Gleitend Durchschnitt Best Setting

Real-Time After Hours Pre-Market News Flash Zitat Zusammenfassung Zitat Interaktive Charts Standardeinstellung Bitte beachten Sie, dass, sobald Sie Ihre Auswahl treffen, gilt es für alle zukünftigen Besuche bei NASDAQ. Wenn Sie zu irgendeinem Zeitpunkt daran interessiert sind, auf unsere Standardeinstellungen zurückzukehren, wählen Sie bitte Standardeinstellung oben. Wenn Sie irgendwelche Fragen haben oder irgendwelche Probleme beim Ändern Ihrer Standardeinstellungen begegnen, bitte email isfeedbacknasdaq. Bitte bestätigen Sie Ihre Auswahl: Sie haben gewählt, um Ihre Standardeinstellung für die Zählersuche zu ändern. Dies ist nun Ihre Standard-Zielseite, es sei denn, Sie ändern Ihre Konfiguration erneut, oder Sie löschen Ihre Cookies. Sind Sie sicher, dass Sie Ihre Einstellungen ändern möchten Wir haben einen Gefallen zu bitten Bitte deaktivieren Sie Ihren Anzeigenblocker (oder aktualisieren Sie Ihre Einstellungen, um sicherzustellen, dass Javascript und Cookies aktiviert sind), damit wir Ihnen weiterhin die erstklassigen Marktnachrichten liefern können Und Daten, die Sie von uns erwarten. Moving durchschnittliche und exponentielle Glättung Modelle Als ein erster Schritt in Bewegung über mittlere Modelle, zufällige Wandermodelle und lineare Trend-Modelle, Nicht-Sektion Muster und Trends können mit einem gleitenden Durchschnitt oder Glättung Modell extrapoliert werden. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als quotsmoothedquot Version der ursprünglichen Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen kleinen Marge über die 3 - term und 9-term Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. Sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. h. den lokalen Mittelwert) der Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: Es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die Langzeitprognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut sind), und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit t, wie in Brown8217s Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0.2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. MACD (Moving Average ConvergenceDivergence Oscillator) MACD (Moving Average ConvergenceDivergence Oscillator) Einleitung Entwickelt von Gerald Appel in den späten siebziger Jahren ist der Moving Average ConvergenceDivergence Oszillator (MACD) einer der einfachsten und effektivsten Impulsindikatoren verfügbar. Die MACD verwandelt zwei Trend-Indikatoren, gleitende Durchschnitte. In einen Impulsoszillator durch Subtrahieren des längeren gleitenden Mittels aus dem kürzeren gleitenden Durchschnitt. Infolgedessen bietet die MACD das Beste aus beiden Welten: Trend und Dynamik. Der MACD schwankt oberhalb und unterhalb der Nulllinie, während die gleitenden Mittelwerte konvergieren, kreuzen und divergieren. Händler können nach Signalleitungsüberkreuzungen, Mittellinienüberkreuzungen und Divergenzen suchen, um Signale zu erzeugen. Da die MACD unbegrenzt ist, ist es nicht besonders nützlich, um überkaufte und überverkaufte Levels zu identifizieren. Hinweis: MACD kann entweder als Mac-Dee oder M-A-C-D ausgesprochen werden. Hier ist ein Beispiel-Diagramm mit dem MACD-Indikator im unteren Panel: Berechnung Die MACD-Linie ist die 12-Tage-Exponential Moving Average (EMA) abzüglich der 26-Tage-EMA. Für diese gleitenden Durchschnitte werden die Schlusskurse verwendet. Eine 9-tägige EMA der MACD-Linie ist mit dem Indikator aufgetragen, um als Signalleitung zu fungieren und Wendungen zu identifizieren. Das MACD Histogramm repräsentiert den Unterschied zwischen MACD und seiner 9-Tage-EMA, der Signalleitung. Das Histogramm ist positiv, wenn die MACD-Leitung oberhalb ihrer Signalleitung liegt und negativ ist, wenn die MACD-Leitung unterhalb der Signalleitung liegt. Die Werte von 12, 26 und 9 sind die typische Einstellung, die mit dem MACD verwendet wird, jedoch können andere Werte je nach Trading-Stil und Ziele ersetzt werden. Interpretation Wie der Name schon sagt, handelt es sich bei dem MACD um die Konvergenz und Divergenz der beiden gleitenden Mittelwerte. Konvergenz tritt auf, wenn sich die bewegten Durchschnitte aufeinander zu bewegen. Divergenz tritt auf, wenn sich die gleitenden Mittelwerte voneinander weg bewegen. Der kürzere gleitende Durchschnitt (12-Tage) ist schneller und verantwortlich für die meisten MACD-Bewegungen. Der längere gleitende Durchschnitt (26-Tage) ist langsamer und weniger reaktiv gegenüber Preisänderungen des zugrunde liegenden Wertpapiers. Die MACD-Linie oszilliert oberhalb und unterhalb der Nulllinie, die auch als Mittellinie bekannt ist. Diese Crossover signalisieren, dass die 12-tägige EMA die 26-Tage-EMA überquert hat. Die Richtung hängt natürlich von der Richtung des gleitenden Durchschnittskreuzes ab. Positive MACD zeigt an, dass die 12-Tage-EMA über der 26-Tage-EMA liegt. Positive Werte steigen, da die kürzere EMA weiter von der längeren EMA abweicht. Dies bedeutet, dass die Aufwärtsbewegung zunimmt. Negative MACD-Werte zeigen an, dass die 12-Tage-EMA unter der 26-Tage-EMA liegt. Negative Werte steigen, da die kürzere EMA weiter unterhalb der längeren EMA abweicht. Dies bedeutet, dass die Abwärtsbewegung zunimmt. Im obigen Beispiel zeigt der gelbe Bereich die MACD-Linie im negativen Bereich, da die 12-tägige EMA unter der 26-tägigen EMA handelt. Das erste Kreuz trat Ende September auf (schwarzer Pfeil) und der MACD zog weiter in negatives Territorium, als die 12-Tage-EMA weiter von der 26-Tage-EMA abwich. Der orangefarbene Bereich hebt einen Zeitraum positiver MACD-Werte hervor, bei denen die 12-tägige EMA über der 26-tägigen EMA lag. Beachten Sie, dass die MACD-Linie während dieses Zeitraums unter 1 blieb (rote gepunktete Linie). Dies bedeutet, dass der Abstand zwischen der 12-tägigen EMA und der 26-tägigen EMA weniger als 1 Punkt betrug, was kein großer Unterschied ist. Signalleitungsübergänge Signalleitungsübergänge sind die gängigsten MACD-Signale. Die Signalleitung ist eine 9-tägige EMA der MACD-Leitung. Als gleitender Durchschnitt des Indikators, führt er die MACD und macht es einfacher, MACD-Wendungen zu erkennen. Ein bullish crossover tritt auf, wenn der MACD auftaucht und über die Signalleitung kreuzt. Eine bärige Überkreuzung tritt auf, wenn der MACD abfällt und unter die Signalleitung geht. Crossovers kann ein paar Tage oder ein paar Wochen dauern, alles hängt von der Stärke des Umzugs ab. Due Diligence ist erforderlich, bevor sie sich auf diese gemeinsamen Signale verlassen. Signalleitungsübergänge bei positiven oder negativen Extremen sollten mit Vorsicht betrachtet werden. Auch wenn die MACD keine oberen und unteren Grenzen hat, können die Chartisten historische Extreme mit einer einfachen visuellen Bewertung abschätzen. Es ist ein starker Schritt in der zugrunde liegenden Sicherheit, um die Dynamik auf ein Extrem zu drücken. Auch wenn die Bewegung fortgesetzt werden kann, ist die Dynamik wahrscheinlich zu verlangsamen, und dies wird in der Regel eine Signalleitung Crossover an den Extremitäten zu produzieren. Die Volatilität in der zugrunde liegenden Sicherheit kann auch die Anzahl der Crossover erhöhen. Die folgende Tabelle zeigt IBM mit seinem 12-Tage-EMA (grün), 26-Tage-EMA (rot) und dem 12,26,9 MACD im Indikatorfenster. Es gab acht Signalleitungsübergänge in sechs Monaten: vier oben und vier unten. Es gab einige gute Signale und einige schlechte Signale. Der gelbe Bereich hebt einen Zeitraum hervor, in dem die MACD-Linie über 2 stieg, um ein positives Extrem zu erreichen. Im April und Mai gab es zwei bärische Signalleitungsübergänge, aber IBM setzte sich weiter fort. Auch wenn sich der Aufschwung nach dem Aufschwung verlangsamte, war der Aufwärtstrend im April-Mai immer noch stärker als die Abwärtsbewegung. Die dritte bärische Signalleitung Crossover im Mai führte zu einem guten Signal. Centerline Crossovers Centerline Crossover sind die nächsten häufigsten MACD Signale. Eine bullische Mittellinienüberkreuzung tritt auf, wenn sich die MACD-Linie über die Nulllinie bewegt, um positiv zu werden. Dies geschieht, wenn die 12-tägige EMA der zugrunde liegenden Sicherheit über die 26-tägige EMA zieht. Ein bärischer Mittellinienübergang tritt auf, wenn der MACD unter die Nulllinie bewegt, um negativ zu werden. Dies geschieht, wenn die 12-Tage-EMA unter die 26-Tage-EMA geht. Centerline Crossovers können ein paar Tage oder ein paar Monate dauern. Alles hängt von der Stärke des Trends ab. Der MACD wird solange positiv bleiben, solange es einen anhaltenden Aufwärtstrend gibt. Der MACD bleibt bei einem anhaltenden Abwärtstrend negativ. Die nächste Tabelle zeigt Pulte Homes (PHM) mit mindestens vier Mittellinienkreuzen in neun Monaten. Die daraus resultierenden Signale funktionierten gut, weil mit diesen Mittellinien-Crossovers starke Trends auftraten. Unten ist ein Diagramm von Cummins Inc (CMI) mit sieben Mittellinien-Crossover in fünf Monaten. Im Gegensatz zu Pulte Homes hätten diese Signale zu zahlreichen Whipsaws geführt, weil nach den Crossovers keine starken Trends entstanden sind. Die nächste Tabelle zeigt 3M (MMM) mit einem bullish-Mittellinien-Crossover Ende März 2009 und einem Bären-Mittellinien-Crossover Anfang Februar 2010. Dieses Signal dauerte 10 Monate. Mit anderen Worten, die 12-Tage-EMA war über die 26-Tage-EMA für 10 Monate. Das war ein starker Trend. Divergenzen Divergenzen bilden, wenn der MACD von der Preisaktion des zugrunde liegenden Wertpapiers abweicht. Eine bullische Divergenz bildet sich, wenn eine Sicherheit einen niedrigeren Tiefstand aufweist und die MACD einen höheren Tiefstand bildet. Der niedrigere Tiefstand in der Sicherheit bestätigt den aktuellen Abwärtstrend, aber der höhere Tiefstand im MACD zeigt weniger Abwärtsschwung. Trotz weniger nachteiliger Dynamik übertrifft die Abwärtsdynamik immer noch die Aufwärtsbewegung, solange die MACD im negativen Bereich bleibt. Die Verlangsamung der Abwärtsbewegung kann manchmal eine Trendumkehr oder eine große Rallye vorhersehen. Die nächste Grafik zeigt Google (GOOG) mit einer bullish Divergenz im Oktober-November 2008. Zuerst bemerken wir, dass wir die Schlusskurse verwenden, um die Divergenz zu identifizieren. Die MACD039s gleitenden Durchschnitte basieren auf Schlusskursen und wir sollten auch die Schließung der Preise in der Sicherheit berücksichtigen. Zweitens bemerken, dass es klare Reaktions-Tiefs (Trog) gab, da sowohl Google als auch seine MACD-Linie im Oktober und Ende November hüpften. Drittens bemerken, dass der MACD einen höheren Tiefstand bildete, als Google im November einen niedrigeren Tiefstand machte. Die MACD tauchte mit einer bullish Divergenz mit einem Signalleitung Crossover Anfang Dezember auf. Google bestätigte eine Umkehrung mit Widerstandsausbruch. Eine bärische Divergenz bildet sich, wenn eine Sicherheit ein höheres Hochzeichen aufnimmt und die MACD-Linie ein niedrigeres Hoch bildet. Die höhere Hoch in der Sicherheit ist normal für einen Aufwärtstrend, aber die niedrigere hohe in der MACD zeigt weniger Aufwärtsbewegung. Auch wenn der Aufwärtsimpuls weniger sein kann, liegt der Aufwärtsimpuls immer noch nach unten, während der MACD positiv ist. Abnehmende Aufwärtsbewegung kann manchmal eine Trendumkehr oder einen erheblichen Rückgang vorhersagen. Unten sehen wir Gamestop (GME) mit einer großen bärischen Divergenz von August bis Oktober. Der Vorrat schmiedete ein höheres Hoch über 28, aber die MACD Linie fiel seinem vorherigen hohen und bildete ein niedrigeres Hoch. Die nachfolgende Signalleitung Crossover und Support Pause in der MACD waren bärisch. Auf der Preisliste, bemerken Sie, wie gebrochene Unterstützung zum Widerstand auf dem Rückfallsprung im November (rote gepunktete Linie) wurde. Dieser Rückfall stellte eine zweite Chance dar, kurz zu verkaufen oder zu verkaufen. Abweichungen sollten mit Vorsicht getroffen werden. Bearish Divergenzen sind alltäglich in einem starken Aufwärtstrend, während bullische Divergenzen oft in einem starken Abwärtstrend auftreten. Ja, das hast du richtig gelesen. Uptrends beginnen oft mit einem starken Fortschritt, der einen Anstieg im Aufwärtsimpuls (MACD) erzeugt. Auch wenn der Aufwärtstrend andauert, fährt er mit einem langsameren Tempo fort, der die MACD von ihren Höhen absenkt. Der Upside-Impuls darf nicht so stark sein, aber der Aufwärts-Impuls übertrifft immer noch den Abwärtsimpuls, solange die MACD-Linie über Null liegt. Das Gegenteil tritt zu Beginn eines starken Abwärtstrends auf. Die nächste Grafik zeigt die SampP 500 ETF (SPY) mit vier bärischen Divergenzen von August bis November 2009. Trotz weniger Aufwärtstrend setzte sich die ETF weiter fort, weil der Aufwärtstrend stark war. Beachten Sie, wie SPY seine Reihe von höheren Höhen und höheren Tiefs fortsetzte. Denken Sie daran, upside Impuls ist stärker als Downside Impuls, solange seine MACD ist positiv. Sein MACD (Impuls) kann weniger positiv (stark) gewesen sein, da der Fortschritt verlängert wurde, aber es war immer noch weitgehend positiv. Schlussfolgerungen Die MACD-Indikator ist besonders, weil sie Impulse und Tendenzen in einem Indikator zusammenführt. Diese einzigartige Mischung aus Trend und Impuls kann auf tägliche, wöchentliche oder monatliche Charts angewendet werden. Die Standardeinstellung für MACD ist der Unterschied zwischen den EMAs mit 12 und 26 Jahren. Chartisten, die nach mehr Empfindlichkeit suchen, können einen kürzeren kurzfristigen gleitenden Durchschnitt und einen längeren, langfristig gleitenden Durchschnitt versuchen. MACD (5,35,5) ist empfindlicher als MACD (12,26,9) und könnte besser für wöchentliche Charts geeignet sein. Chartisten, die weniger Empfindlichkeit suchen, können die gleitenden Durchschnitte verlängern. Eine weniger empfindliche MACD wird noch oberhalb von Null oszillieren, aber die Mittellinienübergänge und Signalleitungsübergänge werden weniger häufig sein. Die MACD ist nicht besonders gut für die Identifizierung von überkauften und überverkauft Ebenen. Auch wenn es möglich ist, Ebenen zu identifizieren, die historisch überkauft oder überverkauft sind, hat der MACD keine Ober - oder Untergrenzen, um seine Bewegung zu binden. Bei scharfen Zügen kann die MACD auch weiterhin über ihre historischen Extreme hinausgehen. Schließlich ist zu erinnern, dass die MACD-Linie mit der tatsächlichen Differenz zwischen zwei gleitenden Durchschnitten berechnet wird. Dies bedeutet, dass die MACD-Werte vom Preis des zugrunde liegenden Wertpapiers abhängen. Die MACD-Werte für 20 Aktien können von -1,5 bis 1,5 reichen, während die MACD-Werte für eine 100 von -10 bis 10 reichen können. Es ist nicht möglich, MACD-Werte für eine Gruppe von Wertpapieren mit unterschiedlichen Preisen zu vergleichen. Wenn du Impulsmessungen vergleicht, solltest du den Procedure Price Oscillator (PPO) verwenden. Statt der MACD. Hinzufügen der MACD-Anzeige zu SharpCharts Die MACD kann als Indikator oben, unter oder hinter einem security039s Preisplot gesetzt werden. Die Platzierung der MACD hinter dem Preisplot macht es leicht, Momentumbewegungen mit Preisbewegungen zu vergleichen. Sobald die Anzeige aus dem Dropdown-Menü ausgewählt ist, erscheint die Standardparametereinstellung: (12,26,9). Diese Parameter können eingestellt werden, um die Empfindlichkeit zu erhöhen oder die Empfindlichkeit zu verringern. Das MACD-Histogramm erscheint mit dem Indikator oder kann als separates Kennzeichen hinzugefügt werden. Setzen Sie die Signalleitung auf 1, (12,26,1), entfernen Sie das MACD Histogramm und die Signalleitung. Eine separate Signalleitung, ohne das Histogramm, kann durch Auswahl von Exp Mov Avg aus dem Menü "Advanced Options Overlays" hinzugefügt werden. Klicken Sie hier für ein Live-Diagramm der MACD-Anzeige. Verwenden der MACD mit StockCharts Scans Hier sind einige Beispiel-Scans, die StockCharts-Mitglieder verwenden können, um nach verschiedenen MACD-Signalen zu suchen: MACD Bullish Signal Line Cross. Dieser Scan zeigt Aktien, die über ihren 200-Tage gleitenden Durchschnitt handeln und eine bullish Signalleitung Crossover in MACD haben. Beachten Sie auch, dass MACD erforderlich ist, um negativ zu sein, um sicherzustellen, dass dieser Aufschwung nach einem Pullback auftritt. Dieser Scan ist nur als Starter für weitere Verfeinerung gedacht. MACD Bearish Signal Line Kreuz. Dieser Scan zeigt Aktien, die unter ihrem 200-Tage gleitenden Durchschnitt handeln und eine bärische Signalleitung Crossover in MACD haben. Beachten Sie auch, dass MACD erforderlich ist, um positiv zu sein, um sicherzustellen, dass dieser Abschwung nach einem Bounce auftritt. Dieser Scan ist nur als Starter für weitere Verfeinerung gedacht. Weitere Studie: Aus dem Schöpfer bietet dieses Buch eine umfassende Studie zur Verwendung und Interpretation von MACD. Technische Analyse - Elektrowerkzeuge für aktive Investoren Gerald Appel