Jeg har en kontinuerlig verdi som Id liker å beregne et eksponentielt glidende gjennomsnitt. Normalt bruker Id bare standardformelen for dette: hvor S n er det nye gjennomsnittet, alfa er alfa, Y er prøven, og S n-1 er forrige gjennomsnitt. Dessverre, på grunn av ulike problemer, har jeg ikke en konsekvent prøvetid. Jeg kan kanskje jeg kan prøve mest, si en gang per millisekund, men på grunn av faktorer utenfor min kontroll, kan jeg kanskje ikke ta et utvalg i flere millisekunder av gangen. Et sannsynlig mer vanlig tilfelle er imidlertid at jeg enkelt prøver litt tidlig eller sent: i stedet for prøvetaking på 0, 1 og 2 ms. Jeg prøver på 0, 0,9 og 2,1 ms. Jeg regner med at, uansett forsinkelser, vil samplingsfrekvensen være langt, langt over Nyquist-grensen, og derfor trenger jeg ikke bekymre meg for aliasing. Jeg regner med at jeg kan håndtere dette på en mer eller mindre rimelig måte ved å variere alfa hensiktsmessig, basert på lengden på tid siden siste prøve. En del av tanken min på at dette vil fungere er at EMA interpolerer lineært mellom det forrige datapunktet og det nåværende. Hvis vi vurderer å beregne en EMA av følgende liste med prøver med intervaller t: 0,1,2,3,4. Vi bør få det samme resultatet hvis vi bruker intervall 2t, hvor inngangene blir 0,2,4, høyre Hvis EMA hadde antatt at ved t 2 var verdien 2 siden t 0. det ville være det samme som intervallet t beregning beregning på 0,2,2,4,4, som det ikke gjør. Eller er det fornuftig i det hele tatt Kan noen fortelle meg hvordan du kan variere alfabetisk, vennligst vis arbeidet ditt. Dvs. vis meg matematikken som viser at metoden virkelig gjør det rette. spurte 21 juni 09 kl 13:05 Du burde ikke få samme EMA for ulike innspill. Tenk på EMA som et filter, prøvetakingen ved 2 t er lik nedsampling, og filteret kommer til å gi en annen utgang. Dette tydelig for meg siden 0,2,4 inneholder høyere frekvenskomponenter enn 0,1,2,3,4. Med mindre spørsmålet er, hvordan bytter jeg filteret på flyet slik at det gir samme utgang. Kanskje jeg savner noe ndash freespace 21 juni 09 kl 15:52 Men inngangen er ikke annerledes, det er bare samplet sjeldnere. 0,2,4 i intervaller 2t er som 0, 2, 4 med intervaller t, der det indikerer at prøven ignoreres ndash Curt Sampson 21 juni 09 kl 23:45 Dette svaret er basert på min gode forståelse av lavpas filtre (eksponentiell glidende gjennomsnitt er egentlig bare et enkeltpolet lavpasfilter), men min dumme forståelse av hva du leter etter. Jeg tror at følgende er det du vil: For det første kan du forenkle din likning litt (ser mer komplisert ut, men det er lettere i kode). Jeg skal bruke Y for utgang og X for inngang (i stedet for S for utgang og Y for input, som du har gjort). For det andre er verdien av alpha her lik 1-e-deltatt hvor Deltat er tiden mellom prøvene, og tau er tidskonstanten for lavpassfilteret. Jeg sier lik i anførselstegn fordi dette fungerer bra når Deltattau er liten sammenlignet med 1, og alpha 1-e-Delta asymp Deltattau. (Men ikke for liten: Du kommer til å kvantisere problemer, og med mindre du bruker noen eksotiske teknikker, trenger du vanligvis en ekstra N bits oppløsning i tilstandsvariabelen S, der N-log 2 (alfa).) For større verdier av Deltattau filtreringseffekten begynner å forsvinne, til du kommer til det punktet hvor alfa er nær 1 og du er i utgangspunktet bare tilordnet inngangen til utgangen. Dette skal fungere skikkelig med varierende verdier av Deltat (variasjonen av Deltat er ikke så viktig så lenge alfa er liten, ellers vil du gå inn i noen ganske rare Nyquist-problemer, aliasering etc.), og hvis du jobber med en prosessor der multiplikasjon er billigere enn divisjon, eller faste punktproblemer er viktige, forhåndskalkulerte omega 1tau, og vurdere å prøve å omtrentliggjøre formelen for alfa. Hvis du virkelig vil vite hvordan du skal utlede formelen alpha 1-e-Delta, kan du vurdere dens differensialligningskilde: som, når X er en enhetstegningsfunksjon, har løsningen Y 1 - e - ttau. For små verdier av Deltat, kan derivatet tilnærmet av DeltaYDeltat, noe som gir Y tau DeltaYDeltat X DeltaY (XY) (Deltattau) alfa (XY), og ekstrapoleringen av alfa 1-e-deltast kommer fra å forsøke å samsvare oppførselen med Enhetssteg-funksjonssak. Ønsker du å utdype quottrying for å matche oppførselenquot-delen Jeg forstår din kontinuerlige tidsløsning Y 1 - exp (-t47) og generaliseringen til en skalert trinnfunksjon med størrelsen x og innledende tilstand y (0). men jeg ser ikke hvordan å sette disse ideene sammen for å oppnå ditt resultat. ndash Rhys Ulerich 4 mai 13 kl 22:34 Dette er ikke et komplett svar, men kan være starten på en. Det er så langt jeg fikk med dette om en time å spille Im postering som et eksempel på det jeg leter etter, og kanskje en inspirasjon til andre som jobber med problemet. Jeg starter med S 0. som er gjennomsnittet som følge av forrige gjennomsnitt S -1 og prøven Y 0 tatt ved t 0. (t 1 - t 0) er mitt utvalgsintervall og alfa er satt til det som er aktuelt for det prøveintervallet og perioden over hvilken jeg vil gjennomsnittlig. Jeg vurderte hva som skjer hvis jeg savner prøven på t 1 og i stedet må gjøre med prøven Y 2 tatt på t 2. Vel, vi kan begynne med å utvide ligningen for å se hva som ville ha skjedd hvis vi hadde hatt Y 1: Jeg merker at serien ser ut til å strekke uendelig på denne måten, fordi vi kan erstatte S n i høyre side på ubestemt tid: Ok , så det er egentlig ikke et polynom (dumt meg), men hvis vi multipliserer den første termen av en, ser vi et mønster: Hm: det er en eksponentiell serie. Quelle overraskelse Forestill deg at det kommer ut av ligningen for et eksponentielt glidende gjennomsnitt. Uansett har jeg dette x 0 x 1 x 2 x 3. ting går, og jeg er sikker på at jeg lukter e eller en naturlig logaritme som sparker rundt her, men jeg kan ikke huske hvor jeg var på vei neste, før jeg løp ut av tiden. Eventuelle svar på dette spørsmålet, eller noe bevis på korrekthet av et slikt svar, avhenger svært av dataene du måler. Hvis prøvene dine ble tatt ved t 0 0ms. t 1 0,9ms og t 2 2,1ms. men valget ditt av alpha er basert på intervaller på 1 ms, og derfor vil du ha en lokalt justert alpha n. Beviset på korrekt valg av valget ville bety at man kjente utvalgsverdiene ved t1ms og t2ms. Dette fører til spørsmålet: Kan du interpolere dataene dine resonably for å ha sanne gjetninger om hva mellomliggende verdier kan ha vært eller kan du selv interpolere gjennomsnittet selv Hvis ingen av disse er mulige, så så vidt jeg ser det, er det logiske valget av en mellom-verdi Y (t) er det senest beregnede gjennomsnittet. dvs. Y (t) asymp Sn hvor n er maksimal slik at t n ltt. Dette valget har en enkel konsekvens: Forlat alfa alene, uansett hva tidsforskjellen var. Hvis det derimot er mulig å interpolere verdiene dine, så vil dette gi deg gjennomsnittsverdier med konstant intervall. Til slutt, hvis det er mulig å interpolere gjennomsnittet selv, ville det gjøre spørsmålet meningsløst. svarte 21 juni 09 kl 15:08 balpha 9830 27.2k 9679 10 9679 87 9679 117 Jeg tror at jeg kan interpolere dataene mine: gitt at jeg prøver det med diskrete intervaller, jeg gjør det allerede med en standard EMA. Uansett, antar at jeg trenger en kvotebevis som viser at den fungerer, fungerer som en standard EMA, som også har, vil gi et feilresultat hvis verdiene ikke endres ganske jevnt mellom prøveperioder. ndash Curt Sampson 21 juni 09 kl 15:21 Men det er det jeg sier: Hvis du vurderer EMA en interpolering av verdiene dine, har du gjort det hvis du forlater alfa som det er (fordi du legger inn det siste gjennomsnittet da Y ikke endrer gjennomsnittet) . Hvis du sier at du trenger noe som citerer, så vel som en standard EMAquot - hva som er galt med originalen. Med mindre du har mer informasjon om dataene du måler, vil eventuelle lokale tilpasninger til alpha i beste fall være vilkårlige. ndash balpha 9830 21 Jun 09 kl 15:31 Jeg ville legge alfaverdien alene, og fyll ut de manglende dataene. Siden du ikke vet hva som skjer i løpet av tiden du ikke kan prøve, kan du fylle disse prøvene med 0s, eller holde den forrige verdien stabil og bruke disse verdiene for EMA. Eller noen bakoverinterpolering når du har en ny prøve, fyll ut de manglende verdiene, og rekomputer EMA. Det jeg prøver å få på er at du har et inngang xn som har hull. Det er ingen måte å komme seg rundt det faktum at du mangler data. Så du kan bruke et nullordre hold, eller sett det til null, eller en slags interpolering mellom xn og xnM. hvor M er antall manglende prøver og n begynnelsen av gapet. Muligens selv å bruke verdier før n. besvart 21 juni 09 kl 13:35 Fra å bruke en time eller så, mucking litt om matematikken for dette, tror jeg det bare å variere alfa vil faktisk gi meg riktig interpolering mellom de to punktene du snakker om, men i en mye enklere måte. Videre tror jeg at varierende alfa også vil håndtere prøver som tas mellom standard prøvetaking intervaller. Med andre ord, leter jeg etter det du har beskrevet, men prøver å bruke matte for å finne ut den enkle måten å gjøre det på. ndash Curt Sampson 21 Jun 09 kl 14:07 Jeg tror ikke det er et slikt dyr som citerer interpolationquot. Du vet bare ikke hva som skjedde i tiden du ikke er prøvetaking. God og dårlig interpolering innebærer litt kunnskap om hva du savnet, siden du må måle mot det for å bedømme om en interpolering er god eller dårlig. Selv om det er sagt, kan du plassere begrensninger, dvs. med maksimal akselerasjon, fart, etc. Jeg tror at hvis du vet hvordan du modellerer de manglende dataene, så vil du bare modellere de manglende dataene, og deretter bruke EMA-algoritmen uten endring, heller enn å endre alfa. Bare min 2c :) ndash freespace 21 Jun 09 kl 14:17 Dette er akkurat det jeg fikk på i min redigering til spørsmålet for 15 minutter siden: quotYou bare vet ikke hva som skjedde i tiden du ikke er sampling, men det er sant selv om du prøver på hvert angitt intervall. Dermed er Nyquist-begrunnelsen min: Så lenge du vet bølgeformen, endrer du ikke retninger mer enn hvert par prøver, det faktiske utvalgsintervallet burde ikke matter, og bør kunne variere. EMA-ligningen virker for meg akkurat som å beregne som om bølgeformen endret lineært fra den siste samplingsverdien til den nåværende. ndash Curt Sampson 21 Jun 09 kl 14:26 Jeg tror ikke det er helt sant. Nyquists teorem krever at det kreves minst 2 prøver per periode for å kunne identifisere signalet unikt. Hvis du ikke gjør det, får du aliasing. Det ville være det samme som sampling som fs1 for en tid, deretter fs2, deretter tilbake til fs1, og du får aliasing i dataene når du prøver med fs2 hvis fs2 er under Nyquist-grensen. Jeg må også bekjenne at jeg ikke forstår hva du mener med quotwaveform endres lineært fra siste utvalg til nåværende onequot. Kan du vær så snill å forklare Skål, Steve. ndash freespace 21 juni 09 kl 14:36 Dette ligner på et åpent problem på min todo liste. Jeg har en plan utarbeidet i en viss grad, men har ikke matematisk arbeid for å bakke dette forslaget ennå. Oppdater amp sammendrag: Vil gjerne holde utjevningsfaktoren (alfa) uavhengig av kompensasjonsfaktoren (som jeg refererer til som beta her). Jasons gode svar allerede akseptert her fungerer bra for meg. Hvis du også kan måle tiden siden den siste prøven ble tatt (i avrundede multipler av din konstante prøvetakingstid - så 7.8 ms siden siste prøve ville være 8 enheter), som kunne brukes til å bruke utjevning flere ganger. Bruk formelen 8 ganger i dette tilfellet. Du har effektivt gjort en utjevning partisk mer mot dagens verdi. For å få bedre utjevning, må vi justere alfa mens du bruker formelen 8 ganger i forrige tilfelle. Hva vil denne utjevningsmessige tilnærmingen savne Den har allerede gått glipp av 7 eksempler i eksemplet ovenfor Dette ble tilnærmet i trinn 1 med en flatet gjengivelse av gjeldende verdi ytterligere 7 ganger. Hvis vi definerer en tilnæringsfaktor beta som vil bli anvendt sammen med alpha (som alfabet i stedet for bare alfa), antas vi at de 7 savnede prøvene endret seg jevnt mellom forrige og nåværende samplingsverdier. svarte 21 juni 09 klokka 13:35 Jeg tenkte på dette, men det var litt å kaste med matematikken meg til det punktet der jeg tror det, i stedet for å bruke formelen åtte ganger med prøveverdien, kan jeg gjøre en beregning av en ny alfa som vil tillate meg å bruke formelen en gang, og gi meg det samme resultatet. Videre vil dette automatisk håndtere spørsmålet om prøver som er kompensert fra eksakte prøvetider. ndash Curt Sampson 21 Jun 09 kl 13:47 Den enkle søknaden er greit. Det jeg ikke er sikker på om ennå, er hvor god er tilnærmingen til de 7 manglende verdiene. Hvis den kontinuerlige bevegelsen gjør verdien jitter mye over 8 millisekunder, kan tilnærmingene være ganske utenfor virkeligheten. Men hvis du er prøvetaking på 1ms (høyeste oppløsning eksklusive forsinkede prøver) har du allerede funnet jitteren innen 1ms ikke relevant. Fungerer denne resonnementet for deg (jeg prøver fortsatt å overbevise meg selv). ndash nik 21 juni 09 kl 14:08 Høyre. Det er faktoren beta fra beskrivelsen min. En beta-faktor beregnes basert på forskjellintervallet og gjeldende og tidligere prøver. Den nye alfa vil være (alfabetisk), men den vil bare bli brukt for den prøven. Mens du synes å være 39moving39 alfaen i formelen, har jeg en tendens til konstant alfa (utjevningsfaktor) og en uavhengig beregnet beta (en stemmingsfaktor) som kompenserer for prøver som er savnet akkurat nå. ndash nik 21 juni 09 kl 15: 23Smoder og filtrering er to av de mest brukte tidssergeteknikkene for å fjerne støy fra de underliggende dataene for å hjelpe til med å avsløre de viktige funksjonene og komponentene (for eksempel trend, sesongmessighet osv.). Vi kan imidlertid også bruke utjevning for å fylle ut manglende verdier og eller utføre en prognose. I dette nummeret vil vi diskutere fem (5) forskjellige utjevningsmetoder: vektet glidende gjennomsnitt (WMA i), enkel eksponensiell utjevning, dobbel eksponensiell utjevning, lineær eksponensiell utjevning og tredobbelt eksponensiell utjevning. Hvorfor bør vi bryr seg Utjevning brukes ofte (og misbrukt) i bransjen for å gjøre en rask visuell undersøkelse av dataegenskapene (f. eks. Trend, sesongmessighet osv.), Passe inn i manglende verdier og utføre en rask prøveutvikling prognose. Hvorfor har vi så mange utjevningsfunksjoner Som vi ser i dette papiret, fungerer hver funksjon for en annen antagelse om de underliggende dataene. For eksempel antar enkel eksponensiell utjevning at dataene har et stabilt gjennomsnitt (eller i det minste et langsiktig bevegelighetsmiddel), så enkel eksponensiell utjevning vil gjøre dårlig i prognoser for data som viser sesongmessighet eller en trend. I dette papiret vil vi gå over hver utjevningsfunksjon, markere sine forutsetninger og parametere, og demonstrere applikasjonen gjennom eksempler. Vektet flytende gjennomsnitt (WMA) Et glidende gjennomsnitt brukes vanligvis med tidsseriedata for å utjevne kortsiktige svingninger og markere langsiktige trender eller sykluser. Et vektet glidende gjennomsnitt har multiplikasjonsfaktorer for å gi forskjellige vekter til data i forskjellige posisjoner i prøvevinduet. Det vektede glidende gjennomsnittet har et fast vindu (dvs. N), og faktorene blir typisk valgt til å gi mer vekt til nyere observasjoner. Vinduestørrelsen (N) bestemmer antall poeng i gjennomsnitt hver gang, så en større Windows-størrelse er mindre lydhør overfor nye endringer i den opprinnelige tidsserien, og en liten vindusstørrelse kan føre til at den glatte utgangen blir støyende. For uten prognoseprøveformål: Eksempel 1: Kan vurdere månedlig omsetning for Company X, ved hjelp av et 4 måneders (likevektet) glidende gjennomsnitt. Vær oppmerksom på at det bevegelige gjennomsnittet alltid ligger etter dataene, og prognosen utenfor prøven konvergerer til en konstant verdi. La oss prøve å bruke en vektingsplan (se nedenfor) som legger større vekt på den siste observasjonen. Vi plottet det likeveide glidende gjennomsnittet og WMA på samme graf. WMA virker mer responsivt mot de siste endringene, og prognoseprognosen utenfor konvergerer til samme verdi som det bevegelige gjennomsnittet. Eksempel 2: Lar undersøke WMA i nærvær av trend og sesongmessighet. For dette eksempelet, bruk godt de internasjonale passasjerflyselskapsdataene. Det glidende gjennomsnittsvinduet er 12 måneder. MA og WMA holder tritt med trenden, men prognosen utenfor prognosen flater. Videre, selv om WMA utviser noe sesongmessig, ligger det alltid etter de opprinnelige dataene. (Browns) Enkel eksponensiell utjevning Enkel eksponensiell utjevning ligner på WMA, med unntak av at vinduets størrelse hvis uendelig og vektningsfaktorene reduseres eksponentielt. Som vi har sett i WMA, er den enkle eksponensialen egnet for tidsserier med et stabilt gjennomsnitt, eller i det minste et veldig sakte, flytende middel. Eksempel 1: Lar bruker månedlige salgsdata (som vi gjorde i WMA-eksempelet). I eksemplet ovenfor valgte vi utjevningsfaktoren til å være 0,8, som stiller spørsmålet: Hva er den beste verdien for utjevningsfaktoren Beregning av den beste verdien fra dataene Bruke TSSUB-funksjonen (for å beregne feilen), SUMSQ og Excel datatabeller, beregner vi summen av kvadratfeilene (SSE) og plottet resultatene: SSE når minimumsverdien rundt 0,8, så vi valgte denne verdien for utjevning. (Holt-Winters) Dobbel eksponensiell utjevning Enkel eksponensiell utjevning gjør det ikke bra i nærvær av en trend, så flere metoder utformet under den dobbelte eksponensielle paraplyen foreslås å håndtere denne typen data. NumXL støtter Holt-Winters dobbel eksponensiell utjevning, som tar følgende formulering: Eksempel 1: Lets undersøke de internasjonale passasjerene flyselskapsdata Vi valgte en Alpha-verdi på 0,9 og en Beta på 0,1. Vær oppmerksom på at selv om dobbel utjevning sporer de opprinnelige dataene godt, er prognosen utenfor prøven dårligere enn det enkle glidende gjennomsnittet. Hvordan finner vi de beste utjevningsfaktorene Vi tar en lignende tilnærming til vårt enkle eksponensielle utjevningseksempel, men endret for to variabler. Vi beregner summen av de kvadratiske feilene konstruere en to-variabel datatabell, og velg alfa - og beta-verdiene som minimerer den samlede SSE. (Browns) Lineær eksponensiell utjevning Dette er en annen metode for dobbel eksponensiell utjevningsfunksjon, men den har en utjevningsfaktor: Browns dobbel eksponensiell utjevning tar en parameter mindre enn Holt-Winters-funksjonen, men det kan ikke tilby så god passform som den funksjonen. Eksempel 1: La oss bruke det samme eksemplet i Holt-Winters dobbel eksponensiell og sammenligne den optimale summen av kvadratfeilen. Browns dobbelte eksponentielle passer ikke til prøvedataene, så vel som Holt-Winters-metoden, men den utvendige prøven (i dette tilfellet) er bedre. Hvordan finner vi den beste utjevningsfaktoren () Vi bruker samme metode for å velge alfaverdien som minimerer summen av kvadratfeilen. For eksempeleksempeldataene er alfa funnet å være 0,8. (Vinter) Trippel eksponensiell utjevning Den tredoble eksponensielle utjevningen tar hensyn til sesongmessige endringer, samt trender. Denne metoden krever 4 parametere: Formuleringen for triple eksponensiell utjevning er mer involvert enn noen av de tidligere. Vennligst sjekk vår elektroniske referansehåndbok for den nøyaktige formuleringen. Ved hjelp av de internasjonale passasjerene flyselskapsdata, kan vi søke vintre trekant eksponensiell utjevning, finne optimale parametere, og utføre en ut-av prognose prognose. Det er åpenbart at Winters tredobbelte eksponensielle utjevning er best brukt for denne dataprøven, da den sporer verdiene godt, og utvalget av prognoseprognose utviser sesongmessighet (L12). Hvordan finner vi den beste utjevningsfaktoren () Igjen må vi velge verdiene som minimerer den totale summen av kvadratfeilene (SSE), men datatabellene kan brukes til mer enn to variabler, så vi tyder på Excel Solver: (1) Oppsett minimeringsproblemet, med SSE som verktøyfunksjon (2) Begrensningene for dette problemet Konklusjon støtte Files En enkel og generell metode for å fylle ut manglende data, hvis du har kjøringer med komplette data, er å bruke Linear regresjon. Si at du har 1000 løp på 5 på rad uten at ingen mangler. Sett opp 1000 x 1 vektor y og 1000 x 4 matrise X: Regresjon gir deg 4 tall a b c d som gir best mulig samsvar for dine 1000 rader med data mdash forskjellige data, forskjellig en b c d. Deretter bruker du disse a b c d å estimere (forutsi, interpolere) mangler wt0. (For menneskelige vekter, forventer jeg at abcd skal være rundt 14.) (Det er zillioner av bøker og papirer om regresjon, på alle nivåer. For forbindelsen med interpolering skjønner jeg ikke om en god introduksjon noen) Eksponentiell flytende gjennomsnitt - EMA BREAKING DOWN Eksponensiell flytende gjennomsnitt - EMA 12 og 26-dagers EMA er de mest populære kortsiktige gjennomsnittene, og de brukes til å skape indikatorer som den bevegelige gjennomsnittlige konvergensdivergensen (MACD) og prosentvis prisoscillator (PPO) . Generelt brukes 50- og 200-dagers EMAer som signaler for langsiktige trender. Traders som ansetter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktige når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som vanligvis brukes i teknisk analyse, er av sin natur sakende indikatorer. Følgelig bør konklusjonene fra å bruke et glidende gjennomsnitt til et bestemt markedskart være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, etter hvert har en glidende gjennomsnittlig indikatorlinje endret seg for å reflektere et betydelig trekk i markedet, og det optimale punktet for markedsinngang har allerede gått. En EMA tjener til å lette dette dilemmaet til en viss grad. Fordi EMA-beregningen plasserer mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere. Dette er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Tolke EMA Som alle bevegelige gjennomsnittsindikatorer, er de mye bedre egnet for trending markeder. Når markedet er i en sterk og vedvarende opptrinn. EMA-indikatorlinjen vil også vise en uptrend og vice versa for en nedtrend. En årvåken handelsmann vil ikke bare være oppmerksom på retningen til EMA-linjen, men også forholdet mellom endringshastigheten fra en linje til den neste. For eksempel, da prisvirkningen av en sterk opptrend begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til den tid som indikatorlinjen flater og endringshastigheten er null. På grunn av den slanke effekten, ved dette punktet, eller til og med noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere en konsistent reduksjon i endringshastigheten til EMA, kunne seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet forårsaket av den bølgende effekten av bevegelige gjennomsnitt. Vanlige bruksområder til EMA-EMAer brukes ofte i forbindelse med andre indikatorer for å bekrefte betydelige markedsbevegelser og å måle deres gyldighet. For handelsmenn som handler intradag og rasktflyttende markeder, er EMA mer anvendelig. Ofte bruker handelsmenn EMAer for å bestemme en handelspartiskhet. For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, kan en intraday traderstrategi være å handle kun fra langsiden på et intradagskjema.
No comments:
Post a Comment