Moving Average Khan Academy

Como a Academia Khan está usando a Aprendizagem de Máquinas para Avaliar o Domínio dos Estudantes A Academia Khan é conhecida por sua extensa biblioteca de mais de 2600 aulas de video. Também deve ser conhecido pelo seu conjunto de agora em crescimento de 225 exercícios 8212 superando os pontos em um baseball 8212 com cerca de 2 milhões de problemas feitos a cada dia. Para determinar quando um aluno terminou um determinado exercício, nós atribuímos proficiência a um usuário que respondeu exatamente pelo menos 10 problemas consecutivos 8212 conhecidos como raia. A proficiência manifesta-se como uma estrela de ouro, um patch verde em painéis de professores8217, um requisito para alguns emblemas (por exemplo, ganhar 3 proficiências) e uma recompensa de 8220energia8221 pontos. Basicamente, significa que pensamos que você dominou o conceito e pode seguir em sua busca para saber tudo. Acontece que o modelo da raia tem falhas graves. Em primeiro lugar, se definimos a proficiência como sua chance de obter o próximo problema correto acima de um determinado limite, então a série se torna um classificador binário pobre. As experiências realizadas em nossos dados mostraram uma diferença significativa entre os alunos que tomaram, digamos, 30 problemas para obter uma raia versus 10 problemas logo após o acidente 8212, o grupo anterior era muito mais provável que perdeu o próximo problema após uma quebra do que o último. Falso positivo não é o nosso único problema, mas também falsos negativos. Uma das nossas maiores fontes de queixas é de estudantes frustrados que perderam sua série. Você obtém 9 corretos, faça um erro de digitação tolo e perca todos os seus ganhos devidos. Em outras palavras, a série pensa que os usuários que obtiveram certo e 1 errado estão no mesmo nível que aqueles que não começaram. Em busca de um modelo melhor Essas descobertas, apresentadas por um dos nossos voluntários Jace de tempo integral, nos levaram a investigar se poderíamos construir um modelo de proficiência melhor. Nós prototipamos um modelo de aceleração constante 8220rocketship8221 (com gnomos pesados ​​que diminuí-lo em respostas erradas), mas finalmente decidiu que um primeiro passo prudente seria apenas abstrair o modelo de raia com a noção de 8220 preencher o bar8221. Nós passamos de exibir a raia atual do user8217s (o erro não pretendido não encontrou outra captura de tela): isso nos deu maior liberdade para experimentar diferentes modelos subjacentes sem interromper a interface. As conversas com a equipe me levaram a conceber a aplicação da máquina para prever a probabilidade de corrigir o próximo problema e usá-lo como base para um novo modelo de proficiência. Basicamente, se pensarmos que é mais provável que o próximo problema seja correto, para algum limite. We8217ll dizer you8217re proficient. Comecei pirateando um classificador binário nival Bayes modificado para dar uma estimativa de probabilidade. Eu treinei isso em alguns dias8217 de logs de problemas, e os resultados iniciais foram promissores. O mais impressionante foi que menos problema fosse necessário para obter o mesmo nível de precisão. O que eu quero dizer com precisão Nós o definimos como o que é apenas uma notação tentando desesperadamente dizer 8221 Dado que nós apenas ganhamos proficiência, o que é a probabilidade de corrigir o próximo problema8221 No entanto, Bayes ingênuo é tipicamente usado para classificação 8212 a tarefa de determinar qual Categoria discreta, um ponto de dados pertence a 8212 em vez de regressão 8212 retornando um valor contínuo (no nosso caso, uma estimativa de probabilidade em). Assim, nosso voluntário em tempo integral, Jace, que é muito mais versado em estatísticas e aprendizado de máquinas, usou R para protótipo e avaliação rápida de diferentes algoritmos de aprendizagem e conjuntos de recursos. R é a linguagem de programação de facto para a computação estatística e vem pré-embalada com ferramentas de análise de dados e de aprendizagem de máquinas. Para avaliar os diferentes algoritmos, características de entrada e limiares, apresentamos algumas métricas para avaliar as características desejáveis: problemas médios feitos para alcançar a proficiência 8212, idealmente, nós gostamos de minimizar isso para que os estudantes possam gastar menos tempo recarregando os problemas que eles conhecem Bem, e passar para outros conceitos. 8212 Infelizmente, isso é difícil de medir corretamente em nosso conjunto de dados off-line devido à tendência de 10 viés: os alunos podem se afrouxar depois de ganharem proficiência e gastar menos tempo em problemas subseqüentes. Taxa de Proficiência 8212 A porcentagem de proficiências alcançadas por par de exercícios físicos. Mais uma vez, isso é difícil de medir devido ao viés da raia. Matriz de confusão para o próximo problema previsto correto 8212 Isso é para comparar os classificadores binários em sua precisão na previsão do resultado de qualquer resposta no histórico de resposta do usuário8217s. Nós acumulamos a matriz de confusão. E a partir desse extracto duas medidas valiosas da performance de um classificador binário. Testamos vários modelos, incluindo bayes ingênuos, máquinas de vetores de suporte, um modelo simples de 10-out-of-last-11 e regressão logística. Com base nas métricas acima, nós estabelecemos on8230 Usando a Regressão Logística como um Modelo de Proficiência (Sinta-se livre para ignorar esta seção se você não estiver tecnicamente inclinado.) A regressão logística geralmente é usada como um classificador que fornece uma estimativa de probabilidade razoável de cada categoria 8212 exatamente nossa requerimento. It8217s é tão simples, let8217s derivam. Let8217s dizem que temos os valores de recursos de entrada (por exemplo, porcentagem correta), e nós os colocamos em um vetor. Let8217s dizem que também sabemos saber o quanto cada característica torna mais provável que o usuário seja proficiente e mate esses pesos em um vetor. Podemos então pegar a soma ponderada dos recursos de entrada, além de uma constante pré-determinada para corrigir qualquer viés constante e chamar isso: agora, se configurarmos. Podemos escrever isso de forma compacta como um produto de ponto de álgebra linear: e isso é a estimativa de probabilidade de que a regressão logística cuspa. O bit complicado é determinar os valores do vetor de peso 8212 que é, regressão logística de treinamento para que. Aka. A função de hipótese na terminologia de aprendizagem em máquina, nos dá uma estimativa de boa probabilidade. Por brevidade, esqueci os detalhes, mas basta saber que existem muitas bibliotecas existentes para fazer isso. Então, isso levanta a questão, quais recursos usamos ewma3 e ewma10 8212 média móvel ponderada exponencialmente. Isso é apenas conversa de matemática para uma média em que damos maior peso a valores mais recentes. It8217s útil porque pode ser implementado de forma recursiva como. Onde é o fator de ponderação, é o valor mais recente, e é a média móvel exponencial anterior. Nós estabelecemos 0.333 e 0.1 para ewma3 e ewma10 respectivamente. Currentstreak 8212 Isso acabou por ser um sinal bastante fraco e devemos descartá-lo em favor de outros recursos no futuro. Lognumdone 8212. Não tentamos prever até que pelo menos um problema tenha sido feito. Lognummissed 8212 percentcronde 8212 Quanto ao limiar de proficiência, escolhemos 94 com base em nossas métricas. Agora, para algum código Python. Para calcular a média móvel ponderada exponencialmente: e para a função de hipótese de regressão logística real: há outro problema interessante aqui, como você mostra esse valor de probabilidade na barra de progresso. Tentamos linearizar a exibição e distribuí-la uniformemente na barra. Desde o ano de 1982 às 4 da manhã, agora eu apenas lhe dou o código (it8217s bem comentado) e won8217t fazer todos os gráficos explicativos úteis (a menos que as pessoas o solicitem)). Agora, até o Google App Engine suportar NumPy, a implementação para exponentialfit é apenas a derivada do custo de mínimos quadrados. O código completo, não cortado e inalterado está disponível no nosso repo de Kiln. Showdown: Regressão logística The Streak As métricas podem nos dizer que a regressão logistica ganha, mas sendo os seres humanos ilógicos e espessos que somos, desejamos uma compreensão intuitiva do comportamento único dos diferentes modelos. Desenvolvi uma ferramenta interna para simular respostas de exercícios e visualizar a previsão de diferentes modelos. Aqui, um carretel de destaque das características salientes. Como esperado, o pedido é importante. Ambos os modelos vão pesar os problemas feitos mais recentemente acima dos problemas anteriores. O que pode ser surpreendente é a importância relativa: a regressão logística parece ser muito menor do que a raia. Ambos os modelos monotonicamente aumentam a confiança mais respostas do mesmo tipo que eles recebem: Regressão logística também reconhece consistentemente desempenho fraco: regressão logística leva em consideração o desempenho anterior. Então, ficar muito correto é sempre uma coisa boa, e você pode recuperar mais rápido de uma resposta errada se você já estivesse fazendo bem. Contraste com o modelo de raia, que perde toda a memória depois de uma única resposta incorreta. Isso também pode funcionar contra você. Se você conseguiu muitas respostas erradas, você precisará fazer mais trabalho para convencer a regressão logística de que você realmente é competente. Isso mitiga uma das questões que tínhamos com a série, onde descobrimos que houve uma diferença significativa na proficiência real para aqueles que começaram uma série imediatamente depois de 30 problemas. Isso pode ser excessivamente difícil para os alunos que estão a lutar contra essa questão. É uma questão que estamos investigando ativamente e, como medida de paragem, apenas mantemos os últimos 20 problemas como história. Esse compromisso tem um efeito insignificante sobre a precisão preditiva da regressão logística, mas permite-nos dormir, sabendo que um aluno não será condenado pela vida se eles estivessem fazendo alguma pesquisa incomum e conseguisse 10 problemas seguidos. Devido às 4 da manhã, eu não tenho uma demonstração interativa nesta página, mas não é difícil adicioná-lo. Se você gostaria de jogar com isso, diga isso. Esta foi uma mudança bastante grande que nós, compreensivelmente, só desejamos implantar em um pequeno subconjunto de usuários. Isso foi facilitado pela estrutura de testes de divisão GAEBingo da Bengineer Kamen8217s para o App Engine. Crucialmente, isso nos permitiu medir conversões como uma maneira de reunir estatísticas mais precisas sobre dados de uso reais. O experimento já está sendo executado há até 6 dias com 10 usuários que usam o novo modelo de proficiência de regressão logística. Antes de revelar qualquer outra coisa, veja uma captura de tela do GAEBingo em ação (de algumas horas atrás): o gráfico acima mostra os resultados ao longo do tempo, para que você possa ver quando as tendências se estabilizaram. Agora, o que você esperou, as nossas estatísticas atuais (5:00 PST, 2 de novembro) mostram que, para o novo modelo, temos: Ative o JavaScript para gráficos bonitos. 20.8 mais proficiências ganhas: Proficiências adquiridas por usuário: 2.4205 para a série e 2.9237 para a precisão 15.7 mais novos exercícios tentados: Novos exercícios tentados por usuário: 2.9843 para a raia vs. 3.4533 para a precisão 4.4 menos problemas feitos (26 menos) por proficiência: Problemas feitos Por proficiência: 16,8 para streak vs. 12,4 para precisão. Essencialmente, a mesma precisão na proficiência: Precisão - P (próximo problema correto apenas ganhou proficiência): 0,951 para a série vs. 0,949 para a precisão Maior precisão alcançada entre um conjunto de 3 pré-escolhidos fáceis Problemas. Jace veio com esta estatística para avaliar as diferenças reais na aprendizagem. A idéia básica é: se a precisão, conforme determinado pela regressão logística, é uma boa aproximação de competência, as maiores precisões alcançadas seriam indicativas de maior competência. Observe a queda precipitada em 94 para o modelo de precisão 8212, devido ao limiar de proficiência definido em 94 para regressão logística, então, uma vez que um usuário atinge esse nível, nós lhes dizemos para seguir em frente. (Uma série de 10 sem respostas equivocadas contém uma precisão de 96.7.) Por favor, ative o JavaScript. Problemas fáceis - Distribuição da precisão alcançada pelos usuários, precisão alcançada: 0.85, 0.1064, 0.9, 0.1052, 0.92, 0.1029, 0.94, 0.0973, 0.96, 0.0844 Precisão: 0.85, 0.1207, 0.9, 0.1200, 0.92, 0.1195, 0.94, 0.1181 , 0.96, 0.0272 Precisão ligeiramente maior obtida para um conjunto de 10 problemas difíceis pré-escolhidos. Ir acima e além do chamado do dever parece muito menos popular aqui, entre os participantes do modelo de precisão. Por favor, ative o JavaScript. Problemas fáceis - Distribuição da precisão alcançada pelos usuários, precisão alcançada: 0.85, 0.0464, 0.9, 0.0433, 0.92, 0.0395, 0.94, 0.0326, 0.96, 0.0193 Precisão: 0.85, 0.0473, 0.9, 0.0441, 0.92, 0.0407, 0.94, 0.0392 , 0.96, 0.0025 P (outro problema apenas respondeu incorretamente) não afetou 11.7 mais proficiências obtidas pelos problemas difíceis 14.8 mais proficiências obtidas pelos problemas fáceis Em termos de alto nível, aumentamos o interesse geral 8212 exercícios mais novos tentados, menos problemas feitos por Proficiência 8212 sem baixar a barra para a proficiência 8212 P (o próximo problema correto apenas ganhou proficiência) foi aproximadamente o mesmo para ambos os grupos. Além disso, parecia que o aprendizado geral, medido pela distribuição de precisão obtida, subiu ligeiramente sob o novo modelo. Otimistas, hipotetizamos que nossos ganhos são de expulsar os alunos de exercícios mais rápidos, e fazer com que eles passem mais tempo em conceitos em que eles precisam de mais prática. Para confirmar ou negar isso, no Pipeline 8230 nós analisaremos verdadeiramente de onde as novas proficiências estão vindo. Também estamos interessados ​​em ver se há alguma variação na retenção de conhecimento 8212 em particular, queremos saber se P (o próximo problema correto teve alguns dias de intervalo) é afetado. Este é apenas o fim do começo para nós. Desejamos investigar e possivelmente implementar: descida gradiente estocástica para aprendizagem on-line de regressão logística 8230 que permita modelos adaptativos por usuário e por exercício. Devemos superar o limite de proficiência para os usuários que acham os exercícios muito fáceis. Em uma nota semelhante, poderíamos definir uma função de fitness que leve em consideração tanto a precisão quanto a frustração dos alunos, e encontre o momento ótimo para dizer ao aluno que possa seguir em frente. Nos permitem maximizar a aprendizagem dos alunos, maximizando a precisão em muitos exercícios. Modelos de melhorias. Aqui estão algumas coisas que ainda precisamos tentar: Incorporar mais recursos, como o tempo gasto por problema, o tempo desde o último problema e o desempenho do usuário em exercícios similares. Experimente com transformações de características não-lineares e combinações. Por exemplo. Juntamente com o acima exposto, aplique a regularização para evitar a superposição (graças a Andrew Ng e a classe ml) Treine e use modelos separados para os primeiros 5 problemas versus aqueles depois disso. Este trabalho para criar um preditor preciso tem muitas outras aplicações do que apenas para alimentar o medidor de proficiência: Determine se o usuário está lutando e, se assim, sugerir um vídeo para assistir, usar algumas dicas ou fazer uma pausa. Determine a data ideal para agendar uma revisão para a aprendizagem de repetição espaçada. Adapte uma sessão personalizada de revisão de perguntas misturadas que aborda áreas fracas. Fique atento para uma postagem no blog de continuação se encontrarmos resultados mais interessantes Obrigatório Recrutamento Plug Pense que você pode fazer melhor Bem, eu concordo com I8217m com certeza você conhece muitas maneiras de melhorar o que fizemos. Boas notícias: we8217re open-source e contratação Congratulamo-nos com contribuintes para nossos exercícios e estrutura de exercícios no GitHub. Alguns dos nossos melhores exercícios foram criados por voluntários: confira esse incrível exercício de intuição derivada criado pelo Bengineer Eater. Outra razão pela qual eu amo trabalhar na Academia Khan é a equipe apaixonada e talentosa. Nosso desenvolvedor principal, Bengineer Kamens. Está comprometida com a nossa produtividade e bem-estar. Ele Bengineers refatorações internas, ferramentas, e gasta grande parte do tempo, tornando os novos desenvolvedores atualizados. Sem a sua Bengineering, não teria sido possível coletar todos esses dados interessantes. Além disso, se você já tiver uma pergunta sobre jQuery, você poderia simplesmente pedir a John Resig aqui. Você quer fazer 0,1 melhorias nas taxas de cliques de anúncios para o resto da sua vida, ou venha conosco e mude o mundo da educação. Além disso, se você quisesse saber, não estamos com base no Reino Unido, Canadá ou Austrália8230 meu A herança canadense me obriga a soletrar 8220-our8221 e 8220-ise8221 quando it8217s não codificar. P Update (3 de novembro, 2:00 horas PST) Obrigado a todos por suas sugestões e comentários. Algumas conversas interessantes sobre Hacker News e Reddit. Atualização (12 de novembro) Tendo executado o experimento há mais de duas semanas, analisamos dados de 10 dias8217 para ver se a retenção de conhecimento a longo prazo foi afetada. Acontece que os alunos são um pouco mais propensos a responder corretamente depois de tomar uma pausa sob o novo modelo: P (próximo proficiente correto e demorou) 0.861 para raia, 0.875 para precisão P (o próximo erro não proficiente e demorou) 0.273 para raia , 0,283 para precisão. Estes resultados são encorajadores. Isso mostra que o novo modelo tenta abordar um dos principais problemas com a raça 8212 a variabilidade das taxas de sucesso dos alunos após uma interrupção 8212, enquanto ao mesmo tempo aumentou as taxas de proficiência. Assim, temos razões para concluir que o modelo de precisão é apenas um modelo melhor de proficiência estudantil. Esta informação nos deu a confiança para lançar de 10 a 100 usuários. Temos agora lançou oficialmente a regressão logística modelo de proficiência local-wideOANDA 1080108910871086108311001079109110771090 10921072108110831099 biscoito, 10951090108610731099 1089107610771083107210901100 1085107210961080 10891072108110901099 10871088108610891090109910841080 1074 1080108910871086108311001079108610741072108510801080 1080 108510721089109010881086108010901100 10801093 10891086107510831072108910851086 108710861090108810771073108510861089109011031084 10851072109610801093 10871086108910771090108010901077108310771081. 10601072108110831099 bolinho 10851077 10841086107510911090 1073109910901100 108010891087108610831100107910861074107210851099 107610831103 109110891090107210851086107410831077108510801103 10741072109610771081 10831080109510851086108910901080. 1055108610891077109710721103 108510721096 1089107210811090, 10.741.099 108910861075108310721096107210771090107710891100 1089 10801089108710861083110010791086107410721085108010771084 OANDA8217 109210721081108310861074 cookie 1074 108910861086109010741077109010891090107410801080 1089 10851072109610771081 105510861083108010901080108210861081 108210861085109210801076107710851094108010721083110010851086108910901080. 1048108510891090108810911082109410801080 10871086 107310831086108210801088108610741072108510801102 1080 10911076107210831077108510801102 109210721081108310861074 biscoito, 1072 10901072108210781077 1091108710881072107410831077108510801102 108010841080 108710881080107410771076107710851099 10851072 10891072108110901077 aboutcookies. org. 1042 108910831091109510721077 10861075108810721085108010951077108510801103 1080108910871086108311001079108610741072108510801103 109210721081108310861074 bolinho 108610871088107710761077108310771085108510991077 1092109110851082109410801080 108510721096107710751086 10891072108110901072 10731091107610911090 1085107710761086108910901091108710851099. 104710721075108810911079108010901100 108410861073108010831100108510991077 1087108810801083108610781077108510801103 1042109310861076 1042109910731088107210901100 1089109510771090: 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 (WMA) 10541087108010891072108510801077 WMA 10861079108510721095107210771090 1711074107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077187 (1072108510751083. 171weighted average187 em movimento). 10551086108410861075107210771090 10891075108310721076108010901100 108210881080107410911102 1094107710851099, 10951090108610731099 10831091109510961077 1080107610771085109010801092108010941080108810861074107210901100 10901088107710851076. WMA 107610771083107210771090 107710971077 1073108610831100109610801081 1091108710861088 10851072 1085107710761072107410851086 1087108610831091109510771085108510991077 107610721085108510991077, 109510771084 EMA. 1060108610881084109110831072 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 10741099109510801089108311031077109010891103 10871091109010771084 109110841085108610781077108510801103 1082107210781076108610751086 10791085107210951077108510801103 1074 108710861089108310771076108610741072109010771083110010851086108910901080 10851072 108810721079108510991081 10821086110110921092108010941080107710851090 1080 10891083108610781077108510801103 1087108610831091109510771085108510991093 10881077107910911083110010901072109010861074. 1042 10891074110310791080 10891086 1089108310861078108510861089109011001102 1074109910951080108910831077108510801103 1076107210851085108610751086 10891082108610831100107911031097107710751086 10891088107710761085107710751086 1085108010781077 10871088108010741077107610771085 108710881080108410771088. 10551088107710761087108610831086107810801084, 109510901086 1094107710851099 10791072108210881099109010801103 1079 1072 108710861089108310771076108510801077 5 1076108510771081 108910831077107610911102109710801077: 1044107710851100 1060108610881084109110831072 108210861101109210921080109410801077108510901072, 108710881080108410771085110310771084108610751086 1082 108210721078107610861081 10801079 109410771085, 108910831077107610911102109710721103: lt n. 1095108010891083108010901077108310771084 1074 108210721078107610861084 108910831091109510721077 11031074108311031077109010891103 10951080108910831086, 108610731086107910851072109510721102109710771077 10851086108410771088 107610851103 1074 108710861089108310771076108610741072109010771083110010851086108910901080. lt d. 107910851072108410771085107210901077108310771084 11031074108311031077109010891103 10891091108410841072 1082108610831080109510771089109010741072 1076108510771081 1074 1074108010761077 109010881077109110751086108311001085108610751086 10951080108910831072. 105810721082 108210721082 10861073109710771077 1082108610831080109510771089109010741086 1076108510771081 10881072107410851086 5, 109010881077109110751086108311001085109910841080 1095108010891083107210841080 11031074108311031102109010891103 5, 4, 3, 2 1080 1, 1072 10801093 10891091108410841072 10881072107410851072 5432115. 1055108611011090108610841091 5-1076108510771074108510861077 WMA 10881072108910891095108010901099107410721077109010891103 108210721082 83 (515) 81 ( 415) 79 (315) 79 (215) 77 (115) 80,7 1044107710851100 1042 107610721085108510861081 10871088107710791077108510901072109410801080 108710881077107610861089109010721074108311031077109010891103 109010861083110010821086 10861073109710721103 108010851092108610881084107210941080110 3. 1055108810801084107710881099 1087108810801074108610761103109010891103 1080108910821083110210951080109010771083110010851086 1074 10801083108311021089109010881072109010801074108510991093 10941077108311031093 1080 10841086107510911090 10851077 10861090108810721078107210901100 1090107710821091109710801077 1094107710851099 OANDA. 105410851080 10851077 11031074108311031102109010891103 10801085107410771089109010801094108010861085108510861081 1088107710821086108410771085107610721094108010771081 108010831080 10871086107310911078107610771085108010771084 1082 1089108610741077108810961077108510801102 108910761077108310821080. 1056107710791091108311001090107210901099, 10761086108910901080107510851091109010991077 1074 1087108810861096108310861084, 1085107710861073110310791072109010771083110010851086 109110821072107910991074107211021090 10851072 1088107710791091108311001090107210901099 1074 1073109110761091109710771084. 169 199682112017 OANDA Corporation. 104210891077 10871088107210741072 10791072109710801097107710851099. 10581086107410721088108510991077 10791085107210821080 OANDA, fxTrade 1080 108910771084107710811089109010741086 10901086107410721088108510991093 107910851072108210861074 fx 10871088108010851072107610831077107810721090 OANDA Corporation. 104210891077 108710881086109510801077 10901086107410721088108510991077 10791085107210821080, 10871088107710761089109010721074108310771085108510991077 10851072 1101109010861084 10891072108110901077, 11031074108311031102109010891103 10891086107310891090107410771085108510861089109011001102 108910861086109010741077109010891090107410911102109710801093 1074108310721076107710831100109410771074. 10581086108810751086107410831103 10821086108510901088107210821090107210841080 10851072 10801085108610891090108810721085108510911102 107410721083110210901091 108010831080 10801085109910841080 107410851077107310801088107810771074109910841080 1087108810861076109110821090107210841080 1089 10801089108710861083110010791086107410721085108010771084 10841072108810781080 1080 1082108810771076108010901085108610751086 10871083107710951072 107410831077109510771090 1074109910891086108210801077 10881080108910821080 1080 10871086107610931086107610801090 10851077 1074108910771084 108010851074107710891090108610881072108 4. 10561077108210861084107710851076109110771084 107410721084 109010971072109010771083110010851086 1086109410771085108010901100, 10871086107610931086107611031090 10831080 107410721084 10901072108210801077 10901086108810751086107410991077 10861087107710881072109410801080 1089 109110951077109010861084 10741072109610801093 108310801095108510991093 1086107310891090108611031090107710831100108910901074. 1042107210961080 109110731099109010821080 10841086107510911090 108710881077107410991089108010901100 10861073109810771084 10741072109610801093 1080108510741077108910901080109410801081. 1048108510921086108810841072109410801103, 10871088108010741077107610771085108510721103 10851072 107610721085108510861084 10891072108110901077, 10851086108910801090 10861073109710801081 10931072108810721082109010771088. 10561077108210861084107710851076109110771084 107410721084 10761086 108510721095107210831072 10901086108810751086107410831080 1086107310881072109010801090110010891103 10791072 1087108610841086109711 001102 1082 10851077107910721074108010891080108410991084 1082108610851089109110831100109010721085109010721084 1080 109110731077107610801090110010891103, 109510901086 10741099 108710861083108510861089109011001102 108710861085108010841072107710901077 107410891077 1089108610871091109010891090107410911102109710801077 10881080108910821080. 10581086108810751086107410831103 10871086108910881077107610891090107410861084 108610851083107210811085-108710831072109010921086108810841099 107410831077109510771090 10761086108710861083108510801090107710831100108510991077 10881080108910821080. 10571084. 108810721079107610771083 17110551088107210741086107410991077 1074108610871088108610891099187 10791076107710891100. 1060108010851072108510891086107410991081 10891087108810771076-1073107710901090108010851075 10761086108910901091108710771085 109010861083110010821086 10821083108010771085109010721084 OANDA Europe Ltd, 1103107410831103110210971080108410891103 10881077107910801076107710851090107210841080 105710861077107610801085107710851085108610751086 10501086108810861083107710741089109010741072 108010831080 1056107710891087109110731083108010821080 10481088108310721085107610801103. 105010861085109010881072108210901099 10851072 1088107210791085108010941091, 1092109110851082109410801080 109310771076107810801088108610741072108510801103 105210584 1080 108210881077107610801090108510861077 10871083107710951086 10891074109910961077 50: 1 1085107710761086108910901091108710851099 107610831103 1088107710791080107610771085109010861074 10571086107710761080108510771085108510991093 106410901072109010861074 1040108410771088108010821080. 1048108510921086108810841072109410801103 10851072 1101109010861084 10891072108110901 077 10851077 1087108810771076108510721079108510721095107710851072 107610831103 1078108010901077108310771081 10891090108810721085, 1074 1082108610901086108810991093 10771077 108810721089108710881086108910901088107210851077108510801077 108010831080 1080108910871086108311001079108610741072108510801077 10831102107310991084 10831080109410861084 108710881086109010801074108610881077109510801090 1084107710891090108510991084 1079107210821086108510721084 1080 10871088107210741080108310721084. 10501086108410871072108510801103 1089 108610751088107210851080109510771085108510861081 1086109010741077109010891090107410771085108510861089109011001102 OANDA Europe Limited 1079107210881077107510801089109010881080108810861074107210851072 1074 104010851075108310801080, 108810771075108010891090108810721094108010861085108510991081 10851086108410771088 7.110.087, 11021088108010761080109510771089108210801081 10721076108810771089: Torre 42, Piso 9a, 25 Old Broad St, London EC2N 1HQ. 104410771103109010771083110010851086108910901100 10821086108410871072108510801080 1083108010941077108510791080108810861074107210851072 1080 108810771075109110831080108810911077109010891103 10591087108810721074108310771085108010771084 10921080108510721085108910861074108610751086 1085107210761079108610881072. 10831080109410771085107910801103 8470 542574. OANDA Japan Co. Ltd. 8212 108710771088107410991081 10761080108810771082109010861088 10871086 108610871077108810721094108011031084 1089 10921080108510721085108910861074109910841080 1080108510891090108810911084107710851090107210841080 1090108010871072 Kanto local Bureau Financeiro (Kin-sho), 108810771075. 8470 2137 1095108310771085 1040108910891086109410801072109410801080 1092108010851072108510891086107410991093 109211001102109510771088108910861074, 108810771075. 8470 1571. Médias móveis - 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 é 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 evoluindo ao longo de três dias. O primeiro dia da média móvel cobre os últimos cinco dias. O segundo dia da média móvel diminui 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 abaixo do último preço. Por exemplo, a média móvel para o dia 1 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) tem que começar em algum lugar, de modo que uma média móvel simples é usada como EMA do período anterior em o primeiro cálculo. Em segundo lugar, 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 para o preço mais recente. Um EMA de 10 períodos também pode ser chamado de 18.18 EMA. Uma 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 quiser uma porcentagem específica para um EMA, você pode usar essa 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. 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 totalmente 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 do oceano - 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 um EMA de 10 dias seguindo os preços e uma moagem de SMA de 100 dias mais alta. 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 as médias móveis simples e as médias móveis exponenciais, uma não é necessariamente melhor do que a outra. As médias móveis exponentes têm menos atraso e, portanto, são mais sensíveis aos preços recentes - e as recentes mudanças nos preços. As médias móveis exponentes virarão 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 o SMA de 50 dias em vermelho e a 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. O 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 curto movimento (5-20 períodos) são mais adequadas para tendências e negociações de curto prazo. Chartists interessados ​​em tendências de médio prazo optaram por médias móveis mais longas que poderiam prolongar 20-60 períodos. Os investidores de longo prazo preferirão as 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. Por causa de seu comprimento, esta é claramente uma média móvel de 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 era 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 de 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 ocorrerem (na pior das hipóteses). O MMM continuou abaixo em março de 2009 e passou de 40 a 50. Observe que o 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 cruzados. 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 utilize um EMA de 5 dias e EMA de 35 dias seria considerado de curto prazo. Um sistema que usa 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 atrasados. Afinal, o sistema emprega dois indicadores de atraso. Quanto mais longos 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. Há 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 cruzamento 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 resultaria em três whipsaws antes de pegar 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 os 10 dias se movimentaram atrás 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 descendente não durou tanto quanto a EMA de 10 dias voltou atrás dos 50 dias alguns dias depois (4). Depois de três sinais negativos, o quarto sinal anunciou um forte movimento, já 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 a EMA de 10 dias se mova acima da 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 fica 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 e o PPO são baseados em médias móveis exponenciais e não combinam com médias móveis simples. Este gráfico mostra Oracle (ORCL) com EMA de 50 dias, EMA de 200 dias e MACD (50.200,1). Havia quatro passagens médias móveis ao longo de um período de 2 12 anos. Os três primeiros resultaram em chicotes ou malfeitos. Uma tendência sustentada começou com o quarto crossover como a ORCL avançou até meados dos anos 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 esses cruzamentos mais baixos seriam ignorados porque a maior tendência é maior. Uma cruz grosseira simplesmente sugeriria uma retração dentro de uma maior tendência de alta. Uma cruzada 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 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 da 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 em 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 forneceram várias vezes durante o avanço. Uma vez que a tendência invertida 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, as médias móveis podem ser usadas para identificar zonas de suporte ou de resistência. Conclusões As vantagens de usar médias móveis precisam ser ponderadas contra as desvantagens. As médias em movimento são indicadores de tendência, ou atraso, indicadores que sempre estarão um passo atrás. Isso não é necessariamente uma coisa ruim. Afinal, a tendência é sua amiga e é melhor negociar na direção da tendência. As médias móveis asseguram que um comerciante esteja em linha com a tendência atual. Embora a tendência seja sua amiga, os títulos gastam uma grande quantidade de tempo nas gamas 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 comprar 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 preços no banco 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. Várias 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 obter 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 movimentada de Bullish: 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 baixa de Bearish: 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 da 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 bandas Bollinger e sistemas de negociação baseados em canais. Análise Técnica dos Mercados Financeiros John Murphy