Przeprowadzka średnia najlepsza ustawienie

Przesunięcia w czasie rzeczywistym po godzinach Przedsprzedaż Wiadomości Flash Podsumowanie Podsumowanie Oferta Wykresy interaktywne Ustawienie domyślne Należy pamiętać, że po dokonaniu wyboru będzie ono dotyczyło wszystkich przyszłych wizyt na NASDAQ. Jeśli w dowolnym momencie jesteś zainteresowany przywróceniem ustawień domyślnych, wybierz ustawienie domyślne powyżej. Jeśli masz jakieś pytania lub napotykasz problemy podczas zmiany ustawień domyślnych, wyślij e-mail na adres isfeedbacknasdaq. Potwierdź swój wybór: Wybrałeś zmianę domyślnego ustawienia Wyszukiwania wyceny. Będzie to teraz domyślna strona docelowa, chyba że ponownie zmienisz konfigurację lub usuniesz pliki cookie. Czy na pewno chcesz zmienić swoje ustawienia Mamy przyjemność zapytać Proszę wyłączyć blokowanie reklam (lub zaktualizować ustawienia, aby zapewnić, że javascript i pliki cookie są włączone), abyśmy mogli nadal dostarczać Ci pierwszorzędnych informacji rynkowych oraz dane, których możesz oczekiwać od nas. Przeprowadzanie modeli wyrównywania średniej i wykładniczej. Jako pierwszy krok w wychodzeniu poza modele średnie, modele spacerów losowych i modele trendów liniowych, wzorce i trendy niesezonowe można ekstrapolować za pomocą modelu ruchomego lub wygładzającego. Podstawowym założeniem modeli uśredniania i wygładzania jest to, że szeregi czasowe są lokalnie stacjonarne z wolno zmieniającą się średnią. W związku z tym bierzemy średnią ruchomą (lokalną), aby oszacować aktualną wartość średniej, a następnie wykorzystać ją jako prognozę na najbliższą przyszłość. Można to uznać za kompromis pomiędzy modelem średnim a modelem losowego chodzenia bez dryftu. Ta sama strategia może zostać wykorzystana do oszacowania i ekstrapolacji lokalnego trendu. Średnia ruchoma jest często nazywana wersją quotsmoothedquot oryginalnej serii, ponieważ krótkoterminowe uśrednianie ma wpływ na wygładzenie nierówności w oryginalnej serii. Dostosowując stopień wygładzenia (szerokość średniej ruchomej) możemy mieć nadzieję na uzyskanie optymalnej równowagi między wydajnością modeli średniej i losowej. Najprostszym rodzajem modelu uśredniającego jest. Prosta (równo ważona) Średnia ruchoma: Prognoza wartości Y w czasie t1, która jest dokonywana w czasie t, jest równa prostej średniej z ostatnich obserwacji: (Tu i gdzie indziej będę używał symbolu 8220Y-hat8221, aby stać dla prognozy szeregu czasowego Y dokonanego najwcześniej jak to możliwe wcześniej przez dany model.) Ta średnia jest wyśrodkowana w okresie t - (m1) 2, co oznacza, że ​​oszacowanie średniej lokalnej będzie opóźniać się w stosunku do rzeczywistej wartości wartość średniej lokalnej o około (m1) 2 okresy. Tak więc, mówimy, że średni wiek danych w prostej średniej kroczącej wynosi (m1) 2 w stosunku do okresu, dla którego obliczana jest prognoza: jest to ilość czasu, o którą prognozy będą się opóźniać za punktami zwrotnymi w danych . Na przykład, jeśli uśrednisz 5 ostatnich wartości, prognozy będą o około 3 opóźnienia w odpowiedzi na punkty zwrotne. Zauważ, że jeśli m1, model prostej średniej ruchomej (SMA) jest równoważny modelowi chodzenia swobodnego (bez wzrostu). Jeśli m jest bardzo duże (porównywalne z długością okresu szacowania), model SMA jest równoważny modelowi średniemu. Podobnie jak w przypadku każdego parametru modelu prognostycznego, zwyczajowo koryguje się wartość k, aby uzyskać najlepsze dopasowanie do danych, tj. Średnio najmniejsze błędy prognozy. Oto przykład serii, która wydaje się wykazywać losowe fluktuacje wokół wolno zmieniającej się średniej. Po pierwsze, spróbujmy dopasować go do modelu losowego spaceru, który jest odpowiednikiem prostej średniej kroczącej z 1 słowa: model losowego spaceru bardzo szybko reaguje na zmiany w serii, ale czyniąc to, wybiera dużą część quota w tekście. dane (fluktuacje losowe), a także quotsignalquot (średnia miejscowa). Jeśli zamiast tego spróbujemy prostej średniej kroczącej z 5 terminów, otrzymamy gładszy zestaw prognoz: Pięciokrotna prosta średnia ruchoma daje znacznie mniejsze błędy niż model losowego spaceru w tym przypadku. Średni wiek danych w tej prognozie wynosi 3 ((51) 2), więc ma tendencję do pozostawania w tyle za punktami zwrotnymi o około trzy okresy. (Na przykład, pogorszenie koniunktury zdaje się mieć miejsce w okresie 21, ale prognozy nie zmieniają się aż do kilku kolejnych okresów.) Zwróć uwagę, że długoterminowe prognozy z modelu SMA są prostą poziomą, tak jak w przypadku losowego spaceru Model. Tak więc model SMA zakłada, że ​​nie ma trendu w danych. Jednakże, podczas gdy prognozy z modelu losowego spaceru są po prostu równe ostatniej obserwowanej wartości, prognozy z modelu SMA są równe średniej ważonej ostatnich wartości. Limity ufności obliczone przez Statgraphics dla długoterminowych prognoz prostej średniej kroczącej nie stają się szersze wraz ze wzrostem horyzontu prognozy. To oczywiście nie jest poprawne Niestety, nie istnieje żadna podstawowa teoria statystyczna, która mówi nam, w jaki sposób przedziały ufności powinny poszerzyć się dla tego modelu. Jednak nie jest zbyt trudno obliczyć empiryczne szacunki limitów zaufania dla prognoz o dłuższym horyzoncie. Można na przykład skonfigurować arkusz kalkulacyjny, w którym model SMA byłby używany do prognozowania 2 kroków do przodu, 3 kroków do przodu itp. W próbie danych historycznych. Następnie można obliczyć standardowe odchylenia standardowe błędów w każdym horyzoncie prognozy, a następnie skonstruować przedziały ufności dla prognoz długoterminowych, dodając i odejmując wielokrotności odpowiedniego odchylenia standardowego. Jeśli spróbujemy 9-dniowej prostej średniej kroczącej, otrzymamy jeszcze bardziej wygładzone prognozy i większy efekt opóźniający: Średni wiek to teraz 5 okresów ((91) 2). Jeśli weźmiemy 19-dniową średnią ruchomą, średni wiek wzrośnie do 10: Należy zauważyć, że w rzeczywistości prognozy obecnie pozostają w tyle za punktami zwrotnymi o około 10 okresów. Jaka ilość wygładzania jest najlepsza dla tej serii Oto tabela, która porównuje ich statystyki błędów, w tym także średnią 3-dniową: Model C, 5-punktowa średnia ruchoma, daje najniższą wartość RMSE o niewielki margines w porównaniu z 3 - term i 9-term średnich, a ich inne statystyki są prawie identyczne. Tak więc, wśród modeli z bardzo podobnymi statystykami błędów, możemy wybrać, czy wolelibyśmy nieco większą reakcję, czy nieco większą płynność w prognozach. (Powrót do początku strony.) Browns Simple Exponential Smoothing (wykładniczo ważona średnia ruchoma) Opisany powyżej prosty model średniej ruchomej ma niepożądaną właściwość, że traktuje ostatnie k obserwacji równo i całkowicie ignoruje wszystkie poprzednie obserwacje. Intuicyjnie, przeszłe dane powinny być dyskontowane w bardziej stopniowy sposób - na przykład ostatnia obserwacja powinna mieć nieco większą wagę niż druga ostatnia, a druga ostatnia powinna mieć nieco większą wagę niż trzecia ostatnia; wkrótce. Wykonywany jest prosty model wygładzania wykładniczego (SES). Niech 945 oznacza stałą kwotową (liczbę od 0 do 1). Jednym ze sposobów napisania modelu jest zdefiniowanie serii L, która reprezentuje aktualny poziom (tj. Miejscową średnią wartość) serii oszacowanej na podstawie danych do chwili obecnej. Wartość L w czasie t jest obliczana rekurencyjnie z jego własnej poprzedniej wartości w następujący sposób: Zatem bieżącą wygładzoną wartością jest interpolacja między poprzednią wygładzoną wartością a bieżącą obserwacją, gdzie 945 kontroluje bliskość interpolowanej wartości do najnowszej. obserwacja. Prognoza na następny okres jest po prostu bieżącą wygładzoną wartością: Równoważnie, możemy wyrazić następną prognozę bezpośrednio w odniesieniu do wcześniejszych prognoz i poprzednich obserwacji, w dowolnej z następujących równoważnych wersji. W pierwszej wersji prognozą jest interpolacja między poprzednią prognozą i poprzednią obserwacją: w drugiej wersji następna prognoza jest uzyskiwana przez dostosowanie poprzedniej prognozy w kierunku poprzedniego błędu o wartość 945. jest błąd popełniony przy czas t. W trzeciej wersji prognozą jest ważona ruchoma średnia ważona wykładniczo (tj. Zdyskontowana) ze współczynnikiem dyskontowym 1- 945: Wersja interpolacyjna formuły prognostycznej jest najprostsza do zastosowania, jeśli wdraża się model w arkuszu kalkulacyjnym: pasuje on do pojedyncza komórka i zawiera odwołania do komórek wskazujące poprzednią prognozę, poprzednią obserwację i komórkę, w której przechowywana jest wartość 945. Należy zauważyć, że jeśli model 945 1, model SES jest równoważny modelowi chodzenia swobodnego (bez wzrostu). Jeśli 945 0, model SES jest równoważny modelowi średniemu, przy założeniu, że pierwsza wygładzona wartość jest równa średniej. (Powrót do początku strony.) Średni wiek danych w prognozie wygładzania prostego wykładniczego wynosi 1 945 w stosunku do okresu, dla którego obliczana jest prognoza. (To nie powinno być oczywiste, ale można je łatwo wykazać, oceniając nieskończoną serię.) Dlatego prosta prognoza średniej ruchomej ma tendencję do pozostawania w tyle za punktami zwrotnymi o około 1 945 okresów. Na przykład, gdy 945 0,5 opóźnienie wynosi 2 okresy, gdy 945 ± 0,2 opóźnienie wynosi 5 okresów, gdy 945 ± 0,1 opóźnienie wynosi 10 okresów, i tak dalej. Dla danego średniego wieku (to jest ilości opóźnienia), prosta prognoza wygładzania wykładniczego (SES) jest nieco lepsza od prognozy prostej średniej ruchomej (SMA), ponieważ umieszcza względnie większą wagę w najnowszej obserwacji - ie. jest nieco bardziej obojętny na zmiany zachodzące w niedawnej przeszłości. Na przykład model SMA z 9 terminami i model SES z 945 0.2 mają średnią wieku 5 lat dla danych w swoich prognozach, ale model SES przykłada większą wagę do ostatnich 3 wartości niż model SMA i do w tym samym czasie nie ma on całkowicie 8220forget8222 o wartościach większych niż 9 okresów, jak pokazano na tym wykresie: Kolejną ważną zaletą modelu SES w porównaniu z modelem SMA jest to, że model SES używa parametru wygładzania, który jest nieustannie zmienny, dzięki czemu można go łatwo zoptymalizować za pomocą algorytmu quotsolverquot, aby zminimalizować błąd średniokwadratowy. Optymalna wartość 945 w modelu SES dla tej serii okazuje się być 0,2961, jak pokazano tutaj: Średni wiek danych w tej prognozie wynosi 10,2961 3,4 okresów, co jest podobne do 6-okresowej prostej średniej kroczącej. Prognozy długoterminowe z modelu SES są prostą poziomą. jak w modelu SMA i modelu chodzenia bez wzrostu. Należy jednak zauważyć, że przedziały ufności obliczone przez Statgraphics teraz rozchodzą się w rozsądny sposób, i że są one znacznie węższe niż przedziały ufności dla modelu losowego spaceru. Model SES zakłada, że ​​seria jest w pewnym stopniu przewidywalna, podobnie jak model losowego spaceru. Model SES jest w rzeczywistości szczególnym przypadkiem modelu ARIMA. więc teoria statystyczna modeli ARIMA zapewnia solidną podstawę do obliczania przedziałów ufności dla modelu SES. W szczególności model SES jest modelem ARIMA z jedną niesezonową różnicą, terminem MA (1) i nie ma stałego okresu. inaczej znany jako model DAIMA (0,1,1) bez stałej wartości. Współczynnik MA (1) w modelu ARIMA odpowiada ilości 1-945 w modelu SES. Na przykład, jeśli dopasujesz model ARIMA (0,1,1) bez stałej do analizowanej tutaj serii, szacowany współczynnik MA (1) okaże się równy 0,7029, czyli prawie dokładnie jeden minus 0,2961. Możliwe jest dodanie do modelu SES założenia niezerowego stałego trendu liniowego. Aby to zrobić, po prostu określ model ARIMA z jedną niesezonową różnicą i terminem MA (1) ze stałą, tj. Model ARIMA (0,1,1) ze stałą. Prognozy długoterminowe będą miały tendencję równą średniej tendencji obserwowanej w całym okresie szacowania. Nie można tego zrobić w połączeniu z korektą sezonową, ponieważ opcje korekty sezonowej są wyłączone, gdy typ modelu jest ustawiony na ARIMA. Można jednak dodać stały, długotrwały trend wykładniczy do prostego modelu wygładzania wykładniczego (z korektą sezonową lub bez niego) za pomocą opcji korekty inflacji w procedurze prognozowania. Odpowiednia stopa inflacji (procent wzrostu) na okres może być oszacowana jako współczynnik nachylenia w liniowym modelu trendu dopasowany do danych w połączeniu z logarytmem naturalnym, lub może być oparty na innych, niezależnych informacjach dotyczących długoterminowych perspektyw wzrostu . (Powrót do początku strony.) Browns Linear (tzn. Podwójnie) Exponential Smoothing Modele SMA i modele SES zakładają, że nie ma żadnego trendu w danych (co jest zwykle w porządku lub przynajmniej niezbyt dobre dla 1- prognozy wyprzedzające, gdy dane są stosunkowo hałaśliwe) i mogą być modyfikowane w celu włączenia stałego trendu liniowego, jak pokazano powyżej. A co z trendami krótkoterminowymi Jeśli w serii pojawiają się zmienne stopy wzrostu lub cykliczny wzór, który wyraźnie odróżnia się od hałasu, i jeśli istnieje potrzeba przewidywania z wyprzedzeniem dłuższym niż 1 okres, wówczas można również oszacować trend lokalny. problem. Prosty model wygładzania wykładniczego można uogólnić w celu uzyskania liniowego modelu wygładzania wykładniczego (LES), który oblicza lokalne oszacowania zarówno poziomu, jak i trendu. Najprostszym modelem trendu zmiennym w czasie jest liniowy model wygładzania wykładniczego Browns, który wykorzystuje dwie różne wygładzone serie, które są wyśrodkowane w różnych punktach czasowych. Formuła prognozowania opiera się na ekstrapolacji linii przez dwa ośrodki. (Bardziej wyrafinowana wersja tego modelu, Holt8217s, jest omówiona poniżej.) Algebraiczna postać liniowego modelu wygładzania wykładniczego Brown8217, podobnie jak model prostego wykładniczego wygładzania, może być wyrażana w wielu różnych, ale równoważnych formach. "Norma" w tym modelu jest zwykle wyrażana następująco: Niech S oznacza serie wygładzone pojedynczo, otrzymane przez zastosowanie prostego wygładzania wykładniczego dla szeregu Y. Oznacza to, że wartość S w okresie t jest określona przez: (Przypomnijmy, że w prostym wygładzanie wykładnicze, to byłaby prognoza dla Y w okresie t1.) Następnie pozwól oznaczać podwójnie wygładzoną serię uzyskaną przez zastosowanie prostego wygładzania wykładniczego (używając tego samego 945) do serii S: Na koniec, prognozy dla Y tk. dla każdego kgt1, jest podana przez: To daje e 1 0 (to jest trochę oszukiwać, i niech pierwsza prognoza równa się faktycznej pierwszej obserwacji), i e 2 Y 2 8211 Y 1. po którym prognozy są generowane za pomocą równania powyżej. Daje to takie same dopasowane wartości, jak formuła oparta na S i S, jeśli te ostatnie zostały uruchomione przy użyciu S 1 S 1 Y 1. Ta wersja modelu jest używana na następnej stronie ilustrującej połączenie wygładzania wykładniczego z korektą sezonową. Holt8217s Linear Exponential Smoothing Brown8217s Model LES oblicza lokalne oszacowania poziomu i trendu, wygładzając najnowsze dane, ale fakt, że robi to za pomocą pojedynczego parametru wygładzania, nakłada ograniczenia na wzorce danych, które może dopasować: poziom i trend nie mogą się różnić w niezależnych stawkach. Model LES Holt8217s rozwiązuje ten problem, włączając dwie stałe wygładzania, jedną dla poziomu i drugą dla trendu. W każdej chwili t, jak w modelu Brown8217s, istnieje oszacowanie Lt poziomu lokalnego i oszacowanie T t trendu lokalnego. Tutaj są one obliczane rekurencyjnie od wartości Y obserwowanej w czasie t oraz poprzednich oszacowań poziomu i trendu za pomocą dwóch równań, które oddzielnie stosują wygładzanie wykładnicze. Jeżeli szacowany poziom i tendencja w czasie t-1 to L t82091 i T t-1. odpowiednio, wówczas prognoza dla Y tshy, która zostałaby dokonana w czasie t-1, jest równa L t-1 T t-1. Gdy obserwowana jest wartość rzeczywista, zaktualizowana estymacja poziomu jest obliczana rekurencyjnie poprzez interpolację między Y tshy i jej prognozą L t-1 T t-1, przy użyciu wag o wartości 945 i 1-945. Zmiana szacowanego poziomu, mianowicie L t 8209 L t82091. można interpretować jako hałaśliwy pomiar trendu w czasie t. Zaktualizowane oszacowanie trendu jest następnie obliczane rekursywnie przez interpolację pomiędzy L t 8209 L t82091 a poprzednim oszacowaniem trendu, T t-1. używając ciężarów 946 i 1-946: Interpretacja stałej wygładzania trendu 946 jest analogiczna do stałej wygładzania poziomu 945. Modele o małych wartościach 946 przyjmują, że trend zmienia się bardzo powoli w czasie, natomiast modele z większe 946 zakłada, że ​​zmienia się szybciej. Model z dużym 946 uważa, że ​​odległe jutro jest bardzo niepewne, ponieważ błędy w oszacowaniu trendów stają się dość ważne przy prognozowaniu na więcej niż jeden okres. (Powrót do początku strony.) Stałe wygładzania 945 i 946 można oszacować w zwykły sposób, minimalizując średni błąd kwadratowy prognoz 1-krokowych. Po wykonaniu tej czynności w Statgraphics, szacunkowe wartości wynoszą 945 0,3048 i 946 0,008. Bardzo mała wartość wynosząca 946 oznacza, że ​​model przyjmuje bardzo niewielką zmianę trendu z jednego okresu do drugiego, więc w zasadzie ten model próbuje oszacować długoterminowy trend. Analogicznie do pojęcia średniego wieku danych, które są używane do oszacowania lokalnego poziomu serii, średni wiek danych wykorzystywanych do oszacowania lokalnego trendu jest proporcjonalny do 1 946, chociaż nie jest dokładnie taki sam jak ten. . W tym przypadku okazuje się, że jest to 10.006 125. Nie jest to bardzo dokładna liczba, ponieważ dokładność oszacowania 946 wynosi 2182 tak naprawdę 3 miejsca po przecinku, ale jest tego samego ogólnego rzędu wielkości co wielkość próby 100, więc model ten uśrednia dość długą historię w szacowaniu trendu. Poniższy wykres prognozy pokazuje, że model LES szacuje nieco większy lokalny trend na końcu serii niż stały trend oszacowany w modelu SEStrend. Szacowana wartość 945 jest prawie identyczna z wartością uzyskaną przez dopasowanie modelu SES z trendem lub bez niego, więc jest to prawie ten sam model. Teraz, czy wyglądają one jak rozsądne prognozy dla modelu, który ma oszacować lokalny trend Jeśli wyobrazisz sobie 8220eyeball8221 ten wykres, wygląda na to, że lokalny trend spadł na końcu serii Co się stało Parametry tego modelu zostały oszacowane poprzez zminimalizowanie błędu kwadratów prognoz 1-krok naprzód, a nie prognoz długoterminowych, w którym to przypadku trend doesn8217t robi dużą różnicę. Jeśli wszystko, na co patrzysz, to błędy 1-etapowe, nie widzisz większego obrazu trendów w ciągu (powiedzmy) 10 lub 20 okresów. Aby uzyskać ten model lepiej dopasowany do ekstrapolacji danych przez gałkę oczną, możemy ręcznie dostosować stałą wygładzania trendu, aby wykorzystała krótszą linię podstawową do oszacowania trendu. Na przykład, jeśli zdecydujemy się ustawić 946 0,1, średnia wieku danych wykorzystywanych do oszacowania trendu lokalnego wynosi 10 okresów, co oznacza, że ​​uśredniamy trend w ciągu ostatnich 20 okresów. W tym przypadku wygląda wykres prognozy, jeśli ustawimy 946 0,1, zachowując 945 0,3. Jest to intuicyjnie uzasadnione dla tej serii, chociaż prawdopodobnie ekstrapolowanie tego trendu prawdopodobnie nie będzie dłuższe niż 10 okresów w przyszłości. A co ze statystykami błędów? Oto porównanie modeli dla dwóch modeli pokazanych powyżej oraz trzech modeli SES. Optymalna wartość 945. Dla modelu SES wynosi około 0,3, ale podobne wyniki (z odpowiednio mniejszą lub większą reaktywnością) uzyskuje się przy 0,5 i 0,2. (A) Holts linear exp. wygładzanie z alfa 0,3048 i beta 0,008 (B) Holts linear exp. wygładzanie z alfa 0.3 i beta 0.1 (C) Proste wygładzanie wykładnicze z alfa 0,5 (D) Proste wygładzanie wykładnicze z alfa 0.3 (E) Proste wygładzanie wykładnicze z alfa 0.2 Ich statystyki są prawie identyczne, więc naprawdę nie możemy dokonać wyboru na podstawie błędów prognozy 1-krokowej w ramach próby danych. Musimy odwołać się do innych kwestii. Jeśli mocno wierzymy, że oparcie obecnego szacunku trendu na tym, co wydarzyło się w ciągu ostatnich 20 okresów, ma sens, możemy postawić argumenty za modelem LES z 945 0,3 i 946 0,1. Jeśli chcemy być agnostyczni w kwestii, czy istnieje lokalny trend, to jeden z modeli SES może być łatwiejszy do wyjaśnienia, a także dałby więcej prognoz w połowie drogi na następne 5 lub 10 okresów. (Powrót do początku strony.) Który rodzaj ekstrapolacji trendów jest najlepszy: poziomy lub liniowy Dowody empiryczne sugerują, że jeśli dane zostały już skorygowane (w razie potrzeby) o inflację, może być nieostrożnością ekstrapolować krótkoterminowe liniowe trendy bardzo daleko w przyszłość. Dzisiejsze trendy mogą się w przyszłości zanikać ze względu na różne przyczyny, takie jak starzenie się produktów, zwiększona konkurencja i cykliczne spadki lub wzrosty w branży. Z tego powodu proste wygładzanie wykładnicze często zapewnia lepszą pozapróbkę, niż można by się było tego spodziewać, pomimo cytowania ekwiwalentu trendów poziomych. Tłumione modyfikacje trendów liniowego modelu wygładzania wykładniczego są również często stosowane w praktyce, aby wprowadzić nutę konserwatyzmu do swoich projekcji trendów. Model LES z tłumioną tendencją może być zaimplementowany jako specjalny przypadek modelu ARIMA, w szczególności modelu ARIMA (1,1,2). Możliwe jest obliczenie przedziałów ufności wokół długoterminowych prognoz generowanych przez modele wygładzania wykładniczego, poprzez uznanie ich za szczególne przypadki modeli ARIMA. (Uwaga: nie wszystkie programy poprawnie obliczają przedziały ufności dla tych modeli). Szerokość przedziałów ufności zależy od (i) błędu RMS modelu, (ii) rodzaju wygładzania (prostego lub liniowego) (iii) wartości (s) stałej (ów) wygładzania (-ych) i (iv) liczbę okresów, które prognozujesz. Ogólnie rzecz biorąc, interwały rozkładają się szybciej, gdy 945 staje się większy w modelu SES i rozprzestrzeniają się znacznie szybciej, gdy stosuje się liniowe zamiast prostego wygładzania. Ten temat jest omówiony dalej w sekcji modeli ARIMA notatek. (Powrót do początku strony.) MACD (ruchoma średnia oscylacja zbieżności) MACD (ruchoma średnia oscylacja zbieżności). Wprowadzenie Opracowany przez Geralda Appela w późnych latach siedemdziesiątych oscylator ConvergenceDivergence (MacD) jest jednym z najprostszych i najbardziej efektywnych wskaźników momentu dostępny. MACD zamienia dwa wskaźniki trendu, przesuwając średnie. do oscylatora pędu poprzez odjęcie dłuższej średniej ruchomej od krótszej średniej ruchomej. W rezultacie MACD oferuje najlepsze z obu światów: śledzenie trendów i dynamikę. MACD waha się powyżej i poniżej linii zerowej, ponieważ średnie ruchome zbiegają się, krzyżują i rozchodzą. Handlowcy mogą wyszukiwać skrzyżowania linii sygnałowej, crossovery linii środkowej i rozbieżności w celu generowania sygnałów. Ponieważ MACD jest nieograniczony, nie jest szczególnie przydatny do identyfikowania poziomów wykupienia i wyprzedaży. Uwaga: MACD można wymawiać jako Mac-Dee lub M-A-C-D. Oto przykładowa tabela ze wskaźnikiem MACD w dolnym panelu: Obliczanie Linia MACD to 12-dniowa wykładnicza średnia ruchoma (EMA) pomniejszona o 26-dniową EMA. Dla średnich ruchomych stosowane są ceny zamknięcia. 9-dniowa EMA linii MACD jest wykreślana ze wskaźnikiem, który działa jako linia sygnałowa i identyfikuje zwoje. Histogram MACD reprezentuje różnicę między MACD a jego 9-dniową EMA, linią Signal. Histogram jest dodatni, gdy linia MACD znajduje się ponad linią sygnału i jest ujemna, gdy linia MACD znajduje się poniżej linii sygnału. Wartości 12, 26 i 9 są typowymi ustawieniami stosowanymi w MACD, jednak inne wartości mogą być zastąpione w zależności od stylu handlu i celów. Interpretacja Jak sama nazwa wskazuje, MACD koncentruje się na zbieżności i rozbieżności dwóch średnich kroczących. Konwergencja występuje, gdy średnie ruchome zbliżają się do siebie. Dywergencja występuje, gdy średnie ruchome oddalają się od siebie. Krótsza średnia ruchoma (12 dni) jest szybsza i odpowiada za większość ruchów MACD. Dłuższa średnia krocząca (26 dni) jest wolniejsza i mniej reaktywna wobec zmian cen podstawowych papierów wartościowych. Linia MACD oscyluje powyżej i poniżej linii zerowej, która jest również znana jako linia środkowa. Te skrzyżowania sygnalizują, że 12-dniowa EMA przekroczyła 26-dniową EMA. Kierunek, oczywiście, zależy od kierunku ruchu średniej krzyża. Dodatni MACD wskazuje, że 12-dniowa EMA jest powyżej 26-dniowej EMA. Wartości dodatnie rosną, ponieważ krótsza wartość EMA odbiega od dłuższej wartości EMA. Oznacza to wzrost impetu. Wartości ujemne MACD wskazują, że 12-dniowa EMA jest poniżej 26-dniowej EMA. Ujemne wartości rosną, ponieważ krótsza wartość EMA dalej spada poniżej dłuższej wartości EMA. Oznacza to, że wzrasta siła w dół. W powyższym przykładzie żółty obszar pokazuje Linię MACD na ujemnym terytorium, ponieważ 12-dniowa transakcja EMA odbywa się poniżej 26-dniowej EMA. Początkowe przekroczenie nastąpiło pod koniec września (czarna strzałka), a MACD przesunął się dalej na terytorium ujemne, ponieważ 12-dniowa EMA oddzieliła się dalej od 26-dniowej EMA. Pomarańczowy obszar podświetla okres dodatnich wartości MACD, czyli gdy 12-dniowa EMA była powyżej 26-dniowej EMA. Zauważ, że linia MACD pozostała poniżej 1 w tym okresie (czerwona linia przerywana). Oznacza to, że odległość między 12-dniową EMA a 26-dniową EMA była mniejsza niż 1 punkt, co nie jest dużą różnicą. Przesunięcia linii sygnałowej Przesunięcia linii sygnałowej są najczęstszymi sygnałami MACD. Linia sygnału jest 9-dniowym EMA Linii MACD. Jako średnia krocząca wskaźnika, śledzi MACD i ułatwia dostrzeżenie zakrętów MACD. Przełomowe przejście ma miejsce, gdy MACD pojawia się i przekracza linię sygnału. Niedźwiedzi crossover występuje, gdy MACD zejdzie i przekroczy linię sygnału. Crossover może trwać kilka dni lub kilka tygodni, wszystko zależy od siły ruchu. Wymagana jest należyta staranność przed poleganiem na tych wspólnych sygnałach. Przejścia linii sygnałowej w skrajnych wartościach dodatnich lub ujemnych należy traktować z ostrożnością. Mimo że MACD nie ma górnych i dolnych limitów, czaty mogą oszacować historyczne ekstremum za pomocą prostej wizualnej oceny. Potrzeba silnego ruchu w zabezpieczeniach, aby pchnąć rozpęd do skrajności. Nawet jeśli ruch może być kontynuowany, impet prawdopodobnie zwolni, a to zwykle spowoduje przesunięcie linii sygnału na kończynach. Zmienność podstawowych zabezpieczeń może również zwiększyć liczbę zwrotów. Poniższy wykres przedstawia IBM z 12-dniowym EMA (zielony), 26-dniowym EMA (czerwony) i 12,26,9 MACD w oknie wskaźnika. W ciągu sześciu miesięcy nastąpiło osiem skrzyżowań linii sygnałowej: cztery w górę i cztery w dół. Było kilka dobrych sygnałów i złe sygnały. Żółty obszar wskazuje okres, w którym linia MACD przekroczyła 2, aby osiągnąć pozytywną skrajność. W kwietniu i maju były dwa słabe sygnały zwrotne dla linii sygnałowych, ale IBM nadal wykazywał wyższe trendy. Mimo że zwyżkowa dynamika zwolniła po gwałtownym wzroście, impet wzrostowy był nadal silniejszy niż w kwietniu i maju. Trzecie słabe połączenie linii sygnałowej w maju zaowocowało dobrym sygnałem. Crossover Centerline Crossovers są następnymi najpowszechniejszymi sygnałami MACD. Uparty crossover linii środkowej występuje, gdy linia MACD przesuwa się powyżej linii zerowej, aby uzyskać dodatnie. Dzieje się tak, gdy 12-dniowa EMA podstawowego instrumentu zabezpieczającego przenosi się ponad 26-dniową EMA. Niedźwiedzi crossover linii środkowej występuje, gdy MACD przesuwa się poniżej linii zerowej, aby obrócić wynik ujemny. Dzieje się tak, gdy 12-dniowa EMA przenosi się poniżej 26-dniowej EMA. Przejazdy linii środkowej mogą trwać kilka dni lub kilka miesięcy. Wszystko zależy od siły trendu. MACD pozostanie dodatni, o ile utrzyma się trend wzrostowy. MACD pozostanie ujemny, jeśli wystąpi trwały trend spadkowy. Następny wykres pokazuje Pulte Homes (PHM) z co najmniej czterema liniami dośrodkowymi w ciągu dziewięciu miesięcy. Uzyskane sygnały działały dobrze, ponieważ pojawiły się silne trendy z tymi crossoverami. Poniżej znajduje się wykres Cummins Inc (CMI) z siedmioma liniowymi crossoverami w ciągu pięciu miesięcy. W przeciwieństwie do Pulte Homes, sygnały te doprowadziłyby do licznych biczów, ponieważ silne tendencje nie pojawiły się po skrzyżowaniach. Następny wykres pokazuje 3M (MMM) z byczym crossoverem w środku pod koniec marca 2009 r. I niedźwiedzią linię środkową na początku lutego 2017 r. Sygnał ten trwał 10 miesięcy. Innymi słowy, 12-dniowa EMA była ponad 26-dniową EMA przez 10 miesięcy. To był jeden silny trend. Rozbieżności Rozbieżności powstają, gdy MACD odbiega od akcji cenowej podstawowego zabezpieczenia. Uboga dywergencja powstaje, gdy zabezpieczenie zapisuje niższy poziom niski, a MACD tworzy wyższy poziom niski. Niższy spadek bezpieczeństwa potwierdza bieżący trend spadkowy, ale wyższa wartość najniższa w MACD wykazuje mniejszy spadek. Pomimo mniejszej siły spadkowej, potencjał spadkowy wciąż przewyższa impet, o ile MACD pozostaje na ujemnym terytorium. Spowolnienie impetu w dół może czasem zapowiadać odwrócenie tendencji lub spory wzrost. Kolejny wykres przedstawia Google (GOOG) z byczą rozbieżnością w październiku i listopadzie 2008 r. Po pierwsze zauważmy, że używamy cen zamknięcia w celu identyfikacji rozbieżności. Średnie ruchome MACD039 są oparte na cenach zamknięcia i powinniśmy również rozważyć zamknięcie cen w zabezpieczeniach. Po drugie, zauważ, że były wyraźne spadki reakcji (doliny), ponieważ zarówno Google, jak i jego linia MACD podskoczyły w październiku i pod koniec listopada. Po trzecie, zauważ, że MACD utworzył się na niższym poziomie, ponieważ Google ukształtowało się na niższym poziomie w listopadzie. MACD pojawił się z byczą rozbieżnością z crossover linii sygnału na początku grudnia. Google potwierdziło odwrócenie z przełamaniem oporności. Niedźwiedzia dywergencja powstaje, gdy bezpieczeństwo zapisuje wyższą wartość, a linia MACD tworzy niższą wartość. Wyższy poziom bezpieczeństwa jest normalny dla trendu wzrostowego, ale niższy wzrost w MACD wykazuje mniejszy wzrost. Nawet jeśli impet wzrostowy może być mniejszy, impet wzrostowy nadal wyprzedza spekulację w dół, o ile wskaźnik MACD jest dodatni. Dążenie do rozpędu w górę może czasami zwiastować odwrócenie trendu lub znaczny spadek. Poniżej widzimy Gamestop (GME) z dużą borsuką dywergencją od sierpnia do października. Zapas okazał się wyższy powyżej 28, ale linia MACD spadła poniżej wcześniejszego poziomu i utworzyła niższą wysokość. Kolejne skrzyżowanie linii sygnałowej i przerwa wsparcia w MACD były niedźwiedzi. Na wykresie cen zauważ, jak złamane wsparcie zmieniło się w opór w odbiciu powrotnym w listopadzie (czerwona linia przerywana). Ten powrót zapewnił drugą szansę na sprzedaż lub sprzedaż krótką. Rozbieżności należy zachować ostrożnie. Niełasne rozbieżności są powszechne w silnym trendzie wzrostowym, podczas gdy bycze rozbieżności występują często w silnym trendzie spadkowym. Tak, dobrze to przeczytałeś. Uptrendy często zaczynają się od silnego postępu, który powoduje wzrost impetu (MACD). Mimo że trend wzrostowy trwa nadal, jego tempo jest wolniejsze, co powoduje, że MACD spada z najwyższych poziomów. Impuls wzrostowy może nie być tak silny, ale impet wzrostowy wciąż przekracza tempo spadkowe, o ile linia MACD jest powyżej zera. Przeciwieństwo pojawia się na początku silnego trendu spadkowego. Następny wykres przedstawia ETF SampP 500 (SPY) z czterema bessowymi rozbieżnościami od sierpnia do listopada 2009 r. Mimo mniejszej siły wzrostu, ETF był nadal wyższy, ponieważ trend wzrostowy był silny. Zwróć uwagę, jak SPY kontynuowała serię wyższych wzlotów i wyższych poziomów. Pamiętajcie, że impet wzrostowy jest silniejszy niż impet w dół, o ile jego MACD jest dodatni. Jej MACD (momentum) mogło być mniej pozytywne (mocne) w miarę rozszerzania się, ale nadal było w dużej mierze pozytywne. Wnioski Wskaźnik MACD jest szczególny, ponieważ łączy moment i trend w jednym wskaźniku. To wyjątkowe połączenie trendu i dynamiki można zastosować do wykresów dziennych, tygodniowych lub miesięcznych. Standardowym ustawieniem MACD jest różnica pomiędzy EMA z 12 i 26 okresów. Osoby poszukujące większej czułości mogą spróbować krótszej krótkoterminowej średniej kroczącej i dłuższej długoterminowej średniej kroczącej. MACD (5,35,5) jest bardziej czuły niż MACD (12,26,9) i może lepiej pasować do wykresów tygodniowych. Osoby planujące mniejszą wrażliwość mogą rozważyć wydłużenie średnich kroczących. Mniej czuły MACD będzie nadal oscylował powyżej zera, ale skrzyżowania linii środkowej i skrzyżowania linii sygnałowej będą rzadsze. MACD nie jest szczególnie dobry do identyfikowania poziomów wykupienia i wyprzedania. Mimo że możliwe jest zidentyfikowanie poziomów historycznie wykupionych lub wyprzedanych, MACD nie ma żadnych górnych ani dolnych granic, aby związać swój ruch. Podczas ostrych ruchów MACD może nadal przekraczać swoje historyczne skrajności. Na koniec pamiętaj, że linia MACD jest obliczana na podstawie faktycznej różnicy między dwiema ruchomymi wartościami. Oznacza to, że wartości MACD są zależne od ceny podstawowego zabezpieczenia. Wartości MACD dla 20 zapasów mogą wynosić od -1,5 do 1,5, podczas gdy wartości MACD dla 100 mogą mieścić się w zakresie od -10 do 10. Nie jest możliwe porównanie wartości MACD dla grupy papierów wartościowych o różnych cenach. Jeśli chcesz porównać odczyty pędu, powinieneś użyć Oscylatora Ceny Procentowej (PPO). zamiast MACD. Dodanie wskaźnika MACD do SharpCharts MACD można ustawić jako wskaźnik powyżej, poniżej lub za cennikiem ceny security039s. Umieszczenie MACD za działką cenową ułatwia porównywanie ruchów impulsu z ruchami cen. Po wybraniu wskaźnika z rozwijanego menu pojawia się domyślne ustawienie parametru: (12,26,9). Parametry te można dostosować w celu zwiększenia czułości lub zmniejszenia czułości. Histogram MACD pojawia się ze wskaźnikiem lub można go dodać jako osobny wskaźnik. Ustawienie linii sygnału na 1 (12,26,1) spowoduje usunięcie histogramu MACD i linii sygnałowej. Osobną linię sygnału, bez histogramu, można dodać, wybierając Exp Mov Avg z menu Advanced Options Overlays. Kliknij tutaj, aby zobaczyć na żywo wykres wskaźnika MACD. Używanie skanów MACD ze skanami StockCharts Oto kilka przykładowych skanów, które członkowie StockCharts mogą wykorzystać do skanowania różnych sygnałów MACD: MACD Bullish Signal Line Cross. Ten skan ujawnia akcje, które obracają się powyżej swojej 200-dniowej średniej kroczącej i mają zwyżkowy crossover linii sygnałowej w MACD. Zauważ również, że MACD musi mieć wartość ujemną, aby zapewnić, że ta poprawa nastąpi po wycofaniu. To skanowanie ma jedynie na celu wprowadzenie dalszych udoskonaleń. MACD Bearish Signal Line Cross. Ten skan ujawnia akcje, które są sprzedawane poniżej średniej ruchomej wynoszącej 200 dni i mają słabe połączenie linii sygnałowej w MACD. Zauważ także, że MACD musi być pozytywny, aby zapewnić, że ten spadek nastąpi po odbiciu. To skanowanie ma jedynie na celu wprowadzenie dalszych udoskonaleń. Dalsze badania: Od twórcy książka oferuje kompleksowe badanie dotyczące stosowania i interpretacji MACD. Analiza techniczna - Elektronarzędzia dla aktywnych inwestorów Gerald Appel