Flytte Gjennomsnittet Justert For Lineær Trend

Enkle bevegelige gjennomsnitt Gjør trendene stående. Gjennomgående gjennomsnitt er MA en av de mest populære og ofte brukte tekniske indikatorene. Det glidende gjennomsnittet er enkelt å beregne, og når det er tegnet på et diagram, er det et kraftig visuelt trendspottingsverktøy. Du vil ofte høre omtrent tre typer bevegelige gjennomsnittlige enkle eksponensielle og lineære Det beste stedet å starte er å forstå det mest grunnleggende det enkle glidende gjennomsnittet SMA La oss ta en titt på denne indikatoren, og hvordan det kan hjelpe handelsfolk å følge trender mot større fortjeneste. For mer om glidende gjennomsnitt Se vår Forex Walkthrough. Trendlines Det kan ikke være noen fullstendig forståelse av bevegelige gjennomsnitt uten å forstå trender. En trend er rett og slett en pris som fortsetter å bevege seg i en bestemt retning. Det er bare tre virkelige trender som en sikkerhet kan følge. En opptrinn eller bullish trend, betyr at prisen beveger seg høyere. En downtrend eller bearish trend, betyr at prisen beveger seg lavere. En sidelengs trend der prisen beveger seg sideveis. Impor Det er tant å huske om trender, at prisene sjelden beveger seg i en rett linje. Derfor er flytte-gjennomsnittlige linjer brukt til å hjelpe en næringsdriver lettere å identifisere retningen for trenden. For mer avansert lesing om dette emnet, se Grunnleggende om Bollinger Bands og Flytte gjennomsnittlige konvolutter Raffinere et populært handelsverktøy. Gjennomgang av gjennomsnittlig konstruksjon Håndbokdefinisjonen for et bevegelig gjennomsnitt er en gjennomsnittspris for en sikkerhet ved hjelp av en angitt tidsperiode. La oss ta det svært populære 50-dagers glidende gjennomsnittet som et eksempel. En 50-dagers bevegelse gjennomsnittet beregnes ved å ta sluttprisene de siste 50 dagene av eventuell sikkerhet og legge dem sammen. Resultatet av tilleggsberegningen er deretter delt med antall perioder, i dette tilfellet 50 For å fortsette å beregne glidende gjennomsnitt på en daglig basis, erstatt det eldste tallet med den siste sluttkursen og gjør samme matte. Uansett hvor lenge eller kort av et glidende gjennomsnitt du ser på å plotte, beregner du grunnleggende beregningen s forblir det samme Forandringen vil være i antall sluttkurser du bruker Så for eksempel et 200-dagers glidende gjennomsnitt er sluttprisen i 200 dager summert sammen og deretter delt med 200 Du vil se alle slags bevegelige gjennomsnitt, fra to dagers glidende gjennomsnitt til 250-dagers glidende gjennomsnitt. Det er viktig å huske at du må ha et visst antall sluttpriser for å beregne glidende gjennomsnitt. Hvis en sikkerhet er helt ny eller bare en måned gammel, vil du ikke kunne å gjøre et 50-dagers glidende gjennomsnitt fordi du ikke vil ha et tilstrekkelig antall datapunkter. Det er også viktig å merke seg at vi har valgt å bruke sluttkurs i beregningene, men glidende gjennomsnitt kan beregnes med månedlige priser, ukentlig priser, åpningspriser eller til og med intradagpriser For mer, se vår Moving Averages-veiledning. Figur 1 Et enkelt glidende gjennomsnitt i Google Inc. Figur 1 er et eksempel på et enkelt glidende gjennomsnitt på et aksjekart av Google Inc Nasdaq GOOG Den blå linjen representerer en 50-dagers flytende avera Ge I eksemplet ovenfor kan du se at trenden har beveget seg lavere siden slutten av 2007. Prisen på Googles aksjer falt under 50-dagers glidende gjennomsnitt i januar 2008 og fortsatte nedover. Når prisen krysser under et glidende gjennomsnitt, er det kan brukes som et enkelt handelssignal Et bevegelse under det bevegelige gjennomsnittet som vist ovenfor antyder at bjørnene har kontroll over prishandlingen, og at aktiva vil sannsynligvis bevege seg lavere. Omvendt antyder et kryss over et glidende gjennomsnitt at oksene er i kontroll og at prisen kan bli klar til å gjøre et trekk høyere Les mer i Sporprisene med Trendlines. Andre måter å bruke Flytte Gjennomsnitt Gjeldende gjennomsnitt brukes av mange handelsfolk til å ikke bare identifisere en nåværende trend, men også som en inngang og utgang strategi En av de enkleste strategiene er avhengig av krysset av to eller flere bevegelige gjennomsnitt. Det grunnleggende signalet gis når kortsiktig gjennomsnitt krysser over eller under lengre sikt glidende gjennomsnitt. To eller flere glidende gjennomsnitt alle Hvis du ser en lengre sikt trend i forhold til et kortere sikt glidende gjennomsnitt, er det også en enkel metode for å avgjøre om trenden er i ferd med å få styrke eller hvis den er i ferd med å reversere. Les mer på denne metoden, les A Primer på MACD. Figure 2 Et langsiktig og kortere siktende glidende gjennomsnitt i Google Inc. Figur 2 bruker to bevegelige gjennomsnitt, en langsiktig 50-dagers, vist med den blå linjen og den andre kortere siktet 15 dager, vist ved den røde linjen. Dette er det samme google diagrammet vist i figur 1, men med tillegg av de to bevegelige gjennomsnittene for å illustrere forskjellen mellom de to lengdene. Du vil merke at 50-dagers glidende gjennomsnitt er tregere for å tilpasse seg prisendringer fordi det bruker flere datapunkter I sin beregning På den annen side er det 15-dagers glidende gjennomsnittet raskt å svare på prisendringer, fordi hver verdi har større vekt i beregningen på grunn av den relativt korte tidshorisonten. I dette tilfellet bruker du en kryssstrategi ville se på 15-dagers gjennomsnittet for å krysse under 50-dagers glidende gjennomsnitt som en oppføring for en kort stilling. Figur 3 En tre måneder. Ovenstående er et tre måneders diagram av USAs Oil AMEX USO med to enkle glidende gjennomsnitt. Den røde linjen er den kortere, 15- Dagens glidende gjennomsnitt, mens den blå linjen representerer det lengre 50-dagers glidende gjennomsnittet. De fleste handelsfolk vil bruke korset av det kortsiktige glidende gjennomsnittet over det langsiktige glidende gjennomsnittet for å starte en lang posisjon og identifisere starten på en bullish trend Lær mer om hvordan du bruker denne strategien i Trading MACD Divergence. Support er etablert når en pris trender nedover. Det er et punkt der salgstrykket reduseres og kjøpere er villige til å gå inn. Med andre ord er et gulv etablert. Resistance skjer når en pris trender oppover Det kommer et poeng når kjøpsstyrken minker og selgerne går inn i. Dette vil etablere et tak. For mer forklaring, les Support Resistance Basics. I begge tilfeller kan et glidende gjennomsnitt kunne signalere en n tidlig støtte eller motstandsnivå For eksempel, hvis en sikkerhet dør lavere i en etablert opptrend, vil det ikke være overraskende å se aksjene finner støtte på et langsiktig 200-dagers glidende gjennomsnitt. På den annen side, hvis prisen er trending lavere, vil mange handelsmenn se på aksjene for å sprette ut motstanden av store bevegelige gjennomsnitt. 50-dagers, 100-dagers, 200-dagers SMAs. For mer om bruk av støtte og motstand for å identifisere trender, les Trend-Spotting With the Accumulation Distribusjonslinje. Konklusjon Flytende gjennomsnitt er kraftige verktøy Et enkelt bevegelige gjennomsnitt er enkelt å beregne, noe som gjør at det kan brukes relativt raskt og enkelt. En bevegelig gjennomsnittlig største styrke er evnen til å hjelpe en næringsdrivende å identifisere en nåværende trend eller se en mulig trend reversering Flytte gjennomsnitt kan også identifisere et nivå av støtte eller motstand for sikkerheten, eller fungere som et enkelt inngangs - eller utgangssignal. Hvordan du velger å bruke bevegelige gjennomsnitt er helt opp til deg. Renten der et depositum ry institusjon gir midler opprettholdt i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredningen av avkastning for en gitt sikkerhets - eller markedsindeks Volatilitet kan enten måles. En amerikansk kongres vedtok i 1933 som bankloven, som forbudt kommersielle banker fra å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger og nonprofit sektor Den amerikanske Bureau of Labor. The valuta forkortelse eller valutasymbol for den indiske rupee INR, valutaen i India Rupee er består av 1.An første bud på et konkurs selskaps eiendeler fra en interessert kjøper valgt av konkursfirmaet Fra et basseng av bidders. Spreadsheet implementering av sesongjustering og eksponensiell utjevning. Det er greit å utføre sesongjustering og passe eksponensielle utjevningsmodeller Bruke Excel Skjermbildene og diagrammene nedenfor er hentet fra et regneark som er satt opp for å illustrere multipel cative sesongjustering og lineær eksponensiell utjevning på følgende kvartalsvise salgsdata fra Outboard Marine. For å få en kopi av selve regnearkfilen, klikk her. Versjonen av lineær eksponensiell utjevning som skal brukes her for demonstrasjonsformål, er Browns versjon, bare fordi det kan implementeres med en enkelt kolonne med formler og det er bare en utjevningskonstant for å optimalisere. Det er vanligvis bedre å bruke Holts versjon som har separate utjevningskonstanter for nivå og trend. Forutsigelsesprosessen fortsetter som følger, først dataene er sesongjustert ii da blir prognoser generert for sesongjusterte data via lineær eksponensiell utjevning og endelig sluttes de sesongjusterte prognosene for å få prognoser for den opprinnelige serien. Sesongjusteringsprosessen utføres i kolonne D til G. Det første trinnet i sesongens justering er å beregne et sentrert glidende gjennomsnitt som utføres her i kolonne D Dette kan gjøres ved å ta gjennomsnittet av to ettårige gjennomsnitt som kompenseres av en periode i forhold til hverandre. En kombinasjon av to offset-gjennomsnitt i stedet for et enkelt gjennomsnitt er nødvendig for sentreringsformål når antall sesonger er like. Det neste trinnet er å beregne forholdet til glidende gjennomsnitt - de opprinnelige dataene divideres med det bevegelige gjennomsnittet i hver periode - som utføres her i kolonne E Dette kalles også trend-syklusen i mønsteret, i den grad trend og business - sykluseffekter kan anses å være alt som gjenstår etter gjennomsnitt over et helt års dataverdier. Selvfølgelig kan endringer i måned til måned som ikke skyldes sesongmessighet, bestemmes av mange andre faktorer, men de 12 måneders gjennomsnittlige glattene over dem i stor grad Den estimerte sesongindeksen for hver sesong beregnes ved først å beregne alle forholdene for den aktuelle sesongen, som gjøres i celler G3-G6 ved hjelp av en AVERAGEIF-formel. Gjennomsnittlig forhold blir deretter rescaled slik at øynummer til nøyaktig 100 ganger antall perioder i en sesong, eller 400 i dette tilfellet, som er gjort i celler H3-H6 Nedenfor i kolonne F, brukes VLOOKUP formler til å sette inn riktig sesongbestemt verdi i hver rad av dataene bordet, ifølge kvartalet representerer det det sentrert glidende gjennomsnittet og de sesongjusterte dataene ser ut som dette. Merk at det bevegelige gjennomsnittet vanligvis ser ut som en jevnere versjon av sesongjusterte serien, og den er kortere i begge ender . Et annet regneark i samme Excel-fil viser anvendelsen av den lineære eksponensielle utjevningsmodellen til sesongjusterte data, som begynner i kolonne GA-verdien for utjevningskonstanten alfa, er angitt over prognosen kolonnen her, i celle H9 og for enkelhets skyld blir den tildelt serienavnet Alpha Navnet er tilordnet ved å bruke kommandoen Sett inn navnnavn LES-modellen er initialisert ved å sette de to første prognosene tilsvarer den første virkelige verdien av sesongjustert serien Formelen som brukes her for LES-prognosen, er recursiv form for bronse s-modellen. Denne formelen er angitt i cellen som svarer til den tredje perioden her, celle H15 og kopiert derfra Merk at LES-prognosen for den nåværende periode refererer til de to foregående observasjonene og de to foregående prognosefeilene, samt verdien av alfa. Forutsigelsesformelen i rad 15 refererer således kun til data som var tilgjengelige i rad 14 og tidligere. Selvfølgelig, hvis vi ønsket å bruke enkel i stedet for lineær eksponensiell utjevning, kunne vi erstatte SES-formelen her i stedet. Vi kunne også bruke Holt s snarere enn Browns LES-modell, som ville kreve to flere kolonner med formler for å beregne nivået og trenden som brukes i prognosen. feil beregnes i den neste kolonnen her, kolonne J ved å trekke prognosene fra de faktiske verdiene Rutenes middelkvadratfeil beregnes som kvadratroten av variansen av feilene pluss kvadratet av t han mener Dette følger av den matematiske identiteten MSE VARIANCE-feil AVERAGE-feil 2 Ved beregning av gjennomsnittet og variansen av feilene i denne formelen er de to første periodene utelukket fordi modellen ikke faktisk begynner prognoser før den tredje perioden rad 15 på regnearket Den optimale verdien av alpha kan finnes enten ved å endre alfa manuelt til minimum RMSE er funnet, ellers kan du bruke Solver til å utføre en nøyaktig minimering. Verdien av alfa som Solver funnet er vist her alpha 0 471. Det er vanligvis en god ide å plotte feilen til modellen i transformerte enheter og også å beregne og plotte sine autokorrelasjoner ved lags på opptil en sesong. Her er en tidsserier av de sesongjusterte feilene. Feilautokorrelasjonene beregnes ved hjelp av CORREL-funksjonen å beregne korrelasjonene til feilene med seg selv forsinket av en eller flere perioder - detaljer er vist i regnearkmodellen Her er et plott av autokorrelasjonene til feil i de fem første lagene. Autokorrelasjonene på lags 1 til 3 er svært nær null, men spissen ved lag 4, hvis verdi er 0 35, er litt plagsom - det antyder at sesongjusteringsprosessen ikke har vært helt vellykket. Det er faktisk bare marginalt signifikant 95 signifikansbånd for å teste om autokorrelasjoner er signifikant forskjellig fra null er omtrent pluss-eller-minus 2 SQRT nk, hvor n er prøvestørrelsen og k er laget. Her er n 38 og k varierer fra 1 til 5, så kvadratroten-av-n-minus-k er rundt 6 for dem alle, og derfor er grensene for å teste den statistiske signifikansen av avvik fra null, omtrent pluss-eller-minus 2 6 eller 0 33 Hvis du varierer verdien av alpha for hånd i denne Excel-modellen, du kan observere effekten på tidsseriene og autokorrelasjonsdiagrammer av feilene, samt på roten-middel-kvadratfeilen som vil bli illustrert nedenfor. På bunnen av regnearket, er prognoseformelen oppstartet i fremtiden ved å bare erstatte prognoser for faktiske verdier på det punktet hvor de faktiske dataene går ut - dvs. hvor fremtiden begynner Med andre ord, i hver celle der en fremtidig dataværdi vil oppstå, settes en cellereferanse som peker på prognosen laget for den perioden Alle de andre formlene kopieres rett og slett nedoverfra. Merk at feilene for fremtidsutsikter er alle beregnet til å være null Dette betyr ikke at de faktiske feilene vil være null, men det gjenspeiler bare det faktum at Forutsigelsesformål antar vi at fremtidige data vil tilsvare gjennomsnittlig prognose. De resulterende LES-prognosene for de sesongjusterte dataene ser slik ut. Med denne spesielle verdien av alfa, som er optimal for prognoser med en periode fremover, vil den prognostiserte trenden er litt oppover, noe som gjenspeiler den lokale trenden som ble observert i løpet av de siste 2 årene eller så. For andre verdier av alfa kan det oppnås en helt annen trendprojeksjon. Det er vanligvis en god ide å se e hva skjer med den langsiktige trendprojeksjonen når alfa er variert, fordi verdien som er best for kortsiktig prognose, ikke nødvendigvis vil være den beste verdien for å forutsi en lengre fremtid. For eksempel er det resultatet som oppnås hvis verdien av alfa er manuelt satt til 0 25. Den projiserte langsiktige trenden er nå negativ i stedet for positiv. Med en mindre verdi av alfa, legger modellen vekt på eldre data ved estimeringen av dagens nivå og trend, og sine langsiktige prognoser gjenspeiler den nedadgående trenden observert de siste 5 årene i stedet for den nyere oppadgående trenden. Dette diagrammet illustrerer også tydelig hvordan modellen med en lavere verdi av alfa er langsommere for å svare på vendepunkter i dataene og derfor har en tendens til å Gjør en feil på det samme tegnet i mange perioder på rad. De 1-trinns prognosefeilene er større i gjennomsnitt enn de som er oppnådd før RMSE på 34 4 i stedet for 27 4 og sterkt positivt autokorrelert Lag-1-bilen korrelasjonen av 0 56 overstiger i stor grad verdien av 0 33 beregnet ovenfor for en statistisk signifikant avvik fra null Som et alternativ til å svekke verdien av alfa for å introdusere mer konservatisme i langsiktige prognoser, blir det noen ganger lagt en trend-dempningsfaktor til modellen for å få den projiserte trenden til å flate ut etter noen få tidsperioder. Det siste trinnet i å bygge prognosemodellen er å redealisere LES-prognosene ved å multiplisere dem med de riktige sesongindeksene. De resesasonaliserte prognosene i kolonne I er derfor bare produktet av sesongindeksene i kolonne F og sesongjusterte LES-prognosene i kolonne H. Det er relativt enkelt å beregne konfidensintervaller for en-trinns prognoser laget av denne modellen først beregne RMSE-rotfelt-kvadratfeilen, som bare er kvadratroten til MSE og beregne deretter et konfidensintervall for sesongjustert prognose ved å legge til og trekke to ganger RMSE Generelt en 95 co Forventet intervall for en prognose for en periode fremover er omtrent lik poengprognosen pluss-eller-minus-to ganger estimert standardavvik for prognosefeilene, forutsatt at feilfordelingen er omtrent normal og prøvestørrelsen er stor nok, si , 20 eller mer Her er RMSE i stedet for standardprøvefeilen for feilene det beste estimatet av standardavviket for fremtidige prognosefeil fordi det også tar hensyn til tilfeldige variasjoner. Tillitsgrensene for den sesongjusterte prognosen blir deretter resesasonalized sammen med prognosen, ved å multiplisere dem med de riktige sesongindeksene. I dette tilfellet er RMSE 27,4 og den sesongjusterte prognosen for den første fremtidige perioden 93-tallet er 273 2, slik at det sesongjusterte 95 konfidensintervallet er fra 273 2 -2 27 4 218 4 til 273 2 2 27 4 328 0 Multiplicere disse grensene innen desember s sesongindeks på 68 61 vi oppnår lavere og øvre konfidensgrenser på 149 8 og 225 0 rundt 93-punktsprognosen på 187 4.Forholdelsesgrenser for prognoser mer enn en periode framover vil generelt vokse som prognoseperioden øker på grunn av usikkerhet om nivå og trend, samt sesongfaktorer, men det er vanskelig å beregne dem Generelt ved hjelp av analytiske metoder Den riktige måten å beregne konfidensgrenser for LES-prognosen er ved å bruke ARIMA-teorien, men usikkerheten i sesongindeksene er en annen sak. Hvis du vil ha et realistisk konfidensintervall for en prognose mer enn en periode framover, tar du alle Feilkilder, det beste alternativet er å bruke empiriske metoder for eksempel for å oppnå et konfidensintervall for en 2-trinns prognose. Du kan opprette en annen kolonne på regnearket for å beregne en 2-trinns prognose for hver periode ved å oppstramme en-trinns prognosen. Beregn deretter RMSE for 2-trinns prognosefeilene og bruk dette som grunnlag for et 2-trinns konfidensintervall. Når du beregner en løpende bevegelse gjennomsnittlig plassering av gjennomsnittet i mellomtiden er fornuftig. I det forrige eksempelet beregnet vi gjennomsnittet av de første 3 tidsperioder og plasserte det ved siden av perioden 3 Vi kunne ha plassert gjennomsnittet midt i tidsintervallet på tre perioder , det vil si ved siden av periode 2 Dette virker bra med ulige tidsperioder, men ikke så bra for jevne tidsperioder Så hvor skal vi plassere det første glidende gjennomsnittet når M 4. Teknisk vil det bevegelige gjennomsnittet falle på t 2 5, 3 5.Til å unngå dette problemet glatter vi MA s ved å bruke M 2 Således glatter vi de jevne verdiene. Hvis vi gjennomsnittlig et jevnt antall vilkår, må vi glatte de glatte verdiene. Følgende tabell viser resultatene ved hjelp av M 4.