Moving Average Este exemplo ensina como calcular a média móvel de uma série de tempo no Excel. Um avanço em movimento é usado para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossa série de tempo. 2. No separador Dados, clique em Análise de dados. Observação: não é possível encontrar o botão Análise de dados Clique aqui para carregar o suplemento do Analysis ToolPak. 3. Selecione Média móvel e clique em OK. 4. Clique na caixa Input Range e selecione o intervalo B2: M2. 5. Clique na caixa Intervalo e escreva 6. 6. Clique na caixa Output Range e seleccione a célula B3. 8. Faça um gráfico destes valores. Explicação: porque definimos o intervalo como 6, a média móvel é a média dos 5 pontos de dados anteriores eo ponto de dados atual. Como resultado, os picos e vales são suavizados. O gráfico mostra uma tendência crescente. O Excel não consegue calcular a média móvel para os primeiros 5 pontos de dados porque não existem pontos de dados anteriores suficientes. 9. Repita os passos 2 a 8 para intervalo 2 e intervalo 4. Conclusão: Quanto maior o intervalo, mais os picos e vales são suavizados. Quanto menor o intervalo, mais próximas as médias móveis são para os pontos de dados reais. Você gosta deste site gratuito Por favor, compartilhe esta página no GoogleQuando computar uma média móvel em execução, colocando a média no período de tempo médio faz sentido No exemplo anterior, calculamos a média dos primeiros 3 períodos de tempo e colocá-lo próximo ao período 3. Poderíamos ter colocado a média no meio do intervalo de tempo de três períodos, ou seja, próximo ao período 2. Isso funciona bem com períodos de tempo ímpar, mas não é tão bom para mesmo períodos de tempo. Então, onde colocamos a primeira média móvel quando M 4 Tecnicamente, a Média Móvel cairá em t 2,5, 3,5. Para evitar esse problema, suavizamos as MAs usando M 2. Assim, suavizamos os valores suavizados Se usarmos um número médio de termos, precisamos suavizar os valores alisados. A tabela a seguir mostra os resultados usando M 4. Médias de Mudar: O que São Entre os indicadores técnicos mais populares, as médias móveis são usadas para medir a direção da tendência atual. Cada tipo de média móvel (normalmente escrito neste tutorial como MA) é um resultado matemático que é 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 comerciantes olhar para os dados suavizados, em vez de se concentrar nas flutuações do preço do dia-a-dia que são inerentes a todos os mercados financeiros. A forma mais simples de uma média móvel, apropriadamente conhecida como média móvel simples (SMA), é calculada tomando-se a média aritmética de um dado conjunto de valores. Por exemplo, para calcular uma média móvel básica de 10 dias, você adicionaria 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 comerciante deseja ver uma média de 50 dias, em vez disso, 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, a fim de dar aos comerciantes uma idéia de como um ativo é fixado o preço em relação aos últimos 10 dias. Talvez você esteja se perguntando por que os comerciantes técnicos chamam essa ferramenta de uma média móvel e não apenas uma média regular. A resposta é que, à medida que novos valores se tornam disponíveis, os pontos de dados mais antigos devem ser eliminados do conjunto e novos pontos de dados devem entrar para substituí-los. Assim, o conjunto de dados está em constante movimento para contabilizar novos dados à medida que se torna disponível. Esse método de cálculo garante que apenas as informações atuais estão sendo contabilizadas. Na Figura 2, uma vez que o novo valor de 5 é adicionado ao conjunto, a caixa vermelha (representando os últimos 10 pontos de dados) move-se para a direita eo último valor de 15 é eliminado 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, nesse caso de 11 para 10. O que as médias móveis parecem uma vez? MA foram calculados, eles são plotados em um gráfico e, em seguida, conectado para criar uma linha média móvel. Essas linhas curvas são comuns nos gráficos de comerciantes técnicos, mas como eles são usados podem variar drasticamente (mais sobre isso mais tarde). Como você pode ver na Figura 3, é possível adicionar mais de uma média móvel a qualquer gráfico ajustando o número de períodos de tempo usados no cálculo. Essas linhas curvas podem parecer distrativas ou confusas no início, mas você vai crescer acostumado com eles como o tempo passa. 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, bem introduzir um tipo diferente de média móvel e examinar como ele difere da média móvel simples mencionada anteriormente. A média móvel simples é extremamente popular entre os comerciantes, mas como todos os indicadores técnicos, tem seus críticos. Muitos indivíduos argumentam que a utilidade do SMA é limitada porque cada ponto na série de dados é ponderado o mesmo, independentemente de onde ele ocorre na seqüência. Críticos argumentam que os dados mais recentes são mais significativos do que os dados mais antigos e devem ter uma maior influência no resultado final. Em resposta a essa crítica, os comerciantes começaram a dar mais peso aos dados recentes, o que desde então levou à invenção de vários tipos de novas médias, a mais popular das quais é a média móvel exponencial (EMA). Média móvel exponencial A média móvel exponencial é um tipo de média móvel que dá mais peso aos preços recentes na tentativa de torná-lo mais responsivo Novas informações. Aprender a equação um pouco complicada para o cálculo de um EMA pode ser desnecessário para muitos comerciantes, uma vez que quase todos os pacotes gráficos fazer os cálculos para você. No entanto, para você geeks matemática lá fora, aqui está a equação EMA: Ao usar a fórmula para calcular o primeiro ponto da EMA, você pode notar que não há valor disponível para usar como o EMA anterior. Este pequeno problema pode ser resolvido iniciando o cálculo com uma média móvel simples e continuando com a fórmula acima a partir daí. 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 SMA Agora que você tem uma melhor compreensão de como o SMA eo EMA são calculados, vamos dar uma olhada em como essas médias são diferentes. Ao olhar para o cálculo da EMA, você vai notar que mais ênfase é colocada sobre os pontos de dados recentes, tornando-se um tipo de média ponderada. Na Figura 5, o número de períodos utilizados em cada média é idêntico (15), mas a EMA responde mais rapidamente à variação dos preços. Observe como a EMA tem um valor maior quando o preço está subindo, e cai mais rápido do que o SMA quando o preço está em declínio. Esta responsividade é a principal razão pela qual muitos comerciantes preferem usar a EMA sobre a SMA. O que significam os diferentes dias As médias móveis são um indicador totalmente personalizável, o que significa que o usuário pode escolher livremente o período de tempo que desejar ao criar a média. Os períodos de tempo mais comuns utilizados nas médias móveis são 15, 20, 30, 50, 100 e 200 dias. Quanto menor o intervalo de tempo usado para criar a média, mais sensível será às mudanças de preços. Quanto mais tempo o intervalo de tempo, menos sensível ou mais suavizado, a média será. Não há um frame de tempo certo para usar ao configurar suas médias móveis. A melhor maneira de descobrir qual funciona melhor para você é experimentar com uma série de diferentes períodos de tempo até encontrar um que se adapta à sua estratégia. As Médias Móveis: Como Utilizá-las Subscreva as Notícias Para Usar para as mais recentes insights e análise Obrigado por se inscrever no Investopedia Insights - Notícias para Use. Stata: Análise de Dados e Software Estatístico Nicholas J. Cox, Universidade de Durham, Reino Unido Christopher Baum, Boston College egen, ma () e suas limitações Statarsquos comando mais óbvio para calcular médias móveis é a função ma () de egen. Dada uma expressão, cria uma média móvel - period dessa expressão. Por padrão, é tomado como 3. deve ser ímpar. No entanto, como a entrada manual indica, egen, ma () não pode ser combinado com varlist:. E, por esse motivo, não é aplicável aos dados do painel. Em qualquer caso, ele está fora do conjunto de comandos especificamente escrito para séries de tempo ver série de tempo para obter detalhes. Abordagens alternativas Para calcular médias móveis para dados de painel, existem pelo menos duas opções. Ambos dependem do conjunto de dados ter sido tsset previamente. Isto vale muito a pena fazer: não só você pode salvar a si mesmo repetidamente especificando variável de painel e variável de tempo, mas Stata se comporta inteligentemente dado quaisquer lacunas nos dados. 1. Escreva sua própria definição usando generate Usando operadores de séries temporais como L. e F.. Dar a definição da média móvel como o argumento para uma declaração de geração. Se você fizer isso, você não estará, naturalmente, limitado às médias móveis ponderadas (não ponderadas) centradas calculadas por egen, ma (). Por exemplo, as médias móveis ponderadas de três períodos seriam dadas por e alguns pesos podem ser facilmente especificados: Você pode, claro, especificar uma expressão como log (myvar) em vez de um nome de variável como myvar. Uma grande vantagem dessa abordagem é que a Stata faz automaticamente a coisa certa para os dados do painel: os valores iniciais e retardatários são elaborados nos painéis, exatamente como a lógica determina que eles devam ser. A desvantagem mais notável é que a linha de comando pode ficar bastante longa se a média móvel envolver vários termos. Outro exemplo é uma média móvel unilateral baseada apenas em valores anteriores. Isso poderia ser útil para gerar uma expectativa adaptativa do que uma variável será baseada puramente em informações até à data: o que alguém poderia prever para o período atual baseado nos últimos quatro valores, usando um esquema de ponderação fixo Especialmente comumente usado com timeseries trimestrais.) 2. Use egen, filter () de SSC Use o filtro de função egen escrito pelo usuário () do pacote egenmore em SSC. No Stata 7 (atualizado após 14 de novembro de 2001), você pode instalar este pacote após o qual a ajuda egenmore aponta para detalhes sobre filter (). Os dois exemplos acima seriam renderizados (nesta comparação, a abordagem de gerar é talvez mais transparente, mas veremos um exemplo do oposto em um momento). Os retornos são um numlist. Sendo os retornos negativos: neste caso, -1/1 se expande para -1 0 1 ou chumbo 1, atraso 0, atraso 1. Os coeficientes, outro número, multiplicam os correspondentes itens atrasados ou principais: neste caso, esses itens são F1.myvar. Myvar e L1.myvar. O efeito da opção de normalização é escalar cada coeficiente pela soma dos coeficientes para que o coeficiente (1 1 1) normalize seja equivalente a coeficientes de 1/3 1/3 1/3 e o coeficiente (1 2 1) normalize seja equivalente A coeficientes de 1/4 1/2 1/4. Você deve especificar não só os atrasos, mas também os coeficientes. Como egen, ma () fornece o caso igualmente ponderado, a razão principal para egen, filter () é suportar o caso desigualmente ponderado, para o qual você deve especificar coeficientes. Poderia também ser dito que obrigando os usuários a especificar coeficientes é uma pequena pressão extra sobre eles para pensar sobre quais coeficientes eles querem. A principal justificativa para pesos iguais é, suponhamos, simplicidade, mas pesos iguais têm propriedades de domínio de frequência ruim, para mencionar apenas uma consideração. O terceiro exemplo acima pode ser qualquer um dos quais é quase tão complicado quanto a abordagem gerar. Há casos em que egen, filter () dá uma formulação mais simples do que gerar. Se você quer um filtro binomial de nove períodos, que os climatologistas acham útil, então parece talvez menos horrível do que, e mais fácil de obter do que, Assim como com a abordagem de geração, egen, filter () funciona corretamente com dados de painel. Na verdade, como dito acima, depende do conjunto de dados ter sido tsset previamente. Uma dica gráfica Depois de calcular suas médias móveis, você provavelmente vai querer olhar para um gráfico. O comando tsgraph escrito pelo usuário é inteligente sobre conjuntos de dados tsset. Instale-o em um STATAT 7 atualizado por ssc inst tsgraph. Que sobre subconjunto com se nenhum dos exemplos acima fazer uso de se restrições. Na verdade egen, ma () não permitirá se a ser especificado. Ocasionalmente as pessoas querem usar se ao calcular médias móveis, mas seu uso é um pouco mais complicado do que é normalmente. O que você esperaria de uma média móvel calculada com if. Vamos identificar duas possibilidades: Fraca interpretação: Eu não quero ver nenhum resultado para as observações excluídas. Interpretação forte: Eu nem quero que você use os valores para as observações excluídas. Aqui está um exemplo concreto. Suponha como uma conseqüência de alguma condição if, as observações 1-42 são incluídas, mas não observações 43 sobre. Mas a média móvel para 42 dependerá, entre outras coisas, do valor para a observação 43 se a média se estender para trás e para a frente e for de comprimento pelo menos 3, e dependerá também de algumas das observações 44 em diante em algumas circunstâncias. Nossa suposição é que a maioria de povos iria para a interpretação fraca, mas se aquele está correto, egen, filter () não suporta se qualquer um. Você sempre pode ignorar o que você donrsquot deseja ou mesmo definir valores indesejados para desaparecer depois usando replace. Uma nota sobre resultados faltando nas extremidades da série Como as médias móveis são funções de defasagens e derivações, egen, ma () produz faltando onde os atrasos e as derivações não existem, no início e no final da série. Uma opção nomiss força o cálculo de médias móveis mais curtas e não centralizadas para as caudas. Em contrapartida, nem gerar nem egen, filter () faz, ou permite, nada de especial para evitar resultados em falta. Se algum dos valores necessários para o cálculo estiver faltando, então esse resultado está faltando. Cabe aos usuários decidir se e o que a cirurgia corretiva é necessária para essas observações, presumivelmente depois de olhar para o conjunto de dados e considerar qualquer ciência subjacente que pode ser trazida para bear. Announcement 04 Nov 2017, 19:36 Caros todos, estou trabalhando Com um conjunto de dados de painel desequilibrado onde o painel var é o número do fundo eo tempo var é o mês. Assim, eu estou trabalhando com séries de tempo mensais, mas com lacunas. O que eu quero é calcular a taxa de Sharpe de 3 anos e também o jensens alfa de 3 anos para cada fundo. Então, se eu estou no ano de 1992 eu gostaria de calcular a relação de Sharpe para aquele ano usando as observações mensais dos anos 1992 1991 1990. Para fazer isso eu preciso a média e sd dos retornos excedentes de cada fundo durante esse período. Além disso, eu gostaria de estimar o Jensens Alpha executando o modelo CAPM usando novamente as observações mensais dos anos 1992 1991 1990. Para fazer isso eu poderia usar o comando statsby e usar os coeficientes de uma regressão em execução durante esse período. I haved tentou acessar muitos comandos como rollreg, movavg, ma etc e também alguns moradores com foreach / forvalues mas não podem utilizá-los como eu não tenho um painel equilibrado e eu não quero eliminar fundos porque eu poderia ter um ou dois lacunas. Este é um exemplo do meu dataset o ano mês mktrf smb hml umd ExcessR s ---------------------------------- ----------------------------------------- 2 1997 1. 2 1997 2 -. 0049 -0,0261 0,0469 -0,0204. 2 1997 3 -0,0503 -,0032 0,0386 0,0094 -0,0181431 2 1997 4 0,0404 -,0519 -0,0102 0,0489 0,0117428 2 1997 5 0,0674 0,0483-0438-0519 0,0372053 ---- -------------------------------------------------- --------------------- 2 1997 6 .041 .015 .0072 .0259 .0310222 2 1997 7 .0733 -.0252 -.0013 .0384 .0402394 2 1997 8 -.0415 .0734 .0137 -.0252 -0292168 2 1997 9 .0535 .0268 -.0025 .0145 .0381404 2 1998 1 .0015 -.0094 -.0207 .001 .0056473 ------ -------------------------------------------------- ------------------- 2 1998 2 .0703 .0032 -.0086 -.011 .0395531 2 1998 3 .0476 -.0099 .0123 .0214 .0277491 2 1998 4 .0073 .0048 .0027 .0078 .0005439 2 1998 5 -.0307 -.0354 .0412 .0189 -.0093562 2 1998 6 .0318 -.0315 -.0222 .0726 .002362 -------- -------------------------------------------------- ----------------- 2 1998 7 -.0246 -.0492 -.0115 .0371 -.0232616 2 1998 8-.I608 -.0575 .0524 .0187 -.091043 2 1998 9 .0615 -.0015 -.0388 -.0063 .0222817 2 1998 10 .0713 -0.32 -.0277 -.0535 .0311223 2 1998 11 .061 .0114 -.0343 .0118 .0300834 ---- -------------------------------------------------- --------------------- 2 1998 12 .0616 -.003 -0,047 .0904 .0168859 7 1994 1 .0287 .0014 .021 .0001 .0183894 7 1994 2 -0,0256 0,0272 -0,0141 -,0026 -0,0170168 7 1994 3 -0,0478-0096,0134 -0,132 -0,0656004 7 1994 4,0068-0091,0169 0,0041 -,0032034 - -------------------------------------------------- ----------------------- 7 1994 5 .0058 -0.0201 .0018 -.0216 -.0093189 7 1994 6 -.0303 -.0048 .0168 -0083 -0506594 7 1994 7 .0282 -0,0178 0,0098 .0019 .0199595 7 1994 8 .0401 .0145 -.0347 .0154 .0419298 7 1994 9 -.0231 .0268 -.0181 .0131 -.0135341 -------------------------------------------------- ------------------------- 7 1994 10 .0134 -0.022 -.0236 .0145 .0129598 7 1994 11 -.0404 -.0017 - .0005 -.0019 -.0433825 7 1994 12 .0086 .0005 .0026 .035 .0152948 05 Nov 2017, 11:35 Muito obrigado por suas postagens. Quanto à relação sharpe este é o código que eu escrevi e resolvo meu problema. Gen MeanVWExcRetGr. Class crspfundno ryear mês forval i1990 (1) 2017 local mi-2 por crspfundno. Egen Meanimean (VWExcRetGr) se ryearlti amp ryeargtm substituir MeanVWExcRetGrMeani if ryeari Não é perfeito, mas eu tenho os meus meios em uma coluna agora, então cada ano eu tenho o mesmo valor de rolling mean dentro das minhas observações mensais (egen). Estou dizendo que não é perfeito, porque dentro dos comandos eu não especificar que eu quero média dos valores apenas no caso que eu tenho 3 anos de observações. Assim, também calcula a média no caso em que tenho 2 anos de observações. A boa notícia é que eu posso eliminar-me essas observações. Eu postei o acima, porque eu quero que você entenda o que eu preciso exatamente. Eu quero ter o alfa e beta, cada um em uma coluna para que eu possa usá-los para regredir-los em outras variáveis. Por conseguinte, no ano de 1995, para o fundo nº 100, que tem 11 observações mensais, por exemplo, quero que a produção alfa da regressão capm / 4 factor capm de 3 anos (1995,1994,1993) seja repetida no 11 linhas-células da coluna alfa. O mesmo se aplica para beta. Eu apliquei o código Mata com algumas mudanças egen g group (crspfundno) gen alpha. Mata mata stview (crspfundno. Quotcrspfundno quot) stview (st. quotryearquot) Stview stview stview stview stview stview stview stview (g. (P) i) para (opi, 2 ogtpi, 1 o-) y J (1,1 ,.) XJ (1,5) ,.) B. Para (para tgtpi, 1 t-) se (ir, 1 gt, 1 amp ryearo, 1-ryeart, 1 lt 2) yy VWExcRetGrt, 1 XX (mktrft, 1, smbt, 1, hmlt, 1, umdt, 1 , 1) yy (2..rows (y)) ,. XX (2..vertos (X)) ,. Se (linhas (y) gt6) b invsym (cross (X, X)) cross (X, y) alphao, 1 b5,1 final, mas o resultado é este e não inclui beta também. Pode por favor ajudar-me fundar ano g alfa 5487 2001 1 478 -.0045781 5487 2001 2 478 -.0049922 5487 2001 3 478 -.0044039 5487 2001 4 478 -.0058963 5487 2001 5 478 -.0057021 5487 2001 6 478 - .0037893 5487 2001 7 478 -.0046226 5487 2001 8 478 -.0027665 5487 2001 9 478 -.0037288 5487 2002 1 478 .0009866 5487 2002 2 478 .0019246 5487 2002 3 478 .0019994 5487 2002 4 478 .002021 5487 2002 5 478 .0019815 5487 2002 7 478 .0037848 5487 2002 8 478 .0035144 5487 2002 9 478 .003802 5487 2002 10 478 .0012915 5487 2002 11 478 .0016832 5487 2002 12 478 .0015888 Não sei se Eu entendo você. No entanto, repetindo o conselho no tópico ao qual eu o referi anteriormente sobre não usar o código Mata enquanto o código Stata está disponível, aqui está um código adaptado a partir desse thread que fará a regressão em rotação. Levará muito tempo se você tiver um grande conjunto de dados. Deixe-me saber se você leva muito tempo. Eu recomendo que você verifique os resultados. 06 Nov 2017, 08:51 Para Abraham: Realmente rápido código Mata. I apenas necessário 1 minutos em vez de 2 horas. Além disso, ele funciona melhor, uma vez que dá volta valores faltantes se eu tiver apenas um ano de observação. Muito obrigado. Uma última pergunta. Se eu precisar da regressão capm, isso significa que apenas VWExcRetGr e mktrf, mas não o smb hml umd, é assim que o código deve ser como gen Alpha. Gen bMktrf. Mata mata clear stview stview stview stview stview (stk) stview (bmktrf. Quotbkkrf) stview (bMktrf. QuotbMktrfquot) p panelssetup (crspfundno, 1) para (i1 iltrows (P) i) para (opi, 1 oltpi, 2 o) y VWExcRetGro, 1 X (mktrfo, 1, 1) b. Para (tpi, 1 tltpi, 2 t) se (para amp crspfundnoo, 1 crspfundnot, 1 amp (ryearo, 1-ryeart, 1 lt 2) amp ryearo, 1 gt ryeart, 1) yy VWExcRetGrt, 1 XX (mktrft, 1 1) if (linhas (y) gt6) b invsym (cruz (X, X)) cruzar (X, y) Alphao, 1 b2,1 bMktrfo, 1 b1,1 No seu código, você calcula o desvio padrão por país e Indústria (usando resumir) mas, em seguida, substituir esse valor em SDx de outros coutries (no loop interno). É isso que você quer fazer Eu escrevi o código Mata assumindo que você deseja calcular o desvio padrão por país e indústria. Se você quiser calcular por país e indústria, você precisa adicionar: Aqui está o código Mata (ele calcula o desvio padrão também quando a janela é inferior a 4 anos):
No comments:
Post a Comment