S & P Einfach Gleitender Durchschnitt

Verschieben von Durchschnittswerten - Einfache und exponentielle Verschiebungsdurchschnitte - Einfache und exponentielle Einleitung Durchgehende Mittelwerte vervollständigen die Preisdaten, um einen Trend zu bilden. Sie prognostizieren nicht die Preisrichtung, sondern definieren die aktuelle Richtung mit einer Verzögerung. Umzugsdurchschnitte verzögern, weil sie auf vergangenen Preisen basieren. Trotz dieser Verzögerung, gleitende Durchschnitte helfen glatte Preis-Aktion und filtern die Lärm. Sie bilden auch die Bausteine ​​für viele andere technische Indikatoren und Overlays wie Bollinger Bands. MACD und der McClellan Oszillator. Die beiden beliebtesten Arten von gleitenden Durchschnitten sind der Simple Moving Average (SMA) und der Exponential Moving Average (EMA). Diese gleitenden Durchschnitte können genutzt werden, um die Richtung des Trends zu identifizieren oder mögliche Unterstützungs - und Widerstandsniveaus zu definieren. Hier ist ein Diagramm mit einem SMA und einem EMA darauf: Einfache bewegliche Durchschnittsberechnung Ein einfacher gleitender Durchschnitt wird durch die Berechnung des Durchschnittspreises einer Sicherheit über eine bestimmte Anzahl von Perioden gebildet. Die meisten gleitenden Durchschnitte basieren auf Schlusskursen. Ein 5-tägiger einfacher gleitender Durchschnitt ist die Fünf-Tage-Summe der Schlusskurse geteilt durch fünf. Wie der Name schon sagt, ist ein gleitender Durchschnitt ein Durchschnitt, der sich bewegt. Alte Daten werden gelöscht, da neue Daten verfügbar sind. Dies bewirkt, dass sich der Durchschnitt entlang der Zeitskala bewegt. Unten ist ein Beispiel für einen 5-tägigen gleitenden Durchschnitt, der sich über drei Tage entwickelt. Der erste Tag des gleitenden Durchschnitts deckt einfach die letzten fünf Tage ab. Der zweite Tag des gleitenden Durchschnitts sinkt den ersten Datenpunkt (11) und fügt den neuen Datenpunkt (16) hinzu. Der dritte Tag des gleitenden Mittels setzt sich fort, indem er den ersten Datenpunkt (12) fällt und den neuen Datenpunkt (17) addiert. Im obigen Beispiel steigen die Preise allmählich von 11 auf 17 über insgesamt sieben Tage. Beachten Sie, dass der gleitende Durchschnitt auch von 13 auf 15 über einen Zeitraum von drei Tagen steigt. Beachten Sie auch, dass jeder gleitende Mittelwert knapp unter dem letzten Preis liegt. Zum Beispiel ist der gleitende Durchschnitt für Tag eins gleich 13 und der letzte Preis ist 15. Preise der vorherigen vier Tage waren niedriger und dies bewirkt, dass der gleitende Durchschnitt zu verzögern. Exponentielle Verschiebung Durchschnittliche Berechnung Exponentielle gleitende Durchschnitte reduzieren die Verzögerung, indem sie mehr Gewicht auf die jüngsten Preise anwenden. Die Gewichtung, die auf den jüngsten Preis angewendet wird, hängt von der Anzahl der Perioden im gleitenden Durchschnitt ab. Es gibt drei Schritte zur Berechnung eines exponentiellen gleitenden Durchschnitts. Zuerst berechnen Sie den einfachen gleitenden Durchschnitt. Ein exponentieller gleitender Durchschnitt (EMA) muss irgendwann anfangen, so dass ein einfacher gleitender Durchschnitt als vorhergehende Periode verwendet wird039s EMA in der ersten Berechnung. Zweitens berechnen Sie den Gewichtungsmultiplikator. Drittens berechnen Sie den exponentiellen gleitenden Durchschnitt. Die folgende Formel gilt für eine 10-tägige EMA. Ein 10-stelliger exponentieller gleitender Durchschnitt gilt eine 18,18 Gewichtung auf den letzten Preis. Eine 10-Perioden-EMA kann auch als 18.18 EMA bezeichnet werden. Eine 20-Punkte-EMA wendet ein 9,52-Gewicht auf den letzten Preis an (2 (201) .0952). Beachten Sie, dass die Gewichtung für den kürzeren Zeitraum mehr als die Gewichtung für den längeren Zeitraum ist. In der Tat, die Gewichtung sinkt um die Hälfte jedes Mal, wenn die gleitende durchschnittliche Periode verdoppelt. Wenn Sie uns einen bestimmten Prozentsatz für eine EMA wünschen, können Sie diese Formel verwenden, um sie in Zeiträume umzuwandeln und diesen Wert als den EMA039s-Parameter einzugeben: Unten ist ein Tabellenkalkulationsbeispiel für einen 10-tägigen, einfachen gleitenden Durchschnitt und einen 10- Tag exponentieller gleitender Durchschnitt für Intel. Einfache gleitende Durchschnitte sind einfach und erfordern wenig Erklärung. Der 10-Tage-Durchschnitt bewegt sich einfach, wenn neue Preise verfügbar sind und die alten Preise fallen. Der exponentielle gleitende Durchschnitt beginnt mit dem einfachen gleitenden Mittelwert (22.22) in der ersten Berechnung. Nach der ersten Berechnung übernimmt die normale Formel. Weil eine EMA mit einem einfachen gleitenden Durchschnitt anfängt, wird ihr wahrer Wert erst 20 Jahre später realisiert. Mit anderen Worten, der Wert auf der Excel-Tabelle kann sich aufgrund der kurzen Rückblickzeit von dem Diagrammwert unterscheiden. Diese Kalkulationstabelle geht nur zurück 30 Perioden, was bedeutet, dass der Einfluss des einfachen gleitenden Durchschnittes 20 Perioden hat, um zu zerstreuen. StockCharts geht zurück mindestens 250-Perioden (typischerweise viel weiter) für seine Berechnungen, so dass die Effekte des einfachen gleitenden Durchschnitts in der ersten Berechnung vollständig zerstreut sind. Der Lag-Faktor Je länger der gleitende Durchschnitt, desto mehr die Lag. Ein 10-tägiger, exponentieller gleitender Durchschnitt wird die Preise ganz genau verkleinern und kurz nach dem Preis drehen. Kurze bewegte Durchschnitte sind wie Schnellboote - flink und schnell zu ändern. Im Gegensatz dazu enthält ein 100-Tage-Gleitender Durchschnitt viele vergangene Daten, die ihn verlangsamen. Längere gleitende Durchschnitte sind wie Ozean-Tanker - lethargisch und langsam zu ändern. Es dauert eine größere und längere Preisbewegung für einen 100-tägigen gleitenden Durchschnitt, um den Kurs zu wechseln. Die obige Grafik zeigt die SampP 500 ETF mit einer 10-tägigen EMA genau nach den Preisen und einem 100-Tage-SMA-Schleifen höher. Sogar mit dem Januar-Februar-Rückgang hielt die 100-Tage-SMA den Kurs und ging nicht ab. Die 50-Tage-SMA passt irgendwo zwischen den 10 und 100 Tage gleitenden Durchschnitten, wenn es um den Lagfaktor geht. Einfache vs exponentielle Verschiebungsdurchschnitte Auch wenn es deutliche Unterschiede zwischen einfachen gleitenden Durchschnitten und exponentiellen gleitenden Durchschnitten gibt, ist man nicht unbedingt besser als die andere. Exponentielle gleitende Durchschnitte haben weniger Verzögerung und sind daher empfindlicher gegenüber den jüngsten Preisen - und die jüngsten Preisänderungen. Exponentielle gleitende Durchschnitte werden sich vor einfachen gleitenden Durchschnitten drehen. Einfache gleitende Durchschnitte stellen dagegen einen wahren Durchschnittspreis für den gesamten Zeitraum dar. Als solche können einfache gleitende Durchschnitte besser geeignet sein, um Unterstützung oder Widerstand Ebenen zu identifizieren. Die Verschiebung der durchschnittlichen Präferenz hängt von den Zielen, dem analytischen Stil und dem Zeithorizont ab. Chartisten sollten mit beiden Arten von gleitenden Durchschnitten sowie verschiedene Zeitrahmen experimentieren, um die beste Passform zu finden. Die folgende Grafik zeigt IBM mit dem 50-Tage-SMA in Rot und der 50-Tage-EMA in grün. Beide erreichten Ende Januar, aber der Rückgang der EMA war schärfer als der Rückgang der SMA. Die EMA tauchte Mitte Februar auf, aber die SMA setzte sich bis Ende März fort. Beachten Sie, dass die SMA über einen Monat nach der EMA auftauchte. Längen und Zeitrahmen Die Länge des gleitenden Durchschnitts hängt von den analytischen Zielen ab. Kurze bewegte Durchschnitte (5-20 Perioden) eignen sich am besten für kurzfristige Trends und Handel. Chartisten, die sich für mittelfristige Trends interessieren, würden sich für längere gleitende Durchschnitte entscheiden, die sich über 20-60 Perioden erstrecken könnten. Langfristige Investoren bevorzugen gleitende Durchschnitte mit 100 oder mehr Perioden. Einige gleitende durchschnittliche Längen sind beliebter als andere. Der 200-Tage-Gleitender Durchschnitt ist vielleicht der beliebteste. Wegen seiner Länge ist dies eindeutig ein langfristiger gleitender Durchschnitt. Als nächstes ist der 50-Tage-Gleitender Durchschnitt für den mittelfristigen Trend sehr beliebt. Viele Chartisten verwenden die 50-Tage - und 200-Tage-Gruppendurchschnitte zusammen. Kurzfristig war ein 10-tägiger gleitender Durchschnitt in der Vergangenheit sehr beliebt, weil es leicht zu berechnen war. Man hat einfach die Zahlen hinzugefügt und den Dezimalpunkt verschoben. Trend Identifikation Die gleichen Signale können mit einfachen oder exponentiellen gleitenden Durchschnitten erzeugt werden. Wie oben erwähnt, hängt die Präferenz von jedem einzelnen ab. In diesen Beispielen werden sowohl einfache als auch exponentielle gleitende Durchschnitte verwendet. Der Begriff Gleitender Durchschnitt gilt für einfache und exponentielle gleitende Mittelwerte. Die Richtung des gleitenden Durchschnitts vermittelt wichtige Informationen über die Preise. Ein steigender gleitender Durchschnitt zeigt, dass die Preise im Allgemeinen zunehmen. Ein fallender gleitender Durchschnitt zeigt an, dass die Preise im Durchschnitt fallen. Ein steigender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Aufwärtstrend wider. Ein fallender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Abwärtstrend wider. Die obige Grafik zeigt 3M (MMM) mit einem 150-Tage-exponentiellen gleitenden Durchschnitt. Dieses Beispiel zeigt, wie gut bewegte Mittelwerte arbeiten, wenn der Trend stark ist. Die 150-tägige EMA hat sich im November 2007 und wieder im Januar 2008 abgelehnt. Beachten Sie, dass es einen Rückgang der Rückkehr in die Richtung dieses gleitenden Durchschnittes gab. Diese nacheilenden Indikatoren identifizieren Trendumkehrungen, wie sie auftreten (am besten) oder nachdem sie auftreten (im schlimmsten Fall). MMM setzte sich im März 2009 fort und stieg dann 40-50 an. Beachten Sie, dass die 150-Tage-EMA erst nach diesem Anstieg auftauchte. Sobald es so war, fuhr MMM in den nächsten zwölf Monaten weiter an. Durchgehende Durchschnitte arbeiten brillant in starken Trends. Double Crossovers Zwei gleitende Mittelwerte können zusammen verwendet werden, um Crossover-Signale zu erzeugen. In der technischen Analyse der Finanzmärkte. John Murphy nennt dies die doppelte Crossover-Methode. Doppelte Übergänge beinhalten einen relativ kurzen gleitenden Durchschnitt und einen relativ langen gleitenden Durchschnitt. Wie bei allen gleitenden Durchschnitten definiert die allgemeine Länge des gleitenden Durchschnitts den Zeitrahmen für das System. Ein System mit einer 5-tägigen EMA und 35-Tage-EMA wäre kurzfristig. Ein System, das eine 50-Tage-SMA - und 200-Tage-SMA verwendet, wäre mittelfristig, vielleicht sogar langfristig. Ein bullish crossover tritt auf, wenn der kürzere gleitende Durchschnitt über dem längeren gleitenden Durchschnitt kreuzt. Dies ist auch als goldenes Kreuz bekannt. Eine bärige Überkreuzung tritt auf, wenn der kürzere gleitende Durchschnitt unter dem längeren gleitenden Durchschnitt liegt. Dies ist bekannt als ein totes Kreuz. Durchgehende durchschnittliche Crossover produzieren relativ späte Signale. Schließlich verwendet das System zwei nacheilende Indikatoren. Je länger die gleitenden Mittelperioden sind, desto größer ist die Verzögerung der Signale. Diese Signale funktionieren gut, wenn ein guter Trend greift. Allerdings wird ein gleitendes durchschnittliches Crossover-System in der Abwesenheit eines starken Trends viele Peitschen produzieren. Es gibt auch eine Triple-Crossover-Methode, die drei gleitende Durchschnitte umfasst. Wieder wird ein Signal erzeugt, wenn der kürzeste gleitende Durchschnitt die beiden längeren Durchschnitte überschreitet. Ein einfaches Triple-Crossover-System könnte 5-tägige, 10-tägige und 20-tägige gleitende Durchschnitte beinhalten. Die Grafik oben zeigt Home Depot (HD) mit einer 10-Tage EMA (grüne gepunktete Linie) und 50-Tage EMA (rote Linie). Die schwarze Linie ist die tägliche Schließung. Mit einem gleitenden durchschnittlichen Crossover hätte drei Whipsaws zu einem guten Handel geführt. Die 10-tägige EMA brach unterhalb der 50-Tage-EMA Ende Oktober (1), aber das dauerte nicht lange, als die 10-Tage nach oben Mitte (2) zurückblieben. Dieses Kreuz dauerte länger, aber die nächste Baisse Crossover im Januar (3) trat in der Nähe Ende November Preisniveau, was zu einer anderen Whipsaw. Dieses bärische Kreuz dauerte nicht lange, als die 10-tägige EMA über die 50-Tage ein paar Tage später (4) zurückging. Nach drei schlechten Signalen zeigte das vierte Signal einen starken Zug, als die Aktie über 20 vorrückte. Es gibt zwei Takeaways hier. Zuerst sind Crossover anfällig für peitschen. Ein Preis - oder Zeitfilter kann angewendet werden, um Whipsaw zu verhindern. Trader könnten verlangen, dass die Crossover bis 3 Tage vor dem Handeln oder verlangen die 10-Tage-EMA, um über die 50-Tage-EMA um einen bestimmten Betrag vor dem Handeln zu bewegen. Zweitens kann MACD verwendet werden, um diese Crossover zu identifizieren und zu quantifizieren. MACD (10,50,1) zeigt eine Linie, die die Differenz zwischen den beiden exponentiellen gleitenden Mittelwerten darstellt. MACD dreht sich positiv während eines goldenen Kreuzes und negativ während eines toten Kreuzes. Der Prozentsatz-Preis-Oszillator (PPO) kann auf die gleiche Weise verwendet werden, um prozentuale Unterschiede zu zeigen. Beachten Sie, dass MACD und das PPO auf exponentiellen gleitenden Durchschnitten basieren und nicht mit einfachen gleitenden Durchschnitten übereinstimmen. Diese Grafik zeigt Oracle (ORCL) mit der 50-Tage-EMA, 200-Tage EMA und MACD (50.2001). Es gab vier gleitende durchschnittliche Übergänge über einen Zeitraum von 2 12 Jahren. Die ersten drei führten zu Whipsaws oder schlechten Trades. Eine anhaltende Tendenz begann mit dem vierten Crossover als ORCL bis Mitte der 20er Jahre. Noch einmal, gleitende durchschnittliche Übergänge funktionieren gut, wenn der Trend stark ist, aber produzieren Verluste in der Abwesenheit eines Trends. Preis-Crossovers Moving-Mittelwerte können auch verwendet werden, um Signale mit einfachen Preis-Crossover zu generieren. Ein bullisches Signal wird erzeugt, wenn sich die Preise über dem gleitenden Durchschnitt bewegen. Ein bärisches Signal wird erzeugt, wenn die Preise unter dem gleitenden Durchschnitt liegen. Preisübergänge können kombiniert werden, um im größeren Trend zu handeln. Der längere gleitende Durchschnitt setzt den Ton für den größeren Trend und der kürzere gleitende Durchschnitt wird verwendet, um die Signale zu erzeugen. Man würde bullish Preiskreuze nur dann suchen, wenn die Preise bereits über dem längeren gleitenden Durchschnitt liegen. Dies würde im Einklang mit dem größeren Trend handeln. Zum Beispiel, wenn der Preis über dem 200-Tage-Gleitender Durchschnitt liegt, würden sich die Chartisten nur auf Signale konzentrieren, wenn der Preis über den 50-Tage-Gleitender Durchschnitt geht. Offensichtlich würde ein Umzug unter dem 50-Tage-Gleitender Durchschnitt einem solchen Signal vorausgehen, aber solche bärigen Kreuze würden ignoriert werden, weil der größere Trend auf ist. Ein bärisches Kreuz würde einfach einen Pullback in einem größeren Aufwärtstrend vorschlagen. Eine Kreuzung über dem 50-Tage-Gleitender Durchschnitt würde einen Aufschwung der Preise und die Fortsetzung des größeren Aufwärtstrends signalisieren. Die nächste Grafik zeigt Emerson Electric (EMR) mit der 50-Tage-EMA und 200-Tage-EMA. Die Aktie bewegte sich oben und hielt über dem 200-Tage gleitenden Durchschnitt im August. Es gab Dips unter der 50-Tage-EMA Anfang November und wieder Anfang Februar. Die Preise sind schnell über die 50-Tage-EMA zurückgekehrt, um bullische Signale (grüne Pfeile) im Einklang mit dem größeren Aufwärtstrend zu liefern. MACD (1,50,1) wird im Indikatorfenster angezeigt, um Preiskreuze über oder unter der 50-Tage-EMA zu bestätigen. Die 1-tägige EMA entspricht dem Schlusskurs. MACD (1,50,1) ist positiv, wenn das Schließen über dem 50-Tage-EMA liegt und negativ ist, wenn das Schließen unterhalb der 50-Tage-EMA liegt. Unterstützung und Widerstand Bewegliche Mittelwerte können auch als Unterstützung in einem Aufwärtstrend und Widerstand in einem Abwärtstrend dienen. Ein kurzfristiger Aufwärtstrend könnte Unterstützung in der Nähe des 20-tägigen einfachen gleitenden Durchschnitts finden, der auch in Bollinger Bands verwendet wird. Ein langfristiger Aufwärtstrend könnte Unterstützung in der Nähe der 200-Tage einfachen gleitenden Durchschnitt, die die beliebtesten langfristigen gleitenden Durchschnitt ist. Wenn die Tatsache, die 200-Tage gleitenden Durchschnitt kann Unterstützung oder Widerstand bieten, nur weil es so weit verbreitet ist. Es ist fast wie eine sich selbst erfüllende Prophezeiung. Die Grafik oben zeigt die NY Composite mit dem 200-Tage einfachen gleitenden Durchschnitt von Mitte 2004 bis Ende 2008. Die 200-Tage-Unterstützung unterstützt mehrmals während des Vormarsches. Sobald der Trend mit einer doppelten Top-Support-Pause umgekehrt, fuhr der 200-Tage-Gleitender Durchschnitt als Widerstand um 9500. Erwarten Sie nicht genaue Unterstützung und Widerstand Ebenen von bewegten Durchschnitten, vor allem längere gleitende Durchschnitte. Die Märkte werden von Emotionen angetrieben, was sie zu Überschwemmungen macht. Anstelle von exakten Ebenen können gleitende Mittelwerte verwendet werden, um Stütz - oder Widerstandszonen zu identifizieren. Schlussfolgerungen Die Vorteile der Verwendung von gleitenden Durchschnitten müssen gegen die Nachteile gewogen werden. Durchgehende Durchschnitte sind Trendfolgen oder Nachlauf, Indikatoren, die immer ein Schritt dahinter sein werden. Das ist aber nicht unbedingt eine schlechte Sache. Immerhin ist der Trend dein Freund und es ist am besten, in Richtung des Trends zu handeln. Durchgehende Durchschnitte versichern, dass ein Händler mit dem aktuellen Trend übereinstimmt. Auch wenn der Trend Ihr Freund ist, verbringen die Wertpapiere viel Zeit in Handelsbereichen, die gleitende Durchschnitte ineffektiv machen. Einmal in einem Trend, bewegte Durchschnitte halten Sie in, aber auch späte Signale. Don039t erwarten, an der Spitze zu verkaufen und an der Unterseite zu kaufen, indem bewegte Durchschnitte. Wie bei den meisten technischen Analysewerkzeugen sollten gleitende Durchschnitte nicht allein verwendet werden, sondern in Verbindung mit anderen komplementären Werkzeugen. Chartisten können gleitende Durchschnitte verwenden, um den Gesamttrend zu definieren und dann RSI zu verwenden, um überkaufte oder überverkaufte Ebenen zu definieren. Hinzufügen von Moving Averages zu StockCharts Charts Verschieben von Durchschnittswerten sind als Preisüberlagerungsfunktion auf der SharpCharts Workbench verfügbar. Mit dem Dropdown-Menü Overlays können Benutzer entweder einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt wählen. Mit dem ersten Parameter wird die Anzahl der Zeiträume eingestellt. Ein optionaler Parameter kann hinzugefügt werden, um festzulegen, welches Preisfeld in den Berechnungen verwendet werden soll - O für das Open, H für das Hoch, L für das Niedrige und C für das Schließen. Ein Komma wird verwendet, um Parameter zu trennen. Ein weiterer optionaler Parameter kann hinzugefügt werden, um die gleitenden Mittelwerte nach links (vergangene) oder rechts (Zukunft) zu verschieben. Eine negative Zahl (-10) würde den gleitenden Durchschnitt nach links verschieben 10 Perioden. Eine positive Zahl (10) würde den gleitenden Durchschnitt auf die richtigen 10 Perioden verschieben. Mehrere gleitende Durchschnitte können das Preisplot überlagert werden, indem man einfach eine weitere Overlay-Linie zur Workbench hinzufügt. StockCharts-Mitglieder können die Farben und den Stil ändern, um zwischen mehreren gleitenden Durchschnitten zu unterscheiden. Nach Auswahl eines Indikators öffnen Sie die erweiterten Optionen, indem Sie auf das kleine grüne Dreieck klicken. Erweiterte Optionen können auch verwendet werden, um eine gleitende durchschnittliche Überlagerung zu anderen technischen Indikatoren wie RSI, CCI und Volume hinzuzufügen. Klicken Sie hier für eine Live-Chart mit mehreren verschiedenen gleitenden Durchschnitten. Mit Moving Averages mit StockCharts Scans Hier sind einige Beispiel-Scans, die StockCharts-Mitglieder verwenden können, um für verschiedene gleitende durchschnittliche Situationen zu scannen: Bullish Moving Average Cross: Diese Scans sucht nach Aktien mit einem steigenden 150-Tage-einfachen gleitenden Durchschnitt und einem bullish Kreuz der 5 - Tag EMA und 35-Tage-EMA. Der 150-Tage-Gleitender Durchschnitt steigt, solange er über seinem Niveau vor fünf Tagen gehandelt wird. Ein bullisches Kreuz tritt auf, wenn die 5-Tage-EMA über die 35-Tage-EMA auf überdurchschnittliche Lautstärke bewegt. Bearish Moving Average Cross: Diese Scans suchen nach Aktien mit einem fallenden 150-Tage-einfachen gleitenden Durchschnitt und einem bärischen Kreuz der 5-tägigen EMA und 35-Tage-EMA. Der 150-Tage-Gleitender Durchschnitt fällt, solange er unter seinem Niveau vor fünf Tagen gehandelt wird. Ein bärisches Kreuz tritt auf, wenn die 5-tägige EMA unterhalb der 35-Tage-EMA auf überdurchschnittlichem Volumen bewegt. Weitere Studie John Murphy039s Buch hat ein Kapitel gewidmet, um die Durchschnitte und ihre verschiedenen Verwendungen gewidmet. Murphy deckt die Vor-und Nachteile der gleitenden Durchschnitte. Darüber hinaus zeigt Murphy, wie bewegte Mittelwerte mit Bollinger Bands und kanalbasierten Handelssystemen arbeiten. Technische Analyse der Finanzmärkte John MurphyMoving Durchschnittliche Crossovers Moving durchschnittliche Crossover sind ein häufiger Weg Trader können Moving Averages verwenden. Eine Überkreuzung tritt auf, wenn ein schnellerer gleitender Durchschnitt (d. h. eine kürzere Periode Moving Average) entweder über einen langsameren Moving Average (d. h. einen längeren Periode Moving Average) kreuzt, der als ein bullish Crossover oder unterhalb eines als bärischer Crossover betrachtet wird. Die Tabelle unten von der SampP Depository Receipts Exchange Traded Fund (SPY) zeigt die 50-Tage-Simple Moving Average und die 200-Tage-Simple Moving Average dieses Moving Average Paar wird oft von großen Finanzinstituten als eine lange Reichweite Indikator der Marktrichtung betrachtet : Beachten Sie, wie die langfristige 200-Tage-Simple Moving Average in einem Aufwärtstrend ist dies oft als ein Signal, dass der Markt ist ziemlich stark interpretiert interpretiert. Ein Händler könnte erwägen, wenn der kürzere 50-Tage-SMA über die 200-Tage-SMA kreuzt und im Gegensatz dazu ein Händler in Betracht ziehen kann, wenn der 50-Tage-SMA unter der 200-Tage-SMA kreuzt. In der obigen Grafik des SampP 500 wären beide potenziellen Kaufsignale äußerst rentabel gewesen, aber das eine potenzielle Verkaufssignal hätte einen kleinen Verlust verursacht. Denken Sie daran, dass die 50-Tage-200-Tage-Simple Moving Average Crossover eine sehr langfristige Strategie ist. Für jene Händler, die mehr Bestätigung wünschen, wenn sie Moving Average Crossover verwenden, könnte die 3 Simple Moving Average Crossover Technik verwendet werden. Ein Beispiel hierfür ist in der unten aufgeführten Tabelle von Wal-Mart (WMT) gezeigt: Die 3 Simple Moving Average Methode könnte wie folgt interpretiert werden: Die erste Crossover der schnellsten SMA (im Beispiel oben, der 10-Tage-SMA) Über die nächstschnellste SMA (20-Tage-SMA) fungiert als Warnung, dass die Preise vielleicht Trend umkehren könnten, in der Regel ein Händler würde nicht einen tatsächlichen Kauf oder Verkauf bestellen dann. Danach könnte der zweite Crossover der schnellsten SMA (10-Tage) und der langsamste SMA (50-Tage) einen Händler zum Kauf oder Verkauf auslösen. Es gibt zahlreiche Varianten und Methoden für die Verwendung der 3 Simple Moving Average Crossover-Methode, einige sind unten bereitgestellt: Ein konservativer Ansatz könnte sein, bis die mittlere SMA (20-Tage) über die langsamer SMA (50-Tage) überquert, aber das Ist im Grunde ein zwei SMA Crossover Technik, nicht eine drei SMA Technik. Ein Händler könnte eine Geld-Management-Technik für den Kauf einer halben Größe, wenn die schnelle SMA überquert die nächste schnellste SMA und dann geben Sie die andere Hälfte, wenn die schnelle SMA über die langsamere SMA überquert. Anstelle von Hälften, kaufen oder verkaufen ein Drittel einer Position, wenn die schnelle SMA überquert die nächste schnellste SMA, ein weiteres Drittel, wenn die schnelle SMA überquert die langsame SMA und das letzte Drittel, wenn die zweitschnellste SMA über die langsame SMA überquert . Eine Moving Average Crossover-Technik, die 8 Moving Averages (exponentiell) verwendet, ist die Moving Average Exponential Ribbon Indicator (siehe: Exponential Ribbon). Moving Average Crossovers werden oft Werkzeuge von Händlern angesehen. In der Tat sind Crossover oft in den beliebtesten technischen Indikatoren enthalten, einschließlich der Moving Average Convergence Divergence (MACD) Indikator (siehe: MACD). Andere gleitende Durchschnitte verdienen eine sorgfältige Berücksichtigung in einem Handelsplan: Die oben genannten Informationen dienen nur zu Informationszwecken und Unterhaltungszwecken und stellen keine Handelsberatung oder eine Aufforderung zum Kauf oder Verkauf von Aktien-, Options-, Zukunfts-, Waren - oder Forex-Produkten dar. Die Wertentwicklung in der Vergangenheit ist nicht unbedingt ein Hinweis auf die zukünftige Wertentwicklung. Der Handel ist inhärent riskant. OnlineTradingConcepts haftet nicht für irgendwelche besonderen oder Folgeschäden, die durch die Nutzung oder die Nichtbenutzung, die Materialien und Informationen auf dieser Website entstehen. Siehe vollständiger Haftungsausschluss. Eine einfache Zeitreihenanalyse des SampP 500 Index In diesem Blogpost gut untersuchen einige gängige Techniken, die in der Zeitreihenanalyse verwendet werden, indem sie sie auf einen Datensatz mit täglichen Schlusswerten für den SampP 500 Börsenindex von 1950 bis zu heutige Tag. Ziel ist es, einige der grundlegenden Ideen und Konzepte aus der Zeitreihenanalyse zu erforschen und ihre Effekte zu beobachten, wenn sie auf einen realen Weltdatensatz angewendet werden. Obwohl es nicht möglich ist, die Änderungen des Index mit diesen Techniken tatsächlich vorherzusagen, könnten die hier vorgestellten Ideen theoretisch als Teil einer größeren Strategie mit vielen zusätzlichen Variablen verwendet werden, um eine Regression oder einen maschinellen Lernaufwand durchzuführen. Zeitreihenanalyse ist ein Zweig der Statistik, der die Begründung über geordnete Sequenzen von verwandten Werten beinhaltet, um aussagekräftige Statistiken und andere Merkmale der Daten zu extrahieren. Sein verwendet in einer breiten Strecke der Disziplinen einschließlich Ökonometrie, Signalverarbeitung, Wettervorhersage und im Grunde jedes mögliches andere Feld, das Zeitreihendaten beinhaltet. Diese Techniken werden oft verwendet, um Modelle zu entwickeln, die verwendet werden können, um zu versuchen, zukünftige Werte einer Reihe zu prognostizieren, entweder auf eigene oder in Übereinstimmung mit anderen Variablen. Um loszulegen, können Sie zuerst die Daten herunterladen. Ich habe die historische Datensatz von Yahoo Finance. Die einen Link enthält, um das Ganze als. csv-Datei herunterzuladen. Jetzt können wir den Datensatz laden und einen Blick nehmen. Ich benutze mehrere populäre Python-Bibliotheken für die Analyse, so dass alle Code in Python ist. Die Daten sind in umgekehrter chronologischer Reihenfolge, also habe ich sie nach Datum sortiert und dann den Index des Datenrahmens auf die Datumssäule gesetzt. Wenn man sich die Daten anschaut, gibt es mehrere Felder, aber auch nur auf den Schlusskurs. Lets plot die Daten zuerst und sehen, wie es aussieht. Die erste offensichtliche Sache zu beachten, abgesehen von den beiden riesigen Dips am Schwanz Ende entsprechend den Marktstürzen in den Jahren 2002 und 2008 ist, dass die Daten ist eindeutig nicht-stationär. Dies macht Sinn für Marktdaten, da es dazu neigt, auf lange Sicht mehr zu gehen, als es geht. Dies ist ein Problem für die Zeitreihenanalyse, obwohl es sich um nichtstationäre Daten handelt. Das erste, was wir versuchen können, ist ein erster Unterschied der Serie. Mit anderen Worten subtrahieren Sie den vorherigen Wert t-1 vom aktuellen Wert t, um die Differenz d (t) zu erhalten. Die Daten erscheinen nicht mehr im Laufe der Zeit und sind stattdessen um 0 herum zentriert. Theres ein anderes Problem aber. Schauen Sie sich die Varianz an. Seine sehr kleine früh und stetig steigt im Laufe der Zeit. Dies ist ein Zeichen dafür, dass die Daten nicht nur nicht stationär, sondern auch exponentiell zunehmen. Die Größe der täglichen Variationen am heutigen Tag völlig zwerg die Größe der Veränderungen im Jahr 1950. Um dies zu bewältigen, wenden Sie sich gut an eine Log-Transformation an die ursprüngliche Serie. Das gibt uns also den ursprünglichen Schlusskurs mit einer Log-Transformation, die angewendet wird, um die Daten von einer exponentiellen Kurve zu einer linearen Kurve zu glätten. Eine Möglichkeit, den Effekt, den die Log-Transformation hatte, visuell zu sehen, besteht darin, die Varianz über die Zeit zu analysieren. Wir können eine rollende Varianz-Statistik verwenden und sowohl die Original-Serie als auch die Log-Serie vergleichen. Beachten Sie, dass in der oberen Grafik, können wir nicht sehen, jede der Variationen bis in die späten 80er Jahre. In der unteren Grafik aber ist eine andere Geschichte, Änderungen im Wert sind deutlich sichtbar über den gesamten Datensatz. Aus dieser Ansicht ist klar, dass unsere Transformation die Varianz relativ konstant gemacht hat. Jetzt können wir die früheren Variationen im Datensatz schon etwas besser sehen als vorher. Wir müssen noch den ersten Unterschied machen, aber so berechnen wir das aus der angemeldeten Serie. Viel besser Wir haben jetzt ein stationäres Zeitreihenmodell der täglichen Änderungen am SampP 500 Index. Nun können wir einige Verzögerungsvariablen y (t-1), y (t-2) etc. erstellen und ihre Beziehung zu y (t) untersuchen. Nun schauen Sie sich 1 und 2-Tage-Lags zusammen mit wöchentlichen und monatlichen Lags, um saisonale Effekte zu suchen. Ein interessanter visueller Weg, um die Beziehung zwischen den verzögerten Variablen zu bewerten, besteht darin, eine Streuung der ursprünglichen Variablen gegenüber der verzögerten Variablen zu machen und zu sehen, wo die Verteilung liegt. Wir können dies mit einer gemeinsamen Handlung mit dem Seaborn-Paket machen. Beachten Sie, wie dicht gepackt die Masse um 0 ist. Es scheint auch ziemlich gleichmäßig verteilt zu sein - die Randverteilungen auf beiden Achsen sind ungefähr normal. Dies scheint zu zeigen, dass das Erkennen des Indexwertes eines Tages uns nicht viel darüber gibt, was es am nächsten Tag tun wird. Es ist wahrscheinlich nicht überraschend, dass theres sehr wenig Korrelation zwischen der Wertänderung von einem Tag zum nächsten. Obwohl ich sie nicht hier weggelegt habe, zeigen die anderen verzögerten Variablen, die wir oben erstellt haben, ähnliche Ergebnisse. Es könnte eine Beziehung zu anderen Lag-Schritten geben, die wir havent versucht haben, aber es ist unpraktisch, jeden möglichen Lag-Wert manuell zu testen. Glücklicherweise gibt es eine Klasse von Funktionen, die dies systematisch für uns tun können. Die Autokorrelationsfunktion berechnet die Korrelation zwischen einer Variablen und sich bei jedem Verzögerungsschritt bis zu einer gewissen Grenze (in diesem Fall 40). Die partielle Autokorrelationsfunktion berechnet die Korrelation bei jedem Verzögerungsschritt, der NICHT bereits durch vorhergehende Verzögerungsschritte niedrigerer Ordnung erklärt wird. Wir können die Ergebnisse abgeben, um zu sehen, ob es irgendwelche signifikanten Korrelationen gibt. Die Autokorrelations - und Teil-Autokorrelationsergebnisse sind sehr nahe beieinander (ich habe nur die oben beschriebenen Autokorrelationsergebnisse aufgetragen). Was dies zeigt, ist, dass es keine signifikante (0,2) Korrelation zwischen dem Wert zum Zeitpunkt t und zu jeder Zeit vor t bis zu 40 Schritte hinter sich gibt. In der Reihenfolge Worte, die Serie ist ein zufälliger Spaziergang. Eine weitere interessante Technik, die wir versuchen können, ist eine Zersetzung. Dies ist eine Technik, die versucht, eine Zeitreihe in Trend-, Saison - und Restfaktoren zu brechen. Statsmodels kommt mit einer Zerlegungsfunktion aus der Box. Da wir keinen wirklichen Zyklus in den Daten sehen, ist die Visualisierung in diesem Fall nicht so wirksam. Für Daten, wo dies ein starkes saisonales Muster ist, obwohl es sehr nützlich sein kann. Die nachfolgende Instanz ist zum Beispiel ein Beispiel aus der statsmodels Dokumentation, die CO2-Emissionsdaten über die Zeit zeigt. Die Zersetzung ist in diesem Fall viel nützlicher. Es gibt drei deutlich unterschiedliche Komponenten für die Zeitreihe - eine Trendlinie, eine saisonale Anpassung und Restwerte. Jeder von ihnen müsste entsprechend berücksichtigt und modelliert werden. Zurück zu unseren Bestandsdaten, wurde bereits beobachtet, dass es sich um einen zufälligen Spaziergang handelt und dass unsere verzögerten Variablen nicht scheinen, viel Einfluss zu haben, aber wir können immer noch versuchen, einige ARIMA Modelle anzupassen und zu sehen, was wir bekommen. Lasst uns mit einem einfachen gleitenden Durchschnittsmodell beginnen. Also auf den ersten Blick scheint es, dass dieses Modell ziemlich gut geht. Aber obwohl es so aussieht wie die Prognosen sind wirklich nah (die Zeilen sind fast ununterscheidbar, nachdem alle), denken Sie daran, dass wir die un-differenced Serie verwendet Der Index schwankt nur einen kleinen Prozentsatz von Tag zu Tag relativ zum absoluten absoluten Wert. Was wir wirklich wollen, ist, den ersten Unterschied vorherzusagen, oder die täglichen Bewegungen. Wir können das Modell entweder mit der differenzierten Serie neu ausführen oder dem ARIMA-Modell einen I-Term hinzufügen (was zu einem (1, 1, 0) Modell führt), das dasselbe ausführen sollte. Lets versuchen, die differenzierte Serie zu verwenden. Es ist ein wenig schwer zu sagen, aber es scheint, wie unsere prognostizierten Veränderungen sind in der Regel viel kleiner als die tatsächlichen Änderungen. Es lohnt sich, einen Blick auf eine Teilmenge der Daten zu sehen, um zu sehen, was wirklich los ist. So jetzt ist es ziemlich offensichtlich, dass die Prognose weg ist. Wurden kleine kleine Variationen vorausgesagt, was tatsächlich tagtäglich geschieht. Auch dies ist mehr von weniger erwartet mit einem einfachen gleitenden durchschnittlichen Modell einer zufälligen Spaziergang Zeitreihe. Es gibt nicht genug Informationen aus den vergangenen Tagen, um genau zu werben, was am nächsten Tag passieren wird. Ein gleitender Durchschnittsmodell scheint nicht so gut zu sein. Was ist mit einem exponentiellen Glättungsmodell Exponentielle Glättung verbreitet die Auswirkungen der bisherigen Werte mit einer exponentiellen Gewichtung, so dass die Dinge, die in letzter Zeit passiert sind, mehr wirksam sind als die Dinge, die vor langer Zeit passiert sind. Vielleicht ist diese intelligentere Form der Mittelung genauer Sie können vermutlich die Antwort erraten. Wenn die Vorhersage der Börse war dies einfach, würde jeder es tun Wie ich an der Spitze erwähnt, war der Punkt dieser Analyse nicht zu behaupten, dass Sie den Markt mit diesen Techniken vorhersagen können, sondern vielmehr die Arten der Analyse zu demonstrieren, die man könnte Verwendung beim Abbrechen von Zeitreihendaten. Zeitreihenanalyse ist ein sehr reichhaltiges Feld mit viel mehr technischer Analyse als das, was ich hier hineingegangen bin (viel davon im noch lernen). Wenn Sie Interesse haben, einen tieferen Tauchgang zu machen, empfehle ich diese Notizen von einem Professor bei Duke. Vieles, was ich über das Feld gelernt habe, habe ich von dem Lesen von Online-Ressourcen wie dieses abgeholt. Schließlich wird der ursprüngliche Quellcode von diesem Beitrag hier auf GitHub gehostet. Zusammen mit einer Vielzahl von anderen Notebooks. Fühlen Sie sich frei, es zu überprüfen Folgen Sie mir auf Twitter, um neue Post-Updates zu erhalten.