Moving Average Dieses Beispiel lehrt, wie Sie den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen. Eine Bewegung wird verwendet, um Unregelmäßigkeiten (Spitzen und Täler) zu glätten, um Trends leicht zu erkennen. 1. Erstens, werfen wir einen Blick auf unsere Zeitreihe. 2. Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis: Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Verschiebender Durchschnitt aus, und klicken Sie auf OK. 4. Klicken Sie im Feld Eingabebereich auf den Bereich B2: M2. 5. Klicken Sie in das Feld Intervall und geben Sie 6 ein. 6. Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3 aus. 8. Zeichnen Sie ein Diagramm dieser Werte. Erläuterung: Da wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der letzten 5 Datenpunkte und der aktuelle Datenpunkt. Als Ergebnis werden Spitzen und Täler geglättet. Die Grafik zeigt eine zunehmende Tendenz. Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da nicht genügend frühere Datenpunkte vorhanden sind. 9. Wiederholen Sie die Schritte 2 bis 8 für Intervall 2 und Intervall 4. Fazit: Je größer das Intervall, desto mehr werden die Spitzen und Täler geglättet. Je kleiner das Intervall, desto näher sind die gleitenden Mittelwerte zu den tatsächlichen Datenpunkten. Gefällt Ihnen diese kostenlose Website Bitte teilen Sie diese Seite auf GoogleWhen Berechnung eines gleitenden Durchschnitt, die Platzierung der Durchschnitt in der mittleren Zeitspanne macht Sinn Im vorherigen Beispiel haben wir den Durchschnitt der ersten 3 Zeiträume berechnet und legte es neben Periode 3. Wir könnten den Durchschnitt in der Mitte des Zeitintervalls von drei Perioden platziert haben, das heißt, neben Periode 2. Dies funktioniert gut mit ungeraden Zeitperioden, aber nicht so gut für sogar Zeitperioden. Also, wo würden wir den ersten gleitenden Durchschnitt platzieren, wenn M 4 Technisch, würde der Moving Average bei t 2,5, 3,5 fallen. Um dieses Problem zu vermeiden, glätten wir die MAs unter Verwendung von M 2. So glätten wir die geglätteten Werte Wenn wir eine gerade Anzahl von Ausdrücken mitteln, müssen wir die geglätteten Werte glätten Die folgende Tabelle zeigt die Ergebnisse unter Verwendung von M 4.Spreadsheet-Implementierung der saisonalen Anpassung und Exponentielle Glättung Es ist einfach, saisonale Anpassung durchzuführen und exponentielle Glättungsmodelle mit Excel anzupassen. 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 Prognosen erstellt 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 Quottrend-Cyclequot-Komponente des Musters genannt, sofern Trend - und Konjunktur-Effekte als all dies 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 quotInsert / Name / Createquot 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 der Zelle entsprechend der dritten Periode (hier Zelle H15) eingegeben und von dort nach unten kopiert. Beachten Sie, dass sich die LES-Prognose für den aktuellen Zeitraum auf die beiden vorherigen Beobachtungen und die beiden vorherigen 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, weil 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 etwa plus-oder-minus 2 / SQRT (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 2/6 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 a-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, diese im Allgemeinen nach analytischen Methoden zu berechnen. (Die geeignete Methode zur Berechnung der Vertrauensgrenzen für die LES-Prognose ist die Verwendung der ARIMA-Theorie, aber die Unsicherheit in den saisonalen Indizes ist eine andere Angelegenheit.) Wenn Sie ein realistisches Konfidenzintervall für eine Prognose über mehrere Zeiträume wünschen, 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 dem Kalkulationsblatt erstellen, um eine 2-Schritt-Vorausprognose für jeden Zeitraum zu berechnen ( Durch Booten der Ein-Schritt-Voraus-Prognose). Dann berechnen Sie die RMSE der 2-Schritt-Voraus-Prognose Fehler und verwenden Sie diese als Grundlage für ein 2-Schritt-vor-Vertrauensintervall. Simple Moving Averages machen Trends Stand Out Moving Averages (MA) sind eine der beliebtesten und oft - Verwendeten technischen Indikatoren. Der gleitende Durchschnitt ist einfach zu berechnen und, sobald er in einem Diagramm dargestellt ist, ein leistungsstarkes visuelles Trend-Spotting-Tool. Sie werden oft über drei Arten von gleitenden Durchschnitt zu hören: einfach. Exponentiell und linear. Der beste Ort zum Start ist durch das Verständnis der grundlegendsten: die einfache gleitende Durchschnitt (SMA). Werfen wir einen Blick auf diese Indikator und wie sie helfen können Händler folgen Trends in Richtung größerer Gewinne. (Für mehr über gleitende Durchschnitte sehen Sie unseren Forex Walkthrough.) Trendlinien Es kann kein vollständiges Verständnis der bewegten Durchschnitte ohne ein Verständnis der Tendenzen geben. Ein Trend ist einfach ein Preis, der sich in einer bestimmten Richtung fortsetzt. Es gibt nur drei echte Trends, denen eine Sicherheit folgen kann: Ein Aufwärtstrend. Oder bullish Trend, bedeutet, dass der Preis höher ist. Ein Abwärtstrend. Oder bärische Tendenz, bedeutet, dass der Preis niedriger ist. Seitwärts gerichtet. Wo sich der Preis seitwärts bewegt. Die wichtige Sache, über Trends zu erinnern ist, dass die Preise nur selten in einer geraden Linie bewegen. Daher werden gleitende Durchschnittslinien verwendet, um einem Händler zu helfen, die Richtung des Trends leichter zu identifizieren. (Für weiterführende Literatur zu diesem Thema, siehe Die Grundlagen der Bollinger Bands und Moving Average Umschläge: Raffinieren ein beliebtes Trading-Tool.) Moving Average Construction Die Lehrbuch-Definition eines gleitenden Durchschnitt ist ein durchschnittlicher Preis für eine Sicherheit mit einem bestimmten Zeitraum. Nehmen wir den sehr populären 50-Tage gleitenden Durchschnitt als Beispiel. Ein gleitender 50-Tage-Durchschnitt wird berechnet, indem die Schlusskurse für die letzten 50 Tage der Sicherheit gezählt und addiert werden. Das Ergebnis aus der Additionskalkulation wird dann durch die Anzahl der Perioden geteilt, in diesem Fall 50. Um weiterhin den gleitenden Durchschnitt auf einer täglichen Basis zu berechnen, ersetzen Sie die älteste Zahl mit dem letzten Schlusskurs und machen die gleiche Mathematik. Unabhängig davon, wie lange oder kurz eines gleitenden Durchschnitts sind Sie auf der Hand, sind die grundlegenden Berechnungen gleich geblieben. Die Änderung erfolgt in der Anzahl der Schlusskurse, die Sie verwenden. So ist z. B. ein 200-Tage-Gleitender Durchschnitt der Schlusskurs für 200 Tage, zusammengefasst und dann durch 200 geteilt. Sie sehen alle Arten von gleitenden Durchschnitten, von zweitägigen gleitenden Durchschnitten bis zu 250-Tage-gleitenden Durchschnittswerten. Es ist wichtig, sich daran zu erinnern, dass Sie eine bestimmte Anzahl von Schlusskursen haben müssen, um den gleitenden Durchschnitt zu berechnen. Wenn eine Sicherheit nagelneu oder nur einen Monat alt ist, können Sie einen gleitenden Durchschnitt von 50 Tagen nicht durchführen, da Sie nicht über eine ausreichende Anzahl von Datenpunkten verfügen. Auch ist es wichtig zu beachten, dass weve gewählt, um die Schlusskurse in den Berechnungen verwenden, aber gleitende Durchschnitte können mit monatlichen Preisen, Wochenpreise, Eröffnungskurse oder sogar Intraday-Preise berechnet werden. Abbildung 1: Ein einfacher gleitender Durchschnitt in Google Inc. Abbildung 1 ist ein Beispiel für einen einfachen gleitenden Durchschnitt auf einem Aktienchart von Google Inc. (Nasdaq: GOOG). Die blaue Linie repräsentiert einen gleitenden 50-Tage-Durchschnitt. Im obigen Beispiel sehen Sie, dass sich der Trend seit Ende 2007 verringert hat. Der Preis für Google-Aktien fiel im Januar 2008 unter den 50-Tage-Gleitenden Durchschnitt und ging weiter nach unten. Wenn der Kurs unter einem gleitenden Durchschnitt liegt, kann er als einfaches Handelssignal verwendet werden. Ein Umzug unter dem gleitenden Durchschnitt (wie oben gezeigt) deutet darauf hin, dass die Bären die Preisaktion kontrollieren und dass sich der Vermögenswert voraussichtlich weiter senken wird. Umgekehrt, ein Kreuz über einem gleitenden Durchschnitt deutet darauf hin, dass die Bullen in der Kontrolle sind und dass der Preis kann immer bereit, einen Schritt höher zu machen. (Lesen Sie mehr in Track-Aktienkurse mit Trendlinien.) Andere Wege zu bewegen Gleitende Durchschnitte Gleitende Durchschnitte werden von vielen Händlern verwendet, um nicht nur einen aktuellen Trend, sondern auch als Ein-und Ausfahrt-Strategie zu identifizieren. Eine der einfachsten Strategien beruht auf der Kreuzung von zwei oder mehr bewegten Durchschnitten. Das Grundsignal wird gegeben, wenn der kurzfristige Mittelwert über oder unter dem längerfristigen gleitenden Durchschnitt liegt. Zwei oder mehr gleitende Durchschnittswerte erlauben Ihnen, einen längerfristigen Trend zu sehen, verglichen mit einem kürzeren bewegten Durchschnitt, das es auch eine einfache Methode ist, zu bestimmen, ob der Trend an Stärke gewinnt, oder wenn er im Begriff ist, umzukehren. Abbildung 2: Ein langfristiger und kürzerer bewegter Durchschnitt in Google Inc. Abbildung 2 verwendet zwei gleitende Mittelwerte, eine langfristige (50-tägige, die von der MACD gezeigt wird Blaue Linie) und der andere kürzere Term (15-Tage, dargestellt durch die rote Linie). Dies ist das gleiche Google-Diagramm in Abbildung 1 gezeigt, aber mit dem Zusatz der beiden gleitenden Mittelwerte, um den Unterschied zwischen den beiden Längen zu veranschaulichen. Sie bemerken, dass die 50-Tage gleitenden Durchschnitt ist langsamer, um Preisänderungen anzupassen. Weil es mehr Datenpunkte in seiner Berechnung verwendet. Auf der anderen Seite reagiert der 15-tägige gleitende Durchschnitt schnell auf Preisveränderungen, da jeder Wert aufgrund des relativ kurzen Zeithorizonts eine größere Gewichtung bei der Berechnung aufweist. In diesem Fall würden Sie, indem Sie eine Kreuzstrategie verwenden, den 15-Tage-Durchschnitt sehen, um den 50-tägigen gleitenden Durchschnitt als Einstieg für eine Short-Position zu überqueren. Abbildung 3: Eine dreimonatige Die oben ist ein Drei-Monats-Diagramm der Vereinigten Staaten Öl (AMEX: USO) mit zwei einfachen gleitenden Durchschnitten. Die rote Linie ist der kürzere, 15 Tage gleitende Durchschnitt, während die blaue Linie den längeren, 50-tägigen gleitenden Durchschnitt darstellt. Die meisten Händler werden das Kreuz des kurzfristigen gleitenden Durchschnitts über dem längerfristigen gleitenden Durchschnitt verwenden, um eine Long-Position einzuleiten und den Beginn eines zinsbullischen Trends zu identifizieren. (Erfahren Sie mehr über die Anwendung dieser Strategie im Handel The MACD Divergence.) Unterstützung wird festgestellt, wenn ein Preis nach unten tendiert. Es gibt einen Punkt, an dem der Verkauf Druck nachlässt und Käufer sind bereit, in Schritt. Mit anderen Worten, eine Etage etabliert ist. Widerstand tritt auf, wenn ein Preis aufwärts tendiert. Es kommt ein Punkt, wenn die Kaufkraft abnimmt und die Verkäufer treten. Das würde eine Obergrenze schaffen. (Weitere Erläuterungen hierzu finden Sie unter Support amp Resistance Basics.) In beiden Fällen kann ein gleitender Durchschnitt in der Lage sein, einen frühen Unterstützungs - oder Widerstandswert zu signalisieren. Wenn zum Beispiel eine Sicherheit in einem etablierten Aufwärtstrend sinkt, dann wäre es nicht überraschend, wenn die Aktie bei einem langfristigen, 200-tägigen gleitenden Durchschnitt gefunden wird. Auf der anderen Seite, wenn der Preis niedriger ist, werden viele Händler für die Aktie beobachten, um den Widerstand von großen gleitenden Durchschnitten (50-Tage, 100-Tage, 200-Tage-SMAs) abzustoßen. (Für mehr über die Unterstützung und Widerstand, um Trends zu identifizieren, lesen Sie Trend-Spotting mit der Akkumulation / Distribution Line.) Fazit Moving Averages sind leistungsfähige Werkzeuge. Ein einfacher gleitender Durchschnitt ist einfach zu berechnen, was es erlaubt, ziemlich schnell und einfach eingesetzt zu werden. Eine bewegte Durchschnitte größte Stärke ist seine Fähigkeit, einem Händler zu helfen, einen gegenwärtigen Trend zu identifizieren oder eine mögliche Trendumkehr zu lokalisieren. Bewegungsdurchschnitte können auch ein Maß an Unterstützung oder Widerstand für die Sicherheit identifizieren oder als ein einfaches Eingangs - oder Ausgangssignal wirken. Wie Sie sich entscheiden, gleitende Durchschnitte zu verwenden, ist völlig bis zu Ihnen. Beweglicher Durchschnitt - MA Als SMA Beispiel betrachten Sie eine Sicherheit mit den folgenden Schlusskursen über 15 Tagen: Woche 1 (5 Tage) 20, 22, 24, 25, 23 Woche 2 (5 Tage) 26, 28, 26, 29, 27 Woche 3 (5 Tage) 28, 30, 27, 29, 28 Eine 10-tägige MA würde die Schlusskurse für die ersten 10 ausrechnen Tage als ersten Datenpunkt. Der nächste Datenpunkt würde den frühesten Preis senken, den Preis am Tag 11 addieren und den Durchschnitt nehmen, und so weiter, wie unten gezeigt. Wie bereits erwähnt, verzögert MAs die aktuelle Preisaktion, weil sie auf vergangenen Preisen basieren, je länger der Zeitraum für die MA ist, desto größer ist die Verzögerung. So wird ein 200-Tage-MA haben eine viel größere Verzögerung als eine 20-Tage-MA, weil es Preise für die letzten 200 Tage enthält. Die Länge des zu verwendenden MA hängt von den Handelszielen ab, wobei kürzere MAs für den kurzfristigen Handel und längerfristige MAs eher für langfristige Anleger geeignet sind. Die 200-Tage-MA ist weithin gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt als wichtige Trading-Signale. MAs auch vermitteln wichtige Handelssignale auf eigene Faust, oder wenn zwei Durchschnitte überqueren. Eine steigende MA zeigt an, dass die Sicherheit in einem Aufwärtstrend liegt. Während eine sinkende MA zeigt, dass es in einem Abwärtstrend ist. In ähnlicher Weise wird das Aufwärtsmoment mit einem bulligen Crossover bestätigt. Die auftritt, wenn eine kurzfristige MA über einem längerfristigen MA kreuzt. Die Abwärtsmomentum wird mit einem bärischen Übergang bestätigt, der auftritt, wenn ein kurzfristiges MA unter einem längerfristigen MA liegt.
No comments:
Post a Comment