Implementação da planilha de ajuste sazonal e suavização exponencial É direto realizar ajustes sazonais e ajustar modelos de suavização exponencial usando o Excel. As imagens de tela e os gráficos abaixo são tirados de uma planilha que foi configurada para ilustrar o ajuste sazonal multiplicativo e o alisamento exponencial linear nos seguintes dados de vendas trimestrais da Outboard Marine: Para obter uma cópia do próprio arquivo de planilha, clique aqui. A versão do alisamento exponencial linear que será usada aqui para fins de demonstração é a versão Brown8217s, apenas porque pode ser implementada com uma única coluna de fórmulas e há apenas uma constante de suavização para otimizar. Normalmente, é melhor usar a versão Holt8217s que possui constantes de suavização separadas para nível e tendência. O processo de previsão prossegue da seguinte forma: (i) primeiro os dados são ajustados sazonalmente (ii), então, as previsões são geradas para os dados sazonalmente ajustados através de alisamento exponencial linear e (iii) finalmente, as previsões sazonalmente ajustadas são quantitativas para obter previsões para a série original . O processo de ajuste sazonal é realizado nas colunas D a G. O primeiro passo no ajuste sazonal é calcular uma média móvel centrada (realizada aqui na coluna D). Isso pode ser feito tomando a média de duas médias de um ano que são compensadas por um período relativo um ao outro. (Uma combinação de duas médias de compensação em vez de uma única média é necessária para fins de centralização quando o número de estações é igual.) O próximo passo é calcular a proporção para a média móvel - i. e. Os dados originais divididos pela média móvel em cada período - o que é realizado aqui na coluna E. (Isso também é chamado de quottrend-cyclequot componente do padrão, na medida em que os efeitos da tendência e do ciclo comercial podem ser considerados como sendo tudo isso Permanece após uma média de um ano inteiro de dados. Claro, mudanças mensais que não são devidas à sazonalidade podem ser determinadas por muitos outros fatores, mas a média de 12 meses suaviza sobre eles em grande medida.) O índice sazonal estimado para cada estação é calculado primeiro calculando a média de todas as proporções para essa estação particular, o que é feito nas células G3-G6 usando uma fórmula AVERAGEIF. Os índices médios são então redimensionados de modo que somam exatamente 100 vezes o número de períodos em uma estação, ou 400 neste caso, o que é feito nas células H3-H6. Abaixo na coluna F, as fórmulas VLOOKUP são usadas para inserir o valor do índice sazonal apropriado em cada linha da tabela de dados, de acordo com o quarto do ano que representa. A média móvel centrada e os dados sazonalmente ajustados ficam assim: note que a média móvel geralmente se parece com uma versão mais suave da série sazonalmente ajustada, e é mais curta em ambas as extremidades. Outra planilha no mesmo arquivo do Excel mostra a aplicação do modelo de alisamento exponencial linear aos dados dessazonalizados, começando na coluna G. Um valor para a constante de alisamento (alfa) é inserido acima da coluna de previsão (aqui, na célula H9) e Por conveniência, é atribuído o nome do intervalo quotAlpha. quot (O nome é atribuído usando o comando quotInsertNameCreatequot.) O modelo LES é inicializado definindo as duas primeiras previsões iguais ao primeiro valor real da série dessazonalizada. A fórmula usada aqui para a previsão LES é a forma recursiva de equação única do modelo Brown8217s: Esta fórmula é inserida na célula correspondente ao terceiro período (aqui, célula H15) e copiada para baixo a partir daí. Observe que a previsão LES para o período atual refere-se às duas observações anteriores e aos dois erros de previsão precedentes, bem como ao valor de alpha. Assim, a fórmula de previsão na linha 15 refere-se apenas a dados que estavam disponíveis na linha 14 e anteriores. (É claro que, se desejássemos usar um alisamento exponencial linear em vez de linear, poderíamos substituir a fórmula SES aqui em vez disso. Também poderíamos usar Holt8217s em vez do modelo LES Brown8217s, o que exigiria mais duas colunas de fórmulas para calcular o nível e a tendência Que são usados na previsão). Os erros são computados na próxima coluna (aqui, coluna J) subtraindo as previsões dos valores reais. O erro quadrático médio é calculado como a raiz quadrada da variância dos erros mais o quadrado da média. (Isto segue a identidade matemática: VARIÂNCIA MSE (erros) (MÉDIA (erros)) 2. No cálculo da média e variância dos erros nesta fórmula, os dois primeiros períodos são excluídos porque o modelo na verdade não inicia a previsão até O terceiro período (linha 15 na planilha). O valor ideal de alfa pode ser encontrado alterando o alfa manualmente até encontrar o RMSE mínimo, ou então você pode usar o quotSolverquot para executar uma minimização exata. O valor de alfa que o Solver encontrou é mostrado aqui (alfa0.471). Geralmente é uma boa idéia traçar os erros do modelo (em unidades transformadas) e também calcular e traçar suas autocorrelações em atrasos de até uma estação. Aqui está uma série de séries temporais dos erros (ajustados sazonalmente): as autocorrelações de erro são calculadas usando a função CORREL () para calcular as correlações dos erros com elas mesmas atrasadas por um ou mais períodos - os detalhes são mostrados no modelo de planilha . Aqui está um enredo das autocorrelações dos erros nos primeiros cinco atrasos: as autocorrelações nos intervalos 1 a 3 são muito próximas de zero, mas o pico no intervalo 4 (cujo valor é 0.35) é um pouco incômodo - sugere que o O processo de ajuste sazonal não foi completamente bem sucedido. No entanto, na verdade, é apenas marginalmente significativo. 95 bandas de significância para testar se as autocorrelações são significativamente diferentes de zero são mais ou menos 2SQRT (n-k), onde n é o tamanho da amostra e k é o atraso. Aqui n é 38 e k varia de 1 a 5, então a raiz quadrada de n-menos-k é em torno de 6 para todos eles e, portanto, os limites para testar a significância estatística de desvios de zero são aproximadamente mais - Ou-menos 26, ou 0,33. Se você variar o valor de alfa à mão neste modelo do Excel, você pode observar o efeito sobre os gráficos de séries temporais e autocorrelação dos erros, bem como sobre o erro da raiz-médio-quadrado, que será ilustrado abaixo. Na parte inferior da planilha, a fórmula de previsão é citada no futuro, simplesmente substituindo as previsões por valores reais no ponto em que os dados reais se esgotaram - ou seja. Onde quotthe futurequot começa. (Em outras palavras, em cada célula onde um futuro valor de dados ocorreria, uma referência de célula é inserida, que aponta para a previsão feita para esse período.) Todas as outras fórmulas são simplesmente copiadas de cima: Observe que os erros para as previsões de O futuro é calculado para ser zero. Isso não significa que os erros reais serão zero, mas sim reflete apenas o fato de que, para fins de predição, estamos assumindo que os dados futuros serão iguais às previsões em média. As previsões resultantes para os dados dessazonalizados são assim: com este valor particular de alfa, otimizado para previsões de um período de antecedência, a tendência projetada é ligeiramente ascendente, refletindo a tendência local observada nos últimos 2 anos ou então. Para outros valores de alfa, uma projeção de tendência muito diferente pode ser obtida. Geralmente é uma boa idéia ver o que acontece com a projeção de tendência de longo prazo quando o alfa é variado, porque o valor que é melhor para a previsão de curto prazo não será necessariamente o melhor valor para prever o futuro mais distante. Por exemplo, aqui está o resultado que é obtido se o valor de alfa for ajustado manualmente para 0.25: A tendência de longo prazo projetada é agora negativa e não positiva. Com um menor valor de alfa, o modelo está colocando mais peso em dados mais antigos em A estimativa do nível e da tendência atual e suas previsões de longo prazo refletem a tendência de queda observada nos últimos 5 anos em vez da tendência ascendente mais recente. Este gráfico também ilustra claramente como o modelo com um menor valor de alfa é mais lento para responder a pontos de referência nos dados e, portanto, tende a fazer um erro do mesmo sinal por vários períodos seguidos. Seus erros de previsão de 1 passo a frente são maiores em média do que os obtidos antes (RMSE de 34,4 em vez de 27,4) e fortemente auto-correlacionados positivamente. A autocorrelação de lag-1 de 0,56 excede muito o valor de 0,33 calculado acima para um desvio estatisticamente significativo de zero. Como uma alternativa para diminuir o valor do alfa, a fim de introduzir mais conservadorismo em previsões de longo prazo, um fator de amortecimento de quotstend às vezes é adicionado ao modelo para que a tendência projetada se aplique depois de alguns períodos. O passo final na construção do modelo de previsão é quantificar as expectativas do LES, multiplicando-os pelos índices sazonais apropriados. Assim, as previsões não submetidas à coluna I são simplesmente o produto dos índices sazonais na coluna F e as previsões LES corrigidas sazonalmente na coluna H. É relativamente fácil calcular intervalos de confiança para as previsões de um passo antes feitas por este modelo: primeiro Computa o RMSE (erro da raiz-médio-quadrado, que é apenas a raiz quadrada do MSE) e depois calcula um intervalo de confiança para a previsão ajustada sazonalmente, adicionando e subtraindo duas vezes o RMSE. (Em geral, um intervalo de confiança 95 para uma previsão de um período anterior é aproximadamente igual ao ponto de previsão mais-ou-menos-duas vezes o desvio padrão estimado dos erros de previsão, assumindo que a distribuição do erro é aproximadamente normal e o tamanho da amostra É grande o suficiente, digamos, 20 ou mais. Aqui, o RMSE em vez do desvio padrão da amostra dos erros é a melhor estimativa do desvio padrão dos futuros erros de previsão porque leva também o viés, bem como as variações aleatórias em conta.) Os limites de confiança Para a previsão ajustada sazonalmente são então resgatados. Juntamente com a previsão, multiplicando-os pelos índices sazonais apropriados. Nesse caso, o RMSE é igual a 27,4 e a previsão ajustada sazonalmente para o primeiro período futuro (dezembro-93) é 273,2. Então o intervalo de confiança 95 ajustado sazonalmente é de 273,2-227,4 218,4 a 273,2227,4 328,0. Multiplicando esses limites pelo índice sazonal Decembers de 68,61. Obtemos limites de confiança inferiores e superiores de 149,8 e 225,0 em torno da previsão do ponto 93 de 187,4. Os limites de confiança para as previsões mais de um período adiante geralmente se ampliarão à medida que o horizonte de previsão aumentar, devido à incerteza sobre o nível e a tendência, bem como os fatores sazonais, mas é difícil computá-los em geral por métodos analíticos. (A maneira apropriada de calcular os limites de confiança para a previsão LES é usando a teoria ARIMA, mas a incerteza nos índices sazonais é outra questão.) Se você quer um intervalo de confiança realista para uma previsão de mais de um período adiante, tomando todas as fontes de Erro na sua conta, a sua melhor opção é usar métodos empíricos: por exemplo, para obter um intervalo de confiança para uma previsão anterior de 2 passos, você poderia criar outra coluna na planilha para calcular uma previsão de duas etapas para cada período ( Por bootstrapping a previsão one-step-ahead). Em seguida, computa o RMSE dos erros de previsão de 2 passos antes e usa isso como base para um intervalo de confiança de 2 passos. Adiciona uma tendência ou uma linha média móvel para um gráfico. Aplica-se a: Excel 2016 Word 2016 PowerPoint 2016 Excel 2013 Word 2013 Outlook 2013 PowerPoint 2013 Mais. Menos Para mostrar tendências de dados ou médias móveis em um gráfico que você criou. Você pode adicionar uma linha de tendência. Você também pode ampliar uma linha de tendência além de seus dados reais para ajudar a prever os valores futuros. Por exemplo, a seguinte linha de tendência linear prevê dois trimestres à frente e mostra claramente uma tendência ascendente que parece promissora para futuras vendas. Você pode adicionar uma linha de tendência a um gráfico 2-D que não está empilhado, incluindo área, barra, coluna, linha, estoque, dispersão e bolha. Você não pode adicionar uma linha de tendência a um gráfico empilhado, 3-D, radar, torta, superfície ou filhós. Adicione uma linha de tendência No seu gráfico, clique na série de dados para a qual deseja adicionar uma linha de tendência ou média móvel. A linha de tendência começará no primeiro ponto de dados da série de dados que você escolher. Verifique a caixa Trendline. Para escolher um tipo diferente de linha de tendência, clique na seta ao lado de Trendline. E depois clique em Exponencial. Previsão linear. Ou a média móvel de dois períodos. Para linhas de tendência adicionais, clique em Mais opções. Se você escolher Mais opções. Clique na opção desejada no painel Format Trendline em Trendline Options. Se você selecionar Polinômio. Insira a maior potência para a variável independente na caixa Ordem. Se você selecionar Moeda em Movimento. Digite o número de períodos a serem usados para calcular a média móvel na caixa Período. Dica: uma linha de tendência é mais precisa quando seu valor R-quadrado (um número de 0 a 1 que revela o quão próximo os valores estimados para a linha de tendência correspondem aos seus dados reais) está em ou próximo de 1. Quando você adiciona uma linha de tendência aos seus dados , O Excel calcula automaticamente o valor R-squared. Você pode exibir esse valor em seu gráfico, verificando o valor Exibir R-quadrado na caixa de gráfico (Formato do painel Trendline, Opções da Tendência). Você pode aprender mais sobre todas as opções de linha de tendência nas seções abaixo. Linha de tendência linear Use este tipo de linha de tendência para criar uma linha reta de melhor ajuste para conjuntos de dados lineares simples. Seus dados são lineares se o padrão em seus pontos de dados parecer uma linha. Uma linha de tendência linear geralmente mostra que algo está aumentando ou diminuindo a uma taxa constante. Uma linha de tendência linear usa esta equação para calcular os mínimos quadrados adequados para uma linha: onde m é a inclinação e b é a intercepção. A linha de tendência linear a seguir mostra que as vendas de refrigeradores aumentaram consistentemente ao longo de um período de 8 anos. Observe que o valor R-squared (um número de 0 a 1 que revela o quão próximo os valores estimados para a linha de tendência correspondem aos seus dados reais) é 0.9792, que é um bom ajuste da linha para os dados. Mostrando uma linha curvada de melhor ajuste, esta linha de tendência é útil quando a taxa de mudança nos dados aumenta ou diminui rapidamente e, em seguida, nivela para fora. Uma linha de tendência logarítmica pode usar valores negativos e positivos. Uma linha de tendência logarítmica usa essa equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes e ln é a função de logaritmo natural. A seguinte linha de tendência logarítmica mostra o crescimento populacional previsto de animais em uma área de espaço fixo, onde a população se estabilizou à medida que o espaço para os animais diminuiu. Observe que o valor R-squared é 0.933, que é um ajuste relativamente bom da linha para os dados. Esta linha de tendência é útil quando seus dados flutuam. Por exemplo, quando você analisa ganhos e perdas em um grande conjunto de dados. A ordem do polinômio pode ser determinada pelo número de flutuações nos dados ou por quantas curvas (colinas e vales) aparecem na curva. Normalmente, uma linha de tendência polinomial da Ordem 2 tem apenas uma colina ou vale, uma Ordem 3 tem uma ou duas colinas ou vales, e uma Ordem 4 tem até três colinas ou vales. Uma linha de tendência polinomial ou curvilínea usa esta equação para calcular os mínimos quadrados que se encaixam nos pontos: onde b e são constantes. A seguinte linha de tendência polinômica da ordem 2 (uma colina) mostra a relação entre velocidade de condução e consumo de combustível. Observe que o valor R-squared é 0.979, que é próximo de 1, de modo que as linhas são adequadas aos dados. Mostrando uma linha curva, esta linha de tendência é útil para conjuntos de dados que comparam medidas que aumentam a uma taxa específica. Por exemplo, a aceleração de um carro de corrida em intervalos de 1 segundo. Você não pode criar uma linha de tendência de energia se seus dados contiverem valores zero ou negativos. Uma linha de tendência de energia usa esta equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes. Nota: Esta opção não está disponível quando seus dados incluem valores negativos ou zero. O gráfico de medidas de distância a seguir mostra a distância em metros por segundos. A linha de tendência de energia demonstra claramente a crescente aceleração. Observe que o valor R-squared é 0.986, que é um ajuste quase perfeito da linha para os dados. Mostrando uma linha curva, esta linha de tendência é útil quando os valores de dados aumentam ou caem a taxas cada vez maiores. Você não pode criar uma linha de tendência exponencial se seus dados contiverem valores zero ou negativos. Uma linha de tendência exponencial usa esta equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes e e é a base do logaritmo natural. A seguinte linha de tendência exponencial mostra a quantidade decrescente de carbono 14 em um objeto à medida que envelhece. Observe que o valor R-squared é 0.990, o que significa que a linha se encaixa perfeitamente nos dados. Moving Average trendline Esta linha de tendência eleva as flutuações nos dados para mostrar um padrão ou tendência com mais clareza. Uma média móvel usa um número específico de pontos de dados (definido pela opção Período), os em média e usa o valor médio como um ponto na linha. Por exemplo, se Period for definido como 2, a média dos dois primeiros pontos de dados é usada como o primeiro ponto da linha de tendência média móvel. A média do segundo e terceiro pontos de dados é usada como o segundo ponto na linha de tendência, etc. Uma linha de tendência média móvel usa esta equação: O número de pontos em uma linha de tendência média móvel é igual ao número total de pontos na série, menos a Número que você especificou para o período. Em um gráfico de dispersão, a linha de tendência é baseada na ordem dos valores x no gráfico. Para obter um resultado melhor, classifique os valores x antes de adicionar uma média móvel. A seguinte linha de tendência média móvel mostra um padrão no número de casas vendidas ao longo de um período de 26 semanas. Médias móveis simples Faz com que as tendências se destaquem As médias móveis (MA) são um dos indicadores técnicos mais populares e freqüentemente usados. A média móvel é fácil de calcular e, uma vez traçada em um gráfico, é uma poderosa ferramenta visual de manobra. Muitas vezes você ouvirá sobre três tipos de média móvel: simples. Exponencial e linear. O melhor lugar para começar é através da compreensão do mais básico: a média móvel simples (SMA). Vamos dar uma olhada neste indicador e como ele pode ajudar os comerciantes a seguir as tendências em direção a maiores lucros. (Para obter mais informações sobre as médias móveis, consulte nosso Passo a passo do Forex.) Tendências Não pode haver uma compreensão completa das médias móveis sem uma compreensão das tendências. Uma tendência é simplesmente um preço que continua a se mover em uma determinada direção. Existem apenas três tendências reais que uma segurança pode seguir: uma tendência de alta. Ou tendência de alta, significa que o preço está se movendo mais alto. Uma tendência de queda. Ou tendência de baixa, significa que o preço está se movendo para baixo. Uma tendência lateral. Onde o preço está se movendo de lado. O importante para se lembrar sobre as tendências é que os preços raramente se movem em linha reta. Portanto, as linhas em média móvel são usadas para ajudar um comerciante a identificar com mais facilidade a direção da tendência. (Para uma leitura mais avançada sobre este tópico, consulte O Básico das Bandas de Bollinger e Envelopes Médicos em Movimento: Refinando uma Ferramenta de Negociação Popular.) Construção de Construção em Movimento A definição de livro de uma média móvel é um preço médio para uma segurança usando um período de tempo especificado. Levemos a média móvel muito popular de 50 dias como exemplo. Uma média móvel de 50 dias é calculada tomando os preços de fechamento dos últimos 50 dias de qualquer segurança e adicionando-os. O resultado do cálculo de adição é então dividido pelo número de períodos, neste caso 50. Para continuar a calcular a média móvel diariamente, substitua o número mais antigo pelo preço de fechamento mais recente e faça a mesma matemática. Não importa quanto tempo ou menos de uma média móvel que você procura traçar, os cálculos básicos permanecem os mesmos. A mudança será no número de preços de fechamento que você usa. Assim, por exemplo, uma média móvel de 200 dias é o preço de fechamento por 200 dias, somados e divididos por 200. Você verá todos os tipos de médias móveis, desde as médias móveis a dois dias até as médias móveis de 250 dias. É importante lembrar que você deve ter um certo número de preços de fechamento para calcular a média móvel. Se uma segurança é nova ou apenas um mês de idade, você não poderá fazer uma média móvel de 50 dias porque não terá um número suficiente de pontos de dados. Além disso, é importante notar que nós escolhemos usar os preços de fechamento nos cálculos, mas as médias móveis podem ser calculadas usando preços mensais, preços semanais, preços de abertura ou mesmo preços intradiários. (Para mais informações, consulte o nosso tutorial de médias móveis.) Figura 1: Uma média móvel simples no Google Inc. A Figura 1 é um exemplo de uma média móvel simples em um gráfico de ações da Google Inc. (Nasdaq: GOOG). A linha azul representa uma média móvel de 50 dias. No exemplo acima, você pode ver que a tendência vem se movendo mais baixa desde o final de 2007. O preço das ações do Google caiu abaixo da média móvel de 50 dias em janeiro de 2008 e continuou a baixa. Quando o preço cruza abaixo de uma média móvel, ele pode ser usado como um simples sinal de negociação. Um movimento abaixo da média móvel (como mostrado acima) sugere que os ursos controlam a ação do preço e que o recurso provavelmente se moverá mais baixo. Por outro lado, uma cruz acima de uma média móvel sugere que os touros estão no controle e que o preço pode estar se preparando para fazer um movimento maior. (Leia mais nos preços de ações de trilha com linhas de tendências.) Outras formas de usar médias móveis As médias móveis são usadas por muitos comerciantes para não apenas identificar uma tendência atual, mas também como uma estratégia de entrada e saída. Uma das estratégias mais simples depende do cruzamento de duas ou mais médias móveis. O sinal básico é dado quando a média de curto prazo cruza acima ou abaixo da média móvel a longo prazo. Duas ou mais médias móveis permitem que você veja uma tendência de longo prazo em comparação com uma média móvel de prazo mais curto também é um método fácil para determinar se a tendência está ganhando força ou se está prestes a reverter. (Para mais informações sobre este método, leia A Primer On The MACD.) Figura 2: Uma média móvel de longo prazo e prazo mais curto no Google Inc. A Figura 2 usa duas médias móveis, uma de longo prazo (50 dias, mostrada pela Linha azul) eo outro termo mais curto (15 dias, mostrado pela linha vermelha). Este é o mesmo gráfico do Google mostrado na Figura 1, mas com a adição das duas médias móveis para ilustrar a diferença entre os dois comprimentos. Você notará que a média móvel de 50 dias é mais lenta para se ajustar às mudanças de preços. Porque ele usa mais pontos de dados em seu cálculo. Por outro lado, a média móvel de 15 dias é rápida para responder às mudanças de preços, pois cada valor tem uma maior ponderação no cálculo devido ao horizonte de tempo relativamente curto. Neste caso, usando uma estratégia cruzada, você observaria a média de 15 dias para se cruzar abaixo da média móvel de 50 dias como entrada para uma posição curta. Figura 3: Um três meses O anterior é um gráfico de três meses do United States Oil (AMEX: USO) com duas médias móveis simples. A linha vermelha é a média móvel mais curta de 15 dias, enquanto a linha azul representa a média móvel mais longa de 50 dias. A maioria dos comerciantes usará a cruzada da média móvel de curto prazo acima da média móvel de longo prazo para iniciar uma posição longa e identificar o início de uma tendência de alta. (Saiba mais sobre como aplicar esta estratégia na negociação A divergência do MACD.) O suporte é estabelecido quando um preço tende para baixo. Há um ponto em que a pressão de venda diminui e os compradores estão dispostos a intervir. Em outras palavras, um piso é estabelecido. A resistência ocorre quando um preço tende para cima. Chega um ponto em que a força de compra diminui e os vendedores entram. Isso estabeleceria um teto. (Para mais explicações, leia Apoio amplificador de resistência Basics.) Em ambos os casos, uma média móvel pode ser capaz de sinalizar um nível de suporte ou resistência inicial. Por exemplo, se uma segurança for inferior a uma tendência de crescimento estabelecida, não seria surpreendente ver o estoque encontrar suporte em uma média móvel de longo prazo de 200 dias. Por outro lado, se o preço for menor, muitos comerciantes irão procurar o estoque para saltar a resistência das principais médias móveis (50 dias, 100 dias, 200 dias de AMM). (Para obter mais informações sobre o uso de suporte e resistência para identificar tendências, leia Trend-Spotting With The AccumulationDistribution Line.) Conclusão As médias móveis são ferramentas poderosas. Uma média móvel simples é fácil de calcular, o que permite que ele seja empregado com bastante rapidez e facilidade. Uma média móvel é a maior força é a capacidade de ajudar um comerciante a identificar uma tendência atual ou detectar uma possível reversão da tendência. As médias móveis também podem identificar um nível de suporte ou resistência para a segurança, ou atuam como um simples sinal de entrada ou saída. Como você escolhe usar as médias móveis é inteiramente para você.
No comments:
Post a Comment