Processo em movimento médio estocástico

Glossário de processos estocásticos Modelo de média móvel autoregressiva Nas estatísticas, os modelos de média móvel auto-regressiva (ARMA), às vezes chamados de modelos Box-Jenkins após George Box e F. M. Jenkins, são tipicamente aplicados em dados da série temporal. Processo de Bernoulli Na probabilidade e estatística, um processo de Bernoulli é um processo estocástico de tempo discreto que consiste em uma sequência finita ou infinita de variáveis ​​aleatórias independentes X 1. X 2. X 3. De modo que para cada i. O valor de X i é 0 ou 1 e para todos os valores de i. A probabilidade de que X i 1 seja o mesmo número p. Teorema da cédula Bertrands Na combinatória, o teorema da cédula Bertrands é a solução para a pergunta: em uma eleição em que um candidato recebe p votos e os outros q votos com p q. Qual é a probabilidade de o primeiro candidato estar estritamente à frente do segundo candidato ao longo da contagem. A resposta é (p - q) (p q). Caminho aleatório tendencioso (bioquímica) Na biologia celular, uma caminhada aleatória tendenciosa permite que as bactérias alimentem e evitem danos. Processo de morte e nascimento O processo de morte e nascimento é um processo que é um exemplo de um processo de Markov (um processo estocástico) onde as transições são limitadas apenas para os vizinhos mais próximos. Processo de ramificação Na teoria da probabilidade, um processo de ramificação é um processo de Markov que modela uma população na qual cada indivíduo na geração n produz um número aleatório de indivíduos na geração n 1, de acordo com uma distribuição de probabilidade fixa que não varia de indivíduo para indivíduo. Movimento browniano O termo movimento browniano (em homenagem ao botânico Robert Brown) refere-se ao fenômeno físico que as minúsculas partículas imergem em um movimento fluido aleatoriamente ou os modelos matemáticos utilizados para descrever esses movimentos aleatórios. Árvore browniana Uma árvore browniana, cujo nome é derivado de Robert Brown através do movimento browniano, é uma forma de arte informática que foi brevemente popular na década de 1990, quando os computadores domésticos começaram a ter poder suficiente para simular o movimento browniano. Equação de Chapman-Kolmogorov Em matemática, especificamente na teoria da probabilidade, e ainda mais especificamente na teoria dos processos estocásticos, a equação de Chapman-Kolmogorov (também conhecida como equação mestre na física) é uma identidade que relaciona as distribuições de probabilidade conjunta de diferentes conjuntos de Coordenadas em um processo estocástico. Processo de Poisson composto Corrente de Markov de tempo contínuo Na teoria da probabilidade, uma cadeia de Markov em tempo contínuo é um processo estocástico X (t) 160: t 0 que goza da propriedade Markov e tira valores entre os elementos de um conjunto discreto chamado espaço de estado . Exemplos de correntes de Markov Um jogo de Monopoly, cobras e escadas ou qualquer outro jogo cujos movimentos são determinados inteiramente por dados é uma cadeia de Markov. Filtração (álgebra abstrata) Em matemática, uma filtração é um conjunto indexado S i de subobjetos de uma estrutura algebraica dada S. Com um conjunto de índice I que é um conjunto totalmente ordenado, sujeito apenas à condição de que, se eu estiver em I, então S i está contido em S j. Equação de Fokker-Planck A equação de Fokker-Planck (também conhecida como equação de Kolmogorov Forward) descreve a evolução temporal da função de densidade de probabilidade de posição e velocidade de uma partícula. Processo de Galton-Watson O processo de Galton-Watson é um processo estocástico decorrente da investigação estatística de Francis Galtons sobre a extinção de sobrenomes. Processo de Gauss-Markov Como seria de esperar, os processos estocásticos de Gauss-Markov (com o nome de Carl Friedrich Gauss e Andrey Markov) são processos estocásticos que satisfazem os requisitos tanto para os processos gaussianos quanto para os processos de Markov. Processo gaussiano Um processo gaussiano é um processo estocástico X t t 8712 T, de modo que toda combinação linear finita do X t (ou, em geral, qualquer função linear da função de amostra X t) é normalmente distribuída. Movimento browniano geométrico Um movimento browniano geométrico (GBM) (ocasionalmente, movimento exponencial Browniano) é um processo estocástico de tempo contínuo no qual o logaritmo da quantidade variável aleatoriamente segue um movimento browniano ou, talvez mais precisamente, um processo Wiener. Teorema de Girsanov Na teoria da probabilidade, o teorema de Girsanovs diz como os processos estocásticos mudam sob as mudanças na medida. Ito calculus Ito calculus, com o nome de Kiyoshi Ito, trata operações matemáticas em processos estocásticos. Seu conceito mais importante é a integral estocástica. Lema de Itos Em matemática, o lema de Itos é usado no cálculo estocástico para encontrar o diferencial de uma função de um tipo particular de processo estocástico. É, portanto, para o cálculo estocástico o que a regra da cadeia é para cálculo comum. O lema é amplamente empregado em finanças matemáticas. Operador de atraso Na análise de séries temporais, o operador de atraso ou o operador de retrocesso operam em um elemento de uma série de tempo para produzir o elemento anterior. Lei do logaritmo iterado Na teoria da probabilidade, a lei do logaritmo iterado é o nome dado a vários teoremas que descrevem a magnitude das flutuações de uma caminhada aleatória. Passeio aleatório apagado em loop Em matemática, a caminhada aleatória apagada em loop é um modelo para um caminho simples aleatório com aplicações importantes em combinatória e, em física, teoria de campos quânticos. Está intimamente ligado à árvore uniforme, um modelo para uma árvore aleatória. Vôo L233vy Um voo L233vy, nomeado após o matemático francês Paul Pierre L233vy, é um tipo de caminhada aleatória em que os incrementos são distribuídos de acordo com uma distribuição de cauda pesada. Processo L233vy Na teoria da probabilidade, um processo L233vy, com o nome do matemático francês Paul L233vy, é qualquer processo estocástico de tempo contínuo que tenha incrementos independentes estacionários. Os exemplos mais conhecidos são o processo Wiener e o processo de Poisson. Cálculo de Malliavin O cálculo de Malliavin, chamado de Paul Malliavin, é uma teoria do cálculo estocástico variacional, em outras palavras, fornece a mecânica para calcular derivadas de variáveis ​​aleatórias. Cadeia de Markov Em matemática, uma cadeia de Markov (discreta), chamada de nome de Andrei Markov, é um processo estocástico discreto com a propriedade de Markov. Em tal processo, o passado é irrelevante para prever o futuro dado conhecimento do presente. Geoestatística da cadeia de Markov A geoestatística da cadeia de Markov aplica cadeias de Markov em geoestatística para simulação condicional em dados observados escassos, ver Li et al. (Soil Sci. Soc. Am. J. 2004), Zhang e Li (GIScience and Remote Sensing, 2005) e Elfeki e Dekking (Geologia Matemática, 2001). Processo de Markov Na teoria da probabilidade, um processo de Markov é um processo estocástico caracterizado como segue: O estado c k no tempo k é um de um número finito na faixa. Sob o pressuposto de que o processo é executado apenas do tempo 0 ao tempo N e que os estados inicial e final são conhecidos, a sequência de estados é então representada por um vetor finito C (c 0.c N). Propriedade de Markov Na teoria da probabilidade, um processo estocástico possui a propriedade de Markov se a distribuição de probabilidade condicional de estados futuros do processo, dado o estado atual, depende apenas do estado atual, ou seja, é condicionalmente independente dos estados passados ​​(o caminho de O processo) dado o estado atual. Um processo com a propriedade Markov geralmente é chamado de processo Markov e pode ser descrito como Markovian. Martingale Na teoria da probabilidade, uma martingala (tempo discreto) é um processo estocástico de tempo discreto (ou seja, uma seqüência de variáveis ​​aleatórias) X 1. X 2. X 3. Que satisfaz a identidade E (X n 1 X 1, 8230, X n) X n. Isto é, o valor esperado condicional da próxima observação, com todas as observações passadas, é igual à última observação. Como é freqüente na teoria da probabilidade, o termo foi adotado na linguagem do jogo. Modelo exógeno autoregressivo não lineal Na modelagem de séries temporais, um modelo exógeno não autorregulador não linear (NARX) é um modelo auto-regressivo não-linear que possui entradas exógenas. Processo de Ornstein-Uhlenbeck Em matemática, o processo de Ornstein-Uhlenbeck, também conhecido como processo de reversão média, é um processo estocástico dado pela seguinte equação diferencial estocástica dr t 952 (r t - 956) dt 963 dW t. Onde, 952, 956 e 963 são parâmetros. Processo de Poisson Um processo de Poisson, uma das várias coisas com o nome do matemático francês Sim233on-Denis Poisson (1781 - 1840), é um processo estocástico que é definido em termos de ocorrências de eventos em algum espaço. Processo de população Na probabilidade aplicada, um processo de população é uma cadeia de Markov em que o estado da cadeia é análogo ao número de indivíduos em uma população (0, 1, 2, etc.) e as mudanças no estado são análogas à Adição ou remoção de indivíduos da população. Teoria da fila A teoria da fila (a seguir, a teoria da fila soletrada, mas depois perdendo a distinção de conter a única palavra inglesa com 5 vogais consecutivas) é o estudo matemático de linhas de espera (ou filas). Caminhada aleatória Em matemática e física, uma caminhada aleatória é uma formalização da ideia intuitiva de dar passos sucessivos, cada um em uma direção aleatória. Uma caminhada aleatória é um processo estocástico simples. Processo de Semi-Markov Um processo de semi-Markov é aquele que, quando entra no estado i, gasta um tempo aleatório com distribuição H i e significa 956 i nesse estado antes de fazer uma transição. Processo estacionário Nas ciências matemáticas, um processo estacionário (ou processo rigoroso (estacionado) é um processo estocástico em que a função de densidade de probabilidade de alguma variável aleatória X não se altera ao longo do tempo ou posição. Como resultado, parâmetros como a média e variância também não mudam ao longo do tempo ou posição. Cálculo estocástico O cálculo estocástico é um ramo da matemática que opera em processos estocásticos. As operações incluem integração e diferenciação que envolvem variáveis ​​determinísticas e aleatórias (ou seja, estocásticas). Ele é usado para modelar sistemas que se comportam aleatoriamente. Processo estocástico Na matemática da probabilidade, um processo estocástico pode ser pensado como uma função aleatória. Regra de interrupção Na teoria da decisão, uma regra de paragem é um mecanismo para decidir se deve continuar ou interromper um processo com base na posição atual e eventos passados, e que quase sempre levará a uma decisão de parar em algum momento, conhecida como Tempo de parada. Stratonovich integral Na teoria da probabilidade, um ramo da matemática, a integral de Stratonovich é uma integral estocástica, a alternativa mais comum à integral Ito. Forte mistura Em matemática, a forte mistura é um conceito aplicado na teoria ergódica, ou seja, o estudo de sistemas dinâmicos no nível da teoria das medidas. Pode ser aplicado a processos estocásticos. Modelo de substituição Um modelo de substituição descreve o processo a partir do qual uma seqüência de caracteres de um tamanho fixo de algum alfabeto muda para outro conjunto de traços. Série de tempo Em estatísticas e processamento de sinal, uma série de tempo é uma seqüência de pontos de dados, medida tipicamente em tempos sucessivos, espaçados em intervalos de tempo uniformes. Ruído branco O ruído branco é um sinal aleatório (ou processo) com uma densidade espectral de potência plana. Em outras palavras, a densidade espectral de potência dos sinais tem potência igual em qualquer banda, em qualquer freqüência central, com uma determinada largura de banda. Equação de Wiener Uma simples representação matemática do movimento browniano, a equação de Wiener, com o nome de Norbert Wiener, pressupõe que a velocidade atual de uma partícula fluida flutua aleatoriamente:. Filtro de Wiener Ao contrário da teoria de filtragem típica de projetar um filtro para uma resposta de freqüência desejada, o filtro Wiener se aproxima da filtragem de um ângulo diferente. Ao criar um filtro que filtra apenas o domínio da frequência, é possível que o filtro passe o ruído. Processo de Wiener Em matemática, o processo de Wiener, assim chamado em homenagem a Norbert Wiener, é um processo estocástico gaussiano em tempo contínuo com incrementos independentes utilizados na modelagem do movimento browniano e alguns fenômenos aleatórios observados nas finanças. É um dos processos L233vy mais conhecidos. Médias migratórias - Médias móveis simples e exponentes - Introdução simples e exponencial As médias móveis suavizam os dados de preços para formar um indicador de tendência seguinte. Eles não prevêem a direção do preço, mas sim definem a direção atual com um atraso. As médias móveis são desactualizadas porque se baseiam em preços passados. Apesar deste atraso, as médias móveis ajudam a melhorar a ação do preço e a eliminar o ruído. Eles também formam os blocos de construção para muitos outros indicadores técnicos e sobreposições, como Bollinger Bands. MACD e o McClellan Oscillator. Os dois tipos mais populares de médias móveis são a média móvel simples (SMA) e a média móvel exponencial (EMA). Essas médias móveis podem ser usadas para identificar a direção da tendência ou definir níveis potenciais de suporte e resistência. Aqui, um gráfico com um SMA e um EMA nele: Cálculo da média móvel simples Uma média móvel simples é formada calculando o preço médio de uma garantia em um período específico de períodos. A maioria das médias móveis baseia-se nos preços de fechamento. Uma média móvel simples de 5 dias é a soma de cinco dias de preços de fechamento dividida por cinco. Como o próprio nome indica, uma média móvel é uma média que se move. Os dados antigos são descartados à medida que novos dados estão disponíveis. Isso faz com que a média se mova ao longo da escala de tempo. Abaixo está um exemplo de uma média móvel de 5 dias que evolui ao longo de três dias. O primeiro dia da média móvel cobre os últimos cinco dias. O segundo dia da média móvel baixa o primeiro ponto de dados (11) e adiciona o novo ponto de dados (16). O terceiro dia da média móvel continua diminuindo o primeiro ponto de dados (12) e adicionando o novo ponto de dados (17). No exemplo acima, os preços aumentam gradualmente de 11 para 17 durante um total de sete dias. Observe que a média móvel também aumenta de 13 para 15 durante um período de cálculo de três dias. Observe também que cada valor médio móvel está logo abaixo do último preço. Por exemplo, a média móvel para o primeiro dia é igual a 13 e o último preço é 15. Os preços nos quatro dias anteriores foram menores e isso faz com que a média móvel atinja. Cálculo médio exponencial da movimentação As médias móveis exponentes reduzem o atraso aplicando mais peso aos preços recentes. A ponderação aplicada ao preço mais recente depende do número de períodos na média móvel. Existem três etapas para calcular uma média móvel exponencial. Primeiro, calcule a média móvel simples. Uma média móvel exponencial (EMA) deve começar em algum lugar, de modo que uma média móvel simples é usada como o EMA do período anterior 019 no primeiro cálculo. Segundo, calcule o multiplicador de ponderação. Em terceiro lugar, calcule a média móvel exponencial. A fórmula abaixo é para uma EMA de 10 dias. Uma média móvel exponencial de 10 períodos aplica uma ponderação de 18.18 ao preço mais recente. Um EMA de 10 períodos também pode ser chamado de EMA 18,18. Um EMA de 20 períodos aplica uma pesagem de 9,52 ao preço mais recente (2 (201) .0952). Observe que a ponderação para o período de tempo mais curto é maior do que a ponderação para o período de tempo mais longo. Na verdade, a ponderação cai pela metade cada vez que o tempo médio móvel dobra. Se você quer uma porcentagem específica para um EMA, pode usar esta fórmula para convertê-la em períodos de tempo e, em seguida, insira esse valor como o parâmetro EMA039s: abaixo é um exemplo de planilha de uma média móvel simples de 10 dias e um 10- Média móvel exponencial do dia para a Intel. As médias móveis simples são diretas e requerem pouca explicação. A média de 10 dias simplesmente se move à medida que novos preços se tornam disponíveis e os preços antigos caem. A média móvel exponencial começa com o valor médio móvel simples (22.22) no primeiro cálculo. Após o primeiro cálculo, a fórmula normal assume o controle. Como um EMA começa com uma média móvel simples, seu valor verdadeiro não será realizado até 20 ou mais períodos mais tarde. Em outras palavras, o valor na planilha do Excel pode diferir do valor do gráfico devido ao curto período de visualização. Esta planilha apenas remonta a 30 períodos, o que significa que o efeito da média móvel simples teve 20 períodos para se dissipar. O StockCharts remonta pelo menos 250 períodos (geralmente muito mais) para os seus cálculos, de modo que os efeitos da média móvel simples no primeiro cálculo foram completamente dissipados. O Factor de Lag. Quanto maior a média móvel, mais o atraso. Uma média móvel exponencial de 10 dias irá reduzir os preços de forma bastante próxima e virar-se pouco depois que os preços se transformarem. As médias de curto movimento são como barcos de velocidade - ágeis e rápidos de mudar. Em contraste, uma média móvel de 100 dias contém muitos dados passados ​​que o retardam. As médias móveis mais longas são como os petroleiros oceânicos - letárgicos e lentos para mudar. É necessário um movimento de preços maior e mais longo para uma média móvel de 100 dias para mudar de curso. O gráfico acima mostra o ETF SampP 500 com uma EMA de 10 dias seguindo os preços e uma moagem de SMA de 100 dias maior. Mesmo com o declínio de janeiro a fevereiro, o SMA de 100 dias manteve o curso e não recusou. O SMA de 50 dias se encaixa em algum lugar entre as médias móveis de 10 a 100 dias quando se trata do fator de atraso. Médias móveis simples e exponentes Mesmo que existam diferenças claras entre médias móveis simples e médias móveis exponenciais, uma não é necessariamente melhor do que a outra. As médias móveis exponenciais têm menos atrasos e, portanto, são mais sensíveis aos preços recentes - e as recentes mudanças nos preços. As médias móveis exponentes virão antes das médias móveis simples. As médias móveis simples, por outro lado, representam uma verdadeira média de preços durante todo o período de tempo. Como tal, as médias móveis simples podem ser mais adequadas para identificar níveis de suporte ou resistência. A preferência média móvel depende dos objetivos, do estilo analítico e do horizonte temporal. Os cartistas devem experimentar com os dois tipos de médias móveis, bem como diferentes prazos para encontrar o melhor ajuste. O gráfico abaixo mostra a IBM com SMA de 50 dias em vermelho e EMA de 50 dias em verde. Ambos atingiram o pico no final de janeiro, mas o declínio no EMA foi mais acentuado do que o declínio no SMA. A EMA apareceu em meados de fevereiro, mas a SMA continuou abaixo até o final de março. Observe que o SMA apareceu mais de um mês após o EMA. Comprimentos e prazos O comprimento da média móvel depende dos objetivos analíticos. As médias de baixa movimentação (5-20 períodos) são mais adequadas para tendências de curto prazo e negociação. Chartists interessados ​​em tendências de médio prazo optariam por médias móveis mais longas que poderiam estender 20-60 períodos. Os investidores de longo prazo preferirão médias móveis com 100 ou mais períodos. Alguns comprimentos médios móveis são mais populares do que outros. A média móvel de 200 dias é talvez a mais popular. Devido ao seu comprimento, esta é claramente uma média móvel a longo prazo. Em seguida, a média móvel de 50 dias é bastante popular para a tendência de médio prazo. Muitos cartéescos usam as médias móveis de 50 dias e 200 dias juntos. A curto prazo, uma média móvel de 10 dias foi bastante popular no passado porque era fácil de calcular. Simplesmente adicionou os números e moveu o ponto decimal. Identificação da tendência Os mesmos sinais podem ser gerados usando médias móveis simples ou exponenciais. Conforme mencionado acima, a preferência depende de cada indivíduo. Estes exemplos abaixo usarão médias móveis simples e exponenciais. O termo média móvel aplica-se a médias móveis simples e exponenciais. A direção da média móvel transmite informações importantes sobre os preços. Uma média móvel ascendente mostra que os preços geralmente aumentam. Uma média decrescente indica que os preços, em média, estão caindo. Uma média móvel crescente a longo prazo reflete uma tendência de alta de longo prazo. Uma média móvel decrescente a longo prazo reflete uma tendência de baixa a longo prazo. O gráfico acima mostra 3M (MMM) com uma média móvel exponencial de 150 dias. Este exemplo mostra o quão bem as médias móveis funcionam quando a tendência é forte. A EMA de 150 dias desistiu em novembro de 2007 e novamente em janeiro de 2008. Observe que demorou 15 para reverter a direção dessa média móvel. Esses indicadores de atraso identificam inversões de tendência à medida que ocorrem (na melhor das hipóteses) ou após elas ocorrerem (na pior das hipóteses). O MMM continuou a baixar em março de 2009 e depois aumentou 40-50. Observe que a EMA de 150 dias não apareceu até depois desse aumento. Uma vez que fez, no entanto, MMM continuou mais alto nos próximos 12 meses. As médias móveis funcionam de forma brilhante em fortes tendências. Crossovers duplos Duas médias móveis podem ser usadas em conjunto para gerar sinais de cruzamento. Na Análise Técnica dos Mercados Financeiros. John Murphy chama isso de método de cruzamento duplo. Os cruzamentos duplos envolvem uma média móvel relativamente curta e uma média móvel relativamente longa. Tal como acontece com todas as médias móveis, o comprimento geral da média móvel define o prazo para o sistema. Um sistema que usasse EMA de 5 dias e EMA de 35 dias seria considerado de curto prazo. Um sistema que utilizasse SMA de 50 dias e SMA de 200 dias seria considerado de médio prazo, talvez até de longo prazo. Um cruzamento de alta ocorre quando a média móvel mais curta cruza acima da média móvel mais longa. Isso também é conhecido como uma cruz dourada. Um cruzamento de baixa ocorre quando a média móvel mais curta passa abaixo da média móvel mais longa. Isso é conhecido como uma cruz morta. Os fluxos médios móveis produzem sinais relativamente tardios. Afinal, o sistema emprega dois indicadores de atraso. Quanto maiores forem os períodos médios móveis, maior o atraso nos sinais. Esses sinais funcionam bem quando uma boa tendência se apodera. No entanto, um sistema de cruzamento médio móvel produzirá muitos whipsaws na ausência de uma forte tendência. Existe também um método de cruzamento triplo que envolve três médias móveis. Novamente, um sinal é gerado quando a média móvel mais curta cruza as duas médias móveis mais longas. Um simples sistema de crossover triplo pode envolver médias móveis de 5 dias, 10 dias e 20 dias. O gráfico acima mostra Home Depot (HD) com EMA de 10 dias (linha pontilhada verde) e EMA de 50 dias (linha vermelha). A linha preta é o fechamento diário. O uso de um crossover médio móvel teria resultado em três whipsaws antes de obter um bom comércio. A EMA de 10 dias quebrou abaixo da EMA de 50 dias no final de outubro (1), mas isso não durou tanto quanto o 10 dias se movia de volta acima em meados de novembro (2). Esta cruz durou mais tempo, mas o próximo cruzamento de baixa em janeiro (3) ocorreu perto dos níveis de preços finais de novembro, resultando em outro whipsaw. Esta cruz de baixa não durou tanto quanto a EMA de 10 dias voltou atrás dos 50 dias alguns dias depois (4). Depois de três sinais ruins, o quarto sinal anunciou um forte movimento à medida que o estoque avançou acima de 20. Há duas coisas para levar aqui. Primeiro, os cruzamentos são propensos a whipsaw. Um filtro de preço ou tempo pode ser aplicado para ajudar a evitar whipsaws. Os comerciantes podem exigir que o crossover durar 3 dias antes de atuar ou exigir que o EMA de 10 dias se mova acima de uma EMA de 50 dias por uma certa quantidade antes de agir. Em segundo lugar, o MACD pode ser usado para identificar e quantificar esses cruzamentos. MACD (10,50,1) mostrará uma linha que representa a diferença entre as duas médias móveis exponenciais. O MACD se torna positivo durante uma cruz dourada e negativo durante uma cruz morta. O Percentage Price Oscillator (PPO) pode ser usado da mesma maneira para mostrar diferenças percentuais. Note-se que o MACD eo PPO são baseados em médias móveis exponenciais e não coincidirão com médias móveis simples. Este gráfico mostra Oracle (ORCL) com a EMA de 50 dias, EMA de 200 dias e MACD (50.200,1). Houve quatro passagens médias móveis ao longo de um período de 2 1 2 anos. Os três primeiros resultaram em whipsaws ou negócios ruins. Uma tendência sustentada começou com o quarto crossover, já que a ORCL avançou até o meio da década de 20. Mais uma vez, os cruzamentos médios móveis funcionam bem quando a tendência é forte, mas produzem perdas na ausência de uma tendência. Crossovers de preços As médias móveis também podem ser usadas para gerar sinais com crossovers de preços simples. Um sinal de alta é gerado quando os preços se movem acima da média móvel. Um sinal de baixa é gerado quando os preços se movem abaixo da média móvel. Os cruzamentos de preços podem ser combinados para negociar dentro da tendência maior. A média móvel mais longa define o tom para a tendência maior e a média móvel mais curta é usada para gerar os sinais. Um seria procurar cruzes de preços otimistas somente quando os preços já estão acima da média móvel mais longa. Isso seria negociado em harmonia com a maior tendência. Por exemplo, se o preço estiver acima da média móvel de 200 dias, os chartists só se concentrarão em sinais quando o preço se mova acima da média móvel de 50 dias. Obviamente, um movimento abaixo da média móvel de 50 dias precederia esse sinal, mas tais cruzes de baixa seria ignoradas porque a maior tendência foi aumentada. Uma cruz grosseira simplesmente sugeriria uma retração dentro de uma maior tendência de alta. Um cruzamento acima da média móvel de 50 dias indicaria uma recuperação dos preços e a continuação da maior tendência de alta. O próximo gráfico mostra Emerson Electric (EMR) com a EMA de 50 dias e EMA de 200 dias. O estoque moveu-se acima e manteve-se acima da média móvel de 200 dias em agosto. Havia mergulhos abaixo da EMA de 50 dias no início de novembro e novamente no início de fevereiro. Os preços rapidamente se movimentaram atrás do EMA de 50 dias para fornecer sinais de alta (setas verdes) em harmonia com a maior tendência de alta. MACD (1,50,1) é mostrado na janela do indicador para confirmar cruzamentos de preços acima ou abaixo do EMA de 50 dias. A EMA de 1 dia é igual ao preço de fechamento. MACD (1,50,1) é positivo quando o fechamento está acima do EMA de 50 dias e negativo quando o fechamento está abaixo da EMA de 50 dias. Suporte e resistência As médias móveis também podem atuar como suporte em uma tendência de alta e resistência em uma tendência de baixa. Uma tendência de alta de curto prazo pode encontrar suporte perto da média móvel simples de 20 dias, que também é usada nas Bandas de Bollinger. Uma tendência de alta de longo prazo pode encontrar suporte perto da média móvel simples de 200 dias, que é a média móvel mais popular a longo prazo. De fato, a média móvel de 200 dias pode oferecer suporte ou resistência simplesmente porque é tão amplamente utilizada. É quase como uma profecia auto-realizável. O gráfico acima mostra o NY Composite com a média móvel simples de 200 dias de meados de 2004 até o final de 2008. Os 200 dias fornecidos suportam várias vezes durante o avanço. Uma vez que a tendência revertida com uma quebra de suporte de topo duplo, a média móvel de 200 dias atuou como resistência em torno de 9500. Não espere um suporte exato e níveis de resistência a partir de médias móveis, especialmente médias móveis mais longas. Os mercados são impulsionados pela emoção, o que os torna propensos a superar. Em vez de níveis exatos, médias móveis podem ser usadas para identificar zonas de suporte ou resistência. Conclusões As vantagens de usar médias móveis precisam ser ponderadas contra as desvantagens. As médias móveis são seguidores de tendência, ou atrasos, indicadores que sempre estarão um passo atrás. Isso não é necessariamente uma coisa ruim. Afinal, a tendência é seu amigo e é melhor negociar na direção da tendência. As médias móveis asseguram que um comerciante esteja em linha com a tendência atual. Mesmo que a tendência seja sua amiga, os títulos gastam uma grande quantidade de tempo nos intervalos de negociação, o que torna as médias móveis ineficazes. Uma vez em uma tendência, as médias móveis o manterão, mas também darão sinais tardios. Don039t espera vender no topo e compre no fundo usando médias móveis. Tal como acontece com a maioria das ferramentas de análise técnica, as médias móveis não devem ser usadas por conta própria, mas em conjunto com outras ferramentas complementares. Os cartistas podem usar médias móveis para definir a tendência geral e, em seguida, usar RSI para definir níveis de sobrecompra ou sobrevenda. Adicionando médias móveis para gráficos de ações A média móvel está disponível como um recurso de sobreposição de preço na bancada de trabalho SharpCharts. Usando o menu suspenso Overlays, os usuários podem escolher uma média móvel simples ou uma média móvel exponencial. O primeiro parâmetro é usado para definir o número de períodos de tempo. Um parâmetro opcional pode ser adicionado para especificar qual campo de preço deve ser usado nos cálculos - O para Open, H para High, L para Low e C para o Close. Uma vírgula é usada para separar os parâmetros. Outro parâmetro opcional pode ser adicionado para mudar as médias móveis para o lado esquerdo (passado) ou para a direita (futuro). Um número negativo (-10) deslocaria a média móvel para os 10 períodos esquerdos. Um número positivo (10) deslocaria a média móvel para os 10 períodos certos. Múltiplas médias móveis podem ser sobrepostas ao gráfico de preços simplesmente adicionando outra linha de sobreposição ao banco de trabalho. Os membros do StockCharts podem alterar as cores e o estilo para diferenciar entre médias móveis múltiplas. Depois de selecionar um indicador, abra Opções avançadas clicando no pequeno triângulo verde. Opções avançadas também podem ser usadas para adicionar uma sobreposição média móvel a outros indicadores técnicos como RSI, CCI e Volume. Clique aqui para um gráfico ao vivo com várias médias móveis diferentes. Usando Médias em Movimento com Análises de StockCharts Aqui estão algumas varreduras de amostra que os membros do StockCharts podem usar para escanear várias situações de média móvel: Cruzada média móvel alta: Esta varredura procura ações com uma média móvel crescente de 150 dias e uma cruz de alta dos 5 EMA EMA e EMA de 35 dias. A média móvel de 150 dias está aumentando, desde que esteja negociando acima do nível cinco dias atrás. Uma cruz de alta ocorre quando o EMA de 5 dias se move acima do EMA de 35 dias no volume acima da média. Croácia média móvel baixa: esta pesquisa procura ações com uma média móvel decrescente de 150 dias e uma cruz descendente da EMA de 5 dias e EMA de 35 dias. A média móvel de 150 dias está caindo enquanto estiver negociando abaixo do nível cinco dias atrás. Uma cruz descendente ocorre quando a EMA de 5 dias se move abaixo do EMA de 35 dias no volume acima da média. Estudo adicional O livro de John Murphy039 tem um capítulo dedicado às médias móveis e seus vários usos. Murphy cobre os prós e contras das médias móveis. Além disso, Murphy mostra como as médias móveis funcionam com Bollinger Bands e sistemas de negociação baseados em canais. Análise Técnica dos Mercados Financeiros John Murphy