ข้อดี ของการ เฉลี่ยเคลื่อนที่ แบบ

ค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่ (โดยปกติจะสั้นลงในการวิจัยของเรา) เป็นตัวชี้วัดที่ได้รับความนิยมมากที่สุดและใช้โดยนักวิเคราะห์ด้านเทคนิคเพื่อหางานที่หลากหลาย: ระบุพื้นที่สนับสนุนระยะสั้นเพื่อกำหนดแนวโน้มในปัจจุบันเป็นองค์ประกอบในหลาย ๆ ด้าน ตัวชี้วัดอื่น ๆ เช่น MACD หรือ Bollinger bands ข้อได้เปรียบหลักของค่าเฉลี่ยเคลื่อนที่คืออันดับแรกคือทำให้ข้อมูลมีความราบรื่นและทำให้ภาพที่ชัดเจนของแนวโน้มในปัจจุบันและประการที่สองคือ m. a. สัญญาณสามารถให้คำตอบได้อย่างแม่นยำว่าแนวโน้มคืออะไร ข้อเสียเปรียบหลัก ๆ คือพวกเขาล้าหลังมากกว่าตัวบ่งชี้ แต่ก็ไม่ควรเป็นปัญหาสำหรับนักลงทุนระยะยาว มีค่าเฉลี่ยเคลื่อนที่สองรูปแบบ: ค่าเฉลี่ยเคลื่อนที่แบบเรียบ (ตามที่แนะนำ) จะคำนวณราคาเฉลี่ยในช่วงเวลาที่ระบุ ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่เฉลี่ย 20 วันจะคำนวณราคาเฉลี่ยเฉลี่ยจากราคาปิดของยี่สิบวันล่าสุดและอื่น ๆ ค่าเฉลี่ยเลขคณิตเฉลี่ย (ema) ยังมีค่าเฉลี่ยที่ x วันสุดท้ายปิด แต่กำหนดน้ำหนักให้มากขึ้นเมื่อเทียบกับราคาล่าสุดทำให้มีความไวต่อการกระทำของราคาในปัจจุบันและลดผลกระทบที่ล่าช้า กำหนดแนวรับระยะสั้นและแนวต้านตารางด้านล่างแสดงดัชนี Nasdaq 100 ที่มีค่าเฉลี่ยเลขนัยถึง 50 วัน (ema) ดัชนีทำจุดสูงสุดและระดับต่ำสุดที่สูงขึ้นในลักษณะที่สอดคล้องกันตลอดช่วงปี 2003 และ ema 50 วันเป็นตัวบ่งชี้ที่ดีของจุดต่ำสุดเหล่านี้คือจุดเริ่มต้นของการซื้อขายระยะยาว หนึ่งอาจแน่นอนลองค่าเฉลี่ยเคลื่อนที่ระยะเวลานานขึ้นเพื่อให้มั่นใจ troughs ทั้งหมดยังคงสูงกว่าค่าเฉลี่ย แต่จากประสบการณ์ที่เราได้พบ ema 50 วันไม่ได้งานดี. การสร้างสัญญาณการซื้อขายวิธีการไขว้สร้างสัญญาณการซื้อขายอัตโนมัติที่เชื่อถือได้อย่างเป็นธรรมเมื่อมีค่าเฉลี่ยระยะสั้นที่สูงกว่าค่าเฉลี่ยระยะยาว ในตัวอย่างด้านล่างเราได้แสดง emas 20 และ 50 วันสำหรับดัชนี Nasdaq 100 วิธีการครอสโอเวอร์จะซื้อดัชนีเมื่อมีความอ่อนไหว 20 วัน (เส้นสีเขียว) ข้ามระยะยาว 50 วัน (เส้นสีแดง) และจะขายดัชนีเมื่อ ema 20 วันข้ามกลับด้านล่าง ema 50 วัน เราได้ทำเครื่องหมายการซื้อที่มีลูกศรสีน้ำเงินและขายด้วยลูกศรสีแดงระบบกฎข้อนี้จะทำให้เราอยู่ในตลาดได้ตั้งแต่ประมาณ 1000 ถึงประมาณ 1500 รายการเข้าถึงบริการการวิจัยของเราจำเป็นต้องยอมรับข้อกำหนดในการให้บริการของเราและอยู่ภายใต้คำจำกัดความของเรา ดูนโยบายความเป็นส่วนตัวของเรา US Stock Service และ US Timing Market ให้บริการโดย Chartcraft Inc (Chartcraft) ซึ่งไม่ใช่ธุรกิจที่มีการควบคุม บริการอื่น ๆ ทั้งหมดมีให้โดย Stockcube Research Limited (Stockcube) ซึ่งได้รับอนุญาตและควบคุมโดย UKs Financial Conduct Authority Chartcraft และ Stockcube ถือหุ้นทั้งหมดโดย Stockcube Ltd. ซึ่งเป็น บริษัท ในสหราชอาณาจักรที่จดทะเบียนในประเทศอังกฤษ 7 ข้อผิดพลาดในการเคลื่อนที่โดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่คือราคาเฉลี่ยของการรักษาความปลอดภัยในช่วงเวลาที่กำหนด นักวิเคราะห์มักใช้ค่าเฉลี่ยเคลื่อนที่เป็นเครื่องมือในการวิเคราะห์เพื่อให้ง่ายต่อการปฏิบัติตามแนวโน้มของตลาดในขณะที่การเคลื่อนไหวขึ้นและลง ค่าเฉลี่ยเคลื่อนที่สามารถสร้างเทรนด์และวัดโมเมนตัม ดังนั้นจึงสามารถใช้เพื่อระบุเมื่อนักลงทุนควรซื้อหรือขายหลักทรัพย์ที่เฉพาะเจาะจง นักลงทุนยังสามารถใช้ค่าเฉลี่ยเคลื่อนที่เพื่อระบุจุดสนับสนุนหรือจุดต้านทานเพื่อวัดเมื่อราคามีแนวโน้มที่จะเปลี่ยนแปลงทิศทาง โดยการศึกษาช่วงการซื้อขายในอดีตจุดสนับสนุนและจุดแข็งที่เกิดขึ้นจะมีขึ้นเมื่อราคาหลักทรัพย์กลับมามีแนวโน้มปรับตัวสูงขึ้นหรือลดลงในอดีต จุดเหล่านี้จะใช้ในการตัดสินใจซื้อหรือขาย แต่ค่าเฉลี่ยเคลื่อนที่ไม่ได้เป็นเครื่องมือที่เหมาะสำหรับการสร้างเทรนด์และแสดงให้เห็นถึงความเสี่ยงที่ลึกซึ้ง แต่มีนัยสำคัญต่อนักลงทุน นอกจากนี้ค่าเฉลี่ยเคลื่อนที่จะไม่สามารถใช้ได้กับทุกประเภทของ บริษัท และอุตสาหกรรม ข้อเสียสำคัญ ๆ ของค่าเฉลี่ยเคลื่อนที่ ได้แก่ 1. ค่าเฉลี่ยเคลื่อนที่คำนวณจากข้อมูลที่ผ่านมา พวกเขาไม่ได้คำนึงถึงการเปลี่ยนแปลงที่อาจส่งผลกระทบต่อประสิทธิภาพการทำงานในอนาคตของคู่แข่งเช่นคู่แข่งรายใหม่ความต้องการผลิตภัณฑ์ในอุตสาหกรรมที่สูงขึ้นหรือลดลงและการเปลี่ยนแปลงโครงสร้างการบริหารของ บริษัท 2. ค่าเฉลี่ยเคลื่อนที่จะแสดงการเปลี่ยนแปลงราคาที่สอดคล้องกันในช่วงเวลาหนึ่ง แต่น่าเสียดายที่ค่าเฉลี่ยเคลื่อนที่ไม่ทำงานสำหรับทุก บริษัท โดยเฉพาะอย่างยิ่งสำหรับผู้ที่อยู่ในอุตสาหกรรมที่มีความผันผวนมากหรือผู้ที่ได้รับอิทธิพลอย่างมากจากเหตุการณ์ปัจจุบัน โดยเฉพาะอย่างยิ่งสำหรับอุตสาหกรรมน้ำมันและอุตสาหกรรมเก็งกำไรโดยทั่วไป 3. ค่าเฉลี่ยเคลื่อนที่สามารถแพร่กระจายได้ตลอดช่วงเวลาใด ๆ อย่างไรก็ตามปัญหานี้อาจเป็นปัญหาได้เนื่องจากแนวโน้มทั่วไปสามารถเปลี่ยนแปลงได้อย่างมากขึ้นอยู่กับช่วงเวลาที่ใช้ กรอบเวลาที่สั้นลงมีความผันผวนมากขึ้นในขณะที่กรอบเวลาที่ยาวขึ้นมีความผันผวนน้อยกว่า แต่อย่าคำนึงถึงการเปลี่ยนแปลงใหม่ ๆ ในตลาด นักลงทุนจะต้องระมัดระวังในช่วงเวลาที่พวกเขาเลือกเพื่อให้แน่ใจว่าแนวโน้มมีความชัดเจนและเกี่ยวข้อง 4. การอภิปรายที่กำลังดำเนินอยู่คือการให้ความสำคัญมากขึ้นหรือไม่ในวันล่าสุดในช่วงเวลา หลายคนรู้สึกว่าข้อมูลล่าสุดสะท้อนให้เห็นถึงทิศทางที่ระบบรักษาความปลอดภัยมีการเคลื่อนไหวในขณะที่คนอื่น ๆ รู้สึกว่าการให้น้ำหนักมากกว่าคนอื่น ๆ บางวันอาจทำให้เกิดแนวโน้มที่ไม่ถูกต้อง นักลงทุนที่ใช้วิธีการต่าง ๆ ในการคำนวณค่าเฉลี่ยอาจวาดแนวโน้มที่แตกต่างกันโดยสิ้นเชิง (เรียนรู้เพิ่มเติมในค่าเฉลี่ยเคลื่อนที่แบบง่ายและค่าเฉลี่ย) 5. นักลงทุนหลายคนให้เหตุผลว่าการวิเคราะห์ทางเทคนิคเป็นวิธีที่ไม่มีนัยสำคัญในการทำนายพฤติกรรมของตลาด พวกเขากล่าวว่าตลาดไม่มีหน่วยความจำและอดีตไม่ได้เป็นตัวบ่งชี้อนาคต นอกจากนี้ยังมีงานวิจัยที่สำคัญในการสนับสนุนเรื่องนี้ ตัวอย่างเช่น Roy Nersesian ได้ทำการศึกษากับห้ากลยุทธ์ที่แตกต่างกันโดยใช้ค่าเฉลี่ยเคลื่อนที่ อัตราความสำเร็จของแต่ละกลยุทธ์แตกต่างกันระหว่าง 37 ถึง 66 ผลการวิจัยนี้ชี้ให้เห็นว่าค่าเฉลี่ยเคลื่อนที่จะให้ผลลัพธ์เพียงครึ่งเดียวเท่านั้นซึ่งอาจทำให้การใช้งานเป็นเรื่องที่มีความเสี่ยงในการกำหนดเวลาของตลาดหุ้นได้อย่างมีประสิทธิภาพ 6 หลักทรัพย์มักจะแสดงรูปแบบของพฤติกรรมแบบวัฏจักร นี่เป็นเรื่องจริงสำหรับ บริษัท สาธารณูปโภคที่มีความต้องการผลิตภัณฑ์ของตนอย่างต่อเนื่องทุกปี แต่มีการเปลี่ยนแปลงตามฤดูกาลที่แข็งแกร่ง แม้ว่าค่าเฉลี่ยเคลื่อนที่จะช่วยให้เรียบขึ้นแนวโน้มเหล่านี้พวกเขายังสามารถซ่อนความจริงที่ว่าการรักษาความปลอดภัยมีแนวโน้มในรูปแบบการแกว่ง (หากต้องการเรียนรู้เพิ่มเติมโปรดดูที่การเก็บตาบนโมเมนตัม) 7. วัตถุประสงค์ของแนวโน้มใด ๆ คือการคาดคะเนว่าราคาของหลักประกันจะเป็นอย่างไรในอนาคต หากการรักษาความปลอดภัยไม่ได้มีแนวโน้มไปในทิศทางใดก็ไม่มีโอกาสที่จะทำกำไรจากการซื้อหรือขายสั้น ๆ วิธีเดียวที่นักลงทุนอาจมีความสามารถในการทำกำไรได้ก็คือการใช้กลยุทธ์ทางเลือกที่ซับซ้อนและอาศัยราคาที่คงที่ ค่าเฉลี่ยถ่วงน้ำหนักด้านล่างถือได้ว่าเป็นเครื่องมือวิเคราะห์ที่มีค่าโดยหลายคน แต่สำหรับเครื่องมือใด ๆ ที่มีประสิทธิภาพคุณต้องเข้าใจถึงฟังก์ชันการทำงานเมื่อใช้และเมื่อไม่ใช้งาน ความเสี่ยงที่กล่าวถึงในที่นี้ระบุว่าเมื่อค่าเฉลี่ยเคลื่อนที่อาจไม่ได้เป็นเครื่องมือที่มีประสิทธิภาพเช่นเมื่อใช้กับหลักทรัพย์ที่มีความผันผวนและอาจมองข้ามข้อมูลทางสถิติที่สำคัญบางอย่างเช่นรูปแบบวัฏจักร ยังเป็นที่น่าสงสัยว่าค่าเฉลี่ยเคลื่อนที่ที่มีประสิทธิภาพสำหรับการระบุแนวโน้มราคาได้อย่างถูกต้องอย่างไร เมื่อพิจารณาข้อบกพร่องค่าเฉลี่ยเคลื่อนที่จะเป็นเครื่องมือที่ใช้ร่วมกับผู้อื่นได้ดีที่สุด ในท้ายที่สุดประสบการณ์ส่วนตัวจะเป็นตัวบ่งชี้ที่ดีที่สุดว่าพวกเขามีประสิทธิผลอย่างแท้จริงสำหรับผลงานของคุณอย่างไร (สำหรับข้อมูลเพิ่มเติมโปรดดูที่ Adaptive Moving Averages นำไปสู่ผลลัพธ์ที่ดีขึ้น) net. sourceforge. openforecast. models Class MovingAverageModel รูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับเทมเพลตเวลาที่สร้างขึ้นเองซึ่งค่าในช่วงเวลาหนึ่งจะถูกแทนที่ด้วยค่าเฉลี่ย ของค่านั้นและค่าของช่วงเวลาก่อนหน้าและช่วงเวลาที่สำเร็จ ตามที่คุณอาจคาดเดาได้จากคำอธิบายรูปแบบนี้เหมาะที่สุดสำหรับข้อมูลชุดข้อมูลเวลาเช่นข้อมูลที่เปลี่ยนแปลงตลอดเวลา ตัวอย่างเช่นแผนภูมิจำนวนมากของแต่ละหุ้นในตลาดหุ้นแสดงเส้นค่าเฉลี่ยเคลื่อนที่ 20, 50, 100 หรือ 200 วันเพื่อแสดงแนวโน้ม เนื่องจากค่าคาดการณ์ของช่วงเวลาหนึ่ง ๆ เป็นค่าเฉลี่ยของช่วงเวลาก่อนหน้านี้การคาดการณ์จะล่าช้ากว่าการเพิ่มขึ้นหรือลดลงของค่าที่สังเกตได้ (ขึ้นอยู่กับค่า) ตัวอย่างเช่นถ้าชุดข้อมูลมีแนวโน้มสูงขึ้นที่น่าทึ่งจากนั้นการคาดการณ์โดยเฉลี่ยโดยเฉลี่ยจะให้ค่าที่วัดได้โดยเฉลี่ยของค่าที่ขึ้นกับตัวแปร วิธีเฉลี่ยเคลื่อนที่มีข้อได้เปรียบเหนือรูปแบบการคาดการณ์อื่น ๆ ในการทำให้ยอดและร่อง (หรือหุบเขา) เรียบขึ้นในชุดของข้อสังเกต อย่างไรก็ตามก็ยังมีข้อเสียอยู่หลายประการ โดยเฉพาะรุ่นนี้ไม่ได้สร้างสมการที่แท้จริง ดังนั้นจึงไม่ใช่สิ่งที่มีประโยชน์ในฐานะเครื่องมือคาดการณ์ในระยะปานกลาง สามารถคาดการณ์ได้อย่างน่าเชื่อถือเพียงอย่างเดียวในการคาดการณ์ระยะเวลาหนึ่งหรือสองช่วงเวลาในอนาคต แบบจำลองค่าเฉลี่ยเคลื่อนที่เป็นกรณีพิเศษของค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักโดยทั่วไปมากขึ้น ในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายน้ำหนักทั้งหมดมีค่าเท่ากัน ตั้งแต่: 0.3 ผู้แต่ง: Steven R. Gould ฟิลด์ที่สืบทอดมาจากคลาส net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () สร้างโมเดลการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่ MovingAverageModel (int period) สร้างโมเดลพยากรณ์การเคลื่อนไหวโดยใช้ช่วงเวลาที่กำหนด getForecastType () ส่งคืนคำหนึ่งหรือสองชื่อของรูปแบบการคาดการณ์ประเภทนี้ init (DataSet dataSet) ใช้เพื่อเริ่มต้นโมเดลเฉลี่ยเคลื่อนที่ toString () ควรแทนที่นี้เพื่อให้คำอธิบายแบบข้อความของรูปแบบการคาดการณ์ปัจจุบันรวมถึงพารามิเตอร์ที่ได้รับที่ใช้ เมธอดสืบทอดมาจากคลาส net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่ สำหรับรูปแบบที่ถูกต้องที่จะสร้างคุณควรโทร init และส่งผ่านชุดข้อมูลที่มีชุดข้อมูลจุดที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระ MovingAverageModel สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ชื่อที่ระบุเป็นตัวแปรอิสระ พารามิเตอร์: independentVariable - ชื่อของตัวแปรอิสระที่จะใช้ในโมเดลนี้ MovingAverageModel สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ระยะเวลาที่กำหนด สำหรับรูปแบบที่ถูกต้องที่จะสร้างคุณควรโทร init และส่งผ่านชุดข้อมูลที่มีชุดข้อมูลจุดที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระ ค่ารอบจะใช้เพื่อกำหนดจำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ 50 วันที่จุดข้อมูลเป็นค่าสังเกตรายวันระยะเวลาควรกำหนดเป็น 50 ระยะเวลานี้ใช้เพื่อกำหนดจำนวนงวดในอนาคตที่คาดการณ์ได้อย่างมีประสิทธิภาพ ด้วยค่าเฉลี่ยเคลื่อนที่ 50 วันเราจึงไม่สามารถคาดการณ์ได้อย่างถูกต้องด้วยความถูกต้องแม่นยำในระดับใด ๆ มากกว่า 50 วันนอกเหนือจากช่วงเวลาสุดท้ายที่มีข้อมูลอยู่ ซึ่งอาจเป็นประโยชน์มากกว่ากล่าวคือระยะเวลา 10 วันซึ่งเราสามารถคาดการณ์ได้อย่างมีเหตุผลเพียง 10 วันนอกเหนือจากช่วงเวลาที่ผ่านมา พารามิเตอร์: ระยะเวลา - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ MovingAverageModel สร้างแบบจำลองการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ชื่อที่กำหนดเป็นตัวแปรอิสระและช่วงเวลาที่ระบุ พารามิเตอร์: independentVariable - ชื่อของตัวแปรอิสระที่จะใช้ในโมเดลนี้ ระยะเวลา - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ ใช้เพื่อเริ่มต้นโมเดลเฉลี่ยเคลื่อนที่ ต้องเรียกวิธีนี้ก่อนวิธีอื่นในชั้นเรียน เนื่องจากโมเดลเฉลี่ยเคลื่อนที่ไม่ได้รับสมการใดในการคาดการณ์วิธีนี้ใช้ DataSet อินพุทเพื่อคำนวณค่าพยากรณ์สำหรับค่าที่ถูกต้องทั้งหมดของตัวแปรเวลาที่เป็นอิสระ ระบุโดย: init in interface ForecastingModel แทนที่: init ในคลาส AbstractTimeBasedModel พารามิเตอร์: dataSet - ชุดข้อมูลการสังเกตที่สามารถใช้เพื่อเริ่มต้นพารามิเตอร์พยากรณ์ของรูปแบบการคาดการณ์ getForecastType แสดงคำหนึ่งหรือสองชื่อของรูปแบบการพยากรณ์อากาศแบบนี้ เก็บเรื่องสั้นนี้ไว้ ควรใช้คำอธิบายเพิ่มเติมในวิธี toString ควรแทนที่นี้เพื่อให้คำอธิบายแบบข้อความของรูปแบบการคาดการณ์ในปัจจุบันรวมถึงพารามิเตอร์ที่ได้รับที่ใช้ซึ่งเป็นไปได้ ระบุโดย: toString ในอินเทอร์เฟซ ForecastingModel แทนที่: toString ในคลาส WeightedMovingAverageModel Returns: การแสดงสตริงของรูปแบบการพยากรณ์ปัจจุบันและพารามิเตอร์ของมัน