Exponentiellt vägda glidande medelvärde förklarade

Exponentiellt rörligt medelvärde - EMA BREAKING DOWN Exponential Moving Average - EMA De 12 och 26-dagars EMA: erna är de mest populära kortsiktiga medelvärdena, och de används för att skapa indikatorer som den rörliga genomsnittliga konvergensdivergensen (MACD) och den procentuella prisoscillatorn (PPO). I allmänhet används 50- och 200-dagars EMA som signaler för långsiktiga trender. Näringsidkare som använder teknisk analys, finner glidande medelvärden som är mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller misstolkas. Alla glidande medelvärden som vanligen används i teknisk analys är av sin natur släpande indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta en marknadsrörelse eller att indikera dess styrka. Mycket ofta, då en rörlig genomsnittlig indikatorlinje har förändrats för att återspegla ett betydande drag på marknaden, har den optimala marknaden för marknadsinträde redan passerat. En EMA tjänar till att lindra detta dilemma till viss del. Eftersom EMA-beräkningen lägger större vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare. Detta är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Tolkning av EMA Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader. När marknaden är i en stark och hållbar uptrend. EMA-indikatorlinjen visar också en uptrend och vice versa för en nedåtriktad trend. En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en stapel till en annan. Eftersom prisåtgärden för en stark uppåtgående börjar att platta och vända, kommer EMA: s förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den försvagande effekten, vid denna punkt, eller till och med några få barer innan, bör prisåtgärden redan ha reverserat. Det följer därför att observera en konsekvent minskning i förändringshastigheten hos EMA kan själv användas som en indikator som ytterligare kan motverka det dilemma som orsakas av den släpande effekten av rörliga medelvärden. Vanliga användningar av EMA-EMA används ofta i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För näringsidkare som handlar intradag och snabba marknader är EMA mer tillämplig. Ofta använder handlare EMA för att bestämma en handelsförskjutning. Till exempel, om en EMA på ett dagligt diagram visar en stark uppåtgående trend, kan en intraday-traderstrategi vara att endast handla från långsidan på en intradagskarta. Vågade rörliga medelvärden: Grunderna Under åren har tekniker funnit två problem med Det enkla glidande medlet. Det första problemet ligger i tidsramen för glidande medelvärdet (MA). De flesta tekniska analytiker tror att prisåtgärder. Det öppnande eller stängande aktiekurset räcker inte för att bero på att förutsäga köp - eller försäljningssignaler för MAs crossover-åtgärden korrekt. För att lösa detta problem, tilldelar analytiker nu mer vikt till de senaste prisuppgifterna med hjälp av det exponentiellt jämnaste glidande genomsnittet (EMA). (Läs mer om att utforska exponentiellt vägda rörliga medelvärdet.) Ett exempel Till exempel, med en 10-dagars MA, skulle en analytiker ta slutkursen för den 10: e dagen och multiplicera detta nummer med 10, den nionde dagen med nio, den åttonde Dag med åtta och så vidare till den första av MA. Så snart summan har bestämts, fördelar analytikern sedan numret genom tillsats av multiplikatorerna. Om du lägger till multiplikatorerna i 10-dagars MA-exemplet är numret 55. Denna indikator är känd som det linjärt vägda glidmedlet. (För relaterad läsning, kolla in Enkla rörliga genomsnittsvärden. Utveckla tendenser.) Många tekniker är fasta troende i det exponentiellt jämnaste glidande genomsnittet (EMA). Denna indikator har förklarats på så många sätt att det både förvirrar studenter och investerare. Kanske kommer den bästa förklaringen från John J. Murphys tekniska analys av finansmarknaderna (publicerad av New York Institute of Finance, 1999). Det exponentiellt jämnaste glidande genomsnittet behandlar båda problemen i samband med det enkla glidande medlet. För det första tilldelas det exponentiellt glatt genomsnittet en större vikt till de senaste data. Därför är det ett viktat glidande medelvärde. Men medan det tilldelar mindre betydelse för tidigare prisuppgifter, ingår det i beräkningen av alla data i instrumentets livstid. Dessutom kan användaren justera viktningen för att ge större eller mindre vikt till det senaste dagspriset, vilket läggs till i procent av värdet för tidigare dagar. Summan av båda procentvärdena lägger till 100. Till exempel kan det sista dagspriset tilldelas en vikt av 10 (.10), som läggs till föregående dagsvikt på 90 (.90). Detta ger den sista dagen 10 av den totala vikten. Detta skulle motsvara ett 20-dagarsmedelvärde genom att ge priset för sista dag ett mindre värde på 5 (.05). Figur 1: Exponentially Slät Flytande Medel Ovanstående diagram visar Nasdaq Composite Index från den första veckan i augusti 2000 till 1 juni 2001. Som du tydligt kan se, EMA, som i detta fall använder slutkursdata över en Nio dagars period, har bestämda säljsignaler den 8 september (märkt med en svart nedåtpil). Detta var den dag då indexet bröt under 4 000-nivån. Den andra svarta pilen visar ett annat ben som teknikerna faktiskt förväntade sig. Nasdaq kunde inte generera tillräckligt med volym och intresse från detaljhandelsinvesterarna för att bryta 3 000 mark. Därefter dyker du ner igen till botten ut vid 1619.58 den 4 april. Upptrenden av 12 april markeras med en pil. Här stängde indexet 1961.46, och tekniker började se att institutionella fondförvaltare började hämta några fynd som Cisco, Microsoft och några av de energirelaterade frågorna. (Läs våra relaterade artiklar: Flytta genomsnittliga kuvert: Raffinera ett populärt handelsverktyg och flytta genomsnittlig studs.) Ett första bud på ett konkursföretag039s tillgångar från en intresserad köpare vald av konkursbolaget. Från en pool av budgivare. Artikel 50 är en förhandlings - och avvecklingsklausul i EU-fördraget som beskriver de åtgärder som ska vidtas för vilket land som helst. Beta är ett mått på volatiliteten, eller systematisk risk, av en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En beställning att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service Rule) som tillåter utbetalningar från ett IRA-konto i samband med straff. Regeln kräver att exponentialutjämning förklaras. Kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. När folk först möter termen Exponentiell utjämning kan de tro att det låter som ett helvete med mycket utjämning. Vad som helst utjämning är. De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik för 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. Sanningen är att exponentiell utjämning är 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 komplicerad. 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 Utjämning 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 tänker på varför du använder ett medelvärde för att beskriva något, kommer du snabbt att förstå begreppet utjämning. Till exempel upplevde vi bara den varmaste vintern på rekord. Hur kan vi kvantifiera detta? Nåväl börjar vi med dataset av de dagliga höga och låga temperaturerna för den period som 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 allt detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa. Att hoppa runt i data kallas utjämning, och i det här fallet kan vi bara använda ett enkelt medel för att åstadkomma utjämningen. I efterfrågan prognoser använder vi utjämning för att ta bort slumpmässig variation (brus) från vår historiska efterfrågan. Detta gör att vi bättre kan identifiera efterfrågan mönster (främst trend och säsong) och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Bullret i efterfrågan är samma begrepp som den dagliga hoppningen runt temperaturdata. Inte överraskande är det vanligaste sättet att människor tar bort ljud från efterfrågans historia att använda en enkel medelvärde mer specifikt, ett rörligt medelvärde. Ett rörligt medel använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Om jag till exempel 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 (vikt) på varje värde i datasetet. I det 4 månaders glidande genomsnittet representerade varje månad 25 av glidande medelvärdet. När man använder efterfrågest History för att projektera framtida efterfrågan (och särskilt framtida trend) är det logiskt att dra slutsatsen att du skulle vilja att senare historia skulle få större inverkan på din prognos. Vi kan anpassa vår glidande medelberäkning för att applicera olika vikter till 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 hitta att vi har 65 kvar att dela över de andra 3 perioderna. Till exempel kan vi sluta med en vikt på 15, 20, 30 respektive 35 för de fyra månaderna (15 20 30 35 100). Exponentiell utjämning. Om vi ​​går tillbaka till begreppet att applicera en vikt till den senaste perioden (som 35 i föregående exempel) och sprida den återstående vikten (beräknad genom att subtrahera 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). Den representerar väsentligen den viktning som tillämpas på de senaste perioderna 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 för att få en liknande effekt. Skillnaden med exponentiell utjämningsberäkning är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn automatiskt för att göra det. Så här kommer den exponentiella delen. Om vi ​​använder 35 som utjämningsfaktor kommer vikten av de senaste perioderna att vara 35. Vägningen av de efterföljande senaste perioderna efterfrågar (perioden före senaste) kommer att vara 65 av 35 (65 kommer från att subtrahera 35 från 100). Detta motsvarar 22,75 viktning för den perioden om du gör matte. Nästa efterfrågad efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14,79. Perioden före det kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9,61, och så vidare. Och detta går tillbaka genom alla dina tidigare perioder ända till början av tiden (eller den punkt där du började använda exponentiell utjämning för det aktuella objektet). Du tror nog att det ser ut som en hel del matte. Men skönheten i exponentialutjämningsberäkning är att istället för att behöva räkna om mot varje tidigare period varje gång du behöver nya perioder, använder du bara utmatningen av exponentiell utjämningsberäkning från föregående period för att representera alla tidigare perioder. Är du förvirrad? Det här blir mer meningsfullt när vi tittar på den faktiska beräkningen. Vanligtvis hänvisar vi till resultatet av exponentiell utjämningsberäkningen som nästa prognos för perioden. I verkligheten behöver den ultimata prognosen lite mer arbete, men i den här specifika beräkningen avses det som prognosen. Exponential utjämningsberäkningen är följande: De senaste perioderna efterfrågas multiplicerat med utjämningsfaktorn. PLUS De senaste prognoserna multipliceras med (en minus utjämningsfaktorn). D senaste perioder kräver S utjämningsfaktorn representerad i decimalform (så 35 skulle representeras som 0,35). F de senaste perioderna prognos (utmatningen av utjämningsberäkningen från föregående period). ELLER (förutsatt en utjämningsfaktor på 0,35) (D 0,35) (F 0,65) Det blir inte mycket enklare än det. Som vi kan se är allt vi behöver för datainmatningar här de senaste perioderna efterfrågan och de senaste perioderna prognoser. Vi tillämpar utjämningsfaktorn (viktning) till de senaste perioderna efterfrågar samma sätt som vi skulle i den vägda glidande genomsnittliga beräkningen. Vi applicerar sedan återstående viktning (1 minus utjämningsfaktorn) till de senaste perioderna. Eftersom de senaste perioderna prognosen skapades baserat på tidigare perioder, var efterfrågan och de tidigare perioderna prognostiserade, vilket var baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på efterfrågan på perioden före Det och prognosen för perioden före det, vilket var baserat på perioden före det. Jo, du kan se hur alla tidigare perioder efterfrågan är representerade i beräkningen utan att faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den initiala populariteten för exponentiell utjämning. Det var inte för att det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde, det berodde på att det var lättare att beräkna i ett datorprogram. Och för att du inte behövde tänka på vilken viktning som ska ge tidigare perioder eller hur många tidigare perioder du ska 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 det viktade glidande medlet ger större flexibilitet eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är att någon av dessa kan ge tillförlitliga resultat, så varför inte gå med enklare och kallare ljud. Exponentiell utjämning i Excel Låt oss se hur det här faktiskt ser ut i ett kalkylblad med reella data. Kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan. Ive använde 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 formellistan, formeln är (L3C1) (L4 (1-C1)). Så de enda direkta ingångarna till denna beräkning är de tidigare perioderna efterfrågan (Cell L3), de tidigare perioderna (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, snarare än en formel, skrev vi bara in efterfrågan från samma period som prognosen. I Cell C4 har vi vår första exponentiella utjämningsberäkning (B3C1) (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 den är baserad på tidigare perioder förutspådda cell och tidigare efterfrågecell. Så ärar varje efterföljande exponentiell utjämningsberäkning utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfrågad efterfrågan är representerad i de senaste perioderna, även om beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill bli snygg kan du använda Excels spåra prejudikatfunktion. För att göra detta klickar du på Cell M4, sedan på verktygsfältet i fältet (Excel 2007 eller 2010) klickar du på Formulas fliken och klickar sedan på Spåra förekomster. Det kommer att dra anslutningsledningar till 1: a nivået av prejudikat, men om du fortsätter att klicka på Spåraprecedenter kommer det att dra anslutningsledningar till alla tidigare perioder för att visa de ärftliga relationerna. Nu kan vi se vad exponentiell utjämning gjorde för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos. Du kan se hur den exponentiellt släta prognosen avlägsnar det mesta av jaggednessen (hoppning runt) från den veckoslutande efterfrågan, men lyckas ändå att följa det som tycks vara en uppåtgående trend i efterfrågan. Du kommer också märka att den släta prognoslinjen tenderar att vara lägre än efterfrågan. Detta är känt som trendslag och är en bieffekt av utjämningsprocessen. När du använder utjämning när en trend är närvarande, kommer din prognos att ligga bakom trenden. Detta gäller för eventuell utjämningsteknik. Faktum är att om vi skulle fortsätta det här kalkylbladet och börja skriva in lägre efterfrågningsnummer (vilket gör en nedåtgående trend) så ser du efterfrågningsraden och trendlinjen går över den innan du börjar följa den nedåtgående trenden. Det varför jag tidigare nämnde resultatet av exponentialutjämningsberäkningen som vi kallar en prognos, behöver fortfarande lite mer arbete. Det finns mycket mer att prognostisera än att bara utjämna stötarna i efterfrågan. Vi behöver göra ytterligare justeringar för saker som trendlag, säsongshistoria, kända händelser som kan påverka efterfrågan etc. 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 delar av prognosen. Så med enkel exponentiell utjämning stäver du basbehovet, men med dubbel exponentiell utjämning stryker du basbehovet plus trenden och med trippel-exponentiell utjämning stryker du basbehovet plus trenden plus säsongsmässigheten. Den andra vanligaste frågan om exponentiell utjämning är var får jag min utjämningsfaktor Det finns inget magiskt svar här, du måste testa olika utjämningsfaktorer med dina efterfrågningsdata för att se vad som blir det bästa resultatet. 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 beräkning gör. Du bör också köra scenarier för att se hur dessa beräkningar reagerar på efterfrågningsändringar som för närvarande inte existerar i efterfrågan data du använder för testning. Det dataexempel som jag använde tidigare är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier. Det specifika dataexemplet visar en något konsekvent uppåtgående trend. Många stora företag med mycket dyrt prognosprogramvara fick stora problem i det inte så långa förflutet när deras programvaruinställningar som var tweaked för en växande ekonomi inte reagerade bra när ekonomin började stagnera eller krympa. Saker som detta händer när du inte förstår vad dina beräkningar (programvara) 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 sin 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. Kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Dave Piasecki. Är ägare 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 hemsida (inventoryops), där han behåller ytterligare relevant information. Mitt BusinessExponential Moving Average (EMA) Förklarade Som vi sa i den tidigare lektionen kan enkla glidande medelvärden förvrängas av spikar. We8217ll börja med ett exempel. Let8217s säger att vi plottar en 5-årig SMA på det dagliga diagrammet över EURUSD. Slutkurserna för de senaste 5 dagarna är följande: Det enkla glidande medelvärdet beräknas enligt följande: (1.3172 1.3231 1.3164 1.3186 1.3293) 5 1.3209 Enkelt nog, okej Tja, om det fanns en nyhetsrapport på dag 2 som orsakar euron Att släppa över hela linjen. Detta medför att EURUSD sjunker och stänger vid 1.3000. Let8217s se vilken effekt det skulle ha på 5-tiden SMA. Det enkla glidande medelvärdet skulle beräknas enligt följande: Resultatet av det enkla glidande medlet skulle vara mycket lägre och det skulle ge dig uppfattningen att priset faktiskt gick ner, när det i verkligheten var Dag 2 bara en engångshändelse Orsakad av de dåliga resultaten av en ekonomisk rapport. Den punkt vi försöker göra är att ibland kan det enkla glidande medlet vara för enkelt. Om det bara fanns ett sätt att du kunde filtrera ut dessa spikar så att du inte skulle få fel idé. Hmm8230 Vänta en minut8230 Ja, det finns ett sätt som It8217s heter Exponentential Moving Average Exponential moving average (EMA) ger större vikt till de senaste perioderna. I vårt exempel ovan skulle EMA satsa mer på priserna under de senaste dagarna, vilket skulle vara dag 3, 4 och 5. Det skulle innebära att spetsen på dag 2 skulle vara mindre värde och wouldn8217t ha så stor En effekt på glidande medelvärde som det skulle om vi hade beräknat för ett enkelt glidande medelvärde. Om du funderar på det, så är det mycket meningsfullt, för vad det här gör är att det lägger större vikt vid vad handlarna gör nyligen. Exponential Moving Average (EMA) och Simple Moving Average (SMA) sida vid sida Let8217s ta en titt på 4-timmarsdiagrammet för USDJPY för att markera hur ett enkelt glidande medelvärde (SMA) och exponentiell glidande medelvärde (EMA) skulle se sida vid sida På ett diagram. Lägg märke till hur den röda linjen (30 EMA) verkar vara närmare pris än den blå linjen (30 SMA). Det innebär att det representerar nyare prisåtgärder mer exakt. Du kan noga gissa varför detta händer. It8217s eftersom det exponentiella glidande medlet lägger större vikt vid vad som hänt nyligen. När handel är det mycket viktigare att se vilka handlare som gör NU, vad de gjorde förra veckan eller förra månaden. Spara dina framsteg genom att logga in och markera lektionen komplett