Średnie kroczące: jak ich używać Niektóre z podstawowych funkcji średniej ruchomej służą do identyfikowania trendów i odwracania. zmierzyć siłę dynamiki aktywów i określić potencjalne obszary, w których aktywa znajdą wsparcie lub opór. W tej sekcji zwrócimy uwagę na to, jak różne okresy czasu mogą monitorować tempo i jak średnie ruchome mogą być korzystne przy ustalaniu strat. Ponadto zajmiemy się niektórymi możliwościami i ograniczeniami przenoszenia średnich, które należy rozważyć podczas ich używania w ramach procedury handlowej. Trend Identyfikacja trendów jest jedną z kluczowych funkcji ruchomych średnich, które są używane przez większość przedsiębiorców, którzy chcą wyznaczyć trend swojego przyjaciela. Średnie kroczące są wskaźnikami słabiej rozwiniętymi. co oznacza, że nie przewidują nowych trendów, ale potwierdzają tendencje po ich ustanowieniu. Jak widać na rysunku 1, zapas uważa się za trend wzrostowy, gdy cena jest powyżej średniej ruchomej, a średnia jest nachylona do góry. I odwrotnie, przedsiębiorca użyje ceny poniżej średniej nachylonej w dół, aby potwierdzić tendencję spadkową. Wielu inwestorów rozważa utrzymanie pozycji długiej w aktywach tylko wtedy, gdy cena jest wyższa od średniej ruchomej. Ta prosta reguła może pomóc zapewnić, że trend działa na korzyść traderów. Momentum Wielu początkujących handlowców pyta, w jaki sposób można zmierzyć dynamikę i jak można wykorzystać średnie ruchome, aby poradzić sobie z takim wyczynem. Prostą odpowiedzią jest zwrócenie szczególnej uwagi na okresy czasu używane do tworzenia średniej, ponieważ każdy okres czasu może dostarczyć cennych informacji na temat różnych typów pędu. Ogólnie rzecz biorąc, krótkotrwały pęd można ocenić, patrząc na ruchome średnie, które skupiają się na okresach czasu wynoszących 20 dni lub mniej. Patrzenie na ruchome średnie, które są tworzone w okresie od 20 do 100 dni, jest ogólnie uważane za dobrą miarę średniookresowego tempa. Ostatecznie, każda średnia ruchoma, która wykorzystuje 100 dni lub więcej w obliczeniach, może być używana jako miara długoterminowego rozpędu. Zdrowy rozsądek powinien powiedzieć, że 15-dniowa średnia ruchoma jest bardziej odpowiednią miarą krótkoterminowego tempa niż 200-dniowa średnia ruchoma. Jedną z najlepszych metod określania siły i kierunku rozpędu aktywów jest umieszczenie trzech średnich ruchomych na wykresie, a następnie zwrócenie bacznej uwagi na to, jak układają się one względem siebie. Trzy średnie ruchome, które są ogólnie stosowane, mają różne ramy czasowe, próbując przedstawić krótkoterminowe, średnioterminowe i długoterminowe ruchy cen. Na rysunku 2 silny wzrost jest widoczny, gdy średnie krótkoterminowe są zlokalizowane powyżej średnich długoterminowych, a obydwie średnie są rozbieżne. Odwrotnie, gdy średnie krótkoterminowe znajdują się poniżej średnich długoterminowych, pęd jest skierowany w dół. Wsparcie Kolejnym typowym zastosowaniem średnich kroczących jest określenie potencjalnej ceny wsparcia. Nie potrzebuje zbyt wiele doświadczeń w poruszaniu się na średnich ruchach, aby zauważyć, że spadająca cena aktywów często zatrzymuje się i odwraca kierunek na tym samym poziomie co ważna średnia. Na przykład na wykresie 3 można zauważyć, że 200-dniowa średnia krocząca była w stanie podnieść cenę akcji po tym, jak spadła ona z jej wysokiego poziomu bliskim 32. Wielu inwestorów spodziewa się odbicia głównych średnich kroczących i wykorzysta inne wskaźniki techniczne jako potwierdzenie spodziewanego ruchu. Opór Gdy cena aktywów spadnie poniżej znaczącego poziomu wsparcia, takiego jak 200-dniowa średnia krocząca, nierzadko zdarza się, że średnia czynność stanowi silną barierę, która uniemożliwia inwestorom obniżanie ceny powyżej tej średniej. Jak widać z poniższej tabeli, opór ten jest często używany przez handlowców jako znak do zysków lub do zamknięcia istniejących długich pozycji. Wiele krótkich sprzedawców będzie również używać tych średnich jako punktów wejścia, ponieważ cena często odbija się od oporu i kontynuuje ruch niższy. Jeśli jesteś inwestorem, który ma długą pozycję w aktywach, które są notowane poniżej głównych średnich kroczących, może być w twoim najlepszym interesie, aby uważnie obserwować te poziomy, ponieważ mogą one znacząco wpłynąć na wartość Twojej inwestycji. Stop-Losses Charakterystyka oporu i oporu charakterystycznego dla średnich kroczących sprawia, że są doskonałym narzędziem zarządzania ryzykiem. Zdolność przenoszenia średnich do określenia strategicznych miejsc do ustalania zleceń stop loss pozwala przedsiębiorcom na wyeliminowanie utraty pozycji, zanim będą mogły rosnąć większe. Jak widać na rysunku 5, przedsiębiorcy, którzy mają długą pozycję w zapasie i ustawiają swoje zlecenia stop loss poniżej średnich wpływowych, mogą zaoszczędzić sobie dużo pieniędzy. Używanie średnich ruchomych do ustawiania zleceń stop-loss jest kluczem do udanej strategii handlowej. Poruszanie się ze średnim prognozowaniem Wprowadzenie. Jak można się domyślić, patrzymy na niektóre z najbardziej prymitywnych podejść do prognozowania. Ale miejmy nadzieję, że są to przynajmniej wartościowe wprowadzenie do niektórych zagadnień związanych z komputerem, związanych z implementacją prognoz w arkuszach kalkulacyjnych. W tym duchu będziemy kontynuować od początku i zacząć pracę z prognozami średniej ruchomej. Przenoszenie średnich prognoz. Wszyscy znają średnie ruchome prognozy, niezależnie od tego, czy uważają, że są. Wszyscy studenci studiują je przez cały czas. Pomyśl o swoich testach w kursie, w którym podczas semestru będziesz miał cztery testy. Pozwala przyjąć, że masz 85 przy pierwszym testie. Co byś przewidział dla swojego drugiego wyniku testu Jak sądzisz, co Twój nauczyciel przewidział dla twojego następnego wyniku testu Co twoim zdaniem mogą przewidzieć twoi znajomi dla twojego następnego wyniku testu Co twoim zdaniem rodzice mogą przewidzieć dla twojego następnego wyniku testu Niezależnie od wszystko, co możesz zrobić swoim przyjaciołom i rodzicom, oni i twój nauczyciel najprawdopodobniej oczekują, że dostaniesz coś w okolicy 85, którą właśnie dostałeś. Teraz załóżmy, że pomimo twojej autopromocji dla twoich przyjaciół, przeinaczasz siebie i wyobrażasz sobie, że możesz mniej uczyć się na drugi test, a więc dostajesz 73. Teraz, co się dzieje z tymi wszystkimi zainteresowanymi i beztroskimi? spodziewaj się, że dostaniesz swój trzeci test. Istnieją dwa bardzo prawdopodobne podejścia do opracowania oszacowania, niezależnie od tego, czy podzielą się nim z tobą. Mogą powiedzieć sobie, ten facet zawsze dmucha o jego inteligencję. Zamierza uzyskać kolejne 73, jeśli ma szczęście. Może rodzice będą starali się być bardziej pomocni i powiedzieć: "Cóż, jak dotąd dostałeś 85 i 73, więc może powinieneś pomyśleć o zdobyciu czegoś" (85 73) 2 79. Nie wiem, może gdybyś mniej imprezował i nie kręcili weasel w całym miejscu i jeśli zacząłeś robić o wiele więcej nauki, możesz uzyskać wyższy wynik. Oba te szacunki są w rzeczywistości średnią ruchomą. Pierwszym z nich jest wykorzystanie tylko ostatniego wyniku do prognozowania przyszłej skuteczności. Nazywa się to ruchomą średnią prognozą przy użyciu jednego okresu danych. Drugi to również prognoza średniej ruchomej, ale z wykorzystaniem dwóch okresów danych. Załóżmy, że wszyscy ci ludzie, którzy wpadają w twój wielki umysł, trochę cię wkurzyli i postanawiasz zrobić dobrze w trzecim teście z własnych powodów i wystawić wyższy wynik przed swoimi cytatami. Robisz test, a Twój wynik jest w rzeczywistości 89 Wszyscy, łącznie z sobą, są pod wrażeniem. Teraz masz już ostatni test semestru i jak zwykle czujesz potrzebę nakłonienia wszystkich do przedstawienia swoich przewidywań na temat ostatniego testu. Mam nadzieję, że widzisz wzór. Miejmy nadzieję, że widać wzór. Co według ciebie jest najdokładniejszym Gwizdkiem, podczas gdy my pracujemy. Teraz wracamy do naszej nowej firmy sprzątającej rozpoczętej przez twoją siostrę o imieniu Whistle While We Work. Masz kilka poprzednich danych dotyczących sprzedaży reprezentowanych w poniższej sekcji z arkusza kalkulacyjnego. Najpierw przedstawiamy dane dotyczące trzech okresowych prognoz średniej ruchomej. Wpis dla komórki C6 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C7 do C11. Zwróć uwagę, jak średnia porusza się po najnowszych danych historycznych, ale używa dokładnie trzech ostatnich okresów dostępnych dla każdej prognozy. Warto też zauważyć, że nie musimy naprawdę przewidzieć z ostatnich okresów, aby rozwinąć nasze najnowsze prognozy. To zdecydowanie różni się od wyrafinowanego modelu wygładzania. Ive uwzględniła przewidywania kwotowania, ponieważ będziemy używać ich na następnej stronie internetowej w celu pomiaru ważności przewidywania. Teraz chcę przedstawić analogiczne wyniki dla dwuletniej prognozy średniej ruchomej. Wpis dla komórki C5 powinien być teraz. Teraz możesz skopiować tę formułę komórki do innych komórek od C6 do C11. Zwróć uwagę, jak teraz dla każdej prognozy są używane tylko dwa najnowsze dane historyczne. Ponownie uwzględniłem prognozy quotpast dla celów ilustracyjnych i do późniejszego wykorzystania w walidacji prognoz. Inne ważne rzeczy do zauważenia. Dla prognozy średniej ruchomej z okresu m do prognozowania wykorzystuje się tylko m najnowsze wartości danych. Nic więcej nie jest konieczne. Dla prognozy średniej ruchomej okresu m, podczas dokonywania prognozy quotpast, zauważ, że pierwsza prognoza ma miejsce w okresie m 1. Oba te problemy będą bardzo istotne, gdy opracujemy nasz kod. Rozwój funkcji przeciętnej ruchomości. Teraz musimy opracować kod dla prognozy średniej ruchomej, którą można używać bardziej elastycznie. Kod następuje. Zauważ, że dane wejściowe odnoszą się do liczby okresów, których chcesz użyć w prognozie i tablicy wartości historycznych. Możesz przechowywać go w dowolnym skoroszycie, który chcesz. Funkcja MovingAverage (Historyczne, NumberOfPeriods) Jako pojedyncze zadeklarowanie i inicjalizacja zmiennych Dim Pozycja jako zmienny licznik wymiaru jako całkowita liczba wymiarów Dim Dimit as Single Dim HistoricalSize jako liczba całkowita Inicjowanie zmiennych Counter 1 Akumulacja 0 Określanie rozmiaru tablicy historycznej HistoricalSize Historical. Count dla licznika 1 na NumberOfPeriods Kumulacja odpowiedniej liczby ostatnio obserwowanych wartości Akumulacja akumulacja Historycznie (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kod zostanie wyjaśniony w klasie. Chcesz umieścić funkcję w arkuszu kalkulacyjnym, aby wynik obliczeń pojawiał się tam, gdzie powinien być następujący. Szeregi czasowe to ciąg obserwacji okresowej zmiennej losowej. Przykładami są miesięczne zapotrzebowanie na produkt, roczna rekrutacja na studia pierwszego roku w wydziale uniwersytetu i dzienne przepływy w rzece. Szeregi czasowe są ważne dla badań operacyjnych, ponieważ często są motorem modeli decyzyjnych. Model zapasów wymaga oszacowań przyszłych wymagań, harmonogram kursów i model kadr dla wydziału uniwersyteckiego wymaga oszacowania przyszłego napływu studentów, a model dostarczania ostrzeżeń ludności w dorzeczu wymaga oszacowań przepływów rzek w najbliższej przyszłości. Analiza szeregu czasowego dostarcza narzędzi do wyboru modelu, który opisuje serie czasowe i wykorzystuje model do prognozowania przyszłych zdarzeń. Modelowanie szeregów czasowych jest problemem statystycznym, ponieważ obserwowane dane są wykorzystywane w procedurach obliczeniowych do oszacowania współczynników przypuszczalnego modelu. Modele zakładają, że obserwacje zmieniają się losowo na podstawie wartości średniej, która jest funkcją czasu. Na tych stronach zwracamy uwagę na użycie historycznych danych z serii czasowych w celu oszacowania modelu zależnego od czasu. Metody te są odpowiednie do automatycznego, krótkoterminowego prognozowania często wykorzystywanych informacji, w przypadku gdy podstawowe przyczyny zmian czasu nie zmieniają się znacząco w czasie. W praktyce prognozy uzyskane za pomocą tych metod są następnie modyfikowane przez analityków, którzy zawierają informacje niedostępne w danych historycznych. Naszym głównym celem w tej sekcji jest przedstawienie równań dla czterech metod prognozowania używanych w dodatku Forecasting: średnia krocząca, wykładnicze wygładzanie, regresja i podwójne wygładzanie wykładnicze. Są to tzw. Metody wygładzania. Metody nieuwzględnione to prognozowanie jakościowe, regresja wielokrotna i metody autoregresyjne (ARIMA). Osoby zainteresowane szerszym zasięgiem powinny odwiedzić stronę Zasady prognozowania lub przeczytać jedną z kilku doskonałych książek na ten temat. Korzystaliśmy z książki Forecasting. autor: Makridakis, Wheelwright i McGee, John Wiley amp Sons, 1983. Aby skorzystać ze skoroszytu przykładów programu Excel, musisz mieć zainstalowany dodatek Forecasting. Wybierz polecenie Połącz, aby ustanowić łącza do tego dodatku. Ta strona opisuje modele używane do prostego prognozowania i notacji użytej do analizy. Najprostszą metodą prognozowania jest średnia ruchoma. Metoda ta jest średnią z ostatnich obserwacji m. Jest przydatne w przypadku serii czasowych z powolną średnią. Ta metoda bierze pod uwagę całą przeszłość w swojej prognozie, ale waży ostatnie doświadczenia mniej niż niedawno. Obliczenia są proste, ponieważ tylko oszacowanie poprzedniego okresu i bieżące dane określają nowy szacunek. Metoda ta jest użyteczna dla serii czasowych o powolnie zmieniającej się średniej. Metoda średniej ruchomej nie reaguje dobrze na szereg czasowy, który zwiększa lub maleje wraz z upływem czasu. Tutaj uwzględniamy liniowy termin trendu w modelu. Metoda regresji przybliża model poprzez skonstruowanie równania liniowego, które zapewnia najmniejsze kwadraty pasujące do ostatnich m obserwacji. W praktyce średnia ruchoma zapewni dobre oszacowanie średniej serii czasowych, jeśli średnia jest stała lub powoli się zmienia. W przypadku stałej średniej, największa wartość m da najlepsze oszacowanie podstawowej średniej. Dłuższy okres obserwacji będzie wynosił średnie efekty zmienności. Celem zapewnienia mniejszej m jest umożliwienie prognozowania reakcji na zmianę procesu leżącego u ich podstaw. W celu zilustrowania proponujemy zestaw danych zawierający zmiany w podstawowej średniej serii czasowej. Na rysunku przedstawiono serie czasów używane do ilustracji wraz ze średnim zapotrzebowaniem, z którego generowane były serie. Średnia rozpoczyna się jako stała przy 10. Zaczynając od czasu 21, zwiększa się o jedną jednostkę w każdym okresie, aż osiągnie wartość 20 w czasie 30. Następnie staje się stała ponownie. Dane są symulowane przez dodanie do średniej, losowego szumu z rozkładu normalnego ze średnią zerową i odchyleniem standardowym 3. Wyniki symulacji są zaokrąglane do najbliższej liczby całkowitej. W tabeli przedstawiono symulowane obserwacje stosowane w przykładzie. Kiedy używamy tabeli, musimy pamiętać, że w danym momencie znane są tylko przeszłe dane. Szacunki modelu parametru, dla trzech różnych wartości m są pokazane razem ze średnią serii czasowej na poniższym rysunku. Rysunek pokazuje średnie ruchome oszacowanie średniej za każdym razem, a nie prognozę. Prognozy przesuwają krzywą średniej ruchomej w prawo o okresy. Jeden z wniosków jest natychmiast widoczny na rysunku. We wszystkich trzech szacunkach średnia ruchoma pozostaje w tyle za tendencją liniową, przy czym opóźnienie wzrasta o m. Opóźnienie jest odległością między modelem a oszacowaniem w wymiarze czasowym. Ze względu na opóźnienie, średnia ruchoma nie docenia uwag, gdy średnia rośnie. Przeciążeniem estymatora jest różnica w określonym czasie w wartości średniej modelu i średniej wartości przewidywanej przez średnią ruchomą. Przeciążenie, gdy średnia rośnie, jest ujemne. Dla malejącej średniej, nastawienie jest dodatnie. Opóźnienie w czasie i odchylenie wprowadzone w oszacowaniu są funkcjami m. Im większa wartość m. im większa jest wielkość opóźnienia i stronniczości. Dla ciągle rosnącej serii z tendencją a. wartości opóźnień i stronniczości estymatora średniej podano w równaniach poniżej. Krzywe przykładowe nie pasują do tych równań, ponieważ przykładowy model nie zwiększa się w sposób ciągły, raczej zaczyna się jako stała, zmienia się w trend, a następnie staje się stały. Również przykładowe krzywe mają wpływ na hałas. Ruchome przeciętne prognozy okresów w przyszłość są przedstawione przez przesunięcie krzywych w prawo. Opóźnienie i nastawienie wzrastają proporcjonalnie. Poniższe równania wskazują opóźnienie i odchylenie okresów prognozy w przyszłości w porównaniu do parametrów modelu. Ponownie, formuły te są dla szeregu czasowego ze stałym trendem liniowym. Nie powinniśmy być zaskoczeni tym rezultatem. Estymator średniej ruchomej opiera się na założeniu stałej średniej, a przykład ma tendencję liniową w średniej podczas części okresu badania. Ponieważ serie czasu rzeczywistego rzadko będą dokładnie przestrzegać założeń dowolnego modelu, powinniśmy być przygotowani na takie wyniki. Z rysunku można również wyciągnąć wniosek, że zmienność hałasu ma największy wpływ na mniejsze m. Oszacowanie to jest dużo bardziej zmienne dla średniej kroczącej wynoszącej 5 niż średnia krocząca wynosząca 20. Mamy sprzeczne pragnienia zwiększenia m, aby zmniejszyć efekt zmienności z powodu hałasu, i zmniejszyć m, aby prognoza lepiej reagowała na zmiany w średniej. Błąd jest różnicą między rzeczywistymi danymi a prognozowaną wartością. Jeżeli szereg czasowy jest rzeczywiście stałą wartością, oczekiwana wartość błędu wynosi zero, a wariancja błędu składa się z terminu będącego funkcją drugiego i będącego wariancją szumu,. Pierwszy termin to wariancja średniej oszacowanej z próbką m obserwacji, przy założeniu, że dane pochodzą z populacji o stałej średniej. Ten termin jest zminimalizowany przez uczynienie m jak największym. Duża m powoduje, że prognoza nie reaguje na zmianę podstawowej serii czasowej. Aby prognoza odpowiadała na zmiany, chcemy m tak małą (1), ale zwiększa to wariancję błędu. Praktyczne prognozy wymagają wartości pośredniej. Prognozowanie w programie Excel Dodatek Prognozowania implementuje średnie ruchome wzory. Poniższy przykład pokazuje analizę dostarczoną przez dodatek dla przykładowych danych w kolumnie B. Pierwsze 10 obserwacji jest indeksowane od -9 do 0. W porównaniu do powyższej tabeli, indeksy okresu są przesuwane o -10. Pierwsze dziesięć obserwacji dostarcza wartości początkowe dla oszacowania i są używane do obliczenia średniej ruchomej dla okresu 0. Kolumna MA (10) (C) pokazuje obliczone średnie ruchome. Parametr średniej ruchomej m znajduje się w komórce C3. Kolumna Fore (1) (D) pokazuje prognozę dla jednego okresu w przyszłości. Interwał prognozy znajduje się w komórce D3. Gdy przedział prognozy zostanie zmieniony na większą liczbę, liczby w kolumnie "Fore" zostaną przesunięte w dół. Err (1) (E) pokazuje różnicę między obserwacją a prognozą. Na przykład obserwacja w czasie 1 to 6. Prognozowana wartość wykonana z średniej ruchomej w czasie 0 wynosi 11,1. Błąd to -5.1. Odchylenie standardowe i średnie odchylenie średnie (MAD) są obliczane odpowiednio w komórkach E6 i E7.
No comments:
Post a Comment