Métodos de Séries Temporais Métodos de séries temporais são técnicas estatísticas que fazem uso de dados históricos acumulados ao longo de um período de tempo. Os métodos de séries temporais assumem que o que ocorreu no passado continuará a ocorrer no futuro. Como o nome da série temporal sugere, esses métodos relacionam a previsão a apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares de previsão de curto prazo entre empresas de serviços e manufatura. Esses métodos pressupõem que padrões históricos identificáveis ou tendências de demanda ao longo do tempo se repetem. Média móvel Uma previsão de série temporal pode ser tão simples quanto usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda for de 100 unidades nesta semana, a previsão para a demanda nas próximas semanas é de 100 unidades, se a demanda for 90 unidades, e a demanda das próximas semanas for de 90 unidades, e assim por diante. Esse tipo de método de previsão não leva em consideração o comportamento da demanda histórica, dependendo apenas da demanda no período atual. Reage diretamente aos movimentos normais e aleatórios da demanda. O método da média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar ou suavizar os aumentos e diminuições aleatórios de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe nenhum comportamento de demanda pronunciado, como tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o previsor deseja suavizar os dados de demanda. Quanto maior o período de média móvel, mais suave será. A fórmula para calcular a média móvel simples é computar uma média móvel simples A empresa de suprimentos de escritório Instant Clip Paper vende e entrega suprimentos de escritório para empresas, escolas e agências em um raio de 50 milhas de seu depósito. O negócio de suprimentos de escritório é competitivo, e a capacidade de entregar pedidos rapidamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não pedem quando ficam sem suprimentos, mas quando acabam completamente. Como resultado, eles precisam de seus pedidos imediatamente.) O gerente da empresa quer ter certeza de que os motoristas e veículos estão disponíveis para entregar os pedidos rapidamente e eles têm estoque adequado em estoque. Portanto, o gerente deseja prever o número de pedidos que ocorrerão durante o próximo mês (ou seja, para prever a demanda de entregas). Dos registros de pedidos de entrega, a administração acumulou os seguintes dados nos últimos 10 meses, dos quais deseja calcular as médias móveis de 3 e 5 meses. Vamos supor que é o final de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na sequência, que neste caso é novembro. A média móvel é calculada a partir da demanda por pedidos para os 3 meses anteriores na sequência, de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos 5 meses anteriores de dados de demanda da seguinte forma: 3 e 5 meses as previsões médias móveis para todos os meses de dados de demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão para novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para os meses anteriores nos permitem comparar a previsão com a demanda real para ver o quão preciso é o método de previsão - ou seja, quão bem isso ocorre. Médias de três e cinco meses Ambas as previsões médias móveis na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Esse efeito de suavização pode ser observado na figura a seguir, na qual as médias de 3 meses e de 5 meses foram sobrepostas em um gráfico dos dados originais: A média móvel de 5 meses na figura anterior suaviza as flutuações em maior extensão do que a média móvel de 3 meses. No entanto, a média de três meses reflete mais de perto os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões usando a média móvel de período mais longo são mais lentas para reagir às mudanças recentes na demanda do que aquelas feitas usando médias móveis de período mais curto. Os períodos extras de dados amortecem a velocidade com que a previsão responde. Estabelecer o número apropriado de períodos para usar em uma previsão de média móvel geralmente requer uma certa quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que ele não reage às variações que ocorrem por um motivo, como ciclos e efeitos sazonais. Fatores que causam alterações geralmente são ignorados. É basicamente um método mecânico, que reflete dados históricos de maneira consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, esse método pode fornecer uma boa previsão para o curto prazo, mas não deve ser levado muito longe no futuro. Média Móvel Ponderada O método da média móvel pode ser ajustado para refletir mais de perto as flutuações nos dados. No método de média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para os Serviços de computação em PM (mostrados na tabela do Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que a suavização exponencial e as previsões de suavização exponencial ajustada desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos de mínimos quadrados são os seguintes: Usando estes valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação linear da linha de tendência é Para calcular uma previsão para o período 13, deixe x 13 na linear linha de tendência: O gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, ser um bom ajuste - e seria, portanto, um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não se ajustará a uma mudança na tendência, como os métodos de previsão de suavização exponencial, isto é, supõe-se que todas as previsões futuras seguirão uma linha reta. Isso limita o uso desse método a um período de tempo mais curto, no qual você pode ter certeza de que a tendência não será alterada. Ajustes sazonais Um padrão sazonal é um aumento e uma diminuição repetitivos na demanda. Muitos itens de demanda exibem comportamento sazonal. As vendas de vestuário seguem padrões sazonais anuais, com a demanda por roupas quentes aumentando no outono e no inverno e diminuindo na primavera e no verão à medida que a demanda por roupas mais frescas aumenta. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, roupas, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumenta durante a temporada de festas. A demanda por cartões aumenta em conjunto com dias especiais como o Dia dos Namorados e o Dia das Mães. Os padrões sazonais também podem ocorrer mensalmente, semanalmente ou até mesmo diariamente. Alguns restaurantes têm maior demanda à noite do que no almoço ou nos fins de semana, em oposição aos dias da semana. O tráfego - portanto, as vendas - nos shoppings acontece às sextas e sábados. Existem vários métodos para refletir padrões sazonais em uma previsão de série temporal. Descreveremos um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda para cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, na verdade, a parcela da demanda anual total atribuída a cada estação. Esses fatores sazonais são multiplicados pela demanda anual prevista para gerar previsões ajustadas para cada estação. Calculando uma previsão com ajustes sazonais A Wishbone Farms faz com que os perus vendam para uma empresa de processamento de carne durante o ano todo. No entanto, sua alta temporada é, obviamente, durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos mostrada na tabela a seguir: Como temos três anos de dados de demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total dos três anos pela demanda total em todos os três anos Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para fazer isso, precisamos de uma previsão de demanda para 2000. Nesse caso, como os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter uma estimativa aproximada. previsão estimativa: Assim, a previsão para 2000 é 58,17, ou 58.170 perus. Usando esta previsão anual de demanda, as estimativas sazonalmente ajustadas, SF i, para 2000 são Comparando estas previsões trimestrais com os valores reais de demanda na tabela, elas parecem ser estimativas de previsão relativamente boas, refletindo tanto as variações sazonais nos dados e a tendência ascendente geral. 10-12. Como é o método da média móvel semelhante ao alisamento exponencial 10-13. Que efeito no modelo de suavização exponencial aumentará a constante de suavização de 10-14. Como a suavização exponencial ajustada difere da suavização exponencial 10-15. O que determina a escolha da constante de suavização para tendência em um modelo de suavização exponencial ajustada 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial sempre foi assumida como a mesma que a demanda real no primeiro período. Sugira outras maneiras pelas quais a previsão inicial pode ser derivada no uso real. 10-17. Como o modelo de previsão de linha de tendência linear difere de um modelo de regressão linear para previsão 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel e a média móvel ponderada, a suavização exponencial e a suavização exponencial ajustada, e a linha de tendência linear, qual você considera a melhor? Por que 10-19. Que vantagens a suavização exponencial ajustada tem sobre uma linha de tendência linear para demanda prevista que exibe uma tendência? 2 (Verão de 1995): 21 a 28.Capítulo Quatro (MC e T / F) O que dois números estão contidos no relatório diário para o CEO da Walt Disney Parks e Resorts em relação aos seis parques de Orlando a. Ontem previam comparecimento e onze dias reais b. atendimento real de ontem e atendimento previsto de hoje c. Ontem previam comparecimento e hoje previam comparecimento d. onipresente atendimento atual e últimos anos atendimento real e. previsão de comparecimento de ontem e o erro de previsão diário médio no acumulado do ano Uma previsão de média móvel de seis meses é melhor do que uma previsão de média móvel de três meses se a demanda a. é bastante estável b. vem mudando devido a recentes esforços promocionais c. segue uma tendência descendente d. segue um padrão sazonal que se repete duas vezes por ano e. segue uma tendência ascendente Para uma dada demanda de produto, a equação de tendência da série temporal é 53 - 4 X. O sinal negativo na inclinação da equação a. é uma impossibilidade matemática b. é uma indicação de que a previsão é tendenciosa, com valores de previsão inferiores aos valores reais c. é uma indicação de que a demanda do produto está diminuindo d. implica que o coeficiente de determinação também será negativo e. implica que o RSFE será negativo Qual das seguintes afirmações é verdadeira em relação às duas constantes de suavização do modelo Previsão Incluindo Tendência (FIT) a. Uma constante é positiva, enquanto a outra é negativa. b. Eles são chamados de MAD e RSFE. c. Alfa é sempre menor que beta. d. Uma constante suaviza a intercepção de regressão, enquanto a outra suaviza a inclinação de regressão. e. Seus valores são determinados de forma independente. A demanda por um determinado produto está prevista em 800 unidades por mês, em média, em todos os 12 meses do ano. O produto segue um padrão sazonal, para o qual o índice mensal de janeiro é 1,25. Qual é a previsão de vendas sazonalmente ajustada para janeiro a. 640 unidades b. 798,75 unidades c. 800 unidades d. 1000 unidades e. não pode ser calculado com as informações fornecidas Um índice sazonal para uma série mensal está prestes a ser calculado com base em três anos de acumulação de dados. Os três valores anteriores de julho foram 110, 150 e 130. A média de todos os meses é 190. O índice sazonal aproximado para julho é um. 0,487 b. 0,684 c. 1,462 d. 2,053 e. não pode ser calculado com as informações fornecidasMover médias: Quais são Entre os indicadores técnicos mais populares, as médias móveis são usadas para medir a direção da tendência atual. Todo tipo de média móvel (normalmente escrito neste tutorial como MA) é um resultado matemático calculado pela média de um número de pontos de dados passados. Uma vez determinada, a média resultante é então plotada em um gráfico, a fim de permitir que os operadores analisem os dados suavizados, em vez de se concentrarem nas flutuações cotidianas de preços inerentes a todos os mercados financeiros. A forma mais simples de uma média móvel, apropriadamente conhecida como média móvel simples (SMA), é calculada tomando a média aritmética de um dado conjunto de valores. Por exemplo, para calcular uma média móvel básica de 10 dias, você somaria os preços de fechamento dos últimos 10 dias e dividiria o resultado por 10. Na Figura 1, a soma dos preços dos últimos 10 dias (110) é dividido pelo número de dias (10) para chegar à média de 10 dias. Se um trader desejar ver uma média de 50 dias, o mesmo tipo de cálculo seria feito, mas incluiria os preços nos últimos 50 dias. A média resultante abaixo (11) leva em consideração os últimos 10 pontos de dados para dar aos traders uma idéia de como um ativo é precificado em relação aos últimos 10 dias. Talvez você esteja se perguntando por que os traders técnicos chamam essa ferramenta de uma média móvel e não apenas de uma média comum. A resposta é que, à medida que novos valores se tornam disponíveis, os pontos de dados mais antigos devem ser descartados do conjunto e novos pontos de dados devem ser inseridos para substituí-los. Assim, o conjunto de dados está em constante movimento para considerar novos dados à medida que se tornam disponíveis. Esse método de cálculo garante que apenas as informações atuais estejam sendo contabilizadas. Na Figura 2, quando o novo valor de 5 é adicionado ao conjunto, a caixa vermelha (representando os últimos 10 pontos de dados) move-se para a direita e o último valor de 15 é retirado do cálculo. Como o valor relativamente pequeno de 5 substitui o valor alto de 15, você esperaria ver a média da diminuição do conjunto de dados, o que faz, neste caso de 11 a 10. Como as médias móveis se parecem Uma vez que os valores do MA foram calculados, eles são plotados em um gráfico e, em seguida, conectados para criar uma linha média móvel. Essas linhas curvas são comuns nos gráficos dos operadores técnicos, mas como elas são usadas podem variar drasticamente (mais sobre isso depois). Como você pode ver na Figura 3, é possível adicionar mais de uma média móvel a qualquer gráfico, ajustando o número de períodos usados no cálculo. Essas linhas curvas podem parecer confusas ou confusas a princípio, mas você se acostumará a elas com o passar do tempo. A linha vermelha é simplesmente o preço médio nos últimos 50 dias, enquanto a linha azul é o preço médio nos últimos 100 dias. Agora que você entende o que é uma média móvel e como ela se parece, introduza um tipo diferente de média móvel e examine como ela difere da média móvel simples mencionada anteriormente. A média móvel simples é extremamente popular entre os traders, mas, como todos os indicadores técnicos, tem seus críticos. Muitos indivíduos argumentam que a utilidade da SMA é limitada porque cada ponto na série de dados é ponderado da mesma forma, independentemente de onde ocorra na sequência. Os críticos argumentam que os dados mais recentes são mais significativos do que os dados mais antigos e devem ter uma influência maior no resultado final. Em resposta a esta crítica, os comerciantes começaram a dar mais peso aos dados recentes, o que levou à invenção de vários tipos de novas médias, a mais popular das quais é a média móvel exponencial (EMA). (Para leitura adicional, consulte Noções básicas de médias móveis ponderadas e qual é a diferença entre um SMA e um EMA) Média móvel exponencial A média móvel exponencial é um tipo de média móvel que dá mais peso aos preços recentes em uma tentativa de torná-lo mais responsivo para novas informações. Aprender a equação um tanto complicada para calcular um EMA pode ser desnecessário para muitos comerciantes, já que quase todos os pacotes de gráficos fazem os cálculos para você. No entanto, para você geeks de matemática lá fora, aqui está a equação EMA: Ao usar a fórmula para calcular o primeiro ponto da EMA, você pode perceber que não há nenhum valor disponível para usar como a EMA anterior. Esse pequeno problema pode ser resolvido iniciando o cálculo com uma média móvel simples e continuando com a fórmula acima de lá. Fornecemos uma planilha de exemplo que inclui exemplos reais de como calcular uma média móvel simples e uma média móvel exponencial. A diferença entre o EMA e o SMA Agora que você tem um melhor entendimento de como o SMA e o EMA são calculados, vamos ver como essas médias diferem. Observando o cálculo da EMA, você notará que mais ênfase é colocada nos pontos de dados recentes, tornando-se um tipo de média ponderada. Na Figura 5, os números de períodos usados em cada média são idênticos (15), mas a EMA responde mais rapidamente às variações de preços. Observe como o EMA tem um valor mais alto quando o preço está subindo e cai mais rápido do que o da SMA quando o preço está em queda. Essa capacidade de resposta é a principal razão pela qual muitos comerciantes preferem usar o EMA sobre o SMA. O que significam os diferentes dias As médias móveis são um indicador totalmente personalizável, o que significa que o usuário pode escolher livremente qualquer período de tempo desejado ao criar a média. Os períodos de tempo mais comuns usados nas médias móveis são 15, 20, 30, 50, 100 e 200 dias. Quanto menor o período de tempo usado para criar a média, mais sensível será para as alterações de preço. Quanto maior o intervalo de tempo, menos sensível ou mais suavizado, a média será. Não há prazo certo para usar ao configurar suas médias móveis. A melhor maneira de descobrir qual funciona melhor para você é experimentar vários períodos de tempo diferentes até encontrar um que se encaixe na sua estratégia. Médias Móveis: Como Usá-los
Комментариев нет:
Отправить комментарий