Liikkuva Keskiarvo Cfa

Liikkuva keskiarvo - MA. BREAKING DOWN Siirrettävä keskiarvo - MA. As SMA-esimerkkinä, harkitse tietoturvaa, jonka seuraavat sulkemishinnat ovat 15 päivää. Viikko 1 5 päivää 20, 22, 24, 25, 23. Viikko 2 5 päivää 26, 28 , 26, 29, 27. Viikko 3 5 päivää 28, 30, 27, 29, 28. 10 päivän MA keskimäärin ensimmäisten 10 päivän päätöskurssit ensimmäisen datapisteenä Seuraava datapiste alenisi aikaisintaan hinta, lisää hinta 11. päivänä ja noudata keskiarvoa, ja niin edelleen kuten alla. Kuten aiemmin on todettu, MA: t viivästyttävät nykyistä hintatoimintaa, koska ne perustuvat aikaisempaan hintaan, mitä kauemmin MA: n ajanjakso on, sitä suurempi lag 200 päivän MA: lla on huomattavasti pidempi viivästyminen kuin 20 päivän MA: ssa, koska se sisältää hintoja viimeisten 200 päivän aikana. Käyttämättömän MA: n pituus riippuu kaupankäynnin tavoitteista, lyhyemmät MA: t käytetään lyhytaikaisiin kaupankäyntiin ja pitempiaikaiset maat sopivat paremmin pitkän aikavälin sijoittajille 200 päivän MA noudattaa laajalti sijoittajia ja kauppiaita, joiden tauot ylittävät tämän liukuvan keskiarvon ovat tärkeitä kaupankäyntijasignaaleja. Myös malleja antavat tärkeitä kaupankäyntisignaaleja yksinään tai kun kaksi keskiarvoa ylittävät A nousevan MA: n, osoittaa, että turvallisuus on nousussa, kun taas laskeva MA osoittaa, että se on laskusuunnassa. Samoin nouseva vauhti on vahvistetaan nousevan nousun jälkeen, mikä ilmenee, kun lyhyen aikavälin MA ylittää pitkän aikavälin MA: n alaspäin suuntautuvan momentin, vahvistuu laskevalla crossoverilla, mikä tapahtuu, kun lyhyen aikavälin MA ylittää pidemmän aikavälin MA: n..Kaikki suosituimpia teknisiä indikaattoreita käytetään liukuvien keskiarvojen mittaamiseen nykyisen suuntauksen suuntaan. Kaikki tässä opettajassa yleisesti kirjoitetut liikkuvan keskiarvot, kuten MA, ovat matemaattinen tulos, joka lasketaan keskiarvon avulla useista aiemmista datapisteistä. Kun määritetään, tuloksena oleva keskiarvo piirretään sitten kaaviolle, jotta toimijat voivat tarkastella tasoitettuja tietoja sen sijaan, että keskityttäisiin päivittäisiin hintavaihteluihin, jotka ovat luonteeltaan kaikkien rahoittajien al-markkinat. Liikkuvan keskiarvon yksinkertaisin muoto, joka tunnetaan tavallisesti yksinkertaisena liukuva keskiarvona SMA, lasketaan ottamalla tietyn arvoryhmän aritmeettinen keskiarvo Esimerkiksi 10 päivän liukuvan keskiarvon laskemiseksi lisäät viimeiset 10 päivän viimeiset hinnat ja jakaa tulos 10: llä. Kuviossa 1 viimeisten 10 päivän 110 hintojen summa jaettuna päivien 10 lukumäärällä 10 päivän keskiarvoon saakka Jos elinkeinonharjoittaja haluaa katsotaan 50 päivän keskiarvoa, mutta sama hinta lasketaan 50 viimeisen päivän aikana. Tuloksena saatu keskiarvo alle 11: ssä ottaa huomioon viimeiset 10 datapistettä, jotta kauppiaille voitaisiin antaa käsitys siitä, miten omaisuus on hinnoiteltu viimeisten 10 päivän aikana. Oletko ehkä miettinyt, miksi tekniset toimijat kutsuvat tätä työkalua liukuvalle keskiarvolle eikä vain säännölliselle keskiarvolle. Vastaus on, että kun uudet arvot tulevat saataville, vanhimmat datapisteet on pudonnut sarjasta ja uudet datapisteet tulevat i n korvaamaan ne Näin ollen datajoukko siirtyy jatkuvasti uusien tietojen huomioon otta - miseksi, kun se tulee saataville Tämä laskentamenetelmä varmistaa, että vain nykyiset tiedot otetaan huomioon Kuvassa 2, kun uusi arvo 5 lisätään sarjaan , viimeisen 10 datapisteen edustama punainen laatikko siirtyy oikealle ja viimeinen 15: n arvo lasketaan laskemasta Koska suhteellisen pieni arvo 5 korvaa korkean 15: n arvon, oletettavasti näet datasarjan keskiarvon laskee, mitä se tekee, tässä tapauksessa 11: stä 10: een. Mihin liikuttavat keskiarvot näyttävät Kun MA: n arvot on laskettu, ne piirretään kaaviolle ja liitetään sitten liukuvan keskiarvon luomiseksi. Nämä kaarevat linjat ovat yleisiä teknisten toimijoiden kaavioista, mutta miten niitä käytetään, voi vaihdella huomattavasti enemmän myöhemmin. Kuten kuvasta 3 nähdään, on mahdollista lisätä enemmän kuin yksi liukuva keskiarvo mihin tahansa kaavioon säätämällä ajanjaksoja, joita käytetään las ion Nämä kaarevat linjat saattavat tuntua häiritsevältä tai sekaannuksilta aluksi, mutta tulet tottumaan niihin ajan myötä. Punainen rivi on yksinkertaisesti keskimääräinen hinta viimeisten 50 päivän aikana, kun taas sininen viiva on keskimäärin viimeisen 100 päivän aikana Nyt kun ymmärrät, mikä liikkuva keskiarvo on ja miltä se näyttää, esitämme toisenlaisen liikkuvan keskiarvon ja tarkastelemme, miten se eroaa edellä mainituista yksinkertaisista liikkuvista keskiarvoista. Yksinkertainen liikkuva keskiarvo on erittäin suosittu kauppiaiden keskuudessa, mutta kuten kaikki tekniset indikaattorit, sillä on sen kriitikot Monet yksityishenkilöt väittävät, että SMA: n hyödyllisyys on rajoitettu, koska tietosarjan jokaisen pisteen painotus on sama riippumatta siitä, missä se tapahtuu sekvenssissä. Kriitikot väittävät, että viimeisimmät tiedot ovat merkittävämpiä kuin vanhemmilla tiedoilla, ja niiden pitäisi vaikuttaa enemmän lopputulokseen. Vastauksena tähän kritiikkiin kauppiaat alkoivat kiinnittää enemmän huomiota viimeaikaisiin tietoihin, mikä on johtanut keksintöön o f eri tyyppisiä uusia keskiarvoja, joista suosituin on eksponentiaalinen liukuva keskiarvo EMA Lue lisää lukemalla perusasiat painotetuista liikkuvista keskiarvoista ja mikä on ero SMA: n ja EMA: n välillä. Exponential Moving Average Eksponentiaalinen liukuva keskiarvo on tyyppi joka lisää painoarvoa viimeaikaisille hinnoille pyrkii parantamaan sitä uusilla tiedoilla. EMA: n laskemiseen liittyvän hieman monimutkaisen yhtälön oppiminen saattaa olla tarpeetonta monille kauppiaille, koska lähes kaikki kartoituspaketit tekevät laskelmat sinulle. te matemaattiset geeksit siellä, tässä on EMA-yhtälö. Kun käytät kaavaa EMA: n ensimmäisen pisteen laskemiseen, saatat huomata, että käytettävissä ei ole arvoa käytettäväksi edelliseen EMA: han. Tämä pieni ongelma voidaan ratkaista laskemalla laskenta yksinkertaisella liikkeellä keskimäärin ja jatkamalla yllä olevasta kaavasta sieltä Olemme toimittaneet sinulle esimerkin laskentataulukon, joka sisältää todellisia esimerkkejä siitä, miten lasketaan EMA: n ja SMA: n välinen ero Nyt kun olet ymmärtänyt paremmin SMA: n ja EMA: n laskemisen, katsotaanpa, kuinka nämä keskiarvot poikkeavat tarkastelemalla EMA: n laskennassa huomaat, että viimeaikaisissa datapisteissä painotetaan entistä enemmän painotettua keskimääräistä tyyppiä. Kuviossa 5 kullakin keskiarvolla käytetyt aikajaksot ovat identtisiä 15, mutta EMA reagoi nopeammin muuttuvat hinnat Huomaa, miten EMA: lla on suurempi arvo, kun hinta nousee ja laskee nopeammin kuin SMA, kun hinta on laskussa Tämä reagointikyky on tärkein syy siihen, miksi monet kauppiaat mieluummin käyttävät EMAa SMA: n kautta. Mitä tehdä eri Päivän keskiarvo Siirtyvät keskiarvot ovat täysin muokattavissa oleva indikaattori, mikä tarkoittaa, että käyttäjä voi vapaasti valita haluamansa aikavälin keskimääräisen keskiarvon luomisen yhteydessä. Yleisimmät keskimääräiset liikkeet ovat 15, 20, 30, 50, 1 00 ja 200 päivää Mitä lyhyempi on keskimääräisen arvon luomiseen käytettävä aika, sitä herkempi on hintamuutokset Mitä kauemmin ajanjakso, herkempi tai tasaisempi, keskimääräinen on Ei ole oikeaa aikataulua Käytä liikkuvia keskiarvoja asettaessasi Paras tapa selvittää, mikä toimii parhaiten sinulle on kokeilla useita eri aikavälejä, kunnes löydät strategiasi sopivan. 2 1 Siirrettävät keskimääräiset mallit MA-mallit. koska ARIMA-malleissa voi olla autoregressiivisiä termejä tai liukuvia keskimääräisiä termejä. Viikolla 1 opimme autoregressiivisen termin aikasarjamallissa muuttujalle xt on viivästynyt arvo xt Esimerkiksi 1 viive 1 autoregressiivinen termi on x t-1 kerrottuna kertoimella Tässä oppitunnissa määritellään liukuvat keskiarvot. Liikkeessä oleva keskimääräinen termi aikasarjamallissa on aikaisempi virhe kerrottuna kertoimella. Lt wt overset N 0, sigma 2w, mikä tarkoittaa, että wt ovat identtisesti ja toisistaan ​​riippumattomasti jakautuneita normaalijakauma, jolla on keskiarvo 0 ja sama varianssi. xt mu wt theta1w. 2. luokan liukuva keskimalli, jota merkitään MA 2: lla, on. xt mu wt theta1w theta2w. q: nnen järjestyksen liukuva keskimääräinen malli, jota merkitään MA q: lla, on. xt mu wt theta1w theta2w dots thetaqw. Note Monet oppikirjat ja ohjelmat määrittävät mallin, jossa on negatiivisia merkkejä ennen termejä. Tämä ei muuta mallin yleisiä teoreettisia ominaisuuksia, vaikka se kääntyy arvioidun kerroinarvon algebrallisten merkkien ja epäsäännöllisten termien kaavoja ACF ja varianssit Sinun täytyy tarkistaa ohjelmiston tarkistaa onko kielteisiä tai positiivisia merkkejä on käytetty oikein kirjoittamaan arvioitu malli R käyttää positiivisia merkkejä sen perustana malli, kuten me täällä. Teoreettiset ominaisuudet aikasarjojen kanssa MA 1 - malli. Huomaa, että teoreettisen ACF: n ainoa ei-arvo on viiveellä 1. Kaikki muut autokorrelaatiot ovat 0. Näin ollen näytteen ACF, jolla on merkittävä autokorrelaatio vain viiveellä 1, on mahdollisen MA1-mallin indikaattori. Näitä ominaisuuksia koskevat todistukset ovat tämän esityksen liitteenä. Esimerkki 1 Oletetaan, että MA 1 - malli on xt 10 wt 7 w t-1, jossa wt overset N 0,1 Näin ollen kerroin 1 0 7 Th e teoreettinen ACF on annettu. Tämän ACF: n tontti seuraa. Juuri kuvattu testi on teoreettinen ACF MA 1: lle, jossa on 1 0 7 Käytännössä näyte voitti tavallisesti tällaisen selkeän mallin. Käyttämällä R käytämme simulointia n 100 näytearvot käyttäen mallia xt 10 wt 7 w t-1 missä w t. iid N 0,1 Tässä simulaatiossa seuraa näytetietojen aikasarjatilaa. Voimme t kertoa paljon tästä tontista. Näytteen ACF simuloituun tieto seuraa Nähdään piikki viiveellä 1, mitä seuraa yleisesti ei-merkittäviä arvoja viivästyneelle ohitukselle. Huomaa, että näyte ACF ei vastaa taustalla olevan MA: n teoreettista mallia, eli että kaikki autokorrelaatiot viiveellä 1 ovat 0 A eri näytteellä olisi hieman erilainen näyte ACF alla, mutta todennäköisesti on samat laaja ominaisuuksia. Theroreettiset ominaisuudet aikasarjan kanssa MA 2 Model. For MA 2 malli, teoreettiset ominaisuudet ovat seuraavat. Note, että vain ei-nolla arvot teoreettisessa ACF: ssä ovat viiveet 1 ja 2 Autocorrelat ionien korkeammat viiveet ovat 0 Joten näyte ACF, jolla on merkittäviä autokorrelaatioita viiveellä 1 ja 2, mutta ei-merkittävät autokorrelaatiot suuremmille viiveille osoittavat mahdollisen MA2-mallin. iid N 0,1 Kertoimet ovat 1 0 5 ja 2 0 3 Koska tämä on MA 2, teoreettisella ACF: llä on ei-ääniarvoja vain viiveillä 1 ja 2. Näiden kahden nonzero-autokorrelaation arvot ovat. Teoreettisen ACF: n seuranta on tosia. Lähes aina on tapaus, näytetietoja ei ole käyttäytynyt melko niin täydellisesti kuin teoria Simuloitu n 150 näytearvot mallille xt 10 wt 5 w t-1 3 w t-2 missä w t. iid N 0,1 Aikasarjojen tietojen kuvaaja seuraa MA 1 - esimerkitiedot, voit t kertoa paljon siitä. Näytteen ACF simuloitua dataa varten Kuvio on tyypillinen tilanteissa, joissa MA 2 - malli voi olla hyödyllinen Tilastollisesti merkitseviä piikkejä on kaksi ja viiveitä 1 ja 2, - merkitykselliset arvot muille viiveille Huomaa, että näytteenottovirheen vuoksi näyte ACF ei täsmää teoreettinen malli tarkalleen. ACF yleiselle MA q - mallille. MA q - mallien ominaisuus on yleensä se, että ensimmäisten q-viiveiden ja autokorrelaatioiden 0 osalta on olemassa ei-so - sia autokorrelaatioita kaikille viiveille q. Ei-ainutlaatuisuus 1: n ja rho1: n MA 1 - mallissa. MA 1 - mallissa mille tahansa arvolle 1 vastavuoroinen 1 1 antaa saman arvon. Esimerkiksi, käytä 0 5 1 ja käytä sitten 1 0 5 2 1 Saat rho1 0 4 molemmissa tapauksissa. Teoreettisen rajoituksen tyydyttämiseksi, jota kutsutaan invertibilityksi, rajoitetaan MA 1 - malleja arvoihin, joiden absoluuttinen arvo on pienempi kuin 1. Aiemmin annetussa esimerkissä 1 0 5 on sallittu parametriarvo, kun taas 1 1 0 5 2 ei. MA-malleja ei voida muuttaa. MA-mallin sanotaan olevan vaihtokelpoinen, jos se on algebrallisesti samanlainen kuin yhdensuuntainen ääretön AR-malli. Lähentyminen tarkoittaa, että AR-kertoimet pienenevät arvoon 0, kun siirrymme takaisin ajassa. Vaihtuvuus on rajoitettu ohjelmointi aikasarjaohjelmisto, jota käytetään arvioimaan coeff moduulit, joilla on MA-termit Ei ole jotain, jota tarkkailemme tietojen analysoinnissa Lisätietoja MA 1 - mallien invertibility - rajoituksesta on lisäyksessä. Lisätty teoria Huomautus MA q - malleissa, joilla on määritetty ACF, on vain yksi vaihdettava malli Tarvittava edellytys vaihtovirtaukselle on se, että kertoimilla on sellaiset arvot, että yhtälöllä 1 - 1 y - - qyq 0: lla on ratkaisuja y: lle, jotka jäävät yksikköympyrän ulkopuolelle. Esimerkkien esimerkki. Esimerkissä 1 piirimme mallin xt 10 wt 7w t-1 teoreettista ACF: ää ja sitten simuloi n 150 arvot tästä mallista ja piirretty näyteajasarja ja näyte ACF simuloitua dataa varten R-käskyjä, joita käytettiin teoreettisen ACF: n kuvaamiseen, olivat. acfma1 ARMAacf ma c 0 7, 10 ACF: n myöhästymisiä MA 1: lle theta1 0 7: n viiveellä 0 10 luo muuttujan nimellisviiveet, jotka vaihtelevat 0-10: n välein, acfma1, xlim c 1,10, ylab r, tyyppi h, MAF: n pää ACF jossa theta1 0 7 abline h 0 lisää horisontaalisen akselin juonteeseen. Th e ensimmäinen komento määrittää ACF: n ja tallentaa sen kohteeksi nimeltä acfma1 nimikkomme. Piirtokäsky 3. komennon viivästyy vasten ACF-arvoja viiveille 1 - 10. Ylab-parametri merkitsee y-akselia ja pääparametri asettaa otsikko tontissa. Nähdäksesi ACF: n numeeriset arvot käytä yksinkertaisesti komentoa acfma1. Simulointi ja tontit tehtiin seuraavilla komennoilla. list ma c 0 7 Simuloi n 150 arvot MA: sta 1 x xc 10 lisää 10: n keskiarvoksi 10 Simulaatio oletusarvot tarkoittavat 0 tonttia x, tyyppi b, pää Simuloitu MA 1 - tieto acf x, xlim c 1,10, pää ACF simuloituun Esimerkki 2 piirimme mallin xt 10 wt 5 w t-1 3 w t-2 teoreettisen ACF: n ja simuloitiin n 150 arvot tästä mallista ja piirrettiin näyteajasarjat ja näytteen ACF simuloituun data Käytetyt R-komennot olivat. acfma2 ARMAacf ma c 0 5,0 3, acfma2 viiveet 0 10 juoksuviiveet, acfma2, xlim c 1,10, ylab r, tyyppi h, tärkein ACF MA2: lle theta1 0 5: lla, theta2 0 3 abline h 0 list ma c 0 5, 0 3 x xc 10 tontti x, tyyppi b, pää Simuloitu MA 2-sarja acf x, xlim c 1,10, pää ACF simuloituun MA 2-tietoihin. Liite MA 1: n ominaisuuksien todistus. On kiinnostuneille opiskelijoille, tässä on todisteet MA1-mallin teoreettisista ominaisuuksista. Varianssi teksti xt tekst mu wt theta1 w 0 teksti wt teksti theta1w sigma 2w theta 21 sigma 2w 1 theta 21 sigma 2w. Kun h 1, edellinen lauseke 1 w 2 mihin tahansa h 2 , edellinen lauseke 0 Syynä on se, että määrittelemällä wt E wkwj 0: n riippumattomuus mille tahansa kj: ksi Lisäksi, koska wt: llä on keskiarvo 0, E wjwj E wj 2 w 2.Jos aikasarja. ACF on annettu edellä. Vaihtovirtamoottori MA malli on sellainen, joka voidaan kirjoittaa ääretöntä AR-mallia, joka konvergoituu niin, että AR-kertoimet konvergoituvat 0: een, kun siirrymme äärettömän taaksepäin ajassa Me näytämme invertibility MA: n mallille. korvataan suhde 2 w t-1 yhtälössä 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. At aika t-2 yhtälö 2 tulee. Sitten korvataan suhde 4 w t-2 yhtälössä 3. zt wt theta1 z - theta 21w wt theta1z - theta 21 z - theta1w wt theta1z - theta1 2z theta 31w. Jos haluamme jatkaa äärettömän, saisimme ääretön AR-mallin. zt wt theta1 z - theta 21z theta 31z - theta 41z pisteet. Huomaa kuitenkin, että jos 1 1, kertoimet kertomalla z: n viiveet kasvavat äärettömän kooltaan, kun siirrymme takaisin ajassa. Tämän estämiseksi tarvitsemme 1 1 Tämä on MA 1 - mallin ehdottomasti. Lopullinen tilaus MA-malli. Viikolla 3 nähdään, että AR 1 - malli voidaan muuntaa ääretön MA-malliksi. xt - mu wt phi1w phi 21w pisteitä phi k1 w dots sum phi j1w. Tämä yhteenveto aikaisemmista valkoisista meluhaasteista tunnetaan AR: n kausaaliseksi esitykseksi Toisin sanoen xt on erityinen MA tyyppi, jolla on ääretön määrä termejä palaa ajassa taaksepäin Tätä kutsutaan ääretönjärjestykseksi MA tai MA Äärillinen tilaus MA on ääretön tilaus AR ja mikä tahansa äärellinen järjestys AR on ääretön tilaus MA. Recall viikolla 1 havaitsimme, että vaatimus staattiselle AR 1: lle on, että 1 1 Antakaa laskea Var xt käyttäen kausaalista edustusta. Tämä viimeinen vaihe käyttää perustietoa geometrisista sarjoista, jotka edellyttävät phi1 1 muuten sarja poikkeaa.