Eksponentiaalinen Liikkuva Keskiarvo Esimerkkejä

Liikkuvat keskiarvot: Mitä heistä on suosituimmista teknisistä indikaattoreista, liikkuvien keskiarvojen avulla mitataan nykyisen suuntauksen suunta. Jokainen liikkuvan keskiarvon tyyppi (joka on tässä oppaassa kirjoitettu yleisesti MA) on matemaattinen tulos, joka lasketaan keskiarvon avulla useista aiemmista datapisteistä. Kun määritetään, tuloksena oleva keskiarvo piirretään kaaviolle, jotta toimijat voivat tarkastella tasoitettuja tietoja pikemminkin kuin keskittyä päivittäisiin hintavaihteluihin, jotka ovat luonteeltaan kaikkien rahoitusmarkkinoiden kannalta. Liikkuvan keskiarvon yksinkertaisin muoto, joka tunnetaan tavallisesti yksinkertaisena liukuva keskiarvona (SMA), lasketaan ottamalla tietyn arvoryhmän aritmeettinen keskiarvo. Esimerkiksi 10 päivän liukuvan keskiarvon laskemiseksi lisäät viimeisten 10 päivän päätöskurssit ja jaat tuloksen 10: lla. Kuviossa 1 viimeisten 10 päivän (110) hintojen summa on jaettuna päivien (10) määrällä 10 päivän keskiarvoon saakka. Jos elinkeinonharjoittaja haluaa nähdä sijaan 50 päivän keskiarvon, samaa laskentatyyppiä tehtäisiin, mutta se sisältäisi hinnat viimeisten 50 päivän aikana. Tuloksena oleva keskiarvo (11) ottaa huomioon viimeiset 10 pistettä, jotta toimijat saisivat käsityksen siitä, miten omaisuus on hinnoiteltu viimeisten 10 päivän aikana. Ehkä olet ihmettelevät, miksi tekniset toimijat kutsuvat tätä työkalua liikkuvalle keskiarvolle, eikä vain säännölliselle keskiarvolle. Vastauksena on, että kun uudet arvot tulevat saataville, vanhimmat datapisteet on pudonnut sarjasta ja uudet datapisteet tulevat korvaamaan ne. Siten datajoukko siirtyy jatkuvasti uusien tietojen huomioon ottamiseksi, kun se tulee saataville. Tämä laskentamenetelmä takaa, että vain nykyiset tiedot otetaan huomioon. Kuviossa 2, kun 5: n uusi arvo lisätään joukkoon, punainen laatikko (edustaa 10 viimeistä datapistettä) siirtyy oikealle ja 15 viimeinen arvo lasketaan laskemasta. Koska 5: n suhteellisen pieni arvo korvaa korkean 15: n arvon, oletan, että tietojoukon keskiarvo pienenee, mikä tässä tapauksessa on 11-10. Mitä liikkuvat keskiarvot näyttävät? MA on laskettu, ne on piirretty kaaviolle ja liitetty sitten liukuvan keskiarvon muodostamiseksi. Nämä kaarevat linjat ovat yleisiä teknisten kauppiaiden kaavioissa, mutta niiden käyttö voi vaihdella voimakkaasti (lisätietoja tästä myöhemmin). Kuten kuviosta 3 nähdään, on mahdollista lisätä enemmän kuin yksi liukuva keskiarvo mihin tahansa kaavioon säätämällä laskennassa käytettävien aikajaksojen lukumäärää. Nämä kaarevat linjat saattavat tuntua häiritsevältä tai hämmentäviltä aluksi, mutta youll tottua niihin ajan mittaan. Punainen rivi on yksinkertaisesti keskimääräinen hinta viimeisten 50 päivän aikana, kun taas sininen viiva on keskimääräinen hinta viimeisten 100 päivän aikana. Nyt kun ymmärrät, mikä liikkuva keskiarvo on ja miltä se näyttää, ottakaamme käyttöön uuden tyyppinen liukuva keskiarvo ja tutki, miten se eroaa edellä mainituista yksinkertaisista liikkuvista keskiarvoista. Yksinkertainen liukuva keskiarvo on erittäin suosittu kauppiaiden keskuudessa, mutta kuten kaikki tekniset indikaattorit, sillä on myös kriitikot. Monet ihmiset väittävät, että SMA: n hyödyllisyys on rajoitettu, koska tietosarjojen jokainen piste on painotettu samalla tavalla riippumatta siitä, missä se esiintyy sekvenssissä. Kriitikot väittävät, että viimeisimmät tiedot ovat merkittävämpiä kuin vanhemmat tiedot, ja niillä pitäisi olla suurempi vaikutus lopputulokseen. Vastauksena tähän kritiikkiin kauppiaat alkoivat painottaa viimeaikaisia ​​tietoja, jotka ovat johtaneet siihen, että keksittiin erilaisia ​​uudenlaisia ​​keskiarvoja, joista suosituin eksponentiaalinen liukuva keskiarvo (EMA). (Lue lisää painotettujen siirtojen keskiarvosta ja mitkä erot SMA: n ja EMA: n välillä) Eksponentiaalinen liukuva keskiarvo Eksponentiaalinen liukuva keskiarvo on liikkuvan keskiarvon tyyppi, joka antaa viimeaikaisille hinnoille enemmän painoarvoa, uuteen tietoon. EMA: n laskemiseen liittyvän hieman monimutkaisen yhtälön oppiminen saattaa olla tarpeetonta monille kauppiaille, koska lähes kaikki kartoituspaketit tekevät laskelmat sinulle. Mutta matematiikan geeksit siellä, tässä on EMA-yhtälö: Kun käytät kaavaa EMA: n ensimmäisen pisteen laskemiseen, saatat huomata, että edellisen EMA: n käyttöä ei ole käytettävissä. Tämä pieni ongelma voidaan ratkaista laskemalla laskenta yksinkertaisella liikkuva keskiarvolla ja jatkamalla yllä olevaa kaavaa. Olemme toimittaneet sinulle esimerkin laskentataulukon, joka sisältää todellisia esimerkkejä siitä, kuinka laskea sekä yksinkertainen liukuva keskiarvo että eksponentiaalinen liukuva keskiarvo. EMA: n ja SMA: n välinen ero Nyt, kun olet ymmärtänyt paremmin SMA: n ja EMA: n laskemisen, voit tarkastella, miten nämä keskiarvot eroavat toisistaan. Tarkastellessasi EMA: n laskemista huomaat, että viimeaikaisissa tietopisteissä korostetaan enemmän painotettua keskiarvoa. Kuviossa 5 kullakin keskiarvolla käytetyt aikajaksot ovat identtisiä (15), mutta EMA reagoi nopeammin muuttuviin hintoihin. Huomaa, miten EMA: lla on suurempi arvo, kun hinta nousee ja laskee nopeammin kuin SMA, kun hinta laskee. Tämä reagointikyky on tärkein syy, miksi monet toimijat haluavat käyttää EMAa SMA: n kautta. Mitä eri päivät keskimäärin Siirtyvät keskiarvot ovat täysin muokattavissa oleva indikaattori, mikä tarkoittaa, että käyttäjä voi vapaasti valita haluamansa aikataulun keskiarvoa luotaessa. Yleisimmät liukuva keskiarvot ovat 15, 20, 30, 50, 100 ja 200 päivää. Mitä lyhyempi keskipitkällä aikavälillä käytetään, sitä herkempi on hintamuutokset. Mitä pitempi on aika, vähemmän herkkä tai tasaisempi, keskimääräinen on. Ei ole oikeaa aikataulua, jota voit käyttää liikkuvien keskiarvojen määrittämisessä. Paras tapa selvittää, mikä toimii parhaiten sinulle on kokeilla useita eri aikavälejä, kunnes löydät sellaisen, joka sopii strategiaasi. Mitä Exponential Moving Average (EMA) kaava ja miten EMA lasketaan Eksponentiaalinen liikkuva Keskimäärin (EMA) on painotettu liukuva keskiarvo (WMA), joka antaa enemmän painoarvoa tai merkitystä viimeaikaisille hintatiedoista kuin yksinkertainen liikkuva keskiarvo (SMA). EMA reagoi nopeammin viimeaikaisiin hinnankorotuksiin kuin SMA. EMA: n laskemisessa käytetään vain kerrannaisvaikutusta ja aloitetaan SMA: lla. SMA: n laskenta on hyvin yksinkertaista. SMA: n määrätyille määräajoille on yksinkertaisesti kyseisten määräaikojen lukumäärän summa, jaettuna samalla numerolla. Joten esimerkiksi 10 päivän SMA on vain viimeisten 10 päivän viimeisten 10 päivän päätöskurssien summa jaettuna 10: llä. EMA: n laskentamenetelmät ovat seuraavat: Laske SMA. Laske EMA: n painotuskerroin. Laske nykyinen EMA. Matemaattinen kaava, tässä tapauksessa 10-jakson EMA: n laskemiseksi, näyttää tältä: SMA: 10 ajanjakso sum10 Painotuskertoimen laskeminen: (2 (valittu ajanjakso 1)) (2 (10 1)) 0.1818 (18.18) EMA: (EMA viimeinen päivä) x kerroin EMA (edellinen päivä) Viimeisimmän hinnan painotus on suurempi lyhyemmäksi ajaksi kuin EMA pidemmällä aikavälillä EMA. Esimerkiksi 10 EMA: n viimeisimpiin hintatietoihin sovelletaan 18,18-kertoja, kun taas 20: lle EMA: lle käytetään vain 9,52 kerroinpainotusta. Myös EMA: n pienet vaihtelut ovat saatavissa käyttämällä avointa, korkeaa, alhaista tai keskimääräistä hintaa sulkemisen sijasta. Käytä eksponentiaalinen liukuva keskiarvo (EMA) dynaamisen forex-kaupankäynnin strategian luomiseen. Opi kuinka EMA: ita voidaan hyödyntää hyvin. Lue vastaus Opi tärkeitä mahdollisia etuja eksponentiaalisen liikkuvan keskiarvon käyttämisessä kaupankäynnin aikana, eikä yksinkertaisen liikuttamisen sijaan. Lue vastaus Lisätietoja yksinkertaisista keskipisteistä ja eksponentiaalisista liikkuvista keskiarvoista, mitkä nämä tekniset indikaattorit mittaavat ja eroavat. Lue vastaus Tutustu liikkuvan keskimääräisen lähentymisnopeuden indikaattorin kaavaan ja selvitä, miten MACD: n lasketaan. Lue vastaus Lisätietoja erilaisista liikkuvista keskiarvoista sekä liikkuvien keskimääräisten risteytysten ymmärtämisestä. Lue vastaus Löydä ensisijaiset erot eksponentiaalisten ja yksinkertaisten liikkuvien keskimääräisten indikaattoreiden välillä ja mitä haittoja EMAs voi. Lue vastaus Beta on mittaus tietoturvan tai salkun volatiliteetin tai järjestelmällisen riskin suhteessa markkinoihin kokonaisuutena. Verotyyppi, joka peritään yksityishenkilöille ja yhteisöille aiheutuneista myyntivoitoista. Myyntivoitot ovat sijoittajan voittoja. Tilaus ostaa tietyn hinnan tietyllä hinnalla tai sen alapuolella. Ostarajajärjestys antaa kauppiaille ja sijoittajille mahdollisuuden täsmentää. Sisäinen tulovirasto (IRS) - sääntö, joka mahdollistaa rangaistuksettomat nostot IRA-tililtä. Sääntö vaatii sen. Yksityisen yrityksen ensimmäinen varaston myynti yleisölle. IPO: t myöntävät usein pienemmät, nuoremmat yritykset, jotka hakevat. Velkaantumisaste on velkasuhde, jota käytetään yrityksen taloudellisen vipuvaikutuksen mittaamiseen tai yksilön mittaamiseen käytettyyn velkasuhteeseen. Keskimääräinen ja eksponentiaaliset tasoitusmallit Ensimmäinen askel ylittää keskiarvot, satunnaiset kävelymallit ja lineaariset trendimallit, ei-seulomalliset mallit ja Trendit voidaan ekstrapoloida käyttäen liikkuvan keskiarvon tai tasoitusmallia. Perusoletus keskiarvojen ja tasoitusmalleiden taustalla on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevalla keskiarvolla. Siksi siirrymme (paikallinen) keskimäärin arvioimaan keskiarvon nykyistä arvoa ja käytämme sitä lähitulevaisuuden ennusteena. Tätä voidaan pitää kompromissina keskimallin mallin ja satunnaiskäytävän ilman ajoväylämallia. Samaa strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapolointiin. Liukuvaa keskiarvoa kutsutaan usein alkuperäisarjan quotsmoothedquot-versioksi, koska lyhyen aikavälin keskiarvotus heikentää alkuperäisen sarjan kouruja. Sopeuttamalla tasoitustasoa (liikkuvan keskiarvon leveys) voimme toivoa saavuttavan jonkinlaisen optimaalisen tasapainon keski - ja satunnaiskäytävien mallien välillä. Yksinkertaisin keskittamismalli on. Yksinkertainen (yhtä painotettu) liikkuva keskiarvo: Y: n arvolla t1, joka tehdään ajan hetkellä t, vastaa viimeisimpien m-havaintojen yksinkertaista keskiarvoa: (Tässä ja muualla käytän symbolia 8220Y-hat8221 seisomaan aikasarjan Y ennusteesta, joka on tehty aikaisemmalla mahdollisella aikaisemmalla ajankohdalla tietyn mallin mukaan.) Tämä keskiarvo keskittyy ajanjaksolle t - (m1) 2, mikä tarkoittaa sitä, että paikallisen keskiarvon arvioidaan jäävän tosi - paikallisen keskiarvon arvo noin (m1) 2 jaksolla. Tällöin sanomme, että keskimääräisen liikevoiton keskimääräinen ikä on (m1) 2 suhteessa ennusteeseen laskettuun ajanjaksoon: tämä on aika, jolla ennusteiden taipumus jää jäljessä datan käännekohdista . Esimerkiksi, jos keskiarvot lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka ovat myöhässä reagoimassa käännekoihin. Huomaa, että jos m1, yksinkertainen liukuva keskiarvo (SMA) - malli vastaa satunnainen kävelymalli (ilman kasvua). Jos m on hyvin suuri (verrattavissa arviointikauden pituuteen), SMA-malli vastaa keskiarvoa. Kuten ennustamomallin parametreillekin, on tavallista säätää k: n arvo, jotta saadaan parhaan datan arvo, ts. Pienimmät ennustevirheet keskimäärin. Tässä on esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritä sovittaa se satunnaisen kävelymallin kanssa, joka vastaa yhtä yksinkertaista liukuvaa keskiarvoa: Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta tällä tavoin se valitsee suurimman osan (satunnaisvaihtelut) sekä kvotitunniste (paikallinen keskiarvo). Jos kokeilemme sen sijaan yksinkertaista liikkuvaa 5: n keskiarvoa, saadaan tasaisempi ennuste: 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin tässä tapauksessa satunnaiset kävelymallit. Tämän ennusteen tietojen keskimääräinen ikä on 3 ((51) 2), joten se kestää käännekohdat jäljessä noin kolmella jaksoilla. (Esimerkiksi taantuma näyttää tapahtuneen 21 jaksolla, mutta ennusteet eivät kääntyneet vasta useaan kertaan myöhemmin.) Huomaa, että SMA-mallin pitkän aikavälin ennusteet ovat horisontaalinen suoraviivaisesti, kuten satunnaisessa kävelyssä malli. Siksi SMA-mallissa oletetaan, että datassa ei ole trendiä. Kuitenkin sattumanvaraisen kävelymallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, SMA-mallin ennusteet ovat yhtä kuin viime arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteisiin eivät ole laajemmat, kun ennustehorisontti kasvaa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole olemassa tilastollista teoriaa, joka kertoo, kuinka luottamusvälit pitäisi laajentaa tähän malliin. Kuitenkin ei ole kovin vaikeaa laskea empiirisiä arvioita luottamusrajoituksista pitempiaikavälin ennusteille. Voit esimerkiksi luoda laskentataulukon, jossa SMA-mallia käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin jne. Historiallisen datanäytteen sisällä. Sitten voit laskea virheiden näytteen vakiopoikkeamat kullakin ennustehorisontilla ja muodostaa sitten luottamusvälit pitempiaikaisille ennusteille lisäämällä ja vähentämällä sopivan keskihajonnan monikerrokset. Jos yritämme tehdä 9-kertaisen yksinkertaisen liukuvan keskiarvon, saamme vielä tasaisemman ennusteen ja enemmän jäljellä olevan vaikutuksen: Keskimääräinen ikä on nyt 5 jaksoa (91) 2. Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä nousee 10: een. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin 10 jaksoilla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertailee virhetilastojaan, sisältäen myös 3-aikavälin keskiarvon: Malli C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla 3 - aika ja 9-aikavälin keskiarvo, ja muut tilastot ovat lähes identtisiä. Niinpä malleissa, joilla on hyvin samankaltaisia ​​virhestatioita, voimme valita, haluammeko ennustusten hieman reagoimista tai hieman sileämpää. (Palaa sivun yläreunaan.) Ruskeat Yksinkertainen eksponentiaalinen tasoitus (eksponentiaalisesti painotettu liukuva keskiarvo) Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on ei-toivottu ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edelliset havainnot. Intuitiivisesti, aikaisemmat tiedot olisi diskontattava vähitellen - esimerkiksi viimeisimmän havainnon pitäisi saada hieman enemmän painoa kuin toinen viimeisin ja toinen viimeisimmän pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja pian. Yksinkertainen eksponenttien tasaus (SES) - malli tekee sen. Anna 945 merkitä quotsmoothing constantquot (numero välillä 0 ja 1). Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyisen tason (eli paikallista keskimääräistä arvoa) sarjan arvioidut tiedot tähän asti. L: n arvo ajankohtana t lasketaan rekursiivisesti omalta aikaisemmalta arvoltaan näin: Nykyinen tasoitettu arvo on siis interpoloitu edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä 945 ohjaa interpoloidun arvon läheisyyttä viimeisimpään havainto. Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo: Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aiempien havaintojen osalta jollakin seuraavista vastaavista versioista. Ensimmäisessä versiossa ennuste on interpolointi aiemman ennusteen ja edellisen havainnon välillä: toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla 945. on virhe, joka on tehty aika t. Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu (eli diskontattu) liukuva keskiarvo alennuskerroin 1 - 945: Ennuskaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukossa: se sopii yhteen yksisolu ja sisältää soluviitteitä, jotka osoittavat edelliseen ennusteeseen, edelliseen havaintoon ja soluun, jossa arvo 945 on tallennettu. Huomaa, että jos 945 1, SES-malli vastaa satunnaisen kävelymallin (ilman kasvua). Jos 945 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu keskimäärin. (Palaa sivun yläreunaan.) Yksinkertaisen eksponentti-tasausennusteen tietojen keskimääräinen ikä on 1 945 suhteessa siihen kauteen, jolle ennuste lasketaan. (Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja.) Yksinkertainen liukuva keskimääräinen ennuste on kuitenkin käännekohdetta jäljessä noin 1 945 kaudella. Esimerkiksi kun 945 0,5 viive on 2 jaksoa, kun 945 0,2 viive on 5 jaksoa kun 945 0,1 viive on 10 jaksoa ja niin edelleen. Yksinkertaisen eksponenttien tasaus (SES) - ennuste on tietyn keskimääräisen iän (eli viiveen määrän) osalta hieman parempi kuin yksinkertainen liukuva keskiarvo (SMA), koska se asettaa suhteellisen enemmän painoa viimeisimmälle havainnoinnille - e. e. se on hieman enemmän vastaaviin muutoksiin viime aikoina tapahtuneista muutoksista. Esimerkiksi yhdeksällä termillä varustetulla SMA-mallilla ja 945 0,2: n SES-mallilla on keskimäärin 5-vuotiaita tietoja ennusteissaan, mutta SES-mallissa painotetaan enemmän kolmea viimeistä arvoa kuin SMA-mallissa ja Samanaikaisesti se ei kerta kaikkiaan yli 82 vanhoja arvoja yli 9 vanhoja kaistoja, kuten on esitetty tässä kaaviossa: SES-mallin toinen tärkeä etu SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä kvotitolverin algoritmia keskimääräisen neliövirheen minimoimiseksi. Tämän sarjan SES-mallin optimaalinen arvo 945 osoittautuu 0,2961: ksi, kuten tässä on esitetty: Tämän ennusteen tietojen keski-ikä on 10,2961 3,4 jaksoa, joka on samanlainen kuin 6-kertaisen yksinkertaisen liukuvan keskiarvon. SES-mallin pitkän aikavälin ennusteet ovat horisontaalinen suora. kuten SMA-mallissa ja satunnaisessa kävelymallissa ilman kasvua. Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit poikkeavat toisistaan ​​kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin satunnaiskäytävän mallin luottamusvälit. SES-malli olettaa, että sarja on jonkin verran ennustettavampi kuin sattumanvarainen kävelymalli. SES-malli on itse asiassa erityinen ARIMA-mallin tapaus. joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan SES-mallin luottamusvälien laskemiselle. Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA (1) termi ja ei vakioaikaa. muutoin tunnetaan nimellä quotationARIMA (0,1,1) malli ilman vakiokuvaketta. MA (1) - kerroin ARIMA-mallissa vastaa SES-mallin määrää 1-945. Jos esimerkiksi sijoitat ARIMA (0,1,1) - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA (1) - kerroin osoittautuu 0,7029, joka on lähes täsmälleen yksi miinus 0,2961. On mahdollista lisätä oletus nollasta riippumattomalle lineaariselle suuntaukselle SES-mallille. Tee näin vain ARIMA-malli, jossa on yksi epäsuositusero ja MA (1) termi vakiolla, eli ARIMA (0,1,1) - mallilla, jolla on vakio. Pitkän aikavälin ennusteissa on sitten trendi, joka vastaa koko arviointikauden keskimääräistä kehitystä. Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet eivät ole käytössä, kun mallityyppi on ARIMA. Voit kuitenkin lisätä jatkuvan pitkän aikavälin eksponentiaalisen trendin yksinkertaiseen eksponenttitasoitusmalliin (kausittaisen säätämisen kanssa tai ilman) käyttämällä inflaation säätövaihtoehtoa ennustemenetelmässä. Asianmukainen inflaatioprosentti (prosenttiosuuden kasvua) jaksoa kohden voidaan arvioida datan avulla sovitetun lineaarisen trendimallin mukaiseksi rintamakerroin luonnollisen logaritmimuunnoksen yhteydessä tai se voi perustua muihin, itsenäisiin tietoihin pitkän aikavälin kasvunäkymistä . (Palaa sivun yläreunaan.) Ruskeat Lineaariset (eli kaksinkertaiset) eksponentiaalinen tasoittaminen SMA-malleissa ja SES-malleissa oletetaan, ettei tiedoissa ole mitään suuntausta (joka on yleensä OK tai ainakin ei-liian-huono 1- vaiheittaiset ennusteet, kun tiedot ovat suhteellisen meluisia) ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen suuntauksen, kuten edellä on esitetty. Entä lyhytaikaiset trendejä Jos sarjassa on vaihteleva kasvuvauhti tai suhdannevaihtelu, joka erottuu selkeästi meluun ja jos on tarvetta ennakoida yli 1 jakso eteenpäin, paikallisen kehityksen arviota voidaan myös arvioida ongelma. Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponenttien tasoituksen (LES) mallin saamiseksi, joka laskee paikalliset estimaatit sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva trendimalli on Browns-lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennuskaava kaava perustuu kahden keskuksen välisen linjan ekstrapoloimiseen. (Holt8217: n hienostuneempia versioita on käsitelty jäljempänä.) Brown8217: n lineaarisen eksponenttien tasoitusmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista lukuisissa erilaisissa, mutta vastaavissa muodoissa. Tämän mallin kvantitatiivista muotoa ilmaistaan ​​tavallisesti seuraavasti: Anna S merkitsee yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponenttista tasoitusta sarjaan Y. Eli S: n arvo ajanjaksolla t saadaan: (Muista, että yksinkertaisen eksponentiaalinen tasoitus, tämä olisi ennuste Y: lle ajanjaksolla t1.) Sitten anna Squot merkitä kaksinkertaisen tasoitetun sarjan, joka saadaan soveltamalla yksinkertaista eksponentiaalista tasoitusta (käyttäen samaa 945) sarjalle S: Lopuksi Y tk: n ennuste. missä tahansa kgt1, saadaan: Tämä tuottaa e 1 0 (eli huijaa bitti ja anna ensimmäinen ennuste yhtä todellinen ensimmäinen havainto) ja e 2 Y 2 8211 Y 1. jonka jälkeen ennusteet muodostetaan edellä esitetyn yhtälön avulla. Tämä tuottaa samoja sovitettuja arvoja kuin S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttäen S 1 S 1 Y 1: tä. Mallin tätä versiota käytetään seuraavalla sivulla, joka kuvaa eksponenttien tasoituksen yhdistelmää kausittaisella säätöllä. Holt8217s Lineaarinen eksponentiaalinen tasoitus Brown8217s LES-malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia ​​tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa datamalleja, jotka se kykenee sovittamaan: taso ja suuntaus ei saa vaihdella riippumattomasti. Holt8217s LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille. Milloin tahansa t, kuten Brown8217s-mallissa, on paikallistason estimaatti L t ja paikallisen trendin estimaatti T t. Tällöin ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä ja aikaisemmissa tason ja trendin estimoinnissa kahdella yhtälöllä, jotka soveltavat erikseen eksponentiaalisia tasoituksia. Jos arvioitu taso ja trendi ajanhetkellä t-1 ovat L t82091 ja T t-1. vastaavasti, niin Y tshyn ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä suuri kuin L t-1 T t-1. Kun todellista arvoa havaitaan, taso päivitetyllä arvolla lasketaan rekursiivisesti interpoloimalla välillä Y tshy ja sen ennuste, L t-1 T t-1 käyttäen painoja 945 ja 1-945. Arvioitu tason muutos, nimittäin L t 8209 L t82091. voidaan tulkita trendin meluisaksi mittaukseksi ajanhetkellä t. Päivitetty arvion trendistä lasketaan sitten rekursiivisesti interpoloimalla L t 8209 L t82091: n ja edellisen trendin, T t-1, välillä. käyttäen painoja 946 ja 1-946: Trenditasoitusvakion 946 tulkinta on sama kuin tasonsäätövakio 945. Mallit, joiden pienet arvot ovat 946, olettavat, että trendi muuttuu vain hyvin hitaasti ajan myötä, kun taas malleissa suurempi 946 olettaa, että se muuttuu nopeammin. Mallin, jolla on suuri 946, uskoo, että kaukana tulevaisuus on erittäin epävarma, koska trendien arvioinnin virheet ovat varsin tärkeitä, kun ennakoidaan useampaa kuin yhtä jaksoa eteenpäin. (Palaa sivun yläosaan.) Tasoitusvakioita 945 ja 946 voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun tämä tehdään Statgraphics, arvioiden osoittautua 945 0,3048 ja 946 0,008. Hyvin pieni arvo 946 tarkoittaa, että mallissa oletetaan hyvin vähän muutosta trendissä jaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin trendiä. Analogisesti keskimääräisen ikäryhmän käsitteen kanssa, jota käytetään sarjan paikallistason arvioinnissa, paikallisen trendin arvioinnissa käytettävän datan keski-ikä on verrannollinen 1 946: een, vaikka se ei ole täsmälleen sama kuin se . Tällöin osoittautuu 10 006 125. Tämä isn8217t on hyvin tarkka luku, koska 946: n estimaatin tarkkuus on todella 3 desimaalilla, mutta se on samaa suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimisessa. Seuraavassa esitetyn ennustealueen mukaan LES-malli arvioi jonkin verran suuremman paikallisen trendin sarjan lopussa kuin SEStrend-mallissa arvioitu jatkuva trendi. Myös arvioitu arvo 945 on lähes sama kuin se, joka on saatu sovittamalla SES-malli trendillä tai ilman, joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallille, jonka oletetaan arvioivan paikallista trendiä Jos 8220eyeball8221 tämä tontti näyttää siltä, ​​että paikallinen trendi on kääntynyt alaspäin sarjan lopussa. Mitä on tapahtunut Tämän mallin parametrit on arvioitu minimoimalla yhden askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi doesn8217t tekee paljon eroa. Jos kaikki olet tarkastelemassa ovat 1-askelta eteenpäin virheitä, et näe suurempaa kuvaa suuntauksista (esimerkiksi) 10 tai 20 jaksoa. Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunkaiden ekstrapoloimiseen, voimme säätää manuaalisesti trendin tasoitusvakion siten, että se käyttää lyhyempää lähtötasoa trendin estimoinnille. Jos esimerkiksi päätämme asettaa 946 0,1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että laskemme keskiarvon trendin viimeisten 20 jakson aikana tai niin. Tässä8217s, mitä ennustettu tontti näyttää, jos asetamme 946 0,1 säilyttäen 945 0,3. Tämä näyttää intuitiivisesti järkevältä tämän sarjan osalta, vaikka on todennäköisesti vaarallista ekstrapoloida tämä suuntaus yli kymmenen jaksoa tulevaisuudessa. Entä virhestatukset Tässä on mallivertailu edellä mainituille kahdelle mallille sekä kolme SES-mallia. SES-mallin optimaalinen arvo 945 on noin 0,3, mutta 0,5 ja 0,2 saadaan samanlaisia ​​tuloksia (hieman enemmän tai vähemmän vasteena). (A) Holts lineaarinen exp. tasoitus alfa 0.3048 ja beeta 0.008 (B) Holts lineaarinen exp. tasoittaminen alfa 0.3: lla ja beetalla 0.1 (C) Yksinkertainen eksponentiaalinen tasoittaminen alfa 0.5: lla (D) Yksinkertainen eksponenttinen tasoitus alfa 0.3: llä (E) Yksinkertainen eksponenttinen tasaus alfa 0.2: llä Tilastot ovat lähes identtisiä, joten voimme todella valita yhden askeleen ennakkoennusteen virheistä datanäytteessä. Meidän on puututtava muihin näkökohtiin. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trendiarviot viimeisten 20 kauden aikana, niin voimme tehdä tapauksen LES-mallille 945 0,3 ja 946 0,1. Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olla helpompi selittää ja antaa myös enemmän keskitietojen ennusteita seuraaville 5 tai 10 jaksoille. (Palaa sivun yläreunaan.) Mikä suuntaus-ekstrapolointi on paras: horisontaalinen vai lineaarinen Empiirinen näyttö viittaa siihen, että jos tiedot on jo säädetty (jos tarpeen) inflaatioon, voi olla hankalaa ekstrapoloida lyhyen aikavälin lineaarinen suuntauksia hyvin pitkälle tulevaisuuteen. Nykyiset trendit voivat hidastua tulevaisuudessa erilaisista syistä, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponentiaalinen tasoittaminen toimii usein paremmin näytteestä kuin muutoin voitaisiin odottaa, vaikka se onkin laaja-alaista horisontaalisen trendin ekstrapolaatiota. Lineaarisen eksponentiaalisen tasoitusmallin vaimennettuja trendimuutoksia käytetään käytännössä myös käytännössä toteuttamaan konservatiivisuuden muistiinpanoja trendisuhteisiinsa. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA (1,1,2) - malleista. On mahdollista laskea luottamusvälejä eksponenttien tasoitusmalleilla tuotettujen pitkän aikavälin ennusteiden ympärille, tarkastelemalla niitä ARIMA-mallien erityistilanteina. (Varo: ei kaikki ohjelmisto laskee luottamusväliä näille malleille oikein.) Luottamusvälien leveys riippuu (i) mallin RMS-virheestä, (ii) tasoitustyypin (yksinkertainen tai lineaarinen) (iii) (s) ja (iv) ennusteiden etenemisjaksojen lukumäärä. Yleensä välejä levitettiin nopeammin, kun 945 on suurempi SES-mallissa ja ne levittyvät paljon nopeammin, kun käytetään lineaarista eikä yksinkertaista tasoitusta. Tätä aihetta käsitellään tarkemmin muistiinpanojen ARIMA-malleissa. (Palaa sivun yläreunaan.) Miksi ammattimaiset toimijat haluavat eksponentiaalisen liikkuvan keskiarvon käyttämisen? Miksi ammattimaiset toimijat haluavat eksponentiaalisen liikkuvan keskiarvon käyttämisen? Tekninen analyysi vähenee ennustamalla tulevaa suuntaavaa liikettä tutkimalla aiempia markkinakäyttäytymistä ja et todennäköisesti löydä parempaa tapaa arvioida markkinoita kuin liikkuvia keskiarvoja. Tänään aion katsoa, ​​miten voit käyttää liikkuvia keskiarvoja analysoida hintataulukkoa. erilaisten liikkuvien keskiarvojen tyypit, niiden laskemisen ja tietenkin kuinka ne mittaavat toisiaan todellisissa kaupankäynnissä. Vaikka liikkuvaa keskiarvoa on enemmän kuin kourallinen, sinun tarvitsee vain oppia muutamia keskeisiä liikkuvia keskiarvoja voidakseen käyttää niitä tehokkaasti kaupankäynnissä. Siksi keskustelemme vain hyödyllisimmistä liikkuvista keskiarvoista, mukaan lukien yksinkertainen liukuva keskiarvo (SMA), painotettu liukuva keskiarvo (WMA) ja suosikkimme eksponentiaalinen liukuva keskiarvo (EMA). Mikä on eksponentiaalinen liukuva keskiarvo Eksponentiaalinen liukuva keskiarvo (EMA) on liikkuvien keskiarvojen muunnelma, joka näyttää ja toimii kuin mikä tahansa muu liukuva keskiarvo. Jos katsot kaaviota, jossa on yksinkertainen liukuva keskiarvo (SMA) ja eksponentiaalinen liukuva keskiarvo, et voi erottaa ensi silmäyksellä. Kuoren alla on kuitenkin keskeisiä eroja SMA: n ja EMA: n laskemisessa. Sanotaan, että kaupankäyntipäivän kaaviosta ja viime kuukausien hintoja koskevasta toiminnasta. Olisitteko samaa mieltä siitä, että analysoimalla viime viikkojen hintatoiminta antaisi paremman käsityksen siitä, miten markkinat toimivat nykyään, ja nykyinen hintakehitys todennäköisesti määräävät huomisen hinnan toiminnan. Viimeaikaisten hintatietojen merkitys on suhteessa vanhempaan hintatietoon markkinoiden muokkaamisessa, on järkevää, että sinun pitäisi painottaa viimeaikaisia ​​tietoja. Eksponentiaalinen liukuva keskiarvo (EMA) soveltaa tätä samaa käsitystä siitä, että kauppiaiden olisi kiinnitettävä enemmän huomiota hiljattaisiin hintavaikutuksiin verrattuna vanhoihin. Vaikka nykyaikaisimmat karttasovellukset laskevat automaattisesti ja kuvaavat erilaisia ​​liikkuvia keskiarvoja hintakaaviossa, on aina hyvä tietää, kuinka ne lasketaan, koska se auttaa ymmärtämään, miksi keskimääräiset liikkuvat käyttäytyvät eri tavoin. Miten eksponentiaalisen liikkuvan keskiarvon lasketaan Periaatteessa sinun on käytettävä kolmea vaihetta laskemalla eksponentiaalinen liukuva keskiarvo minkä tahansa instrumentin kaupankäynnin yhteydessä. Ensinnäkin meidän on selvitettävä yksinkertainen liukuva keskiarvo (SMA). Jos haluamme laskea SMA: n viimeisten 10 päivän aikana, yritämme vain yhteenvedon viimeisten 10 sulkemisarvon arvosta ja jakaa sen 10: llä SMA: n saamiseksi. Kun meillä on SMA, meidän on ensin selvitettävä painotuskerroin niiden aikamäärien lukumäärälle, jotka haluamme laskea EMA: lle. Painotuskerroin lasketaan seuraavalla kaavalla: EMA (nykyinen) ((Hinta (nykyinen EMA (ed.)) X kerroin) EMA (prev) Muistathan aina, että kausien lukumäärä vaikuttaa syvällisesti painotuskertoimeen sillä se korostaa viimeisimmän hintakehityksen merkitystä. Kun käytämme 10 päivää tässä eksponentiaalisessa liikkuvassa keskimääräisessä esimerkissä, painotuskerroin lasketaan näin: (2 (Aikajaksot 1)) (2 (10 1)) 0.1818 (18.18) Lopuksi, kun olet laskenut SMA: n ja (EMA (edellinen päivä)) x kerroin EMA (edellinen päivä) Kaupankäynti eksponentiaalisen liikkuvan keskiarvon kanssa Vaikka voit käyttää eksponentiaalista liikkumavälinettä monin tavoin, ammattimaiset kauppiaat pysyvät pitääkseen asiat yksinkertaisina. Käytössä on periaatteessa kaksi tapaa, joilla voit käyttää eksponentiaalisia liikkuvia keskiarvoja kaupankäynnissä: (1) käyttämällä kahta eri ajan eksponentiaalista liukuvaa keskiarvoa ristiin tuottamaan tai myydä signaaleja (2) tai yhtä eksponentiaalista liikkuvaa keskiarvoa dynaamisena tukiresistenssivyöhykkeenä. Yksi helpoimmista keinoista liikkua eksponentiaalisen liukuvan keskiarvon kanssa olisi käyttää kahta eri kaavaa hintataulukossa ja odottaa nopeamman ajan ylittämistä hitaamman jakson yläpuolella tai sen alapuolella. Jos näet nopeamman ajan, jonka EMA ylittää hitaamman EMA: n yläpuolella, teknisestä näkökulmasta se osoittaa nousevaa momentumaa markkinoilla. Toisaalta, jos näet nopeamman ajanjakson EMA: n ylittävän hitaamman EMA: n alapuolella, se merkitsisi laskusuhdetta markkinoilla. EMA-risteytysten lisäksi voimme käyttää myös eksponentiaalisen liukuvan keskiarvon dynaamisena pivot-vyöhykkeenä. Uptrendin aikana suuret EMA-jaksot, kuten 50 tai 200 jakso EMA, toimivat tuki - ja vastusvyöhykkeinä. Ostavan signaalin tuottaminen kaupankäynnin ollessa eksponentiaalinen liukuva keskiarvo Kuva 1: Ford Motor Companyn (NYSE: F) 5-minuuttinen kaavio 8. lokakuuta 2015 Kuvassa 1 on sovellettu vihreää 13-eroa EMA: ta ja punaista 21-jaksoa EMA Ford Motor Companyn (NYSE: F) 5 minuutin kaaviossa. Kuten voit nähdä, vasemmalla puolella, kun vihreä linja siirtyi punaisen viivan yläpuolelle, hinta nousi nopeasti nousevaan momenttiin ja alkoi nousta ylös. Jos otit tämän kaupan 8. lokakuuta. olisit voinut helposti tehdä pitkäkestoisen noin 14,60 euroa osakkeelta ja lähteä kaupasta lähelle 15,10, 50 prosentin voitolla jokaisesta kaupastasi vaihdetusta osakkeesta. Myyntisignaalin tuottaminen kaupankäynnin ollessa eksponentiaalinen liukuva keskiarvo Kuva 2: Apple Inc.: n 5-minuuttinen kaavio (NASDAQ: AAPL) 8. lokakuuta 2015 Kuvassa 2 olemme jälleen kerran käyttäneet 13 ja 21 jaksoa eksponentiaalisia liikkuvia keskiarvoja 5 minuutin hintataulukko, mutta tällä kertaa Apple Inc. (NASDAQ: AAPL) osoittamaan, että tämä strategia on instrumentaalinen riippumaton. Kuten näet kaavion toisella ristillä, kun 13-kauden vihreä EMA ylitti 21-tunnin punaisen EMA: n alapuolella, hinta alkoi heti laskea vauhtia. Vaikka volatiliteetti kasvoi merkittävästi ja vaikka olet tullut markkinoille sen jälkeen, kun baari suljettiin alaspäin EMA-ristin alle, voit silti pystyä lyhyen AAPL: n hintaan 109,00 per osake ja lähteä lähellä 108,20: a, jolloin prosessiin saadaan nopea 0,80 voitto osaketta kohden . Eksponentiaalinen keskimääräinen esimerkki dynaamisesta tuesta ja resistanssista Sekä kuvissa 1 että kuvassa 2 näet, että hinta usein vetäytyi takaisin 13 ja 21-aikavälin EMAssa ja konsolidoitiin sitten. Kuva 3: Hinta-konsolidointi Apple Inc: n 10-prosenttisen EMA: n sisällä 5 minuutin kuvio, 9. lokakuuta 2015 Kuvassa 3 näet, että hinta voi löytää sekä tuen että vastuksen suurella EMA-tasolla. Koska EMA: t liikkuvat aina ylös tai alas hintavaihtelun mukaan, nämä tasot toimivat dynaamisina pivot-vyöhykkeinä, joita voit käyttää pitkien tai lyhyiden tilausten tekemiseen. Suosittelemme kuitenkin, että käytät hintataulukon laukaisuja tilauksen tekemiseen sen sijaan, että sokaisisit raja-arvojen ostoa tai myymistä tilausten ympärille. Kuten voit olettaa nyt, sekä 13 että 21 ovat Fibonacci-numeroita ja nämä kaksi jaksoa ovat hyvin suosittuja päivän kauppiaiden keskuudessa. Koska käytimme 5 minuutin kaavioita osoittaaksemme, kuinka voit käyttää eksponentiaalisen liukuvan keskiarvon todellisissa kaupoissa, käytimme nopeampia EMA-ajanjaksoja. Jos haluat vaihtaa päivittäisiä tai viikoittaisia ​​aikakehyksiä, 50, 100 ja 200 aikajaksot ovat sopivia tällaisiin pyrkimyksiin. Miksi ammattimaiset toimijat haluavat eksponentiaalisen liikkuvan keskiarvon käyttämistä Elinkeinonharjoittajien ja kvantitatiivisten analyytikoiden suosiminen suosivat eksponentiaalisen liukuvan keskiarvon (EMA) verrattuna muihin liikkuviin keskiarvoihin, kuten yksinkertaiseen liikkuvaan keskiarvoon (SMA) ja painotettu liikkuva keskiarvo (WMA). Yksinkertaisten liikkuvien keskiarvojen (SMA) käyttäminen verrattuna painotettuun liikkuvaan keskiarvoon (WMA) tarjoaa valtavia etuja, sillä voit jatkuvasti kiinnittää enemmän huomiota äskettäiseen hinta-toimintaan WMA: n kanssa. Useimmat aloittelijat kuitenkin sekoittuvat eksponentiaalisen liukuvan keskiarvon (EMA) ja painotetun liukuvan keskiarvon (WMA) erottamiseen, koska EMA käyttää myös painotettua kaavaa arvojen laskemiseen. EMA: n ja WMA: n välillä on kuitenkin selkeä ero. Painotettua liikkuvaa keskiarvoa laskettaessa on käytettävä kaavaa yhtäpitävä paino tai kerroin. Esimerkiksi WMA-hinta voi laskea arvolla 5,0 jokaisesta edellisestä hintaraijasta kaavion yläpuolella, jotta se painottaisi viimeisintä hintaa. Kuva 4: EMA reagoi nopeammin Chagning Price - toimintoon Verrattuna SMA: han ja WMA: han Sitä vastoin eksponentiaalisen liukuvan keskiarvon (EMA) laskemisessa paino tai kerroin ei olisi johdonmukainen, mutta se merkitsisi enemmän hinta eksponentiaalisesti. Tästä syystä painotuskerroin kasvaa tai pienenee ajanjaksojen tai hintupisteiden perusteella. Siksi eksponentiaalinen liukuva keskiarvo reagoi paljon nopeammin hintadynamiikkaan ja tarjoaa tarkemman käsityksen markkinoista verrattuna yksinkertaisiin ja jatkuvasti painotettuihin liikkuviin keskiarvoihin. Päätelmä Eksponentiaalinen liukuva keskiarvo voi olla erittäin tehokas työkalu mielenkiintoisen päivittäisen kauppiaan arsenaaliin. Sinun on kuitenkin muistettava, että hinta ei reagoi EMA: n kääntöalueiden ympärille johtuen mistä tahansa taustalla olevista markkinarakenteista - pikemminkin itse täyttävistä ennustuksista. Suurten hedge-rahastojen analyytikot ja muut institutionaaliset toimijat käyttävät usein suuria liukuva keskimääräisiä ajanjaksoja päättäessään, onko rahoitusväline noussut ylös tai alas vai onko se vain jonkin alueen sisällä. Näin ollen, kun suuri EMA-risti tapahtuu tai hinta lähestyy näitä EMA: ita, jossa monet kauppiaat pitävät näitä hintatasoja, he pyrkivät sijoittamaan suuria määriä tilauksia näiden tasojen ympärille. Tämän seurauksena, kun hinta saavuttaa näiden EMA: iden lähellä, tilaukset täyttyvät ja markkinoiden volatiliteetti kasvaa. Riippuen osto - tai myyntitilauksen dynamiikasta näiden kääntöalueiden ympärille, hinta joko jatkaa trendiä tai muuttaa vallitsevaa suuntausta kokonaan. Siksi sinun pitäisi aina pitää silmällä, missä suuret EMA-linjat ovat hintataulukossa riippumatta siitä, käytätkö teknistä analyysiä vai riippuen vain kaupankäyntijärjestelmän perusanalyysistä. Liittyvä viesti