Exponentiell Bewegliche Durchschnittliche Beispiele

Moving Averages: Was sind sie unter den populärsten technischen Indikatoren, gleitende Durchschnitte werden verwendet, um die Richtung des aktuellen Trends zu messen. Jede Art von gleitendem Durchschnitt (üblicherweise in diesem Tutorial als MA geschrieben) ist ein mathematisches Ergebnis, das durch Mittelung einer Anzahl von vergangenen Datenpunkten berechnet wird. Einmal bestimmt, wird der daraus resultierende Durchschnitt dann auf ein Diagramm aufgetragen, um es den Händlern zu ermöglichen, geglättete Daten zu betrachten, anstatt sich auf die alltäglichen Preisschwankungen zu konzentrieren, die allen Finanzmärkten innewohnen. Die einfachste Form eines gleitenden Durchschnitts, die in geeigneter Weise als ein einfacher gleitender Durchschnitt (SMA) bekannt ist, wird berechnet, indem man das arithmetische Mittel eines gegebenen Satzes von Werten annimmt. Zum Beispiel, um einen grundlegenden 10-Tage gleitenden Durchschnitt zu berechnen, würden Sie die Schlusskurse aus den letzten 10 Tagen addieren und dann das Ergebnis mit 10 teilen. In Abbildung 1 ist die Summe der Preise für die letzten 10 Tage (110) Geteilt durch die Anzahl der Tage (10), um den 10-Tage-Durchschnitt zu erreichen. Wenn ein Händler einen 50-tägigen Durchschnitt anstatt sehen möchte, würde die gleiche Art von Berechnung gemacht werden, aber es würde die Preise in den letzten 50 Tagen enthalten. Der daraus resultierende Durchschnitt unter (11) berücksichtigt die letzten 10 Datenpunkte, um den Händlern eine Vorstellung davon zu vermitteln, wie ein Vermögenswert in Bezug auf die letzten 10 Tage festgesetzt wird. Vielleicht fragen Sie sich, warum technische Händler dieses Werkzeug einen gleitenden Durchschnitt nennen und nicht nur ein normales Mittel. Die Antwort ist, dass, wenn neue Werte verfügbar werden, die ältesten Datenpunkte aus dem Set gelöscht werden müssen und neue Datenpunkte kommen müssen, um sie zu ersetzen. Damit wird der Datensatz ständig auf neue Daten übertragen, sobald er verfügbar ist. Diese Berechnungsmethode stellt sicher, dass nur die aktuellen Informationen berücksichtigt werden. In Abbildung 2, sobald der neue Wert von 5 dem Satz hinzugefügt wird, bewegt sich der rote Kasten (der die letzten 10 Datenpunkte repräsentiert) nach rechts und der letzte Wert von 15 wird aus der Berechnung gelöscht. Weil der relativ kleine Wert von 5 den hohen Wert von 15 ersetzt, würden Sie erwarten, dass der Durchschnitt der Datensatzabnahme, was es tut, in diesem Fall von 11 bis 10 zu sehen. Was verschieben die Durchschnitte aussehen Einmal die Werte der MA wurden berechnet, sie werden auf ein Diagramm geplottet und dann verbunden, um eine gleitende durchschnittliche Linie zu erzeugen. Diese geschwungenen Linien sind auf den Charts der technischen Händler üblich, aber wie sie verwendet werden, kann drastisch variieren (mehr dazu später). Wie Sie in Abbildung 3 sehen können, ist es möglich, mehr als einen gleitenden Durchschnitt zu jedem Diagramm hinzuzufügen, indem Sie die Anzahl der in der Berechnung verwendeten Zeiträume anpassen. Diese geschwungenen Linien mögen anfangs ablenkend oder verwirrend erscheinen, aber sie werden sich daran gewöhnt, wie es die Zeit verläuft. Die rote Linie ist einfach der durchschnittliche Preis in den letzten 50 Tagen, während die blaue Linie der durchschnittliche Preis in den letzten 100 Tagen ist. Nun, da Sie verstehen, was ein gleitender Durchschnitt ist und wie es aussieht, führen Sie gut eine andere Art von gleitenden Durchschnitt ein und untersuchen, wie es sich von dem zuvor erwähnten einfachen gleitenden Durchschnitt unterscheidet. Der einfache gleitende Durchschnitt ist bei den Händlern sehr beliebt, aber wie alle technischen Indikatoren hat er seine Kritiker. Viele Einzelpersonen argumentieren, dass die Nützlichkeit des SMA begrenzt ist, weil jeder Punkt in der Datenreihe gleich gewichtet wird, unabhängig davon, wo er in der Sequenz auftritt. Kritiker argumentieren, dass die jüngsten Daten signifikanter sind als die älteren Daten und einen größeren Einfluss auf das Endergebnis haben sollten. Als Reaktion auf diese Kritik begannen die Händler, den jüngsten Daten mehr Gewicht zu verleihen, was seither zur Erfindung von verschiedenen Arten von neuen Durchschnittswerten geführt hat, wobei der populärste der exponentielle gleitende Durchschnitt (EMA) ist. (Für weitere Lesungen siehe Grundlagen der gewichteten gleitenden Mittelwerte und was ist der Unterschied zwischen einer SMA und einer EMA) Exponentieller bewegter Durchschnitt Der exponentielle gleitende Durchschnitt ist eine Art gleitender Durchschnitt, der den jüngsten Preisen mehr Gewicht verleiht, um es besser zu machen Zu neuen Informationen. Lernen der etwas komplizierten Gleichung für die Berechnung einer EMA kann für viele Händler unnötig sein, da fast alle Charting-Pakete die Berechnungen für Sie machen. Jedoch für Sie Mathe-Aussenseiter da draußen, hier ist die EMA-Gleichung: Wenn Sie die Formel verwenden, um den ersten Punkt der EMA zu berechnen, können Sie feststellen, dass es keinen Wert gibt, der als vorherige EMA verwendet werden kann. Dieses kleine Problem kann gelöst werden, indem man die Berechnung mit einem einfachen gleitenden Durchschnitt beginnt und mit der obigen Formel von dort weiter fortfährt. Wir haben Ihnen eine Beispielkalkulationstabelle zur Verfügung gestellt, die reale Beispiele enthält, wie man sowohl einen einfachen gleitenden Durchschnitt als auch einen exponentiellen gleitenden Durchschnitt berechnet. Der Unterschied zwischen EMA und SMA Nun, da Sie ein besseres Verständnis davon haben, wie die SMA und die EMA berechnet werden, können Sie sich einen Blick darauf werfen, wie sich diese Durchschnittswerte unterscheiden. Mit Blick auf die Berechnung der EMA, werden Sie feststellen, dass mehr Wert auf die jüngsten Datenpunkte gesetzt wird, so dass es eine Art von gewichteten Durchschnitt. In Abbildung 5 ist die Anzahl der in jedem Durchschnitt verwendeten Zeiträume identisch (15), aber die EMA reagiert schneller auf die sich ändernden Preise. Beachten Sie, wie die EMA einen höheren Wert hat, wenn der Preis steigt, und fällt schneller als die SMA, wenn der Preis sinkt. Diese Reaktionsfähigkeit ist der Hauptgrund, warum viele Händler es vorziehen, die EMA über die SMA zu nutzen. Was sind die verschiedenen Tage Mittleren Durchlauf-Durchschnitten sind ein völlig anpassbarer Indikator, was bedeutet, dass der Benutzer frei wählen kann, was Zeitrahmen sie beim Erstellen des Durchschnitts wollen. Die häufigsten Zeiträume, die bei gleitenden Durchschnitten verwendet werden, sind 15, 20, 30, 50, 100 und 200 Tage. Je kürzer die Zeitspanne ist, um den Durchschnitt zu schaffen, desto empfindlicher wird es Preisänderungen. Je länger die Zeitspanne, desto weniger empfindlich oder mehr geglättet wird, wird der Durchschnitt sein. Es gibt keinen richtigen Zeitrahmen, um bei der Einrichtung Ihrer gleitenden Durchschnitte zu verwenden. Der beste Weg, um herauszufinden, welche für Sie am besten funktioniert, ist es, mit einer Reihe von verschiedenen Zeiträumen zu experimentieren, bis Sie eine finden, die zu Ihrer Strategie passt. Was ist die Exponential Moving Average (EMA) Formel und wie wird die EMA berechnet Die exponentielle Verschiebung Durchschnitt (EMA) ist ein gewichteter gleitender Durchschnitt (WMA), der mehr Gewichtung oder Bedeutung für aktuelle Preisdaten gibt als der einfache gleitende Durchschnitt (SMA). Die EMA reagiert schneller auf aktuelle Preisänderungen als die SMA. Die Formel für die Berechnung der EMA beinhaltet nur die Verwendung eines Multiplikators und beginnend mit dem SMA. Die Berechnung für die SMA ist sehr einfach. Die SMA für eine beliebige Anzahl von Zeiträumen ist einfach die Summe der Schlusskurse für diese Anzahl von Zeiträumen, geteilt durch die gleiche Anzahl. So ist zum Beispiel eine 10-tägige SMA nur die Summe der Schlusskurse für die letzten 10 Tage, geteilt durch 10. Die drei Schritte zur Berechnung der EMA sind: Berechnen Sie die SMA. Berechnen Sie den Multiplikator für die Gewichtung der EMA. Berechnen Sie die aktuelle EMA. Die mathematische Formel, in diesem Fall für die Berechnung einer 10-Perioden-EMA, sieht so aus: SMA: 10 Periodensumme10 Berechnung des Gewichtungsmultiplikators: (2 (ausgewählter Zeitraum 1)) (2 (10 1)) 0,1818 (18,18) Berechnung Die EMA: (Schlusskurs-EMA (Vortag)) x Multiplikator EMA (Vortag) Die Gewichtung des jüngsten Preises ist für einen kürzeren Zeitraum EMA größer als für einen längeren Zeitraum EMA. Beispielsweise wird ein 18.18-Multiplikator auf die aktuellsten Preisdaten für eine 10 EMA angewendet, während für eine 20 EMA nur eine 9.52-Multiplikator-Gewichtung verwendet wird. Es gibt auch leichte Abweichungen der EMA angekommen, indem sie den offenen, hohen, niedrigen oder mittleren Preis anstatt den Schlusskurs verwenden. Verwenden Sie den exponentiellen gleitenden Durchschnitt (EMA), um eine dynamische Devisenhandelsstrategie zu erstellen. Erfahren Sie, wie EMAs sehr genutzt werden können. Antwort lesen Lernen Sie die wichtigen potenziellen Vorteile der Verwendung eines exponentiellen gleitenden Durchschnittes beim Handel, anstatt einer einfachen Bewegung. Antwort lesen Lernen Sie über einfache gleitende Durchschnitte und exponentielle gleitende Durchschnitte, was diese technischen Indikatoren messen und den Unterschied. Antwort lesen Lernen Sie die Formel für die gleitende durchschnittliche Konvergenz Divergenz Momentum Indikator und finden Sie heraus, wie die MACD zu berechnen. Lesen Sie die Antwort Erfahren Sie mehr über verschiedene Arten von gleitenden Durchschnitten, sowie gleitende durchschnittliche Übergänge und verstehen, wie sie verwendet werden. Lesen Sie Antwort Entdecken Sie die primären Unterschiede zwischen exponentiellen und einfachen gleitenden durchschnittlichen Indikatoren, und was nachteilige EMAs können. Antwort lesen Beta ist ein Maß für die Volatilität oder das systematische Risiko eines Wertpapiers oder eines Portfolios im Vergleich zum Gesamtmarkt. Eine Art von Steuern, die auf Kapitalgewinne von Einzelpersonen und Kapitalgesellschaften angefallen sind. Kapitalgewinne sind die Gewinne, die ein Investor ist. Ein Auftrag, eine Sicherheit bei oder unter einem bestimmten Preis zu erwerben. Ein Kauflimitauftrag erlaubt es Händlern und Anlegern zu spezifizieren. Eine IRS-Regel (Internal Revenue Service), die strafrechtliche Abhebungen von einem IRA-Konto ermöglicht. Die Regel verlangt das. Der erste Verkauf von Aktien von einem privaten Unternehmen an die Öffentlichkeit. IPOs werden oft von kleineren, jüngeren Unternehmen ausgesucht. DebtEquity Ratio ist Schuldenquote verwendet, um ein Unternehmen039s finanzielle Hebelwirkung oder eine Schuldenquote zu messen, um eine Person zu messen. Moving durchschnittliche und exponentielle Glättung Modelle Als ein erster Schritt in Bewegung über mittlere Modelle, zufällige Wandermodelle und lineare Trend-Modelle, Nicht-Season-Muster und Trends können mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als quotsmoothedquot Version der ursprünglichen Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen kleinen Marge über die 3 - term und 9-term Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. Sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. h. den lokalen Mittelwert) der Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: Es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er 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 für diese Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die Langzeitprognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut sind), und sie können 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 den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit t, wie in Brown8217s Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0.2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. (Zurück zum Anfang der Seite) Warum professionelle Händler mit dem exponentiellen bewegten Durchschnitt bevorzugen, warum professionelle Händler mit dem exponentiellen Moving Average arbeiten Technische Analyse kocht auf die Vorhersage der zukünftigen Richtungsbewegung durch das Studium des vergangenen Marktverhaltens und Sie würden wahrscheinlich nicht einen besseren Weg finden Um den Markt zu beurteilen, als im Durchschnitt zu gehen. Heute werden wir einen Blick darauf werfen, wie Sie gleitende Durchschnitte verwenden können, um jedes Preisdiagramm zu analysieren. Verschiedene Arten von gleitenden Durchschnitten, wie man sie berechnet, und natürlich, wie sie sich in realen Handelsumgebungen zueinander messen. Während es mehr als eine Handvoll von verschiedenen Arten von gleitenden Durchschnitten gibt, müssen Sie nur über ein paar wichtige gleitende Durchschnitte lernen, um sie erfolgreich im Live-Handel zu nutzen. Daher werden wir unsere Diskussion auf die nützlichsten gleitenden Durchschnitte beschränken, darunter den einfachen gleitenden Durchschnitt (SMA), den gewichteten gleitenden Durchschnitt (WMA) und unser Favorit den exponentiellen gleitenden Durchschnitt (EMA). Was ist der exponentielle Moving Average Der exponentielle gleitende Durchschnitt (EMA) ist eine Variante von gleitenden Durchschnitten, die wie jeder andere gleitenden Durchschnitt aussieht und wirkt. Wenn man sich ein Diagramm mit einem einfachen gleitenden Durchschnitt (SMA) und einem exponentiellen gleitenden Durchschnitt ansieht, dann werden Sie nicht auf den ersten Blick differenzieren können. Allerdings gibt es unter der Motorhaube wichtige Unterschiede hinsichtlich der Berechnung der SMA und EMA. Lets sagen, Sie handeln die Tages-Chart und Blick auf letzte Monate Preis Aktion. Würden Sie damit einverstanden sein, dass die Analyse der letzten Woche die Preisgestaltung ein besseres Verständnis dafür vermitteln würde, wie sich der Markt heute verhält, und die heutige Preisaktion würde wahrscheinlich die Preisvoraussetzungen für morgen diktieren Da die jüngsten Preisdaten im Vergleich zu älteren Preisdaten bei der Gestaltung des Marktes ein wichtigeres sind, Es ist gesunder Menschenverstand, dass du den letzten Daten mehr Gewicht verleihen solltest. Der exponentielle gleitende Durchschnitt (EMA) trifft diese Vorstellung zu, dass die Händler mehr Aufmerksamkeit auf die jüngsten Preisaktionen im Vergleich zu den alten lenken sollten. Obwohl die meisten modernen Charting-Pakete automatisch berechnet und plottet die verschiedenen Arten von gleitenden Durchschnitten auf einem Preis-Diagramm, ist es immer eine gute Idee, dass Sie wissen, wie sie berechnet werden, wie es hilft, Ihr Verständnis zu erhöhen, warum Bewegungsdurchschnitte sich anders verhalten. So berechnen Sie exponentielle Moving Average Grundsätzlich müssen Sie durch drei Schritte gehen, um den exponentiellen gleitenden Durchschnitt für den Handel jedes Instruments zu berechnen. Zuerst müssen wir den einfachen gleitenden Durchschnitt (SMA) herausfinden. Wenn wir die SMA der letzten 10 Tage berechnen wollen, fassen wir einfach die Werte der letzten 10 Schlusskurse zusammen und teilen sie mit 10 ab, um die SMA zu bekommen. Sobald wir die SMA haben, müssen wir als nächstes den Gewichtungsmultiplikator für die Anzahl der Perioden herausfinden, die wir für die EMA berechnen wollen. Der Gewichtungsmultiplikator wird mit folgender Formel berechnet: EMA (aktuell) (Preis (aktuell) EMA (prev)) x Multiplikator) EMA (prev) Sie sollten sich immer daran erinnern, dass die Anzahl der Perioden einen tiefgreifenden Einfluss auf den Gewichtungsmultiplikator hat Da sie der jüngsten Preisaktion größere Bedeutung beimisst. Da wir 10 Tage in diesem exponentiellen gleitenden Durchschnittsbeispiel verwenden, würde der Gewichtungsmultiplikator wie folgt berechnet: (2 (Zeitperioden 1)) (2 (10 1)) 0,1818 (18,18) Schließlich, sobald du die SMA und Gewichtung Multiplikator Werte, können Sie leicht berechnen die EMA mit der folgenden Berechnung: (Schlusskurs-EMA (Vortag)) x Multiplikator EMA (Vortag) Handel mit dem exponentiellen Moving Average Während Sie die exponentielle gleitenden Durchschnitt viele Möglichkeiten, professionelle verwenden können Händler bleiben, um die Dinge einfach zu halten. Es gibt grundsätzlich zwei Möglichkeiten, die exponentiellen gleitenden Durchschnitte im Handel zu nutzen: (1) mit zwei verschiedenen Periodenexponential gleitenden Durchschnittskreuz, um Kauf - oder Verkaufssignale (2) oder einen einzigen exponentiellen gleitenden Durchschnitt als dynamische Unterstützungswiderstandszone zu erzeugen. Eine der einfachsten Weisen des Handels mit dem exponentiellen gleitenden Durchschnitt würde zwei verschiedene Perioden auf einem Preisdiagramm verwenden und auf den schnelleren Zeitraum warten, um über oder unterhalb der langsamen Periode zu überqueren. Wenn Sie die schnellere Periode sehen, die EMA über die langsame Periode EMA kreuzt, aus technischer Sicht, zeigt es bullish Impuls auf dem Markt. Auf der anderen Seite, wenn Sie die schnellere Zeit sehen EMA Kreuzung unterhalb der langsamen Periode EMA, würde es auf bärische Dynamik auf dem Markt. Neben der Verwendung von EMA-Kreuzen können wir auch den exponentiellen gleitenden Durchschnitt als dynamische Pivotzone nutzen. Während eines Aufwärtstrends fungieren große EMA-Perioden wie die 50 oder 200 Perioden EMAs als Unterstützungs - und Widerstandszonen. Erzeugen eines Buy-Signals beim Trading mit dem exponentiellen Moving Average Abbildung 1: 5-Minute-Diagramm der Ford Motor Company (NYSE: F) 8. Oktober 2015 In Abbildung 1 haben wir eine grün gefärbte 13 Periode EMA und eine rot gefärbte 21 Periode angewendet EMA auf dem 5-minütigen Chart der Ford Motor Company (NYSE: F). Wie Sie sehen können, ganz links, wenn die grüne Linie über die rote Linie gezogen ist, gewann der Preis bald bullish Impuls und begann nach oben zu bewegen. Wenn Sie diesen Handel am 8. Oktober nahmen. Sie hätten leicht einen langen Auftrag um 14,60 pro Aktie eingegeben und den Handel in der Nähe von 15.10 verlassen, mit einem 50-Cent-Gewinn auf jeder Aktie, die Sie gehandelt haben. Generierung eines Verkaufssignals beim Trading mit dem exponentiellen bewegten Mittelwert Abbildung 2: 5-Minuten-Diagramm von Apple Inc. (NASDAQ: AAPL) 8. Oktober 2015 In Abbildung 2 haben wir erneut die 13 und 21 Perioden exponentielle gleitende Durchschnitte auf a angewendet 5-Minuten-Preis-Chart, aber dieses Mal auf Apple Inc (NASDAQ: AAPL) zu zeigen, dass diese Strategie ist Instrument unabhängig. Wie Sie auf dem zweiten Kreuz auf dem Diagramm sehen können, als die 13 Periode grüne EMA unterhalb der 21 Periode rote EMA überquerte, fing der Preis sofort an, bärische Dynamik zu gewinnen. Obwohl die Volatilität deutlich anstieg, und selbst wenn Sie den Markt nach der unterschrittenen Bar unterhalb des Abwärts-EMA-Kreuzes betraten, könnten Sie immer noch AAPL bei 109,00 pro Aktie kürzen und in der Nähe von 108,20 aussteigen und damit einen schnellen Gewinn von 0,80 Gewinn pro Aktie erzielen . Exponentielles bewegliches durchschnittliches Beispiel für dynamische Unterstützung und Widerstand In beiden Abbildung 1 und Abbildung 2, können Sie sehen, dass der Preis oft zurück in Richtung der 13 und 21 Periode EMAs gezogen und dann konsolidieren. Abbildung 3: Preiskonsolidierung rund um die 10-Periode EMA von Apple Inc 5-Minuten-Chart, 9. Oktober 2015 In Abbildung 3 können Sie sehen, dass der Preis sowohl Unterstützung als auch Widerstand um eine große EMA-Ebene finden kann. Da sich die EMAs je nach Preisaktion immer nach oben oder nach unten bewegen, wirken diese Ebenen als dynamische Pivotzonen, mit denen man lange oder kurze Aufträge platzieren kann. Wir empfehlen jedoch dringend, dass Sie mit der Preisauswahl die Möglichkeit haben, die Bestellung zu platzieren, anstatt blindes Limit zu kaufen oder Aufträge zu bestellen. Wie Sie jetzt annehmen können, sind sowohl die 13 als auch die 21 Fibonacci-Zahlen und diese beiden Perioden sind bei den Tageshändlern sehr beliebt. Da wir 5-minütige Charts verwendet haben, um zu zeigen, wie man exponentiell gleitenden Durchschnitt auf Real Life Trades einsetzen kann, haben wir schnellere EMAs verwendet. Wenn Sie die täglichen oder wöchentlichen Zeiträume handeln möchten, wären die EMAs von 50, 100 und 200 Perioden für solche Bemühungen besser geeignet. Warum professionelle Händler mit exponentiellem beweglichen Durchschnitt bevorzugen Wenn es um den Handel geht, neigen professionelle Händler und quantitative Analysten dazu, den exponentiellen gleitenden Durchschnitt (EMA) im Vergleich zu den anderen Arten von gleitenden Durchschnitten, wie dem einfachen gleitenden Durchschnitt (SMA) und dem Gewichteter gleitender Durchschnitt (WMA). Im Vergleich zu den einfachen gleitenden Durchschnitten (SMA) bietet der gewichtete gleitende Durchschnitt (WMA) enorme Vorteile, da Sie mit der WMA konsequent mehr Wert auf die jüngsten Preispolitik legen können. Allerdings werden die meisten Anfänger Händler verwirrt, wenn es darum geht, den exponentiellen gleitenden Durchschnitt (EMA) und den gewichteten gleitenden Durchschnitt (WMA) zu differenzieren, da die EMA auch eine gewichtete Formel verwendet, um die Werte zu berechnen. Aber es gibt deutliche Unterschiede zwischen EMA und WMA. Bei der Berechnung des gewichteten gleitenden Durchschnitts müssen Sie in der Formel ein gleichmäßiges Gewicht oder Multiplikator verwenden. Zum Beispiel kann der WMA-Preis um einen Wert von 5,0 für jede vorhergehende Preisstange in der Tabelle verringern, um mehr Gewicht auf die jüngste Preisleiste zu geben. Abbildung 4: Die EMA reagiert schneller auf die Chagning-Preis-Aktion im Vergleich zu SMA und WMA Im Gegensatz dazu wäre bei der Berechnung des exponentiellen gleitenden Durchschnitts (EMA) das Gewicht oder Multiplikator nicht konsistent, aber es würde mehr Wert auf die jüngsten Preis in einer exponentiellen Weise. Thats, warum, der Gewichtungs-Multiplikator erhöht oder verringert sich auf der Grundlage der Anzahl der Perioden oder Preis Punkte. Daher reagiert der exponentielle gleitende Durchschnitt viel schneller auf die Preisdynamik und bietet eine genauere Wahrnehmung des Marktes im Vergleich zu den einfachen und konsequent gewichteten gleitenden Durchschnitten. Fazit Exponentieller gleitender Durchschnitt kann ein sehr mächtiges Werkzeug im Arsenal eines versierten Day-Traders sein. Allerdings sollten Sie sich daran erinnern, dass der Preis nicht um EMA-Pivot-Zonen reagiert, weil irgendwelche zugrunde liegenden Marktstrukturen - eher selbst erfüllende Prophezeiungen. Sie sehen, große Hedge-Fonds-Analysten und andere institutionelle Händler verwenden oft die wichtigsten gleitenden durchschnittlichen Perioden zu entscheiden, ob ein Finanzinstrument trifft auf oder ab, oder einfach nur in einem Bereich. Wenn also ein großes EMA-Kreuz passiert oder der Preis sich diesen EMAs nähert, wo dort viele Händler diese Preisniveaus beobachten, neigen sie dazu, große Mengen an Aufträgen um diese Ebenen zu platzieren. Als Ergebnis, wenn der Preis in der Nähe dieser EMAs erreicht, werden die Aufträge gefüllt und die Marktvolatilität steigt. Je nach Kauf - oder Verkaufsauftragsdynamik um diese Pivot-Zonen setzt der Kurs entweder den Trend wieder auf oder ändert den vorherrschenden Trend insgesamt. Das ist, warum sollten Sie immer ein Auge auf, wo die großen EMA-Linien sind in einem Preis-Chart, unabhängig davon, ob Sie mit technischen Analyse oder nur abhängig von fundamentalen Analyse in Ihrem Trading-System. Ähnliche Beiträge