ชี้แจง เคลื่อนไหว เฉลี่ย ตัวอย่าง

ค่าเฉลี่ยเคลื่อนที่: อะไรคือตัวชี้วัดทางเทคนิคที่เป็นที่นิยมมากที่สุดค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อวัดทิศทางของแนวโน้มในปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ทุกประเภท (เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA) คือผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวนจุดข้อมูลที่ผ่านมา เมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงในแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมด รูปแบบที่ง่ายที่สุดของค่าเฉลี่ยเคลื่อนที่โดยทั่วไปหมายถึงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) โดยคำนวณค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนด ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมาและหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา (110) คือ หารด้วยจำนวนวัน (10) เพื่อให้ได้ค่าเฉลี่ย 10 วัน หากผู้ค้าต้องการเห็นค่าเฉลี่ย 50 วันแทนจะต้องมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมา ค่าเฉลี่ยที่เกิดขึ้นด้านล่าง (11) คำนึงถึงจุดข้อมูล 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ 10 วันที่ผ่านมาอย่างไร บางทีคุณอาจสงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าเฉลี่ยปกติ คำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ ๆ ต้องมาเพื่อแทนที่ ดังนั้นชุดข้อมูลจึงมีการย้ายข้อมูลบัญชีใหม่ ๆ ไปเรื่อย ๆ วิธีการคำนวณนี้ช่วยให้แน่ใจได้ว่าจะมีการบันทึกข้อมูลปัจจุบันเท่านั้น ในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 ช่องสีแดง (แทนจุดข้อมูล 10 จุดที่ผ่านมา) จะเลื่อนไปทางขวาและค่าสุดท้ายของ 15 จะถูกลดลงจากการคำนวณ เนื่องจากค่าที่ค่อนข้างเล็ก 5 จะแทนที่ค่าที่สูงถึง 15 คุณจึงคาดว่าจะเห็นค่าเฉลี่ยของการลดข้อมูลชุดซึ่งในกรณีนี้มีค่าตั้งแต่ 11 ถึง 10 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่เมื่อค่าของ MA ได้รับการคำนวณพวกเขาจะวางแผนลงบนแผนภูมิและเชื่อมต่อแล้วเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่ เส้นโค้งเหล่านี้มีอยู่ทั่วไปในแผนภูมิของผู้ค้าด้านเทคนิค แต่วิธีการใช้งานเหล่านี้อาจแตกต่างกันอย่างมาก (ในภายหลัง) ดังที่เห็นในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในแผนภูมิใด ๆ โดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณ เส้นโค้งเหล่านี้ดูเหมือนจะเสียสมาธิหรือทำให้เกิดความสับสนในตอนแรก แต่คุณจะคุ้นเคยกับพวกเขาเมื่อเวลาผ่านไป เส้นสีแดงเป็นเพียงราคาเฉลี่ยในช่วง 50 วันที่ผ่านมาในขณะที่เส้นสีน้ำเงินเป็นราคาเฉลี่ยในช่วง 100 วันที่ผ่านมา ตอนนี้คุณเข้าใจว่าค่าเฉลี่ยเคลื่อนที่คืออะไรและแนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ที่ต่างกันและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวถึงก่อนหน้านี้เท่าไร ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวบ่งชี้ทางเทคนิคทั้งหมดก็มีนักวิจารณ์ หลายคนอ้างว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในลำดับ นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้าย ในการตอบสนองต่อคำวิจารณ์นี้ผู้ค้าเริ่มให้ความสำคัญกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ ประเภทต่างๆซึ่งเป็นที่นิยมมากที่สุดซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) (สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลเบื้องต้นเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA) ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากกว่าราคาล่าสุดในความพยายามที่จะทำให้การตอบสนองดีขึ้น ข้อมูลใหม่ ๆ การเรียนรู้สมการที่ค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกชุดรูปแบบแผนภูมิทำคำนวณสำหรับคุณ อย่างไรก็ตามสำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่สมการ EMA: เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ ปัญหาเล็ก ๆ นี้สามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและต่อเนื่องโดยใช้สูตรด้านบนจากที่นั่น เราได้จัดเตรียมสเปรดชีตตัวอย่างไว้ในตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่แบบเรียบและค่าเฉลี่ยเคลื่อนที่แบบเสวนา ความแตกต่างระหว่าง EMA กับ SMA ตอนนี้คุณเข้าใจดีว่า SMA และ EMA ถูกคำนวณไปแล้วลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไร เมื่อพิจารณาการคำนวณ EMA คุณจะสังเกตเห็นว่าจุดข้อมูลสำคัญ ๆ อยู่ในจุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนัก ในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเหมือนกัน (15) แต่ EMA จะตอบสนองต่อการเปลี่ยนแปลงราคาได้เร็วขึ้น สังเกตว่า EMA มีมูลค่าสูงขึ้นเมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลง การตอบสนองนี้เป็นเหตุผลหลักที่ทำให้ผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA อะไรที่แตกต่างกันระหว่างวันหมายถึงค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่สามารถปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกกรอบเวลาที่ต้องการได้ทุกเมื่อสร้างค่าเฉลี่ย ช่วงเวลาที่ใช้บ่อยที่สุดในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาสั้น ๆ ที่ใช้ในการสร้างค่าเฉลี่ยความละเอียดอ่อนยิ่งขึ้นคือการเปลี่ยนแปลงราคา ยิ่งช่วงเวลาที่ยาวนานขึ้นเท่าไรก็ยิ่งอ่อนไหวหรือเรียบเนียนขึ้นเท่านั้นโดยเฉลี่ยแล้ว ไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่าช่วงใดที่ดีที่สุดสำหรับคุณคือการทดลองกับช่วงเวลาที่แตกต่างกันไปจนกว่าคุณจะหาช่วงเวลาที่เหมาะสมกับกลยุทธ์ของคุณสูตร Exponential Moving Average (EMA) คืออะไรและวิธีคำนวณ EMA เป็นเท่าไร ค่าเฉลี่ย (EMA) คือค่าเฉลี่ยถ่วงน้ำหนัก (WMA) ที่ให้น้ำหนักหรือความสำคัญกับข้อมูลราคาล่าสุดมากกว่าค่าเฉลี่ยเคลื่อนที่ (SMA) EMA ตอบสนองต่อการเปลี่ยนแปลงราคาล่าสุดได้เร็วกว่า SMA สูตรสำหรับการคำนวณ EMA เพียงเกี่ยวกับการใช้ตัวคูณและเริ่มต้นด้วย SMA การคำนวณ SMA นั้นตรงไปตรงมามาก SMA สำหรับช่วงเวลาหนึ่ง ๆ เป็นจำนวนรวมของราคาปิดสำหรับช่วงเวลาดังกล่าวหารด้วยจำนวนเดียวกัน ดังนั้นตัวอย่างเช่น SMA 10 วันเป็นเพียงผลรวมของราคาปิดในช่วง 10 วันที่หารด้วย 10 สามขั้นตอนในการคำนวณ EMA คือ: คำนวณ SMA คำนวณตัวคูณสำหรับการถ่วงน้ำหนัก EMA คำนวณ EMA ปัจจุบัน สูตรทางคณิตศาสตร์ในกรณีนี้สำหรับการคำนวณ EMA 10-D มีลักษณะเช่นนี้ SMA: 10 period sum10 การคำนวณตัวคูณการถ่วงน้ำหนัก: (2 (เลือกช่วงเวลา 1)) (2 (10 1)) 0.1818 (18.18) การคำนวณ EMA: (ราคาปิด EMA (วันก่อนหน้า)) x ตัวคูณ EMA (วันก่อนหน้า) การถ่วงน้ำหนักให้กับราคาล่าสุดเป็นระยะเวลาที่สั้นกว่า EMA ระยะเวลายาวนานกว่า EMA ที่ยาวขึ้น ตัวอย่างเช่นตัวคูณ 18.18 จะถูกนำไปใช้กับข้อมูลราคาล่าสุดสำหรับ 10 EMA ในขณะที่สำหรับ 20 EMA จะใช้เฉพาะการคูณด้วยตัวคูณ 9.52 เท่านั้น นอกจากนี้ยังมีการเปลี่ยนแปลงเล็กน้อยของ EMA โดยใช้ราคาเปิดสูงต่ำหรือค่ามัธยฐานแทนการใช้ราคาปิด ใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) เพื่อสร้างกลยุทธ์การซื้อขายแบบไดนามิกแบบไดนามิก เรียนรู้ว่า EMA สามารถใช้ประโยชน์ได้มากเพียงใด อ่านคำตอบเรียนรู้ถึงข้อได้เปรียบที่สำคัญที่อาจเกิดขึ้นจากการใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดเมื่อทำการซื้อขายแทนการย้ายแบบง่ายๆ อ่านคำตอบเรียนรู้เกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดซึ่งเป็นค่าชี้วัดทางเทคนิคที่วัดได้และความแตกต่าง อ่านคำตอบเรียนรู้สูตรสำหรับตัวบ่งชี้ความคลาดเคลื่อนการถดถอยของค่าเฉลี่ยเคลื่อนที่และหาวิธีคำนวณ MACD อ่านคำตอบเรียนรู้เกี่ยวกับประเภทของค่าเฉลี่ยเคลื่อนที่โดยรวมและค่าเฉลี่ยของไขว้ที่เคลื่อนที่และทำความเข้าใจว่าระบบเหล่านี้ถูกนำมาใช้อย่างไรอ่านคำตอบค้นพบความแตกต่างหลักระหว่างตัวชี้วัดค่าเฉลี่ยเคลื่อนที่แบบเสวนาและแบบธรรมดาและข้อเสียที่ EMA สามารถทำได้ Read Answer Beta เป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงจูงใจทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละแบบการปรับรูปแบบการถ่วงล้อเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองเชิงเส้นแบบไม่เป็นทางการและ แนวโน้มสามารถถูกอนุมานโดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในระยะเวลา t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลผิดพลาดอย่างมีนัยสำคัญน้อยกว่ารูปแบบการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะเพิ่มขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นระหว่างโมเดลที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันโดยที่ 945 ควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงแล้วในปัจจุบัน: เราสามารถแสดงการคาดการณ์ครั้งต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้าและข้อสังเกตก่อนหน้าในเวอร์ชันที่เทียบเท่ากันต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: รูปแบบการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเจริญเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุเฉลี่ยที่กำหนด (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นตามการอธิบายแบบเสวนาง่าย ๆ (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราการเติบโตของเงินเฟ้อ (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจเป็นไปตามข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มระยะสั้นหากชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นอย่างชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์มากกว่า 1 รอบระยะเวลาล่วงหน้าการประมาณแนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดที่เรียบง่ายที่ได้จากการใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นฉ้อฉลเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้น้ำหนักของ 946 และ 1-946: การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่การปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 ถือว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อมั่นว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเป็นเรื่องที่ดีพอสมควรเราสามารถสร้างโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และยังให้การคาดการณ์ระดับกลางของถนนต่อไปในอีก 5 หรือ 10 งวดต่อไป ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่คาดคิดไว้ได้แม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ ทำไมผู้ประกอบวิชาชีพชอบใช้ Exponential Moving Average ทำไมผู้ประกอบวิชาชีพชอบใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนาการวิเคราะห์ทางเทคนิคจึงลดลงเพื่อคาดการณ์ทิศทางการเคลื่อนไหวในอนาคตโดยการศึกษาพฤติกรรมการตลาดในอดีตและคุณอาจไม่ได้หาวิธีที่ดีกว่า เพื่อประเมินตลาดมากกว่าค่าเฉลี่ยเคลื่อนที่ วันนี้เราจะมาดูวิธีที่คุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่เพื่อวิเคราะห์กราฟราคาใด ๆ ค่าเฉลี่ยเคลื่อนที่ที่แตกต่างกันวิธีการคำนวณและแน่นอนว่าพวกเขาวัดได้อย่างไรในสภาพแวดล้อมการซื้อขายจริง แม้ว่าจะมีค่าเฉลี่ยเคลื่อนที่มากกว่าหนึ่งประเภทคุณจะต้องเรียนรู้เกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่สำคัญเพียงไม่กี่ขั้นตอนเพื่อให้สามารถใช้งานได้อย่างมีประสิทธิภาพในการซื้อขายสด ดังนั้นเราจะให้การสนทนาของเรา จำกัด เฉพาะค่าเฉลี่ยเคลื่อนที่ที่มีประโยชน์มากที่สุด ได้แก่ ค่าเฉลี่ยเคลื่อนที่แบบเรียบ (SMA) ค่าเฉลี่ยถ่วงน้ำหนัก (WMA) และค่าเฉลี่ยเคลื่อนที่เชิงเส้นที่เราชื่นชอบ (EMA) ค่าเฉลี่ยการเคลื่อนที่แบบเสวนา (Exponential Moving Average) ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (Exponential Moving Average) คือค่าเฉลี่ยเคลื่อนที่แบบเสวนา (Exponential Moving Average - EMA) ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ที่มีลักษณะคล้ายกับค่าเฉลี่ยเคลื่อนที่อื่น ๆ ถ้าคุณดูแผนภูมิที่มีค่าเฉลี่ยเคลื่อนที่แบบเรียบ (SMA) และค่าเฉลี่ยเคลื่อนที่ที่เป็นไปตามที่อธิบายไว้คุณจะไม่สามารถแยกความแตกต่างได้อย่างรวดเร็วก่อน อย่างไรก็ตามภายใต้ประทุนมีความแตกต่างที่สำคัญเกี่ยวกับวิธีการคำนวณ SMA และ EMA ช่วยบอกว่าคุณกำลังซื้อขายกราฟรายวันและกำลังมองหาการดำเนินการด้านราคาในช่วงหลายเดือนที่ผ่านมา คุณเห็นด้วยหรือไม่ว่าการวิเคราะห์ราคาในสัปดาห์ที่ผ่านมาจะช่วยให้เข้าใจตลาดได้ดีขึ้นในปัจจุบันและการดำเนินการในราคาในปัจจุบันน่าจะทำให้การดำเนินการด้านราคาในวันพรุ่งนี้เป็นไปได้เนื่องจากข้อมูลราคาล่าสุดมีความเกี่ยวข้องมากขึ้นเมื่อเทียบกับข้อมูลราคาในการสร้างตลาด เป็นเรื่องปกติที่คุณควรให้น้ำหนักมากขึ้นกับข้อมูลล่าสุด ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) ใช้ความคิดนี้มากว่าผู้ค้าควรให้ความสำคัญกับการดำเนินการด้านราคาเมื่อเร็ว ๆ นี้เมื่อเทียบกับราคาเดิม แม้ว่าชุดรูปแบบแผนภูมิที่ทันสมัยที่สุดจะคำนวณและแปลงค่าเฉลี่ยเคลื่อนที่แบบต่างๆในแผนภูมิราคาเป็นความคิดที่ดีเสมอว่าคุณทราบว่าคำนวณอย่างไรเนื่องจากช่วยเพิ่มความเข้าใจของคุณเกี่ยวกับสาเหตุที่ค่าเฉลี่ยเคลื่อนที่เคลื่อนที่แตกต่างกันไป วิธีการคำนวณค่าเฉลี่ยการเคลื่อนที่แบบ Exponential โดยทั่วไปคุณต้องทำ 3 ขั้นตอนในการคำนวณค่าเฉลี่ยเคลื่อนที่ที่อธิบายไว้สำหรับการซื้อขายตราสารใด ๆ ขั้นแรกเราต้องหาค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) หากเราต้องการคำนวณ SMA ในช่วง 10 วันที่ผ่านมาเราจะสรุปมูลค่าของราคาปิด 10 ราคาล่าสุดและหารด้วย 10 เพื่อรับ SMA เมื่อเรามี SMA แล้วเราจำเป็นต้องหาตัวคูณการถ่วงน้ำหนักสำหรับจำนวนรอบระยะเวลาที่เราต้องการคำนวณสำหรับ EMA ตัวคูณการถ่วงน้ำหนักคำนวณโดยใช้สูตรต่อไปนี้: EMA (ปัจจุบัน) ((ราคา (ปัจจุบัน) EMA (ก่อนหน้า) x ตัวคูณ) EMA (ก่อนหน้า) คุณควรจำไว้เสมอว่าจำนวนงวดจะมีผลอย่างมากต่อตัวคูณการถ่วงน้ำหนัก เนื่องจากมีความสำคัญกับการดำเนินการด้านราคาล่าสุด เราจะใช้ตัวคูณการถ่วงน้ำหนักเป็นเวลา 10 วันในตัวยกตัวอย่างเช่นนี้ (2 (ช่วงเวลา 1)) (2 (10 1)) 0.1818 (18.18) ในที่สุดเมื่อคุณคำนวณ SMA และ คุณสามารถคำนวณ EMA ด้วยการคำนวณต่อไปนี้: (ราคาปิด EMA (วันก่อนหน้า)) x ตัวคูณ EMA (วันก่อนหน้า) การซื้อขายด้วยค่าเฉลี่ยการย้ายเลขขึ้นขณะที่คุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนาได้หลายวิธี ผู้ค้ายึดติดกับการรักษาสิ่งที่เรียบง่าย โดยทั่วไปจะมีสองวิธีที่คุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่ที่มีการแจกแจงในการซื้อขาย: (1) ใช้ค่าเฉลี่ยการเคลื่อนที่แบบเสี้ยววินาทีที่มีระยะเวลาแตกต่างกันเพื่อสร้างสัญญาณการซื้อหรือขาย (2) หรือค่าเฉลี่ยเคลื่อนที่แบบเสแสร้งเป็นเขตต้านทานการสนับสนุนแบบไดนามิก หนึ่งในวิธีที่ง่ายที่สุดในการซื้อขายกับค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือการใช้ช่วงเวลาสองช่วงเวลาที่แตกต่างกันไปในแผนภูมิราคาและรอให้ระยะเวลาที่เร็วกว่าที่จะข้ามไปหรือต่ำกว่าช่วงเวลาที่ช้าลง หากคุณเห็น EMA ระยะเวลาที่เร็วขึ้นซึ่งอยู่เหนือ EMA ที่ช้าลงจากจุดทางเทคนิคแสดงให้เห็นถึงแรงผลักดันที่ดีในตลาด ในทางกลับกันหากคุณเห็น EMA ที่เร็วกว่าช่วงล่าง EMA ระยะสั้นจะแสดงให้เห็นถึงแรงกดดันขาลงในตลาด นอกเหนือจากการใช้ EMA crosses แล้วเรายังสามารถใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนาเป็นเขตหมุนแบบไดนามิก ในช่วงขาขึ้นระยะเวลา EMA ที่สำคัญเช่น EMA 50 หรือ 200 EMA จะทำหน้าที่เป็นเขตรองรับและความต้านทาน การสร้างสัญญาณซื้อขณะที่มีการเคลื่อนไหวด้วยเส้นค่าเฉลี่ยที่เป็นไปได้ที่มา: ภาพที่ 1: แผนภูมิ 5 นาทีของ บริษัท ฟอร์ดมอเตอร์ (NYSE: F) วันที่ 8 ตุลาคม 2015 ในรูปที่ 1 เราใช้ EMA ระยะเวลา 13 สีเขียวและระยะเวลา 21 สีแดง EMA ในแผนภูมิ 5 นาทีของ บริษัท Ford Motor (NYSE: F) ตามที่เห็นในด้านซ้ายสุดเมื่อเส้นสีเขียวขยับขึ้นเหนือเส้นสีแดงราคาได้รับแรงกระตุ้นในระยะเริ่มต้นและเริ่มเคลื่อนตัวขึ้น หากคุณเข้าร่วมการค้านี้ในวันที่ 8 ตุลาคม คุณสามารถป้อนคำสั่งซื้อที่ยาวได้อย่างง่ายดายประมาณ 14.60 ต่อหุ้นและออกจากการซื้อขายใกล้ ๆ 15.10 โดยมีกำไร 50 เซ็นต์ต่อหุ้นที่คุณซื้อขาย การสร้างสัญญาณการขายขณะที่การค้าขายกับค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้ขาดแผนภูมิ 2: แผนภูมิ 5 นาทีของ Apple Inc. (NASDAQ: AAPL) วันที่ 8 ตุลาคม 2015 ในรูปที่ 2 เราได้นำค่าเฉลี่ยการเคลื่อนย้ายเลขฐานสิบสามข้อ 13 และ 21 มาใช้อีกครั้งหนึ่ง กราฟราคา 5 นาที แต่คราวนี้ Apple Inc (NASDAQ: AAPL) เพื่อแสดงให้เห็นว่ากลยุทธ์นี้เป็นเครื่องมือที่เป็นอิสระ ตามที่คุณเห็นบนเครื่องหมายกากบาทที่สองในแผนภูมิเมื่อ EMA ระยะสั้น 13 ระยะหดตัวใต้เส้น EMA สีแดง 21 ช่วงราคาเริ่มต้นขึ้นอย่างรวดเร็ว แม้ว่าความผันผวนจะเพิ่มขึ้นอย่างมากและแม้ว่าคุณจะเข้าสู่ตลาดหลังจากที่บาร์ปิดด้านล่าง EMA ที่ลดลงคุณก็ยังคงสามารถที่จะ AAPL สั้น ๆ ได้ที่ 109.00 บาทต่อหุ้นและออกจากบริเวณใกล้เคียง 108.20 ทำให้กำไรต่อหุ้น 0.80 . ตัวอย่างการเคลื่อนไหวและการต่อต้านแบบไดนามิกตัวอย่างเช่นในรูปที่ 1 และรูปที่ 2 คุณจะเห็นได้ว่าราคามักดึงกลับมาที่ EMA ระยะเวลา 13 และ 21 และรวมเข้าด้วยกัน ภาพที่ 3: การรวมราคารอบ EMA 10 วันของแผนภูมิ 5 นาทีของ Apple Inc ในวันที่ 9 ตุลาคม 2015 ในรูปที่ 3 คุณจะเห็นว่าราคาสามารถหาได้ทั้งการสนับสนุนและความต้านทานรอบ ๆ ระดับ EMA ที่สำคัญ เนื่องจาก EMA เคลื่อนขึ้นหรือลงขึ้นอยู่กับการกระทำของราคาโดยปกติระดับเหล่านี้จะทำหน้าที่เป็นโซนหมุนแบบไดนามิกที่คุณสามารถใช้เพื่อวางคำสั่งซื้อที่ยาวหรือสั้นได้ อย่างไรก็ตามเราขอแนะนำอย่างยิ่งให้คุณใช้ทริกเกอร์การดำเนินการด้านราคาในการสั่งซื้อแทนที่จะวางคำสั่งซื้อหรือขายคำสั่งซื้อในวงเล็บรอบบรรทัดเหล่านี้ ตามที่คุณสามารถถือว่าตอนนี้ทั้ง 13 และ 21 เป็นตัวเลข Fibonacci และทั้งสองช่วงนี้เป็นที่นิยมมากในหมู่ผู้ค้ารายวัน เนื่องจากเราใช้แผนภูมิจำนวน 5 นาทีเพื่อแสดงให้เห็นว่าคุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนาได้อย่างไรในธุรกิจการค้าในชีวิตจริงเราใช้ EMA ระยะเวลาที่รวดเร็วกว่า ถ้าคุณต้องการซื้อขายกรอบเวลารายวันหรือรายสัปดาห์ระยะเวลา 50, 100 และ 200 EMA จะเหมาะสำหรับความพยายามดังกล่าว ทำไมผู้ค้าแบบมืออาชีพชอบใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนาเมื่อพูดถึงการซื้อขายสดผู้ค้ามืออาชีพและนักวิเคราะห์เชิงปริมาณมีแนวโน้มที่จะให้ความสำคัญกับค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) เมื่อเทียบกับค่าเฉลี่ยเคลื่อนที่อื่น ๆ เช่นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) และ ค่าเฉลี่ยถ่วงน้ำหนัก (WMA) เมื่อเทียบกับการใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ (SMA) ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนัก (WMA) มีประโยชน์อย่างมากเนื่องจากคุณสามารถให้ความสำคัญกับการดำเนินการด้านราคากับ WMA ได้อย่างต่อเนื่อง อย่างไรก็ตามผู้ค้าเริ่มต้นส่วนใหญ่ได้รับความสับสนเมื่อพูดถึงความแตกต่างของค่าเฉลี่ยเคลื่อนที่เชิงเส้น (EMA) และค่าเฉลี่ยถ่วงน้ำหนัก (WMA) เนื่องจาก EMA ใช้สูตรที่มีการถ่วงน้ำหนักในการคำนวณค่า แต่มีความแตกต่างที่ชัดเจนระหว่าง EMA และ WMA เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักคุณต้องใช้น้ำหนักหรือตัวคูณที่สอดคล้องกันในสูตร ตัวอย่างเช่นราคา WMA อาจลดลงได้ที่ 5.0 สำหรับแท่งราคาก่อนหน้าในแผนภูมิเพื่อให้น้ำหนักมากขึ้นกับแถบราคาล่าสุด เมื่อเทียบกับ SMA และ WMA ตรงกันข้ามเมื่อคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) น้ำหนักหรือตัวคูณจะไม่สอดคล้องกัน แต่จะให้ความสำคัญกับการล่าสุด ราคาในลักษณะที่ชี้แจง นั่นคือเหตุผลที่ตัวคูณที่ถ่วงน้ำหนักเพิ่มขึ้นหรือลดลงขึ้นอยู่กับจำนวนรอบระยะเวลาหรือจุดราคา ดังนั้นค่าเฉลี่ยเคลื่อนที่แบบทึบจะทำปฏิกิริยาได้เร็วกว่ามากกับการเปลี่ยนแปลงของราคาและมีการรับรู้เกี่ยวกับตลาดที่ถูกต้องมากขึ้นเมื่อเทียบกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่เรียบง่ายและสม่ำเสมอ ข้อสรุปค่าเฉลี่ยเคลื่อนที่แบบเสวนาอาจเป็นเครื่องมือที่ทรงพลังมากในคลังแสงของผู้ค้ารายวันที่มีประสบการณ์ อย่างไรก็ตามคุณควรจำไว้ว่าราคาไม่ได้ทำปฏิกิริยากับ EMA pivot zone เนื่องจากโครงสร้างทางการตลาดต้นแบบซึ่งเป็นคำทำนายด้วยตัวเอง คุณเห็นผู้วิเคราะห์กองทุนเฮดจ์ฟันด์รายใหญ่และผู้ค้าสถาบันอื่น ๆ มักใช้ช่วงเวลาเฉลี่ยที่สำคัญในการเคลื่อนย้ายเพื่อตัดสินใจว่าตราสารการเงินมีแนวโน้มสูงหรือไม่ดีหรืออยู่ในช่วง ดังนั้นเมื่อมีการข้าม EMA ที่สำคัญหรือราคาเข้าใกล้ EMA เหล่านี้ผู้ค้าจำนวนมากมองดูระดับราคาเหล่านี้พวกเขามักจะวางคำสั่งซื้อจำนวนมากในระดับเหล่านี้ ดังนั้นเมื่อราคาถึงใกล้ EMA เหล่านี้คำสั่งซื้อจะเต็มไปหมดและความผันผวนของตลาดจะเพิ่มขึ้น ขึ้นอยู่กับพลวัตรซื้อหรือขายในโซนหมุนเหล่านี้ราคาจะดำเนินการต่อแนวโน้มหรือเปลี่ยนแปลงแนวโน้มที่มีอยู่ทั้งหมด นั่นคือเหตุผลที่คุณควรจับตาดูที่เส้น EMA ที่สำคัญอยู่ในแผนภูมิราคาโดยไม่คำนึงว่าคุณใช้การวิเคราะห์ทางเทคนิคหรือเพียงอย่างเดียวทั้งนี้ขึ้นอยู่กับการวิเคราะห์พื้นฐานในระบบการซื้อขายของคุณ โพสต์ที่เกี่ยวข้อง