이동 평균 가정

이동 평균은 움직이는 평균의 함정입니다. 이동 평균은 특정 기간 동안 보안의 평균 가격입니다. 분석가는 증권 거래가 위아래로 이동함에 따라 시장 동향을 쉽게 따르도록 분석 도구로 이동 평균을 자주 사용합니다. 이동 평균 동향을 수립하고 모멘텀을 측정 할 수 있으므로 투자자가 특정 보안을 매매해야 할시기를 나타내는 데 사용할 수 있습니다. 투자자는 이동 평균을 사용하여 지원 또는 저항 포인트를 식별함으로써 가격이 방향을 바꿀 때를 측정 할 수 있습니다. 거래 범위, 지원 및 저항 지점은 보안의 가격이 과거에 상향 또는 하향 추세로 반전 된 곳에서 확립됩니다. 이러한 포인트는 결정을 내리고, 사고 팔고 판매하는 데 사용됩니다. 불행히도 이동 평균은 추세를 확립하기위한 완벽한 도구는 아닙니다. 그들은 많은 미묘하지만 중요한 투자 위험을 제시합니다. 또한 이동 평균은 모든 유형의 회사 및 업종에 적용되는 것은 아닙니다. 일부 평균 이동의 주요 단점은 다음과 같습니다 .1 이동 평균은 과거 정보의 추세를 나타냅니다. 새로운 경쟁자, 업계의 제품 수요 증가 또는 감소와 같은 보안 성능에 영향을 미칠 수있는 변경 사항을 고려하지 않습니다. 이상적으로, 이동 평균은 시간이 지남에 따라 증권 가격의 일관된 변화를 보여줄 것입니다. 불행히도, 이동 평균은 모든 기업, 특히 변동이 심한 산업 또는 크게 의존하는 기업에 대해서는 작동하지 않습니다 현재의 사건에 의해 영향을 받는다 이는 석유 산업과 고도의 투기 산업 특히 일반적으로 그러하다 .3 이동 평균은 어느 기간 에나 퍼져 나갈 수있다. 그러나 이것은 일반적인 경향이 사용 된 시간에 따라 크게 변할 수 있기 때문에 문제가 될 수있다 더 짧은 시간 틀은 변동성이 적지 만 더 짧은 시간 틀은 변동성이 적지 만 시장의 새로운 변화를 고려하지 않음 투자자 추세가 분명하고 관련이 있는지 확인하기 위해 그들이 선택한 시간 프레임을 조심해야합니다 .4 계속되는 논쟁은 기간 중 가장 최근 날짜에 더 중점을 두어야하는지 여부입니다. 많은 사람들은 최근 데이터가 다른 사람들보다 더 많은 무게를주는 경향이있는 반면, 보안이 움직이는 방향, 다른 사람들보다 더 많은 체중을주는 경향이있는 경향, 부정확하게 추세에 편승 함 평균을 계산하는 데 다른 방법을 사용하는 투자자는 완전히 다른 경향을 나타낼 수 있음 단순 vs. 대수 이동 평균 5 자세히 알아보기 많은 투자자는 기술적 분석은 시장 행동을 예측하는 의미없는 방법입니다. 시장에는 기억이없고 과거는 미래의 지표가 아닙니다. 또한이를 뒷받침하는 실질적인 연구가 있습니다. 예를 들어, Roy Nersesian은 다음과 같은 다섯 가지 전략으로 연구를 실시했습니다. 이동 평균 각 전략의 성공률은 37에서 66까지 다양했다. 이 연구는 이동 평균은 ti 나. 그들은 주식 시장을 효과적으로 타이밍을 잡을 때 위험한 제안을 할 수있다 .6 증권은 주기적으로 행동 패턴을 보인다. 이는 매년 제품에 대한 꾸준한 수요가 있지만 강한 경험을하는 유틸리티 회사 계절적 변화 이동 평균은 이러한 추세를 완화하는 데 도움이 될 수 있지만 보안이 진동 패턴으로 유행하고 있다는 사실을 숨길 수도 있습니다. 자세한 내용은 추세를 주시하십시오. 7 추세의 목적은 미래의 보안이 될 것 보안이 어느 방향 으로든 추세가 아니라면, 그것은 구매 또는 공매 중 하나로부터 이익을 얻을 기회를 제공하지 않습니다. 투자자가 이익을 낼 수있는 유일한 방법은 정교한 옵션을 구현하는 것입니다 기반의 전략을 사용합니다. 최종선 이동 평균은 많은 사람들이 가치있는 분석 도구로 간주되어 왔지만 어떤 도구가 효과적이 되려면 우선 그 기능을 이해해야합니다 n, 언제 사용할지, 사용하지 않을 때 여기에 설명 된 위험은 이동 평균이 휘발성 증권과 같이 사용되는 경우와 같은 효과적인 도구가 아닐 때와 순환 패턴과 같은 특정 중요한 통계 정보를 간과 할 수있는 경우를 나타냅니다 . 또한 효과적인 이동 평균이 가격 동향을 정확하게 나타내는 데 얼마나 의문의 여지가있다. 단점을 감안할 때, 이동 평균은 다른 사람들과 함께 가장 잘 사용되는 도구 일 수있다. 결국, 개인 경험은 그들이 진정으로 얼마나 효과적인지에 대한 궁극적 인 지표가 될 것이다 포트폴리오 자세한 내용은 적응 이동 평균이 더 나은 결과로 연결되는지 확인하십시오. 미국 노동 통계국 (United States Bureau of Labor Statistics)에서 고용주의 데이터를 수집하는 설문 조사. 미국이 빌릴 수있는 돈의 최대 금액 부채 한도액은 제 2 자유 채권법에 따라 창설되었습니다. 예금 기관이 연방 준비 이사회에서 다른 예금으로 유지 한 자금을 대출하는 이자율 1 보안 또는 시장 지수에 대한 수익 분산의 통계적 척도 변동성은 측정 될 수 있습니다. 1933 년 미국 의회가 상업 은행이 투자에 참여하는 것을 금지하는 은행법 (Banking Act)을 통과 시켰습니다. 비농업 급여 농장, 개인 가구 및 비영리 부문 외부의 모든 업무를 나타냅니다. 미국 노동국. 평균 및 지수 평활 모델 변경. 평균 모델, 무작위 걸음 모델 및 선형 경향 모델, 비 계절 패턴 및 추세를 넘어서는 첫 번째 단계로서 이동 평균 또는 평활 모델을 사용하여 외삽 될 수 있습니다. 평균화 및 평활화 모델의 기본 가정은 시계열이 천천히 변하는 평균을 사용하여 국부적으로 고정된다는 것입니다. 따라서 평균의 현재 값을 추정하기 위해 이동하는 지역 평균을 취한 다음 가까운 장래에 대한 예측으로 이것을 사용하라 이것은 평균 모델과 드리프트없는 무작위 모델 간의 절충으로 간주 될 수있다. 전략은 지역 추세를 추정하고 외삽하는 데 사용될 수 있습니다. 단기 평균은 원래 시리즈의 범프를 부드럽게하는 효과가 있기 때문에 이동 평균은 원래 시리즈의 평활화 된 버전이라고도합니다. 이동 평균, 우리는 평균 및 무작위 도보 모델의 성능 사이의 최적의 균형을 이루기를 희망 할 수 있습니다. 평균화 모델의 가장 단순한 종류는 단순한 가중 이동 평균입니다. 시간 t에서의 Y 값에 대한 예측 1은 시간 t에서 만들어진 가장 최근의 m 관측치의 단순 평균과 같습니다. 여기 그리고 다른 곳에서 주어진 모델에 의해 가능한 가장 빠른 이전 날짜에 만들어진 시계열 Y의 예측을 나타 내기 위해 기호 Y-hat을 사용할 것입니다. 이 평균은 t-1 2에 집중되어 있습니다. 지역 평균은 국부 평균의 실제 값보다 약 m 2주기 늦어지는 경향이있다. 따라서 단순 이동 평균의 데이터의 평균 연령은 예측이 계산되는 기간에 비해 m 2이다 이것은 예측이 데이터의 전환점보다 뒤쳐지는 경향이있는 시간입니다. 예를 들어, 마지막 5 개의 값을 평균 할 경우 예측은 전환점에 응답하는 데 약 3 기간 늦을 것입니다. m 1, 단순 이동 평균 SMA 모델은 성장없는 무작위 도보 모델과 동일합니다. m이 추정 기간의 길이와 비교할 때 매우 큰 경우 SMA 모델은 평균 모델과 같습니다. 예측 모델의 매개 변수와 마찬가지로 일반적으로 기의 가치를 조정하는 n 순서에 따라 데이터에 가장 잘 맞는 것을 얻습니다. 예를 들어 평균적으로 가장 작은 예측 오류입니다. 천천히 변하는 평균 주위의 무작위 변동을 나타내는 시리즈의 예가 있습니다. 먼저 임의의 보행에 맞춰 봅니다. 모델로, 1 기간의 간단한 이동 평균과 같습니다. 랜덤 워크 모델은 시리즈의 변경 사항에 매우 신속하게 응답하지만, 이렇게하면 데이터의 노이즈가 많은 부분을 비롯하여 임의의 변동 및 신호가 로컬에서 발생합니다 평균 대신 5 용어의 간단한 이동 평균을 시도하면 우리는 더 매끄러운 모양의 예측 집합을 얻습니다. 5 항의 간단한 이동 평균은이 경우 무작위 도보 모델보다 훨씬 적은 오류를 산출합니다. 이 경우의 평균 평균 연령 예측은 3 5 1 2이므로 전환 시점보다 3 기간 지연되는 경향이 있습니다. 예를 들어, 기간 21에 침체가 발생한 것으로 보이지만 몇 기간 후에 예측이 돌아 가지 않습니다. SMA 모드에서의 장기 예측 el은 임의의 보행 모델에서와 같이 수평의 직선이다. 따라서 SMA 모델은 데이터에 추세가 없다고 가정한다. 그러나 무작위 걸음 모델의 예측은 단순히 마지막으로 관측 된 값과 동일하지만, SMA 모델은 최근 값의 가중 평균과 같습니다. Statgraphics가 계산 한 신뢰 한계는 단순 이동 평균의 장기 예측에 대해 예측 지평선이 증가함에 따라 더 넓지 않습니다. 분명히 정확하지 않습니다. 불행히도, 신뢰 구간을 어떻게 확장해야하는지 알려주는 통계 이론 그러나 장거리 예측에 대한 신뢰 한계의 경험적 추정치를 계산하는 것은 그리 어렵지 않습니다. 예를 들어, SMA 모델이 적용된 스프레드 시트를 설정할 수 있습니다 이력 데이터 샘플 내에서 앞으로 2 단계, 3 단계 앞당기 등을 예측하는 데 사용됩니다. 그런 다음 각 예측에서 오류의 샘플 표준 편차를 계산할 수 있습니다. h orzone을 선택하고 적절한 표준 편차의 배수를 더하거나 뺍으로써 장기 예측에 대한 신뢰 구간을 구축하십시오. 우리가 9 항의 간단한 이동 평균을 시도하면보다 부드러운 예측과 지연 효과를 얻을 수 있습니다. 평균 연령은 현재 5 개 기간 9 1 2 19 개 이동 평균을 취하면 평균 연령은 10 세로 증가합니다. 실제로 예측은 현재 약 10 기간으로 전환점보다 뒤떨어져 있습니다. 이 시리즈의 경우 스무딩 양이 가장 좋습니다. 다음은 3 학기 평균을 포함하여 오류 통계를 비교하는 표입니다. 5 학기 이동 평균 인 모델 C는 3 학기 및 9 학기 평균보다 약간 작은 RMSE 값을 산출하고 그들의 다른 통계는 거의 동일합니다. 따라서 매우 유사한 오류 통계를 가진 모델 중에서 예측에서 조금 더 응답 성을 높이거나 좀 더 부드러움을 선호할지 여부를 선택할 수 있습니다. 페이지 위쪽으로 돌아갑니다. 단순 지수 기수 평준화 지수 가중치 위에서 설명한 간단한 이동 평균 모델은 마지막 k 관측 값을 똑같이 처리하고 모든 이전 관측 값을 완전히 무시한다는 바람직하지 않은 특성을 가지고 있습니다. 직관적으로 과거 데이터는보다 점진적인 방식으로 할인되어야합니다. 예를 들어 가장 최근의 관측치는 가장 최근의 것보다 조금 더 많은 가중치를 얻으십시오. 가장 최근의 두 번째 것은 가장 최근의 세 번째 것보다 약간 더 많은 가중치를가집니다. 간단한 지수 스무딩 SES 모델은 this를 수행합니다. 0과 1 사이의 수를 나타내는 평활 상수를 나타냅니다. 모델을 작성하는 한 가지 방법은 현재 레벨, 즉 데이터에서 현재까지 추정 된 일련의 로컬 평균 값을 나타내는 계열 L을 정의하는 것입니다. 시간 t에서 L의 값은 이와 같이 이전의 자체 값에서 재귀 적으로 계산됩니다. 따라서, 현재의 평활화 된 값은 이전의 평활화 된 값과 현재의 관찰 사이의 보간법이며, 여기서 가장 보간 된 값에 대한 보간 된 값의 근접성을 제어한다 센티미터 관측 다음 기간에 대한 예측은 단순히 현재의 평활화 된 값입니다. 또한, 다음과 같은 버전의 이전 예측 및 이전 관측과 관련하여 다음 예측을 직접 표현할 수 있습니다. 첫 번째 버전에서 예측은 보간 두 번째 버전에서는 이전 오류의 방향으로 이전 예측을 분수로 조정하여 다음 예측을 얻습니다. 시간 t에서 발생한 오류는 세 번째 버전에서 예측은 지수 가중치, 즉 할인율 1로 할인 된 이동 평균 예측 공식의 보간 버전은 스프레드 시트에서 모델을 구현하는 경우 가장 단순합니다. 이 모델은 단일 셀에 적합하고 이전 예측을 가리키는 셀 참조를 포함합니다. 관측치, 값이 저장되는 셀 등이 있습니다. 1이면 SES 모델이 무작위 도보 모델과 같습니다. hout growth 0 인 경우 SES 모델은 첫 번째 평활 값이 평균 페이지 상단으로 돌아 가기로 설정되었다고 가정하고 평균 모델과 같습니다. 단순 지수 평활화 예측의 데이터 평균 나이는 1입니다. 예측이 계산되는 기간이 기간은 분명하지는 않으나 무한 시리즈를 평가하여 쉽게 표시 할 수 있습니다. 따라서 단순 이동 평균 예측은 전환 시점보다 약 1 기간 지연되는 경향이 있습니다. 예를 들어, 0 5 지연은 0 2 지연이 10주기 인 0 일 때 5주기 인 등 2주기입니다. 주어진 평균 연령 즉 지연의 양에 대해 간단한 지수 스무딩 SES 예측은 단순 이동보다 다소 우수합니다 평균 SMA 예측은 가장 최근의 관찰에 상대적으로 더 많은 가중치를 부여하기 때문입니다. 최근 과거에 발생한 변경 사항에 약간 더 반응합니다. 예를 들어, 9 개 용어가있는 SMA 모델과 0 2가있는 SES 모델 모두 평균 연령 5에 대한 다 그러나 SES 모델은 SMA 모델보다 세 번째 값에 더 많은 가중치를 주지만 동시에이 차트에 표시된 바와 같이 9 시간보다 오래된 값을 완전히 잊지는 않습니다. SMA 모델의 SES 모델은 SES 모델이 지속적으로 가변적 인 스무딩 매개 변수를 사용하므로 평균 제곱 오류를 최소화하는 솔버 알고리즘을 사용하여 쉽게 최적화 할 수 있습니다. 이 시리즈의 SES 모델에서 최적 값은 이 예측에서 데이터의 평균 연령은 6 개월 간단한 이동 평균과 비슷한 1 0 2961 3 4 마침표입니다. SES 모델의 장기 예측은 다음과 같습니다. SMA 모델과 성장없는 무작위 걸음 모델과 같은 수평 직선 그러나 Statgraphics에 의해 계산 된 신뢰 구간은 합리적으로 보이는 방식으로 이제는 발산하고 rand에 대한 신뢰 구간보다 실질적으로 좁은 것을 유의하십시오 옴 워크 모델 SES 모델은 무작위 걸음 모델보다 일련이 더 예측 가능하다고 가정합니다. SES 모델은 실제로 ARIMA 모델의 특수 사례이므로 ARIMA 모델의 통계 이론은 SES 모델 특히, SES 모델은 하나의 비 계절적 차이, MA 1 용어 및 상수 용어가없는 ARIMA 모델입니다. 상수가없는 ARIMA 0,1,1 모델 ARIMA 모델의 MA 1 계수는 수량 1 - SES 모델 예를 들어, 여기서 분석 한 시리즈에 상수가없는 ARIMA 0,1,1 모델을 맞춘 경우 MA 1 계수 추정치는 0 7029로 거의 정확히 1에서 0 2961입니다. 0이 아닌 상수 선형 추세의 가정을 SES 모델에 추가 할 수 있습니다. 이렇게하려면 비 계절 차이가 하나 있고 상수가 MA 1 인 ARIMA 모델, 즉 ARIMA 0,1,1 모델을 지정하면됩니다 일정한 장기 전망 전체 견적 기간 동안 관측 된 평균 추세와 같은 추세를 가짐 모델 유형이 ARIMA로 설정된 경우 계절 조정 옵션이 사용 불가능하기 때문에 계절 조정과 함께 할 수는 없습니다. 그러나 일정 길이를 추가 할 수 있습니다 예측 과정에서 인플레이션 조정 옵션을 사용하여 계절 조정이 있거나없는 간단한 지수 평활화 모델에 대한 지수 기하학 기간 당 적절한 인플레이션 비율 증가율은 다음과 같은 데이터에 맞는 선형 추세 모델의 기울기 계수로 추정 할 수 있습니다. 자연 로그 변환과 함께 사용하거나 장기 성장 전망에 관한 다른 독립적 인 정보를 기반으로 할 수 있습니다. 맨 위로 돌아 가기. Brown s Linear 즉 double Exponential Smoothing. SMA 모델과 SES 모델은 다음과 같은 추세가 없다고 가정합니다. 데이터가 상대적으로 노우즈 일 때 1 단계 전방 예측에 대해 일반적으로 정상이거나 적어도 좋지는 않은 데이터의 모든 종류 sy와 같으며 위에서 보인 바와 같이 일정한 선형 추세를 통합하도록 수정할 수 있습니다 단기간 추세는 무엇인가 시리즈가 다양한 성장 속도 또는 순환 패턴을 명확하게 나타내며 소음에 대해 분명하게 나타낼 경우 앞으로 1 기간 이상 예측할 경우 지역 경향을 추정하는 것도 중요한 문제가 될 수 있습니다. 간단한 지수 평활화 모델을 일반화하여 수준 및 추세에 대한 지역 추정치를 계산하는 선형 지수 평활화 LES 모델을 얻을 수 있습니다. 가장 간단한 시간 변화 추세 모델은 Brown s 선형 지수 평활화 모델로, 서로 다른 시점에 집중되는 두 개의 서로 다른 매끄러운 계열을 사용합니다. 예측 공식은 두 센터를 통한 선 외삽을 기반으로합니다. 이 모델의보다 정교한 버전 인 Holt s는 다음과 같습니다. 브라운의 선형 지수 평활화 모델의 대수적 형태는 단순한 지수 평활화 모델의 것과 유사하지만 여러 가지로 표현 될 수 있지만 e quivalent forms이 모델의 표준 형태는 보통 다음과 같이 표현된다. S는 간단한 지수 스무딩을 계열 Y에 적용하여 얻은 단일 평활 연속열을 나타냅니다. 즉, 기간 t에서의 S 값은로 주어집니다. 간단한 지수 적 평활화 하에서, 이것은 기간 t 1에서의 Y에 대한 예측이 될 것임을 상기하자. S는 시리즈 S와 동일한 지수 평활화를 적용함으로써 얻어진 이중 평활 연속열을 나타낸다. 최종적으로, 임의의 것에 대한 Y tk에 대한 예측 k1은 다음과 같이 주어진다. 이것은 e1 0 즉, 약간의 속임수를 낳고 첫 번째 예측을 실제 첫 번째 관찰과 같게 만들고 e2Y2Y1 후에 위의 등식을 사용하여 예측을 생성한다. S와 S를 기반으로 한 수식은 S 1 S 1 Y 1을 사용하여 시작됩니다. 이 모델의 버전은 지수 조정과 계절 조정의 조합을 보여주는 다음 페이지에서 사용됩니다. 선형의 선형 지수 스무딩. 브러시 LES 모델은 최근 데이터를 평활화하여 레벨 및 추세에 대한 지역 추정치를 계산하지만, 단일 스무딩 매개 변수를 사용하여이를 수행한다는 사실은 레벨에 맞출 수있는 데이터 패턴에 대한 제한을 두며 추세가 달라지지 않습니다 ~에서 독립 속도 Holt s LES 모델은 두 개의 평활 상수를 하나의 레벨과 추세에 포함시켜이 문제를 해결합니다. Brown s 모델에서와 같이 언제든지 t는 지역 수준의 추정치 L t와 추정치 T가 있습니다 여기서 t는 시간 t에서 관측 된 Y의 값과 그것들에 대해 지수 평활을 적용하는 두 방정식에 의한 이전의 추정치와 추세로부터 재귀 적으로 계산된다. 시간 t-1에서의 추정 된 수준과 경향 가 각각 t 1 및 t t-1 인 경우, 시간 t-1에서 이루어진 Y t에 대한 예측은 L t-1 T t-1과 동일하다. 실제 값이 관찰 될 때, 레벨은 Y t와 그 예측 L t-1 T t-1 사이의 가중치와 1을 사용하여 보간법에 의해 재귀 적으로 계산된다. 추정 된 레벨의 변화, 즉 L t L t 1은 트렌드의 추세 업데이트 된 트렌드 추정치는 L 사이의 보간법에 의해 재귀 적으로 계산됩니다 t L t 1과 가중치 1의 이전 추정치 T t-1. 경향 평활화 상수의 해석은 수준 평활화 상수의 해석과 유사합니다. 작은 값을 갖는 모델은 추세가 변하는 것으로 가정합니다 시간이 지남에 따라 서서히 느리게 만 진행되는 반면, 큰 모델은 더 빠르게 변하는 것으로 가정합니다. 큰 모델은 미래의 예측이 매우 불확실하다고 믿습니다. 추세 예측의 오류는 앞으로 1 년 이상 예측할 때 매우 중요합니다. 평활화 상수는 1 단계 사전 예측의 평균 제곱 오차를 최소화함으로써 일반적인 방법으로 추정 할 수 있습니다. Statgraphics에서이를 수행하면 추정값은 0 3048 및 0 008으로 나타납니다. 모델이 한 기간에서 다음 기간으로의 추세에 거의 변화가 없다는 것을 의미하므로 기본적으로이 모델은 장기 추세를 추정하려고합니다. t를 추정하는 데 사용되는 데이터의 평균 연령 개념과 유사합니다 그 시리즈의 지역 수준, 지역 추세를 추정하는데 사용되는 데이터의 평균 연령은 정확히 1과 비례하지 만 1에 비례합니다. 이 경우 1 0 006 125 이것은 매우 정확한 숫자입니다 추정치의 정확도가 실제로 소수점 세 자리까지 오지는 않지만 표본 크기가 100 인 것과 동일한 일반적인 순서이기 때문에이 모델은 추세를 추정하는 데 상당히 많은 역사를 평균합니다 예측 기획 아래에서 LES 모델은 SES 추세 모델에서 추정 된 일정 추세보다 시리즈 마지막 부분에서 약간 더 큰 국소 추세를 추정한다는 것을 보여줍니다. 또한 추산 값은 SES 모델을 추세와 함께 또는 축없이 맞추어 얻은 값과 거의 같습니다 그래서 이것은 거의 동일한 모델입니다. 자, 지역 경향을 추정 할 모델에 대한 합리적인 예측처럼 보입니까? 이 음모에 눈을 맞추면, 지역 경향이 끝나면 아래쪽으로 향한 것처럼 보입니다. 시리즈 Wh at has has happen이 모델의 매개 변수는 장기 예측이 아닌 1 단계 앞선 예측의 제곱 오류를 최소화하여 추정되었습니다. 이 경우 추세는 많은 차이를 만듭니다. 보고있는 모든 것이 1 일 경우 10 단계 또는 20 단계의 추세에 대한 더 큰 그림을 볼 수 없습니다. 이 모델을 데이터의 눈알 외삽으로 더 조정하려면 추세 평활화 상수를 수동으로 조정하여 추세 예측에 더 짧은 기준선 사용 예를 들어, 0 1로 설정하면 지역 경향 추산에 사용 된 데이터의 평균 연령은 10 기간으로, 이는 지난 20 기간 동안의 경향을 평균화하는 것을 의미합니다 우리가 0을 1로 설정하면 예측 음모가 어떻게 생겼습니까 0 3이 추세는 직관적으로 합리적인 것처럼 보입니다. 미래에이 추세를 10 개 이상의 기간으로 추정하는 것은 위험 할 수 있습니다. 오류 통계는 다음과 같습니다. 모델 비교 f 또는 위의 두 모델과 세 가지 SES 모델 SES 모델의 최적 값은 약 0 3이지만, 약간 더 반응성이 다소 적은 유사 결과는 각각 0 5와 0 2로 얻어집니다. 홀트의 선형 적분 평활화 알파 0 3048 및 베타 0 008 B 홀트의 선형 exp 평활화 알파 0 3 및 베타 0 1. C 단순한 지수 평활화 α 0 5. D 단순 지수 해 평활화 α 0 3. E 단순한 지수 평활화 α 0 2 . 이들 통계는 거의 동일하므로 데이터 샘플 내의 1 단계 사전 예측 오류를 기준으로 선택할 수는 없습니다. 다른 고려 사항으로 돌아 가야합니다. 현재의 기준을 기반으로하는 것이 합리적이라고 믿으면 지난 20 개 기간 동안 일어난 일에 대한 추세 평가, 우리는 0 3과 0 1로 LES 모델에 대한 사례를 만들 수 있습니다. 지역 추세가 있는지 여부에 대해 불가지론하고 싶다면 SES 모델 중 하나가 설명하기 쉽고 더 많은 middl을 줄 것이다. 다음 5 또는 10 기간에 대한 e-of-the-road 예측 페이지 맨 위로 돌아갑니다. 추세 외삽의 유형이 가장 수평 또는 선형이 가장 좋습니다. 경험적 증거에 따르면, 인플레이션에 필요한 경우 데이터가 이미 조정 된 경우 향후 단기간의 선형 추세를 추정하는 것이 현명하지 않을 수 있습니다. 제품 노후화, 경쟁 심화 및주기적인 경기 침체 또는 산업의 호황과 같은 다양한 원인으로 인해 오늘날 명백한 추세가 미래에 완화 될 수 있습니다. 스무딩은 순진한 수평 추세 외삽에도 불구하고 기대했던 것보다 더 나은 샘플 밖 샘플을 수행하는 경우가 많음 선형 지수 평활화 모델의 감쇠 추세 수정은 실제로 경향 추세에 보수주의 메모를 삽입하는 데 종종 사용됩니다. 감쇠 추세 LES 모델은 ARIMA 모델의 특별한 경우, 특히 ARIMA 1,1,2 모델로 구현 될 수 있습니다. 신뢰 구간을 계산하는 것이 가능합니다 지수 평활화 모델이 ARIMA 모델의 특수한 경우로 간주하여 장기간 예측을 생성합니다. 모든 소프트웨어가이 모델에 대한 신뢰 구간을 올바르게 계산하지는 않는지 확인하십시오. 신뢰 구간의 폭은 i 모델의 RMS 오차, ii 유형 평활화의 단순화 또는 선형화 iii 평활화 상수의 값 s 및 iv 예측 전의 기간 수 일반적으로 SES 모델에서 더 커짐에 따라 간격이 더 빠르게 퍼지고 간격은 단순하지 않고 선형보다 훨씬 빠르게 퍼집니다 smoothing is used이 주제는 노트의 ARIMA 모델 섹션에서 더 자세히 논의됩니다. 페이지 맨 위로 돌아 가기. 기술 분석 이동 평균. 대부분의 차트 패턴은 가격 변동에 많은 변화를 나타냅니다. 이로 인해 거래자는 보안 전반적인 추세 거래자가 사용하는 간단한 방법 중 하나는 이동 평균을 적용하는 것입니다. 이동 평균은 설정된 금액을 초과하는 보안의 평균 가격입니다 f 시간 보안의 평균 가격을 계획함으로써 가격 움직임이 매끄럽게됩니다. 매일 변동이 제거되면 거래자는 진정한 추세를 식별하고 자신이 유리하게 작동 할 확률을 높일 수 있습니다 이동 평균 자습서를 읽으십시오. 이동 평균 유형 이동 평균은 계산 방법에 따라 다르지만 각 평균이 해석되는 방식은 동일하게 유지됩니다. 계산은 단지 가중치와 관련해서 만 다릅니다 가격 데이터에서 각 가격 포인트의 동일한 가중치에서 최근 데이터에 더 많은 가중치로 이동합니다. 가장 일반적인 세 ​​가지 유형의 이동 평균은 단순 선형 및 지수입니다. 간단한 이동 평균 SMA 이는 다음을 계산하는 데 사용되는 가장 일반적인 방법입니다. 이동 평균 가격 과거 기간의 모든 과거 가격의 합계를 계산에 사용 된 가격 수로 나누기 만하면됩니다. 예를 들어, 10 일 이동 평균에서 마지막 10 종가를 합산 한 다음 10으로 나눕니다. 그림 1에서 볼 수 있듯이, 상인은 다음과 같이 사용 된 기간의 수를 늘림으로써 평균 가격을 변화시키는 것에 덜 응답 할 수 있습니다. 계산에서 계산 기간 수를 늘리는 것은 장기 추세의 강도와 그것이 뒤집을 가능성을 측정하는 가장 좋은 방법 중 하나입니다. 많은 사람들은 이러한 유형의 평균의 유용성은 제한되어 있다고 주장합니다. 데이터 시리즈의 포인트는 시퀀스에서 발생하는 위치와 관계없이 결과에 동일한 영향을 미칩니다. 비평가는 가장 최근의 데이터가 더 중요하므로 더 높은 가중치도 가져야한다고 주장합니다. 이 유형의 비판은 이동 평균의 다른 형태의 발명으로 이끄는 주요 요인. 선형 가중 평균이 이동 평균 지표는 세 가지 중 가장 일반적인 것이 아니며 동일한 가중치 문제를 해결하는 데 사용됩니다 선형 가중 이동 평균은 특정 기간 동안 모든 마감 가격의 합계를 취하여 데이터 포인트의 위치를 ​​곱한 다음 기간 수의 합계로 나누어 계산합니다. 예를 들어, 5 일 선형 가중 평균, 오늘 마감 가격은 기간 범위의 첫 번째 날에 도달 할 때까지 5, 어제, 4 등으로 곱해집니다. 이 숫자는 함께 더해지며 승수의 합으로 나누어집니다. 지수 이동 평균 EMA This 이동 평균 계산은 평활화 인수를 사용하여 최근 데이터 요소에 더 높은 가중치를 부여하며 선형 가중 평균보다 훨씬 효율적이라고 간주됩니다. 대부분의 거래자는 일반적으로 계산에 대한 이해가 필요하지 않으므로 대부분의 차트 패키지가 계산을 수행합니다 지수 이동 평균에 대해 기억해야 할 가장 중요한 점은 단순 이동 평균 Th와 관련하여 새로운 정보에보다 민감하다는 것입니다 응답 성은 이것이 많은 기술 거래자들 사이에서 선택의 이동 평균 인 이유의 핵심 요소 중 하나입니다. 그림 2에서 볼 수 있듯이, 15 기간 EMA는 15 기간 SMA보다 빠르게 상승 및 감소합니다. 이 약간의 차이는 보이지 않습니다 수익에 영향을 미칠 수 있으므로주의해야 할 중요한 요소입니다. 이동 평균의 주요 용도 이동 평균은 현재 추세와 추세 역전을 식별하고 지원 및 저항 수준을 설정하는 데 사용됩니다. 이동 평균은 다음과 같을 수 있습니다. 이동 평균의 방향에 따라 보안이 상승 추세인지 또는 하락 추세인지 빠르게 식별하는 데 사용됩니다. 그림 3에서 볼 수 있듯이 이동 평균이 올라가고 가격이 위에 올 경우 보안은 상승 추세 반대로, 아래 가격의 하락 기울기 이동 평균은 하락 추세를 나타 내기 위해 사용될 수 있습니다. 운동량을 결정하는 또 다른 방법은 한 쌍의 이동 평균의 순서를 보는 것입니다. 단기 평균이 장기 단기 평균보다 장기 평균은 추세의 하향 움직임을 의미합니다. 변동 평균 평균 추세 반전은 가격이 이동 평균을 통과하고 이동 평균 교차를 통해 이동합니다. 첫 번째 공통 신호는 가격이 중요한 이동 평균을 통과 할 때입니다. 예를 들어, 상승 추세에 있었던 보안 가격이 그림 4와 같이 50 기간 이동 평균보다 낮아지면 추세 반전의 또 다른 신호는 한 이동 평균이 다른 평균을 통과 할 때입니다. 예를 들어, 그림 5에서 볼 수 있듯이 15 일 이동 평균이 50 일 이동 평균을 초과하면 , 가격이 증가하기 시작할 것이라는 긍정적 인 신호입니다. 계산에 사용 된 기간이 비교적 짧으면, 예를 들어 15와 35는 단기 추세 반전을 나타낼 수 있습니다. 반면에, 상대적으로 두 평균이 오랜 시간 프라 mes 교차 50 및 200, 예를 들어, 이것은 경향의 장기 변화를 제안하는 데 사용됩니다. 다른 주요 방법으로 이동 평균은 지원 및 저항 수준을 식별하는 데 사용됩니다 그것은 떨어지는 주식을 볼 드문 일이 아닙니다 주요 이동 평균의 지원을 받으면 하락 및 반대 방향 주요 이동 평균을 통한 이동은 경향이 역전되는 기술 거래자의 신호로 자주 사용됩니다. 예를 들어 가격이 200 일 이동 평균 하향 방향으로는 상승 추세가 반전되고 있다는 신호입니다. 이동 평균은 보안 경향을 분석하는 강력한 도구입니다. 유용한 지원 및 저항 지점을 제공하며 사용하기가 매우 쉽습니다. 이동 평균 생성은 200 일, 100 일, 50 일, 20 일 및 10 일입니다. 200 일 평균은 거래 연도의 좋은 척도로 간주되며 반감기는 100 일 평균입니다 년, 50 일 평균 4 분의 1, 20 일 평균 및 2 주 평균 10 일 평균. 이동 평균은 기술 거래자가 일상적인 가격 변동에서 발견되는 소음의 일부를 완화하여 상인에게 가격 동향을보다 명확하게 보여줍니다. 지금까지 우리는 차트와 평균을 통해 가격 이동에 초점을 맞추어 왔습니다. 다음 섹션에서는 가격 이동과 패턴을 확인하는 데 사용되는 몇 가지 다른 기술을 살펴 보겠습니다.