Exponentieller Moving Average - EMA. BREAKING DOWN Exponential Moving Average - EMA. Die 12- und 26-Tage-EMAs sind die beliebtesten Kurzzeitdurchschnitte und sie werden verwendet, um Indikatoren wie die gleitende durchschnittliche Konvergenz Divergenz MACD und den prozentualen Preis Oszillator zu schaffen PPO Im Allgemeinen werden die 50- und 200-Tage-EMAs als Signale von langfristigen Trends verwendet. Die Verfolger, die technische Analysen einsetzen, finden in der Lage, im Durchschnitt sehr nützlich und aufschlussreich zu sein, aber wenn sie falsch eingesetzt werden, wenn sie falsch eingesetzt oder falsch interpretiert werden. Alle gleitenden Mittelwerte Die in der technischen Analyse üblicherweise verwendet werden, sind ihrer Natur nach rückläufige Indikatoren. Folglich sollten die Schlussfolgerungen, die aus der Anwendung eines gleitenden Durchschnitts auf eine bestimmte Markttabelle gezogen werden, darin bestehen, eine Marktbewegung zu bestätigen oder ihre Stärke anzugeben. Sehr oft, bis zu einem gleitenden Durchschnitt Indikatorlinie hat sich geändert, um einen bedeutenden Marktzugang zu reflektieren, der optimale Punkt des Markteintritts ist bereits vergangen Eine EMA dient dazu, dieses Dilemma zu einem gewissen Grad zu lindern Da die EMA-Berechnung mehr Gewicht auf die neuesten Daten setzt, umarmt sie die Preis-Aktion ein bisschen fester und reagiert daher schneller Dies ist wünschenswert, wenn eine EMA verwendet wird, um ein Trading-Eingangssignal zu erhalten. Interpreting der EMA. Like alle gleitenden durchschnittlichen Indikatoren sind sie viel besser geeignet für Trending-Märkte Wenn der Markt ist in einem starken und Anhaltender Aufwärtstrend Die EMA-Indikatorlinie zeigt auch einen Aufwärtstrend und umgekehrt für einen Down-Trend Ein wachsamer Trader wird nicht nur auf die Richtung der EMA-Linie achten, sondern auch die Beziehung der Änderungsrate von einer Bar zur nächsten For Beispiel, da die Preiswirkung eines starken Aufwärtstrends beginnt zu glätten und umzukehren, beginnt die Änderungsrate des EMA von einem Bar zum nächsten zu vermindern, bis zu diesem Zeitpunkt die Indikatorlinie abflacht und die Änderungsrate Null ist Die nacheilende Wirkung, bis zu diesem Punkt oder sogar ein paar Takte vorher, sollte sich die Preisaktion bereits umkehren. Daraus folgt, dass die Beobachtung einer konsequenten Abnahme der Änderungsrate der EMA selbst als Indikator genutzt werden könnte, Dilemma verursacht durch die nacheilende Wirkung der bewegten Durchschnitte. Die Verwendung von EMA. EMAs wird häufig in Verbindung mit anderen Indikatoren verwendet, um signifikante Marktbewegungen zu bestätigen und ihre Gültigkeit zu beurteilen. Für Händler, die intraday und schnell bewegte Märkte handeln, ist die EMA eher anwendbar Oft Händler verwenden EMAs, um eine Handels-Bias zu bestimmen Zum Beispiel, wenn ein EMA auf einer Tages-Chart zeigt einen starken Aufwärtstrend, eine Intraday-Trader-Strategie kann nur von der langen Seite auf einem Intraday-Chart handeln. Moving Averages - Einfach und Exponential. Moving Averages - Simple und Exponential. Moving Mittelwerte glatt die Preisdaten zu einem Trend folgen Indikator Sie nicht vorhersagen Preisrichtung, sondern definieren die aktuelle Richtung mit einer Lag Moving Mittelwerte lag, weil sie auf vergangene Preise basieren Trotz dieser Verzögerung, Gleitende Mittelwerte sorgen für eine reibungslose Preisgestaltung und filtern den Lärm aus. Sie bilden auch die Bausteine für viele andere technische Indikatoren und Overlays wie Bollinger Bands MACD und den McClellan Oszillator. Die beiden beliebtesten Arten von gleitenden Durchschnitten sind die Simple Moving Average SMA und die Exponential Moving Average EMA Diese gleitenden Mittelwerte können verwendet werden, um die Richtung des Trends zu identifizieren oder definieren potenzielle Unterstützung und Widerstand Ebenen. Hier sa Diagramm mit einem SMA und eine EMA auf it. Klicken Sie auf die Tabelle für eine Live-Version. Simple Moving Average Calculation. Ein einfacher gleitender Durchschnitt wird durch die Berechnung des durchschnittlichen Preises eines Wertpapiers über eine bestimmte Anzahl von Perioden gebildet. Die meisten gleitenden Durchschnittswerte basieren auf Schlusskursen Ein 5-Tage einfacher gleitender Durchschnitt ist die Fünf-Tage-Summe der Schlusskurse geteilt durch fünf Wie sein Name Impliziert, ein gleitender Durchschnitt ist ein Durchschnitt, der sich bewegt Alte Daten werden gelöscht, da neue Daten verfügbar sind Dies bewirkt, dass sich der Durchschnitt entlang der Zeitskala bewegt Nachfolgend ist ein Beispiel für einen 5-tägigen gleitenden Durchschnitt, der sich über drei Tage entwickelt. Der erste Tag der Gleitender Durchschnitt deckt einfach die letzten fünf Tage ab Der zweite Tag des gleitenden Durchschnitts fällt den ersten Datenpunkt 11 ab und fügt den neuen Datenpunkt hinzu 16 Der dritte Tag des gleitenden Mittels setzt sich fort, indem er den ersten Datenpunkt 12 fällt und den neuen Datenpunkt 17 addiert Im obigen Beispiel steigen die Preise allmählich von 11 auf 17 über insgesamt sieben Tage an. Beachten Sie, dass der gleitende Durchschnitt auch von 13 auf 15 über einen Zeitraum von drei Tagen steigt. Beachten Sie auch, dass jeder gleitende Durchschnittswert knapp unter dem letzten Preis liegt , Der gleitende Durchschnitt für Tag eins gleich 13 und der letzte Preis ist 15 Preise der vorherigen vier Tage waren niedriger und dies verursacht den gleitenden Durchschnitt zu lag. Exponential Moving Average Calculation. Exponential gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise Die Gewichtung, die auf den jüngsten Preis angewendet wird, hängt von der Anzahl der Perioden im gleitenden Durchschnitt ab Es gibt drei Schritte zur Berechnung eines exponentiellen gleitenden Durchschnitts Zuerst berechnen Sie den einfachen gleitenden Durchschnitt Ein exponentieller gleitender Durchschnitt EMA muss irgendwo beginnen, so dass ein einfacher gleitender Durchschnitt verwendet wird Wie die vorherige Periode s EMA in der ersten Berechnung Zweitens berechnen die Gewichtung Multiplikator Drittens berechnen die exponentielle gleitenden Durchschnitt Die folgende Formel ist für eine 10-Tage-EMA. A 10-Periode exponentiellen gleitenden Durchschnitt gilt eine 18 18 Gewichtung auf die jüngsten Preis Eine 10-Perioden-EMA kann auch als 18 18 EMA bezeichnet werden. Eine 20-Punkte-EMA wendet eine 9 52-Waage auf den aktuellsten Preis an 2 20 1 0952 Beachten Sie, dass die Gewichtung für den kürzeren Zeitraum mehr als die Gewichtung für die längeren ist Zeitperiode In der Tat sinkt die Gewichtung um die Hälfte jedes Mal, wenn die gleitende durchschnittliche Periode verdoppelt. Wenn Sie uns einen bestimmten Prozentsatz für eine EMA wollen, können Sie diese Formel verwenden, um sie in Zeiträume umzuwandeln und geben Sie dann diesen Wert als EMA s ein Parameter. Below ist ein Tabellenkalkulationsbeispiel für einen 10-tägigen, einfach gleitenden Durchschnitt und einen 10-tägigen, exponentiellen gleitenden Durchschnitt für Intel Einfache Umzugsdurchschnitte sind einfach und erfordern wenig Erklärung Der 10-Tage-Durchschnitt bewegt sich einfach, wenn neue Preise verfügbar sind und alte Preise Drop-off Der exponentielle gleitende Durchschnitt beginnt mit dem einfachen gleitenden Mittelwert 22 22 in der ersten Berechnung Nach der ersten Berechnung übernimmt die normale Formel, weil eine EMA mit einem einfachen gleitenden Durchschnitt beginnt, wird ihr wahrer Wert erst ab 20 Jahren realisiert Perioden später Mit anderen Worten, der Wert auf der Excel-Tabelle kann sich aufgrund des kurzen Rückblicks von dem Diagrammwert unterscheiden. Diese Kalkulationstabelle geht nur auf 30 Perioden zurück, was bedeutet, dass der Einfluss des einfachen gleitenden Durchschnitts 20 Perioden hat, um StockCharts zu zerstreuen Geht zurück mindestens 250-Perioden in der Regel viel weiter für seine Berechnungen, so dass die Auswirkungen der einfachen gleitenden Durchschnitt in der ersten Berechnung vollständig abgebaut. Die Lag Factor. Der längere der gleitenden Durchschnitt, desto mehr der Verzögerung Ein 10-Tage-exponentiellen gleitenden Durchschnitt Wird die Preise ganz genau verkürzen und kurz nach den Kursen drehen Kurze bewegte Durchschnitte sind wie Geschwindigkeitsboote - flink und schnell zu ändern Im Gegensatz dazu enthält ein 100-Tage gleitender Durchschnitt viele vergangene Daten, die es verlangsamt werden. Längere Bewegungsdurchschnitte sind wie Ozean-Tanker - Lethargisch und langsam zu ändern Es dauert eine größere und längere Preisbewegung für einen 100-tägigen gleitenden Durchschnitt, um den Kurs zu ändern. Klicken Sie auf das Diagramm für eine Live-Version. Das Diagramm oben zeigt die SP 500 ETF mit einer 10-Tage-EMA genau nach Preisen Und ein 100-Tage-SMA-Schleifen höher Auch mit dem Januar-Februar-Rückgang hielt die 100-Tage-SMA den Kurs und drehte sich nicht ab Die 50-Tage-SMA passt irgendwo zwischen den 10- und 100-tägigen Fahrpreisen, wenn es um die Verzögerung geht Faktor. Simple vs Exponential Moving Averages. Even obwohl es deutliche Unterschiede zwischen einfachen gleitenden Durchschnitten und exponentielle gleitende Durchschnitte gibt, ist man nicht unbedingt besser als die anderen exponentiellen gleitenden Durchschnitte haben weniger Verzögerung und sind daher empfindlicher auf aktuelle Preise - und aktuelle Preisänderungen Exponentielle gleitende Durchschnitte werden sich vor einfachen gleitenden Durchschnitten drehen Einfache gleitende Durchschnitte dagegen stellen einen wahren Durchschnitt der Preise für den gesamten Zeitraum dar. Als solche können einfache gleitende Mittelwerte besser geeignet sein, um Unterstützung oder Widerstandsebenen zu identifizieren. Moving durchschnittliche Präferenz hängt davon ab Auf Ziele, analytischer Stil und Zeithorizont Die Chartisten sollten mit beiden Arten von gleitenden Durchschnitten sowie verschiedenen Zeiträumen experimentieren, um die beste Passform zu finden. Die folgende Grafik zeigt IBM mit dem 50-Tage-SMA in Rot und der 50-Tage-EMA in grün Beide erreichten sich Ende Januar, aber der Rückgang der EMA war schärfer als der Rückgang der SMA Die EMA ist Mitte Februar aufgetaucht, aber die SMA setzte sich bis Ende März fort. Beachten Sie, dass die SMA über einen Monat nach der EMA. Lengths auftauchte Und Zeitrahmen. Die Länge des gleitenden Durchschnitts hängt von den analytischen Zielen ab Kurze bewegte Mittelwerte 5-20 Perioden sind am besten für kurzfristige Trends und den Handel geeignet Chartisten, die sich für mittelfristige Trends interessieren, würden sich für längere gleitende Durchschnitte entscheiden, die sich um 20-60 erstrecken könnten Perioden Langfristige Investoren bevorzugen gleitende Durchschnitte mit 100 oder mehr Perioden. Einige gleitende durchschnittliche Längen sind beliebter als andere Die 200-Tage gleitenden Durchschnitt ist vielleicht die beliebtesten Aufgrund seiner Länge ist dies eindeutig ein langfristig gleitender Durchschnitt Next , Der 50-Tage-Gleitender Durchschnitt ist für den mittelfristigen Trend sehr beliebt. Viele Chartisten nutzen die 50-Tage - und 200-Tage-Gruppendurchschnitte zusammen Kurzfristig war ein 10-tägiger gleitender Durchschnitt in der Vergangenheit sehr beliebt, weil es einfach war Zu berechnen Einer fügte einfach die Zahlen hinzu und bewegte den Dezimalpunkt. Trend Identification. Die gleichen Signale können mit einfachen oder exponentiellen gleitenden Durchschnitten erzeugt werden Wie oben erwähnt, hängt die Präferenz von jedem einzelnen ab. Diese Beispiele unten verwenden sowohl einfache als auch exponentielle gleitende Mittelwerte Der gleitende Durchschnitt bezieht sich sowohl auf einfache als auch auf exponentielle gleitende Durchschnitte. Die Richtung des gleitenden Durchschnitts vermittelt wichtige Informationen über die Preise Ein steigender gleitender Durchschnitt zeigt, dass die Preise im Allgemeinen steigen Ein sinkender gleitender Durchschnitt zeigt an, dass die Preise im Durchschnitt fallen, Langfristiger gleitender Durchschnitt spiegelt einen langfristigen Aufwärtstrend Ein fallender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Abwärtstrend wider. Das Diagramm oben zeigt 3M MMM mit einem 150-Tage-exponentiellen gleitenden Durchschnitt Dieses Beispiel zeigt, wie gut bewegte Mittelwerte arbeiten, wenn der Trend ist Stark Die 150-tägige EMA hat sich im November 2007 und wieder im Januar 2008 abgelehnt. Beachten Sie, dass es einen Rückgang der Rückkehr in die Richtung dieses gleitenden Durchschnitts erlebt hat. Diese nacheilenden Indikatoren identifizieren Trendumkehrungen, wie sie am besten vorkommen oder nachdem sie im schlimmsten MMM fortgesetzt wurden Niedriger im März 2009 und dann stieg 40-50 Beachten Sie, dass die 150-Tage-EMA nicht auftauchen, bis nach diesem Anstieg Einmal war es MMM weiter gestiegen die nächsten 12 Monate Moving Mittelwerte arbeiten brillant in starken Trends. Double Crossovers. Zwei Bewegliche Mittelwerte können zusammen verwendet werden, um Crossover-Signale zu generieren In der technischen Analyse der Finanzmärkte nennt John Murphy dies die doppelte Crossover-Methode Double Crossover beinhalten einen relativ kurzen gleitenden Durchschnitt und einen relativ langen gleitenden Durchschnitt Wie bei allen gleitenden Durchschnittswerten die allgemeine Länge der Gleitender Durchschnitt definiert den Zeitrahmen für das System Ein System, das eine 5-tägige EMA - und 35-Tage-EMA verwendet, würde als kurzfristig betrachtet. Ein System, das eine 50-Tage-SMA - und 200-Tage-SMA verwendet, wäre mittelfristig, vielleicht sogar lang - term. A bullish Crossover tritt auf, wenn der kürzere gleitende Durchschnitt über den längeren gleitenden Durchschnitt kreuzt Dies ist auch bekannt als ein goldenes Kreuz Ein bärischer Crossover tritt auf, wenn der kürzere gleitende Durchschnitt kreuzt unter dem längeren gleitenden Durchschnitt Dies ist bekannt als ein totes Kreuz. Moving Durchschnittliche Übergänge produzieren relativ späte Signale Schließlich verwendet das System zwei nacheilende Indikatoren Je länger die gleitenden durchschnittlichen Perioden sind, desto größer ist die Verzögerung in den Signalen Diese Signale funktionieren gut, wenn ein guter Trend aufhört. Allerdings wird ein gleitendes durchschnittliches Crossover-System viel produzieren Whipsaws in der Abwesenheit eines starken Tendenzes. Es gibt auch eine Triple-Crossover-Methode, die drei gleitende Durchschnitte enthält Wieder wird ein Signal erzeugt, wenn der kürzeste gleitende Durchschnitt die beiden längeren Durchschnitte überschreitet. Ein einfaches Triple-Crossover-System könnte 5-Tage, 10 beinhalten - Tages - und 20-Tage-Gruppendurchschnitte. Die Grafik oben zeigt Home Depot HD mit einer 10-tägigen EMA-grünen, gepunkteten Linie und einer 50-tägigen EMA-roten Linie Die schwarze Linie ist die tägliche Schließung Mit einem gleitenden durchschnittlichen Crossover hätte es sich um drei Whipsaws ergeben Vor einem guten Handel Die 10-tägige EMA brach am Ende des 1. Oktober unter die 50-tägige EMA, aber das dauerte nicht lange, als die 10-tägige Reise Mitte 2. November zurückblieb. Dieses Kreuz dauerte länger, aber der nächste bärige Crossover Im 3. Januar trat in der Nähe des späten November Preisniveaus, was in einer anderen Whipsaw Diese Baisse Kreuz dauerte nicht lange als die 10-Tage-EMA zog zurück über die 50-Tage ein paar Tage später 4 Nach drei schlechten Signalen, das vierte Signal ein starkes vorgeworfen Bewegen, wie die Aktie über 20 hinweg bewegt. Es gibt zwei Takeaways hier Zuerst sind Crossovers anfällig für whipsaw Ein Preis - oder Zeitfilter kann angewendet werden, um zu verhindern, dass Whipsaws Händler benötigen die Crossover, um 3 Tage vor dem Handeln zu verlangen oder die 10-Tage-EMA zu verlangen Um sich unterhalb der 50-Tage-EMA um einen bestimmten Betrag zu bewegen, bevor er Zweitens verwendet, kann MACD verwendet werden, um diese Crossover zu identifizieren und zu quantifizieren. MACD 10,50,1 zeigt eine Linie, die den Unterschied zwischen den beiden exponentiellen gleitenden Mittelwerten darstellt. MACD dreht sich positiv während Ein goldenes Kreuz und negativ während eines toten Kreuzes Der Prozentsatz-Preis-Oszillator PPO kann auf die gleiche Weise verwendet werden, um prozentuale Unterschiede zu zeigen. Beachten Sie, dass MACD und das PPO auf exponentiellen gleitenden Durchschnitten basieren und nicht mit einfachen gleitenden Durchschnitten übereinstimmen. Dieses Diagramm zeigt Oracle ORCL mit der 50-Tage-EMA, 200-Tage-EMA und MACD 50.2001 Es gab vier gleitende durchschnittliche Übergänge über einen Zeitraum von 2 1 2 Jahren Die ersten drei führten zu Whipsaws oder schlechten Trades Ein anhaltender Trend begann mit dem vierten Crossover als ORCL fortgeschritten Bis Mitte 20s Noch einmal, gleitende durchschnittliche Crossovers funktionieren großartig, wenn der Trend stark ist, aber produzieren Verluste in Abwesenheit eines trend. Price Crossovers. Moving Mittelwerte können auch verwendet werden, um Signale mit einfachen Preisübergänge zu erzeugen Ein bullish Signal wird erzeugt, wenn Die Preise bewegen sich über dem gleitenden Durchschnitt. Ein Baisse-Signal wird generiert, wenn die Preise unter dem gleitenden Durchschnitt liegen. Preisübergänge können kombiniert werden, um innerhalb des größeren Trends zu handeln. Der längere gleitende Durchschnitt setzt den Ton für den größeren Trend und der kürzere gleitende Durchschnitt wird verwendet, um die zu erzeugen Signale Man würde für bullish Preiskreuze nur dann suchen, wenn die Preise bereits über dem längeren gleitenden Durchschnitt liegen. Dies würde im Einklang mit dem größeren Trend handeln. Zum Beispiel, wenn der Preis über dem 200-Tage-Gleitender Durchschnitt liegt, würden sich die Chartisten nur auf Signale konzentrieren, wenn der Preis Bewegt sich über den 50-tägigen gleitenden Durchschnitt. Offensichtlich würde ein Umzug unter dem 50-Tage-Gleitende Durchschnitt einem solchen Signal vorausgehen, aber solche bärigen Kreuze würden ignoriert werden, weil der größere Trend ist Ein bärisches Kreuz würde einfach einen Pullback in einem größeren Aufwärtstrend vorschlagen Eine Kreuzung über dem 50-Tage-Gleitender Durchschnitt würde einen Aufschwung in den Preisen und die Fortsetzung des größeren Aufwärtstrends signalisieren. Die nächste Grafik zeigt Emerson Electric EMR mit der 50-Tage-EMA und 200-Tage-EMA Die Aktie bewegte sich oben und hielt über dem 200 - Tag gleitender Durchschnitt im August Es gab Dips unterhalb der 50-Tage-EMA Anfang November und wieder Anfang Februar Die Preise zogen schnell über die 50-Tage-EMA zurück, um bullish Signale grüne Pfeile in Harmonie mit dem größeren Aufwärtstrend MACD 1,50, 1 wird im Indikatorfenster angezeigt, um Preiskreuze über oder unter der 50-Tage-EMA zu bestätigen. Die 1-tägige EMA entspricht dem Schlusskurs MACD 1,50,1 ist positiv, wenn die Schließung über dem 50-Tage-EMA liegt und negativ ist Close ist unterhalb der 50-tägigen EMA. Support und Resistance. Moving Mittelwerte können auch als Unterstützung in einem Aufwärtstrend und Widerstand in einem Abwärtstrend Ein kurzfristiger Aufwärtstrend könnte Unterstützung in der Nähe der 20-Tage einfachen gleitenden Durchschnitt, die auch in verwendet wird Bollinger-Bands Ein langfristiger Aufwärtstrend könnte Unterstützung in der Nähe des 200-tägigen einfachen gleitenden Durchschnitts finden, der der beliebteste langfristig gleitende Durchschnitt ist. Wenn der 200-Tage-Gleitender Durchschnitt Unterstützung oder Widerstand bieten kann, nur weil er so weit verbreitet ist Es ist fast wie eine sich selbst erfüllende Prophezeiung. Das Diagramm oben zeigt die NY Composite mit dem 200-Tage einfachen gleitenden Durchschnitt von Mitte 2004 bis Ende 2008 Die 200-Tage-Unterstützung unterstützt mehrmals während des Fortschritts Sobald der Trend umgekehrt mit einem Double-Top-Support-Pause, der 200-Tage-Gleitender Durchschnitt als Widerstand um 9500 gedacht. Do erwarten Sie nicht genaue Unterstützung und Widerstand Ebenen von gleitenden Durchschnitten, vor allem längere gleitende Durchschnitte Märkte werden durch Emotionen getrieben, die sie anfällig für Überschwinger Anstatt der genauen Ebenen, Bewegliche Mittelwerte können verwendet werden, um Stütz - oder Widerstandszonen zu identifizieren. Die Vorteile der Verwendung von gleitenden Durchschnitten müssen gegen die Nachteile gewogen werden. Durchgehende Durchschnitte sind Trendfolgen oder nacheilende Indikatoren, die immer ein Schritt dahinter werden. Das ist aber nicht unbedingt eine schlechte Sache Immerhin ist der Trend Ihr Freund und es ist am besten, in Richtung des Trends zu handeln Moving averages versichern, dass ein Trader im Einklang mit dem aktuellen Trend ist Obwohl der Trend Ihr Freund ist, verbringen die Wertpapiere viel Zeit im Handel Bereiche, die gleitende Durchschnitte ineffektiv machen Einmal in einem Trend, gleitende Durchschnitte halten Sie in, aber auch späte Signale Don t erwarten, an der Spitze zu verkaufen und kaufen am Boden mit gleitenden Durchschnitten Wie bei den meisten technischen Analyse-Tools, gleitende Durchschnitte sollten Nicht auf eigene Faust verwendet werden, sondern in Verbindung mit anderen komplementären Tools Chartisten können gleitende Durchschnitte verwenden, um den Gesamttrend zu definieren und dann RSI zu verwenden, um überkaufte oder überverkaufte Ebenen zu definieren. Hinzufügen Verschieben von Durchschnittswerten zu StockCharts Charts. Moving Mittelwerte sind als Preis-Overlay verfügbar Funktion auf der SharpCharts-Workbench Mit dem Dropdown-Menü Overlays können Benutzer entweder einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt wählen. Der erste Parameter wird verwendet, um die Anzahl der Zeitperioden festzulegen. Ein optionaler Parameter kann hinzugefügt werden, um festzulegen, welches Preisfeld Sollte in den Berechnungen verwendet werden - O für die Open, H für die High, L für die Low und C für die Close Ein Komma wird verwendet, um Parameter zu trennen. Ein weiterer optionaler Parameter kann hinzugefügt werden, um die gleitenden Mittelwerte nach links zu verschieben Oder richtige Zukunft Eine negative Zahl -10 würde den gleitenden Durchschnitt nach links verschieben 10 Perioden Eine positive Zahl 10 würde den gleitenden Durchschnitt auf die rechten 10 Perioden verschieben. Mehrere gleitende Mittelwerte können die Preispläne überlagert werden, indem sie einfach eine weitere Überlagerungslinie hinzufügen Workbench StockCharts-Mitglieder können die Farben und den Stil ändern, um zwischen mehreren gleitenden Durchschnitten zu unterscheiden. Nach dem Auswählen eines Indikators öffnen Sie die erweiterten Optionen, indem Sie auf das kleine grüne Dreieck klicken. Erweiterte Optionen können auch verwendet werden, um eine gleitende durchschnittliche Überlagerung zu anderen technischen Indikatoren wie RSI, CCI und Volume. Klicken Sie hier für ein Live-Diagramm mit mehreren verschiedenen gleitenden Durchschnitten. Using Moving Averages mit StockCharts Scans. Here sind einige Beispiel-Scans, die StockCharts Mitglieder können verwenden, um für verschiedene gleitende durchschnittliche Situationen zu scannen. Bullish Moving Average Cross Diese Scans sucht nach Aktien mit einem steigenden 150-Tage-einfachen gleitenden Durchschnitt und einem bullish Kreuz der 5-Tage-EMA und 35-Tage-EMA Die 150-Tage gleitenden Durchschnitt Steigt, solange es über seinem Niveau vor fünf Tagen gehandelt wird Ein bullisches Kreuz tritt auf, wenn die 5-tägige EMA über die 35-Tage-EMA auf überdurchschnittliche Lautstärke bewegt. Bearish Moving Average Cross Diese Scans sucht nach Aktien mit einem fallenden 150- Tag einfacher gleitender Durchschnitt und ein bärisches Kreuz der 5-tägigen EMA und 35-Tage-EMA Der 150-Tage-Gleitender Durchschnitt fällt so lange, wie es unter seinem Niveau fährt vor fünf Tagen Ein bärisches Kreuz tritt auf, wenn die 5-Tage-EMA bewegt Unterhalb der 35-Tage-EMA auf überdurchschnittlichem Volumen. Weitere Studie. John Murphy s Buch hat ein Kapitel gewidmet, um die Durchschnitte und ihre verschiedenen Anwendungen Murphy deckt die Vor-und Nachteile der bewegten Durchschnitte Darüber hinaus zeigt Murphy, wie gleitende Mittelwerte mit Bollinger Bands arbeiten Und Kanal-basierte Handelssysteme. Technische Analyse der Finanzmärkte John Murphy. Moving durchschnittliche und exponentielle Glättung Modelle. Als ein erster Schritt in Bewegung über mittlere Modelle, zufällige Wandermodelle und lineare Trend-Modelle, Nicht-Sektion Muster und Trends können mit einem extrapoliert werden Moving-Average - oder Glättungsmodell Die Grundannahme hinter Mittelwert - und Glättungsmodellen 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 zu schätzen und dann das als Prognose zu verwenden Für die nahe Zukunft Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell angesehen werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als geglättete Version bezeichnet Original-Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie Durch die Anpassung der Grad der Glättung der Breite des gleitenden Durchschnitt, können wir hoffen, eine Art von optimalen Gleichgewicht zwischen der Leistung der mittleren und zufälligen zu schlagen Walk-Modelle Die einfachste Art von Mittelungsmodell ist die. Einfache gleichgewichtete Moving Average. Die Prognose für den Wert von Y zum Zeitpunkt t 1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen. Hier und anderswo verwende ich das Symbol Y-Hut, um für eine Prognose der Zeitreihe Y zu stehen, die am frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde. Dieser Durchschnitt ist in der Periode & lgr; m 1 2 zentriert, was bedeutet, dass die Schätzung von Das lokale Mittel neigt dazu, hinter dem wahren Wert des lokalen Mittels um etwa m 1 2 Perioden zu liegen. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt m 1 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 die letzten 5 Werte mittelschätzen, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte sein. Beachten Sie, dass wenn m 1, Das einfache gleitende durchschnittliche SMA-Modell entspricht dem zufälligen Walk-Modell ohne Wachstum Wenn m sehr groß ist, vergleichbar mit der Länge der Schätzperiode ist das SMA-Modell gleichbedeutend mit dem mittleren Modell Wie bei jedem Parameter eines Prognosemodells ist es üblich Um den Wert von k anzupassen, um die bestmögliche Anpassung an die Daten zu erhalten, dh die kleinsten Prognosefehler im Durchschnitt. Hierbei handelt es sich um ein Beispiel für eine Serie, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst versuchen wir es zu versuchen Passt es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Term. Die zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von dem Rauschen in den Daten die zufälligen Schwankungen als Gut wie das Signal das lokale Mittel Wenn wir stattdessen versuchen, einen einfachen gleitenden Durchschnitt von 5 Begriffen, erhalten wir eine glattere aussehende Menge von Prognosen. Die 5-Term einfache gleitenden Durchschnitt liefert deutlich kleinere Fehler als die zufällige Walk-Modell in diesem Fall Der Durchschnitt Alter der Daten in dieser Prognose ist 3 5 1 2, so dass es dazu neigt, hinter Wendepunkte um etwa drei Perioden zurückzugehen. Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Zeit später. Notice, dass die Langzeitprognosen aus dem SMA-Modell eine horizontale Gerade sind, genauso wie im zufälligen Spaziergangmodell. Das SMA-Modell geht davon aus, dass es keinen Trend in den Daten gibt. Allerdings sind die Prognosen aus dem zufälligen Walk-Modell Die Prognosen des SMA-Modells sind gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Konfidenzgrenzen werden nicht größer, wenn der Prognosehorizont zunimmt Das ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende 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. Sie könnten eine Kalkulationstabelle einrichten, in der das SMA-Modell verwendet werden würde, um 2 Schritte voraus, 3 Schritte voraus, etc. innerhalb der historischen Datenprobe zu prognostizieren. Sie konnten dann die Beispiel-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Vertrauen aufbauen Intervalle für längerfristige Prognosen durch Hinzufügen und Subtrahieren von Vielfachen der entsprechenden Standardabweichung. Wenn wir einen 9-fach einfach gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt. Das Durchschnittsalter beträgt nun 5 Perioden 9 1 2 Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10.Notice, dass die Prognosen nun hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die vergleicht Ihre Fehlerstatistik, auch ein 3-Term-Durchschnitt. Model C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um eine kleine Marge über die 3-Term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch Also, unter Modellen mit sehr ähnlichen Fehlerstatistiken, können wir wählen, ob wir lieber ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen zurück zum Anfang der Seite. Brown s Einfache Exponential Glättung exponentiell gewichteten gleitenden Durchschnitt. Die einfache gleitende durchschnittliche Modell Oben beschrieben hat die unerwünschte Eigenschaft, dass es die letzten k Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen vollständig ignoriert. Intuitiv sollten die vergangenen Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein bisschen mehr Gewicht als das zweitbeste erhalten Jüngsten, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. letzte, und so weiter Die einfache exponentielle Glättung SES-Modell erreicht dies. Let bezeichnen eine Glättung Konstante eine Zahl zwischen 0 und 1 Eine Möglichkeit, das Modell zu schreiben ist zu Definieren eine Reihe L, die die aktuelle Ebene repräsentiert, dh der mittlere Mittelwert der Reihe, wie sie von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv von seinem eigenen vorherigen Wert wie dieser berechnet. Damit ist der aktuelle geglättete Wert ein Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, bei der die Nähe des interpolierten Wertes auf die aktuellste Beobachtung kontrolliert wird. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert. Gleichzeitig können wir die nächste Prognose direkt in der Vergangenheit ausdrücken Prognosen und vorherige Beobachtungen in einer der folgenden gleichwertigen Versionen In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung. In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung der vorherigen erhalten Fehler durch einen Bruchteil. Ist der Fehler zum Zeitpunkt t gemacht In der dritten Version ist die Prognose ein exponentiell gewichteter, dh ermäßigter gleitender Durchschnitt mit Rabattfaktor 1.Die Interpolationsversion der Prognoseformel ist die einfachste zu verwenden, wenn du die implementierst Modell auf einer Tabellenkalkulation passt es in eine einzelne Zelle und enthält Zelle Referenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle, wo der Wert von gespeichert wird. Hinweis, dass wenn 1, ist das SES-Modell gleichbedeutend mit einem zufälligen Spaziergang Modell ohne Wachstum Wenn 0, entspricht das SES-Modell dem Mittelmodell, vorausgesetzt, dass der erste geglättete Wert gleich dem mittleren Rücksprung auf der Oberseite gesetzt ist. Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose ist 1 relativ zu Die Periode, für die die Prognose berechnet wird, soll nicht offensichtlich sein, aber es lässt sich leicht durch die Auswertung einer unendlichen Reihe zeigen. Die einfache gleitende Durchschnittsprognose neigt dazu, hinter Wendepunkten um etwa 1 Perioden zurückzukehren. Zum Beispiel, wenn 0 5 Die Verzögerung beträgt 2 Perioden, wenn 0 2 die Verzögerung 5 Perioden beträgt, wenn 0 1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter, dh eine Verzögerung, ist die einfache exponentielle Glättung der SES-Prognose dem überlegenen gleitenden Durchschnitt etwas überlegen SMA-Prognose, weil es relativ viel Gewicht auf die jüngste Beobachtung - es ist etwas mehr reagiert auf Veränderungen in der jüngsten Vergangenheit Zum Beispiel ein SMA-Modell mit 9 Begriffe und ein SES-Modell mit 0 2 haben beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und gleichzeitig ist es nicht ganz vergessen, Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt Wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er durch den Einsatz eines Solver-Algorithmus leicht optimiert werden kann, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert im SES-Modell dafür Die Serie erweist sich als 0 2961, wie hier gezeigt. Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 0 2961 3 4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen aus der SES-Modell sind eine horizontale Gerade wie im SMA-Modell und das zufällige Spaziergangmodell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für die Zufälliges Spaziergang Modell Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells, so dass die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für die SES-Modell Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA 1-Term und keinem konstanten Term, der sonst als ARIMA-0,1,1-Modell ohne Konstante bekannt ist. Der MA 1 - Koeffizient im ARIMA-Modell entspricht dem Menge 1 im SES-Modell Wenn Sie beispielsweise ein ARIMA-0,1,1-Modell ohne Konstante an die hier analysierte Baureihe anpassen, erweist sich der geschätzte MA 1 - Koeffizient auf 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. Dazu geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA 1-Term mit einer Konstante, dh einem ARIMA 0,1,1-Modell an Mit konstanten Die langfristigen Prognosen haben dann einen Trend, der gleich der durchschnittlichen Tendenz ist, die über die gesamte Schätzperiode beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt 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 Prognoseverfahren verwenden. Die entsprechende Inflationsrate pro Wachstumsrate pro Periode kann als Steilheitskoeffizient in a bezeichnet werden Lineares Trendmodell, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder es kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren. Zurück zum Seitenanfang. Brown s Linear ie doppelte exponentielle Glättung. Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten, die in der Regel ok oder zumindest nicht zu schlecht sind, keine Tendenz gibt, wenn die Daten relativ laut sind, und sie können modifiziert werden, um einen konstanten linearen Trend zu integrieren Wie oben gezeigt 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 die Schätzung eines lokalen Trends Könnte auch ein Problem sein Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungs-LES-Modell zu erhalten, das lokale Schätzungen von Level und Trend berechnet. Das einfachste zeitvariable Trendmodell ist das lineare, exponentielle Glättungsmodell von Brown, das zwei verschiedene verwendet Geglättete Serien, die zu verschiedenen Zeitpunkten zentriert sind Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren Eine ausgefeiltere Version dieses Modells, Holt s, wird unten diskutiert. Die algebraische Form von Brown s lineares exponentielles Glättungsmodell , Wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die Standardform dieses Modells wird gewöhnlich wie folgt ausgedrückt. Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung der Reihe Y erhalten wird Ist der Wert von S in der Periode t gegeben durch. Erinnern Sie sich, dass unter einfacher exponentieller Glättung dies die Prognose für Y in der Periode t 1 sein würde. Dann sei S die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung unter Verwendung derselben zu der Reihe S erhalten wird. Zunächst ist die Prognose für Y tk für irgendwelche K & sub1 ;, ist gegeben durch. Dies ergibt e 1 0, dh ein wenig zu betrügen, und die erste Prognose gleich der tatsächlichen ersten Beobachtung und e 2 Y 2 Y 1, wonach Prognosen unter Verwendung der obigen Gleichung erzeugt werden, ergibt die gleichen angepassten Werte Als die auf S und S basierende Formel, wenn diese mit S 1 S 1 Y 1 gestartet wurden Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt s Linear Exponential Smoothing. Brown S LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der jüngsten Daten, aber die Tatsache, dass es tut dies mit einem einzigen Glättungsparameter stellt eine Einschränkung auf die Datenmuster, dass es in der Lage ist, die Ebene und Trend sind nicht erlaubt, variieren Bei unabhängigen Raten Holt s LES Modell adressiert dieses Problem durch die Einbeziehung von zwei Glättungskonstanten, eine für die Ebene und eine für den Trend Zu jeder Zeit t, wie in Browns Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Tendenz 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 das geschätzte Niveau und der Trend zur Zeit t - 1 sind L t 1 bzw. T t-1, so ist die Prognose für Y t, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1 Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung von Wird der Pegel rekursiv durch Interpolation zwischen Y t und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von und 1 berechnet. Die Änderung des geschätzten Pegels, nämlich L t L t 1, kann als eine laute Messung von interpretiert werden Der Trend zum Zeitpunkt t Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t L t 1 und der vorherigen Schätzung des Trends T t-1 unter Verwendung von Gewichten von und 1 berechnet. Die Interpretation der Trend-Glättungskonstante ist Analog zu dem der Pegel-Glättung Konstante Modelle mit kleinen Werten davon ausgehen, dass sich der Trend nur sehr langsam im Laufe der Zeit ändert, während Modelle mit größeren davon ausgehen, dass es sich schneller ändert Ein Modell mit einem großen glaubt, dass die ferne Zukunft sehr unsicher ist, Denn Fehler bei der Trendschätzung werden bei der Prognose von mehr als einer Periode bei der Vorhersage sehr wichtig. Zum Anfang der Seite. Die Glättungskonstanten und können auf die übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Prognose minimiert wird In Statgraphics, die Schätzungen erweisen sich als 0 3048 und 0 008 Der sehr kleine Wert der Mittel, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zum nächsten annimmt, so grundsätzlich versucht dieses Modell, 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, wenn auch nicht genau gleich Dieser Fall entpuppt sich 1 0 006 125 Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von isn t wirklich 3 Dezimalstellen, aber es ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100, so Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend Die Prognose-Plot unten zeigt, dass das LES-Modell schätzt einen etwas größeren lokalen Trend am Ende der Serie als die konstante Tendenz im SES Trend-Modell geschätzt Auch der geschätzte Wert Von ist fast identisch mit dem, der durch die Montage des SES-Modells mit oder ohne Trend erhalten wird, also ist das fast das gleiche Modell. Jetzt sehen diese wie vernünftige Prognosen für ein Modell aus, das angeblich einen lokalen Trend schätzen soll Handlung, es sieht so aus, als ob der lokale Trend am Ende der Serie nach unten gegangen ist Was passiert ist Die Parameter dieses Modells wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Prognosen, nicht längerfristigen Prognosen, in denen geschätzt Fall der Trend macht nicht viel 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 unserem Augapfel-Extrapolation der Daten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Wenn wir z. B. 0 1 setzen wollen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden 10 Perioden, was bedeutet, dass wir durchschnittlich den Trend über die letzten 20 Perioden oder so Hier ist, was die Prognose Handlung aussieht, wenn wir 0 1 setzen, während behalten 0 3 Dies sieht intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich zu extrapolieren ist Dieser Trend mehr als 10 Perioden in der Zukunft. Was über die Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle Der optimale Wert des SES-Modells beträgt ca. 0 3, aber ähnliche Ergebnisse mit etwas Mehr oder weniger Ansprechverhalten werden mit 0 5 und 0 2 erhalten. Eine Holt s lineare Exp-Glättung mit alpha 0 3048 und beta 0 008. B Holt s lineare 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.Die Statistik ist nahezu identisch, so dass wir die Wahl nicht auf der Basis von 1-Schritt-Prognosefehlern innerhalb der Daten treffen können Beispiel 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 0 3 und 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. Zurück zum Seitenanfang. Welche Art der Trend-Extrapolation ist am besten horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits angepasst wurden, wenn nötig für die Inflation, dann kann es unvorstellbar sein, kurzfristige lineare Trends sehr weit in die Zukunft zu extrapolieren Trends offensichtlich heute können In der Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, zunehmender Konkurrenz und zyklischer Abschwünge oder Aufschwüngen in einer Branche zu senken. Aus diesem Grund führt die einfache exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz des naiven horizontalen Trends Extrapolation Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das gedämpfte LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA 1, implementiert werden , 1,2-Modell. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu ermitteln, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Sonderfälle von ARIMA-Modellen betrachtet. Vorsicht nicht alle Software berechnet Konfidenzintervalle für diese Modelle richtig Die Breite der Konfidenzintervalle Hängt von dem RMS-Fehler des Modells ab, ii die Art der Glättung einfach oder linear iii der Wert s der Glättungskonstante s und iv die Anzahl der vorausschauenden Perioden, die Sie prognostizieren Im Allgemeinen breiten sich die Intervalle schneller aus, SES-Modell und sie breiten sich viel schneller aus, wenn lineare und nicht einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modell-Abschnitt der Notizen weiter unten diskutiert. Zurück zum Seitenanfang.
No comments:
Post a Comment