Dobbelt Bevegelig Gjennomsnitt Metode

Double Moving Average tfmt5. Dette er et 2 glidende gjennomsnittssystem som ikke er i markedet hele tiden. Innføringer skjer i retning av MA-krysset når prisen lukkes på utsiden av det raskere bevegelige gjennomsnittet. Posisjoner avsluttes når prisen lukkes igjen på innsiden av det raskere bevegelige gjennomsnittet. Notat Standardinngangsverdiene er ikke optimalisert. Demon EA og juster inngangene for å finne den optimaliserte kombinasjonen for risikotoleransen og maksimere lønnsomheten. Trend Følgende systemer er utformet rundt langsiktige sannsynligheter. Trend Følgende systemer har lavere gevinstpriser, lønnsomhet kommer fra store trender som Trend Følgende kutter tap kort og lar vinnerne kjøre Test på en portefølje med symboler da fortjeneste fra trending symboler vil kompensere de små tapene og gi fortjeneste når andre symboler ikke trending. Entries og Pyramiding. Entry kriteriene kontrollerer retningen av det bevegelige gjennomsnittskorset, kontrollerer at stangen er helt utenfor det raskt bevegelige gjennomsnittet, og c bekrefter at det forrige linjens hurtige bevegelige gjennomsnitt har forbedret seg over det bevegelige gjennomsnittet av linjen før. Hvis du angir Max-variabelen over 1, vil det oppstå flere oppføringer og pyramiden i ATR-trinnene som er spesifisert av ATR mellom pyramider-variabelen. Denne ekspertrådgiveren lukker dets posisjoner når prisen lukkes tilbake i det raskt bevegelige gjennomsnittet til siden av det langsommere bevegelige gjennomsnittet. Posisjonsstørrelse og stopp. Denne EA beregner stillingsstørrelsen ved hjelp av prosentvolatilitetsmetoden som er direkte knyttet til stoppet. Stoppet bruker ATRPeriodene og StopRangeATR-innganger for å beregne ATR og deretter multiplisere de to verdiene for å angi stoppavstanden fra inngangsprisen Stoppene er ikke kodet inn i stillingen, men denne EA lukker ut posisjonen hvis prisen når stoppverdien. Da flere enheter legges til ved pyramiding, stoppet beveger seg for å korrespondere med den siste oppgangsprisen Ved hjelp av stoppverdien, risikofaktorinngangen, og din kontoinformasjon tikkestørrelse, storestørrelse, siffer s, osv., bruker posisjonsstørrelsen den pengemessige verdien av avstanden fra oppføring til stopp og holder antall partier begrenset til prosentandelen du angir. Dette tillater hvert symbol, pris, volatilitet som skal behandles likt. Da kontostørrelsen endres gjennom fortjeneste eller drawdowns, vil posisjonsstørrelsen utgjøre endringen. ShortMA Antallet av barer som brukes til å opprette de raskere bevegelige mindre barene, enkelt bevegelige gjennomsnitt. LongMA Antall barene som brukes til å opprette langsommere beveger flere barer, enkelt glidende gjennomsnitt. RisikoPercent Prosenten risikofylt per posisjon hvis prisen når stoppet Eksempel Hvis du vil at 2 av egenkapitalen skal bli risikert per stilling, skriv inn 2 til denne inngangen. ATRPeriods Antall barer som skal brukes i ATR-beregningen. StoppRangeATR Denne verdien multipliseres med ATR for å bestemme hvor stoppet vil være fra inngangsprisen. Eksempel Hvis du vil at stoppet ditt skal stilles til 2 ATR fra prisen, skriv inn 2 til denne inngangen. Maksimal antall Maksimal antall oppføringer inkludert første oppføring som t Han posisjoner gevinster og EA legger til pyramideposisjoner. ATRbetweenPyramids Denne verdien blir multiplisert med ATR for å beregne når du skal legge til neste posisjon gjennom pyramidering. Eksempel Sett dette til 1 5 og neste pyramideposisjon vil bli lagt til når prisen når din oppføring pluss 1 5 ATR for lange stillinger eller oppføring minus 1 5 ATR for korte stillinger. Sliping Mengde av tillatelig slippe når du går inn i posisjon. TilbakebetalingPercent Angi et beløp for å redusere egenkapitalen for stillingsstørrelsesberegningen Eksempel Hvis du er i drawdown periode kan du legge inn 20 til dette innspillet og stillingsstørrelsen vil være 20 mindre enn uten reduksjonen. Stillingstørrelsesberegningen vil behandle din egenkapital som 80 av hva det egentlig er å redusere risikoen til nedtellingen er over. Gjennomsnittlig gjennomsnitt - Enkel og Eksponentielle. Gjennomsnittlig gjennomsnitt - Enkel og eksponentiell. Gjennomsnittlig gjennomsnittlig glatt prisdata for å danne en trend som følger indikator De forutsier ikke prisretning, men heller definere den nåværende retningen med et lag Flytte gjennomsnittlag fordi de er basert på tidligere priser Til tross for dette laget, beveger gjennomsnittet seg jevn prishandling og filtrerer ut støyen. De danner også byggesteinene for mange andre tekniske indikatorer og overlegg, for eksempel Bollinger Bands MACD og McClellan Oscillator De to mest populære typene av bevegelige gjennomsnittsverdier er Simple Moving Average SMA og Exponentential Moving Average EMA. Disse bevegelige gjennomsnittene kan brukes til å identifisere retningen av trenden eller definere potensielle støtte - og motstandsnivåer. både en SMA og en EMA på den. Klikk på diagrammet for en live-versjon. Simpel Flytende Gjennomsnittlig Beregning. Et enkelt glidende gjennomsnitt er dannet ved å beregne gjennomsnittsprisen på et sikkerhetsnivå over et bestemt antall perioder. De fleste glidende gjennomsnitt er basert på sluttkurs Et 5-dagers enkelt glidende gjennomsnitt er den fem dagers summen av sluttkurs dividert med fem. Som navnet antyder, er et glidende gjennomsnitt et gjennomsnitt som beveger Old da Ta slippes da nye data kommer til rådighet Dette fører til at gjennomsnittet går langs tidsskalaen. Nedenfor er et eksempel på et 5-dagers glidende gjennomsnitt som utvikler seg over tre dager. Den første dagen i det bevegelige gjennomsnittet dekker bare de siste fem dagene Den andre dagen av det bevegelige gjennomsnittet faller det første datapunktet 11 og legger til det nye datapunktet 16 Den tredje dag i det bevegelige gjennomsnittet fortsetter ved å slippe det første datapunktet 12 og legge til det nye datapunktet 17 I eksemplet ovenfor øker prisene gradvis fra 11 til 17 over totalt syv dager Legg merke til at det bevegelige gjennomsnittet også stiger fra 13 til 15 over en tre-dagers beregningsperiode. Merk også at hver glidende gjennomsnittsverdi ligger like under siste pris. For eksempel er det glidende gjennomsnittet for første dag lig med 13 og siste pris er 15 priser de fire foregående dagene var lavere, og dette medfører at det bevegelige gjennomsnittet lagres. Eksponentiell flytende gjennomsnittlig beregning. Eksponentielle glidende gjennomsnitt reduserer lagret ved å bruke mer vekt til siste priser. løy til den siste prisen avhenger av antall perioder i glidende gjennomsnitt. Det er tre trinn for å beregne et eksponentielt glidende gjennomsnitt. Først beregner du det enkle glidende gjennomsnittet. En eksponentiell glidende gjennomsnittlig EMA må starte et sted slik at et enkelt glidende gjennomsnitt blir brukt som den forrige perioden s EMA i den første beregningen Andre, beregne vekting multiplikatoren Tredje, beregne eksponentielt glidende gjennomsnitt Formelen nedenfor er for en 10-dagers EMA. A 10-periode eksponentiell glidende gjennomsnitt gjelder en 18 18 vekting til den siste prisen En 10-årig EMA kan også kalles en 18 18 EMA En 20-årig EMA gjelder en 9 52 veier til den siste prisen 2 20 1 0952 Legg merke til at vektingen for kortere tidsperiode er mer enn vektingen for lengre tid periode Faktisk faller vekten halvparten hver gang den bevegelige gjennomsnittlige perioden dobler. Hvis du vil ha oss en bestemt prosentandel for en EMA, kan du bruke denne formelen til å konvertere den til tidsperioder og deretter skrive inn til verdi som EMA s parameter. Below er et regneark eksempel på et 10-dagers enkelt glidende gjennomsnitt og et 10-dagers eksponensielt glidende gjennomsnitt for Intel Simple glidende gjennomsnitt er rett frem og krever liten forklaring. 10-dagers gjennomsnittet beveger seg ganske enkelt som ny Prisene blir tilgjengelige og gamle priser faller av. Det eksponensielle glidende gjennomsnittet starter med den enkle glidende gjennomsnittsverdien 22 22 i den første beregningen Etter den første beregningen tar den normale formelen over. Fordi en EMA begynner med et enkelt glidende gjennomsnitt, vil den virkelige verdien ikke realiseres til 20 eller så perioder senere Med andre ord kan verdien på Excel-regnearket avvike fra diagramverdien på grunn av den korte tilbakekallingsperioden. Dette regnearket går bare tilbake 30 perioder, noe som betyr at påvirkning av det enkle glidende gjennomsnittet har hadde 20 perioder å sprenge StockCharts går tilbake minst 250 perioder typisk mye lenger for sine beregninger, slik at virkningene av det enkle glidende gjennomsnittet i den første beregningen har jo mer spredt. Lagfaktoren. Jo lengre glidende gjennomsnitt, jo mer et 10-dagers eksponensielt glidende gjennomsnitt vil krame prisene ganske tett og ta kort tid etter at prisene er svingte. Korte glidende gjennomsnitt er som fartbåter - skumle og raske å endre i kontrast Et 100-dagers glidende gjennomsnitt inneholder mange tidligere data som bremser det ned. Lengre glidende gjennomsnitt er som havskipskip - sløv og treg for å endre. Det tar en større og lengre prisbevegelse for et 100-dagers glidende gjennomsnitt for å endre kurs. Klikk på diagrammet for en live-versjon. Tabellen over viser SP 500 ETF med en 10-dagers EMA tett følgende priser og en 100-dagers SMA sliping høyere. Selv med nedgangen i januar-februar holdt 100-dagers SMA kurset og gjorde ikke slå ned 50-dagers SMA passer et sted mellom 10 og 100 dagers glidende gjennomsnitt når det gjelder lagfaktor. Simple vs eksponentielle flytende gjennomsnitt. Selv om det er klare forskjeller mellom enkle bevegelige gjennomsnitt og eksponentielle glidende gjennomsnitt, o ne er ikke nødvendigvis bedre enn de andre eksponentielle glidende gjennomsnittene har mindre forsinkelse og er derfor mer følsomme overfor siste priser - og de siste prisendringene Eksponentielle glidende gjennomsnitt vil slå før enkle glidende gjennomsnitt. Enkle glidende gjennomsnitt, derimot, representerer et sant gjennomsnitt av priser for hele tidsperioden Som sådan kan enkle bevegelige gjennomsnitt være bedre egnet til å identifisere støtte - eller motstandsnivåer. Bevegelse av gjennomsnittlig preferanse avhenger av mål, analytisk stil og tidshorisont. Chartister skal eksperimentere med begge typer bevegelige gjennomsnitt samt forskjellige tidsrammer til finne den beste passformen Tabellen nedenfor viser IBM med 50-dagers SMA i rødt og 50-dagers EMA i grønt Begge toppet i slutten av januar, men nedgangen i EMA var skarpere enn nedgangen i SMA EMA dukket opp i i midten av februar, men SMA fortsatte lavere til slutten av mars. Merk at SMA viste seg over en måned etter EMA. Lengths og Timeframes. Lengden på den bevegelige ave raseri avhenger av de analytiske målene Kortflytende gjennomsnitt 5-20 perioder passer best for kortsiktige trender og handel Chartister interessert i langsiktige trender vil velge lengre bevegelige gjennomsnitt som kan utvide 20-60 perioder Langsiktig investorer foretrekker å bevege seg gjennomsnitt med 100 eller flere perioder. Noen bevegelige gjennomsnittslengder er mer populære enn andre. Det 200-dagers glidende gjennomsnittet er kanskje den mest populære. På grunn av lengden er dette klart et langsiktig glidende gjennomsnitt. Neste 50-dagers glidende gjennomsnitt er ganske populær for den langsiktige trenden. Mange kartister bruker 50-dagers og 200-dagers glidende gjennomsnitt sammen. På kort sikt var et 10-dagers glidende gjennomsnitt ganske populært i det siste fordi det var lett å beregne. En bare la tallene og flyttet desimalpunktet. Trinnidentifikasjon. De samme signalene kan genereres ved hjelp av enkle eller eksponentielle glidende gjennomsnitt. Som angitt ovenfor, avhenger innstillingen av hvert individ. Disse eksemplene nedenfor vil bruke både enkle og eksponente al glidende gjennomsnitt. Begrepet glidende gjennomsnitt gjelder både enkle og eksponentielle glidende gjennomsnitt. Orienteringen av glidende gjennomsnitt gir viktig informasjon om priser Et stigende glidende gjennomsnitt viser at prisene generelt øker. Et fallende glidende gjennomsnitt indikerer at prisene i gjennomsnitt faller Et stigende langsiktig glidende gjennomsnitt reflekterer en langsiktig oppgang En fallende langsiktig glidende gjennomsnitt reflekterer en langsiktig nedtrend. Skjemaet ovenfor viser 3M MMM med et 150-dagers eksponensielt glidende gjennomsnitt. Dette eksemplet viser hvor godt bevegelige gjennomsnitt arbeid når trenden er sterk Den 150-dagers EMA ble slått av i november 2007 og igjen i januar 2008 Legg merke til at det tok 15 tilbakegang å reversere retningen til dette bevegelige gjennomsnittet. Disse forsinkende indikatorene identifiserer trendendringer som de oppstår i beste fall eller etter at de oppstår i verste fall fortsatte MMM ned til mars 2009 og økte deretter 40-50 Merk at 150-dagers EMA ikke viste seg før etter denne bølgen. En gang det gjorde det imidlertid MMM c utviklet seg høyere de neste 12 månedene. Flytte gjennomsnitt arbeider briljant i sterke trender. Double Crossovers. To bevegelige gjennomsnitt kan brukes sammen for å generere crossover-signaler. I teknisk analyse av finansmarkedene kaller John Murphy den dobbelte crossover-metoden. Dobbeloverganger involverer en relativt kort bevegelse gjennomsnittlig og et relativt langt bevegelige gjennomsnitt. Som med alle bevegelige gjennomsnitt, definerer den generelle lengden på det bevegelige gjennomsnittet tidsrammen for systemet. Et system som bruker en 5-dagers EMA og 35-dagers EMA, vil bli ansett som kortsiktig A-system med en 50 - dag SMA og 200-dagers SMA vil bli ansett som mellomlang sikt, kanskje til og med på lang sikt. Et bullish crossover oppstår når kortere bevegelige gjennomsnittskryss over lengre bevegelige gjennomsnitt. Dette kalles også et gyldent kryss. En bearish crossover oppstår når kortere bevegelige gjennomsnittskryss under det lengre bevegelige gjennomsnittet Dette kalles et dødt kryss. Gjennomgang av gjennomsnittlige overganger gir relativt sent signaler. Tross alt bruker systemet to o lagsindikatorer Jo lengre de bevegelige gjennomsnittsperioder, desto større er det i signalene. Disse signalene fungerer bra når en god trend tar takk. Et flytende gjennomsnittsovergangssystem vil imidlertid produsere mange whipsaws i fravær av en sterk trend. Det er også en trippel crossover-metode som involverer tre bevegelige gjennomsnitt. Igjen genereres et signal når det korteste bevegelige gjennomsnittet krysser de to lengre bevegelige gjennomsnittene. Et enkelt trippelt crossover-system kan innebære 5-dagers, 10-dagers og 20-dagers glidende gjennomsnitt. Skjemaet over viser Home Depot HD med en 10-dagers EMA grønn stiplede linje og 50-dagers EMA-røde linje. Den svarte linjen er den daglige lukkingen. Ved å ha en glidende gjennomsnittsovergang ville det ha resultert i tre whipsaws før du fikk en god handel. Den 10-dagers EMA brøt under 50-dagers EMA i slutten av oktober 1, men dette var ikke lenge da 10-dagene flyttet tilbake over midten av 2. november. Dette krysset varet lenger, men neste bearish crossover i 3. januar skjedde i nærheten av prisnivået i slutten av november, noe som resulterer i en annen whipsaw. Dette bearish krysset var ikke lenge da 10-dagers EMA flyttet tilbake over 50-dagene noen dager senere. 4 Etter tre dårlige signaler forflyttet det fjerde signalet et sterkt trekk når aksjen var avansert over 20. Det er to takeaways her Først er crossovers utsatt for whipsaw. Et pris - eller tidsfilter kan brukes for å forhindre whipsaws. Traders kan kreve crossover til å vare 3 dager før du handler eller krever at 10-dagers EMA skal bevege seg over under 50-dagers EMA av en viss mengde før du spiller. For det andre kan MACD brukes til å identifisere og kvantifisere disse kryssene. MACD 10,50,1 vil vise en linje som representerer forskjellen mellom de to eksponensielle glidende gjennomsnittene. MACD blir positivt under et gyldent kors og negativt under et dødt kryss. Prosentpris Oscillator PPO kan brukes på samme måte som prosentvise forskjeller. Merk at MACD og PPO er basert på eksponentielle glidende gjennomsnitt og stemmer ikke overens med enkle glidende gjennomsnitt. Dette diagrammet viser Oracle ORCL med 50-dagers EMA, 200-dagers EMA og MACD 50,200,1 Det var fire bevegelige gjennomsnittsoverskridelser over en 2 1 2 års periode De tre første resulterte i whipsaws eller dårlige handler En vedvarende trend begynte med fjerde crossover som ORCL avansert til midten av 20-tallet. En gang i gang, beveger gjennomsnittlige overganger seg bra når trenden er sterk, men produserer tap i fravær av en trend. Price Crossovers. Moving gjennomsnitt kan også brukes til å generere signaler med enkle prisoverganger. Et bullish signal genereres når Prisene beveger seg over det bevegelige gjennomsnittet Et bearish signal genereres når prisene flytter seg under det bevegelige gjennomsnittet. Prisoverskridelser kan kombineres for å handle innenfor den større trenden. Det lengre bevegelige gjennomsnittet setter tonen for den større trenden, og det kortere glidende gjennomsnittet brukes til å generere signaler Man ville se etter bullish priskryss bare når prisene allerede er over det lengre bevegelige gjennomsnittet. Dette ville handle i harmoni med den større trenden. For eksempel, hvis prisen er over 200-dagers glidende gjennomsnitt vil kartleggere bare fokusere på signaler når prisen beveger seg over det 50-dagers glidende gjennomsnittet. Selvfølgelig vil et trekk under 50-dagers glidende gjennomsnitt forutse et slikt signal, men slike bearish kryss vil bli ignorert fordi den større trenden er opp Et bearish kryss ville ganske enkelt foreslå en tilbaketrekking i en større opptrinn Et kryss tilbake over 50-dagers glidende gjennomsnitt ville signalere en oppgang i prisene og fortsettelsen av den større opptrenden. Neste diagram viser Emerson Electric EMR med 50-dagers EMA og 200-dagers EMA Beholdningen flyttet over og holdt over 200-dagers glidende gjennomsnitt i august. Det var dips under 50-dagers EMA tidlig i november og igjen tidlig i februar. Prisene beveget seg raskt tilbake over 50-dagers EMA for å gi bullish signalerer grønne piler i harmoni med den større opptrenden. MACD 1,50,1 vises i indikatorvinduet for å bekrefte priskryss over eller under 50-dagers EMA. Den 1-dagers EMA er lik sluttkurs MACD 1,50,1 er positiv når lukkene er over 50-dagers EMA og negativ når lukkingen er under 50-dagers EMA. Support og Resistance. Moving gjennomsnitt kan også fungere som støtte i en uptrend og motstand i en downtrend. En kortsiktig opptrend kan finne støtte nær 20-dagers enkle Flytende gjennomsnitt, som også brukes i Bollinger Bands. En langsiktig opptrend kan finne støtte nær det 200-dagers enkle glidende gjennomsnittet, som er det mest populære langsiktige glidende gjennomsnittet. Faktisk kan 200-dagers glidende gjennomsnitt gi støtte eller motstand rett og slett fordi det er så mye brukt Det er nesten som en selvoppfyllende profeti. Kartet over viser NY Composite med det 200-dagers enkle glidende gjennomsnittet fra midten av 2004 til slutten av 2008 200-dagene ga støtte mange ganger under forløpet Når trenden reverserte med en dobbel toppstøt, virket det 200-dagers glidende gjennomsnittet som motstand rundt 9500. Ikke forvent nøyaktig støtte og motstandsnivåer fra bevegelige gjennomsnitt, spesielt lengre bevegelige gjennomsnitt. Markeder er drevet av følelser, hvem ch gjør dem tilbøyelige til å overvinne. I stedet for eksakte nivåer, kan bevegelige gjennomsnitt bli brukt til å identifisere støtte - eller motstandssoner. Fordelene ved å bruke bevegelige gjennomsnittsverdier må veies mot ulempene. Flytende gjennomsnitt er trenden som følger eller forsinker, indikatorer som alltid vil være et skritt bak Dette er ikke nødvendigvis en dårlig ting, men Tross alt er trenden din venn og det er best å handle i retning av trenden. Flytte gjennomsnitt garanterer at en næringsdrivende er i tråd med den nåværende trenden Selv om trenden er din venn, verdipapirer tilbringer mye tid i handelsområder, noe som gjør flytteverdiene ineffektive. I en trend vil glidende gjennomsnitt holde deg i, men også gi senesignaler. Ikke forvent å selge på toppen og kjøp på bunnen ved å flytte gjennomsnitt Som med de fleste tekniske analyseværktøy, bør flytteverdier ikke brukes alene, men i sammenheng med andre komplementære verktøy Chartists kan bruke bevegelige gjennomsnitt for å definere den overordnede trenden og bruk deretter RSI til å definere overkjøpte eller oversolgte nivåer. Legg til Flytte gjennomsnitt til StockCharts Charts. Gjennomgang av gjennomsnitt er tilgjengelig som en prisoverleggingsfunksjon på SharpCharts arbeidsbenk. Bruk rullegardinmenyen Overlegg kan brukerne velge enten et enkelt glidende gjennomsnitt eller en eksponentiell glidende gjennomsnitt Den første parameteren brukes til å angi antall tidsperioder. En valgfri parameter kan legges til for å spesifisere hvilket prisfelt som skal brukes i beregningene - O for Åpen, H for Høy, L for lav og C for Lukk A-komma brukes til å skille parametere. En annen valgfri parameter kan legges til for å skifte de bevegelige gjennomsnittene til venstre forrige eller høyre fremtid. Et negativt tall -10 ville skifte det bevegelige gjennomsnittet til venstre 10 perioder. Et positivt tall 10 ville skifte det bevegelige gjennomsnittet til de rette 10 periodene. Flere forskjellige gjennomsnitt kan overlappes prisplottet ved ganske enkelt å legge til en annen overleggslinje til arbeidsbenken. StockCharts medlemmer kan endre farger og stil for å skille seg ut ntiate mellom flere bevegelige gjennomsnitt Når du har valgt en indikator, åpner du Avanserte alternativer ved å klikke på den lille grønne trekant. Avanserte alternativer kan også brukes til å legge til et bevegelige gjennomsnittlig overlegg til andre tekniske indikatorer som RSI, CCI og Volume. Klikk her for et live-diagram med flere forskjellige bevegelige gjennomsnitt. Bruk Moving Averages med StockCharts Scans. Here er noen prøve-skanninger som StockCharts Medlemmer kan bruke til å skanne etter ulike bevegelige gjennomsnittlige situasjoner. Bullish Moving Average Cross Denne skanningen ser etter aksjer med et stigende 150 dagers enkelt glidende gjennomsnitt og et bullish kryss av 5-dagers EMA og 35-dagers EMA 150-dagers glidende gjennomsnitt stiger så lenge det handler over nivået for fem dager siden. Et bullish kryss oppstår når 5-dagers EMA beveger seg over 35-dagers EMA på over gjennomsnittlig volum. Gjennomsnittlig kors Gjennomsnittlig kryss Denne skanningen ser etter aksjer med en fallende 150- dags enkel glidende gjennomsnitt og et bearish kors av 5-dagers EMA og 35-dagers EMA. Det 150-dagers glidende gjennomsnittet faller så lenge det handler under nivået for fem dager siden. Et bearish kryss oppstår når 5-dagers EMA beveger seg under 35-dagers EMA på abo ve gjennomsnittlig volum. Ytterligere Study. Johhn Murphy s bok har et kapittel viet til bevegelige gjennomsnitt og deres ulike bruksområder Murphy dekker fordeler og ulemper med å flytte gjennomsnitt. I tillegg viser Murphy hvordan bevegelige gjennomsnitt arbeider med Bollinger Bands og kanalbaserte handelssystemer. Teknisk Analyse av finansmarkedene John Murphy. Gjennomgang av gjennomsnittlige og eksponensielle utjevningsmodeller. Som et første skritt i å bevege seg ut over gjennomsnittlige modeller, kan tilfeldige gangmodeller og lineære trendmodeller, ikke-sone-mønstre og trender ekstrapoleres ved hjelp av en glidende eller utjevningsmodell. Den grunnleggende forutsetningen bak gjennomsnittlige og utjevningsmodeller er at tidsserien er lokalt stasjonær med et sakte varierende gjennomsnitt. Derfor tar vi et lokalt lokalt gjennomsnitt for å estimere nåverdien av gjennomsnittet og deretter bruke det som prognosen for nær fremtid. Dette kan være betraktet som et kompromiss mellom den vanlige modellen og den tilfeldige gange uten driftmodell. Den samme strategien kan brukes til å estimere og ekstrapolere en lokal trend Et glidende gjennomsnitt kalles ofte en glatt versjon av den opprinnelige serien, fordi kortsiktig gjennomsnittsverdi har til hensikt å utjevne støtene i den opprinnelige serien. Ved å justere graden av utjevning av bredden på det bevegelige gjennomsnittet, kan vi håpe å treffe noe slag av optimal balanse mellom ytelsen til de gjennomsnittlige og tilfeldige turmodellene. Den enkleste typen gjennomsnittsmodell er det enkle, likevektede flytende gjennomsnittet. Forecasten for verdien av Y på tidspunktet t 1 som er laget ved tid t, er lik det enkle gjennomsnittet av de siste m observasjonene. Her og andre steder vil jeg bruke symbolet Y-hatten til å utgjøre en prognose av tidsserien Y laget så tidlig som mulig før en bestemt modell. Dette gjennomsnittet er sentrert i perioden t-m 1 2, noe som innebærer at estimatet av det lokale gjennomsnittet vil ha en tendens til å ligge bak den sanne verdien av det lokale gjennomsnittet med ca. m 1 2 perioder. Således sier vi at gjennomsnittsalderen for dataene i det enkle glidende gjennomsnittet er m 1 2 i forhold til perioden for prognosen beregnes dette er hvor lang tid prognosene vil ha til å ligge bak vendepunkter i dataene. For eksempel, hvis du er gjennomsnittlig de siste 5 verdiene, vil prognosene være ca 3 perioder sent i å svare på vendepunkt. Merk at hvis m 1, Den enkle glidende SMA-modellen er ekvivalent med den tilfeldige turmodellen uten vekst Hvis m er veldig stor i forhold til lengden på estimeringsperioden, er SMA-modellen tilsvarlig for den gjennomsnittlige modellen. Som med hvilken som helst parameter i en prognosemodell, er det vanlig å justere verdien av ki n for å få den beste pasienten til dataene, dvs. de minste prognosefeilene i gjennomsnitt. Her er et eksempel på en serie som ser ut til å vise tilfeldige svingninger rundt et sakte varierende middel. Først må vi prøve å passe den med en tilfeldig spasertur modellen, som tilsvarer et enkelt bevegelige gjennomsnitt på 1 sikt. Den tilfeldige turmodellen reagerer veldig raskt på endringer i serien, men ved å gjøre det plukker mye av støyen i dataene de tilfeldige svingningene samt signalet den lokale mener Hvis vi i stedet prøver et enkelt glidende gjennomsnitt på 5 vilkår, får vi et smidigere sett med prognoser. Det 5-termens enkle glidende gjennomsnittet gir betydelig mindre feil enn den tilfeldige turmodellen i dette tilfellet Gjennomsnittsalderen for dataene i dette prognosen er 3 5 1 2, slik at den har en tendens til å ligge bak vendepunkter med om lag tre perioder. For eksempel synes det å ha oppstått en nedgang i perioden 21, men prognosene vender seg ikke til flere perioder senere. langsiktige prognoser fra SMA mod el er en horisontal rett linje, akkurat som i den tilfeldige turmodellen. Således antar SMA-modellen at det ikke er noen trend i dataene. Mens prognosene fra den tilfeldige turmodellen ganske enkelt er lik den siste observerte verdien, vil prognosene fra SMA-modellen er lik et vektet gjennomsnitt av de siste verdiene. Forsikringsgrensene beregnes av Statgraphics for de langsiktige prognosene for det enkle glidende gjennomsnittet, blir ikke større enn forventningshorisonten øker. Dette er åpenbart ikke riktig. Dessverre er det ingen underliggende statistisk teori som forteller oss hvordan konfidensintervallene skal utvides for denne modellen. Det er imidlertid ikke så vanskelig å beregne empiriske estimater av konfidensgrensene for lengre horisont-prognoser. For eksempel kan du sette opp et regneark der SMA-modellen vil bli brukt til å prognose 2 trinn foran, 3 trinn foran osv. i den historiske dataprøven. Du kan deretter beregne utvalgsstandardavvikene til feilene ved hver prognose h orizon, og deretter konstruere konfidensintervaller for langsiktige prognoser ved å legge til og trekke ut multipler av passende standardavvik. Hvis vi prøver et 9-glatt simpelt glidende gjennomsnitt, får vi enda jevnere prognoser og mer av en slående effekt. Gjennomsnittsalderen er nå 5 perioder 9 1 2 Hvis vi tar et 19-årig glidende gjennomsnitt, øker gjennomsnittsalderen til 10. Merk at prognosene nå ligger nede etter vendepunkter med ca 10 perioder. Hvor mye utjevning er best for denne serien Her er et bord som sammenligner deres feilstatistikk, også inkludert et 3-årig gjennomsnitt. Modell C, det 5-årige glidende gjennomsnittet, gir den laveste verdien av RMSE med en liten margin over 3 og 9-siktene, og deres andre statistikker er nesten identiske Så, blant modeller med svært like feilstatistikk, kan vi velge om vi foretrekker litt mer respons eller litt mer glatt i prognosene. Tilbake til toppen av siden. Bronse s Enkel eksponensiell utjevning eksponentielt vektet glidende gjennomsnitt. Den enkle bevegelige gjennomsnittsmodellen beskrevet ovenfor har den uønskede egenskapen som den behandler de siste k-observasjonene, like og fullstendig ignorerer alle foregående observasjoner. Intuitivt bør tidligere data diskonteres på en gradvis måte - for eksempel bør den nyeste observasjonen få litt mer vekt enn 2. siste, og den 2. siste skal få litt mer vekt enn den 3. siste, og så videre. Den enkle eksponensielle utjevning SES-modellen oppnår dette. La oss angi en utjevningskonstant et tall mellom 0 og 1 En måte å skrive modellen på er å definere en serie L som representerer det nåværende nivået, dvs. lokal middelverdi av serien som estimert fra data til nåtid. Verdien av L til tid t beregnes rekursivt fra sin egen tidligere verdi som dette. Den nåværende glatteverdien er således en interpolasjon mellom den forrige glattede verdien og den nåværende observasjonen, hvor kontrollen av nærheten til den interpolerte verdien til de mest re cent observasjon Prognosen for neste periode er bare den nåværende glatteverdien. Tilsvarende kan vi uttrykke neste prognose direkte i forhold til tidligere prognoser og tidligere observasjoner, i en hvilken som helst av følgende ekvivalente versjoner. I den første versjonen er prognosen en interpolering mellom forrige prognose og forrige observasjon. I den andre versjonen blir neste prognose oppnådd ved å justere forrige prognose i retning av den forrige feilen med en brøkdel. erroren som ble gjort på tidspunktet t I den tredje versjonen er prognosen en eksponentielt vektet dvs. nedsatt glidende gjennomsnitt med rabattfaktor 1.Interpoleringsversjonen av prognoseformelen er den enkleste å bruke hvis du implementerer modellen på et regneark det passer i en enkelt celle og inneholder cellehenvisninger som peker på forrige prognose, den forrige observasjon, og cellen der verdien av er lagret. Merk at hvis 1, SES-modellen er ekvivalent med en tilfeldig turmodell med trevekst Hvis 0 er SES-modellen ekvivalent med middelmodellen, forutsatt at den første glattede verdien er satt lik gjennomsnittet Tilbake til toppen av siden. Gjennomsnittsalderen for dataene i den enkle eksponensielle utjevningsprognosen er 1 relativ til den perioden som prognosen beregnes for. Dette er ikke ment å være åpenbart, men det kan enkelt vises ved å evaluere en uendelig serie. Derfor har den enkle glidende gjennomsnittlige prognosen en tendens til å ligge bak vendepunkter med ca. 1 perioder. For eksempel når 0 5 Laget er 2 perioder når 0 2 Laget er 5 perioder når 0 1 Laget er 10 perioder, og så videre. For en gitt gjennomsnittsalder, dvs. mengdeforsinkelse, er den enkle eksponensielle utjevning SES-prognosen noe bedre enn den enkle bevegelsen gjennomsnittlig SMA-prognose fordi den plasserer relativt mer vekt på den siste observasjonen - det er litt mer lydhør overfor endringer som skjedde i nyere tid. For eksempel har en SMA-modell med 9 vilkår og en SES-modell med 0 2 begge en gjennomsnittlig alder av 5 for da ta i sine prognoser, men SES-modellen legger mer vekt på de siste 3 verdiene enn SMA-modellen, og samtidig gliser den ikke helt over verdier som er mer enn 9 perioder gamle, som vist i dette diagrammet. En annen viktig fordel ved SES-modellen over SMA-modellen er at SES-modellen bruker en utjevningsparameter som er kontinuerlig variabel, slik at den enkelt kan optimaliseres ved å bruke en solveralgoritme for å minimere gjennomsnittlig kvadratfeil. Den optimale verdien av SES-modellen for denne serien viser seg å være 0 2961, som vist her. Gjennomsnittlig alder av dataene i denne prognosen er 1 0 2961 3 4 perioder, noe som ligner på et 6-rent simpelt gjennomsnitt. De langsiktige prognosene fra SES-modellen er en horisontal rettlinje som i SMA-modellen og den tilfeldige turmodellen uten vekst. Vær imidlertid oppmerksom på at konfidensintervallene som beregnes av Statgraphics, divergerer nå på en rimelig måte, og at de er vesentlig smalere enn konfidensintervaller for rand om gangmodellen SES-modellen antar at serien er noe mer forutsigbar enn den tilfeldige turmodellen. En SES-modell er egentlig et spesielt tilfelle av en ARIMA-modell, slik at den statistiske teorien om ARIMA-modeller gir et godt grunnlag for å beregne konfidensintervall for SES-modell Spesielt er en SES-modell en ARIMA-modell med en ikke-sesongforskjell, en MA 1-term, og ingen konstant term, ellers kjent som en ARIMA 0,1,1-modell uten konstant. MA 1-koeffisienten i ARIMA-modellen tilsvarer kvantum 1 i SES-modellen For eksempel, hvis du passer på en ARIMA 0,1,1 modell uten konstant til serien analysert her, viser den estimerte MA 1 koeffisienten seg å være 0 7029, som nesten er nesten en minus 0 2961. Det er mulig å legge til antagelsen om en ikke-null konstant lineær trend på en SES-modell. For å gjøre dette, bare angi en ARIMA-modell med en ikke-sesongforskjell og en MA 1-term med en konstant, dvs. en ARIMA 0,1,1 modell med konstant De langsiktige prognosene vil da har en trend som er lik den gjennomsnittlige trenden observert over hele estimeringsperioden. Du kan ikke gjøre dette i forbindelse med sesongjustering, fordi sesongjusteringsalternativene er deaktivert når modelltypen er satt til ARIMA. Du kan imidlertid legge til en konstant lang langsiktig eksponensiell trend til en enkel eksponensiell utjevningsmodell med eller uten sesongjustering ved å benytte inflasjonsjusteringsalternativet i prospektprosedyren. Den aktuelle inflasjonsprosentveksten per periode kan estimeres som hellingskoeffisienten i en lineær trendmodell som er montert på dataene i sammen med en naturlig logaritme transformasjon, eller det kan være basert på annen uavhengig informasjon om langsiktige vekstutsikter. Tilbake til toppen av siden. Brett s Lineær, dvs. dobbel eksponensiell utjevning. SMA-modellene og SES-modellene antar at det ikke er noen trend av noe som helst i dataene som vanligvis er OK eller i det minste ikke for dårlig for 1-trinns prognoser når dataene er relativt nei sy, og de kan endres for å inkorporere en konstant lineær trend som vist over. Hva med kortsiktige trender Hvis en serie viser en varierende veksthastighet eller et syklisk mønster som skiller seg klart ut mot støyen, og hvis det er behov for å prognose mer enn 1 år framover, kan estimering av en lokal trend også være et problem. Den enkle eksponensielle utjevningsmodellen kan generaliseres for å oppnå en lineær eksponensiell utjevning av LES-modell som beregner lokale estimater av både nivå og trend. Den enkleste tidsvarierende trenden modellen er Brown s lineær eksponensiell utjevningsmodell, som bruker to forskjellige glatte serier som er sentrert på forskjellige tidspunkter. Forutsigelsesformelen er basert på en ekstrapolering av en linje gjennom de to sentrene. En mer sofistikert versjon av denne modellen, Holt s, er diskuteres nedenfor. Den algebraiske formen av Browns lineære eksponensielle utjevningsmodell, som for den enkle eksponensielle utjevningsmodellen, kan uttrykkes i en rekke forskjellige, men e kvivalente former Standardformen til denne modellen uttrykkes vanligvis som følger. La S betegne den enkeltglattede serien som er oppnådd ved å anvende enkel eksponensiell utjevning til serie Y Det er verdien av S ved period t gitt av. Husk at under enkel eksponensiell utjevning ville dette være prognosen for Y ved periode t 1 Så la S betegne den dobbeltslettede serien oppnådd ved å anvende enkel eksponensiell utjevning ved å bruke det samme til serie S. Til slutt er prognosen for Y tk for noen k 1, gis av. Dette gir e 1 0, dvs lurer litt, og la den første prognosen ligne den faktiske første observasjonen, og e 2 Y 2 Y 1 hvoretter prognosene genereres ved hjelp av ligningen over Dette gir de samme monterte verdiene som formelen basert på S og S hvis sistnevnte ble startet med S 1 S 1 Y 1 Denne versjonen av modellen brukes på neste side som illustrerer en kombinasjon av eksponensiell utjevning med sesongjustering. Helt s lineær eksponensiell utjevning. s LES-modellen beregner lokale estimater av nivå og trend ved å utjevne de siste dataene, men det faktum at det gjør det med en enkelt utjevningsparameter, stiller en begrensning på datamønstrene som det er i stand til å passe nivået og trenden, ikke tillates å variere ved uavhengige priser Holt s LES-modellen løser dette problemet ved å inkludere to utjevningskonstanter, en for nivået og en for trenden. På et hvilket som helst tidspunkt t, som i Browns modell, er det et estimat L t på lokalt nivå og et estimat T t av den lokale trenden Her beregnes de rekursivt fra verdien av Y observert ved tid t og de forrige estimatene av nivået og trenden ved to likninger som gjelder eksponensiell utjevning til dem separat. Hvis estimert nivå og trend ved tid t-1 er henholdsvis L t 1 og T t 1, vil prognosen for Y t som ville vært blitt gjort på tidspunktet t-1 være lik L t-1 T t 1 Når den virkelige verdien observeres, vil det oppdaterte estimatet av nivå beregnes rekursivt ved å interpolere mellom Y t og dets prognose, L t-1 T t-1, med vekt på og 1. Forandringen i estimert nivå, nemlig L t L t 1, kan tolkes som en støyende måling av trend på tiden t Det oppdaterte estimatet av trenden beregnes deretter rekursivt ved å interpolere mellom L t L t 1 og det forrige estimatet av trenden, T t-1 ved bruk av vekt og 1.Tolkningen av trend-utjevningskonstanten er analog med den for nivåutjevningskonstanten. Modeller med små verdier antar at trenden endrer seg bare veldig sakte over tid, mens modeller med større antar at det endrer seg raskere. En modell med en stor mener at den fjerne fremtiden er veldig usikker, fordi feil i trendestimering blir ganske viktig når prognose mer enn en periode fremover. Tilbake til toppen av side. Utjevningskonstantene og kan estimeres på vanlig måte ved å minimere den gjennomsnittlige kvadriske feilen i 1-trinns prognosene. Når dette gjøres i Statgraphics, viser estimatene seg å være 0 3048 og 0 008. Den svært små verdien av betyr at modellen antar svært liten endring i trenden fra en periode til den neste. Så i utgangspunktet prøver denne modellen å estimere en langsiktig trend. I analogi med begrepet gjennomsnittlig alder av dataene som brukes til estimering av t Han lokale nivå av serien, er gjennomsnittsalderen for dataene som brukes til å estimere den lokale trenden, proporsjonal med 1, men ikke akkurat lik den. I dette tilfellet viser det sig å være 1 0 006 125 Dette er ikke veldig presis tall forutsatt at nøyaktigheten av estimatet ikke er virkelig 3 desimaler, men det er av samme generelle størrelsesorden som prøvestørrelsen på 100, så denne modellen er gjennomsnittlig over ganske mye historie i estimering av trenden. Prognosen nedenfor viser at LES-modellen anslår en litt større lokal trend på slutten av serien enn den konstante trenden som er estimert i SES-trendmodellen. Den estimerte verdien er nesten identisk med den som oppnås ved å montere SES-modellen med eller uten trend , så dette er nesten den samme modellen. Nå ser disse ut som rimelige prognoser for en modell som skal estimere en lokal trend. Hvis du eyeball denne plottet, ser det ut som om den lokale trenden har vendt nedover på slutten av serie Wh ved har skjedd Parametrene til denne modellen har blitt estimert ved å minimere den kvadratiske feilen i 1-trinns prognoser, ikke langsiktige prognoser, i hvilket tilfelle trenden ikke gjør stor forskjell. Hvis alt du ser på er 1 Forsinkede feil ser du ikke det større bildet av trender over si 10 eller 20 perioder. For å få denne modellen mer i tråd med vår øyeeball-ekstrapolering av dataene, kan vi manuelt justere trend-utjevningskonstanten slik at den bruker en kortere basislinje for trendestimering. For eksempel, hvis vi velger å angi 0 1, er gjennomsnittsalderen for dataene som brukes til å estimere den lokale trenden 10 perioder, noe som betyr at vi gjennomsnittsverdi trenden over de siste 20 perioder eller så Her ser prognoseplottet ut om vi stiller 0 1 mens du holder 0 3 Dette ser intuitivt rimelig ut på denne serien, selv om det er sannsynligvis farlig å ekstrapolere denne trenden mer enn 10 perioder i fremtiden. Hva med feilstatistikken her er en modell sammenligning f eller de to modellene som er vist ovenfor, samt tre SES-modeller. Den optimale verdien av SES-modellen er ca. 0 3, men tilsvarende resultater med litt mer eller mindre respons er henholdsvis oppnådd med 0 5 og 0 2. En Holt s lineær utglatting med alfa 0 3048 og beta 0 008. B Holt s lineær utjevning med alfa 0 3 og beta 0 1. C Enkel eksponensiell utjevning med alfa 0 5. D Enkel eksponensiell utjevning med alfa 0 3. E Enkel eksponensiell utjevning med alfa 0 2.De statistikkene er nesten identiske, slik at vi virkelig ikke kan velge på grunnlag av 1-trinns prognosefeil i dataprøven. Vi må falle tilbake på andre hensyn. Hvis vi sterkt tror at det er fornuftig å basere dagens trendoverslag over hva som har skjedd i løpet av de siste 20 perioder, kan vi gjøre et tilfelle for LES-modellen med 0 3 og 0 1 Hvis vi vil være agnostiker om det er en lokal trend, kan en av SES-modellene være enklere å forklare og vil også gi mer middl e-of-the-road prognoser for de neste 5 eller 10 periodene. Tilbake til toppen av siden. Hvilken type trend-ekstrapolering er best horisontal eller lineær? Empiriske bevis tyder på at hvis dataene allerede er justert om nødvendig for inflasjon, så Det kan være uhensiktsmessig å ekstrapolere kortsiktige lineære trender svært langt inn i fremtiden. Trender som tydeligvis i dag kan løsne seg i fremtiden på grunn av ulike årsaker som forverring av produkt, økt konkurranse og konjunkturnedganger eller oppgang i en bransje. Derfor er enkel eksponensiell utjevning utføres ofte bedre ut av prøven enn det ellers kunne forventes, til tross for den naive horisontale trendenes ekstrapolering. Dampede trendmodifikasjoner av den lineære eksponensielle utjevningsmodellen brukes også i praksis til å introdusere en konservatismeddel i dens trendfremskrivninger. Den dempede trenden LES-modellen kan implementeres som et spesielt tilfelle av en ARIMA-modell, spesielt en ARIMA 1,1,2-modell. Det er mulig å beregne konfidensintervall arou nd langsiktige prognoser produsert av eksponentielle utjevningsmodeller, ved å betrakte dem som spesielle tilfeller av ARIMA-modeller Pass på at ikke alle programmer beregner konfidensintervaller for disse modellene riktig. Bredden på konfidensintervaller avhenger av RMS-feilen til modellen, ii typen av utjevning enkel eller lineær iii verdien av utjevningskonstanten s og iv antall perioder fremover du progniserer Generelt sprer intervallene raskere som blir større i SES-modellen, og de sprer seg mye raskere når de er lineære i stedet for enkle utjevning er brukt Dette emnet blir diskutert videre i ARIMA-modellene i notatene. Gå tilbake til toppen av siden.