Les moyennes mobiles exponentielles doubles expliquées Les commerçants ont compté sur des moyennes mobiles pour aider à repérer des points d'entrée de probabilité élevés et des sorties rentables pendant de nombreuses années. Un problème bien connu avec les moyennes mobiles, cependant, est le retard sérieux qui est présent dans la plupart des types de moyennes mobiles. La moyenne mobile exponentielle double (DEMA) fournit une solution en calculant une méthodologie de moyenne plus rapide. Historique de la moyenne mobile exponentielle double Dans l'analyse technique. Le terme «moyenne mobile» désigne la moyenne du prix d'un instrument de négociation particulier sur une période déterminée. Par exemple, une moyenne mobile de 10 jours calcule le prix moyen d'un instrument particulier au cours des 10 derniers dix jours, une moyenne mobile de 200 jours calcule le prix moyen des 200 derniers jours. Chaque jour, la période de rétrospection avance pour baser les calculs sur le dernier nombre X de jours. Une moyenne mobile apparaît comme une ligne lisse et courbée qui fournit une représentation visuelle de la tendance à plus long terme d'un instrument. Des moyennes mobiles plus rapides, avec des périodes plus courtes de rétrospection, sont des moyennes mobiles plus lentes plus lentes, avec des périodes plus longues, sont plus lisses. Parce qu'une moyenne mobile est un indicateur de retour, il est en retard. La moyenne mobile exponentielle double (DEMA), montrée dans la figure 1, a été développée par Patrick Mulloy dans une tentative de réduire la quantité de temps de latence trouvée dans les moyennes mobiles traditionnelles. Il a d'abord été introduit dans le février 1994, Analyse Technique des Stocks amp Commodities magazine dans Mulloys article Lissage des données avec des moyennes mobiles plus rapides. Figure 1: Ce graphique d'une minute du contrat à terme de e-mini Russell 2000 montre deux moyennes mobiles exponentielles doubles différentes, une période de 55 périodes apparaît en bleu, Une période de 21 en rose. Calcul d'un DEMA Comme l'explique Mulloy dans son article original, le DEMA n'est pas seulement un double EMA avec deux fois le temps de retard d'un EMA simple, mais est une implémentation composite d'EMA simples et doubles produisant un autre EMA avec moins de décalage que l'original deux. En d'autres termes, le DEMA n'est pas simplement deux EMA combinés, ou une moyenne mobile d'une moyenne mobile, mais est un calcul des EMA simple et double. Presque toutes les plates-formes d'analyse commerciale ont le DEMA inclus comme un indicateur qui peut être ajouté aux graphiques. Par conséquent, les commerçants peuvent utiliser le DEMA sans connaître les mathématiques derrière les calculs et sans avoir à écrire ou entrer n'importe quel code. Comparaison de la DEMA avec les moyennes mobiles traditionnelles Les moyennes mobiles sont l'une des méthodes les plus populaires d'analyse technique. Beaucoup de commerçants les utilisent pour repérer les inversions de tendance. En particulier dans un croisement de moyenne mobile, où deux moyennes mobiles de différentes longueurs sont placées sur un graphique. Les points où les moyennes mobiles se croisent peuvent signifier des occasions d'achat ou de vente. Le DEMA peut aider les commerçants à repérer les reprises plus tôt parce qu'il est plus rapide pour répondre aux changements dans l'activité du marché. La figure 2 montre un exemple du contrat à terme e-mini Russell 2000. Ce graphique d'une minute a quatre moyennes mobiles appliquées: DEMA de 21 périodes (rose) DEMA de 55 périodes (bleu foncé) MA de 21 périodes (bleu clair) MA de 55 périodes (vert clair) Figure 2: Ce graphique d'une minute de Le contrat à terme e-mini Russell 2000 illustre le temps de réponse plus rapide du DEMA lorsqu'il est utilisé dans un croisement. Remarquez comment le crossover DEMA dans les deux cas apparaît significativement plus tôt que les crossovers MA. Le premier crossover DEMA apparaît à 12:29 et la barre suivante s'ouvre à un prix de 663.20. Le crossover MA, d'autre part, se forme à 12:34 et le prix d'ouverture des bars suivants est à 660.50. Dans le prochain ensemble de crossovers, le crossover DEMA apparaît à 1:33 et la barre suivante s'ouvre à 658. La MA, au contraire, se forme à 1:43, avec la barre suivante à 662.90. Dans chaque cas, le crossover DEMA offre un avantage à entrer dans la tendance antérieure au crossover MA. (Pour plus d'informations, lisez le didacticiel des moyennes mobiles.) Négociation avec un DEMA Les exemples de croisement de moyenne mobile ci-dessus illustrent l'efficacité de l'utilisation de la moyenne mobile exponentielle double plus rapide. En plus d'utiliser le DEMA comme un indicateur autonome ou dans une configuration de croisement, le DEMA peut être utilisé dans une variété d'indicateurs où la logique est basée sur une moyenne mobile. Outils d'analyse technique tels que Bollinger Bands. La convergence variable moyenne mobile (MACD) et la moyenne mobile exponentielle triple (TRIX) sont basées sur des types de moyenne mobile et peuvent être modifiées pour incorporer un DEMA à la place d'autres types plus traditionnels de moyennes mobiles. La substitution de la DEMA peut aider les commerçants à repérer différentes opportunités d'achat et de vente qui sont en avance sur celles fournies par les AM ou EMA traditionnellement utilisés dans ces indicateurs. Bien sûr entrer dans une tendance plus tôt que plus tard conduit généralement à des profits plus élevés. La figure 2 illustre ce principe - si nous devions utiliser les crossovers comme signaux d'achat et de vente. Nous entrons dans les métiers significativement plus tôt lors de l'utilisation du crossover DEMA par opposition au croisement MA. Bottom Line Traders et les investisseurs ont longtemps utilisé les moyennes mobiles dans leur analyse de marché. Les moyennes mobiles sont un outil d'analyse technique couramment utilisé qui permet de visualiser et d'interpréter rapidement la tendance à long terme d'un instrument de négociation donné. Étant donné que les moyennes mobiles sont, par nature, des indicateurs en retard. Il est utile de modifier la moyenne mobile afin de calculer un indicateur plus rapide et plus réactif. La moyenne mobile exponentielle double offre aux commerçants et aux investisseurs une vision de la tendance à plus long terme, avec l'avantage supplémentaire d'être une moyenne mobile plus rapide avec moins de temps de latence. (Pour des lectures connexes, jetez un coup d'oeil à Moyenne mobile MACD Combo et Simple vs Moyennes mobiles exponentielles.) Si vous voyez ce message, votre navigateur a désactivé ou ne prend pas en charge JavaScript. Pour utiliser toutes les fonctionnalités de ce système d'aide, telles que la recherche et la table des matières, votre navigateur doit avoir le support JavaScript activé. Si votre navigateur prend en charge JavaScript, il fournit des paramètres permettant d'activer ou de désactiver JavaScript. Lorsque JavaScript est désactivé, vous ne pouvez afficher que le contenu de la rubrique d'aide qui suit ce message. Méthodes classiques de prévision non saisonnière Les méthodes non saisonnières tentent de prévoir en supprimant les changements extrêmes des données passées lorsque des cycles répétés de valeurs de données ne sont pas présents. Les méthodes de prévision classiques non saisonnières suivantes sont disponibles: Moyenne mobile simple (SMA) Lisse les données historiques en faisant la moyenne des dernières périodes et en projetant la dernière valeur moyenne en avant. Predictor peut calculer automatiquement le nombre optimal de périodes à la moyenne, ou vous pouvez sélectionner le nombre de périodes à la moyenne. Cette méthode est préférable pour les données volatiles sans tendance ou saisonnalité. Il en résulte une ligne droite, des prévisions à plat. Figure 64. Moyenne mobile moyenne typique, Fit et Ligne de prévision Moyenne mobile double (DMA) Applique la technique de la moyenne mobile deux fois, une fois aux données d'origine puis aux données de la moyenne mobile unique résultante. Cette méthode utilise ensuite les deux ensembles de données lissées pour projeter vers l'avant. Predictor peut calculer automatiquement le nombre optimal de périodes à la moyenne, ou vous pouvez sélectionner le nombre de périodes à la moyenne. Cette méthode est préférable pour les données historiques avec une tendance mais pas de saisonnalité. Il en résulte une ligne droite, prévision en pente. Figure 65. Ligne de données, d'ajustement et de prévision de la moyenne mobile double typique Lissage exponentiel simple (SES) Pondère toutes les données passées avec des pondérations exponentiellement décroissantes dans le passé. En d'autres termes, les données les plus récentes ont généralement un poids plus important. La pondération de cette façon surmonte largement les limites des moyennes mobiles ou des méthodes de changement de pourcentage. Predictor peut calculer automatiquement la constante de lissage optimale, ou vous pouvez définir manuellement la constante de lissage. Cette méthode, qui donne lieu à une prévision linéaire et linéaire, est la meilleure pour les données volatiles, sans tendance ou saisonnalité. Figure 66. Lissage typique des lignées exponentielles, lissage et lignage de prévision Double lissage exponentiel (DES) Applique SES deux fois, une fois aux données d'origine puis aux données SES résultantes. Predictor utilise la méthode Holt8217s pour le lissage exponentiel double, qui peut utiliser un paramètre différent pour la deuxième application de l'équation SES. Predictor peut calculer automatiquement les constantes de lissage optimales, ou vous pouvez définir manuellement les constantes de lissage. Cette méthode est préférable pour les données avec une tendance, mais pas de saisonnalité. Il en résulte une ligne droite, prévision en pente. Figure 67. Lignes typiques de lissage doux exponentiels, Fit et Ligne de prévision Paramètres classiques de la méthode de prévision non saisonnière Les méthodes classiques non saisonnières utilisent plusieurs paramètres de prévision. Pour les méthodes de la moyenne mobile, les formules utilisent un paramètre, période. Lors de l'exécution d'une moyenne mobile, les moyennes Predictor sur un certain nombre de périodes. Pour une moyenne mobile unique, le nombre de périodes peut être un nombre entier compris entre 1 et la moitié du nombre de points de données. Pour une moyenne mobile double, le nombre de périodes peut être un nombre entier entre 2 et un tiers du nombre de points de données. Le lissage exponentiel simple a un paramètre: alpha. Alpha (a) est la constante de lissage. La valeur de alpha peut être n'importe quel nombre compris entre 0 et 1, non compris. Le lissage exponentiel double a deux paramètres: alpha et bêta. Alpha est la même constante de lissage comme décrit ci-dessus pour le lissage exponentiel simple. La bêta (b) est également une constante de lissage exactement comme l'alpha sauf qu'elle est utilisée pendant le second lissage. La valeur de bêta peut être n'importe quel nombre entre 0 et 1, non inclusif. Forecasting by Smoothing Techniques Ce site fait partie des objets d'apprentissage JavaScript E-Labs pour la prise de décision. Les autres JavaScript de cette série sont classés dans différents domaines d'application dans la section MENU de cette page. Une série chronologique est une séquence d'observations qui sont ordonnées dans le temps. Inherente à la collecte de données prises dans le temps est une forme de variation aléatoire. Il existe des procédés pour réduire l'annulation de l'effet dû à une variation aléatoire. Les techniques largement utilisées sont le lissage. Ces techniques, lorsqu'elles sont correctement appliquées, révèlent plus clairement les tendances sous-jacentes. Saisissez la série chronologique en ordre, en commençant par le coin supérieur gauche et le ou les paramètres, puis cliquez sur le bouton Calculer pour obtenir une prévision à une période. Les cases en blanc ne sont pas incluses dans les calculs mais les zéros sont. Lorsque vous entrez vos données pour passer d'une cellule à une cellule dans la matrice de données, utilisez la touche Tabulation et non la flèche ou entrez les touches. Caractéristiques des séries temporelles, qui pourraient être révélées en examinant son graphique. Avec les valeurs prévues, et le comportement des résidus, la prévision des conditions de modélisation. Moyennes mobiles: Les moyennes mobiles se classent parmi les techniques les plus populaires pour le prétraitement des séries chronologiques. Ils sont utilisés pour filtrer le bruit blanc aléatoire à partir des données, pour rendre la série temporelle plus lisse ou même pour mettre l'accent sur certains composants informatifs contenus dans la série chronologique. Lissage exponentiel: Il s'agit d'un schéma très populaire pour produire une série chronologique lissée. Alors que dans les moyennes mobiles les observations passées sont pondérées également, le lissage exponentiel attribue des poids exponentiellement décroissants à mesure que l'observation vieillit. En d'autres termes, les observations récentes donnent relativement plus de poids dans les prévisions que les observations plus anciennes. Double lissage exponentiel est mieux à la manipulation des tendances. Triple Exponential Smoothing est mieux à la manipulation des tendances parabole. Une moyenne mobile exponentiellement pondérée avec une constante de lissage a. Correspond approximativement à une moyenne mobile simple de longueur (c'est-à-dire période) n, où a et n sont liés par: a 2 (n1) OR n (2 - a) a. Ainsi, par exemple, une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,1 correspondrait approximativement à une moyenne mobile de 19 jours. Et une moyenne mobile simple de 40 jours correspondrait approximativement à une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,04878. Holts Linear Exponential Smoothing: Supposons que la série temporelle soit non saisonnière mais affiche la tendance. Holts méthode estime à la fois le niveau actuel et la tendance actuelle. Notons que la moyenne mobile simple est un cas particulier du lissage exponentiel en définissant la période de la moyenne mobile sur la partie entière de (2-Alpha) Alpha. Pour la plupart des données commerciales, un paramètre Alpha inférieur à 0,40 est souvent efficace. Cependant, on peut effectuer une recherche de grille de l'espace des paramètres, avec 0,1 à 0,9, avec des incréments de 0,1. Ensuite, le meilleur alpha a la plus petite erreur absolue moyenne (erreur MA). Comment comparer plusieurs méthodes de lissage: Bien qu'il existe des indicateurs numériques pour évaluer la précision de la technique de prévision, l'approche la plus répandue consiste à utiliser la comparaison visuelle de plusieurs prévisions pour évaluer leur exactitude et choisir parmi les différentes méthodes de prévision. Dans cette approche, on doit tracer (en utilisant par exemple Excel) sur le même graphe les valeurs d'origine d'une variable de série temporelle et les valeurs prédites à partir de plusieurs méthodes de prévision différentes, facilitant ainsi une comparaison visuelle. Vous pouvez utiliser les prévisions passées par Smoothing Techniques JavaScript pour obtenir les valeurs de prévisions antérieures basées sur des techniques de lissage qui n'utilisent qu'un seul paramètre. Holt et Winters utilisent deux et trois paramètres, respectivement, donc il n'est pas facile de sélectionner les valeurs optimales, voire presque optimales par essai et les erreurs pour les paramètres. Le lissage exponentiel simple met l'accent sur la perspective à courte portée qu'il définit le niveau à la dernière observation et est basé sur la condition qu'il n'y a pas de tendance. La régression linéaire, qui correspond à une ligne de moindres carrés aux données historiques (ou aux données historiques transformées), représente la longue portée, conditionnée par la tendance de base. Le lissage linéaire linéaire de Holts capture des informations sur la tendance récente. Les paramètres dans le modèle de Holts sont les niveaux-paramètres qui devraient être diminués quand la quantité de variation de données est grande, et les tendances-paramètre devraient être augmentés si la direction de tendance récente est soutenue par le causal certains facteurs. Prévision à court terme: Notez que chaque JavaScript sur cette page fournit une prévision à un pas. Obtenir une prévision en deux étapes. Ajoutez simplement la valeur prévue à la fin de vos données chronologiques et cliquez sur le même bouton Calculer. Vous pouvez répéter ce processus quelques fois afin d'obtenir les prévisions à court terme nécessaires.
No comments:
Post a Comment