sábado, 20 de marzo de 2010

PROMEDIOS MOVILES!!!


Los promedios móviles son muy útiles. Los promedios móviles indican el promedio del precio en un punto determinado de tiempo sobre un período de tiempo definido. Se llaman móviles ya que reflejan el último promedio, mientras que se adhieren a la misma medida de tiempo

El promedio móvil, sin embargo, es un indicador retrasado, por lo tanto no indica necesariamente un cambio en la tendencia. Para tratar este tema, el uso de un período más corto de tiempo como ser un promedio móvil de 5 o 10 días reflejaría mejor la acción del precio reciente que un promedio móvil de 40 o 200 días.


Alternativamente, los promedios móviles pueden ser utilizados combinando dos promedios de períodos de tiempo definidos. Aunque use promedios móviles de 5 o 20 días o PM de 40 o 200 días, las señales de compra son detectadas cuando el promedio a corto plazo cruza por encima del promedio a largo plazo. Por el contrario,las señales de venta son sugeridas cuando el promedio más corto cae por debajo del más largo.


Un promedio móvil simple o aritmético es calculado como la suma de un número predeterminado de precios por un cierto número de períodos de tiempo, dividido por el número de períodos de tiempo. El resultado es el precio promedio en dicho período de tiempo. Los promedios móviles simples emplean la misma ponderación para los precios. Es calculado usando la siguiente fórmula:


Promedio Móvil Simple = SUMA (precios de cierre) / n, donde n es el número de períodos.



El Promedio Móvil o PM es el indicador más utilizado en análisis técnico y con razón, ya que es uno de los indicadores técnicos más antiguos que existen.

Un promedio móvil es el precio promedio del mercado en cierto período de tiempo.Un promedio móvil muestra la dirección y la duración de una tendencia. El propósito de un promedio móvil es el mostrar la tendencia, de una forma suavizada.Debido al hecho que el promedio móvil es uno de los indicadores más versátiles y de mayor uso dentro de todos los indicadores, es la base del diseño de la mayoría de sistemas y estrategias utilizados hoy en día.A continuación algunas de las características más comunes de los promedios móviles:El promedio móvil es calculado con cierto período de tiempo predefinido. Mientras más corto el período, mayor la probabilidad de una señal falsa.Mientras más largo el período, menor es la sensibilidad del promedio móvil. Es decir, más certera pero existirán menos señales.


Tipos de Promedios Móviles


Promedio Móvil Simple (SMA): El Promedio Móvil Simple es sin duda el promedio móvil más utilizado hoy en día.El Promedio Móvil Simple es a veces llamado un promedio móvil aritmético y básicamente es un precio promedio a través de un período de tiempo.Se calcula sumando los precios de cierre del par analizado durante cierto período de tiempo y luego se divide dentro del mismo número de períodos.Por ejemplo, el Promedio Móvil de los últimos 10 días del precio de cierre, dividido dentro de 10.Debido al hecho que el Promedio Móvil Simple da el mismo peso a cada período de precio siendo evaluado, mientras más largo sea el período de tiempo evaluado, mayor será la suavización de los datos mas recientes.



Promedio Móvil Ponderado Lineal (LWMA): Un Promedio Móvil Ponderado se calcula a través de la multiplicación de de cada período de tiempo anterior por un peso. El peso esta basado en el número de días del promedio móvil.Un Promedio Móvil Ponderado Lineal, da más peso a información más reciente que a datos más antiguos.El hecho de que es medido linealmente significa que el dato más antiguo recibe un valor de 1, luego el dato que le sigue, un valor de 2, luego el dato que le sigue un valor de 3 y así sucesivamente, hasta que el último dato recibe un peso equivalente al período.Así que en un LWMA de 25, el peso del primer día es 1, mientras que el peso del día más reciente es de 25. Esto da 25 veces más peso al precio de hoy que al de hace 25 días.




Consejos para Operar los promedios Móviles


Recuerde de SIEMPRE confirmar sus puntos de entrada y salida con otros indicadores cuando utiliza cualquiera de las estrategias anteriormente mencionadas con promedios móviles. Estos otros indicadores pueden ser, pero no se limitan a: MACD, Momentum, RSI, Stochastics & Precio ROC.Las señales falsas pueden ser evitadas al utilizar períodos más largos de tiempo. Sin embargo, a pesar de que esto hará que se generen menos señales, las señales brindadas serán mas certeras y exactas.Cuando inserte promedios móviles en sus gráficas, utilice períodos comúnmente usados por la mayoría de inversionistas de Forex. Estos períodos pueden ser: 10, 50, 100 & 200Algunos promedios móviles comúnmente utilizados como el EMA 200, también son utilizados como niveles de soporte o resistencia. Así que cuando llegue a este nivel específico, esté atento para observar posibles retracciones de precios.

REGRESIÓN LINEAL =D






La regresión es un método de análisis de los datos de la realidad económica que sirve para poner en evidencia las relaciones que existen entre diversas variables.


El objeto de un análisis de regresión es investigar la relación estadística que existe entre una variable dependiente (Y) y una o más variables independientes ( , ... ). Para poder realizar esta investigación, se debe postular una relación funcional entre las variables. Debido a su simplicidad analítica, la forma funcional que más se utiliza en la práctica es la relación lineal. Cuando solo existe una variable independiente.


La regresión y los análisis de correlación nos muestran como determinar tanto la naturaleza como la fuerza de una relación entre dos variables.
En el análisis de regresión desarrollaremos una ecuación de estimación, esto es, una formula matemática que relaciona las variables conocidas con la variable desconocida. Entonces podemos aplicar el análisis de correlación para determinar el grado de en el que están relacionadas las variables. El análisis de correlación, entonces, nos dice qué tan bien están relacionadas las variables. El análisis de correlación, entonces, nos dice que tan bien la ecuación de estimación realmente describe la relación .



· Principales técnicas utilizadas en el análisis de regresión lineal simple

1) Ordenamiento y análisis de la información original

3) Diagrama de dispersión e interpretación


El primer paso para determinar si existe o no una relación entre dos variables es observar la grafica de datos observados. Esta grafica se llama diagrama de dispersión. Un diagrama nos puede da dos tipos de información, visualmente podemos buscar patrones que nos indiquen que las variables están relacionadas. Entonces si esto sucede, podemos ver que tipo de línea, o ecuación de estimación, describe esta relación.


Primero tomamos los datos de la tabla que deseamos analizar y dependiendo de que se desea averiguar se construye la grafica colocando la variable dependiente en el eje Y y la independiente en el eje X, Cuando vemos todos estos puntos juntos, podemos visualizar la relación que existe entre estas dos variables. Como resultado, también podemos trazar, o ajustar una línea recta a través de nuestro diagrama de dispersión para representar la relación. Es común intentar trazar estas líneas de forma tal que un numero igual de puntos caiga a cada lado de la línea.


Diagrama de dispersión


· Estimación mediante la línea de regresión : Hasta el momento las líneas de regresión se colocaron al ajustar las líneas visualmente entre los puntos de datos, pero para graficar estas líneas de una forma más precisa podemos utilizar una ecuación que relaciona las dos variables matemáticamente.

La ecuación para una línea recta donde la variable dependiente Y esta determinada por la varianza dependiente X es:


Usando esta ecuación podemos tomar un valor dado en X y calcular el valor de Y la a se denomina intersección en Y por que su valor es el punto en el cual la línea de regresión cruza el eje Y por que su valor es el punto en el cual la línea de regresión cruza el eje Y, es decir el eje vertical. La b es la pendiente de la línea, representa que tanto cada cambio de unidad de la variable independiente X cambia la variable dependiente Y. Tanto a como b son constantes numéricas, puesto que para cada recta dada, sus valores no cambian.



Recta de regresión por el método de mínimos cuadrados: Ahora que hemos visto como determinar la ecuación para una línea recta, pensemos como podemos calcular una ecuación para una línea dibujada en medio de un conjunto de puntos en un diagrama de dispersión. Para esto debemos minimizar el error entre los puntos estimados en la línea y los verdaderos puntos observados que se utilizaron para trazarla.
Para esto debemos introducir un nuevo símbolo, para simbolizar los valores individuales de los puntos estimados, esto es, aquellos puntos que caen en la línea de estimación. En consecuencia escribiremos la ecuación para la línea de estimación como.Una forma en que podemos medir el error de nuestra línea de estimación es sumando todas las diferencias, o errores, individuales entre los puntos observados y los puntos estimados.


La suma de las diferencias individuales para calcular el error no es una forma confiable de juzgar la bondad de ajuste de una línea de estimación.El problema al añadir los errores individuales es el efecto de cancelación de los valores positivos y negativos, por eso usamos valores absolutos en esta diferencia a modo de cancelar la anulación de los signos positivos y negativos, pero ya que estamos buscando el menor error debemos buscar un método que nos muestre la magnitud del error, decimos que la suma de los valores absolutos no pone énfasis en la magnitud del error.


Parece razonable que mientras más lejos este un punto de la línea e estimación, mas serio seria el error, preferiríamos tener varios errores pequeños que uno grande. En efecto, deseamos encontrar una forma de penalizar errores absolutos grandes, de tal forma que podamos evitarlos. Puede lograr esto si cuadramos los errores individuales antes de sumarlos. Con estos se logran dos objetivos:· penaliza los errores más grandes· cancela el efecto de valores positivos y negativos. Como estamos buscando la línea de estimación que minimiza la suma de los cuadrados de los errores a esto llamamos método de mínimos cuadrados. Si usamos el método de mínimos cuadrados, podemos determinar si una línea de estimación tiene un mejor ajuste que otro. Pero para un conjunto de puntos de datos a través de los cuales podríamos trazar un numero infinito de líneas de estimación, ¿cómo podemos saber cuando hemos encontrado la mejor línea de juste?


Los estadísticos han derivado dos ecuaciones que podemos utilizar para encontrar la pendiente y la intersección Y de la línea de regresión del mejor ajuste. La primera formula calcula la pendiente.

· b = pendiente de la línea de estimación de mejor ajuste

· X = valores de la variable independiente

· Y = valores de la variable dependiente

· = media de los valores de la variable independiente

· = media de los valores de la variable dependiente

· n = numero de puntos de datos


La segunda ecuación calcula la intersección en Y

· a = intersección en Y

· b = pendiente de la ecuación anterior

· = media de los valores de la variable dependiente

· = media de los valores de la variable independiente