C Einfacher Gleitender Durchschnitt




C Einfacher Gleitender DurchschnittTechnische Mittelwerte Die Mittelwerte werden verwendet, um kurzfristige Schwankungen zu glatten, um eine bessere Darstellung der Preisentwicklung zu erhalten. Die Durchschnittswerte sind Trendindikatoren. Ein gleitender Durchschnitt der taglichen Preise ist der durchschnittliche Kurs einer Aktie uber einen gewahlten Zeitraum, der Tag fur Tag angezeigt wird. Fur die Berechnung des Durchschnitts mussen Sie einen Zeitraum wahlen. Die Wahl eines Zeitraums ist immer eine Reflexion, mehr oder weniger verzogert im Vergleich zum Preis, verglichen mit einer gr?eren oder kleineren Glattung der Preisdaten. Die Preismittelwerte werden als Trend nach Indikatoren und vor allem als Referenz fur Preisstutzung und Widerstand verwendet. Im Allgemeinen sind Mittelwerte in allen Arten von Formeln vorhanden, um Daten zu glatten. Sonderangebot: quotCapturing Profit mit technischem Analysisquot Einfacher Moving Average Ein einfacher gleitender Durchschnitt wird berechnet, indem alle Preise innerhalb des gewahlten Zeitraums dividiert durch diesen Zeitraum addiert werden. Auf diese Weise hat jeder Datenwert das gleiche Gewicht im mittleren Ergebnis. Abbildung 4.35: Einfacher, exponentieller und gewichteter gleitender Durchschnitt. Die dicke, schwarze Kurve im Diagramm von Abbildung 4.35 ist ein 20-tagiger einfacher gleitender Durchschnitt. Exponential Moving Average Ein exponentieller gleitender Durchschnitt ergibt mehr Gewicht prozentual zu den einzelnen Preisen in einem Bereich, basierend auf der folgenden Formel: EMA (Preis EMA) (vorherige EMA (1 ndash EMA)) Die meisten Investoren fuhlen sich nicht wohl mit einem Ausdruck in Bezug auf den Prozentsatz im exponentiellen gleitenden Durchschnitt eher, sie fuhlen sich besser mit einem Zeitraum. Wenn Sie wissen wollen, in welchem ??Prozentsatz ein Zeitraum verwendet werden soll, gibt die nachste Formel Ihnen die Umwandlung an: Ein Zeitraum von drei Tagen entspricht einem exponentiellen Prozentsatz von: Die dunne, schwarze Kurve in Abbildung 4.35 ist eine 20-tagige exponentielle Verschiebung durchschnittlich. Gewichteter gleitender Durchschnitt Ein gewichteter gleitender Durchschnitt setzt bei alteren Daten mehr Gewicht auf aktuelle Daten und weniger Gewicht. Ein gewichteter gleitender Durchschnitt wird durch Multiplizieren der Daten mit einem Faktor vom Tag ldquo1rdquo bis zum Tag ldquonrdquo fur die altesten bis zu den letzten Daten berechnet, wobei das Ergebnis durch die Summe aller Multiplikationsfaktoren dividiert wird. In einem 10-tagigen gewichteten gleitenden Durchschnitt gibt es 10-mal mehr Gewicht fur den Preis heute im Verhaltnis zu dem Preis vor 10 Tagen. Ebenso bekommt der Preis von gestern neun Mal mehr Gewicht, und so weiter. Die dunne, schwarze gestrichelte Kurve in Abbildung 4.35 ist ein 20-Tage-gewichteter gleitender Durchschnitt. Einfach, exponentiell oder gewichtet Wenn wir diese drei grundlegenden Mittelwerte vergleichen, sehen wir, dass der einfache Durchschnitt die meisten Glattung, aber im Allgemeinen auch die gro?te Verzogerung nach Preisumkehrungen hat. Der exponentielle Durchschnitt liegt naher am Preis und wird auch schneller auf Preisschwankungen reagieren. Aber auch kurzere Periodenkorrekturen sind in diesem Mittel wegen einer weniger glattenden Wirkung sichtbar. Schlie?lich folgt der gewichtete Durchschnitt der Preisbewegung noch enger. Bestimmen, welche dieser Mittelwerte zu verwenden, hangt von Ihrem Ziel. Wenn Sie eine Trendanzeige mit besserer Glattung und nur wenig Reaktion fur kurzere Bewegungen wollen, ist der einfache Durchschnitt am besten. Wenn Sie eine Glattung, wo Sie noch sehen konnen die kurzen Zeitraume schwingt, dann entweder die exponentiellen oder gewichteten gleitenden Durchschnitt ist die bessere choice. Simple Moving Average - SMA Was ist ein einfacher Moving Average - SMA Ein einfacher gleitender Durchschnitt (SMA) ist ein Arithmetischen gleitenden Durchschnitt berechnet, indem der Schlusskurs der Sicherheit fur eine Anzahl von Zeitperioden berechnet wird und dann diese Gesamtzahl durch die Anzahl von Zeitperioden dividiert wird. Wie in der obigen Grafik gezeigt, beobachten viele Handler kurzfristige Durchschnittswerte, um langerfristige Durchschnittswerte zu uberschreiten, um den Beginn eines Aufwartstrends zu signalisieren. Kurzzeitmittel konnen als Stufen der Unterstutzung zu handeln, wenn der Preis erlebt ein Pullback. VIDEO Laden des Players. BREAKING DOWN Einfacher gleitender Durchschnitt - SMA Ein einfacher gleitender Durchschnitt ist anpassbar, indem er fur eine unterschiedliche Anzahl von Zeitperioden berechnet werden kann, indem einfach der Schlusskurs des Wertpapiers fur eine Anzahl von Zeitperioden addiert wird und dann diese Summe durch die Zahl dividiert wird Von Zeitraumen, die den durchschnittlichen Preis der Sicherheit uber den Zeitraum gibt. Ein einfacher gleitender Durchschnitt glattet die Volatilitat und macht es einfacher, die Preisentwicklung eines Wertpapiers zu sehen. Wenn der einfache gleitende Durchschnitt nach oben zeigt, bedeutet dies, dass der Sicherheitspreis steigt. Wenn es nach unten zeigt, bedeutet dies, dass der Sicherheitspreis sinkt. Je langer der Zeitrahmen fur den gleitenden Durchschnitt, desto glatter der einfache gleitende Durchschnitt. Ein kurzerer bewegter Durchschnitt ist volatiler, aber sein Messwert ist naher an den Quelldaten. Analytische Bedeutung Die gleitenden Durchschnitte sind ein wichtiges analytisches Instrument, um aktuelle Preisentwicklungen und das Potenzial fur eine Veranderung eines etablierten Trends zu identifizieren. Die einfachste Form der Verwendung eines einfachen gleitenden Durchschnitt in der Analyse ist es, schnell zu identifizieren, ob eine Sicherheit in einem Aufwartstrend oder Abwartstrend ist. Ein weiteres populares, wenn auch etwas komplexeres analytisches Werkzeug, besteht darin, ein Paar einfacher gleitender Durchschnitte mit jeweils unterschiedlichen Zeitrahmen zu vergleichen. Liegt ein kurzfristiger einfacher gleitender Durchschnitt uber einem langerfristigen Durchschnitt, wird ein Aufwartstrend erwartet. Auf der anderen Seite signalisiert ein langfristiger Durchschnitt uber einem kurzerfristigen Durchschnitt eine Abwartsbewegung im Trend. Beliebte Trading-Muster Zwei beliebte Trading-Muster, die einfache gleitende Durchschnitte verwenden, schlie?en das Todeskreuz und ein goldenes Kreuz ein. Ein Todeskreuz tritt auf, wenn die 50-tagige einfache gleitende Durchschnitt unter dem 200-Tage gleitenden Durchschnitt kreuzt. Dies wird als barisch signalisiert, dass weitere Verluste auf Lager sind. Das goldene Kreuz tritt auf, wenn ein kurzfristiger gleitender Durchschnitt uber einen langfristigen gleitenden Durchschnitt bricht. Verstarkt durch hohe Handelsvolumina, kann dies signalisieren, weitere Gewinne sind in store. Moving durchschnittliche und exponentielle Glattung Modelle Als ein erster Schritt in uber jenseits der Mittel-Modelle, zufallige gehen Modelle und lineare Trend-Modelle, nicht saisonale Muster und Trends konnen mit einem beweglichen extrapoliert werden - Gebrauchs - oder Glattungsmodell. Die grundlegende Annahme hinter Mittelwertbildung und Glattungsmodellen ist, dass die Zeitreihe lokal stationar mit einem sich langsam verandernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschatzen und dann als die Prognose fur die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschatzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als "quotsmoothedquot" - Version der ursprunglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Sto?e in der ursprunglichen Reihe zu glatten. Durch Anpassen des Glattungsgrades (die Breite des gleitenden Durchschnitts) konnen wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufalligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose fur den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Fur eine Prognose der Zeitreihe Y, die am fruhestmoglichen fruheren Zeitpunkt durch ein gegebenes Modell durchgefuhrt wird.) Dieser Mittelwert wird in der Periode t (m1) / 2 zentriert, was bedeutet, da? die Schatzung des lokalen Mittels dazu neigt, hinter dem Wert zu liegen Wahren Wert des lokalen Mittels um etwa (m1) / 2 Perioden. Das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt ist also (m1) / 2 relativ zu der Periode, fur die die Prognose berechnet wird: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten in der Region zu liegen Daten. Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spat sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr gro? ist (vergleichbar der Lange des Schatzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es ublich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufallige Fluktuationen um ein sich langsam veranderndes Mittel zu zeigen scheint. Erstens konnen wir versuchen, es mit einem zufalligen Fu?modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufallige Wandermodell reagiert sehr schnell auf Anderungen in der Serie, aber dabei nimmt er viel von der quotnoisequot in der Daten (die zufalligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufallige Wegmodell. Das durchschnittliche Alter der Daten in dieser Prognose betragt 3 ((51) / 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden spater.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufalligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Wahrend jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen fur die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle fur dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schatzungen der Konfidenzgrenzen fur die langerfristigen Prognosen zu berechnen. Beispielsweise konnen Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell fur die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie konnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle fur langerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-term einfachen gleitenden Durchschnitt ausprobieren, erhalten wir sogar noch bessere Prognosen und mehr eine nacheilende Wirkung: Das Durchschnittsalter betragt jetzt 5 Perioden ((91) / 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsachlich hinter den Wendepunkten um etwa 10 Perioden zuruckbleiben. Welches Ma? an Glattung ist am besten fur diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge uber die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So konnen wir bei Modellen mit sehr ahnlichen Fehlerstatistiken wahlen, ob wir ein wenig mehr Reaktionsfahigkeit oder ein wenig mehr Glatte in den Prognosen bevorzugen wurden. (Ruckkehr nach oben.) Browns Einfache Exponentialglattung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwunschte Eigenschaft, da? es die letzten k-Beobachtungen gleich und vollstandig ignoriert. Intuitiv sollten vergangene Daten in einer allmahlicheren Weise diskontiert werden - zum Beispiel sollte die jungste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jungsten sollten ein wenig mehr Gewicht als die 3. jungsten erhalten, und bald. Das einfache exponentielle Glattungsmodell (SES) erfullt dies. Es sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Moglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwartigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschatzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglattete Wert eine Interpolation zwischen dem vorher geglatteten Wert und der aktuellen Beobachtung, wobei 945 die Nahe des interpolierten Wertes auf die neueste steuert Uberwachung. Die Prognose fur die nachste Periode ist einfach der aktuelle geglattete Wert: Aquivalent konnen wir die nachste Prognose direkt in Form fruherer Prognosen und fruherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrucken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nachste Prognose durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthalt Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufalligen Weg-Modell (ohne Wachstum) aquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglattete Wert gleich dem Mittelwert gesetzt ist. (Zuruck zum Seitenanfang) Das Durchschnittsalter der Daten in der Simple-Exponential-Glattungsprognose betragt 1/945 relativ zu dem Zeitraum, fur den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzogerungen hinter den Wendepunkten um etwa 1/945 Perioden. Wenn beispielsweise 945 0,5 die Verzogerung 2 Perioden betragt, wenn 945 0,2 die Verzogerung 5 Perioden betragt, wenn 945 0,1 die Verzogerung 10 Perioden und so weiter ist. Fur ein gegebenes Durchschnittsalter (d. H. Eine Verzogerung) ist die einfache exponentielle Glattungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas uberlegen, weil sie relativ viel mehr Gewicht auf die jungste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Anderungen, die sich in der jungsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren fur die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt fur die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenuber dem SMA-Modell ist, dass das SES-Modell einen Glattungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell fur diese Serie ergibt sich wie folgt: Das Durchschnittsalter der Daten in dieser Prognose betragt 1 / 0,2961 3,4 Perioden, was ahnlich wie bei einem 6-Term-Simple Moving ist durchschnittlich. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernunftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle fur das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage fur die Berechnung der Konfidenzintervalle fur das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Gro?e 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschatzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist moglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufugen. Dazu wird nur ein ARIMA-Modell mit einer Nicht-Seasonal-Differenz und einem MA (1) - Term mit einer Konstanten, d. h. einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend uber den gesamten Schatzungszeitraum entspricht. Sie konnen dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie konnen jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glattungsmodell (mit oder ohne saisonale Anpassung) hinzufugen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschatzt werden, das an die Daten in Verbindung mit einer naturlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhangigen Informationen bezuglich der langfristigen Wachstumsperspektiven beruhen . (Ruckkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glattung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel in Ordnung ist oder zumindest nicht zu schlecht fur 1- Wenn die Daten relativ verrauscht sind), und sie konnen modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, konnte die Schatzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glattungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glattungsmodell (LES) zu erhalten, das lokale Schatzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glattungsmodell, das zwei verschiedene geglattete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glattungsmodells, wie die des einfachen exponentiellen Glattungsmodells, kann in einer Anzahl von unterschiedlichen, aber aquivalenten Formen ausgedruckt werden. Die quadratische quadratische Form dieses Modells wird gewohnlich wie folgt ausgedruckt: Sei S die einfach geglattete Reihe, die durch Anwendung einfacher exponentieller Glattung auf Reihe Y erhalten wird. Das hei?t, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glattung, so wurde dies die Prognose fur Y in der Periode t1 sein.) Dann sei Squot die doppelt geglattete Folge, die man erhalt, indem man eine einfache exponentielle Glattung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schlie?lich die Prognose fur Ytk. Fur jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsachlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nachsten Seite verwendet, die eine Kombination von exponentieller Glattung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineares Exponentialglattung Brown8217s LES-Modell berechnet lokale Schatzungen von Pegel und Trend durch Glatten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glattungsparameter erfolgt, legt eine Einschrankung fur die Datenmuster fest, die es anpassen kann: den Pegel und den Trend Durfen nicht zu unabhangigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glattungskonstanten, eine fur die Ebene und eine fur den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schatzung L t der lokalen Ebene und eine Schatzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schatzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glattung separat anwenden. Wenn der geschatzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose fur Y tshy, die zum Zeitpunkt t-1 gemacht worden ware, gleich L t-1 T t-1. Wenn der tatsachliche Wert beobachtet wird, wird die aktualisierte Schatzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Anderung des geschatzten Pegels, Namlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schatzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schatzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglattungskonstanten 946 ist analog zu der Pegelglattungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam andert, wahrend Modelle mit Gro?ere 946 nehmen an, dass sie sich schneller andert. Ein Modell mit einem gro?en 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschatzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Ruckkehr nach oben) Die Glattungskonstanten 945 und 946 konnen auf ubliche Weise geschatzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schatzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veranderung im Trend von einer Periode zur nachsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschatzen. In Analogie zum Durchschnittsalter der Daten, die fur die Schatzung der lokalen Ebene der Serie verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schatzung des lokalen Trends verwendet werden, proportional zu 1/946, wenn auch nicht exakt gleich es. In diesem Fall ergibt sich 1 / 0,006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schatzung von 946 nicht wirklich 3 Dezimalstellen betragt, sondern sie ist von der gleichen Gro?enordnung wie die Stichprobengro?e von 100 , So dass dieses Modell ist im Durchschnitt uber eine ganze Menge Geschichte bei der Schatzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas gro?eren lokalen Trend am Ende der Serie schatzt als der im SEStrend-Modell geschatzte konstante Trend. Au?erdem ist der Schatzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernunftige Prognosen fur ein Modell, das soll Schatzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht langerfristigen Prognosen, abgeschatzt, wobei der Trend keinen gro?en Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das gro?ere Bild der Trends uber (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, konnen wir die Trendglattungskonstante manuell anpassen, so dass sie eine kurzere Basislinie fur die Trendschatzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, betragt das durchschnittliche Alter der Daten, die bei der Schatzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend uber die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, wahrend 945 0,3 halten. Dies scheint intuitiv vernunftig fur diese Serie, obwohl es wahrscheinlich gefahrlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich fur die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 fur das SES-Modell betragt etwa 0,3, aber ahnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfahigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glattung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glattung mit alpha 0,3 (E) Einfache exponentielle Glattung mit alpha 0,3 (E) Einfache exponentielle Glattung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen konnen Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir mussen auf andere Uberlegungen zuruckgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschatzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, konnen wir fur das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann konnte eines der SES-Modelle leichter zu erklaren sein, und wurde auch fur die nachsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Ruckkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits fur die Inflation angepasst wurden (wenn notig), unpratent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends konnen sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstarkte Konkurrenz und konjunkturelle Abschwunge oder Aufschwunge in einer Branche abschwachen. Aus diesem Grund fuhrt eine einfache exponentielle Glattung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden konnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glattungsmodells werden in der Praxis haufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzufuhren. Das Dampfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist moglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glattungsmodelle erzeugt werden, indem man sie als Spezialfalle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle fur diese Modelle korrekt.) Die Breite der Konfidenzintervalle hangt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glattung (einfach oder linear) (iii) dem Wert (S) der Glattungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell gro?er wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glattung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erlautert. (Zuruck zum Seitenanfang) Gleitende Mittelwerte - Einfache und exponentielle Bewegungsdurchschnitte - Einfache und exponentielle Einfuhrung Die gleitenden Mittelwerte glatt machen die Preisdaten zu einem Trendfolger. Sie prognostizieren nicht die Kursrichtung, sondern definieren die aktuelle Richtung mit einer Verzogerung. Moving Averages Lag, weil sie auf vergangenen Preisen basieren. Trotz dieser Verzogerung, gleitende Durchschnitte helfen, glatte Preis-Aktion und Filter aus dem Larm. Sie bilden auch die Bausteine ??fur viele andere technische Indikatoren und Overlays, wie Bollinger Bands. MACD und dem McClellan-Oszillator. Die beiden beliebtesten Arten von gleitenden Durchschnitten sind die Simple Moving Average (SMA) und die Exponential Moving Average (EMA). Diese Bewegungsdurchschnitte konnen verwendet werden, um die Richtung des Trends zu identifizieren oder potentielle Unterstutzungs - und Widerstandswerte zu definieren. Here039s ein Diagramm mit einem SMA und einem EMA auf ihm: Einfache gleitende durchschnittliche Berechnung Ein einfacher gleitender Durchschnitt wird gebildet, indem man den durchschnittlichen Preis eines Wertpapiers uber einer bestimmten Anzahl von Perioden berechnet. Die meisten gleitenden Mittelwerte basieren auf den Schlusskursen. Ein 5-tagiger einfacher gleitender Durchschnitt ist die funftagige Summe der Schlusskurse geteilt durch funf. Wie der Name schon sagt, ist ein gleitender Durchschnitt ein Durchschnitt, der sich bewegt. Alte Daten werden geloscht, wenn neue Daten verfugbar sind. Dies bewirkt, dass sich der Durchschnitt entlang der Zeitskala bewegt. Unten ist ein Beispiel fur einen 5-tagigen gleitenden Durchschnitt, der sich uber drei Tage entwickelt. Der erste Tag des gleitenden Durchschnitts deckt nur die letzten funf Tage ab. Der zweite Tag des gleitenden Mittelwerts fallt den ersten Datenpunkt (11) und fugt den neuen Datenpunkt (16) hinzu. Der dritte Tag des gleitenden Durchschnitts setzt sich fort, indem der erste Datenpunkt (12) abfallt und der neue Datenpunkt (17) addiert wird. Im obigen Beispiel steigen die Preise allmahlich von 11 auf 17 uber insgesamt sieben Tage. Beachten Sie, dass der gleitende Durchschnitt auch von 13 auf 15 uber einen dreitagigen Berechnungszeitraum steigt. Beachten Sie auch, dass jeder gleitende Durchschnittswert knapp unter dem letzten Kurs liegt. Zum Beispiel ist der gleitende Durchschnitt fur Tag eins gleich 13 und der letzte Preis ist 15. Preise der vorherigen vier Tage waren niedriger und dies fuhrt dazu, dass der gleitende Durchschnitt zu verzogern. Exponentielle gleitende Durchschnittsberechnung Exponentielle gleitende Mittelwerte reduzieren die Verzogerung, indem mehr Gewicht auf die jungsten Preise angewendet wird. Die Gewichtung des jungsten Preises hangt von der Anzahl der Perioden im gleitenden Durchschnitt ab. Es gibt drei Schritte, um einen exponentiellen gleitenden Durchschnitt zu berechnen. Berechnen Sie zunachst den einfachen gleitenden Durchschnitt. Ein exponentieller gleitender Durchschnitt (EMA) muss irgendwo anfangen, so dass ein einfacher gleitender Durchschnitt als die vorherige Periode039s EMA in der ersten Berechnung verwendet wird. Zweitens, berechnen Sie die Gewichtung Multiplikator. Drittens berechnen Sie den exponentiellen gleitenden Durchschnitt. Die folgende Formel ist fur eine 10-tagige EMA. Ein 10-Perioden-exponentieller gleitender Durchschnitt wendet eine 18,18 Gewichtung auf den jungsten Preis an. Eine 10-Perioden-EMA kann auch als 18.18 EMA bezeichnet werden. Ein 20-Perioden-EMA wendet einen 9,52 - Wiegen auf den jungsten Preis an (2 / (201) .0952). Beachten Sie, dass die Gewichtung fur den kurzeren Zeitraum mehr ist als die Gewichtung fur den langeren Zeitraum. In der Tat, die Gewichtung sinkt um die Halfte jedes Mal, wenn die gleitende durchschnittliche Periode verdoppelt. Wenn Sie uns einen bestimmten Prozentsatz fur eine EMA zuweisen mochten, konnen Sie diese Formel verwenden, um sie in Zeitraume zu konvertieren, und geben Sie dann diesen Wert als den EMA039s-Parameter ein: Nachstehend ist ein Kalkulationstabellenbeispiel fur einen 10-tagigen einfachen gleitenden Durchschnitt und ein 10- Tag exponentiellen gleitenden Durchschnitt fur Intel. Einfache gleitende Durchschnitte sind geradlinig und erfordern wenig Erklarung. Der 10-Tage-Durchschnitt bewegt sich einfach, sobald neue Preise verfugbar sind und alte Preise fallen. Der exponentielle gleitende Durchschnitt beginnt mit dem einfachen gleitenden Mittelwert (22.22) bei der ersten Berechnung. Nach der ersten Berechnung ubernimmt die Normalformel. Da eine EMA mit einem einfachen gleitenden Durchschnitt beginnt, wird ihr wahrer Wert erst nach 20 oder spateren Perioden realisiert. Mit anderen Worten, der Wert auf der Excel-Tabelle kann sich aufgrund des kurzen Ruckblicks von dem Diagrammwert unterscheiden. Diese Kalkulationstabelle geht nur zuruck 30 Perioden, was bedeutet, dass der Einfluss der einfachen gleitenden Durchschnitt hatte 20 Perioden zu zerstreuen. StockCharts geht mindestens 250 Perioden (typischerweise viel weiter) fur seine Berechnungen zuruck, so dass die Effekte des einfachen gleitenden Durchschnitts in der ersten Berechnung vollstandig abgebaut sind. Der Lagfaktor Je langer der gleitende Durchschnitt ist, desto starker ist die Verzogerung. Ein 10-Tage-exponentieller gleitender Durchschnitt wird die Preise sehr eng umringen und sich kurz nach dem Kursumschlag wenden. Kurze gleitende Durchschnitte sind wie Schnellboote - flink und schnell zu andern. Im Gegensatz dazu enthalt ein 100-Tage gleitender Durchschnitt viele vergangene Daten, die ihn verlangsamen. Langere gleitende Durchschnitte sind wie Ozeantanker - lethargisch und langsam zu andern. Es dauert eine gro?ere und langere Kursbewegung fur einen 100-Tage gleitenden Durchschnitt, um Kurs zu andern. Die Grafik oben zeigt die SampP 500 ETF mit einer 10-tagigen EMA eng ansprechender Preise und einem 100-tagigen SMA-Schleifen hoher. Selbst mit dem Januar-Februar-Ruckgang hielt die 100-tagige SMA den Kurs und kehrte nicht zuruck. Die 50-Tage-SMA passt irgendwo zwischen den 10 und 100 Tage gleitenden Durchschnitten, wenn es um den Verzogerungsfaktor kommt. Simple vs Exponential Moving Averages Obwohl es klare Unterschiede zwischen einfachen gleitenden Durchschnitten und exponentiellen gleitenden Durchschnitten, ist eine nicht unbedingt besser als die anderen. Exponentielle gleitende Mittelwerte haben weniger Verzogerungen und sind daher empfindlicher gegenuber den jungsten Preisen - und den jungsten Preisveranderungen. Exponentielle gleitende Mittelwerte drehen sich vor einfachen gleitenden Durchschnitten. Einfache gleitende Durchschnitte stellen dagegen einen wahren Durchschnittspreis fur den gesamten Zeitraum dar. Als solches konnen einfache gleitende Mittel besser geeignet sein, um Unterstutzungs - oder Widerstandsniveaus zu identifizieren. Die gleitende Durchschnittspraferenz hangt von den Zielen, dem analytischen Stil und dem Zeithorizont ab. Chartisten sollten mit beiden Arten von gleitenden Durchschnitten sowie verschiedene Zeitrahmen zu experimentieren, um die beste Passform zu finden. Die nachstehende Grafik zeigt IBM mit der 50-Tage-SMA in Rot und der 50-Tage-EMA in Grun. Beide gipfelten Ende Januar, aber der Ruckgang in der EMA war scharfer als der Ruckgang der SMA. Die EMA erschien Mitte Februar, aber die SMA setzte weiter unten bis Ende Marz. Beachten Sie, dass die SMA uber einen Monat nach der EMA. Langen und Zeitrahmen Die Lange des gleitenden Mittelwerts hangt von den analytischen Zielen ab. Kurze gleitende Durchschnitte (5-20 Perioden) eignen sich am besten fur kurzfristige Trends und den Handel. Chartisten, die sich fur mittelfristige Trends interessieren, wurden sich fur langere bewegte Durchschnitte entscheiden, die 20-60 Perioden verlangern konnten. Langfristige Anleger bevorzugen gleitende Durchschnitte mit 100 oder mehr Perioden. Einige gleitende durchschnittliche Langen sind beliebter als andere. Die 200-Tage gleitenden Durchschnitt ist vielleicht die beliebteste. Wegen seiner Lange ist dies eindeutig ein langfristiger gleitender Durchschnitt. Als nachstes ist der 50-Tage gleitende Durchschnitt fur den mittelfristigen Trend ziemlich popular. Viele Chartisten nutzen die 50-Tage-und 200-Tage gleitenden Durchschnitte zusammen. Kurzfristig war ein 10 Tage gleitender Durchschnitt in der Vergangenheit ziemlich popular, weil er leicht zu berechnen war. Man hat einfach die Zahlen addiert und den Dezimalpunkt verschoben. Trendidentifikation Die gleichen Signale konnen mit einfachen oder exponentiellen gleitenden Mittelwerten erzeugt werden. Wie oben erwahnt, hangt die Praferenz von jedem Individuum ab. Die folgenden Beispiele werden sowohl einfache als auch exponentielle gleitende Mittelwerte verwenden. Der Begriff gleitender Durchschnitt gilt fur einfache und exponentielle gleitende Mittelwerte. Die Richtung des gleitenden Durchschnitts vermittelt wichtige Informationen uber die Preise. Ein steigender Durchschnitt zeigt, dass die Preise im Allgemeinen steigen. Ein sinkender Durchschnittswert zeigt an, dass die Preise im Durchschnitt sinken. Ein steigender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Aufwartstrend wider. Ein sinkender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Abwartstrend wider. Das Diagramm oben zeigt 3M (MMM) mit einem 150-Tage-exponentiellen gleitenden Durchschnitt. Dieses Beispiel zeigt, wie gut bewegte Durchschnitte arbeiten, wenn der Trend stark ist. Die 150-Tage-EMA sank im November 2007 und wieder im Januar 2008. Beachten Sie, dass es einen Ruckgang von 15 nahm, um die Richtung dieses gleitenden Durchschnitts umzukehren. Diese nachlaufenden Indikatoren identifizieren Trendumkehrungen, wie sie auftreten (am besten) oder nach deren Eintritt (im schlimmsten Fall). MMM setzte unten in Marz 2009 und dann stieg 40-50. Beachten Sie, dass die 150-Tage-EMA nicht auftauchte, bis nach diesem Anstieg. Sobald es aber tat, setzte MMM die folgenden 12 Monate hoher fort. Moving-Durchschnitte arbeiten brillant in starken Trends. Doppelte Frequenzweichen Zwei gleitende Mittelwerte konnen zusammen verwendet werden, um Frequenzweiche zu erzeugen. In der technischen Analyse der Finanzmarkte. John Murphy nennt dies die doppelte Crossover-Methode. Doppelte Crossover beinhalten einen relativ kurzen gleitenden Durchschnitt und einen relativ langen gleitenden Durchschnitt. Wie bei allen gleitenden Durchschnitten definiert die allgemeine Lange des gleitenden Durchschnitts den Zeitrahmen fur das System. Ein System, das eine 5-Tage-EMA und eine 35-Tage-EMA verwendet, ware kurzfristig. Ein System, das eine 50-tagige SMA - und 200-Tage-SMA verwendet, ware mittelfristig, vielleicht sogar langfristig. Eine bullische Uberkreuzung tritt auf, wenn der kurzere gleitende Durchschnitt uber dem langeren gleitenden Durchschnitt kreuzt. Dies wird auch als goldenes Kreuz bezeichnet. Eine barische Uberkreuzung tritt ein, wenn der kurzere gleitende Durchschnitt unter dem langeren gleitenden Durchschnitt liegt. Dies wird als ein totes Kreuz bekannt. Gleitende Mittelubergange erzeugen relativ spate Signale. Schlie?lich setzt das System zwei hintere Indikatoren ein. Je langer die gleitenden Durchschnittsperioden, desto gro?er die Verzogerung in den Signalen. Diese Signale funktionieren gut, wenn eine gute Tendenz gilt. Allerdings wird ein gleitender Durchschnitt Crossover-System produzieren viele whipsaws in Abwesenheit einer starken Tendenz. Es gibt auch eine Dreifach-Crossover-Methode, die drei gleitende Durchschnitte beinhaltet. Wieder wird ein Signal erzeugt, wenn der kurzeste gleitende Durchschnitt die beiden langeren Mittelwerte durchlauft. Ein einfaches Triple-Crossover-System konnte 5-Tage-, 10-Tage - und 20-Tage-Bewegungsdurchschnitte beinhalten. Das Diagramm oben zeigt Home Depot (HD) mit einer 10-tagigen EMA (grune gepunktete Linie) und 50-Tage-EMA (rote Linie). Die schwarze Linie ist die tagliche Schlie?ung. Mit einem gleitenden Durchschnitt Crossover hatte dazu gefuhrt, dass drei Peitschen vor dem Fang eines guten Handels. Die 10-tagige EMA brach unterhalb der 50-Tage-EMA Ende Oktober (1), aber dies dauerte nicht lange, wie die 10-Tage zog zuruck oben Mitte November (2). Dieses Kreuz dauerte langer, aber die nachste barige Crossover im Januar (3) ereignete sich gegen Ende November Preisniveaus, was zu einer weiteren Peitsche fuhrte. Dieses barische Kreuz dauerte nicht lange, als die 10-Tage-EMA uber die 50-Tage ein paar Tage spater zuruckging (4). Nach drei schlechten Signalen, schien das vierte Signal eine starke Bewegung als die Aktie vorruckte uber 20. Es gibt zwei Takeaways hier. Erstens, Crossovers sind anfallig fur whipsaw. Ein Preis oder Zeitfilter kann angewendet werden, um zu helfen, whipsaws zu verhindern. Handler konnten verlangen, dass die Crossover 3 Tage dauern, bevor sie handeln oder verlangen, dass die 10-Tage-EMA zu bewegen, uber / unterhalb der 50-Tage-EMA um einen bestimmten Betrag vor handeln. Zweitens kann MACD verwendet werden, um diese Frequenzweichen zu identifizieren und zu quantifizieren. MACD (10,50,1) zeigt eine Linie, die die Differenz zwischen den beiden exponentiellen gleitenden Mittelwerten darstellt. MACD wird positiv wahrend eines goldenen Kreuzes und negativ wahrend eines toten Kreuzes. Der Prozentsatz-Oszillator (PPO) kann auf die gleiche Weise verwendet werden, um Prozentunterschiede anzuzeigen. Beachten Sie, dass MACD und das PPO auf exponentiellen gleitenden Durchschnitten basieren und nicht mit einfachen gleitenden Durchschnitten zusammenpassen. Diese Grafik zeigt Oracle (ORCL) mit dem 50-Tage EMA, 200-Tage EMA und MACD (50.200,1). Es gab vier gleitende durchschnittliche Kreuzungen uber einen Zeitraum von 2 1/2 Jahren. Die ersten drei fuhrten zu Peitschen oder schlechten Trades. Ein anhaltender Trend begann mit der vierten Crossover als ORCL bis Mitte der 20er Jahre. Erneut bewegen sich die durchschnittlichen Crossover-Effekte gro?, wenn der Trend stark ist, erzeugen aber Verluste in Abwesenheit eines Trends. Preis-Crossover Moving-Durchschnitte konnen auch verwendet werden, um Signale mit einfachen Preis-Crossover zu generieren. Ein bullisches Signal wird erzeugt, wenn die Preise uber dem gleitenden Durchschnitt liegen. Ein bares Signal wird erzeugt, wenn die Preise unter dem gleitenden Durchschnitt liegen. Preis-Crossover konnen kombiniert werden, um innerhalb der gro?eren Trend Handel. Der langere gleitende Durchschnitt setzt den Ton fur den gro?eren Trend und der kurzere gleitende Durchschnitt wird verwendet, um die Signale zu erzeugen. Man wurde bullish Preiskreuze nur dann suchen, wenn die Preise schon uber dem langeren gleitenden Durchschnitt liegen. Dies wurde den Handel im Einklang mit dem gro?eren Trend. Wenn zum Beispiel der Kurs uber dem gleitenden 200-Tage-Durchschnitt liegt, wurden sich die Chartisten nur auf Signale konzentrieren, wenn der Kurs uber dem 50-Tage-Gleitender Durchschnitt liegt. Offensichtlich wurde ein Schritt unterhalb der 50-Tage gleitenden Durchschnitt ein solches Signal vorausgehen, aber solche bearish Kreuze wurden ignoriert, weil der gro?ere Trend ist. Ein bearish Kreuz wurde einfach vorschlagen, ein Pullback in einem gro?eren Aufwartstrend. Ein Cross-back uber dem 50-Tage-Gleitender Durchschnitt wurde einen Preisanstieg und eine Fortsetzung des gro?eren Aufwartstrends signalisieren. Die nachste Tabelle zeigt Emerson Electric (EMR) mit dem 50-Tage EMA und 200-Tage EMA. Die Aktie bewegte sich uber und hielt uber dem 200-Tage gleitenden Durchschnitt im August. Es gab Dips unterhalb der 50-Tage-EMA Anfang November und wieder Anfang Februar. Die Preise schnell zuruck uber die 50-Tage-EMA zu bullish Signale (grune Pfeile) in Harmonie mit dem gro?eren Aufwartstrend. Im Indikatorfenster wird MACD (1,50,1) angezeigt, um Preiskreuze uber oder unter dem 50-Tage-EMA zu bestatigen. Die 1-tagige EMA entspricht dem Schlusskurs. MACD (1,50,1) ist positiv, wenn das Schlie?en oberhalb der 50-Tage-EMA und negativ ist, wenn das Schlie?en unterhalb der 50-Tage-EMA liegt. Unterstutzung und Widerstand Der Gleitende Durchschnitt kann auch als Unterstutzung in einem Aufwartstrend und Widerstand in einem Abwartstrend dienen. Ein kurzfristiger Aufwartstrend konnte Unterstutzung nahe dem 20-tagigen einfachen gleitenden Durchschnitt finden, der auch in Bollinger-Bandern verwendet wird. Ein langfristiger Aufwartstrend konnte Unterstutzung nahe dem 200-tagigen einfachen gleitenden Durchschnitt finden, der der popularste langfristige bewegliche Durchschnitt ist. Wenn Tatsache, die 200-Tage gleitenden Durchschnitt bieten kann Unterstutzung oder Widerstand, nur weil es so weit verbreitet ist. Es ist fast wie eine sich selbst erfullende Prophezeiung. Die Grafik oben zeigt die NY Composite mit dem 200-Tage einfachen gleitenden Durchschnitt von Mitte 2004 bis Ende 2008. Die 200-Tage-Support zur Verfugung gestellt, mehrmals wahrend des Vorhabens. Sobald der Trend mit einem Doppel-Top-Support-Pause umgekehrt, der 200-Tage gleitenden Durchschnitt als Widerstand um 9500 gehandelt. Erwarten Sie nicht genaue Unterstutzung und Widerstand Ebenen von gleitenden Durchschnitten, vor allem langeren gleitenden Durchschnitten. Markte werden durch Emotionen gefahren, wodurch sie anfallig fur Uberschreitungen sind. Statt genauer Ebenen konnen gleitende Mittelwerte verwendet werden, um Unterstutzungs - oder Widerstandszonen zu identifizieren. Schlussfolgerungen Die Vorteile der Verwendung von bewegten Durchschnitten mussen gegen die Nachteile gewogen werden. Moving-Durchschnitte sind Trend nach, oder nacheilende, Indikatoren, die immer einen Schritt hinter sich. Dies ist nicht unbedingt eine schlechte Sache. Immerhin ist der Trend ist dein Freund und es ist am besten, in die Richtung des Trends Handel. Die gleitenden Durchschnitte gewahrleisten, dass ein Handler dem aktuellen Trend entspricht. Auch wenn der Trend ist dein Freund, verbringen die Wertpapiere viel Zeit in Handelsspannen, die gleitende Durchschnitte ineffektiv machen. Einmal in einem Trend, bewegte Durchschnitte halten Sie in, sondern geben auch spate Signale. Don039t erwarten, an der Spitze zu verkaufen und an der Unterseite mit bewegten Durchschnitten kaufen. Wie bei den meisten technischen Analysetools sollten die gleitenden Mittelwerte nicht allein verwendet werden, sondern in Verbindung mit anderen komplementaren Tools. Chartisten konnen gleitende Durchschnitte verwenden, um den Gesamttrend zu definieren und dann RSI zu verwenden, um uberkaufte oder uberverkaufte Niveaus zu definieren. Hinzufugen von Bewegungsdurchschnitten zu StockCharts Diagrammen Gleitende Durchschnitte sind als Preisuberlagerungsfunktion auf der SharpCharts-Workbench verfugbar. Mit dem Dropdown-Menu Overlays konnen Benutzer entweder einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt auswahlen. Der erste Parameter wird verwendet, um die Anzahl der Zeitperioden einzustellen. Ein optionaler Parameter kann hinzugefugt werden, um festzulegen, welches Preisfeld in den Berechnungen verwendet werden soll - O fur die Open, H fur High, L fur Low und C fur Close. Ein Komma wird verwendet, um Parameter zu trennen. Ein weiterer optionaler Parameter kann hinzugefugt werden, um die gleitenden Mittelwerte nach links (vorbei) oder nach rechts (zukunftig) zu verschieben. Eine negative Zahl (-10) wurde den gleitenden Durchschnitt auf die linken 10 Perioden verschieben. Eine positive Zahl (10) wurde den gleitenden Durchschnitt auf die rechten 10 Perioden verschieben. Mehrere gleitende Durchschnitte konnen die Preisplots uberlagert werden, indem einfach eine weitere Overlay-Zeile zur Workbench hinzugefugt wird. StockCharts-Mitglieder konnen die Farben und den Stil andern, um zwischen mehreren gleitenden Durchschnitten zu unterscheiden. Nachdem Sie eine Anzeige ausgewahlt haben, offnen Sie die erweiterten Optionen, indem Sie auf das kleine grune Dreieck klicken. Erweiterte Optionen konnen auch verwendet werden, um eine gleitende mittlere Uberlagerung zu anderen technischen Indikatoren wie RSI, CCI und Volumen hinzuzufugen. Klicken Sie hier fur ein Live-Diagramm mit mehreren verschiedenen gleitenden Durchschnitten. Verwenden von Moving Averages mit StockCharts-Scans Hier finden Sie einige Beispielscans, die die StockCharts-Mitglieder verwenden konnen, um verschiedene gleitende durchschnittliche Situationen zu scannen: Bullish Moving Average Cross: Diese Scans suchen nach Aktien mit einem steigenden 150-Tage-Durchschnitt und einem bullishen Kreuz der 5 Tag EMA und 35-Tage EMA. Der 150-Tage gleitende Durchschnitt steigt, solange er uber seinem Niveau vor funf Tagen handelt. Ein bullish Kreuz tritt auf, wenn die 5-Tage-EMA bewegt sich uber dem 35-Tage-EMA auf uberdurchschnittlichen Volumen. Bearish Moving Average Cross: Diese Scans sucht nach Aktien mit einem fallenden 150-Tage einfachen gleitenden Durchschnitt und einem barischen Kreuz der 5-Tage EMA und 35-Tage EMA. Der 150-Tage gleitende Durchschnitt fallt, solange er unter seinem Niveau vor funf Tagen handelt. Ein bariges Kreuz tritt auf, wenn die 5-Tage-EMA unterhalb der 35-Tage-EMA auf uberdurchschnittlichem Volumen bewegt. Weitere Studie John Murphy039s Buch hat ein Kapitel gewidmet gleitende Durchschnitte und ihre verschiedenen Verwendungen. Murphy deckt die Vor-und Nachteile der gleitenden Durchschnitte. Daruber hinaus zeigt Murphy, wie bewegte Durchschnitte mit Bollinger Bands und kanalbasierten Handelssystemen funktionieren. Technische Analyse der Finanzmarkte John MurphyC: Simple Moving Average Berechnung der einfachen gleitenden Durchschnitt einer Reihe von Zahlen. Erstellen Sie eine Stateful-Funktion / Klasse / Instanz, die einen Punkt dauert und gibt eine Routine zuruck, die eine Zahl als Argument annimmt und einen einfachen gleitenden Durchschnitt ihrer Argumente zuruckgibt. Beschreibung Ein einfacher gleitender Durchschnitt ist ein Verfahren zur Berechnung eines Durchschnitts eines Stroms von Zahlen, indem nur die letzten P-Zahlen aus dem Strom gemittelt werden, wobei P als Periode bezeichnet wird. Sie kann implementiert werden, indem eine Initialisierungsroutine mit P als Argument I (P) aufgerufen wird, das dann eine Routine zuruckgeben sollte, die, wenn sie mit einzelnen aufeinanderfolgenden Elementen eines Stroms von Zahlen aufgerufen wird, den Mittelwert von (bis zu) Letzten P von ihnen, nennen wir diese SMA (). Das Wort stateful in der Aufgabenbeschreibung bezieht sich auf die Notwendigkeit fur SMA (), sich an bestimmte Informationen zwischen Anrufen zu erinnern: Der Zeitraum, P Ein bestellter Container von mindestens den letzten P-Nummern von jedem seiner einzelnen Anrufe. Stateful bedeutet auch, dass aufeinander folgende Aufrufe von I (), dem Initialisierer, separate Routinen zuruckgeben sollten, die den gespeicherten Zustand nicht teilen, sodass sie auf zwei unabhangigen Datenstromen verwendet werden konnen. Pseudocode fur eine Implementierung von SMA ist: