Diferença Entre As Médias Móveis

Como usar as médias móveis 8211 As melhores tendências de negociação de médias móveis Conteúdo neste artigo As médias móveis são, sem dúvida, as ferramentas e indicadores comerciais mais populares. As médias móveis são uma ótima ferramenta se você sabe como usá-los na maioria dos comerciantes, no entanto, cometem alguns erros fatais quando se trata de negociar com médias móveis. Neste artigo, mostro o que você precisa saber quando se trata de escolher o tipo e o comprimento da média móvel perfeita e as 3 maneiras de usar as médias móveis ao tomar decisões comerciais. O que você aprenderá: qual é a média móvel direta. Escolhendo entre o EMA e o SMA Encontrar o comprimento médio móvel perfeito para sua negociação A melhor média móvel para negociação swing e negociação dia Encontrando direção de tendência e tradições de filtração Médias móveis como suporte e resistência Médias móveis para sua colocação de parada Bollinger Bandas e seu papel com Médias móveis Qual é a melhor EMA ou SMA de média móvel No início, todos os comerciantes se perguntam se devem usar a EMA (média móvel exponencial) ou a SMA (média móvel simples). As diferenças entre os dois são geralmente sutis, mas a escolha da média móvel pode causar um grande impacto na sua negociação. Aqui está o que você precisa saber As diferenças entre EMA e SMA Existe realmente apenas uma diferença quando se trata de EMA vs. SMA e sua velocidade. O EMA move-se muito mais rápido e muda sua direção antes do SMA. O EMA dá mais peso à ação de preço mais recente, o que significa que, quando o preço muda de direção, a EMA reconhece isso mais cedo, enquanto o SMA leva mais tempo para girar quando o preço se volta. Prós e contras 8211 EMA vs SMA Não há melhor nem pior quando se trata de EMA vs. SMA. Os profissionais da EMA também são seus contras, permitam-me explicar o que isso significa. O EMA reage mais rápido quando o preço está mudando de direção, mas isso também significa que a EMA também é mais vulnerável quando se trata de dar sinais errados muito cedo. Por exemplo, quando o preço recua durante um rali, o EMA começará a desativar imediatamente e pode sinalizar uma mudança de direção muito cedo demais. O SMA se move muito mais devagar e pode mantê-lo em negociações mais longas quando há movimentos de preços falsos e de curta duração. Mas, é claro, isso também significa que o SMA o leva em negociações depois da EMA. Currículo. No final, se resume ao que você se sente confortável e qual é o seu estilo de negociação (veja os próximos pontos). O EMA oferece sinais mais e anteriores, mas também lhe dá mais sinais falsos e prematuros. O SMA fornece menos e mais tarde sinais, mas também menos sinais errados. Qual é a melhor configuração do período Depois de escolher o tipo de sua média móvel, os comerciantes se perguntam qual é o período que é o caminho certo que lhes dá os melhores sinais. Há duas partes para esta resposta: primeiro, você precisa escolher se você é um swing ou um comerciante do dia e em segundo lugar, você precisa ser claro sobre o propósito e por que você está usando as médias móveis em primeiro lugar. Vamos fazer isso agora: profecia auto-realizável Mais do que tudo, as médias móveis funcionam porque são uma profecia auto-realizável, o que significa que o preço respeita as médias móveis, porque muitos comerciantes usam-nas na sua própria negociação. Isso levanta um ponto muito importante ao negociar com indicadores: você tem que aderir às médias móveis mais utilizadas para obter os melhores resultados. As médias móveis funcionam quando muitos comerciantes usam e atuam em seus sinais. Assim, vá com a multidão e use apenas as médias móveis populares. Os melhores períodos de média móvel para o dia de negociação Quando você é comerciante de um dia de curto prazo, você precisa de uma média móvel que é rápida e reage às mudanças de preços imediatamente. É por isso que é geralmente melhor para os comerciantes de um dia ficar com EMAs em primeiro lugar. Quando se trata do período e do comprimento, geralmente há 3 médias móveis específicas que você deve pensar sobre o uso: período de 9 ou 10. Muito popular e extremamente rápido. Muitas vezes usado como um filtro direcional (mais tarde) 21. Médio médio e a média móvel mais precisa. Bom quando se trata de tendências de tendências 50. Média móvel a longo prazo e mais adequada para identificar a direção a longo prazo Os melhores períodos de negociação Swing Os comerciantes Swing têm uma abordagem muito diferente e normalmente comercializam os prazos mais altos (4H, Diariamente) e também possuem negócios por longos períodos de Tempo. Assim, os comerciantes de swing devem escolher o SMA como escolha e também usar médias móveis de período mais longo para evitar o ruído e os sinais prematuros. Aqui estão 4 médias móveis que são particularmente importantes para comerciantes swing: 21. A média móvel de 21 é a minha escolha preferida quando se trata de negociação de swing de curto prazo. Durante as tendências, o preço o respeita tão bem e também sinaliza o período de mudanças de tendência de 50. A média móvel 50 é a média móvel padrão de swing-trading e muito popular. A maioria dos comerciantes o usa para transportar tendências porque é o compromisso ideal entre muito curto e muito longo prazo. 100 período. Há algo sobre números redondos que atraem comerciantes e isso definitivamente é verdade quando se trata da média móvel 100. Funciona muito bem para suporte e resistência, especialmente no período diário e semanal 200 250. O mesmo vale para a média móvel de 200. A média móvel de 250 meses é popular no gráfico diário, uma vez que descreve um ano de ação de preço (um ano tem aproximadamente 250 dias de negociação) Como usar as médias móveis 3 exemplos de uso Agora que você conhece as diferenças das médias móveis e como Escolha a configuração do período certo, podemos dar uma olhada nas 3 maneiras em que as médias móveis podem ser usadas para ajudá-lo a encontrar trades, exibir tendências e sair de forma confiável. 1 direção de tendências e filtro Assistente de mercado Marty Schwartz foi um dos comerciantes mais bem sucedidos de todos os tempos e ele foi um grande defensor das médias móveis como filtro de direção. Aqui está o que ele disse sobre eles: A média móvel exponencial de 10 dias (EMA) é o meu indicador favorito para determinar a maior tendência. Eu chamo essa luz vermelha, luz verde, porque é imperativo na negociação permanecer no lado correto de uma média móvel para se dar a melhor chance de sucesso. Quando você está negociando acima do 10 dia, você tem a luz verde, o mercado está em modo positivo e você deve estar pensando em comprar. Por outro lado, o comércio abaixo da média é uma luz vermelha. O mercado está em um modo negativo e você deve pensar em vender. Marty Schwartz Marty Schwartz usa um EMA rápido para permanecer no lado direito do mercado e para filtrar negócios na direção errada. Apenas essa dica já pode fazer uma grande diferença na sua negociação quando você só começa a negociar com a tendência na direção certa. Mas mesmo como comerciantes de swing, você pode usar a média móvel como filtros direcionais. A Cruz Dourada e da Morte é um sinal que acontece quando a média móvel média de 200 e 50 é cruzada e eles são usados ​​principalmente nos gráficos diários. No gráfico abaixo, marquei as entradas da Cruz Dourada e da Morte. Basicamente, você entraria curto quando 50 atravessarem abaixo de 200 e entrem por muito tempo quando 50 atravessarem acima da média móvel de 200 períodos. Embora a captura de tela mostre apenas uma quantidade limitada de tempo, você pode ver que os cross-overs em média móveis podem ajudar sua análise e escolher a direção certa do mercado. 2 Suporte e resistência e parada de colocação A segunda coisa que as médias móveis podem ajudá-lo com suporte e negociação de resistência e também interromper a colocação. Por causa da profecia auto-realizável de que falamos anteriormente, muitas vezes você pode ver que as médias móveis populares funcionam perfeitamente como níveis de suporte e resistência. Palavra de cautela: Tendência vs. faixas As médias móveis não funcionam durante os mercados em expansão. Quando o preço varia de um lado para o outro entre suporte e resistência, a média móvel geralmente está em algum lugar no meio desse intervalo e o preço não o respeita tanto. As médias móveis devem ser usadas apenas durante os períodos de tendência do mercado. A captura de tela abaixo mostra um gráfico de preços com média móvel de 50 e 21. Você pode ver isso durante o intervalo, as médias móveis perderem completamente sua validade, pouco assim que o preço começa a se manter e a balançar, eles funcionam perfeitamente como suporte e resistência novamente. Moedas em movimento para a colocação de parada. As médias móveis são uma ótima ferramenta quando se trata de parar de se arrastar e proteger seu comércio. Durante as tendências, as médias móveis funcionam como suporte e resistência e os comerciantes, em seguida, colocam sua parada no outro lado da média móvel e seguem-no. Desta forma, eles podem andar as tendências por um longo tempo e obter sinais de saída antecipados quando o preço quebra a média móvel. Dica: Nunca coloque a sua parada diretamente na média móvel e sempre dê algum espaço para evitar paradas. O comprimento e o período da média móvel determinam quanto tempo você permanecerá em uma troca. Uma média móvel mais curta obtém-se de negociações mais cedo, mas a média móvel mais longa evita muitos dos falsos sinais. Não há certo ou errado e é uma escolha pessoal. 3 Bandas Bollinger e o fim de uma tendência As Bandas Bollinger são um indicador técnico baseado em médias móveis. No meio das Bandas Bollinger, você encontra a média móvel de 20 períodos e as Bandas externas medem a volatilidade dos preços. Durante os intervalos. O preço flutua em torno da média móvel, mas as Bandas externas ainda são muito importantes. Quando o preço toca as Bandas externas durante um intervalo, muitas vezes pode pregar a inversão na direção oposta. Assim, apesar das médias móveis perderem sua validade durante os intervalos, as Bandas Bollinger são uma ótima ferramenta que ainda permite que você analise o preço com eficiência. Durante as tendências, as Bandas Bollinger podem ajudá-lo a permanecer em negócios. Durante uma forte tendência, o preço geralmente se afasta da sua média móvel, mas se aproxima da banda externa. Quando o preço quebra novamente a média móvel, ele sinaliza uma mudança de direção. Além disso, sempre que você vê uma violação da banda externa durante uma tendência, muitas vezes prefigura um retracement no entanto, NÃO significa uma reversão até que a média móvel tenha sido quebrada. Você pode ver que as médias móveis são uma ferramenta multifacetada que pode ser usada de diversas maneiras. Uma vez que um comerciante entende as implicações de EMA vs SMA, a importância da profeção auto-realizável e como escolher a configuração do período certo, as médias móveis se tornam uma ferramenta importante em uma caixa de ferramentas de comerciantes. Quais são seus pensamentos e experiências com médias móveis. Deixe-me saber sua opinião abaixo e deixe-o comentar. Disclaimer de risco Os Futuros de Negociação, Forex, CFDs e Stocks envolvem um risco de perda. Considere cuidadosamente se essa negociação é apropriada para você. O desempenho passado não é indicativo de resultados futuros. Os artigos e o conteúdo deste site são apenas para fins de entretenimento e não constituem recomendações ou conselhos de investimento. Créditos de imagem de termos completos: a Tradeciety usou imagens e licenças de imagens baixadas e obtidas através da Fotolia. Flaticon. Freepik e Unplash. Os gráficos comerciais foram obtidos usando o Tradingview. Stockcharts e FXCM. Design de ícones por Icons8 Tradeciety Copyright 2016, Todos os direitos reservados Utilizamos cookies para garantir que lhe damos a melhor experiência em nosso site. O uso contínuo deste site mostra seu acordo. Política de privacidade AceitoIntrodução para ARIMA: modelos não-sazonais. A equação de previsão ARIMA (p, d, q): os modelos ARIMA são, em teoria, a classe mais geral de modelos para a previsão de uma série de tempo que pode ser feita para ser 8220stationary8221 por diferenciação (se necessário ), Talvez em conjunção com transformações não-lineares, como registrar ou desinflar (se necessário). Uma variável aleatória que é uma série temporal é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ela muda de forma consistente. Ou seja, seus padrões de tempo aleatório de curto prazo sempre parecem os mesmos em um sentido estatístico. A última condição significa que suas autocorrelações (correlações com seus próprios desvios anteriores da média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de potência permanece constante ao longo do tempo. Uma variável aleatória deste formulário pode ser vista (como de costume) como uma combinação de sinal e ruído, e o sinal (se um é aparente) pode ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida no signo , E também poderia ter um componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, regressão) em que os preditores consistem em atrasos da variável dependente ou atrasos dos erros de previsão. Isto é: valor previsto de Y uma constante ou uma soma ponderada de um ou mais valores recentes de Y e uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores atrasados ​​de Y. é um modelo autoregressivo puro (8220 self-regressed8221), que é apenas um caso especial de um modelo de regressão e que pode ser equipado com o software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y rezagada em um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são atrasos dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não existe nenhuma maneira de especificar o erro 8222 do último período8217s como uma variável independente: os erros devem ser computados numa base de período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros atrasados ​​como preditores é que as previsões do modelo8217s não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Assim, os coeficientes nos modelos ARIMA que incluem erros atrasados ​​devem ser estimados por métodos de otimização não-linear (8220hill-climbing8221) em vez de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags da série estacionada na equação de previsão são chamados quota de termos degressivos, os atrasos dos erros de previsão são chamados de termos de média de quotmoving, e uma série de tempo que precisa ser diferenciada para ser estacionada é dito ser uma versão quotintegratedquot de uma série estacionária. Modelos aleatórios e de tendência aleatória, modelos autoregressivos e modelos de suavização exponencial são todos os casos especiais de modelos ARIMA. Um modelo ARIMA não-sazonal é classificado como quotARIMA (p, d, q) quot model, onde: p é o número de termos autorregressivos, d é o número de diferenças não-sazonais necessárias para a estacionaridade e q é o número de erros de previsão atrasados ​​em A equação de predição. A equação de previsão é construída da seguinte forma. Primeiro, digamos a d ª diferença de Y. o que significa: Observe que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Em vez disso, é a primeira diferença da primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação geral de previsão é: Aqui, os parâmetros de média móvel (9528217s) são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida pela Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) os definem de modo que eles tenham sinais de mais. Quando os números reais estão conectados à equação, não há ambigüidade, mas é importante saber qual a convenção que seu software usa quando você está lendo a saída. Muitas vezes, os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230 etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) a necessidade de estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como registro ou desinflação. Se você parar neste ponto e prever que a série diferenciada é constante, você ajustou apenas uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionada ainda pode ter erros autocorrelacionados, sugerindo que alguns números de AR (p 8805 1) e outros termos do número MA (q 8805 1) também são necessários na equação de previsão. O processo de determinação dos valores de p, d e q que são melhores para uma determinada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns tipos Dos modelos ARIMA não-sazonais que são comumente encontrados são dados abaixo. Modelo autoregressivo de primeira ordem ARIMA (1,0,0): se a série estiver estacionada e autocorrelada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, além de uma constante. A equação de previsão neste caso é 8230, que é regredida por si mesma atrasada por um período. Este é um modelo 8220ARIMA (1,0,0) constante8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (deve ser inferior a 1 em magnitude se Y estiver estacionário), o modelo descreve o comportamento de reversão média em que o valor do período 8217 seguinte deve ser previsto 981 1 vez como Muito longe da média, já que este valor do período 8217s. Se 981 1 é negativo, ele prevê comportamento de reversão média com alternância de sinais, ou seja, ele também prevê que Y estará abaixo do período médio seguinte se estiver acima da média deste período. Em um modelo autoregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 também à direita e assim por diante. Dependendo dos sinais e das magnitudes dos coeficientes, um modelo ARIMA (2,0,0) pode descrever um sistema cuja reversão média ocorre de forma sinusoidalmente oscilante, como o movimento de uma massa em uma mola sujeita a choques aleatórios . ARIMA (0,1,0) caminhada aleatória: se a série Y não é estacionária, o modelo mais simples possível para isso é um modelo de caminhada aleatória, que pode ser considerado como um caso limitante de um modelo AR (1) no qual o autorregressivo O coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a mudança média de período para período (ou seja, a derivação de longo prazo) em Y. Esse modelo poderia ser ajustado como um modelo de regressão sem intercepção em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não-sazonal e um termo constante, esta é classificada como um modelo quotARIMA (0,1,0) com constante. O modelo aleatório-sem-atrasado seria um ARIMA (0,1, 0) modelo sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: se os erros de um modelo de caminhada aleatória forem autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - - é Ao regredir a primeira diferença de Y em si mesma atrasada por um período. Isso produziria a seguinte equação de predição: que pode ser rearranjada para Este é um modelo autoregressivo de primeira ordem com uma ordem de diferenciação não-sazonal e um termo constante - ou seja. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem alisamento exponencial constante e simples: outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se de que, para algumas séries temporais não estacionárias (por exemplo, as que exibem flutuações ruidosas em torno de uma média variando lentamente), o modelo de caminhada aleatória não funciona, bem como uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com maior precisão a média local. O modelo de suavização exponencial simples usa uma média móvel ponderada exponencialmente de valores passados ​​para alcançar esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em várias formas matematicamente equivalentes. Um dos quais é o chamado formulário 8220error correction8221, em que a previsão anterior é ajustada na direção do erro que ele fez: porque e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar um alisamento exponencial simples especificando-o como um modelo ARIMA (0,1,1) sem Constante e o coeficiente estimado MA (1) corresponde a 1-menos-alfa na fórmula SES. Lembre-se que, no modelo SES, a idade média dos dados nas previsões de 1 período anterior é de 1 945. O que significa que tenderão a atrasar tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a idade média dos dados nas previsões de 1 período de um ARIMA (0,1,1) - sem modelo constante é 1 (1 - 952 1). Assim, por exemplo, se 952 1 0,8, a idade média é 5. Como 952 1 aborda 1, o ARIMA (0,1,1) - sem modelo constante torna-se uma média móvel de muito longo prazo, e como 952 1 Aproxima-se de 0, torna-se um modelo de caminhada aleatória sem drift. What8217s é a melhor maneira de corrigir a autocorrelação: adicionar termos AR ou adicionar termos MA. Nos dois modelos anteriores discutidos acima, o problema dos erros auto-correlacionados em um modelo de caminhada aleatória foi consertado de duas maneiras diferentes: adicionando um valor atrasado da série diferenciada Para a equação ou adicionando um valor atrasado do erro de previsão. Qual abordagem é melhor Uma regra de ouro para esta situação, que será discutida com mais detalhes mais adiante, é que a autocorrelação positiva geralmente é melhor tratada adicionando um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada adicionando um Termo MA. Nas séries temporais econômicas e econômicas, a autocorrelação negativa surge frequentemente como um artefato da diferenciação. (Em geral, a diferenciação reduz a autocorrelação positiva e pode até causar uma mudança de autocorrelação positiva para negativa). Assim, o modelo ARIMA (0,1,1), em que a diferenciação é acompanhada por um termo MA, é mais freqüentemente usado do que um Modelo ARIMA (1,1,0). ARIMA (0,1,1) com alisamento exponencial constante e constante: ao implementar o modelo SES como modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente estimado de MA (1) pode ser negativo. Isso corresponde a um fator de alisamento maior que 1 em um modelo SES, que normalmente não é permitido pelo procedimento de montagem do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de previsão: as previsões de um período anteriores deste modelo são qualitativamente similares às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Linha inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem alisamento exponencial linear constante: modelos de alisamento exponencial linear são modelos ARIMA que utilizam duas diferenças não-sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma atrasada por dois períodos, mas é a primeira diferença da primeira diferença - isto é. A mudança de mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t-Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: mede a quotaccelerationquot ou quotcurvaturequot na função em um determinado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prediz que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: o que pode ser rearranjado como: onde 952 1 e 952 2 são o MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que o modelo Holt8217s, e o modelo Brown8217s é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA (1,1,2) sem alisamento exponencial linear constante de tendência amortecida. Este modelo está ilustrado nos slides que acompanham os modelos ARIMA. Ele extrapola a tendência local no final da série, mas acha-se em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo em quotPor que a Tendência Damped funciona por Gardner e McKenzie e o artigo do quotGolden Rulequot de Armstrong et al. para detalhes. Em geral, é aconselhável manter os modelos em que pelo menos um de p e q não é maior do que 1, ou seja, não tente se ajustar a um modelo como o ARIMA (2,1,2), pois isso provavelmente levará a uma superposição E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação da planilha: os modelos ARIMA, como os descritos acima, são fáceis de implementar em uma planilha eletrônica. A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear que se refere a valores nas linhas precedentes das colunas A e C, multiplicadas pelos coeficientes apropriados de AR ou MA armazenados em células em outro lugar na planilha.