Qué significa la WMA antes de que el marco temporal importe
Una media móvil ponderada (WMA) es una media móvil en la que las observaciones más recientes reciben ponderaciones más altas que las más antiguas. La media se calcula a partir de un conjunto elegido de puntos de datos pasados (la ventana de observación) utilizando ponderaciones que normalmente disminuyen a medida que las observaciones envejecen.
El marco temporal afecta a la WMA de dos maneras relacionadas:
- La longitud de la ventana en “tiempo”: si eliges un marco temporal más largo, la ventana de observación puede cubrir más tiempo real.
- El espaciado de las observaciones: con menos observaciones y más espaciadas, el mismo número de puntos representa un movimiento real diferente.
Debido a que la WMA enfatiza la actualidad, es inherentemente sensible a cuánto miras hacia atrás y con qué frecuencia muestreas.
Cómo cambia el marco temporal el mecanismo de la WMA
Para discutir las implicaciones sin mezclar supuestos variables, separa el mecanismo estable de las elecciones variables.
Mecánica estable (conceptual):
- La WMA utiliza un número fijo de puntos pasados (por ejemplo, N puntos) y asigna ponderaciones que aumentan para los puntos más recientes.
- El valor de la WMA calculado en el momento t depende del N elegido y de qué puntos de datos caen dentro de la ventana.
Lo que cambia con el marco temporal:
- Si mantienes N igual pero cambias el intervalo de muestreo (por ejemplo, de datos de un minuto a datos de cinco minutos), cada punto representa un lapso de tiempo diferente. La WMA se convierte en un suavizado del comportamiento a diferentes “escalas de tiempo”.
- Si mantienes el intervalo de muestreo igual pero cambias N, cambias directamente la ventana de observación: un N más grande significa que la información más antigua entra con un peso relativamente menor, pero el resultado general aún combina más historia.
Consecuencia material:
- Una observación más corta y más receptiva tiende a reducir el retardo pero aumenta la sensibilidad a las oscilaciones a corto plazo.
- Una observación más larga y más suavizada tiende a reducir el ruido pero aumenta el retardo, especialmente durante cambios repentinos.
Evidencia mediante un ejemplo controlado (con supuestos explícitos)
Supón:
- Tus puntos de datos están espaciados uniformemente en el tiempo.
- Calculas la WMA a partir de exactamente N puntos con ponderaciones crecientes hacia el punto más nuevo.
- Comparas dos configuraciones usando la misma serie de entrada, pero con un intervalo de muestreo o un N diferente.
Ahora imagina un movimiento escalonado en la serie de precios subyacente (comienza un aumento persistente en algún momento). Una WMA basada en un muestreo más reciente y más rápido comenzará a desplazarse antes porque los puntos más nuevos entran antes en relación con el movimiento del mundo real. Una WMA con una ventana de observación más larga también se desplazará hacia arriba, pero la curva girará más tarde porque las observaciones más antiguas permanecen en el cálculo.
Esto ilustra la sensibilidad al marco temporal: la WMA no solo se trata de “ponderar los puntos recientes”, sino también de la rapidez con la que la nueva información llega al final de la ventana.
Limitaciones, modos de fallo y qué puedes verificar
1) El retardo no es un error; es una propiedad del suavizado
Cualquier media móvil suaviza y, por lo tanto, puede retrasarse ante cambios abruptos. El marco temporal puede hacer que este retardo parezca mayor o menor. Un modo de fallo común es esperar que los cambios de la WMA coincidan con los puntos de inflexión.
2) Los cambios de régimen alteran el comportamiento en diferentes marcos temporales
Una WMA que parece efectiva sobre un tipo de movimiento (tendencias lentas) puede comportarse de manera diferente durante otro (rangos rápidos y erráticos). El marco temporal afecta el equilibrio entre la apariencia de “seguimiento de tendencia” y la de “persecución de ruido”.
3) El intervalo de datos y los detalles del cálculo deben coincidir
Debido a que la WMA depende de qué puntos se incluyen, los resultados pueden diferir si:
- el intervalo de datos difiere,
- los datos faltantes se manejan de manera diferente,
- o el cálculo utiliza una definición diferente de ponderaciones.
Enfoque de verificación:
- Elige una serie temporal histórica.
- Calcula la WMA para múltiples marcos temporales/configuraciones usando exactamente la misma fórmula y un intervalo de datos consistente.
- Compara cómo los cambios en el marco temporal alteran el suavizado y el retardo.
Verificación o siguiente pregunta
Si deseas validar de forma independiente el efecto del marco temporal, el siguiente paso clave es comparar los resultados entre marcos temporales manteniendo explícitos los supuestos: misma serie de entrada, intervalo de muestreo consistente y un tamaño de ventana y método de ponderación claramente indicados.
También es posible que desees comprobar cómo se comporta la WMA bajo diferentes tipos de movimiento del mercado (tendencias lentas vs. oscilaciones de alta frecuencia) sin asumir que un solo marco temporal se generalizará.