ชี้แจง เคลื่อนไหว เฉลี่ย ทังสเตน

การคาดการณ์ด้วยค่าเฉลี่ยเลขยกกำลังแบบ Exponential สำหรับข้อมูลเคลื่อนที่หรือเกือบนิ่งค่าเฉลี่ยเคลื่อนที่แบบเสวนาเป็นวิธีที่ง่ายสำหรับการคาดการณ์แบบอนุกรม เลือกระหว่างการคาดการณ์และการทำให้ราบเรียบเพื่อดูความแตกต่างระหว่างพารามิเตอร์การทำให้ราบเรียบในค่าเฉลี่ยเคลื่อนที่ที่อธิบายและเป็นข้อผิดพลาดของช่องสี่เหลี่ยมเฉลี่ยระหว่างการคาดการณ์ (เส้นโค้งสีแดง) และค่าจริงของข้อมูล (เส้นโค้งสีน้ำเงิน) ค่าที่กว้างขึ้นทำให้เกิดความเรียบเนียนน้อยลง สิ่งที่ต้องทดลองการคาดการณ์ในเวลาจะได้รับโดยที่เป็นค่าที่แท้จริงของชุดเวลาในเวลา การทับทิมนี้เริ่มต้นที่ เมื่อไหร่ การคาดการณ์คือตลอดเวลาและเมื่อใด การคาดการณ์คือการสังเกตครั้งล่าสุด สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการคาดการณ์ด้วยวิธีการทำให้เรียบแบบเสวนาให้ดูที่ 1. นักเรียนควรถามตัวเองว่ามีความสัมพันธ์ใดระหว่างการปรากฏตัวของข้อมูลกับค่าที่เหมาะสมที่สุดสำหรับการคาดคะเนทำไมค่าพยากรณ์ไม่ได้เป็นวิธีการพยากรณ์ที่ดีสำหรับข้อมูลด้วย แนวโน้ม 1 SG Makridakis, SC Wheelwright และ RJ Hyndman การคาดการณ์วิธีการและการประยุกต์ใช้ 3rd ed. Hoboken, NJ: John Wiley amp Sons, Inc. 1998. ข้อมูลทางกฎหมายที่สำคัญเกี่ยวกับอีเมลที่คุณจะส่ง เมื่อใช้บริการนี้ถือว่าคุณยอมรับที่อยู่อีเมลที่แท้จริงของคุณและส่งเฉพาะคนที่คุณรู้จักเท่านั้น เป็นการละเมิดกฎหมายในบางเขตอำนาจศาลในการระบุตัวตนด้วยอีเมล ข้อมูลทั้งหมดที่คุณให้ไว้จะถูกใช้โดย Fidelity เพียงเพื่อวัตถุประสงค์ในการส่งอีเมลในนามของคุณ บรรทัดหัวเรื่องของอีเมลที่คุณส่งจะเป็น Fidelity: อีเมลของคุณได้รับการส่งแล้ว กองทุนรวมและการลงทุนในกองทุนรวม - การลงทุนใน Fidelity คลิกที่ลิงค์จะเปิดหน้าต่างใหม่ Exponential Moving Average (EMA) คำอธิบายค่าเฉลี่ยการเคลื่อนที่แบบ Exponential (EMA) มีลักษณะคล้ายกับ Simple Moving Average (SMA) ซึ่งเป็นทิศทางการวัดแนวโน้มในช่วงระยะเวลาหนึ่ง อย่างไรก็ตามในขณะที่ SMA คำนวณค่าเฉลี่ยของข้อมูลราคา EMA ใช้น้ำหนักมากขึ้นกับข้อมูลที่เป็นปัจจุบันมากขึ้น เนื่องจากการคำนวณที่เป็นเอกลักษณ์ EMA จะติดตามราคาใกล้เคียงกับ SMA ที่สอดคล้องกัน ตัวบ่งชี้นี้ทำงานอย่างไรใช้กฎเดียวกันกับ SMA เมื่อแปล EMA โปรดทราบว่า EMA โดยทั่วไปมีความไวต่อการเคลื่อนไหวของราคามากขึ้น นี่เป็นดาบสองคม ด้านหนึ่งมันสามารถช่วยให้คุณระบุแนวโน้มได้เร็วกว่า SMA จะ ด้านพลิก EMA อาจจะมีการเปลี่ยนแปลงระยะสั้นมากกว่า SMA ที่สอดคล้องกัน ใช้ EMA เพื่อกำหนดทิศทางของแนวโน้มและค้าในทิศทางนั้น เมื่อ EMA สูงขึ้นคุณอาจต้องการพิจารณาซื้อเมื่อราคาอยู่ใกล้หรือต่ำกว่า EMA เมื่อ EMA หดตัวคุณอาจพิจารณาขายเมื่อราคาขึ้นหรือเหนือเส้น EMA ค่าเฉลี่ยเคลื่อนที่ยังเป็นตัวบ่งชี้ความต้านทานและค่าความต้านทาน EMA ที่เพิ่มขึ้นมีแนวโน้มที่จะสนับสนุนการเคลื่อนไหวของราคาในขณะที่ EMA ที่ลดลงมีแนวโน้มที่จะให้ความต้านทานต่อการเคลื่อนไหวของราคา กลยุทธ์นี้ช่วยเสริมกลยุทธ์ในการซื้อเมื่อราคาอยู่ใกล้กับ EMA ที่เพิ่มขึ้นและขายได้เมื่อราคาอยู่ใกล้กับ EMA ที่ตกลงมา ค่าเฉลี่ยเคลื่อนที่ทั้งหมดรวมทั้ง EMA ไม่ได้รับการออกแบบเพื่อระบุการค้าที่ด้านล่างและด้านบนที่แน่นอน การย้ายค่าเฉลี่ยอาจช่วยให้คุณค้าทิศทางทั่วไปของแนวโน้ม แต่มีความล่าช้าที่จุดเข้าและออก EMA มีระยะเวลาสั้นกว่า SMA ที่มีระยะเวลาเดียวกัน การคำนวณคุณควรสังเกตว่า EMA ใช้ค่าก่อนหน้าของ EMA ในการคำนวณอย่างไร ซึ่งหมายความว่า EMA จะมีข้อมูลราคาทั้งหมดอยู่ในมูลค่าปัจจุบัน ข้อมูลราคาล่าสุดมีผลกระทบมากที่สุดต่อ Moving Average และข้อมูลราคาที่เก่าแก่ที่สุดมีผลกระทบเพียงเล็กน้อยเท่านั้น EMA (K x (C - P)) P ที่ไหน: C ราคาปัจจุบัน P ช่วงเวลาก่อนหน้า EMA (มีการใช้ SMA สำหรับการคำนวณช่วงเวลาแรก) K ค่าคงที่การทำให้เรียบคงที่ K คงที่การปรับให้เรียบใช้น้ำหนักที่เหมาะสมกับราคาล่าสุด ใช้จำนวนงวดที่ระบุไว้ในค่าเฉลี่ยเคลื่อนที่ ตัวชี้วัดที่เกี่ยวข้อง SMA เป็นค่าเฉลี่ยเคลื่อนที่ที่ง่ายที่สุดในการสร้าง เป็นราคาเฉลี่ยในช่วงเวลาที่กำหนด การวิเคราะห์ทางเทคนิคมุ่งเน้นการดำเนินการของตลาดโดยเฉพาะปริมาณและราคา การวิเคราะห์ทางเทคนิคเป็นเพียงแนวทางเดียวในการวิเคราะห์หุ้น เมื่อพิจารณาว่าต้องการซื้อหรือขายหุ้นใดคุณควรใช้แนวทางที่คุณพึงพอใจมากที่สุด เช่นเดียวกับการลงทุนทั้งหมดของคุณคุณจะต้องตัดสินใจเองว่าการลงทุนในหลักทรัพย์หรือหลักทรัพย์ใด ๆ ที่เหมาะสมกับคุณนั้นขึ้นอยู่กับวัตถุประสงค์ในการลงทุนความอดกลั้นความเสี่ยงและสถานการณ์ทางการเงินของคุณ ผลการดำเนินงานที่ผ่านมาไม่มีการรับประกันผลประกอบการในอนาคตประวัติความเป็นมาและประวัติความเป็นมาที่เกิดขึ้นครั้งแรกกับค่าเฉลี่ยเคลื่อนที่นักวิเคราะห์ทางเทคนิคได้ใช้ค่าเฉลี่ยการเคลื่อนที่เป็นเวลาหลายทศวรรษแล้ว พวกเขาแพร่หลายมากในงานของเราซึ่งส่วนใหญ่ไม่ทราบว่าพวกเขามาจากไหน Statisticians จัดหมวดหมู่ Moving Averages เป็นส่วนหนึ่งของเครื่องมือสำหรับครอบครัวสำหรับการวิเคราะห์ข้อมูลแบบ ldquoTime ผลการวิเคราะห์ความแปรปรวนค่าความแปรปรวนค่าความแปรปรวนค่าความแปรปรวนค่าความแปรปรวนค่าความแปรปรวนค่าความแปรปรวนค่าความเป็นไปได้สูงสุดค่าเฉลี่ยการเคลื่อนที่การคำนวณค่าความแปรปรวนค่าความแปรปรวน คุณสามารถอ่านเพิ่มเติมเกี่ยวกับแต่ละข้อและคำจำกัดความเหล่านี้ได้ที่ Wolfram การพัฒนา lverquomoving averagerdquo ย้อนหลังไปถึงปี 1901 แม้ว่าจะใช้ชื่อนี้ในภายหลัง จากนักประวัติศาสตร์คณิตศาสตร์ Jeff Miller: การย้ายโดยเฉลี่ย เทคนิคนี้สำหรับการทำให้จุดข้อมูลที่ราบรื่นถูกใช้มานานหลายทศวรรษก่อนหน้านี้หรือใช้คำทั่วไปใด ๆ ในปีค. ศ. 1909 GU Yule (วารสารของ Royal Society สถิติ 72, 721-730) ได้อธิบายถึงการที่ ldquoinstantaneous averagesrdquo RH Hooker คำนวณในปีค. ศ. 1901 เมื่อ ldquomoving-averages. rdquo Yule ไม่ได้ใช้คำในตำราเรียนของเขา แต่มันเข้าสู่การไหลเวียนผ่าน WI Kingrsquos องค์ประกอบของวิธีการทางสถิติ (1912) ldquoMoving averagerdquo หมายถึงประเภทของกระบวนการ stochastic คือตัวย่อของ H. Woldrsquos ldquoprocess ของการย้าย averagerdquo (การศึกษาในการวิเคราะห์เครื่องเขียนแบบเวลา (1938)) Wold อธิบายวิธีการกรณีพิเศษของกระบวนการได้รับการศึกษาในปี ค. ศ. 1920 โดยเทศกาลคริสต์มาส (ในการเชื่อมต่อกับคุณสมบัติของวิธีการที่แตกต่างกันความแตกต่างวิธีการ) และ Slutsky John Aldrich จาก StatSoft อิงค์มีคำอธิบายของ Exponential Smoothing นี้ ซึ่งเป็นหนึ่งในหลายเทคนิคสำหรับการถ่วงน้ำหนักข้อมูลที่ผ่านมาแตกต่างกัน: การทำให้เรียบโดยใช้ ldquoExponential ได้รับความนิยมอย่างมากเนื่องจากเป็นวิธีการคาดการณ์สำหรับข้อมูลชุดข้อมูลที่หลากหลาย ในอดีตวิธีการได้รับการพัฒนาโดยอิสระโดย Robert Goodell Brown และ Charles Holt บราวน์ทำงานให้กับกองทัพเรือสหรัฐฯในช่วงสงครามโลกครั้งที่สองซึ่งเขามอบหมายให้ออกแบบระบบติดตามข้อมูลการควบคุมเพลิงเพื่อคำนวณตำแหน่งของเรือดำน้ำ ต่อมาเขาใช้เทคนิคนี้เพื่อคาดการณ์ความต้องการอะไหล่ (ปัญหาการควบคุมสินค้าคงคลัง) เขาอธิบายแนวคิดเหล่านั้นในหนังสือการควบคุมสินค้าคงคลังของเขาในปีพ. ศ. 2502 การวิจัยของ Holtrsquos ได้รับการสนับสนุนจาก Office of Naval Research โดยอิสระเขาได้พัฒนาแบบจำลองการทำให้เรียบเรียบขึ้นสำหรับกระบวนการที่คงที่กระบวนการที่มีแนวโน้มเชิงเส้นและข้อมูลตามฤดูกาลข้อมูล Holtrsquos กระดาษฤดูกาลและแนวโน้มโดยการคำนวณแบบถ่วงน้ำหนักแบบถ่วงน้ำหนัก Averagesrdquo ได้รับการตีพิมพ์ในปีพ. ศ. 2500 ใน O. N.R. บันทึกข้อตกลงการวิจัย 52 สถาบันเทคโนโลยีคาร์เนกี้ ไม่มีออนไลน์ไม่มีค่าใช้จ่าย แต่อาจเข้าถึงได้โดยผู้ที่สามารถเข้าถึงแหล่งข้อมูลทางวิชาการได้ ความรู้ของเรา P. N. (Pete) Haurlan เป็นคนแรกที่ใช้การเพิ่มประสิทธิภาพแบบเสวนาเพื่อติดตามราคาหุ้น Haurlan เป็นนักวิทยาศาสตร์จรวดจริงที่ทำงานให้กับ JPL ในช่วงต้นทศวรรษ 1960 และทำให้เขาสามารถเข้าถึงคอมพิวเตอร์ได้ เขาไม่ได้เรียกพวกเขาว่าเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย (EMA) rdquo หรือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบถ่วงน้ำหนักตามหลักเกณฑ์ทางคณิตศาสตร์ (EWMA) rdquo แต่เขาเรียกพวกเขาว่า ldquoTrend Valuesrdquo และเรียกพวกเขาด้วยค่าคงที่ที่ราบเรียบของพวกเขา ดังนั้นสิ่งที่วันนี้เรียกกันทั่วไปว่า EMA 19 วันเขาเรียกว่า Trenddquo ldquo10 เนื่องจากคำศัพท์ของเขาเป็นต้นฉบับสำหรับการใช้งานดังกล่าวในการติดตามราคาหุ้นนั่นคือเหตุผลที่เรายังคงใช้คำศัพท์ดังกล่าวในการทำงานของเราต่อไป Haurlan เคยใช้ EMA ในการออกแบบระบบติดตามสำหรับจรวดซึ่งอาจเป็นเช่นต้องดักจับวัตถุเคลื่อนที่เช่นดาวเทียมดาวเคราะห์ ฯลฯ หากเส้นทางไปยังเป้าหมายถูกปิดการป้อนข้อมูลบางประเภทจะต้องถูกนำมาใช้ ไปยังกลไกการขับขี่ แต่พวกเขาไม่ต้องการหักล้างหรือหักล้างการป้อนข้อมูลนั้นและอาจกลายเป็นไม่เสถียรหรือไม่สามารถพลิกกลับได้ ดังนั้นการจัดเรียงข้อมูลที่ถูกต้องของข้อมูลจึงเป็นประโยชน์ Haurlan เรียกว่า ldquoProportional Controlrdquo ซึ่งหมายความว่ากลไกของพวงมาลัยจะไม่พยายามปรับความผิดพลาดในการติดตามทั้งหมดในครั้งเดียว EMA ง่ายกว่าที่จะทำเป็นวงจรอะนาล็อกในตอนต้นมากกว่าตัวกรองชนิดอื่นเพราะต้องการข้อมูลตัวแปรเพียงสองแบบคือค่าอินพุตปัจจุบัน (เช่นราคาตำแหน่งมุม ฯลฯ ) และค่า EMA ก่อนหน้า ค่าคงที่การปรับให้ราบเรียบอาจเป็นไปได้ยากที่จะต่อเข้ากับวงจรดังนั้น ldquomemoryrdquo จะต้องติดตามทั้งสองตัวแปรเท่านั้น ในทางกลับกันค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะต้องมีการติดตามค่าทั้งหมดภายในระยะเวลาการมองย้อนกลับ ดังนั้น 50-SMA จะหมายถึงการติดตามข้อมูล 50 จุดแล้วเฉลี่ยพวกเขา มีความสามารถในการประมวลผลมากขึ้น ดูเพิ่มเติมเกี่ยวกับ EMAs เทียบกับค่าเฉลี่ยเคลื่อนที่แบบธรรมดา (SMA) ที่ Exponential Versus Simple Haurlan ก่อตั้งจดหมายข่าวระดับการค้าในช่วงทศวรรษที่ 1960 โดย JPL ให้ผลงานที่ร่ำรวยมากขึ้น จดหมายข่าวของเขาเป็นผู้สนับสนุนรายการ Charting The Market ใน KWHY-TV ในลอสแอนเจลิสซึ่งเป็นรายการโทรทัศน์ TA ครั้งแรกที่จัดทำโดย Gene Morgan ผลงานของ Haurlan และ Morgan เป็นส่วนสำคัญในการสร้างแรงบันดาลใจเบื้องหลังการพัฒนา McClellan Oscillator และ Summation Index ซึ่งเกี่ยวข้องกับการทำให้ข้อมูล Advance-Decline ราบเรียบขึ้นเรื่อย ๆ คุณสามารถอ่านหนังสือเล่มเล็ก 1968 ที่เรียกว่า Measuring Trend Values ​​ซึ่งเผยแพร่โดย Haurlan เริ่มต้นที่หน้า 8 ของ MTA Award Handout ซึ่งเราได้จัดเตรียมไว้สำหรับผู้เข้าร่วมประชุมในการประชุม MTA ประจำปี 2547 ที่เชอร์แมนและมาเรียนได้รับรางวัล MTArsquos Lifetime Achievement Award Haurlan ไม่ได้ระบุจุดกำเนิดของเทคนิคทางคณิตศาสตร์นั้น แต่ทราบว่าได้มีการใช้ในวิศวกรรมการบินและอวกาศเป็นเวลาหลายปีฉันพยายามที่จะเรียบ histogram 3D โดยใช้ค่าเฉลี่ยเคลื่อนที่ใน mathematica ฉันรู้ว่ามีฟังก์ชันที่เรียกว่า smoothhistogram3D ซึ่งใกล้เคียงกับสิ่งที่ฉันต้องการ แต่ดูเหมือนว่าจะมีเพียงตัวเลือกในการใช้ฟังก์ชันการแจกแจงเพื่อให้เส้นโค้งเรียบ ฉันสามารถสร้างฟังก์ชันสำหรับการปรับโฉมฮิสโตแกรม 2D โดยปรับเปลี่ยนคำตอบ stackoverflow นี้เพื่อรวม interpolationOrder และคุณลักษณะเฉลี่ยเคลื่อนที่ ฉันพยายามที่จะขยายไปสู่มิติที่ 3 โดยใช้รหัสด้านล่าง แต่ไม่ได้ประสบความสำเร็จ อย่างไรก็ตามฟังก์ชัน 3D จะแสดงภาพนี้โดยใช้ชุดข้อมูลของฉัน: imgurMJeBbwW ฉันลองใช้วิธีการที่คล้ายคลึงกับนี้ก่อนยกเว้นมีตัวเลือกในการทำให้เรียบโดยใช้ค่าเฉลี่ยเคลื่อนที่: อย่างไรก็ตามจะแสดงผลภาพเช่นนี้ฉันต้องการชุดข้อมูล ที่ใกล้เคียงกับการแสดงผลของ smoothhistogram3D แต่มีตัวเลือกในการปรับให้เรียบโดยมีค่าเฉลี่ยเคลื่อนที่ มีคำแนะนำใดมีวิธีง่ายๆ Im ไม่ทราบขออภัยฉันรู้รหัสโดยเฉพาะชิ้นที่สองเป็นแทบอ่าน. Im ใหม่เพื่อ mathematica และเป็นเพียงการพยายามที่จะได้รับมันในการทำงาน นี่เป็นครั้งแรกที่ฉันโพสต์ใน stack overflow ด้วยเช่นกันดังนั้นโปรดให้เหตุผลใด ๆ ที่มีการจัดรูปแบบหรือข้อแนะนำ