Definición y dónde encaja Smma
Smma (a menudo utilizado como abreviatura de media móvil suavizada) es un tipo de media móvil que produce una línea más suave que un promedio simple al actualizar su valor de forma recursiva. En un modelo intuitivo, cada nuevo valor de Smma es una combinación ponderada del punto de datos más reciente y el valor anterior de Smma.
Una forma práctica de pensar en Smma es: se comporta como un filtro de “memoria”. Cuanto más largo sea el período elegido, más información del pasado retiene el filtro. Esto es importante porque cualquier media móvil no es una medición externa; es una transformación de la serie de entrada en una nueva serie temporal.
Mecánica central (modelo simple que puedes comprobar)
Para analizar las implicaciones, conviene separar la mecánica estable de las condiciones variables.
Mecánica estable
Una forma recursiva común de una media móvil suavizada se puede escribir como:
Smma_t = α · x_t + (1 − α) · Smma_{t-1}
- x_t es el valor de entrada más reciente en el tiempo t (por ejemplo, un valor de la serie de precios en el intervalo de muestreo elegido).
- Smma_{t-1} es el valor anterior de Smma.
- α es un factor de suavizado derivado del ajuste de “período”. Diferentes plataformas de gráficos pueden asignar un período a α de manera diferente, por lo que debes verificar la fórmula exacta utilizada por tu calculadora o herramienta de gráficos.
En este modelo, cambiar el período cambia α y, por lo tanto, la rapidez con la que Smma responde a nuevas entradas.
Condiciones variables que debes asumir
Incluso con la misma fórmula subyacente, el resultado depende de elecciones que no siempre son obvias:
- Intervalo de muestreo: ¿Estás utilizando datos de 1 minuto, 1 hora, diarios u otros? Smma se define sobre la línea de tiempo que le proporcionas.
- Definición de entrada: ¿Cuál es x_t? Algunos sistemas permiten apertura, máximo, mínimo, cierre o series personalizadas.
- Inicialización: ¿Cómo se crea el primer valor de Smma? Un sistema puede comenzar con una SMA de los primeros N puntos o usar una semilla fija. La inicialización afecta los valores iniciales y puede continuar influyendo en la serie.
Casos límite y restricciones de implementación
Las consideraciones avanzadas suelen aparecer cuando se va más allá de los datos del “camino feliz”.
Sesgo de inicialización
Si Smma_{0} se establece arbitrariamente, la primera parte de la serie puede distorsionarse. Incluso cuando la inicialización se desvanece con el tiempo, ese desvanecimiento depende de α. Una autocomprobación útil es recalcular la Smma con una inicialización razonable diferente (por ejemplo, utilizando la primera ventana de SMA) y ver si la región inicial cambia materialmente.
Datos faltantes o irregulares
Smma asume una secuencia consistente de observaciones. Si tu conjunto de datos tiene vacíos (velas faltantes, vacíos por días festivos o muestreo irregular), debes decidir qué sucede durante los períodos faltantes:
- ¿Omites los tiempos faltantes y mantienes la siguiente observación contigua en el índice?
- ¿Rellenas los vacíos con un valor (lo que puede introducir artefactos)?
- ¿La plataforma “reconstruye” las velas?
Diferentes enfoques conducen a diferentes resultados de Smma, incluso si la fórmula de suavizado no cambia.
Valores atípicos y picos
Debido a que Smma es una combinación ponderada que incluye la entrada más reciente, los picos repentinos pueden empujar temporalmente a Smma. El suavizado reduce el impacto en comparación con una media menos suavizada, pero no hace que el filtro sea inmune. Si tus datos incluyen impresiones erróneas ocasionales o picos inusuales, debes verificar si Smma es robusta ante ellos bajo tus reglas de preprocesamiento elegidas.
Sensibilidad a los parámetros
Dos riesgos relacionados con los parámetros son comunes:
- Desajuste de período a α entre herramientas. Si tu ajuste de período se asigna a α de manera diferente en dos plataformas, no puedes comparar directamente los resultados.
- Sobre-suavizado vs. sub-suavizado. Un α muy pequeño (período largo) puede hacer que Smma sea demasiado lenta para reflejar cambios relevantes. Un α muy grande (período corto) puede comportarse demasiado cerca de la serie cruda, reduciendo el efecto de suavizado deseado.
Un buen método de verificación es ejecutar la misma serie con múltiples valores de período y confirmar que el comportamiento cambia de manera suave y predecible, en lugar de saltar debido a peculiaridades de implementación.
Evidencia o ejemplo (con supuestos explícitos)
Debido a que el concepto es matemático, puedes verificar el comportamiento con una serie sintética simple.
Configuración del ejemplo
Supón que alimentas a Smma con un cambio escalonado:
- Para t = 1…T, x_t = 100.
- En t = T+1, x_{T+1} = 110.
Supón una actualización recursiva Smma_t = α·x_t + (1−α)·Smma_{t-1} y supón una inicialización Smma_{T} ≈ 100.
Lo que deberías observar
Después del escalón, Smma se moverá hacia 110 gradualmente. La velocidad de convergencia depende de α:
- Con α más pequeño, Smma se acerca a 110 lentamente.
- Con α más grande, Smma responde más rápido.
Este ejemplo no valida ningún caso de uso comercial. Simplemente verifica que tu implementación de Smma coincida con el comportamiento de suavizado recursivo esperado.
Otra autocomprobación: reproducir cálculos
Si tienes acceso a una herramienta de gráficos, calcula Smma en la misma serie y verifica:
- si los primeros valores trazados coinciden con tu inicialización esperada,
- si la tasa de cambio después del escalón coincide con la asignación de α asumida,
- si la herramienta utiliza cierre a cierre u otra entrada.
Si alguno de estos difiere, la definición de Smma de tu plataforma probablemente utiliza una asignación de período a suavizado diferente o una regla de semilla diferente.
Limitaciones y riesgos (qué puede fallar)
1) El retardo es estructural, no un defecto
Una media móvil que suaviza el ruido también suavizará los cambios reales. Esto significa que la salida de Smma típicamente se retrasa detrás de los cambios de entrada. Interpretar Smma como un indicador adelantado puede llevar a un malentendido sistemático.
2) Las relaciones históricas no garantizan el comportamiento futuro
Incluso si Smma se ha alineado bien con patrones pasados en un régimen, las relaciones pueden cambiar cuando la dinámica subyacente cambia (por ejemplo, diferente volatilidad o diferente microestructura). Las líneas suavizadas pueden seguir siendo útiles como transformaciones descriptivas, pero no son prueba de resultados futuros.
3) Los costos y supuestos de ejecución son externos
Si luego conectas el comportamiento de Smma a decisiones comerciales, el resultado final depende de la calidad de ejecución, los spreads, el deslizamiento y las comisiones. Esos factores no son parte del cálculo de Smma en sí, por lo que no puedes inferir el rendimiento del mundo real solo a partir de la línea del indicador.
4) Definiciones inconsistentes entre sistemas
El término “Smma” puede implementarse de manera diferente según la plataforma o biblioteca. Sin confirmar la fórmula exacta (incluyendo cómo el “período” se traduce al factor de suavizado y cómo se establece el valor inicial), puedes estar comparando peras con manzanas.
Verificación y siguiente pregunta
Para verificar de forma independiente los hechos sobre Smma, concéntrate en las partes que son comprobables:
- Confirma la fórmula recursiva exacta y la asignación de “período” a α en tu herramienta específica.