Bewegende Gemiddelde Alpha

Bewegende gemiddelde Hierdie voorbeeld leer jy hoe om die bewegende gemiddelde van 'n tydreeks in Excel te bereken. 'N bewegende avearge gebruik te stryk onreëlmatighede (pieke en dale) om maklik tendense herken. 1. In die eerste plek kan 'n blik op ons tyd reeks. 2. Klik op die blad Data, kliek Data-analise. Nota: cant vind die Data-analise knoppie Klik hier om die analise ToolPak add-in te laai. 3. Kies bewegende gemiddelde en klik op OK. 4. Klik op die insette Range boks en kies die reeks B2: M2. 5. Klik op die boks interval en tik 6. 6. Klik in die uitset Range boks en kies sel B3. 8. Teken 'n grafiek van hierdie waardes. Verduideliking: omdat ons die interval stel om 6, die bewegende gemiddelde is die gemiddeld van die vorige 5 datapunte en die huidige data punt. As gevolg hiervan, is pieke en dale stryk uit. Die grafiek toon 'n toenemende tendens. Excel kan nie bereken die bewegende gemiddelde vir die eerste 5 datapunte, want daar is nie genoeg vorige datapunte. 9. Herhaal stappe 2 tot 8 vir interval 2 en interval 4. Gevolgtrekking: Hoe groter die interval, hoe meer die pieke en dale is glad nie. Hoe kleiner die interval, hoe nader die bewegende gemiddeldes is om die werklike data punte. Hou jy van hierdie gratis webwerf Deel asseblief hierdie bladsy op GoogleUsing bewegende gemiddelde Konvergensie-Divergensie om vas te stel Prys Aksie 4 Oktober 2016 15:39 spioen MACD meet die sterkte of swakheid van die prys aksie van 'n voorraad of ander bate, met behulp van die momentum van sy bewegende gemiddeldes. CROSSOVER en converge kan geleenthede na vore te bring om te koop in die vroeë sterkte en / of te verkoop in die vroeë swakheid. Tydens 'n verslechtering neiging, die MACD Grafiek lyn kruise bo die sein-lyn en / of of beweeg van onder vriespunt tot bo nul, 'n teken 'n potensieel lomp prys omkeer. MACD meet die sterkte of swakheid van die prys aksie van 'n voorraad of ander bate, met behulp van die momentum van sy bewegende gemiddeldes. Dit vertoon kort termyn tendens veranderinge wat 'n invloed tendense langer termyn. Dit leidende aanwyser kan ook wakker gemaak om potensiële terugskrywings in 'n bestaande tendens en moontlik die begin van 'n nuwe een. 'N Tipiese MACD grafiek sluit twee lyne, algemeen na verwys as die grafiek lyn en die sein lyn: MACD Grafiek lyn (MACDg) is die verskil tussen twee bewegende gemiddeldes, tipies 'n 12- dag Eksponensiële bewegende gemiddelde (EMA) van die daaglikse sluitingspryse en 'n 26-dag Eksponensiële bewegende gemiddelde (EMA) van die daaglikse sluitingsprys. MACD Signal lyn (MACDs) is die bewegende gemiddelde van die MACD Grafiek lyn en is tipies bereken met behulp van 'n 9-dag Eksponensiële bewegende gemiddelde (EMA) van die MACD Grafiek lyn. Aanwyser Seine: Wat Handelaars kyk vir 'n paar maniere hierdie aanwyser gebruik is om te help identifiseer kort termyn tendens veranderinge wat 'n invloed tendense langer termyn deur te kyk vir CROSSOVER en / of converge en verskille. CROSSOVER (Trend Terugskrywings) Die sleutel tot die MACD is die wisselwerking tussen die grafieklyn en die sein-lyn. 'N crossover plaasvind wanneer die grafieklyn kruisies die sein-lyn óf om die onderstebo of die negatiewe kant. Konvergensie / divergensie (Trend Sterkte / swakheid) konvergensie - A MACD konvergensie vind plaas wanneer die grafieklyn en die sein-lyn skuif in dieselfde rigting en dien as bevestiging van die huidige prys tendens. Divergensie - A MACD divergensie vind plaas wanneer die grafieklyn versuim om die huidige tendens in die prys te bevestig. Dit kan dien as 'n waarskuwing teken van tendens swakheid en 'n potensiële dreigende ommekeer. Soos met enige tegniese ontleding sein, kan dit nuttig wees om te wag vir bevestiging van 'n verandering in die tendens voor die neem van aksie. 1. Bullish Crossover seine (Trend Terugskrywing) Tydens 'n verslechtering neiging, die MACD Grafiek lyn kruise bo die sein-lyn en / of of beweeg van onder vriespunt tot bo nul, 'n teken 'n potensieel lomp prys omkeer. Sommige handelaars sal 'n kruis deur die grafiek lyn bo die sein lyn te oorweeg om 'n vroeë waarskuwing aksie sein wees. Ander handelaars verkies om te wag vir die grafiek lyn te bo nul steek as 'n lomp bevestiging sein. 2. Bullish Convergence (Bullish Trend Krag) Prys en MACD grafiek lyn is beide die maak van hoër hoogtes in samewerking met 'n gegewe tendens, 'n teken dat die lomp tendens potensieel is besig om krag aan die onderstebo. 3. Bullish Divergensie (lomp tendens verswak) Prys maak laer laagtepunte terwyl MACD maak hoër laagtepunte, wat aandui dat die verslechtering neiging potensieel kan verloor krag. Lomp aanwyser Seine 1. lomp Crossover (Trend Terugskrywing) Tydens 'n uptrend, die MACD grafiek lyn kruise onder die sein-lyn en / of of beweeg van bo nul tot onder vriespunt, sein 'n potensieel lomp prys omkeer. Sommige handelaars sal 'n kruis deur die grafiek lyn onder die sein lyn te oorweeg om 'n aksie vroeë waarskuwing aksie sein wees. Ander handelaars verkies om te wag vir die grafiek lyn oor te steek onder vriespunt as 'n lomp bevestiging sein. 2. lomp Konvergensie: lomp tendens Krag Prys en MACD is beide die maak van 'n laer laagtepunte in samewerking met 'n gegewe tendens, 'n teken dat die lomp tendens potensieel is besig om krag aan die negatiewe kant. 3. lomp divergensie (Bullish Trend verswak) Prys maak hoër hoogtes terwyl MACD maak laer hoogtepunte, 'n teken dat die uptrend potensieel verloor krag. MACD is 'n uiters buigsaam tegniese ontleding gereedskap wat gebruik kan word in 'n verskeidenheid van maniere. CROSSOVER en converge kan geleenthede na vore te bring om te koop in die vroeë sterkte en / of te verkoop in die vroeë swakheid. Bullish en lomp verskille kan jou toelaat om te identifiseer wanneer momentum besig om te kwyn vir 'n bepaalde beweging in 'n manier wat nie voor die hand liggend mag wees wanneer net te kyk na die prys aksie. Schwab nie die gebruik van tegniese ontleding aanbeveel as 'n uitsluitlike middel van belegging navorsing. Die inligting wat hier is slegs vir algemene inligting doeleindes en moet nie beskou word as 'n individuele aanbeveling of onderskrywing van 'n bepaalde sekuriteit, grafiek patroon of beleggingstrategie. Vorige prestasie is geen waarborg van toekomstige resultate. Openbaarmaking: Ek / ons het geen posisies in enige genoemde aandele, en geen planne om enige poste te inisieer binne die volgende 72 uur. Ek skryf hierdie artikel myself, en dit gee uitdrukking aan my eie opinies. Ek is nie die ontvangs van vergoeding daarvoor (behalwe op soek na Alpha). Ek het geen verhouding met enige maatskappy waarvan die voorraad genoem in hierdie artikel. Lees die volledige articleThe Nuuskierig Wiskunde beweeg Gemiddeldes 19 Augustus 2014 14:54 bewegende gemiddeldes is wyd gebruik word in die ekonomie en finansies. 'N Groot verskeidenheid van lengtes word gebruik: 20 dae, 50 dae, 200 dae, ens Hierdie bevat verskillende hoeveelhede inligting, maar nie vir die rede waarom jy dink F. Scott Fitzgerald keer geskryfde 'n kortverhaal genoem Die Curious Case van Benjamin Button, oor 'n mede-gebore ou wat jonger as die tyd verby gegroei. Wat 'n aftree-nagmerrie dat 'n soortgelyke sage sal aanbied geteister King Arthurs tutor, Merlyn die towenaar, wat gebore is in die toekoms en is terug veroudering as Arthurs regeer ontvou. Too bad hulle didnt het 'n aandelemark terug in Arthurs tyd - hy kan 'n fortuin gemaak het as een van hierdie twee here gehuur om 'n finansiële adviseur, ongetwyfeld sou hulle een van ontleders mees algemene instrumente gebruik: die bewegende gemiddelde. En daar lê die skakel na hierdie artikel: die bewegende gemiddelde het 'n paar nuuskierige funksies ook. Beleggers gebruik om daaglikse skommelinge glad, hopelik maak tendense langer termyn uitstaan. Bewegende gemiddeldes kom in alle soorte en geure, maar die mees gebruikte is eenvoudig bewegende gemiddelde, van verskillende lengtes. Gewildste op soek na Alpha is die 20-dag, 50-dag, en 200-dae - bewegende gemiddeldes. As 'n statistikus, ek hou een waarheid nie so voor die hand liggend te wees. Alle bewegende gemiddeldes gelyk geskape. Spesifiek, alle bewegende gemiddeldes is twee-daagse bewegende gemiddeldes. Ek dont care as jy 20 dae, 50, 200, of 'n miljoen te gebruik. Hulle is almal tweedaagse MAS. Ek wys dit in die voorbeeld hieronder. Ek gebruik genoeg data dat dit voel soos 'n bewegende gemiddelde, maar 'n klein genoeg bedrag wat dit is maklik om te sien. Ons gebruik 'n tien-dae bewegende gemiddelde in ons voorbeeld. Veronderstel ons net gekoop het 'n wonderlike voorraad op 1 per aandeel en dit sien kry een dollar per dag vir die volgende paar weke. Ons weet almal die tien-dae bewegende gemiddelde te bereken: op dag tien tel ons die pryse van die afgelope 10 dae en deel dit deur tien. Die volgende dag het ons by te voeg tot dae twee deur elf en gebruik dieselfde deler, reg Jy kan dit so doen. maar as jy dink jy is 'n slegte statistikus en 'n ondoeltreffende programmeerder. Hoekom Al wat verander op die elfde dag was die prys van dag een af ​​val uit, en die prys van dag elf in gedaal. Die ander agt dae in die middel was presies dieselfde in beide berekeninge. Die tabel hieronder sal binnekort hierdie duidelik te maak. So, kan ek slim te bereken die bewegende gemiddelde deur die byvoeging van net die eerste en tiende, en te deel deur twee die volgende waarde van die MA is die som van dae twee en elf, ook gedeel deur twee. Hierdie eenvoudige begin en einde benadering werk vir enige bewegende gemiddelde van 'n onbepaalde. aangesien alle statistieke professore sê, is die bewys van links na die leser. In die tabel hieronder, toon die eerste ry die prys vir dae een deur tien die tweede ry, dae 10:58. Die som, gedeel deur tien, word dan gewys en vir jou lees genot en hartseer, is die eerste en laaste dae opgesom, en deur twee gedeel. Dieselfde resultaat prys data bedags Wel breek my knoppies Ek is seker al wat jy mense wat sagteware skryf vir jou aanwysers is om dit te doen die lang pad al die jare Sulke ondoeltreffende programmering Hoekom voeg tien syfers wanneer jy net twee kan voeg As hulle al twee daagse bewegende gemiddeldes, dan waarom doen hulle oor te dra verskillende inligting oor tendense aan beleggers eenvoudig: hoe langer die bewegende gemiddelde, die verder uitmekaar (Kwa tyd) die eerste en laaste dae is. Dit is die breedte van die interval - nie die aantal datapunte tussen die begin en einde - dat die verskillende bewegende gemiddeldes verskillende sensitiwiteite om kort - teenoor langtermyn tendense gee. 'N voorraad wat hoër is in die prys as 200 dae (of 40 weke) het gelede aansienlike spunk en strengheid gedemonstreer. Een hoër as twee weke gelede, nie soseer. So langer termyn bewegende gemiddeldes bevat meer inligting as kort doen nie, maar dit het niks te doen met die deler, wat sowel twee kan verdeel word in die eerste plus laaste. Duursame tendense uitstaan ​​met verloop van tyd, dit is hoekom langtermynbeleggers was so gelukkig toe die Dow Jones Industrial ETF (NYSEARCA: DIA) 200-daagse bewegende gemiddelde wys ondersteuning vroeër vandeesmaand. Maar net twee dae werklik saak gemaak Dieselfde geld vir ekonomiese data soos werkloosheid eise of duursame goedere, waar bewegende gemiddeldes ook gebruik word uit te stryk skommelinge. Openbaarmaking: Die skrywer is 'n lang IHI, XLV. Die skrywer het hierdie artikel self, en dit gee uitdrukking aan hul eie opinies. Die skrywer is nie die ontvangs van vergoeding daarvoor (behalwe op soek na Alpha). Die skrywer het geen besigheid verhouding met 'n maatskappy wie se voorraad word in hierdie artikel genoem. Lees die volledige artikel Hierdie artikel is vir PRO lede SLEGS toegang tot hierdie artikel en 15.000 eksklusiewe PRO artikels van 200 / m Belangstelling in die opgradering van PRO Maak 'n afspraak met 'n pro-rekening Bestuurder om te sien of PRO is reg vir jou. Ja, im interestedMoving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.) Sommige naweek lees vir tendens-volgelinge wat hul oortuigings te bevraagteken. Valeriy Zakamulin is 'n dier wanneer dit kom by die opwekking van navorsing oor bewegende gemiddeldes. We8217ve baie dieselfde werk gedoen, maar we8217re te lui om die resultate in 'n akademiese papier formaat tabuleer. Check hierdie vraestelle uit: Revisiting die winsgewendheid van Tydsberekening met Bewegende Gemiddeldes In 'n onlangse empiriese studie deur Glabadanidis (8220Market Tydsberekening met bewegende Averages8221 (2015), Internasionale Oorsig van Finansies Deel 15, nommer 13, Bladsye 387-425 die papier is ook. beskikbaar op die SSRN en is meer as 7500 keer afgelaai) die skrywer verslae treffende bewys van buitengewone goeie prestasie van die bewegende gemiddelde handel strategie. In hierdie vraestel te demonstreer ons dat 8220too om goed te wees true8221 berig prestasie van die bewegende gemiddelde strategie is te danke aan simuleer die handel met blik lig vooroordeel. Ons voer die simulasies sonder blik lig vooroordeel en rapporteer die ware prestasie van die bewegende gemiddelde strategie. Ons vind dat ten beste die prestasie van die bewegende gemiddelde strategie is net effens beter as dié van die ooreenstemmende koop-en-hou-strategie. In statistiese terme, die prestasie van die bewegende gemiddelde strategie is ononderskeibaar van die prestasie van die koop-en-hou-strategie. Hierdie vraestel voorsien word met R-kode wat toelaat dat elke belangstellende leser om die gerapporteerde resultate weer te gee. 'N omvattende blik op die empiriese Performance van bewegende gemiddelde handel strategieë deur Valeriy Zakamulin, werkspapier Ten spyte van die enorme stroom belangstelling in die mark tydsberekening en 'n reeks van publikasies in vaktydskrifte, is daar steeds 'n gebrek aan omvattende navorsing oor die evaluering van die winsgewendheid van die saak reëls met behulp van metodes wat vry is van die data Snooping vooroordeel is. In hierdie vraestel gebruik ons ​​die langste historiese dataset dat 155 jaar strek en uit te brei vorige studies oor die prestasie van bewegende gemiddelde handel reëls in 'n aantal belangrike maniere. Onder andere, ondersoek ons ​​of overweighting die onlangse pryse verhoog die werkverrigting van tydsberekening reëls of daar 'n enkele optimale Terugblik tydperk in elke handel reël en hoe akkuraat die handel reëls identifiseer die lomp en lomp tendense aandelemark. In ons studie ons, vir die eerste keer, gebruik beide die rolling - en uit te brei-venster skatting skema in die buite-monster toetse bestudeer die prestasie van handel reëls oor bul en beermarkte en voer talle robuustheid tjeks en toetse vir regime skofte in die dinamika aandelemark. Ons vernaamste resultate kan soos volg opgesom word: Daar is sterk bewyse dat die dinamika aandelemark verander met verloop van tyd. Ons vind geen statisties beduidende bewyse dat marktydsberekening strategieë beter gevaar as die mark in die tweede helfte van ons voorbeeld. Nóg die vorm van die gewig funksie of die tipe van die buite-monster skatting skema kan 'n handelaar om die prestasie van tydsberekening reëls te verbeter. Alle marktydsberekening reëls genereer baie valse seine tydens beide lomp en lomp tendense aandelemark, nog hierdie reëls is geneig om die mark te presteer in beer state. Die huidige weergawe van die koerant op die SSRN Tydsberekening met 'n robuuste bewegende gemiddelde van Valeriy Zakamulin, werkspapier In hierdie vraestel te vermaak ons ​​'n metode om die mees omvattende bewegende gemiddelde gewig skema te gebruik vir die doel van tydsberekening van die mark. Robuustheid van 'n gewig skema gedefinieer sy vermoë om volhoubare prestasie onder alle moontlike mark scenario te genereer ongeag die grootte van die gemiddelde venster. Die metode word geïllustreer met behulp van die langtermyn historiese data oor die Standard en Poor8217s Saamgestelde voorraad prysindeks. Ons vind die mees omvattende bewegende gemiddelde gewig skema, toon sy voordele, en bespreek die praktiese implementering. Anatomie van Tydsberekening met Bewegende Gemiddeldes deur Valeriy Zakamulin, werkspapier Die onderliggende konsep agter die tegniese handel aanwysers gebaseer op bewegende gemiddeldes van pryse het vir meer as die helfte van 'n eeu onveranderd gebly. Die ontwikkeling in hierdie veld het bestaan ​​in stel nuwe ad hoc reëls en die gebruik van meer ingewikkelde soorte bewegende gemiddeldes in die bestaande reëls, sonder enige dieper ontleding van gemeenskaplikhede en verskille tussen diverse keuses vir handel reëls en bewegende gemiddeldes. In hierdie vraestel ontbloot ons die anatomie van marktydsberekening reëls met bewegende gemiddeldes. Ons ontleding bied 'n nuwe en baie insiggewende herinterpretasie van die bestaande reëls en dui aan dat die berekening van elke handel aanwyser in dieselfde geïnterpreteer kan word as die berekening van die geweegde bewegende gemiddelde van prysveranderings. Hierdie kennis stel 'n handelaar om duidelik te verstaan ​​die reaksie eienskappe van die saak aanwysers en vereenvoudig dramaties die soeke na die beste handel reël. As 'n eenvoudige toepassing van die bruikbare kennis geopenbaar deur ons ontleding, in hierdie vraestel ons vermaak ook 'n metode om die mees omvattende bewegende gemiddelde gewig skema. Die metode word geïllustreer met behulp van die langtermyn historiese data oor die Standard en Poor8217s Saamgestelde voorraad prysindeks. Ons vind die mees omvattende bewegende gemiddelde gewig skema en toon sy voordele. Sluit duisende ander lesers en skryf in op ons blog. Onthou asseblief dat vorige prestasie is nie 'n aanduiding van toekomstige resultate. Lees asseblief ons volle vrywaring. Die sienings en menings wat hierin is dié van die outeur en nie noodwendig die menings van Alpha argitek, sy affiliasies of sy werknemers. Hierdie materiaal is om jou te voorsien slegs vir inligting en opvoedkundige doeleindes en nie 'n aanbod of uitnodiging van 'n aanbod of enige raad of aanbeveling aan enige sekuriteite of ander finansiële instrumente te koop uitmaak en kan nie beskou word as sulks. Die feitelike inligting soos uiteengesit hierin verkry of verkry uit bronne deur die skrywer en Alpha argitek geloofwaardig te wees, maar dit is nie noodwendig alles ingesluit en word nie gewaarborg betrekking tot die akkuraatheid en is nie as 'n voorstelling of waarborg beskou te word , uitdruklik of geïmpliseer, oor die inligting akkuraatheid of volledigheid, of moet die aangehegte inligting dien as die basis van 'n belegging besluit. Geen gedeelte van hierdie materiaal mag in enige vorm of op enige ander publikasie verwys, sonder uitdruklike skriftelike toestemming van Alpha argitek. Oor die outeur nadat hy as 'n kaptein in die Verenigde State van Amerika Marine Corps, Dr. Gray het 'n PhD, en was 'n finansiële professor by Drexel Universiteit. Dr. Grays belangstelling in entrepreneurskap en gedragsprobleme finansies daartoe gelei dat hy gevind Alpha argitek. Dr. Gray het drie boeke gepubliseer: VASGELEGDE: 'n Marine Corps adviseur Binne die Irakse weermag, KWANTITATIEWE Waarde: 'n Praktisyns Guide to Outomatisering Intelligent Investment en die uitskakeling van Behavioral foute, en DIY FINANSIËLE ADVISEUR: 'n eenvoudige oplossing te bou en beskerm jou Wealth. Sy talle gepubliseerde werke is uitgelig op CBNC, CNN, NPR, Motley Fool, WSJ Market Watch, CFA Institute, Institutional Investor, en CBS News. Dr. Gray verdien 'n MBA en 'n PhD in finansies aan die Universiteit van Chicago en gegradueer magna cum laude met 'n BS van die Wharton Skool van die Universiteit van Pennsylvania.