Liukuva Keskiarvo Oletuksia

Liikkuva keskiarvo on tietyn ajan tietyn ajan keskimääräinen hinta Analyytikot käyttävät usein liikkuvia keskiarvoja analyyttisenä välineenä, jolla helpotetaan markkinasuuntausten seuraamista, kun arvopaperit liikkuvat ylös - ja alaspäin. Voivat luoda trendejä ja mitata vauhtia, joten niitä voidaan käyttää osoittamaan, milloin sijoittaja ostaa tai myydä tietyn vakuuden. Sijoittajat voivat myös käyttää liikkuvia keskiarvoja tuki - tai vastuspisteiden tunnistamiseen, jotta voidaan arvioida, milloin hinnat todennäköisesti muuttavat suuntausta. Kaupankäynnin alueet, tuki - ja vastustuspisteet perustuvat, jos arvopaperin hinta päinvastoin nousee ylös - tai alaspäin. Aiemmin näitä pisteitä käytetään tekemään, ostamaan tai myymään päätöksiä. Valitettavasti liukuvat keskiarvot eivät ole täydellisiä välineitä trendien ja Ne tarjoavat monia hienovaraisia, mutta merkittäviä riskejä sijoittajille. Lisäksi keskimääräiset liikkeet eivät koske kaikentyyppisiä yrityksiä ja yrityksiä. Liikkuvien keskiarvojen siirtymistä edeltävään tietoon. Ne eivät ota huomioon sellaisia ​​muutoksia, jotka voivat vaikuttaa tietoturvan tulevaan suorituskykyyn, kuten uudet kilpailijat, alan tuotteiden korkeampi tai alhaisempi kysyntä ja muutokset yrityksen johtamisrakenne2. Ideaalisti liukuva keskiarvo näyttää turvallisuuden hinnan muuttuvan johdonmukaisesti ajan myötä Valitettavasti keskimääräiset liikkeet eivät toimi kaikilla yrityksillä, etenkin niillä, jotka ovat erittäin epävakaassa teollisuudessa tai joilla on voimakas vaikutukset nykyisiin tapahtumiin Tämä pätee erityisesti öljyteollisuuteen ja erittäin spekulatiivisiin toimialoihin yleensä.3 Keskimääräiset liikkeet voidaan jakaa mihin tahansa ajanjaksoon. Tämä voi kuitenkin olla ongelmallista, koska yleinen trendi voi muuttua merkittävästi riippuen käytetystä ajasta Lyhyemmillä aikaväleillä on volatiilisuus, kun taas pitemmillä aikaväleillä on vähemmän volatiliteettiä, mutta ne eivät merkitse uusia markkinoiden muutoksia. Sijoittajat m olla varovainen, minkä aikataulun ne valitsevat, jotta suuntaus olisi selkeä ja asiaankuuluva.4 Keskustelu on, onko enemmän huomiota kiinnitettävä viimeaikaisiin päiviin ajanjaksolla. Monet kokevat, että viimeaikaiset tiedot heijastavat paremmin Suunta, johon turvallisuus liikkuu, kun taas toiset tuntevat, että joskus painotetaan enemmän kuin toiset, vääristää suuntausta. Sijoittajat, jotka käyttävät erilaisia ​​menetelmiä keskiarvojen laskemiseen, saattavat pohtia täysin erilaisia ​​suuntauksia. Lue lisää Yksinkertaisista ja eksponentiaalisista liikkeistä. Monet sijoittajat väittävät, että Tekninen analyysi on merkityksetön tapa ennustaa markkinakäyttäytymistä. He sanovat, että markkinoilla ei ole muistia, ja menneisyys ei ole tulevaisuuden indikaattori. Lisäksi on olemassa merkittävää tutkimusta tämän tukemiseksi. Esimerkiksi Roy Nersesian suoritti tutkimuksen, jossa oli viisi erilaista strategiaa liikkuvat keskiarvot Kunkin strategian onnistumisprosentti vaihteli 37: n ja 66: n välillä. Tämä tutkimus viittaa siihen, että liikkuvien keskiarvojen tulos on vain noin puolet Minulle, joka voisi tehdä niistä riskialtista ehdotusta osakemarkkinoiden tehokkaaksi ajoittamiseksi.6 Arvopaperit osoittavat usein suhdanneherkkää käyttäytymistä. Tämä pätee myös hyödyllisyysyrityksiin, joilla on jatkuvasti kysyntää tuotteistaan ​​vuosi sitten, mutta joilla on vahva kokemus Kausivaihtelut Vaikka liikkuvat keskiarvot voivat auttaa näiden suuntausten tasaamiseksi, ne voivat myös piilottaa sen, että turvallisuus kehittyy oskillaatiomallissa. Lisätietoja on kohdassa Keep a Eye on Momentum.7 Jokaisen trendin tarkoituksena on ennustaa, missä hinta Turvallisuudesta tulevaisuudessa Jos arvopaperi ei ole suuntautunut kumpaankaan suuntaan, se ei anna mahdollisuutta hyötyä joko ostosta tai lyhyestä myynnistä. Ainoa tapa, jolla sijoittaja voi hyötyä, olisi toteuttaa hienostuneita vaihtoehtoja joka perustuu vakaaseen hintaan. Bottom Line Moving keskiarvot on pidetty arvokkaana analyyttinen työkalu monille, mutta jos työkalu on tehokas sinun on ensin ymmärrettävä sen functio n, milloin sitä käytetään ja kun sitä ei käytetä Tässä käsiteltävät vaarat osoittavat, että keskimääräiset liikkeet eivät ehkä ole olleet tehokkaita välineitä, kuten käytettäessä haihtuvia arvopapereita ja miten ne voivat jättää huomiotta tietyt tärkeät tilastotiedot, kuten sykliset kuviot . On myös kyseenalaista, kuinka tehokkaat liikkuvat keskiarvot ovat hintatrendien tarkkailemiseksi. Haittojen vuoksi liikkuvien keskiarvojen voi olla väline, jota parhaiten käytetään yhdessä muiden kanssa. Loppujen lopuksi henkilökohtainen kokemus on lopullinen osoitus siitä, kuinka tehokkaita he todella ovat sinun portfoliota Katso lisää Adaptive Moving Average - ratkaisut johtavat parempaan tulokseen. Yhdysvaltain työvoimatoimiston työtutkimus auttaa mittaamaan avoimia työpaikkoja. Se kerää tietoja työnantajista. Rahamäärä, jonka Yhdysvallat voi lainata Velan enimmäismäärä oli joka perustettiin toisen vapausrekisterioikeuden nojalla. Korko, jolla talletuslaitos myöntää Federal Reserve - rahaston varoja toiselle talletukselle Ory-instituutti.1 Tilastollinen toimenpide tietyn arvopaperin tai markkinavaihtotuloksen hajoamisen suhteen Volatiliteetti voidaan joko mitata. Yhdysvaltain kongressin toimikausi hyväksyttiin vuonna 1933 pankkilaissa, jossa kiellettiin kaupallisten pankkien osallistuminen investointiin. viittaa kaikkiin tilojen, yksityisten kotitalouksien ja voittoa tavoittelemattomien yritysten ulkopuoliseen työhön Yhdysvaltain työvaliokunta. Keskimääräiset ja eksponentiaaliset tasoitusmallit. Ensimmäinen askel ylittää keskiarvot, satunnaiset kävelymallit ja lineaariset trendimallit, ei-seulomalliset mallit ja suuntaukset voidaan ekstrapoloida liikkuvan keskiarvon tai tasoitusmallin avulla. Perusoletus keskiarvon ja tasoitusmallien taustalla on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevalla keskiarvolla. Siksi siirrämme liikkuvan paikallisen keskiarvon keskiarvon nykyarvon arvioimiseksi ja sen jälkeen käytä tätä lähitulevaisuuden ennusteena Tätä voidaan pitää kompromissina keskimallin mallin ja satunnaisen kulkevan ilman ajoväylämallia vastaan. Sama strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapoloimiseen Liukuvaa keskiarvoa kutsutaan usein alkuperäisen sarjan tasoitetuksi versioksi, koska lyhyen aikavälin keskiarvotus heijastaa alkuperäisten sarakkeiden tasoittamista säätämällä tasoituksen tasoa Liikkuvat keskiarvot, voimme toivoa saavuttavan jonkinlaisen optimaalisen tasapainon keskimääräisen ja satunnaisen kävelymallin suorituskyvyn välillä Yksinkertaisin keskitemallin malli on yksinkertainen yhtäpainotettu liikkuva keskiarvo. Y: n arvosta t 1, joka tehdään ajankohtana t on viimeisten m havaintojen yksinkertainen keskiarvo. Tässä ja muualla käytän Y-hahmoa ennusteessa aikasarjasta Y mahdollisimman varhaisessa päivämääränä tietyn mallin mukaan. Tämä keskiarvo keskittyy ajanjaksoon t-m 1 2, mikä tarkoittaa sitä, että arvio Paikallinen keskiarvo pyrkii jäljessä paikallisen keskiarvon todellisesta arvosta noin m 1 2 jaksolla. Näin ollen sanomme, että datan keski-ikä yksinkertaisella liiketaloudellisella keskiarvolla on m 1 2 suhteessa siihen kauteen, jolle ennuste lasketaan tämä on aika, jolla ennusteet katoavat jäljessä datan kääntöpisteistä. Esimerkiksi, jos keskiarvo lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka myöhästyvät vastakkain kääntöpisteissä. Huomaa, että jos m 1, yksinkertainen liukuva keskimääräinen SMA-malli vastaa satunnaisen kävelymallin ilman kasvua Jos m on hyvin suuri, joka on verrattavissa arviointikauden pituuteen, SMA-malli vastaa keskiarvoista mallia. Kuten ennustamomallin parametreilla, se on tavanomaista säätää ki-arvoa n jotta saadaan parhaiten sopivat tiedot, eli pienimmät ennustevirheet keskimäärin. On esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritetään sovittaa satunnaisen kävelyn kanssa Malli, joka vastaa yksinkertaista liikkumatonta keskiarvoa yhdestä termistä. Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta näin tehdessään se poimii paljon datan kohinaa satunnaisvaihteluista sekä signaalista paikallinen Keskiarvo Jos me yrittäisimme yksinkertaisesti liikkua keskimäärin 5 ehdokasta, saamme tasaisemman näköisiä ennusteita. 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaiskäytävä malli tässä tapauksessa. Tämän tietojen keskimääräinen ikä ennuste on 3 5 1 2, joten se on yleensä jäljessä käännekohdista noin kolmella jaksolla Esimerkiksi laskusuhdanne näyttää esiintyneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useisiin jaksoihin myöhemmin. Huomaa, pitkän aikavälin ennusteet SMA-modista El on horisontaalinen suora, kuten satunnaiskäytävässä. Siten SMA-mallissa oletetaan, että datassa ei ole trendiä. Vaikka satunnaiskäytävämallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, ennusteet SMA-malli on yhtä kuin viimeaikaisten arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteille eivät laajene ennustehorisontin kasvaessa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole mitään taustalla olevaa tilastoteoria, joka kertoo, kuinka luottamusväliä pitäisi laajentaa tähän malliin. Ei kuitenkaan ole liian vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pitempään horisonttiennusteisiin. Esimerkiksi voit luoda laskentataulukon, jossa SMA-malli käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin, jne. historiallisen datanäytteen sisällä. Tämän jälkeen voit laskea virheiden näytteen keskihajotukset kullakin ennusteella h orizon, ja sitten rakentaa luottamusväliä pitempiaikaisille ennusteille lisäämällä ja vähentämällä asianmukaisten standardipoikkeaman kerrannaisvaikutuksia. Jos yritämme 9-portaista yksinkertaista liikkuvaa keskiarvoa, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta. Keskimääräinen ikä on nyt 5 jaksoa 9 1 2 Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä kasvaa arvoon 10. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin kymmenen jaksolla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon. Mallin C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla kolmen ja 9 kuukauden keskiarvoissa. niiden muut tilastot ovat lähes samankaltaisia. Joten mallien, joilla on hyvin samankaltaiset virhestatukset, voimme valita, haluammeko ennustaa hieman reagointikykyä tai hieman tasaisempaa. Palaa sivun yläreunaan. Brown s Yksinkertainen eksponentiaalinen tasoitus eksponentiaalisesti painotettu liikkuvaa keskiarvoa. Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottava ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edeltävät havainnot Intuitiivisesti, aiemmat tiedot on diskontattava asteittain - esimerkiksi viimeisin havainto saavat hieman enemmän painoa kuin 2. viimeisin, ja 2. viimeisin pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja niin edelleen Yksinkertainen eksponentti tasoitus SES malli tekee tämän. Let merkitsee tasaus vakiona luku välillä 0 ja 1 Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyistä tasoa eli sarjan keskimääräistä arvoa, joka on arvioitu datasta tähän asti L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan. Siten nykyinen tasoitettu arvo on interpolointi edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä se ohjaa interpoloidun arvon läheisyyttä eniten Sentin ennustaminen Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo. Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aikaisempien havaintojen perusteella jollakin seuraavista vastaavista versioista Ensimmäisessä versiossa ennuste on interpolointi Edellisen ennusteen ja aiemman havainnon välillä. Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla. On virheen aikaan t Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu eli diskontattu liikkuva keskiarvo diskonttokertoimella 1. Ennakoivan kaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukkoon, johon se sopii yhteen soluun ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, havainto ja solu, jossa arvo on tallennettu. Huomaa, että jos 1, SES-malli vastaa satunnainen kävelymalli wit jos 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu yhtä kuin keskiarvo Palaa sivun yläosaan. Yksinkertaisen eksponentiaalisen tasauksen ennusteessa olevien tietojen keskimääräinen ikä on 1 suhteellinen ennuste lasketaan Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja Näin ollen yksinkertainen liukuva keskimääräinen ennuste pyrkii kääntämään käänteispisteitä noin yhdellä jaksolla Esimerkiksi 0 5 viive on 2 jaksoa, kun 0 2 viive on 5 jaksoa, kun 0 1 viive on 10 jaksoa jne. Tietyllä keskimääräisellä iällä eli viivästymisellä, yksinkertainen eksponentiaalinen tasoitus SES ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskimääräinen SMA-ennuste, koska se asettaa suhteellisen enemmän painoarvoa viimeisimpiin havaintoihin - se on hieman reagoivampi viime aikoina tapahtuneisiin muutoksiin. Esimerkiksi yhdeksällä ehdolla olevalla SMA-mallilla ja kahdella SES-mallilla on keskimääräinen ikä 5: lle da mutta SES-mallissa painotetaan viimeisimpiä kolmea arvoa kuin SMA-malli, mutta samalla ei unohda yli 9 vanhoja arvoja, kuten tässä kaaviossa on esitetty. Toinen tärkeä etu SES-malli SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä ratkaisija-algoritmia keskimääräisen neliövirheen minimoimiseksi. SES-mallin optimaalinen arvo tämän sarjan osalta ilmaisee On 0 2961, kuten tässä on esitetty. Tämän ennusteen tietojen keskimääräinen ikä on 1 0 2961 3 4 jaksoa, joka on samanlainen kuin 6-kertainen yksinkertainen liikkuva keskiarvo. SES-mallin pitkän aikavälin ennusteet ovat vaakasuora viiva kuten SMA-mallissa ja satunnaiskäytävä malli ilman kasvua Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat nyt kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin randin luottamusvälit om-kävelymalli SES-malli olettaa, että sarja on hieman ennakoitavampi kuin satunnaiskäytävä malli. SES-malli on itse asiassa ARIMA-mallin erityistilanne, joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan luottamusvälien laskemiselle SES-malli Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA1-termi ja ei vakioaikaa, joka muuten tunnetaan ARIMA 0,1,1 - malliksi ilman vakioa. ARIMA-mallissa MA 1 - kerroin vastaa Esimerkiksi, jos asetat ARIMA 0,1,1 - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA 1-kerroin osoittautuu 0 7029, joka on lähes täsmälleen yksi miinus 0 2961. On mahdollista lisätä oletus nollasta riippumattomalle vakioiselle lineaariselle trendille SES-mallille. Tähän voidaan tehdä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA1-termi vakiolla eli ARIMA 0,1,1 - mallilla pitkällä aikavälillä Sitten on trendi, joka vastaa koko arviointikauden aikana havaittua keskimääräistä trendiä Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet ovat pois käytöstä, kun mallityyppi on asetettu ARIMA: lle. Voit kuitenkin lisätä vakion pitkän Terminen eksponentiaalinen trendi yksinkertaiseen eksponentiaalisen tasoitusmallin kanssa kausittaisen säätämisen kanssa tai ilman sitä käyttämällä inflaatiota säätämisvaihtoehtoa ennusteprosessissa Asianmukaista inflaation prosentuaalista kasvuvauhtia jaksoa kohti voidaan arvioida laskennan kertoimeksi lineaarisessa trendimallissa, joka on sovitettu Yhdessä luonnollisen logaritmimuunnoksen kanssa tai se voi perustua muihin pitkäaikaisiin kasvunäkymiin liittyvästä riippumattomasta tiedosta. Palaa sivun alkuun. Brown s Lineaarinen eli kaksinkertainen eksponentiaalinen tasoittaminen. SMA-mallit ja SES-mallit olettavat, että ei ole olemassa suuntausta Kaikenlaisia ​​tietoja, jotka ovat yleensä OK tai ainakin ei-liian-huono 1-askel eteenpäin ennusteet, kun tiedot ovat suhteellisesti noi syy, ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen kehityksen, kuten edellä on esitetty. Mitä lyhyen aikavälin trendeihin Jos sarjassa on vaihteleva kasvuvauhti tai syklinen kuvio, joka erottuu selkeästi melusta, ja jos on tarvetta Ennustetaan enemmän kuin 1 jakso eteenpäin, paikallisen trendin estimointi saattaa myös olla kysymys Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponentiaalisen tasoittavan LES-mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva suuntaus malli on Brownin lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennusteiden kaava perustuu kahden keskipisteen linjan ekstrapoloimiseen. Tämän mallin Holt s: n hienostunut versio on Seuraavassa selostetaan Brownin lineaarisen eksponentiaalisen tasoitusmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista monissa erilaisissa, mutta e Kolmiarvoiset muodot Tämän mallin vakiomuoto on yleensä ilmaistu seuraavasti: Let S tarkoittaa yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponenttista tasoitusta sarjaan Y, eli S: n arvo ajanjaksolla t on annettu. Muista, että yksinkertaisen eksponentiaalisen tasoituksen alla tämä olisi Y: n ennuste ajanjaksolla t 1 Sitten S merkitsee kaksinkertaisen tasoitetun sarjan, joka saadaan käyttämällä yksinkertaista eksponentiaalista tasoitusta käyttäen samaa sarjaa S. Lopuksi Y: n ennustetta mille tahansa k 1 on annettu. Tämä tuottaa e 1 0 eli huijaa hieman ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto, ja e 2 Y 2 Y 1, jonka jälkeen ennusteet muodostetaan käyttämällä edellä olevaa yhtälöä, saadaan samat sovitut arvot Kuten S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttämällä S 1 S 1 Y 1 Tätä malliversiota käytetään seuraavalla sivulla, joka kuvaa eksponentiaalisen tasauksen yhdistelmää kausittaisella säätöllä. Holt s Linear Exponential Smoothing. Brown S LES - malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia ​​tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa tietomalleja, jotka pystyvät sopeutumaan tasoon ja suuntaukseen, eivät saa vaihdella at riippumatonta tasoa Holtin LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille Joka kerta t, kuten Brownin mallissa, on paikallisen tason L t ja arvio T t paikallinen trendi Tässä ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä t ja edellisistä tason ja trendin arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponenttista tasoitusta. Jos arvioitu taso ja trendi ajanhetkellä t-1 Ovat vastaavasti L t 1 ja T t-1, silloin Y t: n ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä kuin L t-1 T t-1 Kun todellinen arvo havaitaan, taso lasketaan rekursiivisesti interpoloimalla Yt: n ja sen ennusteen L t-1 T t-1 välillä käyttäen painotuksia ja 1. Arvioitua tasoa, eli L t Lt 1: n muutosta voidaan tulkita meluisaksi mittaukseksi suuntaus ajankohtana t Trendin päivitetty arvio arvioidaan sitten rekursiivisesti interpoloimalla L: n välillä t L t 1 ja edellisen trendin trendin T t-1 käyttäen painotuksia ja 1. Trenditasoitusvakion tulkinta vastaa tasonsäätövakion tasoa. Pienillä arvoilla olevat mallit olettavat, että trendi muuttuu vain suuremmalla hitaudella, kun taas suurempien mallien oletetaan muuttuvan nopeammin. Suuri malli uskoo, että kaukana oleva tulevaisuus on hyvin epävarma, koska trendien arvioinnin virheet tulevat melko tärkeiksi, kun ennustetaan enemmän kuin yksi aika edellä. Palaa alkuun Sivutaso tasoittaa ja voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun Statgraphicsissa tämä tehdään, arviot osoittavat olevan 0 3048 ja 0 008. tarkoittaa, että mallissa oletetaan, että trendi vaihtelee hyvin vähän ajanjaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin suuntausta. Vastaavasti käsitteellä "keski-ikä" se paikallisen tason sarja, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1: een, vaikka se ei ole täsmälleen sama. Tässä tapauksessa se osoittautuu 1 0 006 125 Tämä isn ta erittäin tarkka luku koska tarkkuuden tarkkuus ei ole todellakaan 3 desimaalin tarkkuudella, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimiseksi. Alla oleva taulukko osoittaa, että LES-malli arvioi jonkin verran suurempaa paikallista suuntausta sarjan lopussa kuin SES-trendimallissa arvioitu jatkuva kehitys. Myös arvioitu arvo on lähes identtinen SES-mallin kanssa sovittamalla tai ilman suuntausta , Joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallille, jonka pitäisi arvioida paikallista trendiä. Jos näet silmämunin tämän tontin, näyttää siltä, ​​että paikallinen trendi on kääntynyt alaspäin lopussa sarja Wh at on tapahtunut Tämän mallin parametreja on arvioitu minimoimalla 1-askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi ei tee paljon eroa Jos kaikki olet tarkastelemassa ovat 1 - etenemisvirheitä, et näe suurempaa kuvaa suuntauksista yli sanoa 10 tai 20 jaksoa Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunien ekstrapolointiin, voimme säätää manuaalisesti trendin tasoitusvakion niin, että se käyttää trendin estimointiin lyhyemmän perustan Esimerkiksi jos päätämme asettaa 0 1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että lasketaan keskiarvo viimeisen 20 jakson aikana tai niin Tässä on se, mitä ennustettu tontti näyttää, jos asetamme 0 1 säilyttäen 0 3 Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikkakin on todennäköisesti vaarallista ekstrapoloida tämä trendi yli 10 jaksoa tulevaisuudessa. Mitä virhestatuksista tässä on mallivertailu f Tai edellä kuvatut kaksi mallia sekä kolme SES-mallia SES-mallin optimaalinen arvo on noin 0 3, mutta vastaavilla tuloksilla, joilla on hieman enemmän tai vähemmän vastetta, saadaan vastaavasti 0 5 ja 0 2. A Holt s lineaarinen exp tasoitus alfa 0 3048 ja beeta 0 008. B Holtin lineaarinen pikselointi alfa 0 3: lla ja beeta 0 1. C Yksinkertainen eksponenttinen tasaus alfa 0 5. D Yksinkertainen eksponentiaalinen tasoitus alfa 0 3. E Yksinkertainen eksponenttinen tasaus alfa 0 2: lla. Kaikki tilastot ovat lähes samanlaisia, joten emme todellakaan pysty tekemään valintaa yhden askeleen ennakkoilmoitusvirheiden perusteella. Meidän on pudottava muut näkökohdat. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trenditieto siitä, mitä on tapahtunut viimeisen 20 ajanjakson aikana tai niin, voimme tehdä tapauksen LES-mallille, jossa on 0 3 ja 0 1 Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olisi helpompi selittää ja antaa myös enemmän middl e-of-the-road - ennusteet seuraaville viideksi tai kymmenelle jaksolle Palaa sivun yläreunaan. Mikä suuntaus-ekstrapolointi on paras horisontaalinen vai lineaarinen? Empiirinen näyttö viittaa siihen, että jos tietoja on jo jo tarpeellista inflaatiota varten, niin voi olla varomaton ekstrapoloida lyhytaikaisia ​​lineaarisia suuntauksia hyvin pitkälle tulevaisuuteen. Tänään näkyvät trendit voivat hidastua tulevaisuudessa erilaisten syiden vuoksi, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponentiaalinen tasoitustoimet tekevät usein parempaa näytteenottotapahtumaa kuin muutoin olisi odotettavissa, vaikka sen naiivi horisontaalinen suuntaus ekstrapolaatiosta Lineaarisen eksponentiaalisen tasoitusmallin vaimennetut trendimuutokset ovat myös käytännössä usein käytännössä esillä konservatiivisuuden muistiinpanossa sen suuntausennusteisiin. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA 1,1,2-mallista. On mahdollista laskea luottamusvälit arou eksponentiaalisten tasoitusmallien tuottamat pitkän aikavälin ennusteet, tarkastelemalla niitä ARIMA-mallien erikoistapauksina Varo, etteivät kaikki ohjelmat laske luottamusvälit näille malleille oikein Luottamusvälien leveys riippuu mallin RMS-virheestä, tyypistä Yksinkertaisen tai lineaarisen tasoituksen taso iii tasoitusvakion s ja iv lukema ennusteiden aikaisempien jaksojen lukumäärä Yleisesti ottaen välekset levittyvät nopeammin SES-mallin suuremmiksi ja ne levittyvät paljon nopeammin, kun ne ovat lineaarisia eikä yksinkertaisia tasoitus on käytetty Tätä aihetta käsitellään edelleen huomautusten ARIMA-malleissa. Palaa sivun alkuun. Tekninen analyysi Moving averages. Most-kaaviomallit osoittavat paljon vaihtelua hintaliikkeessä Tämä voi vaikeuttaa kauppiaiden käsitystä turvallisuuden yleinen suuntaus Yksi yksinkertainen tapa, jolla kauppiaat käyttävät tämän torjumiseksi, ovat liikkuvien keskiarvojen soveltaminen Liikkuva keskiarvo on arvopaperin keskimääräinen hintataso F time Suunnittele turvallisuuden keskimääräinen hinta hintaliike tasaantuu Kun päivittäiset vaihtelut poistetaan, kauppiaat pystyvät paremmin tunnistamaan todellisen suuntauksen ja lisäämään todennäköisyyttä, että se toimii heidän hyväkseen. Lisätietoja , lue Moving Medages tutorial. Tyyppiset liikkuvat keskiarvot On olemassa useita erilaisia ​​liikkuvia keskiarvoja, jotka vaihtelevat tavalla, jolla ne lasketaan, mutta kuinka jokainen keskiarvo tulkitaan pysyy ennallaan. Laskelmat poikkeavat toisistaan ​​vain niiden painotusten suhteen, Sijoitetaan hintatietoihin siirtymällä kunkin hintatason painosta yhtäpitävästi viimeisimpään dataan verrattuna. Kolme yleisintä liikkuvaa keskiarvoa ovat yksinkertaiset lineaariset ja eksponentiaaliset. Simple Moving Average SMA Tämä on yleisimpi menetelmä, jota käytetään laskettaessa liukuva keskihinta Yksinkertaisesti kaikkien viimeisten sulkemishintojen yhteenlaskettu summa ajanjaksolla ja jakaa tuloksen laskentaan käytettyjen hintojen lukumäärän mukaan Esimerkiksi, kymmenen päivän liukuva keskiarvo yhdistää viimeiset 10 sulkemiskoot ja sitten jaettuna 10: llä. Kuten kuvasta 1 nähdään, elinkeinonharjoittaja pystyy tekemään keskimääräistä vähemmän herkästi muuttuviin hintoihin lisäämällä ajanjaksojen määrää Laskenta Laskennassa olevien aikajaksojen lisääminen on yksi parhaista tavoista arvioida pitkän aikavälin kehityksen vahvuutta ja todennäköisyyttä, että se kääntää. Monet yksilöt väittävät, että tämän tyyppisen keskiarvon hyödyllisyys on rajoitettu, koska jokainen että datasarjassa oleva kohta vaikuttaa samalla tavalla tulokseen riippumatta siitä, missä se esiintyy sekvenssissä. Kriitikot väittävät, että viimeisimmät tiedot ovat tärkeämpiä, ja siksi sen pitäisi myös olla suurempi painotus. Tällainen kritiikki on ollut yksi tärkeimmät tekijät, jotka johtavat muuntyyppisten liikkuvien keskiarvojen keksimiseen. Linear Weighted Average Tämä liukuva keskiarvoindikaattori on vähiten yhteinen kolmesta ja sitä käytetään korjaamaan samanpainotuksen ongelma Lineaarinen painotettu liukuva keskiarvo lasketaan ottamalla kaikkien sulkemishintojen summa tiettynä ajanjaksona ja kertomalla ne datapisteen sijainnin mukaan ja jakamalla kausien lukumäärän summalla Esimerkiksi viiden päivän lineaarinen painotettu keskiarvo, nykypäivän päätöskurssi kerrotaan viidellä, eilen s neljällä ja niin edelleen, kunnes ensimmäisellä päivällä aikavälillä saavutetaan. Nämä numerot lisätään sitten yhteen ja jaetaan kertoimien summalla. Eminometrinen liikkuva keskiarvo EMA Tämä liukuva keskimääräinen laskenta käyttää tasoituskerrointa, jolla painotetaan aiempaa paremmin viimeisimpiin datapisteisiin ja pidetään paljon tehokkaampana kuin lineaarinen painotettu keskiarvo. Laskennan ymmärtäminen ei yleensä ole tarpeen useimmille kauppiaille, koska useimmat kartoituspaketit tekevät laskennan sinulle Tärkein asia muistaa eksponentiaalisen liukuvan keskiarvon suhteen on se, että se vastaa paremmin suhteessa yksinkertaiseen liikkuvaan keskiarvoon Th on reagointikyky on yksi keskeisistä tekijöistä, miksi tämä on liikkuvan keskiarvon valinta monien teknisten toimijoiden Kuten näet kuvassa 2, 15-jakso EMA nousee ja laskee nopeammin kuin 15-jaksoinen SMA Tämä pieni ero ei näytä mutta se on tärkeä tekijä olla tietoinen, koska se voi vaikuttaa tuottoihin. Suurimmat liikkuvat keskiarvot Käytettyjen keskiarvojen avulla tunnistetaan nykyiset trendit ja suuntaukset sekä perustetaan tuki - ja vastustustasoja. Keskimääräisiä keskiarvoja voidaan Käytetään nopeasti tunnistamaan, onko turvallisuus liikkuu nousussa tai laskusuhdanteessa riippuen liikkeen keskiarvosta. Kuten kuviosta 3 nähdään, kun liukuva keskiarvo on ylöspäin ja hinta on sen yläpuolella, suojaus on uptrend Kääntäen alhaiselta kaltevalta liukuva keskiarvo alhaiselta hinnaltaan voidaan käyttää laskusuhdanteen ilmaisemiseen. Toinen menetelmä vauhdin määrittämiseksi on tarkastella liikkuvien keskiarvojen parin järjestystä. Kun lyhyen aikavälin keskiarvo ylittää pitkän aikavälin Keskimäärin trendi on ylöspäin Lyhyen aikavälin keskiarvon yläpuolella oleva pitkän aikavälin keskiarvo merkitsee trendin alaspäin suuntautuvaa suuntausta. Keskimääräiset trendinmuutokset muodostuvat kahdella päätavalla, kun hinta liikkuu liikkuvan keskiarvon ja kun Se liikkuu liikkuvien keskimääräisten risteytysten kautta Ensimmäinen yhteinen signaali on, kun hinta siirtyy tärkeän liukuvan keskiarvon kautta. Esimerkiksi kun nousevaan turvallisuuteen liittyvä hinta laski alle 50-vuotisen liikkumavaran, kuten kuviossa 4, se on merkki siitä, että nousu voi kääntyä. Muut trendin käänteisviesti on, kun liikkuva keskiarvo ylittää toisen. Esimerkiksi, kuten kuviosta 5 nähdään, jos 15 päivän liukuva keskiarvo ylittää 50 päivän liukuva keskiarvon , on positiivinen merkki siitä, että hinta alkaa kasvaa. Jos laskelmissa käytetyt jaksot ovat suhteellisen lyhyitä, esimerkiksi 15 ja 35, tämä voisi merkitä lyhyen aikavälin trendin kääntämistä. Toisaalta, kun kaksi keskiarvoa, pitkä aika fra Esimerkiksi yli 50: n ja 200: n välillä, tämä tarkoittaa pitkän aikavälin siirtymistä trendiin. Toinen tärkeä keino liikkuvaa keskiarvoa käytetään tunnistamaan tuki - ja resistanssitasot Ei ole harvinaista nähdä varastosta, sen lasku ja päinvastainen suuntaan, kun se osuu suuren liukuvan keskiarvon tukeen. Suurten liukuvien keskiarvojen siirtymistä käytetään usein teknisten toimijoiden signaalina, että suuntaus kääntää. Esimerkiksi jos hinta rikkoo 200 päivän liukuva keskiarvo Alaspäin suuntaan, se on merkki siitä, että nousu on kääntävä. Keskimääräiset siirrot ovat tehokas työkalu kehityksen trendin analysoimisessa. Ne tarjoavat hyödyllisiä tuki - ja vastuspisteitä ja ovat erittäin helppokäyttöisiä. Yleisimmät aikakehykset, joita käytetään Liukuvien keskiarvojen luominen on 200 päivän, 100 päivän, 50 päivän, 20 päivän ja 10 päivän päivä. 200 päivän keskiarvon uskotaan olevan hyvä kaupankäynnin vuosi, 100 päivän keskiarvo puolet Vuosi, 50 päivän keskiarvo neljännesvuosittain, a Keskimäärin 20 päivän keskiarvo ja 10 päivän keskimäärin kaksi viikkoa. Keskimääräiset keskiarvot auttavat teknisiä kauppiaita tasoittamaan joitain päivittäisten hintaliikkeiden kohinaa, mikä antaa kauppiaille selkeämmän kuvan hintakehityksestä olemme keskittyneet hintaliikkeeseen, kaavioiden ja keskiarvojen avulla. Seuraavassa osassa tarkastellaan muutamia muita tekniikoita, joilla varmistetaan hintakehitys ja kuviot.