Linear vs moving average trendline no Brasil

Excel: Trendlines Um dos métodos mais fáceis para adivinhar uma tendência geral em seus dados é adicionar uma linha de tendência a um gráfico. O Trendline é um pouco semelhante a uma linha em um gráfico de linha, mas não conectar cada ponto de dados exatamente como faz um gráfico de linha. Uma linha de tendência representa todos os dados. Isso significa que pequenas exceções ou erros estatísticos não distraem o Excel quando se trata de encontrar a fórmula certa. Em alguns casos, você também pode usar a linha de tendência para prever dados futuros. Gráficos que suportam linhas de tendência A linha de tendência pode ser adicionada a gráficos em 2D, como Área, Barra, Coluna, Linha, Estoque, XY (Scatter) e Bolha. Você não pode adicionar uma linha de tendência para gráficos 3-D, Radar, Pie, Área ou Donut. Adicionando uma linha de tendência Depois de criar um gráfico, clique com o botão direito do mouse na série de dados e escolha Adicionar trendlinehellip. Um novo menu aparecerá à esquerda do gráfico. Aqui, você pode escolher um dos tipos de linha de tendência, clicando em um dos botões de opção. Abaixo das linhas de tendência, existe uma posição chamada Display R-squared value no gráfico. Ele mostra como uma linha de tendência é ajustada aos dados. Ele pode obter valores de 0 a 1. Quanto mais próximo o valor for 1, melhor se adapta ao seu gráfico. Tipos de tendência Linear trendline Esta linha de tendência é usada para criar uma linha reta para conjuntos de dados simples e lineares. Os dados são lineares se os pontos de dados do sistema se assemelham a uma linha. A linha de tendência linear indica que algo está aumentando ou diminuindo em uma taxa constante. Aqui está um exemplo de vendas de computadores para cada mês. Linha de tendência logarítmica A linha de tendência logarítmica é útil quando você tem que lidar com dados onde a taxa de mudança aumenta ou diminui rapidamente e depois se estabiliza. No caso de uma linha de tendência logarítmica, você pode usar valores negativos e positivos. Um bom exemplo de uma linha de tendência logarítmica pode ser uma crise econômica. Primeiro a taxa de desemprego está ficando maior, mas depois de um tempo a situação se estabiliza. Linhas de tendência polinomiais Esta linha de tendência é útil quando você trabalha com dados oscilantes - por exemplo, quando você analisa ganhos e perdas em um conjunto de dados grande. O grau do polinômio pode ser determinado pelo número de flutuações de dados ou pelo número de curvas, ou seja, as colinas e vales que aparecem na curva. Uma linha de tendência polinomial de ordem 2 geralmente tem uma colina ou vale. Ordem 3 geralmente tem uma ou duas colinas ou vales. Ordem 4 geralmente tem até três. O exemplo a seguir ilustra a relação entre a velocidade eo consumo de combustível. Linhas de tendência de energia Esta linha de tendência é útil para conjuntos de dados que são usados ​​para comparar resultados de medição que aumentam a uma taxa predeterminada. Por exemplo, a aceleração de um carro de corrida em intervalos de um segundo. Você não pode criar uma linha de tendência de energia se seus dados contiverem valores zero ou negativos. Linha de tendência exponencial A linha de tendência exponencial é mais útil quando os valores de dados aumentam ou caem a taxas constantemente crescentes. É freqüentemente usado em ciências. Pode descrever uma população que está crescendo rapidamente em gerações subseqüentes. Você não pode criar uma linha de tendência exponencial se seus dados contiverem valores zero ou negativos. Um bom exemplo para esta linha de tendência é a decadência do C-14. Como você pode ver este é um exemplo perfeito de uma linha de tendência exponencial porque o valor R-quadrado é exatamente 1. Movendo a média A média móvel suaviza as linhas para mostrar um padrão ou tendência mais claramente. O Excel faz isso calculando a média móvel de um certo número de valores (definido por uma opção Período), que por padrão é definido como 2. Se você aumentar esse valor, a média será calculada a partir de mais pontos de dados para que a linha Será ainda mais suave. A média móvel mostra tendências que de outra forma seria difícil de ver devido ao ruído nos dados. Um bom exemplo de um uso prático desta linha de tendência pode ser um mercado de Forex. Modelos de média móvel e exponencial de suavização Como um primeiro passo para ir além de modelos de média, modelos de tendência linear e tendências lineares, padrões e tendências não sazonais podem ser extrapolados usando um Modelo de média móvel ou suavização. A suposição básica por trás dos modelos de média e suavização é que a série temporal é estacionária localmente com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e, em seguida, usá-lo como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio eo modelo randômico-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é chamada frequentemente uma versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de alisar para fora os solavancos na série original. Ajustando o grau de suavização (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O tipo mais simples de modelo de média é o. Média Móvel Simples (igualmente ponderada): A previsão para o valor de Y no tempo t1 que é feita no tempo t é igual à média simples das observações m mais recentes: (Aqui e em outro lugar usarei o símbolo 8220Y-hat8221 para ficar Para uma previsão da série de tempo Y feita o mais cedo possível antes de um determinado modelo). Esta média é centrada no período t (m1) 2, o que implica que a estimativa da média local tende a ficar aquém do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Dessa forma, dizemos que a idade média dos dados na média móvel simples é (m1) 2 em relação ao período para o qual a previsão é calculada: é a quantidade de tempo que as previsões tendem a ficar atrás dos pontos de viragem nos dados . Por exemplo, se você estiver calculando a média dos últimos 5 valores, as previsões serão cerca de 3 períodos atrasados ​​em responder a pontos de viragem. Observe que se m1, o modelo de média móvel simples (SMA) é equivalente ao modelo de caminhada aleatória (sem crescimento). Se m é muito grande (comparável ao comprimento do período de estimação), o modelo SMA é equivalente ao modelo médio. Como com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfitquot aos dados, isto é, os erros de previsão mais baixos em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta. Primeiro, vamos tentar encaixá-lo com um modelo de caminhada aleatória, o que equivale a uma média móvel simples de 1 termo: O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo escolhe grande parte do quotnoisequot na Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se preferirmos tentar uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves: a média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nessa previsão é 3 ((51) 2), de modo que ela tende a ficar atrás de pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virar até vários períodos mais tarde.) Observe que as previsões de longo prazo do modelo SMA são uma linha reta horizontal, assim como na caminhada aleatória modelo. Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões a partir do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões do modelo SMA são iguais a uma média ponderada de valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se alargam à medida que o horizonte de previsão aumenta. Isto obviamente não é correto Infelizmente, não há uma teoria estatística subjacente que nos diga como os intervalos de confiança devem se ampliar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de longo prazo. Por exemplo, você poderia configurar uma planilha na qual o modelo SMA seria usado para prever 2 passos à frente, 3 passos à frente, etc. dentro da amostra de dados históricos. Você poderia então calcular os desvios padrão da amostra dos erros em cada horizonte de previsão e então construir intervalos de confiança para previsões de longo prazo adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obteremos previsões ainda mais suaves e mais de um efeito retardado: A idade média é agora de 5 períodos ((91) 2). Se tomarmos uma média móvel de 19 períodos, a idade média aumenta para 10: Observe que, na verdade, as previsões estão agora atrasadas por volta dos pontos de inflexão por cerca de 10 períodos. A quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3-termo: Modelo C, a média móvel de 5-termo, rende o menor valor de RMSE por uma pequena margem sobre o 3 E médias de 9-termo, e suas outras estatísticas são quase idênticas. Assim, entre modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações de forma igual e ignora completamente todas as observações anteriores. (Voltar ao início da página.) Browns Simple Exponential Smoothing (média ponderada exponencialmente ponderada) Intuitivamente, os dados passados ​​devem ser descontados de forma mais gradual - por exemplo, a observação mais recente deve ter um pouco mais de peso que a segunda mais recente, ea segunda mais recente deve ter um pouco mais de peso do que a 3ª mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Vamos 945 denotar uma constante quotsmoothingquot (um número entre 0 e 1). Uma maneira de escrever o modelo é definir uma série L que represente o nível atual (isto é, o valor médio local) da série, conforme estimado a partir dos dados até o presente. O valor de L no tempo t é calculado recursivamente a partir de seu próprio valor anterior como este: Assim, o valor suavizado atual é uma interpolação entre o valor suavizado anterior e a observação atual, onde 945 controla a proximidade do valor interpolado para o mais recente observação. A previsão para o próximo período é simplesmente o valor suavizado atual: Equivalentemente, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação entre previsão anterior e observação anterior: Na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior por uma fração 945. é o erro feito em Tempo t. Na terceira versão, a previsão é uma média móvel exponencialmente ponderada (ou seja, descontada) com o fator de desconto 1- 945: A versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha: ela se encaixa em um Célula única e contém referências de células que apontam para a previsão anterior, a observação anterior ea célula onde o valor de 945 é armazenado. Observe que se 945 1, o modelo SES é equivalente a um modelo de caminhada aleatória (sem crescimento). Se 945 0, o modelo SES é equivalente ao modelo médio, assumindo que o primeiro valor suavizado é definido igual à média. A idade média dos dados na previsão de suavização exponencial simples é de 1 945 em relação ao período para o qual a previsão é calculada. (Isto não é suposto ser óbvio, mas pode facilmente ser mostrado avaliando uma série infinita.) Daqui, a tendência média simples da tendência tende a retardar-se atrás dos pontos de giro por aproximadamente 1 945 períodos. Por exemplo, quando 945 0,5 o atraso é 2 períodos quando 945 0,2 o atraso é de 5 períodos quando 945 0,1 o atraso é de 10 períodos, e assim por diante. Para uma determinada idade média (isto é, a quantidade de atraso), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão de média móvel simples (SMA) porque coloca relativamente mais peso na observação mais recente - i. e. É ligeiramente mais quotresponsivequot às mudanças que ocorrem no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 têm uma idade média de 5 para os dados nas suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no modelo SMA. Uma outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser otimizado com facilidade Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor óptimo de 945 no modelo SES para esta série revela-se 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é 10.2961 3.4 períodos, que é semelhante ao de uma média móvel simples de 6-termo. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA e no modelo randômico sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoável, e que eles são substancialmente mais estreitos do que os intervalos de confiança para o modelo de caminhada aleatória. O modelo SES assume que a série é um tanto quotmore previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Assim a teoria estatística dos modelos ARIMA fornece uma base sólida para o cálculo de intervalos de confiança para o modelo SES. Em particular, um modelo SES é um modelo ARIMA com uma diferença não sazonal, um termo MA (1) e nenhum termo constante. Também conhecido como modelo quotARIMA (0,1,1) sem constantequot. O coeficiente MA (1) no modelo ARIMA corresponde à quantidade 1-945 no modelo SES. Por exemplo, se você ajustar um modelo ARIMA (0,1,1) sem constante para a série aqui analisada, o coeficiente MA estimado (1) resulta ser 0,7029, que é quase exatamente um menos 0,2961. É possível adicionar a hipótese de uma tendência linear constante não-zero para um modelo SES. Para fazer isso, basta especificar um modelo ARIMA com uma diferença não sazonal e um termo MA (1) com uma constante, ou seja, um modelo ARIMA (0,1,1) com constante. As previsões a longo prazo terão então uma tendência que é igual à tendência média observada durante todo o período de estimação. Você não pode fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desativadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial de longo prazo constante a um modelo de suavização exponencial simples (com ou sem ajuste sazonal) usando a opção de ajuste de inflação no procedimento de Previsão. A taxa adequada de inflação (crescimento percentual) por período pode ser estimada como o coeficiente de declive num modelo de tendência linear ajustado aos dados em conjunto com uma transformação de logaritmo natural, ou pode basear-se em outra informação independente sobre as perspectivas de crescimento a longo prazo . (Voltar ao início da página.) Browns Linear (ie duplo) Suavização exponencial Os modelos SMA e SES assumem que não há tendência de qualquer tipo nos dados (o que normalmente é OK ou pelo menos não muito ruim para 1- Antecipadamente quando os dados são relativamente ruidosos), e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. O que acontece com as tendências de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaque claramente contra o ruído, e se houver uma necessidade de prever mais do que um período à frente, a estimativa de uma tendência local também pode ser um problema. O modelo de suavização exponencial simples pode ser generalizado para obter um modelo linear de suavização exponencial (LES) que calcula as estimativas locais de nível e tendência. O modelo de tendência de variação de tempo mais simples é o modelo de alisamento exponencial linear de Browns, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos do tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. (Uma versão mais sofisticada deste modelo, Holt8217s, é discutida abaixo.) A forma algébrica do modelo de suavização exponencial linear de Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em várias formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida aplicando-se a suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, Exponencial, esta seria a previsão para Y no período t1.) Então deixe Squot denotar a série duplamente-alisada obtida aplicando a suavização exponencial simples (usando o mesmo 945) à série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dado por: Isto resulta em e 1 0 (isto é, enganar um pouco, e deixar a primeira previsão igual à primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isto produz os mesmos valores ajustados que a fórmula baseada em S e S se estes últimos foram iniciados utilizando S 1 S 1 Y 1. Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt8217s Linear Exponential Smoothing Brown8217s O modelo LES calcula as estimativas locais de nível e tendência alisando os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de ajustar: o nível ea tendência Não podem variar em taxas independentes. Holt8217s modelo LES aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência. Em qualquer momento t, como no modelo Brown8217s, existe uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui eles são calculados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado ea tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão para Y tshy que teria sido feita no tempo t-1 é igual a L t-1 T t-1. Quando o valor real é observado, a estimativa atualizada do nível é calculada recursivamente pela interpolação entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1-945. A mudança no nível estimado, Nomeadamente L t 8209 L t82091. Pode ser interpretado como uma medida ruidosa da tendência no tempo t. A estimativa actualizada da tendência é então calculada recursivamente pela interpolação entre L t 8209 L t82091 e a estimativa anterior da tendência, T t-1. Usando pesos de 946 e 1-946: A interpretação da constante de suavização de tendência 946 é análoga à da constante de suavização de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda apenas muito lentamente ao longo do tempo, enquanto modelos com Maior 946 supor que está mudando mais rapidamente. Um modelo com um 946 grande acredita que o futuro distante é muito incerto, porque os erros na tendência-estimativa tornam-se completamente importantes ao prever mais de um período adiante. As constantes de suavização 945 e 946 podem ser estimadas da maneira usual minimizando o erro quadrático médio das previsões de 1 passo à frente. Quando isso é feito em Statgraphics, as estimativas se tornam 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados que é utilizada na estimativa do nível local da série, a idade média dos dados que são utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a . Neste caso, isto é 10.006 125. Isto não é um número muito preciso, na medida em que a precisão da estimativa de 946 é realmente de 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, então Este modelo está calculando a média sobre bastante muita história em estimar a tendência. O gráfico de previsão abaixo mostra que o modelo LES estima uma tendência local ligeiramente maior no final da série do que a tendência constante estimada no modelo SEStrend. Além disso, o valor estimado de 945 é quase idêntico ao obtido pela montagem do modelo SES com ou sem tendência, de modo que este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis ​​para um modelo que é suposto ser estimar uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram calculados minimizando o erro quadrático das previsões de um passo à frente, e não as previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está olhando são 1-passo-frente erros, você não está vendo a imagem maior de tendências sobre (digamos) 10 ou 20 períodos. A fim de obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de alisamento constante para que ele usa uma linha de base mais curto para a estimativa de tendência. Por exemplo, se escolhemos definir 946 0,1, então a idade média dos dados usados ​​na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo a média da tendência ao longo dos últimos 20 períodos. Here8217s o que o lote de previsão parece se definimos 946 0,1, mantendo 945 0,3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso para extrapolar esta tendência mais de 10 períodos no futuro. E sobre as estatísticas de erro Aqui está uma comparação de modelos para os dois modelos mostrados acima, bem como três modelos SES. O valor ótimo de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com ligeiramente mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 0,3048 e beta 0,008 (B) Holts linear exp. Alisamento com alfa 0,3 e beta 0,1 (C) Suavização exponencial simples com alfa 0,5 (D) Suavização exponencial simples com alfa 0,3 (E) Suavização exponencial simples com alfa 0,2 Suas estatísticas são quase idênticas, portanto, realmente não podemos fazer a escolha com base De erros de previsão de 1 passo à frente dentro da amostra de dados. Temos de recorrer a outras considerações. Se acreditarmos firmemente que faz sentido basear a estimativa da tendência atual sobre o que aconteceu nos últimos 20 períodos, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se queremos ser agnósticos quanto à existência de uma tendência local, então um dos modelos do SES pode ser mais fácil de explicar e também dar mais previsões de médio-caminho para os próximos 5 ou 10 períodos. Evidências empíricas sugerem que, se os dados já tiverem sido ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar os resultados lineares de curto prazo Muito para o futuro. As tendências evidentes hoje podem afrouxar no futuro devido às causas variadas tais como a obsolescência do produto, a competição aumentada, e os abrandamentos cíclicos ou as ascensões em uma indústria. Por esta razão, a suavização exponencial simples geralmente desempenha melhor fora da amostra do que poderia ser esperado, apesar de sua extrapolação de tendência horizontal quotnaivequot. Modificações de tendência amortecida do modelo de suavização exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES com tendência a amortecimento pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA (1,1,2). É possível calcular intervalos de confiança em torno de previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de suavização (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos à frente que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 fica maior no modelo SES e eles se espalham muito mais rápido quando se usa linear ao invés de alisamento simples. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Retornar ao início da página.) Linhas de tendência Uma linha de tendência (abreviada para linha de tendência em outro lugar deste site) é simplesmente um indicador de momentum. Ele mede a taxa de aumento no preço da ação ao longo do tempo e alerta você para qualquer aceleração ou desaceleração da tendência. A diferença entre as linhas de tendência e outros indicadores de momentum é que você usa um super-computador (o cérebro humano) para identificar visualmente a tendência, ao invés de uma fórmula simplista calculada em seu PC. Desenhar linhas de tendência através dos mínimos de uma tendência ascendente e através das altas de uma tendência descendente Em gráficos de longo prazo, desenhar linhas de tendência através de preços de fechamento Use gráficos de escala normal ou log, mas estar ciente de suas respectivas fraquezas Trendlines devem ser respeitados por Pelo menos três baixos (ou altos em uma tendência descendente) se respeitado duas vezes, a linha de tendência ainda não está confirmada Linhas de tendência não deve cruzar (cortar transversalmente) preço em qualquer ponto do gráfico se estendido. Linhas de tendência não prevêem níveis de suporte e resistência. A sustentação e a resistência funcionam horizontalmente não em um ângulo. Para obter uma explicação do básico, consulte Suporte e Resistência. Muitos comerciantes confundem os dois conceitos: a linha inferior em um canal de tendência é muitas vezes referida como a linha de tendência de apoio. Em um gráfico de curto prazo (6 meses ou menos), traçar linhas de tendência através dos pontos baixos durante uma tendência ascendente. E através de elevações durante uma tendência descendente. Em um gráfico de longo prazo, linhas de tendência desenhadas com preço de fechamento são mais eficazes. A linha de tendência inferior foi desenhada de acordo com os mínimos diários, para ilustrar este ponto. Tem havido muito debate sobre o Fórum Gráfico ao longo dos anos sobre se as linhas de tendência devem ser desenhadas em escala de log ou gráficos de escala normal. O caso da escala log foi resumido pela Alsoran como: Brokers e analistas gráfico no modo log. Eles aconselham clientes institucionais cujo fluxo de pedidos tem um impacto marcante na ação de preços e na tendência. Seu conselho é fortemente influenciado por quebras e recusas de preço em linhas de tendência e canais-chave. Estes são baseados em gráficos logarítmicos. As linhas de tendência logarítmicas são, portanto, mais importantes. O caso das linhas de tendência de escala normal (lineares): A maioria dos autores comerciais usa gráficos lineares: Stan Weinstein, Alexander Elder, Chris Tate e Daryl Guppy. É questionável se a maioria dos analistas e corretores usam gráficos de escala de log. Muitos autores comerciais (incluindo Stan Weinstein e Chris Tate) são antigos analistas ou corretores e utilizam gráficos lineares. Na minha opinião, os dois lados estão falando sobre diferentes quadros de tempo gráficos de escala normal comparar preço contra tempo. Você gráfico a velocidade de um carro de uma maneira semelhante: distância (y) ao longo do tempo (x). Se um carro viaja a uma velocidade constante, o gráfico será uma linha reta. Se parar, a linha será horizontal. Se acelerar, o gráfico mostrará uma curva. Gráficos de log não são projetados para medir a velocidade, eles medem a aceleração. A taxa de crescimento dos preços das ações. Uma velocidade constante será representada como uma curva de achatamento, uma taxa de crescimento constante (aceleração) será representada como uma linha reta. No termo de curto prazo nos concentramos na velocidade: Este aumento de preços de semanas é tão bom quanto na semana passada O período de tempo é muito curto para se preocupar com as taxas de crescimento composto. A maioria das instituições detém ações para o longo prazo e não se preocupam com flutuações de curto prazo. Eles querem saber a taxa de crescimento anual composto um conceito muito diferente da velocidade de curto prazo. Em gráficos de curto e médio prazo (3 anos ou menos), recomendamos que você use escala normal. Para gráficos de longo prazo (mais de 3 anos), use gráficos de escala normal (linear) ou log, mas esteja ciente de suas respectivas forças e fraquezas. Pessoalmente, eu prefiro desenhar linhas de tendência em gráficos lineares, a menos que estejamos olhando para um período de tempo de 10 ou 20 anos. Linhas de tendência lineares parecem acelerar ao longo do tempo se um estoque cresce a uma taxa composta constante. As linhas de tendência logarítmicas apresentam com mais precisão a taxa de crescimento (ou declínio) em períodos de tempo muito longos. Linhas de tendência lineares parecem desacelerar ao longo do tempo se um estoque declina a uma taxa de crescimento constante (negativo). Linhas de tendência logarítmicas apresentam com mais precisão a taxa de declínio. Linhas de tendência logarítmicas tendem a disfarçar as tendências de aceleração no prazo de curto prazo. Estamos falando de acelerar tendências ao invés de uma taxa de crescimento constante. Tendências de aceleração normalmente terminam em blow-offs (ou catartic sell-offs em uma tendência de baixo), seguido por uma inversão acentuada. Em um gráfico de três anos, a escala normal destaca a tendência de aceleração. Enquanto escala de log tende a camuflar (achatar) a aceleração. Vamos dar uma olhada em alguns dos conceitos básicos em mais detalhes. O que queremos dizer com respeito. O preço deve reverter na proximidade da linha de tendência, mas não atravessá-la. Tome o gráfico Allegheny Energia, a partir de mais cedo, como um exemplo: O que significa proximidade média Preço não tem que tocar a linha de tendência. Qualquer reversão dentro de uma distância razoável é suficiente. No gráfico de três anos abaixo você pode ver que um número de depressões estão aquém da linha de tendência, mas dentro de proximidade suficientemente próxima que se pode dizer que respeitaram a linha de tendência. Gráficos de curto prazo geralmente exibem velas com caudas longas ou sombras quando paradas são abaladas, ou os comerciantes ficam presos em uma falsa pausa, iniciada por profissionais do mercado. Se o diário alto ou baixo fica no caminho de uma linha de tendência óbvia - ignorá-lo, mas não cruzar os preços de fechamento. A negociação foi suspensa, no gráfico acima, por dois dias em fevereiro. Períodos de suspensão mais longos podem distorcer linhas de tendência e os resultados devem ser tratados com cautela. Evite cruzar o preço de fechamento, exceto em um gráfico de longo prazo, se houver um pico que não se encaixa no padrão geral. E só fazê-lo em circunstâncias excepcionais: a tendência deve ser realmente óbvia. As quebras de linha de tendência sinalizam uma mudança no momento não necessariamente uma mudança na tendência. Trendline quebra frequentemente olhar óbvio com retrospectiva, mas você encontrará normalmente que a linha de tendência representada não foi a primeira desenhada: várias linhas de tendência podem ser quebradas antes que haja uma inversão de tendência. Se a negociação de curto prazo ou swing negociação, agir sobre quebra de linha de tendência quando você receber confirmação de preço (ou confirmação de outro indicador), como faria para qualquer outro indicador de momentum. No longo prazo, as linhas de tendência são uma ferramenta eficaz para sair de tendências que têm spiked em um blow-off (ou down-tendências que têm spiked em um cathartic sell-off). Uma tendência de aceleração rápida, ou blow-off, é normalmente identificada por pelo menos 3 linhas de tendência de aceleração, cada uma com um gradiente acentuadamente mais acentuado do que o anterior. Yahoo apresenta um exemplo clássico em 19992000. Quebras de linha de tendência normal em gráficos de longo prazo devem ser tratados como um alerta em vez de como um sinal de inversão de tendência. A primeira linha de tendência desenhada após uma cabeça e ombros invertidos é quebrada em 1, indicando que a dinâmica está diminuindo. Os testes de preços suportam em 8.00 várias vezes antes de retomar a tendência ascendente, estabelecendo uma segunda linha de tendência em 2. Se a tendência de aumento continuar, podemos desenhar Uma terceira linha de tendência: através da baixa em 8.00 e da baixa em 14.00 A tendência 2 acima foi confirmada ainda