PREÇO DO Fator Sazonal - a porcentagem da demanda trimestral média que ocorre em cada trimestre. A previsão anual para o ano 4 prevê ser de 400 unidades. A previsão média por trimestre é de 4004 100 unidades. Previsão trimestral avg. Previsão do fator sazonal. MÉTODOS DE PREVISÃO CAUSAL métodos de previsão causais são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: a equação matemática relaciona uma variável dependente a uma ou mais variáveis independentes que se acredita que influenciam a variável dependente 2. modelos econométricos: sistema de equações de regressão interdependentes que descrevem alguns setores da atividade econômica 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro e, assim, prevê os insumos necessários para produzir resultados em outro setor 4. Modelagem de simulação MEDIANDO ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a serem preocupados - Bias e Bias de Precisão - Uma previsão é tendenciosa se ele se equivoca mais em uma direção do que no outro - O método tende a prever ou prever demais. Precisão - A precisão da previsão refere-se à distância das previsões da demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as previsões e a demanda real foram rastreadas. A tabela a seguir apresenta demanda real D t e demanda prevista F t por seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170 6 28,33 quadrado médio Erro (MSE) 5150 6 858,33 desvio padrão de erros de previsão 5150 6 29,30 erro de porcentagem absoluta média (MAPE) 83,4 6 13,9 O que as informações fornecem uma previsão tem tendência a superestimar o erro médio da demanda por previsão foi de 28,33 unidades, ou 13,9 A distribuição de amostragem real da demanda de erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA SELECIONAR UM MÉTODO DE PREVISÃO Objetivos: 1. Maximizar a Precisão e 2. Minimizar Regras de Potencial de Bias para selecionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, conforme medido pelo erro de previsão acumulado (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou aceita crenças de gerenciamento sobre o padrão subjacente de demanda ou outros. Parece óbvio que alguma medida de precisão e polarização deve ser usada em conjunto. Como o que é sobre o número de períodos a serem amostrados se a demanda for inerentemente estável, valores baixos de e valores maiores de N são sugeridos se a demanda for intrinsecamente instável, valores elevados de valores e e menores de N são sugeridos PREVISÃO DE FOCO previsão de quotfocus refere-se Uma abordagem de previsão que desenvolve previsões por várias técnicas, depois escolhe a previsão que foi produzida pelo quotbestquot dessas técnicas, onde quotbestquot é determinado por alguma medida de erro de previsão. PREVISÃO DE FOCO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um revendedor usa um sistema de previsão de foco com base em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado pela tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 e a média da tendência no final de dezembro foi 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à parte a. Seja diferente se a demanda para maio tivesse sido 14 em vez de 19Explorando a volatilidade média móvel ponderada exponencialmente é a medida de risco mais comum, mas vem em vários sabores. Em um artigo anterior, mostramos como calcular a volatilidade histórica simples. (Para ler este artigo, consulte Usando a volatilidade para avaliar o risco futuro.) Usamos os dados atuais do preço das ações da Googles para calcular a volatilidade diária com base em 30 dias de estoque de dados. Neste artigo, melhoraremos a volatilidade simples e discutiremos a média móvel ponderada exponencialmente (EWMA). Vs históricos. Volatilidade implícita Primeiro, colocamos essa métrica em um pouco de perspectiva. Existem duas abordagens amplas: volatilidade histórica e implícita (ou implícita). A abordagem histórica pressupõe que o passado é o prólogo que medimos a história na esperança de que seja preditivo. A volatilidade implícita, por outro lado, ignora o histórico que resolve para a volatilidade implícita nos preços de mercado. Espera que o mercado conheça melhor e que o preço de mercado contenha, mesmo que de forma implícita, uma estimativa consensual da volatilidade. (Para leitura relacionada, veja Os Usos e Limites da Volatilidade.) Se nos concentrarmos apenas nas três abordagens históricas (à esquerda acima), eles têm dois passos em comum: Calcule a série de retornos periódicos Aplicar um esquema de ponderação Primeiro, nós Calcule o retorno periódico. Isso geralmente é uma série de retornos diários, em que cada retorno é expresso em termos compostos continuamente. Para cada dia, tomamos o log natural da proporção dos preços das ações (ou seja, preço hoje dividido por preço ontem e assim por diante). Isso produz uma série de retornos diários, de u i to u i-m. Dependendo de quantos dias (m dias) estamos medindo. Isso nos leva ao segundo passo: é aqui que as três abordagens diferem. No artigo anterior (Usando o Volatility To Gauge Future Risk), mostramos que sob um par de simplificações aceitáveis, a variância simples é a média dos retornos quadrados: Observe que isso resume cada um dos retornos periódicos, então divide esse total pelo Número de dias ou observações (m). Então, é realmente apenas uma média dos retornos periódicos quadrados. Dito de outra forma, cada retorno quadrado recebe um peso igual. Então, se o alfa (a) é um fator de ponderação (especificamente, um 1m), então uma variância simples parece algo assim: O EWMA melhora a diferença simples. A fraqueza dessa abordagem é que todos os retornos ganham o mesmo peso. O retorno de Yesterdays (muito recente) não tem mais influência na variação do que o retorno dos últimos meses. Esse problema é corrigido usando a média móvel ponderada exponencialmente (EWMA), na qual os retornos mais recentes têm maior peso na variância. A média móvel ponderada exponencialmente (EWMA) apresenta lambda. Que é chamado de parâmetro de suavização. Lambda deve ser inferior a um. Sob essa condição, em vez de pesos iguais, cada retorno quadrado é ponderado por um multiplicador da seguinte forma: por exemplo, RiskMetrics TM, uma empresa de gerenciamento de risco financeiro, tende a usar uma lambda de 0,94 ou 94. Neste caso, o primeiro ( Mais recente) o retorno periódico ao quadrado é ponderado por (1-0,94) (94) 0 6. O próximo retorno ao quadrado é simplesmente um múltiplo lambda do peso anterior neste caso 6 multiplicado por 94 5,64. E o peso do terceiro dia anterior é igual (1-0,94) (0,94) 2 5,30. Esse é o significado de exponencial em EWMA: cada peso é um multiplicador constante (isto é, lambda, que deve ser inferior a um) do peso dos dias anteriores. Isso garante uma variação ponderada ou tendenciosa em relação a dados mais recentes. (Para saber mais, confira a Planilha do Excel para a Volatilidade dos Googles.) A diferença entre a simples volatilidade e o EWMA para o Google é mostrada abaixo. A volatilidade simples efetivamente pesa cada retorno periódico em 0.196 como mostrado na Coluna O (tivemos dois anos de dados diários sobre o preço das ações. Isso é 509 devoluções diárias e 1509 0.196). Mas observe que a coluna P atribui um peso de 6, então 5.64, depois 5.3 e assim por diante. Essa é a única diferença entre variância simples e EWMA. Lembre-se: depois de somar toda a série (na coluna Q), temos a variância, que é o quadrado do desvio padrão. Se queremos volatilidade, precisamos lembrar de tomar a raiz quadrada dessa variância. Qual é a diferença na volatilidade diária entre a variância e EWMA no caso do Googles. É significativo: a variância simples nos deu uma volatilidade diária de 2,4, mas a EWMA deu uma volatilidade diária de apenas 1,4 (veja a planilha para obter detalhes). Aparentemente, a volatilidade de Googles estabeleceu-se mais recentemente, portanto, uma variação simples pode ser artificialmente alta. A diferença de hoje é uma função da diferença de dias de Pior. Você notará que precisamos calcular uma série longa de pesos exponencialmente decrescentes. Nós não vamos fazer a matemática aqui, mas uma das melhores características do EWMA é que toda a série se reduz convenientemente a uma fórmula recursiva: Recursiva significa que as referências de variância de hoje (ou seja, são uma função da variância dos dias anteriores). Você também pode encontrar esta fórmula na planilha e produz exatamente o mesmo resultado que o cálculo de longo prazo. A variação de hoje (sob EWMA) é igual a variância de ontem (ponderada por lambda) mais retorno quadrado de ontem (pesado por menos a lambda). Observe como estamos apenas adicionando dois termos em conjunto: variância ponderada de ontem e atraso de ontem, retorno quadrado. Mesmo assim, lambda é o nosso parâmetro de suavização. Um lambda mais alto (por exemplo, como RiskMetrics 94) indica decadência mais lenta na série - em termos relativos, teremos mais pontos de dados na série e eles vão cair mais devagar. Por outro lado, se reduzirmos a lambda, indicamos maior deterioração: os pesos caem mais rapidamente e, como resultado direto da rápida deterioração, são usados menos pontos de dados. (Na planilha, lambda é uma entrada, para que você possa experimentar sua sensibilidade). Resumo A volatilidade é o desvio padrão instantâneo de um estoque e a métrica de risco mais comum. É também a raiz quadrada da variância. Podemos medir a variação historicamente ou implicitamente (volatilidade implícita). Ao medir historicamente, o método mais fácil é a variância simples. Mas a fraqueza com variância simples é que todos os retornos recebem o mesmo peso. Então, enfrentamos um trade-off clássico: sempre queremos mais dados, mas quanto mais dados temos, mais nosso cálculo será diluído por dados distantes (menos relevantes). A média móvel ponderada exponencialmente (EWMA) melhora a variação simples ao atribuir pesos aos retornos periódicos. Ao fazer isso, podemos usar um grande tamanho de amostra, mas também dar maior peso aos retornos mais recentes. (Para ver um tutorial de filme sobre este tópico, visite a Tartaruga Bionica.)
No comments:
Post a Comment