Beispiel Eines Bewegten Durchschnittsbeispiels

OR-Notes sind eine Reihe von einleitenden Bemerkungen zu Themen, die unter die breite Überschrift des Bereichs Operations Research (OR) fallen. Sie wurden ursprünglich von mir in einer einleitenden ODER-Kurs Ich gebe am Imperial College verwendet. Sie stehen nun für alle Studenten und Lehrer zur Verfügung, die an den folgenden Bedingungen interessiert sind. Eine vollständige Liste der Themen in OR-Notes finden Sie hier. Prognosebeispiel Prognosebeispiel 1996 UG-Prüfung Die Nachfrage nach einem Produkt in den letzten fünf Monaten ist nachfolgend dargestellt. Verwenden Sie einen zweimonatigen gleitenden Durchschnitt, um eine Prognose für die Nachfrage in Monat 6 zu generieren. Wenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,9 an, um eine Prognose für die Nachfrage nach Nachfrage im Monat 6 zu generieren. Welche dieser beiden Prognosen bevorzugen Sie und warumDie zwei Monate in Bewegung Durchschnitt für die Monate zwei bis fünf ist gegeben durch: Die Prognose für den sechsten Monat ist nur der gleitende Durchschnitt für den Monat davor, dh der gleitende Durchschnitt für den Monat 5 m 5 2350. Beim Anwenden einer exponentiellen Glättung mit einer Glättungskonstante von 0,9 erhalten wir: Wie zuvor Die Prognose für Monat sechs ist nur der Durchschnitt für Monat 5 M 5 2386 Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir für den gleitenden Durchschnitt MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16,67 und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,9 MSD (13 - 17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Insgesamt sehen wir, dass die exponentielle Glättung die besten Prognosen für einen Monat liefert, da sie eine niedrigere MSD aufweist. Daher bevorzugen wir die Prognose von 2386, die durch exponentielle Glättung erzeugt wurde. Prognosebeispiel 1994 UG-Prüfung Die folgende Tabelle zeigt die Nachfrage nach einem neuen Aftershave in einem Geschäft für die letzten 7 Monate. Berechnen Sie einen zweimonatigen gleitenden Durchschnitt für die Monate zwei bis sieben. Was würden Sie Ihre Prognose für die Nachfrage in Monat acht Bewerben exponentielle Glättung mit einer Glättungskonstante von 0,1, um eine Prognose für die Nachfrage in Monat acht abzuleiten. Welche der beiden Prognosen für den Monat acht bevorzugen Sie und warum Der Ladenbesitzer glaubt, dass Kunden auf diese neue Aftershave von anderen Marken umschalten. Erläutern Sie, wie Sie dieses Schaltverhalten modellieren und die Daten anzeigen können, die Sie benötigen, um zu bestätigen, ob diese Umschaltung stattfindet oder nicht. Der zweimonatige Gleitender Durchschnitt für die Monate zwei bis sieben ist gegeben durch: Die Prognose für Monat acht ist nur der gleitende Durchschnitt für den Monat davor, dh der gleitende Durchschnitt für Monat 7 m 7 46. Anwendung exponentieller Glättung mit einer Glättungskonstante von 0,1 wir Erhalten: Wie vorher ist die Prognose für Monat acht gerade der Durchschnitt für Monat 7 M 7 31.11 31 (da wir nicht fraktionierte Nachfrage haben können). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,1 Insgesamt sehen wir, dass die zwei Monate gleitenden Durchschnitt scheinen die besten einen Monat prognostiziert, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch die zwei Monate gleitenden Durchschnitt produziert wurde. Um das Switching zu untersuchen, müssten wir ein Markov-Prozeßmodell verwenden, bei dem die Zustandsmarken verwendet werden, und wir müssten anfängliche Zustandsinformationen und Kundenvermittlungswahrscheinlichkeiten (von Umfragen) benötigen. Wir müssten das Modell auf historischen Daten laufen lassen, um zu sehen, ob wir zwischen dem Modell und dem historischen Verhalten passen. Prognosebeispiel 1992 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einer bestimmten Rasierklinge in einem Geschäft für die letzten neun Monate. Berechnen Sie einen dreimonatigen gleitenden Durchschnitt für die Monate drei bis neun. Was wäre Ihre Prognose für die Nachfrage in Monat 10 Verwenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,3, um eine Prognose für die Nachfrage in Monat zehn ableiten. Welche der beiden Prognosen für Monat zehn bevorzugen Sie und warum Der dreimonatige gleitende Durchschnitt für die Monate 3 bis 9 ist gegeben durch: Die Prognose für Monat 10 ist nur der gleitende Durchschnitt für den Monat vorher, dass also der gleitende Durchschnitt für Monat 9 m 9 20.33. Die Prognose für den Monat 10 ist daher 20. Die Anwendung der exponentiellen Glättung mit einer Glättungskonstante von 0,3 ergibt sich wie folgt: Nach wie vor ist die Prognose für Monat 10 nur der Durchschnitt für Monat 9 M 9 18,57 19 (wie wir Kann nicht gebrochene Nachfrage). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,3 Insgesamt sehen wir, dass der dreimonatige gleitende Durchschnitt scheint die besten einen Monat voraus Prognosen geben, wie es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 20, die durch die drei Monate gleitenden Durchschnitt produziert wurde. Prognosebeispiel 1991 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Faxgeräten in einem Kaufhaus in den letzten zwölf Monaten. Berechnen Sie die vier Monate gleitenden Durchschnitt für die Monate 4 bis 12. Was wäre Ihre Prognose für die Nachfrage in Monat 13 Wenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,2, um eine Prognose für die Nachfrage in Monat 13 ableiten. Welche der beiden Prognosen für Monat 13 lieber und warum Welche anderen Faktoren, die in den obigen Berechnungen nicht berücksichtigt werden, können die Nachfrage nach dem Faxgerät im Monat 13 beeinflussen. Der viermonatige Gleitende Durchschnitt für die Monate 4 bis 12 ist gegeben durch: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für den Monat zuvor, dh der gleitende Durchschnitt Für den Monat 12 m 12 46,25. Die Prognose für den Monat 13 ist also 46. Wenn wir eine exponentielle Glättung mit einer Glättungskonstante von 0,2 anwenden, erhalten wir: Wie vorher ist die Prognose für den Monat 13 nur der Durchschnitt für den Monat 12 M 12 38,618 39 (wie wir Kann nicht gebrochene Nachfrage). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir, dass für den gleitenden Durchschnitt und für die exponentiell geglättete Durchschnitt mit einer Glättungskonstante von 0,2 Insgesamt sehen wir, dass die vier Monate gleitenden Durchschnitt scheint die besten einen Monat voraus Prognosen geben, wie es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch die vier Monate gleitenden Durchschnitt produziert wurde. Saisonale Nachfrage Werbung Preisänderungen, sowohl diese Marke und andere Marken allgemeine wirtschaftliche Situation neue Technologie Prognosebeispiel 1989 UG-Prüfung Die folgende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Mikrowellenherd in einem Kaufhaus in jedem der letzten zwölf Monate. Berechnen Sie für jeden Monat einen Sechsmonatsdurchschnitt. Was wäre Ihre Prognose für die Nachfrage in Monat 13 Verwenden Sie exponentielle Glättung mit einer Glättungskonstante von 0,7, um eine Prognose für die Nachfrage in Monat 13 ableiten. Welche der beiden Prognosen für den Monat 13 bevorzugen Sie und warum Jetzt können wir nicht berechnen, ein sechs Monat, bis wir mindestens 6 Beobachtungen haben - dh wir können nur einen solchen Durchschnitt ab dem 6. Monat berechnen. Daher haben wir: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für die Monat vor, dh der gleitende Durchschnitt für Monat 12 m 12 38,17. Daher ist die Prognose für den 13. Monat 38. Wenn wir eine exponentielle Glättung mit einer Glättungskonstante von 0,7 anwenden, erhalten wir: (aus früheren Tests) Hinweis: Auf die richtige Antwort folgt. Der Code i - j bezieht sich auf den Textabschnitt, auf den die Frage gerichtet ist. 1. Welche Faktoren haben die fünf in Kapitel 3 dargestellten Datenglättungstechniken gemeinsam? A) Sie verwenden alle nur die Beobachtungen der Daten. B) Sie alle nicht zu prognostizieren zyklische Umkehrungen in den Daten. C) Sie alle glatt kurzfristige Rauschen durch Mittelung von Daten. D) Sie alle Produkt seriell korrelierte Prognosen. E) Alle oben genannten sind richtig. Ein einfachzentrierter 3-Punkt-Bewegungsdurchschnitt der Zeitreihenvariablen Xt ist gegeben durch: A) (Xt-1 Xt-2 Xt-3) 3. B) (Xt Xt-1 Xt-1) 3. C) (Xt1 Xt Xt-1) 3. D) Keine der obigen Angaben sind richtig. 3. Eine gleitende gleitende Glättung kann zu irreführenden Schlußfolgerungen führen, wenn sie auf A) stationäre Daten angewendet werden. B) Prognose Trendwende an der Börse. C) kleine und begrenzte Datensätze. D) große und reichliche Datensätze. E) Keine der obigen Angaben stimmt. 4. Welche der folgenden Aussagen ist falsch in Bezug auf die Wahl der geeigneten Größe der Glättungskonstante (a) im einfachen exponentiellen Glättungsmodell A) Wählen Sie Werte nahe Null, wenn die Serie sehr viel zufällige Variationen aufweist. B) Wählen Sie Werte nahe eins, wenn die Prognosewerte stark von den jüngsten Änderungen der Istwerte abhängen sollen. C) Wählen Sie einen Wert, der RMSE minimiert. D) Wählen Sie einen Wert aus, der den mittleren Quadratfehler maximiert. E) Alle oben genannten sind richtig. Die Glättungskonstante (a) des einfachen exponentiellen Glättungsmodells A) sollte einen Wert nahe 1 haben, wenn die zugrundeliegenden Daten relativ fehlerhaft sind. B) sollte einen Wert nahe Null haben, wenn die zugrundeliegenden Daten relativ glatt sind. C) näher bei Null liegt, desto größer ist die Revision in der aktuellen Prognose angesichts des aktuellen Prognosefehlers. D) näher zu eins ist, desto größer ist die Revision in der aktuellen Prognose angesichts des aktuellen Prognosefehlers. 6. Das Verfahren der kleinsten Quadrate minimiert die A) Summe der Residuen. B) Quadrat des maximalen Fehlers. C) Summe der absoluten Fehler. D) Summe quadrierter Residuen. E) Keine der obigen Angaben stimmt. 7. Ein Rest ist A) die Differenz zwischen dem Mittelwert von Y und dem unbedingten Mittel. B) die Differenz zwischen dem Mittelwert von Y und seinem tatsächlichen Wert. C) die Differenz zwischen der Regressionsvorhersage von Y und ihrem tatsächlichen Wert. D) die Differenz zwischen der Summe der quadratischen Fehler vor und nach X wird verwendet, um Y vorherzusagen. E) Keines der obigen ist richtig. 8 Regressionsmodellstörungen (Prognosefehler) A) gehen davon aus, dass sie einer normalen Wahrscheinlichkeitsverteilung folgen. B) über die Zeit als unabhängig angenommen. C) durchschnittlich Null betragen. D) können durch OLS-Residuen abgeschätzt werden. E) Alle obigen Angaben sind richtig. 9. Saisonindizes der Verkäufe für die Black Lab Ski Resort sind für den Januar 1.20 und Dezember .80. Wenn Dezember-Verkäufe für 1998 5.000 waren, ist eine vernünftige Schätzung der Verkäufe für Januar 1999: E) Keine der oben genannten sind korrekt. 10. Welche der folgenden Techniken werden nicht verwendet, um das Problem der Autokorrelation zu lösen A) Autoregressive Modelle. B) Verbesserung der Modellspezifikation. C) Gleitende mittlere Glättung. D) Erstes Differenzieren der Daten. E) Regression mit prozentualen Veränderungen. 11. Welche der folgenden Aussagen ist keine Folge der seriellen Korrelation A) Die OLS-Steilheitschätzungen sind jetzt unvorteilhaft. B) Die OLS-Vorhersageintervalle sind vorgespannt. C) Der R-Quadrat ist kleiner als .5. D) Punktschätzungen sind unvoreingenommen. E) Keine der obigen Angaben stimmt. 12. Autokorrelation führt oder verursacht: B) Serielle Korrelation. C) Spurious Regression. D) Nichtlineare Regression. E) Alle oben genannten sind richtig. Genaue Vorhersageintervalle für die abhängige Variable A) sind um die geschätzte Regressionslinie bogenförmig. B) sind linear um die geschätzte Regressionsgeraden. C) nicht die Variabilität von Y um die Probenregression berücksichtigen. D) die Zufälligkeit der Stichprobe nicht berücksichtigen. E) Keine der obigen Angaben stimmt. Kurzproblem Beispiel 14. Ein bivariates lineares Regressionsmodell, das die inländischen Reiseausgaben (DTE) als Funktion des Pro-Kopf-Einkommens (IPC) als Funktion des Pro-Kopf-Einkommens (IPC) bezeichnet, wurde als DTE-9589.67 .953538 (IPC) Prognose DTE unter der Annahme geschätzt, dass IPC 14.750 sein wird. Machen Sie die entsprechenden Punkt und approximieren 95 Prozent Intervall-Schätzungen, unter der Annahme, dass die geschätzte Regressionsfehler Varianz war 2.077.230,38. Die Punktschätzung von DTE ist: DTE-9589,67 .953538 (14,750) 4,475,02. Der Standardfehler der Regression ist 1441,26, und das ungefähr 95 Konfidenzintervall ist: 4,475,02 plusmn (2) (1441,26) 4,475,02 plus 2882,52 P1592,50 lt DTE lt 7357,54 .95. B) Angesichts der Tatsache, dass die tatsächliche DTE erwies sich als 7.754 (Millionen), berechnen Sie den prozentualen Fehler in Ihrer Prognose. Wenn der Istwert von DTE 7,754 beträgt, beträgt der prozentuale Fehler in der Prognose auf der Basis der Punktschätzung von 4475,02 42,3. (7754 - 4475,02) 7754, 423. 15 Wird festgestellt, dass die Prognosefehler eines ARIMA-Modells serielle Korrelation aufweisen, so ist dieses Modell A) kein adäquates Prognosemodell. B) ist ein Kandidat für das Hinzufügen einer anderen erklärenden Variable. C) fast sicher enthält Saisonalität. D) ist ein Kandidat für Cochrane-Orcutt-Regression. E) Alle obigen Angaben sind richtig. 16. Gleitende Durchschnittsmodelle werden am besten als A) einfache Mittelwerte beschrieben. B) nicht gewichtete Durchschnittswerte. C) gewichtete Mittelwerte der Weißrauschserie. D) gewichtete Durchschnittswerte von nicht normalen Zufallsvariaten. E) Keine der obigen Angaben stimmt. 17. Welches der folgenden Muster des partiellen Autokorrelationsfunktions-Korrelogramms ist unvereinbar mit einem zugrunde liegenden autoregressiven Datenprozess A) Exponentiell sinkt auf Null. B) Zyklisch auf Null ab. C) Positiv zuerst, dann negativ und steigend auf Null. D) Negativ zuerst, dann positiv und sinkend auf Null. E) Alle obigen Angaben sind richtig. 18 Die Autokorrelationsfunktion einer Zeitreihe zeigt Koeffizienten, die sich signifikant von Null unterscheiden. Die partielle Autokorrelationsfunktion zeigt eine Spitze und steigt monoton zu Null an, wenn die Nachlauflänge zunimmt. Eine solche Reihe kann als Modell modelliert werden. E) Keine der obigen Angaben stimmt. 19. Welche der folgenden Punkte ist kein erster Schritt im ARIMA-Modellauswahlverfahren A) Untersuchen Sie die Autokorrelationsfunktion der Rohserie. B) Untersuche die partielle Autokorrelationsfunktion der Rohserie. C) Testen Sie die Daten für die Stationarität. D) Schätzen Sie ein ARIMA (1,1,1) Modell für Referenzzwecke. E) Alle obigen Angaben sind richtig. 20 Was ist die Nullhypothese, die mit der Box-Pierce-Statistik getestet wird A) Die Menge der Autokorrelationen ist gemeinsam gleich Null. B) Der Satz von Autokorrelationen ist gemeinsam nicht gleich Null. C) Der Satz von Autokorrelationen ist gemeinsam gleich eins. D) Der Satz von Autokorrelationen ist gemeinsam nicht gleich Eins. E) Alle obigen Angaben sind falsch. 21. Der Hauptzweck der Kombination von Prognosen ist die Verringerung der durchschnittlichen Prognosevorhersage B). C) quadratischer Vorhersagefehler. D) absoluter Prognosefehler. E) Alle oben genannten sind richtig. 22. Welcher der folgenden Vorteile bietet der adaptive Ansatz zur Schätzung der optimalen Gewichte im Prognosekombinationsprozess A) Die Gewichte ändern sich von Periode zu Periode. B) Es kann ein Test der kombinierten Prognosemodell-Bias durchgeführt werden. C) Die Kovarianz zwischen Fehlerabweichungen wird genutzt. D) Gewichte werden so gewählt, dass die Regressionsfehlervarianz maximiert wird. E) Alle oben genannten sind richtig. Moving Averages: Was sind sie Unter den beliebtesten technischen Indikatoren werden gleitende Mittelwerte verwendet, um die Richtung des aktuellen Trends zu messen. Jede Art von gleitendem Durchschnitt (gemeinhin in diesem Tutorial als MA geschrieben) ist ein mathematisches Ergebnis, das durch Mittelung einer Anzahl von vergangenen Datenpunkten berechnet wird. Sobald dies bestimmt ist, wird der daraus resultierende Mittelwert auf eine Tabelle aufgetragen, um es den Händlern zu ermöglichen, auf geglättete Daten zu schauen, anstatt sich auf die täglichen Preisschwankungen zu konzentrieren, die in allen Finanzmärkten inhärent sind. Die einfachste Form eines gleitenden Durchschnitts, der als einfacher gleitender Durchschnitt (SMA) bekannt ist, wird berechnet, indem das arithmetische Mittel eines gegebenen Satzes von Werten genommen wird. Um beispielsweise einen gleitenden 10-Tage-Durchschnitt zu berechnen, würden Sie die Schlusskurse der letzten 10 Tage addieren und dann das Ergebnis mit 10 teilen. In Abbildung 1 ist die Summe der Preise für die letzten 10 Tage (110) Geteilt durch die Anzahl von Tagen (10), um den 10-Tage-Durchschnitt zu erreichen. Wenn ein Trader einen 50-Tage-Durchschnitt sehen möchte, würde die gleiche Art der Berechnung gemacht, aber er würde auch die Preise in den letzten 50 Tagen enthalten. Der daraus resultierende Durchschnitt unter (11) berücksichtigt die letzten 10 Datenpunkte, um den Händlern eine Vorstellung davon zu geben, wie ein Vermögenswert im Verhältnis zu den vergangenen 10 Tagen bewertet wird. Vielleicht fragen Sie sich, warum technische Händler nennen dieses Tool einen gleitenden Durchschnitt und nicht nur ein normaler Durchschnitt. Die Antwort ist, dass, wenn neue Werte verfügbar werden, die ältesten Datenpunkte aus dem Satz fallen gelassen werden müssen und neue Datenpunkte hereinkommen müssen, um sie zu ersetzen. Somit bewegt sich der Datensatz ständig auf neue Daten, sobald er verfügbar ist. Diese Berechnungsmethode stellt sicher, dass nur die aktuellen Informationen berücksichtigt werden. Wenn in Fig. 2 der neue Wert von 5 zu dem Satz hinzugefügt wird, bewegt sich das rote Feld (das die letzten 10 Datenpunkte darstellt) nach rechts und der letzte Wert von 15 wird aus der Berechnung entfernt. Weil der relativ kleine Wert von 5 den hohen Wert von 15 ersetzt, würden Sie erwarten, dass der Durchschnitt des Datensatzabbaus zu sehen, was er tut, in diesem Fall von 11 bis 10. Wie sehen sich die gleitenden Mittelwerte aus? MA berechnet worden sind, werden sie auf ein Diagramm aufgetragen und dann verbunden, um eine gleitende mittlere Linie zu erzeugen. Diese Kurvenlinien sind auf den Diagrammen der technischen Händler üblich, aber wie sie verwendet werden, können drastisch variieren (mehr dazu später). Wie Sie in Abbildung 3 sehen können, ist es möglich, mehr als einen gleitenden Durchschnitt zu irgendeinem Diagramm hinzuzufügen, indem man die Anzahl der Zeitperioden, die in der Berechnung verwendet werden, anpasst. Diese kurvenreichen Linien scheinen vielleicht ablenkend oder verwirrend auf den ersten, aber youll wachsen Sie daran gewöhnt, wie die Zeit vergeht. Die rote Linie ist einfach der durchschnittliche Preis in den letzten 50 Tagen, während die blaue Linie der durchschnittliche Preis in den letzten 100 Tagen ist. Nun, da Sie verstehen, was ein gleitender Durchschnitt ist und wie es aussieht, stellen Sie auch eine andere Art von gleitenden Durchschnitt ein und untersuchen, wie es sich von der zuvor genannten einfachen gleitenden Durchschnitt unterscheidet. Die einfache gleitende Durchschnitt ist sehr beliebt bei den Händlern, aber wie alle technischen Indikatoren, hat es seine Kritiker. Viele Personen argumentieren, dass die Nützlichkeit der SMA begrenzt ist, da jeder Punkt in der Datenreihe gleich gewichtet wird, unabhängig davon, wo er in der Sequenz auftritt. Kritiker argumentieren, dass die neuesten Daten bedeutender sind als die älteren Daten und sollten einen größeren Einfluss auf das Endergebnis haben. Als Reaktion auf diese Kritik begannen die Händler, den jüngsten Daten mehr Gewicht zu verleihen, was seitdem zur Erfindung verschiedener Arten von neuen Durchschnittswerten geführt hat, wobei der populärste der exponentielle gleitende Durchschnitt (EMA) ist. (Für weitere Messwerte siehe Grundlagen der gewichteten gleitenden Mittelwerte und was ist der Unterschied zwischen einer SMA und einer EMA) Exponentieller gleitender Durchschnitt Der exponentielle gleitende Durchschnitt ist eine Art von gleitendem Durchschnitt, die den jüngsten Preisen mehr Gewicht verleiht, um sie reaktionsfähiger zu machen Zu neuen Informationen. Das Erlernen der etwas komplizierten Gleichung für die Berechnung einer EMA kann für viele Händler unnötig sein, da fast alle Kartierungspakete die Berechnungen für Sie durchführen. Jedoch für Sie Mathegeeks heraus dort, ist hier die EMA-Gleichung: Wenn Sie die Formel verwenden, um den ersten Punkt der EMA zu berechnen, können Sie feststellen, dass es keinen Wert gibt, der als das vorhergehende EMA benutzt werden kann. Dieses kleine Problem kann gelöst werden, indem man die Berechnung mit einem einfachen gleitenden Durchschnitt beginnt und mit der obigen Formel fortfährt. Wir haben Ihnen eine Beispielkalkulationstabelle zur Verfügung gestellt, die praktische Beispiele enthält, wie Sie sowohl einen einfachen gleitenden Durchschnitt als auch einen exponentiellen gleitenden Durchschnitt berechnen können. Der Unterschied zwischen der EMA und SMA Nun, da Sie ein besseres Verständnis haben, wie die SMA und die EMA berechnet werden, können wir einen Blick darauf werfen, wie sich diese Mittelwerte unterscheiden. Mit Blick auf die Berechnung der EMA, werden Sie feststellen, dass mehr Wert auf die jüngsten Datenpunkte gelegt wird, so dass es eine Art von gewichteten Durchschnitt. In Abbildung 5 sind die Anzahl der Zeitperioden, die in jedem Durchschnitt verwendet werden, identisch (15), aber die EMA reagiert schneller auf die sich ändernden Preise. Beachten Sie, wie die EMA einen höheren Wert hat, wenn der Preis steigt, und fällt schneller als die SMA, wenn der Preis sinkt. Diese Reaktionsfähigkeit ist der Hauptgrund, warum viele Händler es vorziehen, die EMA über die SMA zu verwenden. Was sind die verschiedenen Tage Durchschnittliche Mittelwerte sind eine völlig anpassbare Indikator, was bedeutet, dass der Benutzer frei wählen können, was Zeitrahmen sie wollen, wenn die Schaffung der Durchschnitt. Die häufigsten Zeitabschnitte, die bei gleitenden Durchschnitten verwendet werden, sind 15, 20, 30, 50, 100 und 200 Tage. Je kürzer die Zeitspanne, die verwendet wird, um den Durchschnitt zu erzeugen, desto empfindlicher wird es für Preisänderungen sein. Je länger die Zeitspanne, desto weniger empfindlich, oder mehr geglättet, wird der Durchschnitt sein. Es gibt keinen richtigen Zeitrahmen für die Einrichtung Ihrer gleitenden Durchschnitte. Der beste Weg, um herauszufinden, welche am besten für Sie arbeitet, ist es, mit einer Reihe von verschiedenen Zeitperioden zu experimentieren, bis Sie eine finden, die zu Ihrer Strategie passt. Moving Averages: Wie Sie sie verwenden