Moving Averages: So verwenden Sie sie Einige der primären Funktionen eines gleitenden Durchschnitt sind Trends und Umkehrungen zu identifizieren. Die Stärke eines Vermögensimpulses zu messen und potenzielle Bereiche zu bestimmen, in denen ein Vermögenswert Unterstützung oder Widerstand findet. In diesem Abschnitt werden wir darauf hinweisen, wie verschiedene Zeitperioden die Dynamik überwachen können und wie sich gleitende Mittelwerte bei der Einstellung von Stopp-Verlusten vorteilhaft auswirken können. Darüber hinaus werden wir einige der Möglichkeiten und Grenzen der gleitenden Durchschnitte, die man beachten sollte, wenn sie als Teil einer Handelsroutine. Trend Trends identifizieren ist eine der Schlüsselfunktionen der gleitenden Durchschnitte, die von den meisten Händlern verwendet werden, die den Trend zu ihrem Freund machen wollen. Gleitende Mittelwerte sind nacheilende Indikatoren. Was bedeutet, dass sie nicht vorhersagen, neue Trends, sondern bestätigen Trends, sobald sie etabliert wurden. Wie Sie in Abbildung 1 sehen können, wird eine Aktie in einem Aufwärtstrend betrachtet, wenn der Kurs über einem gleitenden Durchschnitt liegt und der Durchschnitt nach oben geneigt ist. Umgekehrt wird ein Händler einen Preis unter einem nach unten abfallenden Durchschnitt verwenden, um einen Abwärtstrend zu bestätigen. Viele Händler werden nur betrachten halten eine lange Position in einem Vermögenswert, wenn der Preis über einem gleitenden Durchschnitt handelt. Diese einfache Regel kann dazu beitragen, dass der Trend funktioniert in den Händlern zugunsten. Momentum Viele Anfänger-Trader fragen, wie es möglich ist, Impulse zu messen und wie bewegte Durchschnitte verwendet werden können, um eine solche Leistung zu bewältigen. Die einfache Antwort ist, genau auf die Zeiträume zu achten, die bei der Erstellung des Durchschnitts verwendet werden, da jeder Zeitraum wertvolle Einblicke in verschiedene Arten von Impuls geben kann. Im allgemeinen kann das kurzzeitige Momentum durch Betrachten von sich bewegenden Durchschnitten gemessen werden, die sich auf Zeitabschnitte von 20 Tagen oder weniger konzentrieren. Betrachtet man bewegte Durchschnitte, die mit einer Periode von 20 bis 100 Tagen erstellt werden, gilt allgemein als ein gutes Maß für das mittelfristige Momentum. Schließlich kann jeder gleitende Durchschnitt, der 100 Tage oder mehr in der Berechnung verwendet, als Maß für das langfristige Momentum verwendet werden. Der gesunde Menschenverstand sollte Ihnen sagen, dass ein gleitender 15-Tage-Durchschnitt ein geeigneterer Maßstab für kurzfristige Impulse ist als ein 200-Tage-Gleitender Durchschnitt. Eine der besten Methoden, um die Stärke und Richtung eines Vermögensimpulses zu bestimmen, besteht darin, drei gleitende Durchschnittswerte auf ein Diagramm zu legen und dann genau darauf zu achten, wie sie sich in Beziehung zueinander stapeln. Die drei gleitenden Durchschnitte, die in der Regel verwendet werden, haben unterschiedliche Zeitrahmen, um kurzfristige, mittelfristige und langfristige Kursbewegungen darzustellen. In Abbildung 2 ist ein starkes Aufwärtsmoment zu beobachten, wenn kürzere Mittelwerte über längerfristigen Durchschnittswerten liegen und die beiden Mittelwerte divergieren. Wenn umgekehrt die kürzeren Mittelwerte sich unterhalb der längeren Mittelwerte befinden, ist der Impuls in der Abwärtsrichtung. Unterstützung Eine weitere häufige Verwendung von gleitenden Durchschnitten ist die Bestimmung potenzieller Preisstützungen. Es braucht nicht viel Erfahrung im Umgang mit gleitenden Durchschnitten zu bemerken, dass der sinkende Preis eines Vermögenswertes oft stoppen und umkehren Richtung auf dem gleichen Niveau wie ein wichtiger Durchschnitt. Zum Beispiel in Abbildung 3 können Sie sehen, dass die 200-Tage gleitenden Durchschnitt war in der Lage, den Preis der Aktie zu stützen, nachdem sie von seiner hohen in der Nähe von 32 fiel. Viele Händler erwarten eine Absprung von großen gleitenden Durchschnitten und wird mit anderen Technische Indikatoren als Bestätigung der erwarteten Bewegung. Widerstand Sobald der Preis eines Vermögenswertes unter ein einflussreiches Unterstützungsniveau fällt, wie zum Beispiel der gleitende 200-Tage-Durchschnitt, ist es nicht ungewöhnlich, dass die durchschnittliche Aktie als eine starke Barriere betrachtet wird, die Investoren daran hindert, den Preis über diesen Durchschnitt hinaus zu drücken. Wie Sie aus der unten stehenden Tabelle sehen können, wird dieser Widerstand oft von Händlern als Vorzeichen genutzt, um Gewinne zu erzielen oder bestehende Longpositionen zu schließen. Viele Leerverkäufer werden auch diese Mittelwerte als Einstiegspunkte verwenden, da der Preis oftmals vom Widerstand abprallt und seinen Kurs weiter senken wird. Wenn Sie ein Investor sind, der eine Long-Position in einem Vermögenswert hält, der unter den gleitenden Hauptdurchschnitten handelt, kann es in Ihrem besten Interesse sein, diese Niveaus genau zu beobachten, weil sie den Wert Ihrer Investition stark beeinflussen können. Stop-Losses Die Unterstützung und Widerstand Eigenschaften der gleitenden Durchschnitte machen sie ein großes Werkzeug für die Verwaltung von Risiken. Die Fähigkeit, sich zu bewegen, um strategische Plätze zu ermitteln, um Stop-Loss-Aufträge festzulegen, erlaubt es Händlern, Positionen zu verlieren, bevor sie größer werden können. Wie Sie in Abbildung 5 sehen können, können Händler, die eine Long-Position in einer Aktie halten und ihre Stop-Loss-Aufträge unter einflussreichen Durchschnittswerten einstellen, sich eine Menge Geld sparen. Mit bewegten Durchschnitten, um Stop-Loss-Aufträge festzulegen, ist der Schlüssel für jede erfolgreiche Handelsstrategie. Moving Average Forecasting Einführung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so dass Sie vielleicht auf eine über (85 73) / 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger haben Partying und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Anhäufung der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation / NumberOfPariods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, sodass das Ergebnis der Berechnung dort erscheint, wo es die folgenden haben soll.8.4 Durchschnittliche Modelle verschieben Anstatt frühere Werte der Vorhersagevariablen in einer Regression zu verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler Ein Regressionsmodell. Y c et the theta e dots theta e, wobei et weißes Rauschen ist. Wir bezeichnen dies als MA (q) - Modell. Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Man beachte, daß jeder Wert von yt als gewichteter gleitender Durchschnitt der letzten Prognosefehler betrachtet werden kann. Jedoch sollten gleitende Durchschnittsmodelle nicht mit der gleitenden glatten Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte verwendet, während die gleitende gleitende Durchschnittskurve für die Schätzung des Trendzyklus der vergangenen Werte verwendet wird. Abbildung 8.6: Zwei Beispiele für Daten aus gleitenden Durchschnittsmodellen mit unterschiedlichen Parametern. Links: MA (1) mit yt 20e t 0,8e t-1. Rechts: MA (2) mit y t e t - e t-1 0,8e t-2. In beiden Fällen ist e t normal verteiltes Weißrauschen mit Mittelwert Null und Varianz Eins. Abbildung 8.6 zeigt einige Daten aus einem MA (1) - Modell und einem MA (2) - Modell. Das Ändern der Parameter theta1, dots, thetaq führt zu unterschiedlichen Zeitreihenmustern. Wie bei autoregressiven Modellen wird die Varianz des Fehlerterms et nur den Maßstab der Reihe ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) - Modell als MA (infty) - Modell zu schreiben. Beispielsweise können wir dies bei einem AR (1) - Modell demonstrieren: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext end Vorausgesetzt -1 lt phi1 lt 1 wird der Wert von phi1k kleiner, wenn k größer wird. So erhalten wir schließlich yt und phi1 e phi12 e phi13 e cdots, ein MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann wird das MA-Modell invertierbar. Das heißt, dass wir alle invertierbaren MA (q) Prozess als AR (infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA-Modellen auf AR-Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu verwenden. Die Invertibilitätsbedingungen sind den stationären Einschränkungen ähnlich. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) - Modell: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wiederum wird R diese Einschränkungen bei der Schätzung der Modelle berücksichtigen.
No comments:
Post a Comment