 10 períodos. Evidências empíricas sugerem que, se os dados já tiverem sido ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar os resultados lineares de curto prazo Muito para o futuro. As tendências evidentes hoje podem afrouxar no futuro devido às causas variadas tais como a obsolescência do produto, a competição aumentada, e os abrandamentos cíclicos ou as ascensões em uma indústria. Por esta razão, a suavização exponencial simples geralmente desempenha melhor fora da amostra do que poderia ser esperado, apesar de sua extrapolação de tendência horizontal quotnaivequot. Modificações de tendência amortecida do modelo de suavização exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES com tendência a amortecimento 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. A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de suavização (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos à frente que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 fica maior no modelo SES e eles se espalham muito mais rápido quando se usa linear ao invés de alisamento simples. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao início da página.) Envelopes de média móvel Envelopes de média móvel Introdução A média móvel Os envelopes são envelopes baseados em percentuais definidos acima e abaixo de uma média móvel. A média móvel, que constitui a base para este indicador, pode ser uma média móvel simples ou exponencial. Cada envelope é então definido a mesma porcentagem acima ou abaixo da média móvel. Isso cria bandas paralelas que seguem ação de preço. Com uma média móvel como base, Envelopes de média móvel podem ser usados ​​como um indicador de tendência seguinte. No entanto, este indicador não se limita a apenas seguir as tendências. Os envelopes também podem ser usados ​​para identificar níveis de sobrecompra e sobrevenda quando a tendência é relativamente plana. O Cálculo Cálculo para Moving Average Envelopes é direto. Primeiro, escolha uma média móvel simples ou média móvel exponencial. Medidas móveis simples pesam cada ponto de dados (preço) igualmente. As médias móveis exponenciais põem mais peso em preços recentes e têm menos lag. Segundo, selecione o número de períodos de tempo para a média móvel. Em terceiro lugar, defina a porcentagem para os envelopes. Uma média móvel de 20 dias com um envelope 2,5 mostraria as duas linhas a seguir: O gráfico acima mostra a IBM com um SMA de 20 dias e 2,5 envelopes. Observe que o SMA de 20 dias foi adicionado a este SharpChart para referência. Observe como os envelopes se movimentam paralelamente ao SMA de 20 dias. Eles permanecem uma constante 2,5 acima e abaixo da média móvel. Interpretação Os indicadores baseados em canais, faixas e envelopes são projetados para abranger a maior parte das ações de preços. Portanto, movimentos acima ou abaixo dos envelopes merecem atenção. As tendências começam frequentemente com movimentos fortes em uma direção ou em outra. Um impulso acima do envelope superior mostra força extraordinária, enquanto um mergulho abaixo do envelope inferior mostra fraqueza extraordinária. Esses movimentos fortes podem sinalizar o fim de uma tendência eo início de outra. Com uma média móvel como sua fundação, Moving Average Envelopes são uma tendência natural seguindo indicador. Tal como acontece com médias móveis, os envelopes vão atrasar a ação de preço. A direção da média móvel determina a direção do canal. Em geral, uma tendência de baixa está presente quando o canal se move para baixo, enquanto uma tendência de alta existe quando o canal se move mais alto. A tendência é plana quando o canal se move lateralmente. Às vezes, uma tendência forte não se apodera após uma quebra de envelope e os preços mudam para uma faixa de negociação. Tais intervalos de negociação são marcados por uma média móvel relativamente plana. Os envelopes podem então ser usados ​​para identificar níveis de sobrecompra e sobreventa para fins de negociação. Um movimento acima do envelope superior indica uma situação de sobrecompra, enquanto um movimento abaixo do envelope inferior marca uma condição de sobre-venda. Parâmetros Os parâmetros para Envelopes da média móvel dependem dos seus objetivos de tradinginvesting e das características da segurança envolvida. Os comerciantes provavelmente usarão médias mais curtas (mais rápidas) e envelopes relativamente apertados. Os investidores provavelmente preferem médias móveis mais longas (mais lentas) com envelopes mais amplos. A volatilidade da segurança também influenciará os parâmetros. Bandas de Bollinger e canais de Keltner incorporaram mecanismos que automaticamente se ajustam à volatilidade de um security039s. Bandas de Bollinger usam o desvio padrão para definir a largura de banda. Os canais de Keltner usam o Average True Range (ATR) para definir a largura do canal. Estes ajustes automaticamente para a volatilidade. Chartists deve independentemente conta para a volatilidade ao definir o Moving Average Envelopes. Títulos com alta volatilidade exigirão bandas mais amplas para abranger a maioria das ações de preço. Títulos com baixa volatilidade podem usar bandas mais estreitas. Ao escolher os parâmetros certos, muitas vezes ajuda a sobrepor alguns Envelopes de média móvel diferentes e comparar. O gráfico acima mostra o SampP 500 ETF com três Envelopes de média móvel com base no SMA de 20 dias. Os 2,5 envelopes (vermelho) foram tocados várias vezes, os 5 envelopes (verde) só foram tocados durante a onda de julho. Os 10 envelopes (rosa) nunca foram tocados, o que significa que esta banda é muito grande. Um comerciante de médio prazo poderia usar os 5 envelopes, enquanto um comerciante de curto prazo poderia usar os envelopes 2.5. Índices de ações e ETFs exigem envelopes mais apertados porque eles são tipicamente menos voláteis do que ações individuais. O gráfico de Alcoa tem os mesmos envelopes de média móvel como o gráfico de SPY. No entanto, note que a Alcoa violou os 10 envelopes inúmeras vezes porque é mais volátil. Identificação de Tendências Média Móvel Os envelopes podem ser usados ​​para identificar movimentos fortes que sinalizem o início de uma tendência estendida. O truque, como sempre, é escolher os parâmetros corretos. Isso requer prática, tentativa e erro. O gráfico abaixo mostra a Dow Chemical (DOW) com os Envelopes de Média Móvel (20,10). Os preços de fechamento são usados ​​porque as médias móveis são calculadas com os preços de fechamento. Alguns chartists preferem barras ou candlesticks para utilizar o dia intraday alto e baixo. Observe como o DOW subiu acima do envelope superior em meados de julho e continuou se movendo acima deste envelope até o início de agosto. Isso mostra uma força extraordinária. Observe também que o Moving Average Envelopes apareceu e seguiu o avanço. Depois de um movimento de 14 para 23, o estoque foi claramente overbought. No entanto, este movimento estabeleceu um forte precedente que marcou o início de uma tendência estendida. Com DOW tornando-se overbought logo depois de estabelecer a sua tendência de alta, era hora de esperar por um pullable playable. Os comerciantes podem procurar pullbacks com análise de gráfico básico ou com indicadores. Os pullbacks vêm frequentemente sob a forma de bandeiras ou de cunhas de queda. DOW formou uma imagem perfeita caindo bandeira em agosto e quebrou a resistência em setembro. Outra bandeira formada no final de outubro com uma fuga em novembro. Após o aumento de novembro, o estoque puxado para trás com uma bandeira de cinco semanas em dezembro. O Índice de Canal de Mercadoria (CCI) é mostrado na janela do indicador. Movimentos abaixo de -100 exibem leituras de sobrevendido. Quando a tendência maior está acima, as leituras do oversold podem ser usadas identificar pullbacks para melhorar o perfil do risco-recompensa para um comércio. Momentum vira bullish novamente quando CCI move de volta em território positivo (linhas pontilhadas verde). A lógica inversa pode ser aplicada para uma tendência de baixa. Um movimento forte abaixo do envelope inferior sinaliza uma fraqueza extraordinária que pode prenunciar uma tendência de queda prolongada. O gráfico abaixo mostra International Game Tech (IGT) quebrando abaixo do envelope 10 para estabelecer uma tendência de baixa no final de outubro de 2009. Porque o estoque estava muito sobrevendido após este declínio acentuado, teria sido prudente esperar por um salto. Podemos então usar a análise de preços básicos ou outro indicador de momentum para identificar os rejeitos. A janela do indicador mostra o oscilador estocástico que está sendo usado para identificar rejeições do overbought. Um movimento acima de 80 é considerado sobrecompra. Uma vez acima de 80, os cartistas podem então procurar um sinal gráfico ou um movimento para trás abaixo de 80 para sinalizar uma desaceleração (linhas pontilhadas a vermelho). O primeiro sinal foi confirmado com uma pausa de suporte. O segundo sinal resultou em um whipsaw (perda) porque o estoque se moveu acima de 20 algumas semanas mais tarde. O terceiro sinal foi confirmado com uma quebra de linha de tendência que resultou em um declínio bastante acentuado. Semelhante ao oscilador de preços Antes de passar para os níveis de sobrecompra e sobrevenda, vale a pena salientar que os envelopes de média móvel são semelhantes ao oscilador de preço por cento (PPO). Moving Average Envelopes nos dizer quando uma segurança está negociando uma certa porcentagem acima de uma determinada média móvel. PPO mostra a diferença percentual entre uma média móvel exponencial curta e uma média móvel exponencial mais longa. PPO (1,20) mostra a diferença percentual entre um EMA de 1 período e um EMA de 20 períodos. Um EMA de 1 dia é igual ao fechamento. 20-período Exponencial Moving Average Envelopes refletem as mesmas informações. O gráfico acima mostra o Russell 2000 ETF (IWM) com PPO (1,20) e 2,5 Exponential Moving Average Envelopes. As linhas horizontais foram fixadas em 2,5 e -2,5 no PPO. Observe que os preços se movem acima do envelope 2,5 quando o PPO se move acima de 2,5 (sombreamento amarelo) e os preços se movem abaixo do envelope 2,5 quando o PPO se move abaixo de -2,5 (sombreamento laranja). PPO é um oscilador de momentum que pode ser usado para identificar overbought e oversold níveis. Por extensão, Moving Average Envelopes também pode ser usado para identificar overbought e oversold níveis. O PPO utiliza médias móveis exponenciais, pelo que tem de ser comparado com Envelopes Móveis Média usando EMAs, e não SMAs. OverboughtOversold Medir overbought e condições oversold é complicado. Os títulos podem tornar-se sobre-comprados e permanecer sobre-comprados em uma forte tendência de alta. Da mesma forma, os títulos podem se tornar oversold e permanecer sobrevendido em uma forte tendência de baixa. Em uma forte tendência de alta, os preços muitas vezes se movem acima do envelope superior e continuar acima desta linha. Na verdade, o envelope superior vai subir como preço continua acima do envelope superior. Isso pode parecer tecnicamente sobre-comprado, mas é um sinal de força para permanecer sobre-comprado. O inverso é verdadeiro para oversold. As leituras de sobrecompra e de sobrevenda são melhor usadas quando a tendência se reduz. O gráfico para Nokia tem tudo. As linhas cor-de-rosa representam os Envelopes de Média Móvel (50,10). Uma média móvel simples de 50 dias está no meio (vermelho). Os envelopes são definidos 10 acima e abaixo dessa média móvel. O gráfico começa com um nível de sobrecompra que ficou overbought como uma forte tendência surgiu em abril-maio. A ação do preço ficou intermitente de junho a abril, que é o cenário perfeito para os níveis de sobrecompra e sobrevenda. Níveis de super-compra em setembro e meados de março previram reversões. Da mesma forma, os níveis de sobrevenda em agosto e final de outubro anteciparam avanços. O gráfico termina com uma condição de sobrevenda que permanece sobre-vendida à medida que uma forte tendência de baixa emerge. As condições de sobre-compra e sobre-venda devem servir como alertas para uma análise mais aprofundada. Os níveis de sobrecompra devem ser confirmados com a resistência do gráfico. Os cartistas também podem procurar padrões de baixa para reforçar o potencial de reversão em níveis de sobrecompra. Da mesma forma, os níveis de sobrevenda devem ser confirmados com suporte de gráfico. Chartist também pode procurar padrões de alta para reforçar o potencial de reversão em níveis de sobrevenda. Conclusões Moving Average Envelopes são usados ​​principalmente como um indicador de tendência seguinte, mas também pode ser usado para identificar condições de sobre-compra e sobrevenda. Após um período de consolidação, uma quebra de envelope forte pode sinalizar o início de uma tendência estendida. Uma vez que uma tendência de alta é identificada, os chartists podem girar para indicadores do impulso e outras técnicas identificar leitores oversold e pullbacks dentro dessa tendência. Condições de sobrecompra e saltos podem ser usados ​​como oportunidades de vendas dentro de uma tendência de baixa maior. Na ausência de forte tendência, os Envelopes Moving Average podem ser usados ​​como o Oscilador de Preço por Porcentagem. Move-se acima das leituras de overbought do sinal superior do envelope, enquanto se move abaixo das leituras de sobrevenda do sinal de envelope inferior. Também é importante incorporar outros aspectos da análise técnica para confirmar a leitura sobre-comprada e oversold. Padrões de reversão reversíveis e de resistência podem ser usados ​​para corroborar leituras de sobrecompra. Suporte e padrões de reversão de alta podem ser usados ​​para afirmar condições de sobrevenda. SharpCharts Moving Average Envelopes podem ser encontrados no SharpCharts como uma sobreposição de preços. Tal como acontece com uma média móvel, os envelopes devem ser mostrados em cima de um gráfico de preços. Ao selecionar o indicador na caixa suspensa, a configuração padrão aparecerá na janela de parâmetros (20,2,5). Envelopes MA são baseados em uma média móvel simples. EMA Envelopes são baseados em uma média móvel exponencial. O primeiro número (20) define os períodos para a média móvel. O segundo número (2.5) define o deslocamento percentual. Os usuários podem alterar os parâmetros para atender às suas necessidades de gráficos. A média móvel correspondente pode ser adicionada como sobreposição separada. Clique aqui para ver um exemplo ao vivo. Oversold após quebra acima Upper Envelope: Esta varredura procura por ações que quebrou acima de sua superior exponencial Moving Average Envelope (50,10) há vinte dias para afirmar ou estabelecer uma tendência de alta. O ICC atual de 10 períodos está abaixo de -100 para indicar uma condição de sobre-venda de curto prazo. Overbought after Break below Lower Envelope: Esta verificação procura por ações que quebraram abaixo de seu envelope exponencial de média móvel menor (50,10) vinte dias atrás para confirmar ou estabelecer uma tendência de baixa. O ICC atual de 10 períodos é acima de 100 para indicar uma condição de sobrecompra de curto prazo. Estudo de tendência de negociação para uma vida Thomas Carr