Doble Media Móvil Ppt

Presentación de Powerpoint para el Capítulo 7 Pronóstico HoltWinters Modelo Aditivo Holt Winters Modelo Multiplicativo Uno de los principales problemas que enfrentan los gerentes es la previsión de eventos futuros para tomar buenas decisiones. Por ejemplo, se necesitan pronósticos de tasas de interés, precios de energía y otros indicadores económicos para la planificación financiera. Se necesitan pronósticos de ventas para planificar la producción y la capacidad de mano de obra y se necesitan pronósticos de las tendencias de la demografía, el comportamiento de los consumidores y la innovación tecnológica. planificación. El gobierno también invierte recursos significativos en la predicción del desempeño a corto plazo de los Estados Unidos usando el Índice de Indicadores Líderes. Este índice se centra en el rendimiento de las empresas individuales, que a menudo está altamente correlacionado con el rendimiento de la economía en general, y se utiliza para pronosticar las tendencias económicas de la nación en su conjunto. En este capítulo, introducimos algunos métodos y enfoques comunes para la predicción, incluyendo las técnicas cualitativas y cuantitativas. Los gerentes pueden elegir entre una amplia gama de técnicas de pronóstico. La selección del método apropiado depende de las características del problema de pronóstico, como el horizonte temporal de la variable que se está pronosticando, así como la información disponible sobre la que se basará la predicción. Tres categorías principales de enfoques de predicción son las técnicas cualitativas y de juicio, los modelos estadísticos de series temporales y los métodos explicativos / causales. Las técnicas cualitativas y críticas dependen de la experiencia y la intuición que son necesarias cuando los datos históricos no están disponibles o cuando el tomador de decisiones necesita pronosticar en el futuro. Por ejemplo, una previsión de cuándo estará disponible la próxima generación de un microprocesador y qué capacidades podría tener dependerá en gran medida de las opiniones y la experiencia de las personas que entienden la tecnología. Los modelos estadísticos de serie temporal encuentran mayor aplicabilidad para problemas de pronóstico a corto plazo. Una serie de tiempo es una corriente de datos históricos, tales como ventas semanales. Los modelos de series temporales suponen que cualquier fuerza que haya influido en las ventas en el pasado reciente continuará en un futuro próximo, por lo tanto, las previsiones se desarrollan extrapolando estos datos en el futuro. Los modelos explicativos / causales buscan identificar los factores que explican estadísticamente los patrones observados en la variable que se pronostica, usualmente con análisis de regresión. Mientras que los modelos de series temporales utilizan sólo el tiempo como variable independiente, los modelos explicativos / causales generalmente incluyen otros factores. Por ejemplo, la previsión del precio del petróleo podría incorporar variables independientes como la demanda de petróleo (medida en barriles), la proporción de reservas de petróleo generadas por los países de la OPEP y las tasas impositivas. Aunque nunca podemos demostrar que los cambios en estas variables realmente causan cambios en el precio del petróleo, a menudo tenemos pruebas de que existe una fuerte influencia. Las encuestas de prácticas de pronóstico han demostrado que tanto los métodos críticos como cuantitativos se utilizan para pronosticar las ventas de líneas de productos o familias de productos, así como para las previsiones generales de la empresa y la industria. Se utilizan modelos simples de series temporales para predicciones de corto y mediano alcance, mientras que el análisis de regresión es el método más popular para la predicción a largo plazo. Sin embargo, muchas empresas confían en los métodos de juicio mucho más que los métodos cuantitativos, y casi la mitad de juicio ajustar las previsiones cuantitativas. En este capítulo, nos centraremos en estos tres enfoques de la predicción. Específicamente, discutiremos lo siguiente: La analogía histórica y el método Delphi como aproximaciones a la predicción de juicio Modelos de media móvil y exponencial de suavizado para la predicción de series de tiempo, con una discusión sobre la evaluación de la calidad de los pronósticos El uso de Crystal Ball (CB) Predictor para optimizar los pronósticos El uso de modelos de regresión para la predicción explicativa / causal Algunas ideas sobre cuestiones prácticas asociadas con la predicción Métodos cualitativos y de juicio Los métodos cualitativos o predictivos son valiosos en situaciones para las cuales no hay datos históricos Están disponibles o para aquellos que específicamente requieren conocimientos y conocimientos humanos. Un ejemplo podría ser la identificación de oportunidades y amenazas futuras como parte de un análisis SWOT (Fortalezas, Debilidades, Oportunidades y Amenazas) dentro de un ejercicio de planificación estratégica. Otro uso de los métodos críticos es incorporar información no cuantitativa, como el impacto de las regulaciones gubernamentales o el comportamiento de los competidores, en un pronóstico cuantitativo. Las técnicas judiciales van desde métodos tan sencillos como la opinión de los gerentes o un jurado basado en grupos de opinión ejecutiva hacia enfoques más estructurados como la analogía histórica y el método Delphi. Un enfoque crítico es la analogía histórica. En el que se obtiene un pronóstico mediante un análisis comparativo con una situación previa. Por ejemplo, si se está introduciendo un producto nuevo, la respuesta de productos anteriores similares a las campañas de marketing puede utilizarse como base para predecir cómo podría funcionar la nueva campaña de marketing. Por supuesto, los cambios temporales u otros factores únicos podrían no ser plenamente considerados en este enfoque. Sin embargo, a menudo se puede obtener mucha información a través de un análisis de experiencias pasadas. Por ejemplo, a principios de 1998, el precio del petróleo era de unos 22 por barril. Sin embargo, a mediados de 1998 el precio del barril de petróleo cayó a alrededor de 11. Las razones de esta caída de los precios incluyeron una sobreoferta de petróleo de la nueva producción en la región del Mar Caspio, una alta producción en las regiones no pertenecientes a la OPEP, Que la demanda normal. En circunstancias similares en el pasado, la OPEP se reuniría y tomaría medidas para elevar el precio del petróleo. Así, por analogía histórica, podríamos prever un aumento en el precio del petróleo. Los miembros de la OPEP de hecho se reunieron a mediados de 1998 y acordaron cortar su producción, pero nadie creyó que realmente cooperarían efectivamente, y el precio continuó bajando por un tiempo. Posteriormente, en 2000, el precio del petróleo subió dramáticamente, volviendo a caer a finales de 2001. Las analogías a menudo proporcionan buenos pronósticos, pero hay que tener cuidado de reconocer circunstancias nuevas o diferentes. Otra analogía es el conflicto internacional relativo al precio del petróleo. En caso de estallar la guerra, se espera que el precio aumente, análogo a lo que ha hecho en el pasado. Un método de pronóstico popular, denominado método Delphi, utiliza un panel de expertos, cuyas identidades suelen mantenerse confidenciales entre sí, para responder a una secuencia de cuestionarios. Después de cada ronda de respuestas, las opiniones individuales, editadas para asegurar el anonimato, se comparten, permitiendo que cada uno vea lo que piensan los otros expertos. Ver opiniones de otros expertos ayuda a reforzar los que están de acuerdo e influenciar a aquellos que no estuvieron de acuerdo en considerar otros factores. En la siguiente ronda, los expertos revisan sus estimaciones, y el proceso se repite, normalmente por no más de dos o tres rondas. El método Delphi promueve intercambios imparciales de ideas y discusión y generalmente resulta en cierta convergencia de opinión. Es uno de los mejores enfoques para pronosticar tendencias e impactos a largo plazo. Indicadores e índices de pronóstico Los indicadores y los índices generalmente juegan un papel importante en el desarrollo de pronósticos de juicio. Los indicadores son medidas que se cree que influyen en el comportamiento de una variable que deseamos pronosticar. Al monitorear los cambios en los indicadores, esperamos obtener información sobre el comportamiento futuro de la variable para ayudar a predecir el futuro. Por ejemplo, una variable que es importante para la economía de las naciones es el Producto Interno Bruto (PIB), que es una medida del valor de todos los bienes y servicios producidos en los Estados Unidos. A pesar de sus deficiencias (por ejemplo, el trabajo no remunerado como la limpieza y el cuidado de los niños no se mide la producción de productos de mala calidad infla la medida, al igual que el trabajo dedicado a la acción correctiva), es una medida práctica y útil del desempeño económico. Al igual que la mayoría de las series temporales, el PIB sube y baja de manera cíclica. La predicción de las tendencias futuras en el PIB a menudo se hace analizando series de indicadores que tienden a subir y bajar un cierto tiempo predecible antes de los picos y valles del PIB. Un ejemplo de un indicador principal es la formación de empresas comerciales a medida que crece la tasa de nuevos negocios, se podría esperar que el PIB aumente en el futuro. Otros ejemplos de indicadores principales son el cambio porcentual en la oferta monetaria (M1) y el cambio neto en los préstamos comerciales. Otros indicadores, llamados indicadores de retraso, tienden a tener picos y valles que siguen a los del PIB. Algunos indicadores rezagados son el Índice de Precios al Consumidor, la tasa de interés preferencial, los gastos de inversión empresarial o los inventarios disponibles. El PIB puede utilizarse para predecir las tendencias futuras de estos indicadores. Los indicadores a menudo se combinan cuantitativamente en un índice. La dirección de movimiento de todos los indicadores seleccionados se ponderan y combinan, proporcionando un índice de expectativa general. Por ejemplo, los analistas financieros utilizan el Dow Jones Industrial Average como índice del rendimiento general del mercado de valores. Los índices no proporcionan un pronóstico completo, sino más bien una mejor imagen de la dirección del cambio, y por lo tanto juegan un papel importante en la predicción de juicio. El Departamento de Comercio comenzó un Índice de Indicadores Líderes para ayudar a predecir el desempeño económico futuro. Los componentes del índice incluyen los siguientes: horas semanales promedio, promedio semanal de las demandas iniciales semanales, seguro de desempleo nuevas órdenes, bienes de consumo y desempeño de los proveedores de materiales menores entregas Los valores de MAD y MSE dependen de la escala de medida de los datos de series temporales. Por ejemplo, pronosticar beneficios en el rango de millones de dólares daría como resultado valores MAD y MSE muy grandes, incluso para modelos de predicción muy precisos. Por otro lado, la cuota de mercado se mide en proporti Los valores de MAD y MSE dependen de la escala de medida de los datos de series temporales. Por ejemplo, pronosticar beneficios en el rango de millones de dólares daría como resultado valores MAD y MSE muy grandes, incluso para modelos de predicción muy precisos. Por otra parte, la cuota de mercado se mide en proporciones por lo tanto, incluso los malos modelos de predicción tendrán valores pequeños de MAD y MSE. Por lo tanto, estas medidas no tienen sentido excepto en comparación con otros modelos utilizados para pronosticar los mismos datos. En general, el MAD es menos afectado por las observaciones extremas y es preferible al MSE si tales observaciones extremas se consideran eventos raros sin ningún significado especial. MAPE es diferente en que la escala de medición se elimina dividiendo el error absoluto por el valor de datos de serie temporal. Esto permite una mejor comparación relativa, por lo tanto, incluso los malos modelos de predicción tendrán valores pequeños de MAD y MSE. Así, estos. Aunque estos comentarios proporcionan algunas pautas, no existe un acuerdo universal sobre cuál es la mejor medida. Estas medidas pueden utilizarse para comparar las previsiones de promedio móvil en la figura 7.8. Los resultados, mostrados en la Tabla 7.2, verifican que el modelo de media móvil de dos periodos proporciona la mejor predicción entre estas alternativas. Modelos Suavizantes Exponenciales Un enfoque versátil, pero altamente efectivo para la predicción de corto alcance es el simple suavizado exponencial. El modelo de suavizado exponencial simple básico es: donde F t 1 es la previsión para el período de tiempo t 1, F t es la previsión para el período t. A t es el valor observado en el período t. Y es una constante entre 0 y 1, denominada constante de suavizado. Para comenzar, la predicción para el período 2 se establece igual a la observación real para el período 1. Usando las dos formas de la ecuación de pronóstico que acabamos de dar, podemos interpretar el modelo de suavizado exponencial simple de dos maneras. En el primer modelo, la previsión para el siguiente período, F t 1. Es un promedio ponderado de la previsión hecha para el período t. F t. Y la observación real en el período t. A . La segunda forma del modelo, obtenida simplemente reordenando los términos, establece que la predicción para el siguiente período, F t 1. Es igual al pronóstico del último período, más una fracción del error de pronóstico que se ha producido en el período t. A t F t. Por lo tanto, para hacer un pronóstico una vez que hemos seleccionado la constante de suavizado, sólo necesitamos conocer el pronóstico anterior y el valor real. Mediante la sustitución repetida de F t en la ecuación, es fácil demostrar que F t 1 es un promedio ponderado cada vez menos de todos los datos de series temporales pasadas. Por lo tanto, el pronóstico refleja realmente todos los datos, siempre que esté estrictamente entre 0 y 1. Para los datos de robo, la predicción para el mes 43 es 88, la observación real para el mes 42. Supongamos que escogemos 0,7 entonces la predicción para el mes 44 Ser: La observación real para el mes 44 es 60 así, la previsión para el mes 45 sería: Dado que el modelo de suavizado exponencial simple sólo requiere el pronóstico anterior y el valor de la serie cronológica actual, es muy fácil calcular así, es altamente Adecuado para ambientes tales como sistemas de inventario donde se deben hacer muchas previsiones. La constante de suavizado se elige generalmente por experimentación de la misma manera que la elección del número de períodos a utilizar en el modelo de media móvil. Diferentes valores de afectar la rapidez con que el modelo responde a los cambios en la serie temporal. Por ejemplo, un valor de 1 simplemente repetiría los últimos períodos previstos, mientras que 1 prevería la demanda real de los últimos períodos. Cuanto más cerca está de 1, más rápido el modelo responde a los cambios en la serie de tiempo porque pone más peso en la observación real actual que en el pronóstico. Del mismo modo, cuanto más cerca está de 0, más peso se pone en el pronóstico anterior, por lo que el modelo respondería a los cambios más lentamente. En la Figura 7.9 se muestra una hoja de cálculo de Excel para evaluar modelos de suavizado exponencial para los datos de robo con valores comprendidos entre 0,1 y 0,9. Una constante de suavizado de 0,6 proporciona el error más bajo para las tres métricas. Excel tiene una herramienta de análisis de datos para el suavizado exponencial (vea Nota de Excel: Pronóstico con suavizado exponencial). EXCEL NOTA Pronosticación con suavizado exponencial En el grupo Análisis, seleccione Análisis de datos y suavizado exponencial. En el cuadro de diálogo (Figura 7.10), como en el cuadro de diálogo Promedio móvil, debe ingresar el rango de entrada de los datos de serie temporal, el factor de amortiguación (1) no la constante de suavizado tal como la hemos definido () y la primera celda de El rango de salida, que debe estar adyacente al primer punto de datos. También tiene opciones para etiquetas, para graficar la salida y para obtener errores estándar. A diferencia de la herramienta Media móvil, el gráfico generado por esta herramienta alinea correctamente los pronósticos con los datos reales, como se muestra en la figura 7.11. Se puede ver que el modelo de suavizado exponencial sigue el patrón de los datos muy de cerca, aunque tiende a retrasarse con una tendencia creciente en los datos. Cuando las series de tiempo muestran tendencia y / o estacionalidad, diferentes técnicas proporcionan mejores predicciones que los modelos básicos de promedio móvil y de suavización exponencial que hemos descrito. Figura 7.10 Cuadro de diálogo Exponential Smoothing Tool Figura 7.11. La teoría computacional detrás de estos modelos se presentan en el apéndice de este capítulo, ya que son bastante más complicados que los modelos de media móvil simple y suavizado exponencial. Sin embargo, una comprensión básica de estas técnicas es útil para aplicar el software CB Predictor para la predicción, que presentamos en la siguiente sección. Modelos para tendencias lineales Para series temporales con una tendencia lineal pero sin componentes estacionales significativos, los modelos de doble media móvil y doble exponencial son más apropiados. Ambos métodos se basan en la ecuación de tendencia lineal: Esto puede parecer familiar a partir de la regresión lineal simple. Es decir, la previsión para k períodos en el futuro del período t es una función de un valor base en también conocido como el nivel, y una tendencia, o pendiente, bt. La media móvil doble y el suavizado exponencial doble difieren en cómo se usan los datos para llegar a los valores apropiados para at y bt Modelos para la estacionalidad Los factores estacionales (sin tendencia) pueden incorporarse a una previsión ajustando el nivel, a t. En una de dos maneras. El modelo aditivo estacional es: En ambos modelos, st k es el factor estacional para el período t s ky s es el número de períodos en una estación. Una temporada puede ser un año, trimestre, mes, o incluso una semana, dependiendo de la aplicación. En cualquier caso, la previsión para el período t k se ajusta hacia arriba o hacia abajo desde un nivel (at) por el factor estacional. El modelo multiplicativo es más apropiado cuando los factores estacionales están aumentando o disminuyendo con el tiempo. Esto es evidente cuando la amplitud de la serie cronológica cambia con el tiempo. Modelos para la Tendencia y la Estacionalidad Muchas series temporales exhiben tendencia y estacionalidad. Tal podría ser el caso de las crecientes ventas de un producto estacional. Los métodos que describimos se basan en el trabajo de dos investigadores, C. C. Holt, quien desarrolló el enfoque básico, y P. Winters, quien extendió el trabajo de Holts. Por lo tanto, estos enfoques se conocen comúnmente como modelos de HoltWinters. Estos modelos combinan elementos de los modelos de tendencias y estacionales descritos anteriormente. El modelo aditivo Holt-Winters se basa en la ecuación: Tabla 7.3 Pronóstico Selección del modelo No Estacionalidad Estacionalidad No Media móvil única o única Adición estacional o estacional Tendencia exponencial alisamiento modelo multiplicativo Tendencia Doble media móvil o HoltWinters aditivo o Holt doble suavización exponencial Winters modelo multiplicativo El modelo aditivo se aplica a series temporales con estacionalidad relativamente estable, mientras que el modelo multiplicativo se aplica a series temporales cuya amplitud aumenta o disminuye con el tiempo. La Tabla 7.3 resume la elección de modelos basados ​​en las características de las series temporales. Elección y optimización de modelos de pronóstico Uso de CB Predictor CB Predictor es un complemento de Excel para la previsión que forma parte del conjunto de aplicaciones Crystal Ball. Introducimos Crystal Ball para el montaje de distribución en el Capítulo 3. CB Predictor puede ser usado como un programa independiente para la predicción, y también puede ser integrado con la simulación de Monte Carlo, que discutimos en el Capítulo 10. CB Predictor incluye todas las series de tiempo Enfoques de predicción que hemos discutido. Véase Excel Nota: Utilizar CB Predictor para obtener información básica sobre el uso del complemento. Vamos a ilustrar el uso de CB Predictor primero para los datos en la hoja de trabajo Burglaries después de que el programa ciudadano-policía comenzó. En la Galería de Métodos sólo se eligieron los métodos de media móvil simple y exponencial simple para este ejemplo. CB Predictor crea una hoja de trabajo para cada uno de los resultados marcados en el cuadro de diálogo Resultados. La Figura 7.16 muestra la Tabla de Métodos, que resume los métodos de pronóstico utilizados y los clasifica según el criterio de error RMSE más bajo. En este ejemplo, CB Predictor encontró el mejor ajuste para ser un promedio móvil de 2 períodos. Este método también fue el mejor para las métricas de error MAD y MAPE. La estadística de DurbinWatson comprueba la autocorrelación (ver la discusión de la autocorrelación en regresión en el Capítulo 6), con valores de 2 que indican que no hay autocorrelación. La estadística de Theils U es una medida de error relativo que compara los resultados con un pronóstico ingenuo. Un valor menor que 1 significa que la técnica de pronóstico es mejor que adivinar, un valor igual a 1 significa que la técnica es tan buena como adivinar y un valor mayor que 1 significa que la técnica de pronóstico es peor que adivinar. Tenga en cuenta que CB Predictor identifica el mejor número de períodos para el promedio móvil o las mejores constantes de suavizado según sea apropiado. Por ejemplo, en la Figura 7.16, vemos que el modelo de suavizado exponencial único mejor ajustado tiene alfa 0.631. EXCEL NOTA Uso de CB Predictor Una vez instalado Crystal Ball, se puede acceder a CB Predictor en Excel desde la ficha Crystal Ball. Haga clic en el menú Herramientas y, a continuación, CB Predictor. CB Predictor le guía a través de cuatro cuadros de diálogo, el primero de los cuales se muestra en la Figura 7.12. Éstos se pueden seleccionar haciendo clic en el botón Siguiente o haciendo clic en las pestañas. Datos de entrada le permite especificar el intervalo de datos en el que basará su pronóstico. Los atributos de datos le permiten especificar el tipo de datos y si hay o no estacionalidad (véase la figura 7.13). La Galería de métodos le permite seleccionar uno o más de ocho intervalos de tiempo - Series media, promedio móvil doble, suavizado exponencial simple, suavizado exponencial doble, aditivo estacional, multiplicativo estacional, aditivo HoltWinters, o HoltWinters multiplicativo (véase la figura 7.14). Los gráficos mostrados en la galería de métodos sugieren el método que mejor se adapta a los datos similares a la tabla 7.3. Sin embargo, CB Predictor puede ejecutar cada método que seleccione y recomendará el que mejor pronostica sus datos. No sólo selecciona el mejor tipo de modelo, sino que también optimiza los parámetros de pronóstico para minimizar los errores de pronóstico. El botón Avanzado le permite cambiar la métrica de error en la que se clasifican los modelos. El diálogo final, Resultados. Le permite especificar una variedad de opciones de informes (consulte la Figura 7.15). El botón Preferencias le permite personalizar estos resultados. Figura 7.12 Diálogo de datos de entrada del predictor CB Figura 7.13 Cuadro de diálogo Diagrama de datos del predictor CB Figura 7.14 Cuadro de diálogo Diálogo de predictor de CB Figura 7.15 Cuadro de diálogo de predictor de CB Figura 7.16 Tabla de salida de predictor CB Figura 7.17 Tabla de resultados de predictor CB La Tabla de resultados (Figura 7.17) , Previsiones ajustadas y residuos. Para pronósticos futuros, también proporciona un intervalo de confianza basado en el Paso 8 en el cuadro de diálogo Resultados. Así, el pronóstico para el mes 59 es de 60,5, con un intervalo de confianza de 95 entre 34,26 y 86,74. CB Predictor también crea un gráfico que muestra los datos y los pronósticos ajustados, y un informe resumido de todos los resultados. Como segundo ejemplo, los datos del archivo Excel Gas amp Electric proporcionan dos años de datos para el uso de gas natural y eléctrico para una propiedad residencial (véase la figura 7.18). En la pestaña Atributos de Datos de CB Predictor, seleccionamos una estacionalidad de 12 meses. Aunque los datos son claramente estacionales, seleccionaremos todos los métodos de series temporales en la pestaña Galería de métodos. La figura 7.19 muestra los resultados. En este ejemplo, el método Multiplicativo estacional se clasificó primero, aunque se notará que los cuatro métodos principales proporcionan esencialmente la misma calidad de resultados. La figura 7.20 muestra las previsiones generadas para los próximos 12 meses. Figura 7.18 Gas Amper Electric Data notará que los cuatro métodos principales proporcionan esencialmente la misma calidad de resultados. La figura 7.20 muestra las previsiones generadas para los próximos 12 meses. Figura 7.18 Datos de Electricidad de Gas Figura 7.19 Tabla de Métodos de Gas Uso Figura 7.20 Pronósticos de Uso de Gas M odelos de Egreso para F echado Se introdujo la regresión en el capítulo anterior como un medio para desarrollar relaciones entre variables dependientes e independientes. La regresión lineal simple se puede aplicar a la predicción utilizando el tiempo como variable independiente. Por ejemplo, la Figura 7.21 muestra una parte del archivo Excel Producción de carbón. Que proporciona datos sobre las toneladas totales producidas entre 1960 y 2007. Una línea de tendencia lineal muestra un valor R 2 de 0.969 (el modelo ajustado supone que los años están numerados de 1 a 48, no como fechas reales). Los valores reales de los coeficientes en el modelo: Toneladas 416.896.322,7 16.685.398,57 Año Así, una previsión para 2008 sería: CB Predictor también puede usar la regresión lineal para la predicción, y proporciona información adicional. Para aplicarlo, primero agregue una columna a la hoja de cálculo para numerar los años que comienzan con 1 (correspondiente a 1960). En el paso 1 de la ficha Datos de entrada, seleccione los rangos de esta columna de Año Nuevo y Total de toneladas. En la ficha Atributos de datos, marque el recuadro de regresión lineal múltiple en el paso 5 y haga clic en el botón Seleccionar variables que le permitirá especificar cuáles son las variables independientes y dependientes. La figura 7.22 muestra una parte de la producción que muestra las previsiones para los próximos 5 años y 95 intervalos de confianza. Sin embargo, tenga en cuenta que la estadística de DurbinWatson (véase el capítulo 6) sugiere que los datos son autocorrelados, lo que indica que otros enfoques, llamados modelos autorregresivos. Son más apropiados. Figura 7.21 Porción de Modelos de Pronóstico Autoregresivo de Producción de Carbón Un modelo de pronóstico autorregresivo incorpora correlaciones entre valores consecutivos en una serie de tiempo. Una autocorrelación de primer orden se refiere a la correlación entre los valores de datos de un período aparte, una autocorrelación de segundo orden se refiere a la correlación entre los valores de datos dos períodos aparte, y así sucesivamente. Los modelos autorregresivos mejoran la predicción cuando la autocorrelación está presente en los datos. Un modelo autorregresivo de primer orden es: Y I a o a 1 Y i 1 d i Ventas 72333.08 508.67 Semana 16463.2 Precio / Galones Esto tiene sentido porque a medida que cambia el precio, las ventas típicamente reflejan el cambio. Observe que el valor de R2 es mayor cuando se incluyen ambas variables, explicando más de 86 de la variación en los datos. Si la compañía estima que el precio promedio para la próxima semana caerá a 3,80, el modelo pronosticaría las ventas para la semana 11 como: Ventas 72333,08 508,67 (11) 16463,2 (3,80) 15, 368 gal Noten que esto es más alto que el precio puro Previsión de series de tiempo debido a la sensibilidad al precio por galón. Práctica de la predicción En la práctica, los gerentes utilizan una variedad de técnicas de pronóstico y cuantitativas. Los métodos estadísticos por sí solos no pueden explicar factores como las promociones de ventas, las perturbaciones ambientales inusuales, las introducciones de nuevos productos, los grandes pedidos únicos, etc. Muchos gerentes empiezan con una previsión estadística y la ajustan para tener en cuenta factores intangibles. Otros pueden desarrollar pronósticos de juicio y estadísticos independientes y luego combinarlos, ya sea objetivamente por promediar o de manera subjetiva. Es imposible proporcionar una orientación universal en cuanto a qué enfoques son los mejores, ya que dependen de una variedad de factores, incluyendo la presencia o ausencia de tendencias y estacionalidad, el número de puntos de datos disponibles, la duración del horizonte temporal previsto y la experiencia Y el conocimiento del pronosticador. A menudo, los enfoques cuantitativos no detectarán cambios significativos en los datos, como la reversión de las tendencias, mientras que los pronósticos cualitativos pueden captarlos, sobre todo cuando se utilizan indicadores como se discutió anteriormente en este capítulo. Aquí destacamos brevemente tres ejemplos prácticos de pronóstico y le animamos a leer los artículos completos citados para una mejor comprensión de la práctica de la predicción. Allied-Signals Albuquerque Microelectronics Operation (AMO) produjo microchips endurecidos por radiación para el Departamento de Energía de los Estados Unidos (DOE). En 1989 se tomó la decisión de cerrar una planta, pero las operaciones de AMO tuvieron que ser eliminadas gradualmente durante varios años debido a obligaciones contractuales a largo plazo. AMO experimentó rendimientos bastante erráticos en la producción de algunos de sus complejos microchips, y las predicciones precisas de los rendimientos fueron fundamentales. Sobreestimar los rendimientos podría conducir a una incapacidad para cumplir las obligaciones contractuales de manera oportuna, lo que obliga a la planta a permanecer abierta más tiempo. Las subestimaciones harían que AMO produjera más fichas de las que realmente necesitaba. Los pronósticos de rendimiento de AMO se habían hecho previamente simplemente haciendo un promedio de todos los datos históricos. Se implementaron técnicas de pronóstico más sofisticadas, resultando en mejores pronósticos de fabricación de obleas. Utilizando pronósticos de rendimiento y modelos de optimización más precisos, AMO pudo cerrar la planta más rápidamente, lo que resultó en importantes ahorros de costos.1 Más de 70 del volumen total de ventas en L. L. Bean se genera a través de pedidos a su centro de llamadas. Las llamadas al centro de llamadas de L. L. Bean se clasifican en dos tipos: el telemercadeo (TM), que consiste en realizar un pedido y una consulta telefónica (TI), que involucra consultas de los clientes, como el estado del pedido o problemas de pedidos. Pronosticar de manera precisa las llamadas TM y TI ayuda a la empresa a planificar mejor el número de agentes que tiene a mano en cualquier momento. Los modelos analíticos de pronóstico para ambos tipos de llamadas toman en cuenta las tendencias históricas, los factores estacionales y las variables explicativas externas tales como los catálogos de vacaciones y catálogos. El beneficio estimado de una mejor precisión de los dos modelos de pronóstico es de aproximadamente 300.000 por año.2 DIRECTV fue fundada en 1991 para proporcionar televisión por satélite de suscripción. Antes de lanzar este producto, era vital predecir cuántos hogares en los Estados Unidos se suscribirían a las predicciones satelitales. Las llamadas TM y TI ayudarán a la empresa a planificar mejor el número de agentes que tienen a mano en cualquier momento. Los modelos analíticos de pronóstico para ambos tipos de llamadas toman en cuenta las tendencias históricas, los factores estacionales y las variables explicativas externas tales como los catálogos de vacaciones y catálogos. El beneficio estimado de una mejor precisión de los dos modelos de pronóstico es de aproximadamente 300.000 por año.2 1 D. W. Clements y R. A. Reid, Herramientas analíticas MS / OR aplicadas a un cierre de plantas, Interfaces 24, no. 2 (MarchApril, 1994): 112. 2 B. H. Andrews y S. M. Cunningham, L. L. Bean mejora el pronóstico del centro de llamadas, Interfaces 25, no. 6 (noviembre de 1995): 113. 3 Frank M. Bass, Kent Gordon y Teresa L. Ferguson, DIRECTV: Previsión de la difusión de una nueva tecnología antes del lanzamiento del producto, Interfaces 31, núm. 3 (mayo de 2001): Parte 2 de 2, S82S93. Conceptos básicos Preguntas de revisión Explicar las diferencias entre los modelos cualitativos y críticos, los modelos estadísticos de series de tiempo y los modelos explicativos / de predicción causal. Describir algunos enfoques de predicción comunes para la predicción de juicio. Usando estos valores, el método de media móvil doble estima los valores de at y bt en el modelo de tendencia lineal Ft k en btk como: Estas ecuaciones se derivan esencialmente minimizando la suma de errores cuadráticos usando los últimos k periodos de datos. Una vez determinados estos parámetros, los pronósticos más allá del final de los datos observados (período de tiempo T) se calculan utilizando el modelo de tendencia lineal con valores de aT y bT. Es decir, para k períodos más allá del período T, el pronóstico es FT k aT bTK. Por ejemplo, el pronóstico para el siguiente período sería FT 1 aT bT (1). Doble suavizado exponencial Al igual que el promedio móvil doble, el suavizado exponencial doble también se basa en la ecuación de tendencia lineal, Ft k en btk, pero las estimaciones de at y bt se obtienen a partir de las siguientes ecuaciones: Los factores nivel y estacionales se estiman en el modelo aditivo Utilizando las siguientes ecuaciones: donde y son constantes de suavizado. La primera ecuación calcula el nivel para el período t como una media ponderada de los datos desestacionalizados para el período t, (En St s) y el nivel de períodos anteriores. Los factores estacionales se actualizan también utilizando la segunda ecuación. El factor estacional es un promedio ponderado del componente estacional estimado para el período t, (At at) y el factor estacional para el último período de ese tipo de temporada. Then the forecast for the next period is F t 1 a t S t s 1 . For k periods out from the final observed period T . the forecast is:Simple Moving Average - SMA What is a Simple Moving Average - SMA A simple moving average (SMA) is an arithmetic moving average calculated by adding the closing price of the security for a number of time periods and then dividing this total by the number of time periods. Como se muestra en la tabla anterior, muchos comerciantes observan los promedios a corto plazo para cruzar por encima de los promedios a más largo plazo para señalar el comienzo de una tendencia alcista. Los promedios a corto plazo pueden actuar como niveles de apoyo cuando el precio experimenta un retroceso. VIDEO Carga del reproductor. BLOQUEANDO BAJO Promedio móvil simple - SMA Una media móvil sencilla es personalizable ya que se puede calcular para un número diferente de períodos de tiempo, simplemente agregando el precio de cierre de la garantía durante un número de períodos de tiempo y luego dividiendo este total por el número De los períodos de tiempo, lo que da el precio medio de la garantía durante el período de tiempo. Un simple promedio móvil suaviza la volatilidad y facilita la visualización de la tendencia de precios de un valor. Si la media móvil simple apunta hacia arriba, esto significa que el precio de los valores está aumentando. Si apunta hacia abajo significa que el precio de los valores está disminuyendo. Cuanto más largo sea el plazo para el promedio móvil, más suave será la media móvil simple. Un promedio móvil a más corto plazo es más volátil, pero su lectura está más cerca de los datos de origen. Significado analítico Los promedios móviles son una herramienta analítica importante utilizada para identificar las tendencias de precios actuales y la posibilidad de un cambio en una tendencia establecida. La forma más simple de usar una media móvil simple en el análisis es utilizarlo para identificar rápidamente si una seguridad está en una tendencia alcista o tendencia descendente. Otra herramienta analítica popular, aunque un poco más compleja, es comparar un par de promedios móviles simples con cada uno cubriendo diferentes marcos temporales. Si una media móvil simple a corto plazo está por encima de un promedio a más largo plazo, se espera una tendencia alcista. Por otro lado, un promedio a largo plazo por encima de un promedio a corto plazo indica un movimiento descendente en la tendencia. Patrones de comercio populares Dos patrones populares de comercio que utilizan simples promedios móviles incluyen la cruz de la muerte y una cruz de oro. Una cruz de la muerte ocurre cuando el promedio móvil simple de 50 días cruza debajo de la media móvil de 200 días. Esto se considera una señal bajista, que las pérdidas adicionales están en la tienda. La cruz de oro se produce cuando una media móvil a corto plazo se rompe por encima de una media móvil a largo plazo. Reinforced by high trading volumes, this can signal further gains are in store. Dual Moving Average Crossover Trading System The Dual Moving Average Crossover trading system (rules and explanations further below) is a classic trend following system. Como tal, lo incluimos en nuestro informe de seguimiento del estado de tendencia. Que tiene como objetivo establecer un punto de referencia para seguir el desempeño genérico de tendencia siguiendo como una estrategia comercial. El Estado de Tendencia de la Sabiduría Sigue el desempeño de un índice compuesto compuesto por los siguientes sistemas clásicos de tendencias (Dual Moving Average Crossover y otros) simulados en múltiples marcos temporales y una cartera de futuros, seleccionados de la gama de 300 mercados de futuros en más de 30 Wisdom Trading puede proporcionar acceso a los clientes. La cartera es global, diversificada y equilibrada en los principales sectores. Publicamos actualizaciones al informe cada mes, incluyendo la del sistema de negociación de Crossover Media Dual Moving. Suscribirse es la mejor manera de mantener un seguimiento y seguir el desempeño de seguimiento de la tendencia sobre una base regular. Suscríbete, asegúrate de no perder nuestro estado de tendencia. Reciba actualizaciones gratuitas cada mes Tendencia tras el desempeño en pocas palabras Tendencia objetiva después del benchmark Estadísticas y análisis útiles Informe histórico completo para nuevos suscriptores Una de las estrategias comerciales más comunes entre los comerciantes profesionales de futuros. Sistema de crossover de media móvil dual explicado El sistema de intercambio de doble promedio de crossover utiliza dos promedios móviles, uno corto y uno largo. El sistema se negocia cuando la media móvil corta cruza la media móvil larga. El sistema opcionalmente usa una parada basada en el promedio de rango verdadero (ATR). Si se utiliza la parada ATR, el sistema saldrá del mercado cuando se llegue a esa parada. Si no se utiliza la parada ATR, el sistema no tiene una parada explícita y siempre estará en el mercado, por lo que es un sistema de inversión. Saldrá de una posición sólo cuando las medias móviles se cruzan. En ese punto, saldrá y entrará en una nueva posición en la dirección opuesta. En este caso, las posiciones se clasifican basándose únicamente en ATR utilizando un gestor de dinero personalizado. Si no se utiliza una parada ATR, entonces el riesgo de entrada es esencialmente infinito. Esto hará que los R-Multiples sean relativamente insignificantes ya que todas las ganancias serán menores que el riesgo infinito de entrar sin ninguna parada. El Sistema de Negociación Dual Moving Average incluye cinco parámetros que afectan a las entradas: Long Moving Average El número de días en el promedio móvil largo. Media móvil corta El número de días en la media móvil corta. Si se establece en TRUE, el sistema entrará en una parada basada en un cierto número de ATR desde el punto de entrada. El número de días utilizados para el cálculo ATR. Este parámetro sólo está visible y activo si Use ATR Stops es VERDADERO. El ancho de tope expresado en términos de ATR. Este parámetro sólo está visible y activo si Use ATR Stops es VERDADERO. Si el parámetro Use ATR Stops es FALSE no hay paradas, pero el sistema utiliza una parada teórica 1 ATR para el dimensionamiento de la posición. Sistemas alternativos Además de los sistemas de negociación pública, ofrecemos a nuestros clientes varios sistemas comerciales exclusivos. Con estrategias que van desde la tendencia a largo plazo que sigue a la reversión media a corto plazo. También ofrecemos servicios de ejecución completa para una solución de negociación de estrategia totalmente automatizada. Por favor, haga clic en la imagen de abajo para ver nuestro rendimiento de los sistemas de comercio. Revelación de riesgo requerida por CFTC para resultados hipotéticos Los resultados hipotéticos de rendimiento tienen muchas limitaciones inherentes, algunas de las cuales se describen a continuación. No se hace ninguna representación de que cualquier cuenta tenga o sea probable obtener ganancias o pérdidas similares a las mostradas. De hecho, hay frecuentemente fuertes diferencias entre los resultados de rendimiento hipotético y los resultados reales logrados posteriormente por cualquier programa de comercio en particular. Una de las limitaciones de los resultados de rendimiento hipotético es que generalmente se preparan con el beneficio de la retrospección. Además, el comercio hipotético no implica riesgo financiero, y ningún registro de operaciones hipotético puede explicar completamente el impacto del riesgo financiero en la negociación real. Por ejemplo, la capacidad de soportar las pérdidas o adherirse a un programa de comercio particular a pesar de las pérdidas comerciales son puntos importantes que también pueden afectar adversamente los resultados comerciales reales. Existen numerosos otros factores relacionados con los mercados en general o con la ejecución de cualquier programa específico de negociación que no puedan tenerse plenamente en cuenta en la preparación de resultados hipotéticos de rendimiento y que puedan afectar negativamente a los resultados reales de negociación. Wisdom Trading es un corredor de introducción registrado por NFA. Ofrecemos servicios globales de corretaje de materias primas, consultoría de futuros gestionados, negociación de acceso directo y servicios de ejecución de sistemas comerciales para individuos, corporaciones y profesionales de la industria. Como corredor de introducción independiente mantenemos relaciones de compensación con varios importantes Futures Commission Merchants en todo el mundo. Las múltiples relaciones de compensación nos permiten ofrecer a nuestros clientes una amplia gama de servicios y una gama excepcionalmente amplia de mercados. Nuestras relaciones de compensación brindan a los clientes acceso 24 horas a los mercados de futuros, materias primas y divisas en todo el mundo. Copy 2015 Wisdom Trading El comercio de futuros implica un riesgo sustancial de pérdida y no es adecuado para todos los inversores. Los resultados anteriores no son indicativos de resultados futuros.