Rapporto Mobile Media Metodo

Rapporto di Moving Average metodo miniatura della prima pagina Estratto dal file: Math Tutorial Ratio-to-mobile-media metodo Un analista vuole usare il metodo del rapporto-to-mobile-media di prevedere una vendita companys per i prossimi trimestri. A partire dal trimestre. l'analista raccoglie i seguenti dati di vendita (in milioni di dollari). Stimare la stagione indice associato Lunghezza stampa: 4 PagesSlides Acquista con PayPal 3.99 tua risposta circonda il testo in corsivo o grassetto. per scrivere un uso un'equazione matematica, per esempio, o x22x10 beta2-10 Domande: 3 anni fa Get Esperto Aiuto ottenere uno su un aiuto per lavorare con un insegnante privato di 20 tutor sono in linea e pronti a Helpa Qualche mese fa ho avuto un post sul Momentum Echo (clicca qui per leggere il post). Mi sono imbattuto in un'altra forza relativa (o moto se preferite) di carta che mette alla prova ancora un altro fattore. In carta Seung-Chan Parks, The Moving Average rapporto e Momentum, guarda il rapporto tra a breve termine ea lungo termine media mobile del prezzo al fine di rango titoli con la forza. Questo è diverso dalla maggior parte degli altri letteratura accademica. La maggior parte degli altri studi usano il rendimento semplice point-to-point di prezzo per classificare i titoli. I tecnici hanno usato medie mobili per anni per appianare movimento dei prezzi. Il più delle volte vediamo persone che utilizzano il passaggio di una media mobile come un segnale per la negoziazione. Park usa un metodo differente per i suoi segnali. Invece di guardare semplici croci, paragona il rapporto di una media mobile a un altro. Un magazzino con la media di 50 giorni in movimento significativamente al di sopra (sotto) la media mobile a 200 giorni avrà un alto (basso) Classifica. I titoli con la media di 50 giorni in movimento molto vicino alla media mobile a 200 giorni finiranno in mezzo al gruppo. Nel documento Park è parziale della media mobile 200 giorni come più lungo termine media mobile, e si verifica una varietà di calze a breve termine che vanno da 1 a 50 giorni. Esso dovrebbe venire come nessuna sorpresa che tutti i lavori, infatti, tendono a funzionare meglio di semplici fattori basati prezzo-rendimento. Che non ha ancora venire come una grande sorpresa per noi, ma solo perché ci hanno seguito un fattore simile per diversi anni che utilizza due medie mobili. Ciò che mi ha sempre sorpreso è come bene quel fattore non rispetto ad altri metodi di calcolo nel corso del tempo. Il fattore che abbiamo tracking è il rapporto tra media mobile di una media mobile 65 giorni la media mobile a 150 giorni. Non esattamente lo stesso come ciò che Park testato, ma abbastanza simile. Ho tirato i dati che abbiamo su questo fattore per vedere come si confronta con lo standard a 6 e 12 mesi i fattori prezzo di ritorno. Per questo test, viene utilizzato il decile dei ranghi. I portafogli sono formate mensile e rebalancedreconstituted ogni mese. Tutto viene eseguito sul nostro database, che è un universo molto simile alla SP 500 SP 400. (clicca per ingrandire) I nostri dati mostrano la stessa cosa di test Parks. Utilizzando un rapporto di medie mobili è significativamente migliore rispetto usando solo semplici fattori di prezzo-rendimento. I nostri test mostrano il rapporto media mobile aggiungendo circa 200 bps all'anno, che non è poco E 'anche interessante notare che siamo venuti per l'esatto stessa conclusione utilizzando parametri diversi per la media mobile, e un set di dati completamente diverso. E 'solo per mostrare come robusto il concetto di forza relativa è. Per quei lettori che hanno letto i nostri libri bianchi (disponibili qui e qui) ci si potrebbe chiedere come questo fattore esegue utilizzando il nostro processo di test Monte Carlo. Im non andando a pubblicare tali risultati in questo post, ma vi posso dire questo fattore media mobile è sempre vicino alla parte superiore dei fattori che pista e ha un fatturato molto ragionevole per i ritorni che genera. Utilizzando un rapporto di media mobile è un ottimo modo per classificare i titoli per una strategia di forza relativa. I dati storici mostra che funziona meglio di semplici fattori di prezzo di ritorno nel corso del tempo. E 'anche un fattore molto robusto, perché più formulazioni di lavoro, e funziona su più set di dati. Questo articole è stato pubblicato il Giovedi, mese di agosto 26, 2010 at 13:39 ed è archiviato nella relativa forza di ricerca. È possibile seguire tutte le risposte a questo articolo tramite il RSS 2.0 feed. Puoi lasciare una risposta. oppure trackback dal tuo sito. 9 Responses to Moving Rapporto di media e Momentum Un'altra alternativa basata media mobile a utilizzare lo slancio point-to-point sta prendendo la media mobile di slancio 8230, ad esempio, se si seleziona slancio semplice classifica giornaliera, it8217s molto rumoroso la soluzione principale è stato , 8220don8217t controllare ogni giorno, vale a dire 8221 assegno mensile o trimestrale e rerank e riequilibrare aziende. Tuttavia, è possibile controllare tutti i giorni, e potenzialmente riequilibrare i giorni, con molto meno rumore, se, invece di utilizzare 12 mesi slancio, si utilizza la media mobile di 21 giorni di slancio 252 giorni. Questo è anche equivalente proposito, al rapporto di today8217s media mobile 21 giorni alla media mobile 21 giorni. Il vantaggio di utilizzare la media slancio è che avete più reattività alle variazioni di quantità di moto di te se si controlla l'universo oncemonth o oncequarter. Certamente è molto più gestibile di utilizzare la tecnica MA se si dispone di un universo più piccolo per applicarlo dato che io uso un gruppo di ETF come il mio universo, funziona bene per me. Dato che you8217re lavorare in un universo di 900 titoli e partecipazioni rivelare in un formato fondo, potrebbe non essere applicabile a voi, ma io ho pensato che potrebbe essere interessante. Questo è anche equivalente, BTW, al rapporto di oggi 21 giorni di media mobile alla media mobile a 21 giorni a partire da 252 GIORNI FA 8211 EDIT. John Lewis dice: Monitoriamo anche i fattori che prendono una media mobile di un calcolo di moto o punteggio. Il vecchio technicians8217 trucco di usare un MA per appianare il rumore lavora sulla forza relativa esattamente come avviene sul prezzo grezzo. La frequenza di riequilibrio spesso determina il tipo di modello è possibile utilizzare. Noi eseguire strategie che possono essere riequilibrate solo una volta un quarto, e dobbiamo usare diversi modelli per chi di noi per le strategie guardiamo giornaliera o settimanale. Entrambi i metodi funzionano se si utilizza il fattore corretto, e abbiamo scoperto che haven8217t aumentando la frequenza di riequilibrio automatico aumenta di ritorno. A volte ci vuole lontano dal ritorno. E 'del tutto dipende dal fattore e come implementare (almeno nella mia esperienza). Con gli universi ei parametri I8217ve testati su, non ho notato quello che chiamerei 8220statistically significant8221 miglioramenti in cambio quando si passa dalla rebals mensili a muoversi tecniche media che permettono di (potenzialmente, almeno) rebals quotidiane. Che I8217ve notato è stata per la maggior parte ciò che I8217d chiamata restituisce equivalenti nei dati backtest. Sono particolarmente notato che il numero medio di negoziazione roundtripsyear è solo leggermente superiore al potenziale cambio giornaliero, cioè ci sono alcuni whipsaws, ma solo alcuni. Quello che io personalmente come circa il potenziale per variazioni giornaliere è, se ipoteticamente una delle questioni I8217m in crash e brucia, la tecnica MA sarebbe uscita in modo più rapido (e sostituirlo con un altro di sicurezza). Ovviamente questo accade abbastanza didn8217t nel corso degli estensivi per guidare una differenza significativa nel risultato, ma fornisce una bella pomata alla mia psiche. Suppongo che quando I8217m in pensione e si esegue il mio programma da qualche spiaggia da qualche parte, I8217ll preferiscono solo dover fare il check in mensile, però. That8217s successive. Per ora mentre I8217m sul computer tutti i giorni in ogni caso, potrebbe anche passare le mie scansioni Paul Montgomery dice: 8220Im non andando a pubblicare i risultati in questo post, ma posso dirvi questo fattore media mobile è sempre vicino alla parte superiore dei fattori che TRACK e ha un fatturato molto ragionevole per i ritorni che generates8221 Grande postale 8211 mi piacerebbe vedere di più su questo John post interessante infatti 8211 ho letto un sacco di documenti su questo e ricercando le sue effectiveness8230 L'unica cosa che non riesco a capire è come mai un fondo come ad esempio AQR che propone un'altra forma di slancio investire fa così male. I loro rendimenti theorectical sono circa 13 all'anno, ma il fondo attuale è ancora in meno. Si chiedono se investire in diretta con questa idea del tuo produrrà risultati vicino alla testata amounts8230The materiale in questo sito sono fornite solo a scopo informativo e non costituisce un'offerta di vendita, una sollecitazione ad acquistare, o una raccomandazione o approvazione per qualsiasi titolo o strategia, né costituisce un'offerta di fornire servizi di consulenza per gli investimenti Quantopian. Inoltre, il materiale non offre alcuna opinione per quanto riguarda l'idoneità di qualsiasi titolo o investimento specifico. Quantopian non garantisce l'esattezza e la completezza delle opinioni espresse nel sito. I punti di vista sono soggetti a modifiche, e possono essere diventati inaffidabili per vari motivi, tra cui i cambiamenti nelle condizioni di mercato o circostanze economiche. Ogni investimento comporta rischi, inclusa la perdita del capitale. Si consiglia di consultare con un professionista di investimento prima di prendere decisioni di investimento. Il materiale in questo sito è fornito solo a scopo informativo e non costituisce un'offerta di vendita, una sollecitazione ad acquistare, o una raccomandazione o approvazione per qualsiasi titolo o di una strategia, né costituisce un'offerta di fornire servizi di consulenza per gli investimenti da Quantopian. Inoltre, il materiale non offre alcuna opinione per quanto riguarda l'idoneità di qualsiasi titolo o investimento specifico. Quantopian non garantisce l'esattezza e la completezza delle opinioni espresse nel sito. I punti di vista sono soggetti a modifiche, e possono essere diventati inaffidabili per vari motivi, tra cui i cambiamenti nelle condizioni di mercato o circostanze economiche. Ogni investimento comporta rischi, inclusa la perdita del capitale. Si consiglia di consultare con un professionista di investimento prima di prendere decisioni di investimento. Buono a sapersi. Il algo è alla ricerca molto impressionante ora. Pensi di fornire un breve esempio su ciò che quotposition residualsquot si fa riferimento Per ora, I39d piace suggerire un peso di destinazione da utilizzare per ciascun titolo (ad esempio, ogni volta che il SPY innesca le condizioni, si terrà il 30 del portafoglio) ma sono ad avere la sensazione che you39d ottenere lo stesso problema di prima. Il materiale in questo sito è fornito solo a scopo informativo e non costituisce un'offerta di vendita, una sollecitazione ad acquistare, o una raccomandazione o approvazione per qualsiasi titolo o di una strategia, né costituisce un'offerta di fornire servizi di consulenza per gli investimenti da Quantopian. Inoltre, il materiale non offre alcuna opinione per quanto riguarda l'idoneità di qualsiasi titolo o investimento specifico. Quantopian non garantisce l'esattezza e la completezza delle opinioni espresse nel sito. I punti di vista sono soggetti a modifiche, e possono essere diventati inaffidabili per vari motivi, tra cui i cambiamenti nelle condizioni di mercato o circostanze economiche. Ogni investimento comporta rischi, inclusa la perdita del capitale. Si consiglia di consultare con un professionista di investimento prima di fare qualsiasi implementazione decisions. Spreadsheet investimento di destagionalizzazione e esponenziale E 'semplice da eseguire destagionalizzazione e adatto ai modelli di livellamento esponenziale utilizzando Excel. Le immagini dello schermo e grafici qui sotto sono tratte da un foglio di calcolo che è stato istituito per illustrare destagionalizzazione moltiplicativa e livellamento esponenziale lineare sui seguenti dati di vendita trimestrali fuoribordo Marine: Per ottenere una copia del file foglio di calcolo in sé, clicca qui. La versione di livellamento esponenziale lineare che verrà utilizzato qui per scopi di dimostrazione è versione Brown8217s, solo perché può essere implementato con una singola colonna di formule e c'è solo uno smoothing costante per ottimizzare. Di solito è meglio utilizzare la versione Holt8217s che ha costanti di livellamento separati per il livello e tendenza. Il ricavato processo di previsione come segue: (i) prima i dati sono destagionalizzati (ii) allora le previsioni vengono generati per i dati destagionalizzati tramite livellamento esponenziale lineare e (iii) infine le previsioni destagionalizzati sono quotreseasonalizedquot per ottenere le previsioni per la serie originale . Il processo di registrazione stagionale avviene nelle colonne D attraverso G. Il primo passo nella regolazione stagionale è quello di calcolare una media mobile centrata (eseguita qui nella colonna D). Questo può essere fatto prendendo la media di due medie a livello di un anno che sono compensate da un periodo rispetto all'altro. (Una combinazione di due compensato medie piuttosto che è necessario un unico media a fini di centraggio quando il numero di stagioni è ancora.) Il passo successivo è quello di calcolare il rapporto di movimento --i. e media. i dati originali diviso per la media mobile in ogni periodo - che viene eseguita qui nella colonna E. (Questo è anche chiamato la componente quottrend-cyclequot del modello, nella misura in cui gli effetti di tendenza e di business del ciclo potrebbero essere considerati tutto ciò che rimane dopo una media di più di un intero anni di dati. ovviamente, i cambiamenti mese per mese, che non sono a causa della stagionalità potrebbe essere determinato da molti altri fattori, ma la media di 12 mesi leviga su di loro in gran parte). il Indice stagionale stimato per ogni stagione viene calcolato prima media di tutti i rapporti di quella particolare stagione, che è fatto in cellule G3-G6 utilizzando una formula AVERAGEIF. I rapporti medi sono quindi riscalati modo che sommano a esattamente 100 volte il numero di periodi in una stagione, o 400 in questo caso, che è fatto in cellule H3-H6. Sotto nella colonna F, formule VLOOKUP sono usati per inserire il valore di indice stagionale appropriata in ogni riga della tabella di dati, secondo il trimestre che rappresenta. La centrato media mobile e dati destagionalizzati finire per assomigliare questo: Si noti che la media mobile si presenta tipicamente come una versione più agevole della serie destagionalizzata, ed è più corto su entrambe le estremità. Un altro foglio di lavoro nello stesso file di Excel mostra l'applicazione del modello di livellamento esponenziale lineare ai dati destagionalizzati, a partire nella colonna G. Un valore per il livellamento costante (alpha) viene inserito sopra la colonna del tempo (qui, nella cella H9) e per comodità è assegnato il nome di intervallo quotAlpha. quot (il nome viene assegnato utilizzando il comando quotInsertNameCreatequot.) il modello LES viene inizializzato impostando i primi due previsioni pari al primo valore effettivo della serie destagionalizzate. La formula usata qui per la previsione LES è il singolo-equazione forma ricorsiva di modello Brown8217s: Questa formula viene immessa nella cella corrispondente al terzo periodo (qui, H15 cellulare) e copiato giù di lì. Si noti che il LES previsioni per il periodo attuale si riferisce alle due osservazioni precedenti e le due errori di previsione precedenti, nonché al valore di alfa. Così, la formula di previsione nella riga 15 si riferisce solo ai dati che erano disponibili nella riga 14 e precedenti. (Naturalmente, se volessimo usare semplice invece di livellamento esponenziale lineare, potremmo sostituire la formula SES qui invece. Potremmo anche utilizzare Holt8217s piuttosto che il modello Brown8217s LES, che richiederebbe altre due colonne di formule per calcolare il livello e la tendenza che vengono utilizzati nella previsione.) gli errori vengono calcolati nella colonna successiva (qui, colonna J) sottraendo le previsioni dai valori reali. L'errore quadratico medio radice è calcolato come la radice quadrata della varianza degli errori più il quadrato della media. (Questo segue dall'identità matematica:. MSE varianza (errori) (media (errori)) 2) Per il calcolo della media e la varianza degli errori in questa formula, i primi due periodi sono esclusi in quanto il modello in realtà non inizia previsione fino il terzo periodo (riga 15 sul foglio di calcolo). Il valore ottimale di alfa può essere trovata o modificando manualmente alfa fino a trovare la RMSE minimo, oppure è possibile utilizzare il quotSolverquot per eseguire una minimizzazione esatto. Il valore di alfa che il Risolutore ha trovato è mostrata qui (alpha0.471). Di solito è una buona idea per tracciare gli errori del modello (in unità trasformate) e anche per calcolare e tracciare le autocorrelazioni a ritardi fino a una stagione. Ecco un grafico serie storica degli errori (destagionalizzati): I autocorrelazioni di errore sono calcolati utilizzando la funzione CORRELAZIONE () per calcolare le correlazioni degli errori con se stessi ritardato da uno o più periodi - i dettagli sono riportati nel modello foglio di calcolo . Ecco un grafico delle autocorrelazioni degli errori ai primi cinque GAL: I autocorrelazioni a ritardi da 1 a 3 sono molto vicini allo zero, ma il picco in ritardo 4 (il cui valore è di 0,35) è un po 'fastidioso - suggerisce che il processo di aggiustamento stagionale non è stato del tutto efficace. Tuttavia, in realtà è solo marginalmente significativa. 95 bande di significatività per testare se autocorrelazioni sono significativamente diversi da zero sono approssimativamente più-o-meno 2SQRT (n-k), dove n è la dimensione del campione e k è il ritardo. Qui n è 38 e k varia da 1 a 5, quindi la radice quadrata di-n-minus-k è di circa 6 per tutti loro, e quindi i limiti per testare la significatività statistica delle deviazioni da zero sono circa plus - o-meno 26, o 0,33. Se si varia il valore di alfa mano in questo modello Excel, è possibile osservare l'effetto sulla serie e trame autocorrelazione degli errori, nonché sull'errore radice-quadratico medio, che verrà illustrato di seguito. Nella parte inferiore del foglio di calcolo, la formula di previsione è quotbootstrappedquot verso il futuro, semplicemente sostituendo le previsioni per i valori effettivi nel punto in cui i dati effettivi si esaurisce - i. e. dove inizia quotthe futurequot. (In altre parole, in ogni cella in cui si avrebbe un valore di dati futuro, viene inserito un riferimento di cella che punta alla previsione fatta per quel periodo.) Tutte le altre formule sono semplicemente copiati dall'alto: Si noti che gli errori di previsioni futuro sono tutti calcolati a zero. Questo non significa che gli errori effettivi saranno pari a zero, ma piuttosto riflette semplicemente il fatto che ai fini della previsione assumiamo che i dati futuri sarà uguale previsioni in media. Le previsioni LES ne derivano per i dati destagionalizzati assomigliano a questo: Con questo particolare valore di alfa, che è ottimale per le previsioni di un periodo a venire, la tendenza proiettata è leggermente verso l'alto, riflettendo la tendenza locale che è stato osservato nel corso degli ultimi 2 anni o giù di lì. Per altri valori di alfa, una proiezione tendenza molto differente potrebbe essere ottenuta. Di solito è una buona idea per vedere cosa succede alla proiezione tendenza a lungo termine, quando alfa è vario, perché il valore che è meglio per la previsione a breve termine non sarà necessariamente il miglior valore per predire il futuro più lontano. Ad esempio, qui è il risultato che si ottiene se il valore di alfa è impostato manualmente 0.25: La tendenza prevista a lungo termine è ora negativo piuttosto che positivo con un valore inferiore di alfa, il modello sta mettendo più peso sui dati più vecchi in la sua stima del livello attuale e la tendenza, e le sue previsioni a lungo termine riflettono la tendenza al ribasso osservata nel corso degli ultimi 5 anni, piuttosto che la più recente tendenza al rialzo. Questo grafico anche illustra chiaramente come il modello con un valore minore di alfa è più lento a rispondere alle quotturning pointsquot nei dati e quindi tende a fare un errore dello stesso segno per molti periodi di fila. I suoi errori di previsione 1-step-ahead sono più grandi, in media, rispetto a quelli ottenuti prima (RMSE del 34,4 invece di 27,4) e fortemente autocorrelato positivamente. Il lag-1 autocorrelazione di 0,56 supera notevolmente il valore di 0,33 sopra calcolato per una deviazione statisticamente significativa da zero. In alternativa al gomito giù il valore di alfa al fine di introdurre più conservatrice in previsioni a lungo termine, un fattore quottrend dampeningquot è talvolta aggiunta al modello per rendere la tendenza prevista appiattirsi dopo alcuni periodi. Il passo finale nella costruzione del modello di previsione è quello di quotreasonalizequot le previsioni LES moltiplicandoli per gli opportuni indici stagionali. Così, le previsioni reseasonalized nella colonna I sono semplicemente il prodotto degli indici stagionali in colonna F e le previsioni LES destagionalizzati nella colonna H. E 'relativamente facile calcolare gli intervalli di confidenza per le previsioni one-step-avanti fatti da questo modello: prima calcolare l'RMSE (errore di root-mean-squared, che è solo la radice quadrata del MSE) e poi calcolare un intervallo di confidenza per la destagionalizzato previsione aggiungendo e sottraendo due volte RMSE. (In generale, un intervallo di 95 confidenza per una previsione di un periodo in anticipo è pari a circa il punto di previsione più-o-meno-due volte la deviazione standard stimata dei errori di previsione, assumendo che la distribuzione di errore è approssimativamente normale e la dimensione del campione è abbastanza grande, diciamo, 20 o più. Qui, il RMSE piuttosto che la deviazione standard del campione degli errori è la migliore stima della deviazione standard degli errori di previsione in futuro, perché ci vuole pregiudizi e variazioni casuali in considerazione.) i limiti di confidenza per la previsione delle variazioni stagionali sono poi reseasonalized. insieme con le previsioni, moltiplicandoli dagli opportuni indici stagionali. In questo caso il RMSE è pari a 27,4 e la previsione destagionalizzato per il primo periodo futuro (Dec-93) è 273,2. in modo che il destagionalizzato 95 intervallo di confidenza è 273,2-227,4 218,4 a 328,0 273.2227.4. Moltiplicando questi limiti per Decembers indice stagionale di 68.61. otteniamo inferiori e superiori limiti di fiducia dei 149,8 e 225,0 intorno al punto di previsione Dic-93 di 187,4. limiti di confidenza per le previsioni più di un periodo a venire saranno generalmente allargano le previsioni aumenta all'orizzonte, a causa dell'incertezza circa il livello e la tendenza, così come i fattori stagionali, ma è difficile da calcolare loro, in generale, con metodi analitici. (Il modo appropriato per calcolare i limiti di confidenza per le previsioni del LES è quello di utilizzare la teoria ARIMA, ma l'incertezza negli indici di stagione è un altro discorso.) Se si desidera un intervallo di confidenza realistico per una previsione più di un periodo avanti, prendendo tutte le fonti di errore di conto, la cosa migliore è quella di utilizzare metodi empirici: per esempio, per ottenere un intervallo di confidenza per un 2-passo avanti previsione, si potrebbe creare un'altra colonna sul foglio di calcolo per calcolare una previsione 2-step-in anticipo per ogni periodo ( dal bootstrap previsione one-step-ahead). Poi calcolare la RMSE degli errori di previsione 2-step-avanti e utilizzare questo come base per un intervallo di confidenza 2-step-avanti.