Technische Analyse: Moving Averages Die meisten Chart-Muster zeigen eine Menge von Veränderungen in der Preisentwicklung. Dies kann es schwierig für Händler, eine Vorstellung von einem Sicherheiten insgesamt Trend zu bekommen. Eine einfache Methode Trader verwenden, um dies zu bekämpfen ist, gelten gleitende Durchschnitte. Ein gleitender Durchschnitt ist der Durchschnittspreis eines Wertpapiers über einen festgelegten Zeitraum. Durch die Plotierung eines durchschnittlichen Sicherheitspreises wird die Kursbewegung geglättet. Sobald die täglichen Schwankungen entfernt sind, sind Händler besser in der Lage, den wahren Trend zu identifizieren und erhöhen die Wahrscheinlichkeit, dass es zu ihren Gunsten zu arbeiten. (Um mehr zu erfahren, lesen Sie die Moving Averages Tutorial.) Arten von Moving Averages Es gibt eine Reihe von verschiedenen Arten von gleitenden Durchschnitten, die in der Art, wie sie berechnet werden, variieren, aber wie jeder Durchschnitt interpretiert wird, bleibt der gleiche. Die Berechnungen unterscheiden sich nur hinsichtlich der Gewichtung, die sie auf die Preisdaten setzen, wobei sie sich von der gleichen Gewichtung jedes Preispunktes zu mehr Gewicht auf die jüngsten Daten setzen. Die drei häufigsten Arten von gleitenden Durchschnitten sind einfach. Linear und exponentiell. Simple Moving Average (SMA) Dies ist die häufigste Methode, um den gleitenden Durchschnitt der Preise zu berechnen. Es nimmt einfach die Summe aller vergangenen Schlusskurse über den Zeitraum und teilt das Ergebnis durch die Anzahl der Preise, die in der Berechnung verwendet werden. Zum Beispiel werden in einem 10-Tage gleitenden Durchschnitt die letzten 10 Schlusskurse addiert und dann durch 10 geteilt. Wie Sie in Abbildung 1 sehen können, ist ein Händler in der Lage, den Durchschnitt weniger auf wechselnde Preise durch Erhöhung der Zahl zu reagieren Der in der Berechnung verwendeten Fristen. Die Erhöhung der Zahl der Zeiträume in der Berechnung ist eine der besten Möglichkeiten, um die Stärke des langfristigen Trends und die Wahrscheinlichkeit, dass es umgekehrt zu messen. Viele Personen argumentieren, dass die Nützlichkeit dieser Art von Durchschnitt begrenzt ist, da jeder Punkt in der Datenreihe die gleiche Auswirkung auf das Ergebnis hat, unabhängig davon, wo er in der Sequenz auftritt. Die Kritiker argumentieren, dass die jüngsten Daten wichtiger sind und deshalb auch eine höhere Gewichtung haben sollte. Diese Art der Kritik war einer der Hauptfaktoren, die zur Erfindung anderer Formen von gleitenden Durchschnitten führten. Linearer gewichteter Mittelwert Dieser gleitende Durchschnittsindikator ist der kleinste der drei Fälle und wird verwendet, um das Problem der gleichen Gewichtung zu lösen. Der lineare gewichtete gleitende Durchschnitt wird berechnet, indem man die Summe aller Schlusskurse über einen bestimmten Zeitraum hinweg multipliziert und mit der Position des Datenpunkts multipliziert und dann durch die Summe der Anzahl von Perioden dividiert. Beispielsweise wird in einem fünftägigen linear gewichteten Durchschnitt der heutige Schlusskurs mit fünf, yesterdays um vier multipliziert und so weiter, bis der erste Tag im Periodenbereich erreicht ist. Diese Zahlen werden dann addiert und durch die Summe der Multiplikatoren dividiert. Exponential Moving Average (EMA) Diese gleitende Durchschnittsberechnung verwendet einen Glättungsfaktor, um ein höheres Gewicht auf die letzten Datenpunkte zu legen und gilt als viel effizienter als der linear gewichtete Durchschnitt. Ein Verständnis der Berechnung ist in der Regel nicht für die meisten Händler erforderlich, da die meisten Charting-Pakete die Berechnung für Sie. Das Wichtigste, um sich über den exponentiellen gleitenden Durchschnitt zu erinnern ist, dass er mehr auf neue Informationen bezogen auf den einfachen gleitenden Durchschnitt reagiert. Diese Reaktionsfähigkeit ist einer der Schlüsselfaktoren, warum dies der gleitende Durchschnitt der Wahl unter vielen technischen Händlern ist. Wie Sie in Abbildung 2 sehen können, steigt und fällt ein 15-Perioden-EMA schneller als ein 15-stündiges SMA. Diese leichte Differenz scheint nicht so viel, aber es ist ein wichtiger Faktor, um bewusst zu sein, da sie die Rückkehr beeinflussen können. Hauptverwendungen der Gleitende Mittel Gleitende Mittelwerte werden verwendet, um aktuelle Trends und Trendumkehrungen zu identifizieren sowie Unterstützungs - und Widerstandswerte einzurichten. Bewegungsdurchschnitte können verwendet werden, um schnell zu identifizieren, ob sich ein Sicherheitsgut in einem Aufwärtstrend oder einem Abwärtstrend bewegt, abhängig von der Richtung des gleitenden Durchschnitts. Wie Sie in Abbildung 3 sehen können, wenn ein gleitender Durchschnitt aufwärts geht und der Preis über ihm liegt, ist die Sicherheit in einem Aufwärtstrend. Umgekehrt kann ein abwärts gerichteter gleitender Durchschnitt mit dem Preis unten verwendet werden, um einen Abwärtstrend zu signalisieren. Ein anderes Verfahren zur Bestimmung des Impulses besteht darin, die Reihenfolge eines Paares von sich bewegenden Mittelwerten zu betrachten. Wenn ein kurzfristiger Durchschnitt über einem längerfristigen Durchschnitt liegt, ist der Trend vorbei. Auf der anderen Seite signalisiert ein langfristiger Durchschnitt über einem kürzerfristigen Durchschnitt eine Abwärtsbewegung im Trend. Gleitende durchschnittliche Trendumkehrungen werden in zwei Hauptformen gebildet: wenn der Preis sich durch einen gleitenden Durchschnitt bewegt und wenn er sich durch gleitende Durchschnittsübergänge bewegt. Das erste gemeinsame Signal ist, wenn der Preis bewegt sich durch einen wichtigen gleitenden Durchschnitt. Wenn beispielsweise der Kurs eines Wertpapiers, der sich in einem Aufwärtstrend befand, unter einen 50-Perioden-gleitenden Durchschnitt fällt, wie in 4, ist dies ein Zeichen, dass der Aufwärtstrend umgekehrt werden kann. Das andere Signal einer Trendumkehr ist, wenn ein gleitender Durchschnitt einen anderen kreuzt. Zum Beispiel, wie Sie in Abbildung 5 sehen können, wenn der 15-Tage-Gleitende Durchschnitt über dem 50-Tage-Gleitenden Durchschnitt überschreitet, ist es ein positives Zeichen, dass der Preis zu steigen beginnt. Wenn die in der Berechnung verwendeten Zeiträume relativ kurz sind, beispielsweise 15 und 35, könnte dies eine kurzfristige Trendumkehr signalisieren. Auf der anderen Seite, wenn zwei Mittelwerte mit relativ langen Zeitrahmen überqueren (50 und 200, zum Beispiel), wird dies verwendet, um eine langfristige Trendverschiebung vorzuschlagen. Ein weiterer wichtiger Weg gleitende Durchschnitte werden verwendet, um Unterstützung und Widerstand Ebenen zu identifizieren. Es ist nicht ungewöhnlich zu sehen, eine Aktie, die fallen hat seinen Rückgang stoppen und umgekehrte Richtung, sobald es die Unterstützung eines großen gleitenden Durchschnitt trifft. Ein Umzug durch einen großen gleitenden Durchschnitt wird oft als Signal von technischen Händlern verwendet, dass der Trend rückgängig gemacht wird. Wenn beispielsweise der Kurs den 200-Tage-Bewegungsdurchschnitt in einer Abwärtsrichtung durchbricht, ist dies ein Signal, dass der Aufwärtstrend umgekehrt wird. Gleitende Durchschnitte sind ein leistungsfähiges Werkzeug für die Analyse der Trend in einer Sicherheit. Sie bieten nützliche Unterstützung und Widerstand Punkte und sind sehr einfach zu bedienen. Die häufigsten Zeitrahmen, die bei der Erstellung von Bewegungsdurchschnitten verwendet werden, sind die 200-Tage, 100-Tage, 50-Tage, 20 Tage und 10 Tage. Der 200-Tage-Durchschnitt ist ein gutes Maß für ein Handelsjahr, ein 100-Tage-Durchschnitt von einem halben Jahr, ein 50-Tage-Durchschnitt von einem Vierteljahr, ein 20-Tage-Durchschnitt von einem Monat und 10 - Durchschnitt von zwei Wochen. Die gleitenden Durchschnitte helfen technischen Händlern, einige der Geräusche, die in den täglichen Preisbewegungen gefunden werden, zu glätten und geben den Händlern einen klareren Überblick über die Preisentwicklung. Bisher konzentrieren wir uns auf die Preisentwicklung, durch Diagramme und Durchschnitte. Im nächsten Abschnitt, betrachten auch einige andere Techniken, die benutzt werden, um Preisbewegung und - muster zu bestätigen. Technische Analyse: Indikatoren und OszillatorenSpreadsheet Umsetzung der saisonalen Anpassung und exponentielle Glättung Es ist einfach, saisonale Anpassung und passen exponentielle Glättung Modelle mit Excel führen. Die unten aufgeführten Bildschirmbilder und Diagramme werden einer Tabellenkalkulation entnommen, die eine multiplikative saisonale Anpassung und eine lineare Exponentialglättung für die folgenden vierteljährlichen Verkaufsdaten von Outboard Marine darstellt: Um eine Kopie der Tabellenkalkulation selbst zu erhalten, klicken Sie hier. Die Version der linearen exponentiellen Glättung, die hier für Demonstrationszwecke verwendet wird, ist die Brown8217s-Version, nur weil sie mit einer einzigen Spalte von Formeln implementiert werden kann und es nur eine Glättungskonstante gibt, die optimiert werden soll. In der Regel ist es besser, Holt8217s Version, die separate Glättungskonstanten für Ebene und Trend hat. Der Prognoseprozess verläuft wie folgt: (i) Die Daten werden saisonbereinigt (ii) sodann für die saisonbereinigten Daten über lineare exponentielle Glättung prognostiziert und (iii) schließlich werden die saisonbereinigten Prognosen zur Erzielung von Prognosen für die ursprüngliche Serie herangezogen . Der saisonale Anpassungsprozess wird in den Spalten D bis G durchgeführt. Der erste Schritt in der Saisonbereinigung besteht darin, einen zentrierten gleitenden Durchschnitt (hier in Spalte D) zu berechnen. Dies kann erreicht werden, indem der Durchschnitt von zwei einjährigen Durchschnittswerten, die um eine Periode relativ zueinander versetzt sind, genommen wird. (Eine Kombination von zwei Offset-Durchschnittswerten anstatt eines einzigen Mittels wird für die Zentrierung benötigt, wenn die Anzahl der Jahreszeiten gleich ist.) Der nächste Schritt besteht darin, das Verhältnis zum gleitenden Durchschnitt zu berechnen. Wobei die ursprünglichen Daten durch den gleitenden Durchschnitt in jeder Periode dividiert werden, was hier in Spalte E durchgeführt wird. (Dies wird auch als Quottrend-Cyclequot-Komponente des Musters bezeichnet, sofern Trend - und Konjunktur-Effekte als alles betrachtet werden können Bleibt nach einer Durchschnittsberechnung über ein ganzes Jahr im Wert von Daten bestehen. Natürlich können die monatlichen Veränderungen, die nicht saisonal bedingt sind, durch viele andere Faktoren bestimmt werden, aber der 12-Monatsdurchschnitt glättet sie weitgehend Wird der geschätzte saisonale Index für jede Jahreszeit berechnet, indem zuerst alle Verhältnisse für die jeweilige Jahreszeit gemittelt werden, was in den Zellen G3-G6 unter Verwendung einer AVERAGEIF-Formel erfolgt. Die Durchschnittsverhältnisse werden dann neu skaliert, so daß sie auf das genau 100-fache der Anzahl der Perioden in einer Jahreszeit, oder 400 in diesem Fall, das in den Zellen H3-H6 erfolgt, summieren. Unten in der Spalte F werden VLOOKUP-Formeln verwendet, um den entsprechenden saisonalen Indexwert in jede Zeile der Datentabelle einzufügen, entsprechend dem Viertel des Jahres, das es repräsentiert. Der zentrierte gleitende Durchschnitt und die saisonbereinigten Daten enden wie folgt: Beachten Sie, dass der gleitende Durchschnitt typischerweise wie eine glattere Version der saisonbereinigten Serie aussieht und an beiden Enden kürzer ist. Ein weiteres Arbeitsblatt in derselben Excel-Datei zeigt die Anwendung des linearen exponentiellen Glättungsmodells auf die saisonbereinigten Daten beginnend in Spalte G. Über der Prognosespalte (hier in Zelle H9) wird ein Wert für die Glättungskonstante (alpha) eingetragen Zur Vereinfachung wird ihm der Bereichsname quotAlpha. quot zugewiesen (Der Name wird mit dem Befehl quotInsertNameCreatequot zugewiesen.) Das LES-Modell wird initialisiert, indem die ersten beiden Prognosen gleich dem ersten Istwert der saisonbereinigten Serie gesetzt werden. Die hier verwendete Formel für die LES-Prognose ist die rekursive Einzelformel des Brown8217s-Modells: Diese Formel wird in die Zelle eingegeben, die der dritten Periode (hier Zelle H15) entspricht und von dort nach unten kopiert wird. Beachten Sie, dass sich die LES-Prognose für die aktuelle Periode auf die beiden vorherigen Beobachtungen und die beiden vorhergehenden Prognosefehler sowie auf den Wert von alpha bezieht. Somit bezieht sich die Prognoseformel in Zeile 15 nur auf Daten, die in Zeile 14 und früher verfügbar waren. (Natürlich könnten wir statt der linearen exponentiellen Glättung einfach statt der linearen exponentiellen Glättung verwenden, könnten wir stattdessen die SES-Formel ersetzen. Wir könnten auch Holt8217s anstelle von Brown8217s LES-Modell verwenden, was zwei weitere Spalten von Formeln erfordern würde, um das Niveau und den Trend zu berechnen Die in der Prognose verwendet werden.) Die Fehler werden in der nächsten Spalte (hier Spalte J) durch Subtrahieren der Prognosen von den Istwerten berechnet. Der Quadratwurzel-Quadratfehler wird als Quadratwurzel der Varianz der Fehler plus dem Quadrat des Mittelwerts berechnet. (Dies ergibt sich aus der mathematischen Identität: MSE VARIANCE (Fehler) (AVERAGE (Fehler)). 2) Bei der Berechnung des Mittelwertes und der Varianz der Fehler in dieser Formel sind die ersten beiden Perioden ausgeschlossen, da das Modell nicht tatsächlich mit der Prognose beginnt Die dritte Periode (Zeile 15 auf der Kalkulationstabelle). Der optimale Wert von alpha kann entweder durch manuelles Ändern von alpha gefunden werden, bis das minimale RMSE gefunden wird, oder Sie können das quotSolverquot verwenden, um eine genaue Minimierung durchzuführen. Der Wert von alpha, den der Solver gefunden hat, wird hier angezeigt (alpha0.471). Es ist in der Regel eine gute Idee, die Fehler des Modells (in transformierten Einheiten) zu zeichnen und ihre Autokorrelationen zu berechnen und zu zeichnen, bis zu einer Saison. Hier ist eine Zeitreihenfolge der (saisonbereinigten) Fehler: Die Fehlerautokorrelationen werden mit Hilfe der CORREL () - Funktion berechnet, um die Korrelationen der Fehler selbst mit einer oder mehreren Perioden zu berechnen - Einzelheiten sind im Kalkulationsblatt dargestellt . Hier ist ein Diagramm der Autokorrelationen der Fehler bei den ersten fünf Verzögerungen: Die Autokorrelationen bei den Verzögerungen 1 bis 3 sind sehr nahe bei Null, aber die Spitze bei Verzögerung 4 (deren Wert 0,35 ist) ist etwas mühsam Saisonale Anpassungsprozess nicht vollständig erfolgreich war. Allerdings ist es eigentlich nur marginal signifikant. 95 Signifikanzbanden zum Testen, ob Autokorrelationen signifikant von Null verschieden sind, sind ungefähr plus-oder-minus 2SQRT (n-k), wobei n die Stichprobengröße und k die Verzögerung ist. Hier ist n gleich 38 und k variiert von 1 bis 5, so daß die Quadratwurzel von - n-minus-k für alle von etwa 6 ist, und daher sind die Grenzen für das Testen der statistischen Signifikanz von Abweichungen von Null grob plus - Oder-minus 26 oder 0,33. Wenn Sie den Wert von alpha von Hand in diesem Excel-Modell variieren, können Sie den Effekt auf die Zeitreihen und Autokorrelationsdiagramme der Fehler sowie auf den Root-mean-squared-Fehler beobachten, der nachfolgend erläutert wird. Am Ende der Kalkulationstabelle wird die Prognoseformel quasi in die Zukunft gestartet, indem lediglich Prognosen für tatsächliche Werte an dem Punkt ausgetauscht werden, an dem die tatsächlichen Daten ablaufen - d. h. Wo die Zukunft beginnt. (Mit anderen Worten, in jeder Zelle, in der ein zukünftiger Datenwert auftreten würde, wird eine Zellreferenz eingefügt, die auf die Prognose für diese Periode hinweist.) Alle anderen Formeln werden einfach von oben nach unten kopiert: Beachten Sie, dass die Fehler für die Prognosen von Die Zukunft werden alle berechnet, um Null zu sein. Dies bedeutet nicht, dass die tatsächlichen Fehler null sein werden, sondern lediglich die Tatsache, dass wir für die Vorhersage davon ausgehen, dass die zukünftigen Daten den Prognosen im Durchschnitt entsprechen werden. Die daraus resultierenden LES-Prognosen für die saisonbereinigten Daten sehen wie folgt aus: Mit diesem für α-Periodenprognosen optimalen Wert von alpha ist der prognostizierte Trend leicht nach oben, was auf den lokalen Trend in den letzten 2 Jahren zurückzuführen ist oder so. Für andere Werte von alpha könnte eine sehr unterschiedliche Trendprojektion erhalten werden. Es ist normalerweise eine gute Idee, zu sehen, was mit der langfristigen Trendprojektion geschieht, wenn Alpha variiert wird, weil der Wert, der für kurzfristige Prognosen am besten ist, nicht notwendigerweise der beste Wert für die Vorhersage der weiter entfernten Zukunft sein wird. Dies ist beispielsweise das Ergebnis, das erhalten wird, wenn der Wert von alpha manuell auf 0,25 gesetzt wird: Der projizierte Langzeittrend ist jetzt eher negativ als positiv Mit einem kleineren Wert von alpha setzt das Modell mehr Gewicht auf ältere Daten Seine Einschätzung des aktuellen Niveaus und Tendenz und seine langfristigen Prognosen spiegeln den in den letzten 5 Jahren beobachteten Abwärtstrend anstatt den jüngsten Aufwärtstrend wider. Dieses Diagramm zeigt auch deutlich, wie das Modell mit einem kleineren Wert von alpha langsamer ist, um auf quotturning pointsquot in den Daten zu antworten und daher tendiert, einen Fehler des gleichen Vorzeichens für viele Perioden in einer Reihe zu machen. Die Prognosefehler von 1-Schritt-Vorhersage sind im Mittel größer als die, die zuvor erhalten wurden (RMSE von 34,4 statt 27,4) und stark positiv autokorreliert. Die Lag-1-Autokorrelation von 0,56 übersteigt den oben berechneten Wert von 0,33 für eine statistisch signifikante Abweichung von Null deutlich. Als Alternative zum Abkürzen des Wertes von Alpha, um mehr Konservatismus in Langzeitprognosen einzuführen, wird manchmal ein Quottrend-Dämpfungsquotfaktor dem Modell hinzugefügt, um die projizierte Tendenz nach einigen Perioden abflachen zu lassen. Der letzte Schritt beim Erstellen des Prognosemodells besteht darin, die LES-Prognosen durch Multiplikation mit den entsprechenden saisonalen Indizes zu veranschaulichen. Somit sind die reseasonalisierten Prognosen in Spalte I einfach das Produkt der saisonalen Indizes in Spalte F und der saisonbereinigten LES-Prognosen in Spalte H. Es ist relativ einfach, Konfidenzintervalle für einstufige Prognosen dieses Modells zu berechnen: Erstens Berechnen Sie den RMSE (root-mean-squared Fehler, der nur die Quadratwurzel der MSE ist) und berechnen Sie dann ein Konfidenzintervall für die saisonbereinigte Prognose durch Addition und Subtraktion zweimal des RMSE. (Im Allgemeinen ist ein 95-Konfidenzintervall für eine Ein-Perioden-Vorausprognose ungefähr gleich der Punktvorhersage plus-oder-minus-zweimal der geschätzten Standardabweichung der Prognosefehler, vorausgesetzt, die Fehlerverteilung ist annähernd normal und die Stichprobengröße Ist groß genug, sagen wir, 20 oder mehr Hier ist die RMSE anstelle der Standardabweichung der Fehler die beste Schätzung der Standardabweichung der zukünftigen Prognosefehler, weil sie auch die Zufallsvariationen berücksichtigt.) Die Vertrauensgrenzen Für die saisonbereinigte Prognose werden dann reseasonalisiert. Zusammen mit der Prognose, durch Multiplikation mit den entsprechenden saisonalen Indizes. In diesem Fall ist die RMSE gleich 27,4 und die saisonbereinigte Prognose für die erste künftige Periode (Dez-93) beträgt 273,2. So dass das saisonbereinigte 95-Konfidenzintervall von 273,2-227,4 218,4 auf 273,2227,4 328,0 liegt. Das Multiplizieren dieser Limits durch Decembers saisonalen Index von 68,61. Erhalten wir niedrigere und obere Konfidenzgrenzen von 149,8 und 225,0 um die Dez-93-Punktprognose von 187,4. Die Vertrauensgrenzen für Prognosen, die länger als eine Periode vorangehen, werden sich in der Regel aufgrund der Unsicherheit über das Niveau und den Trend sowie die saisonalen Faktoren erweitern, da der Prognosehorizont zunimmt, aber es ist schwierig, sie im Allgemeinen durch analytische Methoden zu berechnen. (Die geeignete Methode zur Berechnung der Vertrauensgrenzen für die LES-Prognose ist die Verwendung der ARIMA-Theorie, aber auch die Unsicherheit in den saisonalen Indizes ist eine andere.) Wenn Sie ein realistisches Konfidenzintervall für eine Prognose über mehrere Perioden bevorzugen, Fehler zu berücksichtigen, ist Ihre beste Wette, empirische Methoden zu verwenden: Zum Beispiel, um ein Vertrauensintervall für eine 2-Schritt-Vorausprognose zu erhalten, könnten Sie eine weitere Spalte auf der Kalkulationstabelle erstellen, um eine 2-Schritt-Voraus-Prognose für jeden Zeitraum zu berechnen Durch Booten der Ein-Schritt-Voraus-Prognose). Berechnen Sie dann die RMSE der 2-Schritt-Voraus-Prognosefehler und verwenden Sie diese als Basis für ein 2-stufiges Konfidenzintervall.
No comments:
Post a Comment