Una serie de tiempo es una secuencia de observaciones de una variable aleatoria periódica. Ejemplos de ello son la demanda mensual de un producto, la matrícula anual de primer año en un departamento de la universidad y los flujos diarios en un río. Las series temporales son importantes para la investigación operativa porque son a menudo los impulsores de los modelos de decisión. Un modelo de inventario requiere estimaciones de las demandas futuras, un modelo de programación y dotación de personal para un departamento universitario requiere estimaciones del flujo futuro de estudiantes y un modelo para proporcionar advertencias a la población en una cuenca requiere estimaciones de flujos fluviales para el futuro inmediato. El análisis de series temporales proporciona herramientas para seleccionar un modelo que describe las series temporales y utilizar el modelo para predecir eventos futuros. Modelar la serie temporal es un problema estadístico porque los datos observados se utilizan en procedimientos computacionales para estimar los coeficientes de un supuesto modelo. Los modelos suponen que las observaciones varían aleatoriamente sobre un valor medio subyacente que es una función del tiempo. En estas páginas restringimos la atención a la utilización de datos históricos de series de tiempo para estimar un modelo dependiente del tiempo. Los métodos son apropiados para el pronóstico automático a corto plazo de la información de uso frecuente donde las causas subyacentes de la variación del tiempo no están cambiando marcadamente en el tiempo. En la práctica, los pronósticos derivados de estos métodos son posteriormente modificados por analistas humanos que incorporan información no disponible a partir de los datos históricos. Nuestro objetivo principal en esta sección es presentar las ecuaciones para los cuatro métodos de pronóstico utilizados en el complemento de predicción: promedio móvil, suavizado exponencial, regresión y suavizado exponencial doble. Estos son llamados métodos de suavizado. Los métodos no considerados incluyen la predicción cualitativa, regresión múltiple, y métodos autorregresivos (ARIMA). Los interesados en una cobertura más amplia deben visitar el sitio de principios de pronóstico o leer uno de los varios libros excelentes sobre el tema. Utilizamos el libro Previsión. Por Makridakis, Wheelwright y McGee, John Wiley amp Sons, 1983. Para utilizar el libro de Ejemplos de Excel, debe tener instalado el complemento de Pronóstico. Elija el comando Relink para establecer los vínculos al complemento. Esta página describe los modelos utilizados para la predicción simple y la notación utilizada para el análisis. Este método de pronóstico más simple es el pronóstico del promedio móvil. El método simplemente promedios de las últimas m observaciones. Es útil para series de tiempo con una media que cambia lentamente. Este método considera todo el pasado en su pronóstico, pero pesa la experiencia reciente más fuertemente que menos reciente. Los cálculos son simples porque sólo la estimación del período anterior y los datos actuales determinan la nueva estimación. El método es útil para series de tiempo con una media que cambia lentamente. El método del promedio móvil no responde bien a una serie cronológica que aumenta o disminuye con el tiempo. Aquí incluimos un término de tendencia lineal en el modelo. El método de regresión se aproxima al modelo mediante la construcción de una ecuación lineal que proporciona el ajuste por mínimos cuadrados a las últimas m observaciones. 7 Las trampas de los promedios móviles Un promedio móvil es el precio promedio de un valor en un período de tiempo especificado. Los analistas suelen usar las medias móviles como una herramienta analítica para facilitar el seguimiento de las tendencias del mercado, ya que los valores suben y bajan. Los promedios móviles pueden establecer tendencias y medir el impulso. Por lo tanto, pueden utilizarse para indicar cuándo un inversor debe comprar o vender un valor específico. Los inversores también pueden usar promedios móviles para identificar puntos de soporte o resistencia a fin de medir cuándo es probable que los precios cambien de dirección. Al estudiar las gamas históricas de negociación, se establecen puntos de apoyo y resistencia donde el precio de un título revirtió su tendencia ascendente o descendente en el pasado. Estos puntos se utilizan para hacer, comprar o vender decisiones. Lamentablemente, los promedios móviles no son herramientas perfectas para establecer tendencias y presentan muchos riesgos sutiles, pero significativos, para los inversionistas. Además, las medias móviles no se aplican a todos los tipos de empresas e industrias. Algunas de las desventajas clave de los promedios móviles son: 1. Las medias móviles dibujan las tendencias de la información anterior. No toman en cuenta los cambios que pueden afectar el rendimiento futuro de una garantía, como nuevos competidores, mayor o menor demanda de productos en la industria y cambios en la estructura de gestión de la empresa. 2. Idealmente, una media móvil mostrará un cambio consistente en el precio de un valor, con el tiempo. Desafortunadamente, los promedios móviles no funcionan para todas las empresas, especialmente para aquellos en industrias muy volátiles o aquellos que están fuertemente influenciados por los eventos actuales. Esto es especialmente cierto para la industria petrolera y las industrias altamente especulativas, en general. 3. Las medias móviles se pueden distribuir en cualquier período de tiempo. Sin embargo, esto puede ser problemático porque la tendencia general puede cambiar significativamente dependiendo del período de tiempo utilizado. Los plazos más cortos tienen más volatilidad, mientras que los plazos más largos tienen menos volatilidad, pero no tienen en cuenta los nuevos cambios en el mercado. Los inversores deben tener cuidado en el marco de tiempo que elijan, para asegurarse de que la tendencia es clara y pertinente. 4. Un debate en curso es si se debe hacer más hincapié en los días más recientes en el período de tiempo. Muchos sienten que los datos recientes reflejan mejor la dirección en que se mueve la seguridad, mientras que otros sienten que dar unos días más de peso que otros, falsea la tendencia de manera incorrecta. Los inversores que utilizan diferentes métodos para calcular los promedios pueden dibujar tendencias completamente diferentes. (Obtenga más información sobre los promedios móviles simples vs. exponenciales.) 5. Muchos inversionistas argumentan que el análisis técnico es una forma sin sentido de predecir el comportamiento del mercado. Dicen que el mercado no tiene memoria y que el pasado no es un indicador del futuro. Además, hay una investigación sustancial para respaldar esto. Por ejemplo, Roy Nersesian llevó a cabo un estudio con cinco estrategias diferentes utilizando promedios móviles. La tasa de éxito de cada estrategia varió entre 37 y 66. Esta investigación sugiere que los promedios móviles sólo rinden resultados alrededor de la mitad del tiempo, lo que podría hacer que usarlos una proposición de riesgo para sincronizar con eficacia el mercado de valores. 6. Los títulos muestran a menudo un patrón cíclico de comportamiento. Esto también es cierto para las empresas de servicios públicos, que tienen una demanda constante de su producto año a año, pero experimentan fuertes cambios estacionales. Aunque los promedios móviles pueden ayudar a suavizar estas tendencias, también pueden ocultar el hecho de que la seguridad está tendiendo en un patrón oscilatorio. (Para obtener más información, vea Mantener un ojo en el impulso.) 7. El propósito de cualquier tendencia es predecir dónde estará el precio de un valor en el futuro. Si una seguridad no está tendiendo en cualquier dirección, no proporciona una oportunidad de beneficiarse de la compra o de la venta corta. La única forma en que un inversor puede ser capaz de obtener beneficios sería implementar una sofisticada estrategia basada en opciones que dependa de que el precio se mantenga estable. La línea de fondo Los promedios móviles han sido considerados una valiosa herramienta analítica por muchos, pero para que cualquier herramienta sea efectiva debes primero entender su función, cuándo usarla y cuándo no usarla. Los peligros aquí discutidos indican que los promedios móviles pueden no haber sido una herramienta eficaz, como cuando se usan con valores volátiles, y cómo pueden pasar por alto ciertas informaciones estadísticas importantes, como patrones cíclicos. También es cuestionable la efectividad de las medias móviles para indicar con precisión las tendencias de los precios. Dadas las desventajas, los promedios móviles pueden ser una herramienta mejor utilizada en conjunto con otros. Al final, la experiencia personal será el último indicador de lo efectivo que realmente son para su cartera. (Para obtener más información, vea ¿Los promedios móviles adaptativos conducen a mejores resultados?) Una serie de tiempo es una secuencia de observaciones de una variable aleatoria periódica. Ejemplos de ello son la demanda mensual de un producto, la matrícula anual de primer año en un departamento de la universidad y los flujos diarios en un río. Las series temporales son importantes para la investigación operativa porque son a menudo los impulsores de los modelos de decisión. Un modelo de inventario requiere estimaciones de las demandas futuras, un modelo de programación y dotación de personal para un departamento universitario requiere estimaciones del flujo futuro de estudiantes y un modelo para proporcionar advertencias a la población en una cuenca requiere estimaciones de flujos fluviales para el futuro inmediato. El análisis de series temporales proporciona herramientas para seleccionar un modelo que describe las series temporales y utilizar el modelo para predecir eventos futuros. Modelar la serie temporal es un problema estadístico porque los datos observados se utilizan en procedimientos computacionales para estimar los coeficientes de un supuesto modelo. Los modelos suponen que las observaciones varían aleatoriamente sobre un valor medio subyacente que es una función del tiempo. En estas páginas restringimos la atención a la utilización de datos históricos de series de tiempo para estimar un modelo dependiente del tiempo. Los métodos son apropiados para el pronóstico automático a corto plazo de la información de uso frecuente donde las causas subyacentes de la variación del tiempo no están cambiando marcadamente en el tiempo. En la práctica, los pronósticos derivados de estos métodos son posteriormente modificados por analistas humanos que incorporan información no disponible a partir de los datos históricos. Nuestro objetivo principal en esta sección es presentar las ecuaciones para los cuatro métodos de pronóstico utilizados en el complemento de predicción: promedio móvil, suavizado exponencial, regresión y suavizado exponencial doble. Estos son llamados métodos de suavizado. Los métodos no considerados incluyen la predicción cualitativa, regresión múltiple, y métodos autorregresivos (ARIMA). Los interesados en una cobertura más amplia deben visitar el sitio de principios de pronóstico o leer uno de los varios libros excelentes sobre el tema. Utilizamos el libro Previsión. Por Makridakis, Wheelwright y McGee, John Wiley amp Sons, 1983. Para utilizar el libro de Ejemplos de Excel, debe tener instalado el complemento de Pronóstico. Elija el comando Relink para establecer los vínculos al complemento. Esta página describe los modelos utilizados para la predicción simple y la notación utilizada para el análisis. Este método de pronóstico más simple es el pronóstico del promedio móvil. El método simplemente promedios de las últimas m observaciones. Es útil para series de tiempo con una media que cambia lentamente. Este método considera todo el pasado en su pronóstico, pero pesa la experiencia reciente más fuertemente que menos reciente. Los cálculos son simples porque sólo la estimación del período anterior y los datos actuales determinan la nueva estimación. El método es útil para series de tiempo con una media que cambia lentamente. El método del promedio móvil no responde bien a una serie cronológica que aumenta o disminuye con el tiempo. Aquí incluimos un término de tendencia lineal en el modelo. El método de regresión se aproxima al modelo construyendo una ecuación lineal que proporciona el ajuste de mínimos cuadrados a las últimas m observaciones.
Comments
Post a Comment