ชี้แจง ถัว เฉลี่ยเคลื่อนที่ ใน R

เฉลี่ยเคลื่อนที่ที่อธิบาย - EMA หมดสภาพ Exponential Moving Average - ของ EMA 12 และ 26 วัน EMAs เป็นที่นิยมที่สุดค่าเฉลี่ยระยะสั้นและพวกเขาจะใช้ในการสร้างตัวชี้วัดเช่นการเคลื่อนย้ายบรรจบเฉลี่ยความแตกต่าง (MACD) และ oscillator ราคาร้อยละ (PPO) โดยทั่วไปแล้ว EMA 50 และ 200 วันใช้เป็นสัญญาณของแนวโน้มในระยะยาว ผู้ค้าที่ใช้การวิเคราะห์ทางเทคนิคพบค่าเฉลี่ยเคลื่อนที่ที่มีประโยชน์และลึกซึ้งเมื่อใช้อย่างถูกต้อง แต่สร้างความหายนะเมื่อใช้ไม่ถูกต้องหรือถูกตีความผิด ค่าเฉลี่ยเคลื่อนที่ทั้งหมดที่ใช้กันโดยทั่วไปในการวิเคราะห์ทางเทคนิคเป็นไปตามลักษณะของตัวชี้วัดที่ล่าช้า ดังนั้นข้อสรุปที่ได้จากการนำค่าเฉลี่ยเคลื่อนที่ไปเป็นกราฟตลาดหนึ่ง ๆ ควรเป็นการยืนยันการเคลื่อนไหวของตลาดหรือเพื่อบ่งชี้ถึงความแข็งแกร่ง บ่อยครั้งเมื่อถึงเวลาที่เส้นค่าเฉลี่ยเคลื่อนไหวได้เปลี่ยนไปเพื่อสะท้อนการเคลื่อนไหวที่สำคัญในตลาดจุดที่เหมาะสมที่สุดของการเข้าสู่ตลาดได้ผ่านไปแล้ว EMA ช่วยลดปัญหานี้ได้บ้าง เนื่องจากการคำนวณ EMA ให้น้ำหนักมากขึ้นกับข้อมูลล่าสุดจึงทำให้การดำเนินการด้านราคาแย่ลงและตอบสนองได้เร็วขึ้น นี่เป็นที่พึงปรารถนาเมื่อใช้ EMA เพื่อรับสัญญาณการซื้อขาย การตีความ EMA เช่นเดียวกับตัวบ่งชี้ค่าเฉลี่ยเคลื่อนที่ทั้งหมดพวกเขาจะเหมาะกับตลาดที่มีแนวโน้มมากขึ้น เมื่อตลาดอยู่ในขาขึ้นที่แข็งแกร่งและยั่งยืน เส้นแสดงตัวบ่งชี้ EMA จะแสดงแนวโน้มขาขึ้นและทางกลับกันสำหรับแนวโน้มขาลง ผู้ค้าระมัดระวังจะไม่เพียง แต่ใส่ใจกับทิศทางของเส้น EMA แต่ยังสัมพันธ์ของอัตราการเปลี่ยนแปลงจากแถบหนึ่งไปอีก ตัวอย่างเช่นในขณะที่การดำเนินการตามราคาของขาขึ้นที่แข็งแกร่งจะเริ่มแผ่ออกและพลิกกลับอัตราการเปลี่ยนแปลงของ EMA จากแถบหนึ่งไปยังอีกส่วนหนึ่งจะเริ่มลดลงไปจนกว่าจะถึงเวลาดังกล่าวที่บรรทัดตัวบ่งชี้จะราบเรียบและอัตราการเปลี่ยนแปลงเป็นศูนย์ เนื่องจากผลกระทบที่ปกคลุมด้วยวัตถุฉนวนถึงจุดนี้หรือแม้กระทั่งไม่กี่บาร์ก่อนการดำเนินการด้านราคาน่าจะได้กลับรายการไปแล้ว ดังนั้นจึงเป็นไปได้ว่าการสังเกตการลดอัตราการเปลี่ยนแปลงของ EMA ที่สอดคล้องกันอาจถูกใช้เป็นตัวบ่งชี้ที่จะช่วยป้องกันภาวะที่กลืนไม่เข้าคายไม่ออกอันเกิดจากผลกระทบที่เกิดจากการเคลื่อนที่โดยเฉลี่ย การใช้ EMA ทั่วไปของ EMA มักใช้ร่วมกับตัวบ่งชี้อื่น ๆ เพื่อยืนยันการย้ายตลาดที่สำคัญและเพื่อวัดความถูกต้อง สำหรับผู้ค้าที่ค้าขายระหว่างวันและตลาดที่เคลื่อนไหวอย่างรวดเร็ว EMA จะสามารถใช้งานได้มากขึ้น ผู้ค้ามักใช้ EMA เพื่อหาอคติในการซื้อขาย ตัวอย่างเช่นหาก EMA ในแผนภูมิรายวันแสดงให้เห็นถึงแนวโน้มที่สูงขึ้นกลยุทธ์การค้าระหว่างวันอาจเป็นการค้าเฉพาะจากด้านยาวบนแผนภูมิระหว่างวัน R - วิธีพยากรณ์พยากรณ์อากาศ ARITA (AutoRegresive Integrated Moving Average) ETS ( แบบจําลองพื้นที่ของรัฐที่ราบเรียบแบบลําโพง) เราจะพูดถึงวิธีการใชวิธีการดังกลาวและวิธีการใชงาน ภาพรวมพร็อพเพอร์ตี้พยากรณ์แก้ไขคำอธิบายการแก้ไข Smonting คำอธิบายชื่อ AKA: ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) เทียบเท่ากับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่ระยะเวลาที่ใช้สำหรับข้อมูลที่ราบรื่นสำหรับการนำเสนอทำให้การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ง่าย: การสังเกตในอดีตมีการถ่วงน้ำหนักเท่ากัน smoothing: กำหนดค่าน้ำหนักที่ลดลงเรื่อย ๆ เมื่อเวลาผ่านไปสูตร xt - ข้อมูลดิบลำดับ st - เอาต์พุตของอัลกอริธึมการแจกแจงแบบเอกซ์โพเนนเชียล (ประมาณค่าถัดไปของ x) - ปัจจัยการปรับให้เรียบ 0160lt160160lt1601 การเลือกใช้วิธีทางสถิติอย่างถูกต้องอาจไม่ใช้วิธีทางสถิติเพื่อเพิ่มมูลค่าให้มากที่สุด (เช่น OLS) ยิ่งใหญ่เท่าไหร่ก็ยิ่งใกล้จะได้รับการคาดการณ์แบบไร้เดียงสา (พอร์ตเดียวกับชุดเดิมที่มีระยะเวลาล้าหลัง) Double Exponential Smoothing แก้ไขง่าย (มีความลำเอียงอยู่เสมอ) การเรียบเป็นคู่เป็นกลุ่มของวิธีการที่เกี่ยวข้องกับปัญหา Holt-Winters แก้ไขการแกว่งเป็นสองเท่าและสำหรับ t gt 1 โดยที่เป็นปัจจัยการทำให้เรียบของข้อมูล 0160lt160160lt1601 และเป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 Output F tm - การประมาณค่าของ x ในเวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การปรับการชดเชยความคมชัดแบบ Triple Exponential เรียบเรียงโดยคำนึงถึงการเปลี่ยนแปลงตามฤดูกาลรวมทั้งแนวโน้มที่แนะนำโดย Holts student, Peter Winters, in 1960 Input xt - ข้อมูลดิบลำดับของการสังเกต t 1601600 L ยาววงจรของการเปลี่ยนแปลงตามฤดูกาลวิธีการคำนวณ: เส้นแนวโน้มสำหรับข้อมูลตามฤดูกาลดัชนีที่น้ำหนักค่าในเส้นแนวโน้มตามที่จุดเวลานั้นตกอยู่ในวงจรของความยาว L s t หมายถึงค่าที่ราบรื่นของส่วนที่คงที่สำหรับเวลา t bt หมายถึงลำดับของการประมาณค่าที่ดีที่สุดของแนวโน้มเชิงเส้นที่ซ้อนทับกับการเปลี่ยนแปลงตามฤดูกาล ct คือลำดับของปัจจัยการแก้ไขตามฤดูกาล ct เป็นสัดส่วนที่คาดการณ์ไว้ของแนวโน้มที่คาดการณ์ได้ตลอดเวลา t mod L ในรอบที่การสังเกตดำเนินการเมื่อถึง เริ่มต้นดัชนีตามฤดูกาล c tL ต้องมีอย่างน้อยหนึ่งรอบที่สมบูรณ์ในข้อมูลผลลัพธ์ของอัลกอริทึมจะถูกเขียนขึ้นใหม่เป็น F tm การประมาณค่าของ x ที่เวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การคำนวณความเร่งด่วนแบบ Triple Exponential จะได้จากสูตรที่เป็นตัวคูณข้อมูล 0160lt160160lt1601 เป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 และเป็นปัจจัยการปรับฤดูกาลตามฤดูกาล 0160lt160160lt1601 สูตรทั่วไปสำหรับการประมาณการแนวโน้มเริ่มต้น b 0 คือ: การกำหนดค่าเริ่มต้นสำหรับดัชนีตามฤดูกาล c i สำหรับ i 1,2 L เกี่ยวข้องมากขึ้น ถ้า N คือจำนวนรอบที่สมบูรณ์ในข้อมูลของคุณ: โปรดทราบว่า A j เป็นค่าเฉลี่ยของ x ในรอบ j ของข้อมูลของคุณ ETS แก้ไขพารามิเตอร์การเอาชนะแก้ไขค่าเฉลี่ยเคลื่อนที่ที่ระบุ (Exponential Moving Average) - EMA BREAKING DOWN ค่าเฉลี่ยการเคลื่อนที่แบบ Exponential - EMA ระยะเวลา EMA 12 และ 26 วันเป็นค่าเฉลี่ยระยะสั้นที่ได้รับความนิยมสูงสุดและใช้ในการสร้างตัวบ่งชี้เช่น MACD (Moving Average Concentration Divergence - MACD) และออสซิเลเตอร์ราคาร้อยละ (PPO) โดยทั่วไปแล้ว EMA 50 และ 200 วันใช้เป็นสัญญาณของแนวโน้มในระยะยาว ผู้ค้าที่ใช้การวิเคราะห์ทางเทคนิคพบค่าเฉลี่ยเคลื่อนที่ที่มีประโยชน์และลึกซึ้งเมื่อใช้อย่างถูกต้อง แต่สร้างความหายนะเมื่อใช้ไม่ถูกต้องหรือถูกตีความผิด ค่าเฉลี่ยเคลื่อนที่ทั้งหมดที่ใช้กันโดยทั่วไปในการวิเคราะห์ทางเทคนิคเป็นไปตามลักษณะของตัวชี้วัดที่ล่าช้า ดังนั้นข้อสรุปที่ได้จากการนำค่าเฉลี่ยเคลื่อนที่ไปเป็นกราฟตลาดหนึ่ง ๆ ควรเป็นการยืนยันการเคลื่อนไหวของตลาดหรือเพื่อบ่งชี้ถึงความแข็งแกร่ง บ่อยครั้งเมื่อถึงเวลาที่เส้นค่าเฉลี่ยเคลื่อนไหวได้เปลี่ยนไปเพื่อสะท้อนการเคลื่อนไหวที่สำคัญในตลาดจุดที่เหมาะสมที่สุดของการเข้าสู่ตลาดได้ผ่านไปแล้ว EMA ช่วยลดปัญหานี้ได้บ้าง เนื่องจากการคำนวณ EMA ให้น้ำหนักมากขึ้นกับข้อมูลล่าสุดจึงทำให้การดำเนินการด้านราคาแย่ลงและตอบสนองได้เร็วขึ้น นี่เป็นที่พึงปรารถนาเมื่อใช้ EMA เพื่อรับสัญญาณการซื้อขาย การตีความ EMA เช่นเดียวกับตัวบ่งชี้ค่าเฉลี่ยเคลื่อนที่ทั้งหมดพวกเขาจะเหมาะกับตลาดที่มีแนวโน้มมากขึ้น เมื่อตลาดอยู่ในขาขึ้นที่แข็งแกร่งและยั่งยืน เส้นแสดงตัวบ่งชี้ EMA จะแสดงแนวโน้มขาขึ้นและทางกลับกันสำหรับแนวโน้มขาลง ผู้ค้าระมัดระวังจะไม่เพียง แต่ใส่ใจกับทิศทางของเส้น EMA แต่ยังสัมพันธ์ของอัตราการเปลี่ยนแปลงจากแถบหนึ่งไปอีก ตัวอย่างเช่นในขณะที่การดำเนินการตามราคาของขาขึ้นที่แข็งแกร่งจะเริ่มแผ่ออกและพลิกกลับอัตราการเปลี่ยนแปลงของ EMA จากแถบหนึ่งไปยังอีกส่วนหนึ่งจะเริ่มลดลงไปจนกว่าจะถึงเวลาดังกล่าวที่บรรทัดตัวบ่งชี้จะราบเรียบและอัตราการเปลี่ยนแปลงเป็นศูนย์ เนื่องจากผลกระทบที่ปกคลุมด้วยวัตถุฉนวนถึงจุดนี้หรือแม้กระทั่งไม่กี่บาร์ก่อนการดำเนินการด้านราคาน่าจะได้กลับรายการไปแล้ว ดังนั้นจึงเป็นไปได้ว่าการสังเกตการลดอัตราการเปลี่ยนแปลงของ EMA ที่สอดคล้องกันอาจถูกใช้เป็นตัวบ่งชี้ที่จะช่วยป้องกันภาวะที่กลืนไม่เข้าคายไม่ออกอันเกิดจากผลกระทบที่เกิดจากการเคลื่อนที่โดยเฉลี่ย การใช้ EMA ทั่วไปของ EMA มักใช้ร่วมกับตัวบ่งชี้อื่น ๆ เพื่อยืนยันการย้ายตลาดที่สำคัญและเพื่อวัดความถูกต้อง สำหรับผู้ค้าที่ค้าขายระหว่างวันและตลาดที่เคลื่อนไหวอย่างรวดเร็ว EMA จะสามารถใช้งานได้มากขึ้น ผู้ค้ามักใช้ EMA เพื่อหาอคติในการซื้อขาย ตัวอย่างเช่นหาก EMA ในแผนภูมิรายวันแสดงให้เห็นถึงแนวโน้มที่สูงขึ้นกลยุทธ์การค้าระหว่างวันอาจเป็นการค้าเฉพาะจากด้านยาวบนแผนภูมิระหว่างวัน R - วิธีพยากรณ์พยากรณ์อากาศ ARITA (AutoRegresive Integrated Moving Average) ETS ( แบบจําลองพื้นที่ของรัฐที่ราบเรียบแบบลําโพง) เราจะพูดถึงวิธีการใชวิธีการดังกลาวและวิธีการใชงาน ภาพรวมพร็อพเพอร์ตี้พยากรณ์แก้ไขคำอธิบายการแก้ไข Smonting คำอธิบายชื่อ AKA: ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) เทียบเท่ากับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่ระยะเวลาที่ใช้สำหรับข้อมูลที่ราบรื่นสำหรับการนำเสนอทำให้การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ง่าย: การสังเกตในอดีตมีการถ่วงน้ำหนักเท่ากัน smoothing: กำหนดค่าน้ำหนักที่ลดลงเรื่อย ๆ เมื่อเวลาผ่านไปสูตร xt - ข้อมูลดิบลำดับ st - เอาต์พุตของอัลกอริธึมการแจกแจงแบบเอกซ์โพเนนเชียล (ประมาณค่าถัดไปของ x) - ปัจจัยการปรับให้เรียบ 0160lt160160lt1601 การเลือกใช้วิธีทางสถิติอย่างถูกต้องอาจไม่ใช้วิธีทางสถิติเพื่อเพิ่มมูลค่าให้มากที่สุด (เช่น OLS) ยิ่งใหญ่เท่าไหร่ก็ยิ่งใกล้จะได้รับการคาดการณ์แบบไร้เดียงสา (พอร์ตเดียวกับชุดเดิมที่มีระยะเวลาล้าหลัง) Double Exponential Smoothing แก้ไขง่าย (มีความลำเอียงอยู่เสมอ) การเรียบเป็นคู่เป็นกลุ่มของวิธีการที่เกี่ยวข้องกับปัญหา Holt-Winters แก้ไขการแกว่งเป็นสองเท่าและสำหรับ t gt 1 โดยที่เป็นปัจจัยการทำให้เรียบของข้อมูล 0160lt160160lt1601 และเป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 Output F tm - การประมาณค่าของ x ในเวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การปรับการชดเชยความคมชัดแบบ Triple Exponential เรียบเรียงโดยคำนึงถึงการเปลี่ยนแปลงตามฤดูกาลรวมทั้งแนวโน้มที่แนะนำโดย Holts student, Peter Winters, in 1960 Input xt - ข้อมูลดิบลำดับของการสังเกต t 1601600 L ยาววงจรของการเปลี่ยนแปลงตามฤดูกาลวิธีการคำนวณ: เส้นแนวโน้มสำหรับข้อมูลตามฤดูกาลดัชนีที่น้ำหนักค่าในเส้นแนวโน้มตามที่จุดเวลานั้นตกอยู่ในวงจรของความยาว L s t หมายถึงค่าที่ราบรื่นของส่วนที่คงที่สำหรับเวลา t bt หมายถึงลำดับของการประมาณค่าที่ดีที่สุดของแนวโน้มเชิงเส้นที่ซ้อนทับกับการเปลี่ยนแปลงตามฤดูกาล ct คือลำดับของปัจจัยการแก้ไขตามฤดูกาล ct เป็นสัดส่วนที่คาดการณ์ไว้ของแนวโน้มที่คาดการณ์ได้ตลอดเวลา t mod L ในรอบที่การสังเกตดำเนินการเมื่อถึง เริ่มต้นดัชนีตามฤดูกาล c tL ต้องมีอย่างน้อยหนึ่งรอบที่สมบูรณ์ในข้อมูลผลลัพธ์ของอัลกอริทึมจะถูกเขียนขึ้นใหม่เป็น F tm การประมาณค่าของ x ที่เวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การคำนวณความเร่งด่วนแบบ Triple Exponential จะได้จากสูตรที่เป็นตัวคูณข้อมูล 0160lt160160lt1601 เป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 และเป็นปัจจัยการปรับฤดูกาลตามฤดูกาล 0160lt160160lt1601 สูตรทั่วไปสำหรับการประมาณการแนวโน้มเริ่มต้น b 0 คือ: การกำหนดค่าเริ่มต้นสำหรับดัชนีตามฤดูกาล c i สำหรับ i 1,2 L เกี่ยวข้องมากขึ้น ถ้า N คือจำนวนรอบที่สมบูรณ์ในข้อมูลของคุณ: โปรดทราบว่า A j เป็นค่าเฉลี่ยของ x ในรอบ j ของข้อมูลของคุณ แก้ไขพารามิเตอร์เอาชนะ ETS