Perguntas sobre os dados do mercado Exponencial versus as médias móveis simples Oi Tom - Eu sou um assinante seu e queria saber se você tinha um gráfico ldquoconversionrdquo para converter o valor da tendência em MAs exponenciais de período. Por exemplo, 10 Trend é aproximadamente igual a um EMA de 19 períodos, 1 Tendência para 200EMA, etc. Obrigado antecipadamente. A fórmula para converter uma constante de suavização da média móvel exponencial (EMA) para um número de dias é: 2 mdashmdashmdash-N 1 onde N é o número de dias. Assim, um EMA de 19 dias enquadra-se na fórmula da seguinte maneira: 2 2 mdashmdashmdashmdash - mdashmdashmdash - 0.10, ou 10 19 1 20 Isso decorre da idéia de que a constante de suavização é escolhida de modo a dar a mesma idade média dos dados Como seria feito em uma média móvel simples. Se você tivesse uma média móvel simples de 20 períodos, então a idade média de cada entrada de dados é de 9,5. Pode-se pensar que a idade média deve ser 10, uma vez que é metade de 20, ou 10,5, uma vez que é a média dos números de 1 a 20. Mas, na convenção estatística, a idade do dado mais recente é 0. Então Encontrar a média de idade dos últimos vinte pontos de dados é feita ao encontrar a média desta série: Portanto, a idade média dos dados em um conjunto de N períodos é: N - 1 mdashmdashmdashmdash - 2 Para suavização exponencial, com uma constante de suavização de A , Resulta da teoria da matemática da soma que a idade média dos dados é: 1 - A mdashmdashmdashmdash - A Combinando essas duas equações: 1 - AN-1 mdashmdashmdash mdashmdashmdashmdash A 2 podemos resolver por um valor de A que equivale a um EMA para um comprimento médio móvel simples como: 2 A mdashmdashmdashmdash - N 1 Você pode ler uma das peças originais já escritas sobre este conceito, indo para McClellanMTAaward. pdf. Ali, extraímos P. N. Folheto de Haurlanrsquos, ldquoMeasuring Trend Valuesrdquo. Haurlan foi uma das primeiras pessoas a usar médias móveis exponenciais para rastrear os preços das ações na década de 1960, e ainda preferimos sua terminologia original de uma Tendência XX, ao invés de chamar uma média móvel exponencial por alguns dias. Uma grande razão para isso é que, com uma média móvel simples (SMA), você está olhando para trás um certo número de dias. Qualquer coisa mais antiga que esse período de lookback não faz parte do cálculo. Mas com uma EMA, os dados antigos nunca desaparecem, torna-se cada vez menos importante para o valor da média móvel. Para entender por que os técnicos se preocupam com EMAs versus SMAs, um rápido olhar neste gráfico fornece uma ilustração da diferença. Durante os movimentos de tendência para cima ou para baixo, um 10 Tendência e um SMA de 19 dias estarão em grande parte juntos. É durante os períodos em que os preços estão agitados, ou quando a direção da tendência está mudando, que vemos os dois começarem a se separar. Nesses casos, a Tendência 10 geralmente abraçará mais a ação do preço e, portanto, estará em melhor posição para sinalizar uma mudança quando o preço a atravessar. Para muitas pessoas, esta propriedade torna EMAs ldquobetterrdquo do que SMAs, mas ldquobetterrdquo está no olho do observador. A razão pela qual os engenheiros usaram EMAs há anos, especialmente na eletrônica, é que eles são mais fáceis de calcular. Para determinar o novo valor EMA de todayrsquos, você só precisa do valor EMA de ontemrsquos, a constante de suavização e o novo preço de fechamento de todayrsquos (ou outro datum). Mas, para calcular um SMA, você deve conhecer cada valor no tempo para todo o período de lookback. Forecasting by Smoothing Techniques Este site é parte dos objetos de aprendizado de JavaScript E-E para a tomada de decisões. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicações na seção MENU nesta página. Uma série temporal é uma sequência de observações que são ordenadas a tempo. Inerente à coleta de dados obtidos ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos e o comportamento dos resíduos, modelagem de previsão de condições. Médias móveis: as médias médias classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados para filtrar o ruído branco aleatório dos dados, para tornar as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Triple Exponential Suavização é melhor no manuseio de tendências da parábola. Uma média móvel ponderada exponencialmente com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holst Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual como a atual tendência. Observe que a média móvel simples é um caso especial do alisamento exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0.40 geralmente é efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário traçar (usando, por exemplo, Excel), no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as previsões passadas por Smoothing Techniques JavaScript para obter os valores de previsão passados com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance, ele define o nível para a última observação e baseia-se na condição de que não há nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. Holder linear exponencial suavização capta informações sobre a tendência recente. Os parâmetros no modelo Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande, e as tendências-parâmetro devem ser aumentadas se a direção recente da tendência é suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão de duas etapas. Simplesmente adicione o valor previsto para o final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes, a fim de obter as previsões necessárias a curto prazo. Sublinhação Exponencial Explicada. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Quando as pessoas primeiro encontram o termo Suavização Exponencial, eles podem pensar que isso parece ser um monte de alisamento. Seja qual for o alisamento. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um diploma em matemática para entender, e espero que exista uma função incorporada do Excel disponível se eles precisarem fazê-lo. A realidade do alisamento exponencial é muito menos dramática e muito menos traumática. A verdade é que o alisamento exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele só tem um nome complicado, porque o que tecnicamente acontece como resultado desse simples cálculo é realmente um pouco complicado. Para entender o alisamento exponencial, ajuda a começar com o conceito geral de suavização e alguns outros métodos comuns usados para o alisamento. O que é o alisamento O suavização é um processo estatístico muito comum. De fato, nós encontramos regularmente dados suavizados em várias formas em nossa vida cotidiana. Sempre que usar uma média para descrever algo, você está usando um número suavizado. Se você pensa sobre o motivo pelo qual você usa uma média para descrever algo, você entenderá rapidamente o conceito de suavização. Por exemplo, acabamos de experimentar o inverno mais caloroso registrado. Como podemos quantificar isso. Bem, começamos com conjuntos de dados das temperaturas diárias altas e baixas durante o período em que chamamos de Inverno por ano na história registrada. Mas isso nos deixa com um monte de números que saltam bastante (não é como todos os dias que este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que remova todo esse salto dos dados para que possamos comparar mais facilmente um inverno com o próximo. Remover o salto nos dados é chamado de suavização e, neste caso, podemos usar apenas uma média simples para realizar o alisamento. Na previsão de demanda, usamos alisamento para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor os padrões de demanda (principalmente tendência e sazonalidade) e níveis de demanda que podem ser usados para estimar a demanda futura. O ruído em demanda é o mesmo conceito que o salto diário dos dados de temperatura. Não surpreendentemente, a maneira mais comum de remover o ruído do histórico de demanda é usar uma média simples ou mais especificamente, uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem à medida que o tempo passa. Por exemplo, se eu estiver usando uma média móvel de 4 meses e hoje é 1 de maio, estou usando uma média de demanda ocorrida em janeiro, fevereiro, março e abril. Em 1º de junho, vou usar a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representou 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que o histórico mais recente tenha um impacto maior na sua previsão. Podemos adaptar nosso cálculo de média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens e o total de todos os pesos para todos os períodos deve somar até 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para descobrir que temos 65 restantes para dividir nos outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35, respectivamente, durante os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para nosso cálculo exponencial de suavização. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada à demanda de períodos mais recentes. Então, onde usamos 35 como a ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como fator de suavização em nosso cálculo exponencial de suavização para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que ao invés de nós ter que descobrir o quanto de peso a aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então, aqui vem a parte exponencial. Se usarmos 35 como fator de suavização, a ponderação da demanda de períodos mais recentes será de 35. A ponderação da próxima demanda dos períodos mais recentes (o período anterior ao mais recente) será 65 de 35 (65 provém de subtrair 35 de 100). Isso equivale a 22,75 ponderações para esse período se você fizer a matemática. Nos próximos períodos, a demanda será 65 de 65 de 35, o que equivale a 14,79. O período anterior será ponderado como 65 de 65 de 65 de 35, o que equivale a 9.61, e assim por diante. E isso continua com todos os seus períodos anteriores até o início do tempo (ou o ponto em que você começou a usar o alisamento exponencial para esse item em particular). Você provavelmente está pensando que parece um monte de matemática. Mas a beleza do cálculo de suavização exponencial é que ao invés de ter que recalcular em relação a cada período anterior sempre que você obtém uma nova demanda de períodos, você simplesmente usa a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olhamos para o cálculo real Normalmente, nos referimos à saída do cálculo de suavização exponencial como a próxima previsão do período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os fins desse cálculo específico, nos referiremos como a previsão. O cálculo de suavização exponencial é o seguinte: a demanda de períodos mais recente multiplicada pelo fator de suavização. PLUS A previsão de períodos mais recente multiplicada por (um menos o fator de suavização). D os períodos mais recentes exigem S o fator de suavização representado na forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização do período anterior). OU (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para obter dados aqui são os períodos mais recentes, a demanda e os períodos mais recentes previstos. Nós aplicamos o fator de suavização (ponderação) para os períodos mais recentes exigindo da mesma maneira que seria no cálculo da média móvel ponderada. Em seguida, aplicamos a ponderação restante (1 menos o fator de suavização) até a previsão de períodos mais recentes. Uma vez que a previsão de períodos mais recentes foi criada com base na demanda dos períodos anteriores e nos períodos anteriores, que se baseou na demanda do período anterior e na previsão do período anterior, que se baseou na demanda do período anterior E a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores são representados no cálculo, sem realmente voltar e recalcular qualquer coisa. E é isso que impulsionou a popularidade inicial do alisamento exponencial. Não foi por ter feito um melhor trabalho de suavização do que a média móvel ponderada, foi porque era mais fácil de calcular em um programa de computador. E, porque você não precisava pensar sobre a ponderação para dar períodos anteriores ou quantos períodos anteriores usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. Na verdade, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, pois você tem mais controle sobre a ponderação de períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com um som mais fácil e mais legal. Suavização exponencial no Excel Veja como isso realmente seria exibido em uma planilha com dados reais. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Na Figura 1A, temos uma planilha do Excel com 11 semanas de demanda e uma previsão exponencialmente suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para a semana 12. Você pode ver na barra de fórmulas, a fórmula é (L3C1) (L4 (1-C1)). Assim, as únicas entradas diretas para este cálculo são a demanda de períodos anteriores (Cell L3), os períodos anteriores previstos (Cell L4) e o fator de suavização (Cell C1, mostrado como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor para a 1ª previsão. Então, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda do mesmo período que a previsão. Na célula C4, temos o nosso 1º cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos copiar Cell C4 e colá-lo nas células D4 através de M4 para preencher o resto das nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver se é baseada na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Portanto, cada cálculo subseqüente de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que a demanda de cada período anterior é representada no cálculo dos períodos mais recentes, embora esse cálculo não faça referência direta a esses períodos anteriores. Se você deseja ter fantasia, você pode usar a função Excels trace precedents. Para fazer isso, clique em Cell M4, depois na barra de ferramentas da fita (Excel 2007 ou 2010) clique na guia Fórmulas e, em seguida, clique em Preocupações de rastreamento. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Preocupações de rastreamento, ele irá desenhar linhas de conector para todos os períodos anteriores para mostrar as relações herdadas. Agora, vamos ver o que o alisamento exponencial fez por nós. A Figura 1B mostra um gráfico de linha de nossa demanda e previsão. Você vê como a previsão exponencialmente alisada remove a maior parte da irregularidade (o salto em torno) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de suavização. Sempre que usar o suavização quando uma tendência estiver presente, sua previsão ficará para trás da tendência. Isso é verdade para qualquer técnica de suavização. De fato, se continuássemos esta planilha e começássemos a inserir números de demanda menores (fazendo uma tendência decrescente), você veria a queda da linha de demanda e a linha de tendência se deslocará acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo de suavização exponencial que chamamos de previsão, ainda precisa de mais algum trabalho. Há muito mais para prever que apenas suavizar os solavancos na demanda. Precisamos fazer ajustes adicionais para coisas como atraso de tendência, sazonalidade, eventos conhecidos que podem afetar demanda, etc. Mas tudo isso está além do escopo deste artigo. Você provavelmente também irá encontrar termos como suavização de dois níveis exponencial e suavização triplo-exponencial. Esses termos são um pouco enganadores, pois você não está re-suavizando a demanda várias vezes (você poderia, se quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com um alisamento exponencial simples, você está suavizando a demanda base, mas com o alisamento duplo-exponencial, você suaviza a demanda base mais a tendência, e com alisamento triplo-exponencial você suaviza a demanda base mais a tendência mais a sazonalidade. A outra pergunta mais comum sobre o alisamento exponencial é onde eu obtenho meu fator de suavização. Não há resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que obtém os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve implementar de forma cega nenhum cálculo sem testes completos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários do que-se para ver como esses cálculos reagem às mudanças de demanda que podem não existir atualmente nos dados de demanda que você está usando para testar. O exemplo de dados que usei anteriormente é um exemplo muito bom de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados específicos mostra uma tendência ascendente bastante consistente. Muitas grandes empresas com software de previsão muito caro conseguiram grandes problemas no passado não tão distante, quando as configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) estão realmente fazendo. Se eles entendessem seu sistema de previsão, eles saberiam que precisavam entrar e mudar algo quando houve mudanças súbitas e dramáticas em seus negócios. Então, você tem os conceitos básicos de suavização exponencial explicados. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, verifique meu livro Gerenciamento de inventário explicado. Copie os direitos autorais. O conteúdo no InventoryOps é protegido por direitos autorais e não está disponível para republicação. Dave Piasecki. É um operador próprio da Inventory Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de estoque, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência no gerenciamento de operações e pode ser alcançado através do seu site (inventário), onde ele mantém informações relevantes adicionais. Meu negócio
No comments:
Post a Comment