Jämför Glidande Medelvärde And Exponentiell Utjämning

Prognoser genom utjämningstekniker. Den här webbplatsen är en del av JavaScript E-Labs-lärandesobjekt för beslutsfattande. Andra JavaScript i denna serie kategoriseras under olika tillämpningsområden i MENU-sektionen på denna sida. En tidsserie är en följd av observationer som Bestäms i tid Inhämtande i insamlingen av data som tagits över tiden är någon form av slumpmässig variation. Det finns metoder för att minska avbrytandet av effekten på grund av slumpmässig variation. Breda använda tekniker utjämnar. Dessa tekniker, när de tillämpas korrekt, avslöjar tydligare de underliggande trenderna . Ange tidsserierna Row-wise i följd, starta från det övre vänstra hörnet och parametern s, och klicka sedan på Calculate-knappen för att få fram en prognos för en period framåt. Lankrutor ingår inte i beräkningarna utan nollor är. När du matar in data för att flytta från cell till cell i datmatrisen, använd Tab-tangenten inte pilen eller skriv in tangenter. Funktioner av tidsserier, som kan avslöjas av examini Ng dess graf med de prognostiserade värdena och residualbeteendet, förutsäga prognosmodellering. Flyttmedelvärden Flytta medelvärden bland de mest populära teknikerna för förbehandling av tidsserier De används för att filtrera slumpmässigt vitt brus från data, för att göra tidsserierna Jämnare eller till och med att betona vissa informationskomponenter som ingår i tidsserierna. Exponentialutjämning Detta är ett mycket populärt schema för att producera en jämn tidsserie. I rörliga medelvärden viktas tidigare observationer lika, exponentiell utjämning tilldelar exponentiellt minskande vikter som observationen blir äldre Med andra ord ges de senaste observationerna relativt större vikt vid prognoser än de äldre observationerna. Dubbel exponentiell utjämning är bättre vid hantering av trender. Trippel Exponentiell utjämning är bättre vid hantering av paraboltrender. Ett exponentiellt vägt glidmedel med en utjämningskonstant a motsvarar i stort sett en enkel Glidande medelvärde av längd dvs Period n, där a och n är besläktade med. a 2 n 1 OR n 2 - a a. Till exempel skulle ett exponentialt vägt glidmedel med en utjämningskonstant lika med 0 1 motsvara ungefär ett 19 dagars glidande medelvärde And Ett 40 dagars enkelt glidande medelvärde skulle motsvara ungefär ett exponentiellt vägt glidmedel med en utjämningskonstant som motsvarar 0 04878.Holt s Linear Exponential Smoothing Anta att tidsserierna är säsongsbetonade, men visar trend-Holt s-metoden uppskattar både strömmen Nivå och den aktuella trenden. Notera att det enkla glidande medlet är speciellt fall av exponentiell utjämning genom att ställa in det glidande medeltalet för heltalet av 2-Alpha Alpha. För de flesta företagsdata är en Alpha-parameter som är mindre än 0 40 ofta Effektiv Men det kan vara att man utför en nätverkssökning av parameternummet med 0 1 till 0 9 med steg på 0 1 Då har den bästa alfas det minsta genomsnittliga absoluta felet MA Error. Hur jämför man flera utjämningsmetoder Även om det Är numeriska indikatorer för att bedöma noggrannheten i prognostekniken, är det mest använda sättet att använda en visuell jämförelse av flera prognoser för att bedöma deras noggrannhet och välja mellan de olika prognosmetoderna. I detta tillvägagångssätt måste man plotta med t. ex. Excel på samma graf De ursprungliga värdena för en tidsserievariabel och de förutspådda värdena från flera olika prognosmetoder, vilket underlättar en visuell jämförelse. Du kan gilla att använda Past Forecasts by Smoothing Techniques JavaScript för att få de senaste prognosvärdena baserade på utjämningstekniker som endast använder en enda parameter Holt och Winters metoder använder sig av två respektive tre parametrar. Det är därför inte en lätt uppgift att välja de optimala, eller till och med nära optimala värden, genom försök och fel för parametrarna. Den enda exponentiella utjämningen betonar det korta perspektivet det Sätter nivån till den sista observationen och baseras på villkoret att det inte finns någon trend. Den linjära regressen Jon som passar en minsta kvadrera linje till den historiska data eller transformerade historiska data, representerar det långa intervallet, vilket är konditionerat för den grundläggande trenden Holt s linjär exponentiell utjämning fångar information om den senaste trenden Parametrarna i Holt s-modellen är nivåparametrar som Bör minskas när mängden datavariation är stor och trenderparametern bör ökas om den senaste trendriktningen stöds av de orsakssammanfattade faktorerna. Kortsiktiga prognoser Observera att varje JavaScript på denna sida ger ett steg framåt Prognos För att få en tvåstegs-prognos lägger du bara till det prognostiserade värdet till slutet av din tidsseriedata och klickar sedan på samma beräkna-knapp. Du kan upprepa denna process ett par gånger för att få de nödvändiga kortsiktiga prognoserna Exponentiell utjämning Explained. Copyright Content on är upphovsrättsskyddad och är inte tillgänglig för republicering. När folk först stöter på termen Exponentiell utjämning kan de tro att Hatten låter som ett helvete av utjämning, oavsett utjämning. De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik att förstå och hoppas att det finns en inbyggd Excel-funktion tillgänglig om de någonsin behöver göra det Verkligheten med exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannan är exponentiell utjämning en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn eftersom det som tekniskt händer som ett resultat av denna enkla beräkning är faktiskt Lite komplicerat. För att förstå exponentiell utjämning hjälper det till att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Utmattning är en mycket vanlig statistisk process. I själva verket möter vi regelbundet smidiga data I olika former i våra dagliga liv Varje gång du använder ett medelvärde för att beskriva något, använder du ett jämnt antal Om du tror Om varför du använder ett medelvärde för att beskriva något, kommer du snabbt att förstå begreppet utjämning. Vi har till exempel bara upplevt den varmaste vintern på rekord. Hur kan vi kvantifiera detta? Tja, vi börjar med dataset av de dagliga höga och låga temperaturerna för Period vi kallar Vinter för varje år i inspelad historia Men det lämnar oss med en massa siffror som hoppa runt ganska lite det är inte som varje dag i vinter var varmare än motsvarande dagar från alla tidigare år Vi behöver ett nummer som tar bort alla Detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Avlägsna hoppningen runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medelvärde för att uppnå utjämningen. I efterfrågan prognoser använder vi Utjämning för att ta bort slumpmässigt variationsstörning från vår historiska efterfrågan. Detta gör det möjligt för oss att bättre identifiera efterfrågan mönster främst trend och säsong och efterfråganivåer som kan användas för att uppskatta framtida Man Bruset i efterfrågan är samma begrepp som den dagliga hoppningen runt temperaturdata. Inte överraskande är det vanligaste sättet att folk tar bort ljud från efterfrågningshistoriken att använda ett enkelt medelvärde eller mer specifikt ett glidande medelvärde. Ett rörligt medel använder bara en Fördefinierat antal perioder för att beräkna medelvärdet och dessa perioder rör sig när tiden går. Till exempel om jag använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, använder jag ett genomsnitt av efterfrågan som inträffade i januari, februari, Mars och april den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Viktat glidande medelvärde. När vi använder ett medel tillämpar vi samma vikt vid varje värde i datamängden i 4 månaders rörelse Genomsnittet representerade varje månad 25 av det rörliga genomsnittet När man använder efterfrågningshistorik för att projektera framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att du skulle vilja att nyare historia skulle få större inverkan på din prognos. Vi kan Anpassa vår glidande medelberäkning för att tillämpa olika vikter för varje period för att få våra önskade resultat. Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder måste öka till 100. Om vi ​​bestämmer att vi vill tillämpa 35 som Vikten för närmaste period i vårt 4 månaders vägda glidande medelvärde kan vi subtrahera 35 från 100 för att finna att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en viktning på 15, 20, 30 , Respektive 35 för de fyra månaderna 15 20 30 35 100. Exponentialutjämning. Om vi ​​går tillbaka till begreppet att applicera en vikt till den senaste perioden, såsom 35 i föregående exempel och sprida den återstående vikten beräknad genom att subtrahera mest Den senaste vikten av 35 från 100 till 65, har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången av exponentiell utjämningsberäkningen är känd som utjämningsfaktorn kallas även utjämningskonstanten. Det a Representerar enträdes viktningen applicerad på den senaste periodens efterfrågan Så, där vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen, kunde vi också välja att använda 35 som utjämningsfaktor i vår exponentiella utjämningsberäkning till Få en liknande effekt Skillnaden med exponentiell utjämning beräkningen är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här kommer den exponentiella delen Om vi ​​använder 35 som utjämningsfaktor kommer vikten av den senaste periodens efterfrågan att vara 35. Viktningen av nästa senaste period s kräver perioden innan den senaste kommer att vara 65 av 35 65 kommer att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden före den kommer att vägas som 65 av 65 av 6 5 av 35, vilket motsvarar 9 61 osv. Och det går tillbaka genom alla dina tidigare perioder hela vägen tillbaka till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du är antagligen Tänker att det ser ut som en hel del matte Men skönheten i exponentiell utjämning beräkningen är att snarare än att behöva räkna om mot varje tidigare period varje gång du får en ny periodens efterfrågan, använder du helt enkelt utmatningen från exponentiell utjämningsberäkning från Den tidigare perioden för att representera alla tidigare perioder. Är du förvirrad än? Det här kommer att ge större mening när vi tittar på den faktiska beräkningen. Typiskt hänvisar vi till effekten av exponentiell utjämningsberäkningen som nästa prognosperiod. I verkligheten behöver den ultimata prognosen en Lite mer arbete, men i den här specifika beräkningen syftar vi på det som prognosen. Exponential utjämningsberäkningen är enligt följande. Den senaste perioden s Efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste periodens prognos multiplicerad med en minus utjämningsfaktorn. D senaste periodens krav S utjämningsfaktorn representerad i decimalform så 35 skulle representeras som 0 35 F den senaste periodens prognos Utmatningen från utjämningsberäkningen från föregående period. OR antar en utjämningsfaktor på 0 35. Det blir inte mycket enklare än det. Som du kan se är allt vi behöver för datainmatningar här den senaste periodens efterfrågan och Senaste periodens prognos Vi tillämpar utjämningsfaktorns viktning till den senaste perioden s efterfrågar samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen. Vi applicerar sedan den återstående vikten 1 minus utjämningsfaktorn till den senaste periodens prognos. Eftersom Den senaste periodens prognos skapades baserat på föregående period s efterfrågan och föregående period s prognos, som baserades på efterfrågan på perioden före det och prognosen för peri Od före det som baserades på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på perioden före det. Det kan du se hur alla tidigare periodens efterfrågan representeras i beräkningen utan Faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den initiala exponentiella utjämningens popularitet. Det var inte eftersom det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde. Det berodde på att det var lättare att beräkna i ett datorprogram. Och eftersom du Behövde inte tänka på vilken viktning som skulle ge tidigare perioder eller hur många tidigare perioder att använda, som du skulle i viktat glidande medelvärde. Och eftersom det bara lät kallare än det viktade glidande genomsnittet. Det kan faktiskt argumenteras för att viktat glidande medelvärde Ger större flexibilitet eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, varför inte gå med enklare och svalare sounder Ding. Exponential utjämning i Excel. Let s se hur det här verkligen skulle se i ett kalkylblad med verkliga data. Kopyright Content på är upphovsrättsskyddad och är inte tillgänglig för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan Och en exponentiellt jämnprognos beräknad från den efterfrågan jag har använt en utjämningsfaktor på 25 0 25 i cell C1 Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12. Du kan se i formelfältet, formeln är L3 C1 L4 1- C1 Så, de enda direkta ingångarna till denna beräkning är den tidigare perioden s efterfrågan Cell L3, den tidigare perioden s prognos Cell L4 och utjämningsfaktorn Cell C1, som visas som absolut cellreferens C1.När vi börjar en exponentiell utjämningsberäkning , Måste vi manuellt ansluta värdet för den första prognosen. Så i Cell B4, i stället för en formel, skrev vi bara in efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning B3 C1 B4 1- C1 Vi kan sedan kopiera Cell C4 och klistra in den i cellerna D4 till M4 för att fylla resten av våra prognosceller. Du kan nu dubbelklicka på någon prognoscell för att se att den är baserad på den föregående periodens prognoscell och föregående period s Efterfrågecell Så, varje efterföljande exponentiell utjämningsberäkning ärver utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfrågers efterfrågan representeras i den senaste periodens beräkning, även om den beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill få Fancy, du kan använda Excel s trace precedents funktion För att göra detta klickar du på Cell M4, sedan på verktygsfältet Excel 2007 eller 2010 klickar du på Formulas fliken och klickar sedan på Trace Precedents Det kommer att dra anslutningslinjer till 1: a nivået av prejudikat, Men om du fortsätter att klicka på Trace Precedents kommer det att dra anslutningslinjer till alla tidigare perioder för att visa dig de ärvda relationerna. Nu får vi se vilken exponentiell utjämning som gjordes för oss. Figur 1B Visar ett linjediagram över vår efterfrågan och prognos Du ser hur den exponentiellt släta prognosen avlägsnar det mesta av den jaggedness som hoppar runt från den veckoslutande efterfrågan, men lyckas ändå att följa det som tycks vara en uppåtgående trend i efterfrågan. Du kommer också märka att Smidig prognoslinje tenderar att vara lägre än efterfrågan. Detta kallas trendslag och är en bieffekt av utjämningsprocessen. Varje gång du använder utjämning när en trend är närvarande kommer din prognos att ligga kvar efter trenden. Detta gäller för alla utjämningstekniker Faktum är att om vi skulle fortsätta detta kalkylblad och börja skriva in lägre efterfråganummer som gör en nedåtgående trend så skulle vi se efterfrågan radfall och trendlinjen rör sig ovanför den innan vi börjar följa den nedåtgående trenden. Därför nämnde jag tidigare Utgången från exponentiell utjämningsberäkningen som vi kallar en prognos, behöver fortfarande lite mer arbete Det finns mycket mer att prognosera än att bara utjämna stötarna i efterfrågan Vi behöver Göra ytterligare justeringar för saker som trendlag, säsongshistoria, kända händelser som kan påverka efterfrågan osv. Men allt som ligger utanför ramen för denna artikel. Du kommer sannolikt också att gå in i termer som dubbel exponentiell utjämning och trippel-exponentiell utjämning. Dessa termer är Lite vilseledande eftersom du inte omklämmer efterfrågan flera gånger du kan om du vill, men det är inte meningen här. Dessa termer representerar exponentiell utjämning på ytterligare element i prognosen. Med enkel exponentiell utjämning stryker du basen Efterfrågan, men med dubbel exponentiell utjämning utjämnar du basbehovet plus trenden och med trippel-exponentiell utjämning utjämnar du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exponentiell utjämning är var gör jag Få min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågade data för att se vad som får dig den bästa resu Lts Det finns beräkningar som automatiskt kan ställa in och ändra utjämningsfaktorn. Dessa faller under termen adaptiv utjämning men du måste vara försiktig med dem. Det är helt enkelt inget perfekt svar och du bör inte blinda genomföra någon beräkning utan noggrann testning och utveckla en grundlig Förståelse för vad den här beräkningen gör. Du bör också köra scenarier för att se hur dessa beräkningar reagerar på att kräva förändringar som inte finns för närvarande i de efterfrågade data som du använder för testning. Det dataexempel som jag tidigare använde är ett mycket bra exempel på En situation där du verkligen behöver testa några andra scenarier Det specifika datautexemplet visar en något konsekvent uppåtgående trend Många stora företag med mycket dyr prognosprogramvara har stora problem i det inte så långt borta när deras programvaruinställningar som var tweaked för en Växande ekonomi reagerade inte bra när ekonomin började stagnera eller krympa Saker som detta händer när du inte undersöker Tand vad din mjukvara faktiskt gör Om de förstod sitt prognossystem skulle de ha vetat att de behövde hoppa in och ändra något när det var plötsligt dramatiska förändringar i deras verksamhet. Så där har du det förklarat grunderna för exponentiell utjämning. Vill du Veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. Copyright Content on är upphovsrättsskyddad och är inte tillgänglig för republicering. Dave Piasecki är ägare operatör av Inventory Operations Consulting LLC ett konsultföretag som tillhandahåller tjänster relaterade till Lagerhantering, materialhantering och lagerverksamhet Han har över 25 års erfarenhet av operationshantering och kan nås via sin webbplats, där han behåller ytterligare relevant information. Min Business. Moving Averages - Simple and Exponential. Moving Averages - Simple and Exponential. Flyttande medel sänker prisdata för att bilda en trendföljande indikator De förutspår inte prisriktningen utan definierar snarare den aktuella riktningen med en fördröjning. Rörande medelvärden fördröjning, eftersom de är baserade på tidigare priser. Trots denna fördröjning hjälper glidande medelvärden till en jämn prisåtgärd och filtrerar bort bullret. De bildar också byggstenarna för många andra Tekniska indikatorer och överlagringar, såsom Bollinger Bands MACD och McClellan Oscillator De två mest populära typerna av glidande medelvärden är Simple Moving Average SMA och Exponentential Moving Average EMA. Dessa rörliga medelvärden kan användas för att identifiera riktningens riktning eller definiera potential Stöd och motståndsnivåer. Här är diagrammet med både en SMA och en EMA på den. Klicka på diagrammet för en live version. Simply Moving Average Calculation. Ett enkelt glidande medelvärde bildas genom att beräkna det genomsnittliga priset på en säkerhet över ett visst antal Perioder De mest glidande medelvärdena baseras på slutkurserna Ett 5-dagars enkelt glidande medelvärde är den fem dagars summan av slutkurserna dividerat med fem. Som namnet antyder, Ett glidande medelvärde är ett medelvärde som flyttar Gammal data släpps när nya data kommer tillgängliga Detta medför att medelvärdet flyttas längs tidsskala Nedan är ett exempel på ett 5-dagars glidande medelvärde som utvecklas över tre dagar. Den första dagen i glidande medelvärdet Täcker helt enkelt de senaste fem dagarna Den andra dagen i glidande medel sjunker den första datapunkten 11 och lägger till den nya datapunkten 16 Den tredje dagen i glidande medel fortsätter genom att släppa den första datapunkten 12 och lägga till den nya datapunkten 17 I den Exempel ovan stiger priserna gradvis från 11 till 17 över totalt sju dagar. Observera att det rörliga genomsnittet också stiger från 13 till 15 över en tre dagars beräkningsperiod. Notera också att varje glidande medelvärde ligger strax under det sista priset. Till exempel Glidande medelvärde för dag ett är 13 och det sista priset är 15 Priserna de föregående fyra dagarna var lägre och det medför att det rörliga genomsnittet försvinner. Exponential Moving Average Calculation. Exponential glidande medelvärden minskar fördröjningen genom applicering G mer vikt till de senaste priserna Den vikt som tillämpas på det senaste priset beror på antalet perioder i glidande medelvärdet. Det finns tre steg för att beräkna ett exponentiellt rörligt medelvärde. Först beräkna det enkla glidande medlet. En exponentiell glidande genomsnittlig EMA måste börja någonstans Så ett enkelt glidande medelvärde används som föregående period s EMA i den första beräkningen Andra, beräkna viktnings multiplikatorn Tredje, beräkna exponentiell glidande medelvärdet Formeln nedan är för en 10-dagars EMA. A 10-perioders exponentiell glidande medel gäller en 18 18 viktning till det senaste priset En 10-årig EMA kan också kallas en 18 18 EMA En 20-årig EMA tillämpar en 9 52 viktning till det senaste priset 2 20 1 0952 Observera att viktningen för den kortare tidsperioden är Mer än viktningen för längre tidsperiod Faktum är att viktningen sjunker med hälften varje gång den glidande genomsnittliga perioden fördubblas. Om du vill ha en viss procentandel för en EMA kan du använda denna formel Att konvertera det till tidsperioder och ange det där värdet som EMA s parameter. Längs är ett kalkylblad exempel på ett 10 dagars enkelt glidande medelvärde och ett 10-dagars exponentiellt glidande medelvärde för Intel Simple glidande medelvärden är rakt framåt och kräver liten förklaring 10-dagars genomsnittet flyttade helt enkelt eftersom nya priser blir tillgängliga och gamla priser faller av. Det exponentiella rörliga medlet börjar med det enkla glidande medelvärdet 22 22 i den första beräkningen Efter den första beräkningen tar den normala formeln över eftersom en EMA börjar med en Enkelt glidande medelvärde kommer dess verkliga värde inte att realiseras förrän 20 eller så perioder senare Med andra ord kan värdet på Excel-kalkylbladet skilja sig från diagramvärdet på grund av den korta återkallstiden. Detta kalkylblad går bara tillbaka 30 perioder, vilket Betyder att effekten av det enkla glidande medlet har haft 20 perioder att sprida StockCharts går tillbaka minst 250 perioder, typiskt mycket längre för dess beräkningar, så effekterna av simen Glidande medelvärde i den första beräkningen har helt försvunnit. Lagfaktorn. Ju längre glidande medelvärde desto mer är ett 10-dagars exponentiellt glidande medelvärde att krama priserna ganska nära och vända kort efter att priserna har blivit snabba. Korta glidande medelvärden är som fartygsbåtar - Snyggt och snabbt att byta. I motsats till detta innehåller ett 100-dagars glidande medelvärde massor av tidigare data som saktar ner. Längre glidande medelvärden är som havs tankfartyg - slö och långsam att förändra. Det tar en större och längre prisrörelse för en 100-dagars Flytta genomsnittet för att ändra kursen. Klicka på diagrammet för en live version. Kartan ovan visar SP 500 ETF med en 10-dagars EMA nära efterföljande priser och en 100-dagars SMA-slipning. Även med nedgången januari-februari, de 100 - dag SMA höll kursen och blev inte nere Den 50-dagars SMA passar någonstans mellan 10 och 100 dagars glidande medelvärden när det gäller lagfaktorn. Simple mot exponentiella rörliga medelvärden. Även om det finns tydliga skillnader mellan enkla mo Vingmedelvärden och exponentiella rörliga medelvärden är en inte nödvändigtvis bättre än de andra exponentiella glidmedelvärdena med mindre fördröjning och är därför mer känsliga för de senaste priserna - och de senaste prisförändringarna Exponentiella glidmedelvärden kommer att vända sig före enkla glidande medelvärden Enkla glidande medelvärden å andra sidan Hand representerar ett sant genomsnitt av priser under hela tidsperioden. Således kan enkla glidande medelvärden vara bättre lämpade för att identifiera stöd - eller motståndsnivåer. Att räkna med medelpreferensen beror på mål, analysstil och tidshorisont. Chartister ska experimentera med båda typerna av rörelse Medelvärden och olika tidsramar för att hitta den bästa passningen Tabellen nedan visar IBM med 50-dagars SMA i rött och 50-dagars EMA i grönt Båda toppade i slutet av januari, men nedgången i EMA var skarpare än minskningen i SMA EMA vände sig upp i mitten av februari, men SMA fortsatte sänka till slutet av mars. Notera att SMA visade sig över en månad efter EMA. Len Gths och tidsplaner. Längden på det rörliga genomsnittet beror på de analytiska målen. Korta glidande medelvärden 5-20 perioder passar bäst för kortsiktiga trender och handel. Chartister intresserade av medellångtidsutveckling skulle välja längre glidmedel som kan sträcka sig 20- 60 perioder Långsiktiga investerare föredrar att flytta medelvärden med 100 eller flera perioder. Vissa rörliga genomsnittslängder är mer populära än andra. Det 200-dagars glidande medlet är kanske det mest populära. På grund av dess längd är det tydligt ett långsiktigt glidande medelvärde Därefter är det 50-dagars glidande medlet ganska populärt för den medellånga trenden. Många kartläggare använder de 50-dagars och 200-dagars glidande medelvärdena på kort sikt. Ett 10-dagars glidande medelvärde var ganska populärt tidigare eftersom det var Lätt att beräkna En bara lade till siffrorna och flyttade decimalpunkten. Trendidentifiering. Samma signaler kan genereras med hjälp av enkla eller exponentiella glidande medelvärden. Såsom noteras ovan beror preferensen på varje individ. Dessa e Xamples nedan kommer att använda både enkla och exponentiella glidande medelvärden. Termen glidande medel gäller både enkla och exponentiella glidande medelvärden. Riktningen för glidande medel ger viktig information om priser Ett stigande glidande medelvärde visar att priserna i allmänhet ökar. Ett fallande glidande medel indikerar att Priserna faller i genomsnitt Ett stigande långsiktigt glidande medel återspeglar en långsiktig uppgång Ett fallande långsiktigt glidande medel återspeglar en långsiktig nedåtgående trend. Tabellen ovan visar 3M MMM med ett 150-dagars exponentiellt glidande medelvärde. Detta exempel Visar hur bra glidande medelvärden fungerar när trenden är stark. Den 150-dagars EMA-enheten avböjdes i november 2007 och igen i januari 2008 Observera att det tog 15 nedgångar för att vända riktningen för detta glidande medelvärde. Dessa eftersläpande indikatorer identifierar trendomvandlingar som de Uppträder i bästa fall eller efter att de uppstått i värsta fall fortsatte MMM lägre till mars 2009 och ökade sedan 40-50 Observera att 150-dagars EMA inte kom upp Till efter denna ökning En gång det gjorde emellertid MMM fortsatt de närmaste 12 månaderna. Flyttande medelvärden arbetar briljant i starka trender. Dubbelkorsningar. Två rörliga medelvärden kan användas tillsammans för att generera crossover-signaler. I teknisk analys av finansmarknaderna kallar John Murphy detta Dubbla crossover-metoden Dubbelkorsningar omfattar ett relativt kort glidande medelvärde och ett relativt långt glidande medelvärde. Som med alla glidande medelvärden definierar den allmänna längden för glidande medel tidsramen för systemet Ett system som använder en 5-dagars EMA och 35-dagars EMA Skulle anses vara kortsiktigt Ett system som använder en 50-dagars SMA och 200-dagars SMA skulle anses vara på medellång sikt, kanske till och med på lång sikt. En bullish crossover uppträder när det kortare glidande medelvärdet passerar över det längre glidande medlet. Detta är också Känt som ett gyllene kors En bearish crossover uppträder när det kortare glidande medelvärdet korsar det längre glidande medlet. Detta kallas ett dött kors. Ly sen signaler När allt kommer omkring använder systemet två eftersläpande indikatorer Ju längre de rörliga genomsnittliga perioderna desto större är fördröjningen i signalerna. Dessa signaler fungerar bra när en bra trend tar tag. Ett glidande medelvärdesöverföringssystem kommer emellertid att producera massor av whipsaws i Frånvaron av en stark trend. Det finns också en trippel crossover-metod som involverar tre glidande medelvärde. Igen genereras en signal när det kortaste glidande medelvärdet passerar de två längre glidande medelvärdena. Ett enkelt trippelöverföringssystem kan innebära 5-dagars, 10-dagars och 20-dagars glidande medelvärde. Diagrammet ovan visar Home Depot HD med en 10-dagars EMA-grön streckad linje och 50-dagars EMA-röd linje. Den svarta linjen är det dagliga stänget. Med en glidande medelvärde skulle det ha resulterat i tre whipsaws innan man fick en Bra handel 10-dagars EMA bröt sig under 50-dagars EMA i slutet av oktober 1, men det varade inte länge då 10-dagarna flyttade tillbaka ovan i mitten av november 2. Detta kors varade längre, men nästa bearish crossover i Janu Ary 3 inträffade i slutet av november prisnivåer, vilket resulterade i en annan whipsaw Denna baisse korset varade inte länge då 10-dagars EMA flyttade tillbaka över 50-dagen några dagar senare 4 Efter tre dåliga signaler föreslog den fjärde signalen ett starkt drag När beståndet avancerade över 20. Det finns två takeaways här. För det första är övergångar benägen för whipsaw. Ett pris - eller tidsfilter kan användas för att förhindra whipsaws. Handlare kan kräva överkorsningen senast 3 dagar innan de agerar eller kräver 10-dagars EMA till Flytta sig under 50-dagars EMA med en viss mängd innan man spelar andra, kan MACD användas för att identifiera och kvantifiera dessa övergångar. MACD 10,50,1 kommer att visa en linje som representerar skillnaden mellan de två exponentiella glidmedelvärdena MACD blir positiv under en Gyllene kors och negativa under ett dött kors Percentagepris Oscillator PPO kan användas på samma sätt för att visa procentuella skillnader Observera att MACD och PPO är baserade på exponentiella glidande medelvärden och kommer inte att matcha med Enkla glidande medelvärden. Detta diagram visar Oracle ORCL med 50-dagars EMA, 200-dagars EMA och MACD 50,200,1. Det fanns fyra glidande medelvärde över en 2 1 2-årsperiod De första tre resulterade i whipsaws eller dåliga affärer. En fortsatt utveckling Började med den fjärde crossover som ORCL avancerad till mitten av 20-talet. Återigen fungerar glidande medelvärde överst när trenden är stark, men producerar förluster i frånvaro av en trend. Prisövergångar. Medelvärdena kan också användas för att generera signaler med enkel Prisövergångar En bullish signal genereras när priserna flyttar över det glidande genomsnittet. En baisseignal genereras när priserna går under det glidande medeltalet. Prisövergångar kan kombineras för att handla inom den större trenden. Det längre glidande mediet sätter tonen för den större trenden och Kortare glidande medelvärde används för att generera signalerna. Man skulle leta efter hausse priskryssningar endast när priserna redan ligger över det längre glidande genomsnittet. Detta skulle handla i harmoni med Större trend Om exempelvis priset ligger över 200-dagars glidande medelvärde, skulle kartläggare bara fokusera på signaler när priset rör sig över 50-dagars glidande medelvärde. Ett drag under 50-dagars glidande medelvärde skulle givetvis föregås av en sådan signal, men Sådana baisse kors skulle ignoreras eftersom den större trenden är upp Ett baisse kors skulle helt enkelt föreslå en återhämtning inom en större uppåtgående. Ett kors bakom 50-dagars glidande medelvärde skulle signalera en uppgång i priserna och fortsättningen av den större uptrenden. Nästa diagram Visar Emerson Electric EMR med 50-dagars EMA och 200-dagars EMA. Aktien flyttades över och hölls över det 200-dagars glidande medeltalet i augusti. Det fanns dips under 50-dagars EMA i början av november och igen i början av februari. Priserna flyttade snabbt Tillbaka över 50-dagars EMA för att ge positiva signaler gröna pilar i överensstämmelse med den större uppåtgående MACD 1,50,1 visas i indikatorfönstret för att bekräfta prisövergångar över eller under 50-dagars EMA. Den 1-dagars EMA är lika med Slutkurs MAC D 1,50,1 är positiv när stängningen ligger över 50-dagars EMA och negativ när stängningen ligger under 50-dagars EMA. Support och Resistance. Moving medelvärden kan också fungera som stöd i en uptrend och motstånd i en downtrend En kortsiktig uppgång kan hitta stöd nära det 20-dagars enkla glidande medlet, vilket också används i Bollinger Bands. En långsiktig uptrend kan hitta stöd nära det 200-dagars enkla glidande medlet, vilket är den mest populära långsiktiga rörelsen Genomsnittet Om faktum kan det 200-dagars glidande medletet erbjuda stöd eller motstånd, helt enkelt för att det används så mycket. Det är nästan som en självuppfyllande profetia. Tabellen ovan visar NY Composite med 200-dagars enkelt glidande medelvärde från mitten av 2004 Fram till slutet av 2008 200-dagarsleveransen stödde flera gånger under förskottet När trenden var omvänd med en dubbelstödspåslag fungerade 200-dagars glidande medelvärde som motstånd runt 9500. Förvänta dig inte exakt stöd och motståndsnivåer från glidande medelvärden , Speciellt längre mo Vingmedelvärden Marknaderna drivs av känslor, vilket gör dem benägna att överskugga i stället för exakta nivåer kan flytta medelvärden användas för att identifiera stöd - eller motståndszoner. Fördelarna med att använda glidande medelvärden måste vägas mot nackdelarna. Rörliga medelvärden följer trenden, Eller släp, indikatorer som alltid kommer att vara ett steg bakom Detta är inte nödvändigtvis en dålig sak Trots allt är trenden din vän och det är bäst att handla i riktning mot trenden. Flyttande medelvärden försäkra sig om att en näringsidkare står i linje med Aktuell trend Trots att trenden är din vän, spenderar värdepapper mycket tid i handelsområdena, vilket gör rörliga medeltal ineffektiva. I en trend kommer glidande medelvärden att hålla dig kvar, men också ge sena signaler. Förvänta dig inte att sälja på Topp och köp i botten med hjälp av glidande medelvärden Som med de flesta tekniska analysverktyg bör rörliga medelvärden inte användas ensamma, men i kombination med andra kompletterande verktyg kan Chartists Använd glidande medelvärden för att definiera den övergripande trenden och använd sedan RSI för att definiera överköpta eller överlämnade nivåer. Lägga till Flyttande medelvärden till StockCharts Charts. Moving-medelvärden är tillgängliga som prisöverlagringsfunktion på SharpCharts-arbetsbänken Använda rullgardinsmenyn Överlag kan användarna välja Antingen ett enkelt glidande medelvärde eller ett exponentiellt glidande medelvärde. Den första parametern används för att ställa in antalet tidsperioder. En valfri parameter kan läggas till för att ange vilket prisfält som ska användas i beräkningarna - O för Open, H för High , L för Låg och C för Stäng En komma används för att separera parametrar. En annan valfri parameter kan läggas till för att flytta de glidande medelvärdena till vänster eller höger framtid. Ett negativt tal -10 skulle flytta det glidande medelvärdet till vänster 10 periods A positive number 10 would shift the moving average to the right 10 periods. Multiple moving averages can be overlaid the price plot by simply adding another overlay line to the workbench StockCharts me mbers can change the colors and style to differentiate between multiple moving averages After selecting an indicator, open Advanced Options by clicking the little green triangle. Avancerade alternativ kan också användas för att lägga till ett glidande genomsnittligt överlag till andra tekniska indikatorer som RSI, CCI och Volume. Klicka här för ett live-diagram med flera olika glidande medelvärden. Använd Moving Averages med StockCharts Scans. Here är några exempel skanningar som StockCharts Medlemmar kan använda för att söka efter olika rörliga genomsnittssituationer. Bullish Moving Average Cross Dessa skan söker efter lager med ett stigande 150-dagars enkelt glidande medelvärde och ett hausseartat kors på 5-dagars EMA och 35-dagars EMA 150-dagars glidande medelvärde Ökar så länge det handlar över sin nivå för fem dagar sedan. Ett hausseartat kors inträffar när 5-dagars EMA rör sig över 35-dagars EMA på över genomsnittlig volym. Bärbar rörlig medelkors Denna sökning söker efter lager med en fallande 150- Dags enkelt glidande medelvärde och ett baisse kors av 5-dagars EMA och 35-dagars EMA Det 150-dagars glidande medlet faller så länge det handlar under sin nivå för fem dagar sedan. Ett baisse kors inträffar när 5-dagars EMA flyttas Under 35-dagars EMA på abo Ve genomsnittlig volym. Ytterligare studie. John Murphy s bok har ett kapitel som ägnas åt glidande medelvärden och deras olika användningsområden. Murphy täcker för och nackdelar med glidande medelvärden. Dessutom visar Murphy hur glidande medelvärden arbetar med Bollinger Bands och kanalbaserade handelssystem. Teknisk Analys av finansmarknaderna John Murphy.