Flytte Gjennomsnittet Beste Innstilling

Realtid etter timer Pre-Market News Flash Sitat Sammendrag Sitat Interaktive kort Standardinnstilling Vær oppmerksom på at når du velger ditt valg, gjelder det for alle fremtidige besøk på NASDAQ. Hvis du, når som helst, er interessert i å gå tilbake til standardinnstillingene, velg Standardinnstilling ovenfor. Hvis du har spørsmål eller støter på problemer ved å endre standardinnstillingene, vennligst send epost til isfeedbacknasdaq. Vennligst bekreft ditt valg: Du har valgt å endre standardinnstillingen for Quote Search. Dette vil nå være din standardmålside, med mindre du endrer konfigurasjonen din igjen, eller du sletter informasjonskapslene dine. Er du sikker på at du vil endre innstillingene Vi har en tjeneste å spørre Vennligst deaktiver annonseblokkeren din (eller oppdater innstillingene dine for å sikre at javascript og informasjonskapsler er aktivert), slik at vi kan fortsette å gi deg de førsteklasses markedsnyheter og data du har kommet til å forvente fra oss. Gjennomgang av gjennomsnittlige og eksponensielle utjevningsmodeller Som et første skritt i å bevege seg ut over gjennomsnittlige modeller, kan tilfeldige gangmodeller, og lineære trendmodeller, ikke-sone-mønstre og trender ekstrapoleres ved hjelp av en glidende eller utjevningsmodell. Den grunnleggende forutsetningen bak gjennomsnittlige og utjevningsmodeller er at tidsserien er lokalt stasjonær med et sakte varierende middel. Derfor tar vi et flytende (lokalt) gjennomsnitt for å anslå dagens verdi av gjennomsnittet, og deretter bruke det som prognosen for nær fremtid. Dette kan betraktes som et kompromiss mellom den gjennomsnittlige modellen og den tilfeldige-walk-uten-drift-modellen. Den samme strategien kan brukes til å estimere og ekstrapolere en lokal trend. Et glidende gjennomsnitt kalles ofte en quotsmoothedquot-versjon av den opprinnelige serien, fordi kortsiktig gjennomsnittsverdi medfører utjevning av støtene i den opprinnelige serien. Ved å justere graden av utjevning (bredden på det bevegelige gjennomsnittet), kan vi håpe å finne en slags optimal balanse mellom ytelsen til de gjennomsnittlige og tilfeldige turmodellene. Den enkleste typen gjennomsnittlig modell er. Enkel (likevektet) Flytende gjennomsnitt: Værvarselet for verdien av Y på tidspunktet t1 som er laget på tidspunktet t, er det enkle gjennomsnittet av de nyeste m-observasjonene: (Her og andre steder vil jeg bruke symbolet 8220Y-hat8221 til å stå for en prognose av tidsserien Y som ble gjort så tidlig som mulig ved en gitt modell.) Dette gjennomsnittet er sentrert ved period-t (m1) 2, noe som innebærer at estimatet av det lokale middel vil ha en tendens til å ligge bak den sanne verdien av det lokale gjennomsnittet med ca. (m1) 2 perioder. Således sier vi at gjennomsnittsalderen for dataene i det enkle glidende gjennomsnittet er (m1) 2 i forhold til perioden for prognosen beregnes. Dette er hvor lang tid det vil være å prognostisere prognoser bak vendepunkter i dataene . For eksempel, hvis du er gjennomsnittlig de siste 5 verdiene, vil prognosene være ca 3 perioder sent i å svare på vendepunkter. Merk at hvis m1, den enkle glidende gjennomsnittlige (SMA) modellen er lik den tilfeldige turmodellen (uten vekst). Hvis m er veldig stor (sammenlignbar med lengden på estimeringsperioden), svarer SMA-modellen til den gjennomsnittlige modellen. Som med hvilken som helst parameter i en prognosemodell, er det vanlig å justere verdien av k for å oppnå den beste kvote kvoten til dataene, dvs. de minste prognosefeilene i gjennomsnitt. Her er et eksempel på en serie som ser ut til å vise tilfeldige svingninger rundt et sakte varierende middel. Først kan vi prøve å passe den med en tilfeldig walk-modell, noe som tilsvarer et enkelt bevegelige gjennomsnitt på 1 sikt: Den tilfeldige turmodellen reagerer veldig raskt på endringer i serien, men i så måte velger den mye av kvotenivået i data (tilfeldige svingninger) samt quotsignalquot (det lokale gjennomsnittet). Hvis vi i stedet prøver et enkelt glidende gjennomsnitt på 5 termer, får vi et smidigere sett med prognoser: Det 5-tiden enkle glidende gjennomsnittet gir betydelig mindre feil enn den tilfeldige turmodellen i dette tilfellet. Gjennomsnittsalderen for dataene i denne prognosen er 3 ((51) 2), slik at den har en tendens til å ligge bak vendepunktene med tre perioder. (For eksempel ser det ut til at en nedtur har skjedd i perioden 21, men prognosene vender seg ikke til flere perioder senere.) Legg merke til at de langsiktige prognosene fra SMA-modellen er en horisontal rettlinje, akkurat som i tilfeldig gang modell. Således antar SMA-modellen at det ikke er noen trend i dataene. Mens prognosene fra den tilfeldige turmodellen ganske enkelt er lik den siste observerte verdien, er prognosene fra SMA-modellen lik et veid gjennomsnitt av de siste verdiene. De konfidensgrenser som beregnes av Statgraphics for de langsiktige prognosene for det enkle glidende gjennomsnittet, blir ikke større da prognoseperioden øker. Dette er åpenbart ikke riktig. Dessverre er det ingen underliggende statistisk teori som forteller oss hvordan konfidensintervallene skal utvide seg for denne modellen. Det er imidlertid ikke så vanskelig å beregne empiriske estimater av konfidensgrensene for lengre horisontprognoser. For eksempel kan du sette opp et regneark der SMA-modellen skulle brukes til å prognose 2 trinn foran, 3 trinn fremover, etc. i den historiske dataprøven. Du kan deretter beregne utvalgsstandardavvikene til feilene i hver prognosehorisont, og deretter konstruere konfidensintervaller for langsiktige prognoser ved å legge til og trekke ut multipler av riktig standardavvik. Hvis vi prøver et 9-sikt enkelt glidende gjennomsnitt, får vi enda jevnere prognoser og mer av en bremseeffekt: Gjennomsnittsalderen er nå 5 perioder (91) 2). Hvis vi tar et 19-årig glidende gjennomsnitt, øker gjennomsnittsalderen til 10: Legg merke til at prognosene nå faller bakom vendepunkter med ca 10 perioder. Hvilken mengde utjevning er best for denne serien Her er et bord som sammenligner feilstatistikken sin, også et gjennomsnitt på tre sikt: Modell C, 5-års glidende gjennomsnitt, gir den laveste verdien av RMSE med en liten margin over 3 term og 9-sikt gjennomsnitt, og deres andre statistikker er nesten identiske. Så, blant modeller med svært like feilstatistikk, kan vi velge om vi foretrekker litt mer respons eller litt mer glatt i prognosene. (Tilbake til toppen av siden.) Browns Simple Exponential Smoothing (eksponentielt vektet glidende gjennomsnitt) Den enkle glidende gjennomsnittsmodellen beskrevet ovenfor har den uønskede egenskapen som den behandler de siste k-observasjonene, like og fullstendig ignorerer alle foregående observasjoner. Intuitivt bør tidligere data diskonteres på en mer gradvis måte - for eksempel bør den siste observasjonen få litt mer vekt enn 2. siste, og den 2. siste skal få litt mer vekt enn den 3. siste, og så videre. Den enkle eksponensielle utjevning (SES) - modellen oppnår dette. La 945 betegne en quotsmoothing constantquot (et tall mellom 0 og 1). En måte å skrive modellen på er å definere en serie L som representerer dagens nivå (dvs. lokal middelverdi) av serien som estimert fra data til nå. Verdien av L ved tid t beregnes rekursivt fra sin egen tidligere verdi slik: Således er den nåværende glattede verdien en interpolering mellom den forrige glattede verdien og den nåværende observasjonen, hvor 945 styrer nærheten til den interpolerte verdien til den nyeste observasjon. Forventningen for neste periode er bare den nåværende glatte verdien: Tilsvarende kan vi uttrykke neste prognose direkte i forhold til tidligere prognoser og tidligere observasjoner, i en hvilken som helst av de tilsvarende versjoner. I den første versjonen er prognosen en interpolasjon mellom forrige prognose og tidligere observasjon: I den andre versjonen blir neste prognose oppnådd ved å justere forrige prognose i retning av den forrige feilen med en brøkdel av 945. Er feilen gjort ved tid t. I den tredje versjonen er prognosen et eksponentielt vektet (dvs. nedsatt) glidende gjennomsnitt med rabattfaktor 1-945: Interpolasjonsversjonen av prognoseformelen er den enkleste å bruke hvis du implementerer modellen på et regneark: det passer inn i en enkeltcelle og inneholder cellehenvisninger som peker på forrige prognose, forrige observasjon og cellen der verdien av 945 er lagret. Merk at hvis 945 1 er SES-modellen tilsvarer en tilfeldig turmodell (uten vekst). Hvis 945 0 er SES-modellen ekvivalent med den gjennomsnittlige modellen, forutsatt at den første glattede verdien er satt lik gjennomsnittet. (Gå tilbake til toppen av siden.) Gjennomsnittsalderen for dataene i prognosen for enkel eksponensiell utjevning er 1 945 i forhold til perioden for prognosen beregnes. (Dette skal ikke være åpenbart, men det kan enkelt vises ved å vurdere en uendelig serie.) Derfor har den enkle, glidende gjennomsnittlige prognosen en tendens til å ligge bak vendepunktene med rundt 1 945 perioder. For eksempel, når 945 0,5 lag er 2 perioder når 945 0.2 lag er 5 perioder når 945 0,1 lag er 10 perioder, og så videre. For en gitt gjennomsnittlig alder (det vil si mengden lag), er prognosen for enkel eksponensiell utjevning (SES) noe bedre enn SMA-prognosen (Simple Moving Average) fordi den legger relativt mer vekt på den siste observasjonen - dvs. det er litt mer quotresponsivequot for endringer som oppstod i den siste tiden. For eksempel har en SMA-modell med 9 vilkår og en SES-modell med 945 0,2 begge en gjennomsnittlig alder på 5 for dataene i prognosene, men SES-modellen legger mer vekt på de siste 3 verdiene enn SMA-modellen og ved Samtidig er det ikke 8220forget8221 om verdier som er mer enn 9 år gamle, som vist i dette diagrammet. En annen viktig fordel ved SES-modellen over SMA-modellen er at SES-modellen bruker en utjevningsparameter som er kontinuerlig variabel, slik at den lett kan optimaliseres ved å bruke en quotsolverquot-algoritme for å minimere den gjennomsnittlige kvadratfeilen. Den optimale verdien av 945 i SES-modellen for denne serien viser seg å være 0,2961, som vist her: Gjennomsnittsalderen for dataene i denne prognosen er 10,2961 3,4 perioder, noe som ligner på et 6-sikt enkelt glidende gjennomsnitt. De langsiktige prognosene fra SES-modellen er en horisontal rett linje. som i SMA-modellen og den tilfeldige turmodellen uten vekst. Vær imidlertid oppmerksom på at konfidensintervallene som beregnes av Statgraphics, divergerer nå på en rimelig måte, og at de er vesentlig smalere enn konfidensintervallene for den tilfeldige turmodellen. SES-modellen antar at serien er noe mer forutsigbar enn den tilfeldige turmodellen. En SES-modell er faktisk et spesielt tilfelle av en ARIMA-modell. slik at den statistiske teorien om ARIMA-modeller gir et solid grunnlag for beregning av konfidensintervall for SES-modellen. Spesielt er en SES-modell en ARIMA-modell med en ikke-sesongforskjell, en MA (1) og ikke en konstant periode. ellers kjent som en quotARIMA (0,1,1) modell uten constantquot. MA (1) - koeffisienten i ARIMA-modellen tilsvarer mengden 1-945 i SES-modellen. For eksempel, hvis du passer på en ARIMA (0,1,1) modell uten konstant til serien analysert her, viser den estimerte MA (1) - koeffisienten seg å være 0,7029, som er nesten nøyaktig en minus 0,2961. Det er mulig å legge til antagelsen om en konstant lineær trend uten null som en SES-modell. For å gjøre dette oppgir du bare en ARIMA-modell med en ikke-sesongforskjell og en MA (1) - sikt med en konstant, dvs. en ARIMA-modell (0,1,1) med konstant. De langsiktige prognosene vil da ha en trend som er lik den gjennomsnittlige trenden observert over hele estimeringsperioden. Du kan ikke gjøre dette i forbindelse med sesongjustering, fordi sesongjusteringsalternativene er deaktivert når modelltypen er satt til ARIMA. Du kan imidlertid legge til en konstant langsiktig eksponensiell trend for en enkel eksponensiell utjevningsmodell (med eller uten sesongjustering) ved å bruke inflasjonsjusteringsalternativet i prognoseprosedyren. Den aktuelle kvoteringskvoten (prosentvekst) per periode kan estimeres som hellingskoeffisienten i en lineær trendmodell som er montert på dataene i forbindelse med en naturlig logaritme transformasjon, eller det kan være basert på annen uavhengig informasjon om langsiktige vekstutsikter . (Tilbake til toppen av siden.) Browns Lineær (dvs. dobbel) Eksponensiell utjevning SMA-modellene og SES-modellene antar at det ikke er noen trend av noe slag i dataene (som vanligvis er OK eller i det minste ikke altfor dårlig for 1- trinnvise prognoser når dataene er relativt støyende), og de kan modifiseres for å inkorporere en konstant lineær trend som vist ovenfor. Hva med kortsiktige trender Hvis en serie viser en varierende vekstnivå eller et syklisk mønster som skiller seg tydelig ut mot støyen, og hvis det er behov for å prognose mer enn 1 periode framover, kan estimering av en lokal trend også være et problem. Den enkle eksponensielle utjevningsmodellen kan generaliseres for å oppnå en lineær eksponensiell utjevning (LES) modell som beregner lokale estimater av både nivå og trend. Den enkleste tidsvarierende trendmodellen er Browns lineær eksponensiell utjevningsmodell, som bruker to forskjellige glatte serier som er sentrert på forskjellige tidspunkter. Forutsigelsesformelen er basert på en ekstrapolering av en linje gjennom de to sentrene. (En mer sofistikert versjon av denne modellen, Holt8217s, blir diskutert nedenfor.) Den algebraiske form av Brown8217s lineær eksponensiell utjevningsmodell, som den enkle eksponensielle utjevningsmodellen, kan uttrykkes i en rekke forskjellige, men liknende former. Denne standardmodellen er vanligvis uttrykt som følger: La S betegne den enkeltglattede serien som er oppnådd ved å anvende enkel eksponensiell utjevning til serie Y. Dvs. verdien av S ved period t er gitt av: (Husk at, under enkle eksponensiell utjevning, dette ville være prognosen for Y ved periode t1.) Lad deretter Squot betegne den dobbeltslettede serien oppnådd ved å anvende enkel eksponensiell utjevning (ved hjelp av samme 945) til serie S: Endelig prognosen for Y tk. for noe kgt1, er gitt av: Dette gir e 1 0 (det vil si lure litt, og la den første prognosen være den samme første observasjonen) og e 2 Y 2 8211 Y 1. hvoretter prognosene genereres ved å bruke ligningen ovenfor. Dette gir de samme monterte verdiene som formelen basert på S og S dersom sistnevnte ble startet med S 1 S 1 Y 1. Denne versjonen av modellen brukes på neste side som illustrerer en kombinasjon av eksponensiell utjevning med sesongjustering. Holt8217s Lineær eksponensiell utjevning Brown8217s LES-modell beregner lokale estimater av nivå og trend ved å utjevne de siste dataene, men det faktum at det gjør det med en enkelt utjevningsparameter, stiller en begrensning på datamønstrene som den kan passe: nivået og trenden er ikke tillatt å variere til uavhengige priser. Holt8217s LES-modellen løser dette problemet ved å inkludere to utjevningskonstanter, en for nivået og en for trenden. Til enhver tid t, som i Brown8217s modell, er det et estimat L t på lokalt nivå og et estimat T t av den lokale trenden. Her beregnes de rekursivt fra verdien av Y observert ved tid t og de forrige estimatene av nivået og trenden ved to likninger som gjelder eksponensiell utjevning til dem separat. Hvis estimert nivå og trend ved tid t-1 er L t82091 og T t-1. henholdsvis, da var prognosen for Y tshy som ville vært gjort på tidspunktet t-1, lik L t-1 T t-1. Når den faktiske verdien er observert, beregnes det oppdaterte estimatet av nivået rekursivt ved å interpolere mellom Y tshy og dens prognose, L t-1 T t 1, med vekt på 945 og 1- 945. Forandringen i estimert nivå, nemlig L t 8209 L t82091. kan tolkes som en støyende måling av trenden på tidspunktet t. Det oppdaterte estimatet av trenden beregnes deretter rekursivt ved å interpolere mellom L t 8209 L t82091 og det forrige estimatet av trenden, T t-1. ved bruk av vekter av 946 og 1-946: Fortolkningen av trend-utjevningskonstanten 946 er analog med den for nivåutjevningskonstanten 945. Modeller med små verdier på 946 antar at trenden bare endrer seg veldig sakte over tid, mens modeller med større 946 antar at det endrer seg raskere. En modell med en stor 946 mener at den fjerne fremtiden er veldig usikker, fordi feil i trendberegning blir ganske viktig når det regnes med mer enn en periode framover. (Tilbake til toppen av siden.) Utjevningskonstantene 945 og 946 kan estimeres på vanlig måte ved å minimere gjennomsnittlig kvadratfeil i de 1-trinns prognosene. Når dette gjøres i Statgraphics, viser estimatene seg å være 945 0.3048 og 946 0.008. Den svært små verdien av 946 betyr at modellen tar svært liten endring i trenden fra en periode til den neste, så i utgangspunktet prøver denne modellen å estimere en langsiktig trend. I analogi med begrepet gjennomsnittlig alder av dataene som brukes til å estimere det lokale nivået i serien, er gjennomsnittsalderen for dataene som brukes til estimering av lokal trenden, proporsjonal med 1 946, men ikke akkurat lik den . I dette tilfellet viser det seg å være 10 006 125. Dette er et svært nøyaktig tall, forutsatt at nøyaktigheten av estimatet av 946 er virkelig 3 desimaler, men det er av samme generelle størrelsesorden som prøvestørrelsen på 100, så denne modellen er i gjennomsnitt over ganske mye historie i estimering av trenden. Prognoseplanet nedenfor viser at LES-modellen anslår en litt større lokal trend i slutten av serien enn den konstante trenden som er estimert i SEStrend-modellen. Også den estimerte verdien på 945 er nesten identisk med den som oppnås ved å montere SES-modellen med eller uten trend, så dette er nesten den samme modellen. Nå ser disse ut som rimelige prognoser for en modell som skal estimere en lokal trend. Hvis du 8220eyeball8221 ser dette, ser det ut som om den lokale trenden har vendt nedover på slutten av serien. Hva har skjedd Parametrene til denne modellen har blitt estimert ved å minimere den kvadriske feilen på 1-trinns prognoser, ikke langsiktige prognoser, i hvilket tilfelle trenden gjør ikke en stor forskjell. Hvis alt du ser på er 1-trinns feil, ser du ikke det større bildet av trender over (si) 10 eller 20 perioder. For å få denne modellen mer i tråd med øyehals ekstrapoleringen av dataene, kan vi manuelt justere trendutjevningskonstanten slik at den bruker en kortere basislinje for trendestimering. Hvis vi for eksempel velger å sette 946 0,1, er gjennomsnittsalderen for dataene som brukes til å estimere den lokale trenden 10 perioder, noe som betyr at vi gjennomsnittsverdi trenden over de siste 20 perioder eller så. Here8217s hva prognosen tomten ser ut hvis vi setter 946 0,1 mens du holder 945 0.3. Dette ser intuitivt fornuftig ut på denne serien, selv om det er sannsynlig farlig å ekstrapolere denne trenden mer enn 10 perioder i fremtiden. Hva med feilstatistikken Her er en modell sammenligning for de to modellene vist ovenfor, samt tre SES-modeller. Den optimale verdien av 945. For SES-modellen er ca. 0,3, men tilsvarende resultater (med henholdsvis litt mer responstid) oppnås med 0,5 og 0,2. (A) Holts lineær eksp. utjevning med alfa 0,3048 og beta 0,008 (B) Holts lineær eksp. utjevning med alfa 0,3 og beta 0,1 (C) Enkel eksponensiell utjevning med alfa 0,5 (D) Enkel eksponensiell utjevning med alfa 0,3 (E) Enkel eksponensiell utjevning med alfa 0,2 Deres statistikk er nesten identisk, slik at vi virkelig kan velge på grunnlag av 1-trinns prognosefeil i dataprøven. Vi må falle tilbake på andre hensyn. Hvis vi sterkt tror at det er fornuftig å basere dagens trendoverslag på hva som har skjedd i løpet av de siste 20 perioder eller så, kan vi gjøre en sak for LES-modellen med 945 0,3 og 946 0,1. Hvis vi ønsker å være agnostiker om det er en lokal trend, kan en av SES-modellene være enklere å forklare, og vil også gi mer mid-of-the-road prognoser for de neste 5 eller 10 periodene. (Tilbake til toppen av siden.) Hvilken type trend-ekstrapolering er best: Horisontal eller lineær Empirisk bevis tyder på at hvis dataene allerede er justert (om nødvendig) for inflasjon, kan det være uhensiktsmessig å ekstrapolere kortsiktig lineær trender veldig langt inn i fremtiden. Trender som tyder på i dag, kan løsne seg i fremtiden på grunn av ulike årsaker som forverring av produkt, økt konkurranse og konjunkturnedganger eller oppgang i en bransje. Av denne grunn utfører enkle eksponensielle utjevning ofte bedre ut av prøven enn det ellers kunne forventes, til tross for sin kvadratiske kvadratiske horisontal trend-ekstrapolering. Dampede trendmodifikasjoner av den lineære eksponensielle utjevningsmodellen brukes også i praksis til å introdusere en konservatismeddel i sine trendprognoser. Den demonstrede LES-modellen kan implementeres som et spesielt tilfelle av en ARIMA-modell, spesielt en ARIMA-modell (1,1,2). Det er mulig å beregne konfidensintervall rundt langsiktige prognoser produsert av eksponentielle utjevningsmodeller, ved å betrakte dem som spesielle tilfeller av ARIMA-modeller. (Pass på: ikke alle programmer beregner konfidensintervaller for disse modellene riktig.) Bredden på konfidensintervaller avhenger av (i) RMS-feilen i modellen, (ii) type utjevning (enkel eller lineær) (iii) verdien (e) av utjevningskonstanten (e) og (iv) antall perioder fremover du forutsetter. Generelt sprer intervallene raskere da 945 blir større i SES-modellen, og de sprer seg mye raskere når lineær snarere enn enkel utjevning brukes. Dette emnet blir diskutert videre i ARIMA-modellene i notatene. MACD (Moving Average ConvergenceDivergence Oscillator) MACD (Moving Average ConvergenceDivergence Oscillator) Introduksjon Utviklet av Gerald Appel på slutten av syttitallet, er Moving Average ConvergenceDivergence Oscillator (MACD) en av de enkleste og mest effektive momentumindikatorene tilgjengelig. MACD blir to trend-følgende indikatorer, glidende gjennomsnitt. inn i en momentum-oscillator ved å subtrahere det lengre bevegelige gjennomsnittet fra det kortere glidende gjennomsnittet. Som et resultat tilbyr MACD det beste fra begge verdener: trend etter og momentum. MACD svinger over og under nulllinjen da de bevegelige gjennomsnittene konvergerer, krysser og divergerer. Traders kan se etter signallinjeoverganger, midtlinjens overganger og avvik for å generere signaler. Fordi MACD er ubundet, er det ikke spesielt nyttig for å identifisere overkjøpte og oversolgte nivåer. Merk: MACD kan uttalt som enten Mac-Dee eller M-A-C-D. Her er et eksempeldiagram med MACD-indikatoren i nedre panel: Beregning MACD-linjen er 12-dagers eksponentiell flytende gjennomsnitt (EMA) mindre 26-dagers EMA. Sluttpriser brukes for disse bevegelige gjennomsnitt. En 9-dagers EMA i MACD-linjen er plottet med indikatoren for å fungere som en signallinje og identifisere svinger. MACD-histogrammet representerer forskjellen mellom MACD og dens 9-dagers EMA, signallinjen. Histogrammet er positivt når MACD-linjen er over dens signallinje og negativ når MACD-linjen er under dens signallinje. Verdiene 12, 26 og 9 er den typiske innstillingen som brukes med MACD, men andre verdier kan erstattes avhengig av din trading stil og mål. Tolkning Som navnet tilsier, handler MACD om konvergens og divergens mellom de to bevegelige gjennomsnittene. Konvergens oppstår når de bevegelige gjennomsnittene beveger seg mot hverandre. Divergens oppstår når de bevegelige gjennomsnittene beveger seg vekk fra hverandre. Det kortere glidende gjennomsnittet (12-dagers) er raskere og ansvarlig for de fleste MACD-bevegelser. Det lengre glidende gjennomsnittet (26-dagers) er langsommere og mindre reaktive overfor prisendringer i den underliggende sikkerheten. MACD-linjen svinger over og under nulllinjen, som også kalles midtlinjen. Disse overgangene signalerer at 12-dagers EMA har krysset 26-dagers EMA. Retningen, selvfølgelig, avhenger av retningen av det bevegelige gjennomsnittskorset. Positiv MACD indikerer at 12-dagers EMA er over 26-dagers EMA. Positive verdier øker ettersom den kortere EMA divergerer lenger fra lengre EMA. Dette betyr at oppadgående momentum øker. Negative MACD-verdier indikerer at 12-dagers EMA er under 26-dagers EMA. Negative verdier øker ettersom den kortere EMA divergerer lenger under den lengre EMA. Dette betyr at nedadgående momentum øker. I eksemplet ovenfor viser det gule området MACD-linjen på negativt territorium som 12-dagers EMA-handler under 26-dagers EMA. Det første krysset skjedde i slutten av september (svart pil), og MACD flyttet videre til negativt territorium da 12-dagers EMA divergerte videre fra 26-dagers EMA. Det oransje området fremhever en periode med positive MACD-verdier, som er da 12-dagers EMA var over 26-dagers EMA. Legg merke til at MACD-linjen var under 1 i denne perioden (rød prikket linje). Dette betyr at avstanden mellom 12-dagers EMA og 26-dagers EMA var mindre enn 1 poeng, noe som ikke er en stor forskjell. Signallinjeoverganger Signaloverføringer er de vanligste MACD-signalene. Signallinjen er en 9-dagers EMA i MACD-linjen. Som et bevegelige gjennomsnitt av indikatoren, sporer den MACD og gjør det lettere å se MACD-sving. Et bullish crossover oppstår når MACD dukker opp og krysser over signallinjen. Et bearish crossover oppstår når MACD vender ned og krysser under signallinjen. Crossovers kan vare noen dager eller noen uker, alt avhenger av styrken av flyttingen. Det er nødvendig med due diligence før du stoler på disse vanlige signalene. Signaloverganger ved positive eller negative ekstremer skal ses med forsiktighet. Selv om MACD ikke har øvre og nedre grenser, kan kartleggere estimere historiske ekstremer med en enkel visuell vurdering. Det tar et sterkt trekk i den underliggende sikkerheten for å skape momentum til en ekstrem. Selv om bevegelsen kan fortsette, vil momentum sannsynligvis sakte, og dette vil vanligvis produsere en signallinjeovergang på ekstremiteter. Volatilitet i den underliggende sikkerheten kan også øke antall kryss. Tabellen nedenfor viser IBM med 12-dagers EMA (grønn), 26-dagers EMA (rød) og 12,26,9 MACD i indikatorvinduet. Det var åtte signallinjeoverganger på seks måneder: fire opp og fire ned. Det var noen gode signaler og noen dårlige signaler. Det gule området fremhever en periode da MACD-linjen økte over 2 for å oppnå en positiv ekstreme. Det var to bearish signal line crossovers i april og mai, men IBM fortsatte trending høyere. Selv om oppadgående momentum senket etter bølgen, var oppadgående momentum fortsatt sterkere enn nedadgående momentum i april-mai. Den tredje bearish signallinjekrysset i mai resulterte i et godt signal. Senterlinjeoverskridelser Senterlinjeoverskridelser er de neste vanligste MACD-signalene. En kryssovergripende midtlinjeovergang skjer når MACD-linjen beveger seg over nulllinjen for å bli positiv. Dette skjer når 12-dagers EMA for den underliggende sikkerheten beveger seg over 26-dagers EMA. En bearish centerline crossover oppstår når MACD beveger seg under nulllinjen for å bli negativ. Dette skjer når 12-dagers EMA beveger seg under 26-dagers EMA. Senterlinjeoverskridelser kan vare noen dager eller noen få måneder. Alt avhenger av styrken av trenden. MACD vil forbli positiv så lenge det er en vedvarende opptrinn. MACD vil forbli negativ når det er en vedvarende downtrend. Neste diagram viser Pulte Homes (PHM) med minst fire midtlinjekryss i ni måneder. De resulterende signalene fungerte bra, fordi sterke trender oppstod med disse midtlinjens overganger. Nedenfor er et diagram over Cummins Inc (CMI) med syv sentrallinker i fem måneder. I motsetning til Pulte Homes, ville disse signalene ha resultert i mange whipsaws fordi sterke trender ikke materialiserte etter krysningene. Det neste diagrammet viser 3M (MMM) med et bullish centerline crossover i slutten av mars 2009 og en bearish centerline crossover tidlig i februar 2010. Dette signalet var i 10 måneder. Med andre ord var 12-dagers EMA over 26-dagers EMA i 10 måneder. Dette var en sterk trend. Divergenser Divergenser dannes når MACD avviker fra prisvirkningen av den underliggende sikkerheten. En bullish divergens danner når en sikkerhet registrerer en lavere lav og MACD danner en høyere lav. Den lavere lavt i sikkerheten bekrefter den nåværende nedgangen, men det høyere lavet i MACD viser mindre nedadgående momentum. Til tross for mindre nedsiden momentum, er nedadgående momentum fortsatt overfor oppadgående momentum så lenge MACD forblir i negativt territorium. Sakte nedadgående momentum kan noen ganger foreshadow en trend reversering eller et betydelig rally. Det neste diagrammet viser Google (GOOG) med en bullish divergens i oktober-november 2008. Først legg merke til at vi bruker sluttpriser for å identifisere divergensen. MACD039s bevegelige gjennomsnitt er basert på sluttkurs, og vi bør vurdere lukkepriser i sikkerheten også. For det andre, legg merke til at det var klare reaksjonsoverganger (troughs) da både Google og MACD-linjen sprang i oktober og slutten av november. For det tredje, legg merke til at MACD dannet en høyere lav som Google dannet en lavere lav i november. MACDen oppsto med en bullish divergens med en signallinjeovergang i begynnelsen av desember. Google bekreftet en reversering med motstandsavbrudd. En bearish divergens danner når en sikkerhet registrerer en høyere høy og MACD-linjen danner en lavere høyde. Jo høyere høyde i sikkerheten er normalt for en opptrend, men den lavere høyden i MACD viser mindre oppadgående momentum. Selv om oppadgående momentum kan være mindre, er oppadgående momentum fortsatt ute i ulemper så lenge MACD er positiv. Avtagende momentum kan noen ganger foreskygge en trendendring eller betydelig nedgang. Nedenfor ser vi Gamestop (GME) med stor bearish divergens fra august til oktober. Lageret smidde en høyere høyt over 28, men MACD-linjen falt kort på sin tidligere høye og dannet en lavere høyde. Den påfølgende signallinjens kryssoverføring og støttebrudd i MACD var bearish. På prisdiagrammet legger du merke til hvordan ødelagt støtte ble til motstand på tilbakespillingen i november (rød prikket linje). Denne tilbakekallingen ga en sjanse til å selge eller selge kort. Avvik bør tas med forsiktighet. Bearish forskjeller er vanlig i en sterk opptrending, mens hausse divergenser ofte oppstår i en sterk nedtrengning. Ja, du leser det riktig. Uptrends starter ofte med et sterkt fremskritt som gir en økning i oppadgående momentum (MACD). Selv om opptrenden fortsetter, fortsetter den i et lavere tempo som får MACD til å synke fra høyder. Oppadgående momentum er kanskje ikke så sterk, men oppadgående momentum overgår fortsatt nedadgående momentum så lenge MACD-linjen er over null. Det motsatte skjer i begynnelsen av en sterk downtrend. Det neste diagrammet viser SampP 500 ETF (SPY) med fire bearish divergenser fra august til november 2009. Til tross for mindre oppadgående momentum fortsatte ETF høyere fordi opptrenden var sterk. Legg merke til hvordan SPY fortsatte sin serie med høyere høyder og høyere nedturer. Husk at oppadgående momentum er sterkere enn nedadgående momentum så lenge MACD er positiv. Dens MACD (momentum) kan ha vært mindre positiv (sterk) etter hvert som forskuddet forlenget, men det var fortsatt stort sett positivt. Konklusjoner MACD-indikatoren er spesiell fordi den bringer sammen momentum og trend i en indikator. Denne unike blanding av trend og momentum kan brukes på daglige, ukentlige eller månedlige diagrammer. Standardinnstillingen for MACD er forskjellen mellom de 12 og 26-årige EMA-ene. Chartister som ser etter mer følsomhet, kan prøve et kortere kortsiktig glidende gjennomsnitt og et lengre langsiktig glidende gjennomsnitt. MACD (5,35,5) er mer følsom enn MACD (12,26,9) og kan være bedre egnet for ukentlige diagrammer. Chartister som leter etter mindre følsomhet kan vurdere å forlenge de bevegelige gjennomsnittene. En mindre følsom MACD vil fortsatt oscillere overbelow null, men midtlinjens overgang og signallinjens overgang vil bli mindre hyppige. MACD er ikke spesielt bra for å identifisere overkjøpte og oversolgte nivåer. Selv om det er mulig å identifisere nivåer som historisk er overkjøpt eller oversolgt, har MACD ingen øvre eller nedre grenser for å binde bevegelsen. Under skarpe bevegelser kan MACD fortsette å strekke seg utover sine historiske ekstremer. Til slutt husk at MACD-linjen er beregnet ved hjelp av den faktiske forskjellen mellom to bevegelige gjennomsnitt. Dette betyr at MACD-verdier er avhengig av prisen på den underliggende sikkerheten. MACD-verdiene for en 20 aksjer kan variere fra -1,5 til 1,5, mens MACD-verdiene for en 100 kan variere fra -10 til 10. Det er ikke mulig å sammenligne MACD-verdier for en gruppe verdipapirer med varierende priser. Hvis du vil sammenligne momentumavlesning, bør du bruke Percentage Pris Oscillator (PPO). i stedet for MACD. Legge til MACD-indikatoren til SharpCharts MACD kan settes som en indikator over, under eller bak et security039s prisplott. Plassering av MACD bak prisplottet gjør det enkelt å sammenligne momentumbevegelser med prisbevegelser. Når indikatoren er valgt fra rullegardinmenyen, vises standardparameterinnstillingen: (12,26,9). Disse parametrene kan justeres for å øke følsomheten eller redusere følsomheten. MACD-histogrammet vises med indikatoren eller kan legges til som en separat indikator. Innstilling av signallinjen til 1, (12,26,1), fjerner MACD-histogrammet og signallinjen. En separat signallinje, uten histogrammet, kan legges til ved å velge Exp Mov Avg fra menyen Advanced Options Overlays. Klikk her for et live diagram av MACD indikatoren. Bruke MACD med StockCharts-skanninger Her er noen prøve-skanninger som StockCharts-medlemmer kan bruke til å skanne etter forskjellige MACD-signaler: MACD Bullish Signal Line Cross. Denne skanningen avslører aksjer som handler over deres 200-dagers glidende gjennomsnitt og har et bullish signal linje crossover i MACD. Vær også oppmerksom på at MACD er nødvendig for å være negativ for å sikre at denne oppgangen skjer etter en tilbaketrekking. Denne skanningen er bare ment som en startpakke for videre forfining. MACD Bearish Signal Line Cross. Denne skanningen avslører aksjer som handler under deres 200-dagers glidende gjennomsnitt og har en bearish signal linje crossover i MACD. Legg merke til at MACD er nødvendig for å være positiv for å sikre at denne nedgangen skjer etter en sprett. Denne skanningen er bare ment som en startpakke for videre forfining. Ytterligere studie: Fra skaperen tilbyr denne boken en omfattende studie for å bruke og tolke MACD. Teknisk analyse - Verktøy for aktive investorer Gerald Appel