Vs simple. Moyennes mobiles exponentielles Les moyennes mobiles sont plus que l'étude d'une séquence de nombres dans l'ordre successif. Les premiers praticiens de l'analyse des séries chronologiques étaient en fait plus préoccupés par les séries temporelles individuelles que par l'interpolation de ces données. Interpolation. Sous la forme de théories de probabilité et d'analyse, est venu beaucoup plus tard, à mesure que les modèles ont été développés et les corrélations découvertes. Une fois comprises, diverses courbes et lignes ont été dessinées le long de la série chronologique dans une tentative de prédire où les points de données pourraient aller. Ce sont maintenant considérés comme des méthodes de base actuellement utilisées par les commerçants d'analyse technique. Analyse de cartographie peut être retracée au Japon du 18ème siècle, mais comment et quand les moyennes mobiles ont été appliqués pour la première fois aux prix du marché reste un mystère. Il est généralement admis que les moyennes mobiles simples (SMA) ont été utilisées longtemps avant les moyennes mobiles exponentielles (EMA), parce que les EMA sont construites sur la structure SMA et que le continuum SMA a été plus facilement compris pour le tracé et le suivi. Moyennes mobiles simples (SMA) Moyennes mobiles simples est devenu la méthode préférée pour le suivi des prix du marché parce qu'ils sont rapides à calculer et facile à comprendre. Les premiers praticiens du marché fonctionnaient sans l'utilisation des données graphiques sophistiquées utilisées aujourd'hui, alors ils se fondaient principalement sur les prix du marché comme leurs seuls guides. Ils ont calculé les prix du marché à la main et ont représenté ces prix en fonction des tendances et de l'orientation du marché. Ce processus a été assez fastidieux, mais s'est avéré très rentable avec la confirmation d'études supplémentaires. Pour calculer une moyenne mobile simple de 10 jours, ajoutez simplement les cours de clôture des 10 derniers jours et divisez par 10. La moyenne mobile de 20 jours est calculée en ajoutant les cours de clôture sur une période de 20 jours et divisez par 20, bientôt. Cette formule n'est pas seulement basée sur les prix de clôture, mais le produit est une moyenne des prix - un sous-ensemble. Les moyennes mobiles sont appelées mouvement car le groupe de prix utilisé dans le calcul se déplace selon le point sur le graphique. Cela signifie que les jours anciens sont abandonnés en faveur de nouveaux jours de prix de clôture, donc un nouveau calcul est toujours nécessaire correspondant à la période de la moyenne employée. Ainsi, une moyenne de 10 jours est recalculée en ajoutant le nouveau jour et en laissant tomber le 10e jour, et le neuvième jour est abandonné le deuxième jour. Moyenne mobile exponentielle (EMA) La moyenne mobile exponentielle a été raffinée et plus couramment utilisée depuis les années 1960, grâce à des expériences antérieures des praticiens avec l'ordinateur. La nouvelle EMA mettrait plus l'accent sur les prix les plus récents que sur une longue série de points de données, car la moyenne mobile simple est requise. EMA actuel ((Prix (actuel) - précédent EMA)) X multiplicateur) EMA précédente. Le facteur le plus important est la constante de lissage 2 (1N) où N le nombre de jours. Une EMA de 10 jours 2 (101) 18.8 Cela signifie qu'une EMA de 10 périodes pondère le prix le plus récent 18.8, un EMA de 20 jours de 9.52 et un poids EMA de 50 jours de 3.92 le jour le plus récent. L'EMA travaille en pondérant la différence entre le prix des périodes courantes et l'EMA précédente, et en ajoutant le résultat à l'EMA précédente. Plus la période est courte, plus le prix appliqué au prix le plus récent est élevé. Fitting Lines Par ces calculs, les points sont tracés, révélant une ligne de montage. Les lignes d'alignement supérieures ou inférieures au prix du marché signifient que toutes les moyennes mobiles sont des indicateurs en retard. Et sont utilisés principalement pour suivre les tendances. Ils ne fonctionnent pas bien avec les marchés de gamme et les périodes de congestion parce que les lignes d'ajustement ne parviennent pas à dénoter une tendance due à un manque de hauts plus évidents évidents ou des plus bas. De plus, les lignes d'ajustement tendent à rester constantes sans indication de direction. Une ligne de montage en hausse au-dessous du marché signifie un long, tandis qu'une ligne de montage en baisse au-dessus du marché signifie un court. Le but de l'utilisation d'une moyenne mobile simple est de repérer et de mesurer les tendances en lissant les données en utilisant les moyens de plusieurs groupes de prix. Une tendance est repérée et extrapolée dans une prévision. L'hypothèse est que les mouvements de tendance antérieurs se poursuivront. Pour la moyenne mobile simple, une tendance à long terme peut être trouvée et suivie beaucoup plus facilement qu'une EMA, avec l'hypothèse raisonnable que la ligne d'ajustement tiendra plus fort qu'une ligne d'EMA en raison de l'accent plus long sur les prix moyens. Un EMA est utilisé pour capturer des mouvements de tendance plus courte, en raison de la focalisation sur les prix les plus récents. Par cette méthode, un EMA supposé pour réduire les décalages dans la moyenne mobile simple de sorte que la ligne d'ajustement sera étreindre les prix plus proche d'une simple moyenne mobile. Le problème avec l'EMA est la suivante: il est sujet à des ruptures de prix, surtout pendant les marchés rapides et les périodes de volatilité. L'EMA fonctionne bien jusqu'à ce que les prix cassent la ligne d'ajustement. Lors de marchés de volatilité plus élevés, vous pourriez envisager d'augmenter la durée de la moyenne mobile terme. On peut même passer d'un EMA à un SMA, puisque le SMA lisse les données beaucoup mieux qu'une EMA en raison de son accent sur les moyens à plus long terme. Indicateurs de tendance En tant qu'indicateurs en retard, les moyennes mobiles servent bien de lignes de soutien et de résistance. Si les prix se situent en deçà d'une ligne d'ajustement de 10 jours dans une tendance à la hausse, il est fort probable que la tendance à la hausse pourrait diminuer, ou du moins le marché pourrait se consolider. Si les prix cassent au-dessus d'une moyenne mobile de 10 jours dans une tendance baissière. La tendance peut se réduire ou se consolider. Dans ces cas, employez une moyenne mobile de 10 et 20 jours ensemble et attendez que la ligne de 10 jours passe au-dessus ou au-dessous de la ligne de 20 jours. Cela détermine la prochaine orientation à court terme pour les prix. Pour les périodes à plus long terme, regardez les moyennes mobiles de 100 et 200 jours pour une direction à plus long terme. Par exemple, en utilisant les moyennes mobiles de 100 et 200 jours, si la moyenne mobile de 100 jours passe au-dessous de la moyenne de 200 jours, on l'appelle la croix de la mort. Et est très baissière pour les prix. Une moyenne mobile de 100 jours qui dépasse une moyenne mobile de 200 jours est appelée la croix d'or. Et est très haussière pour les prix. Il n'est pas question si un SMA ou un EMA est utilisé, car les deux sont des indicateurs de tendance. Ce n'est qu'à court terme que la SMA a de légères déviations par rapport à son homologue, l'EMA. Conclusion Les moyennes mobiles sont la base de l'analyse des graphiques et des séries chronologiques. Moyennes mobiles simples et les moyennes mobiles exponentielles plus complexes aider à visualiser la tendance en lissant les mouvements des prix. L'analyse technique est parfois désignée comme un art plutôt qu'une science, qui prennent des années à maîtriser. Le ratio de Sharpe est une mesure pour le calcul du rendement ajusté en fonction du risque, et ce ratio est devenu la norme de l'industrie pour ce type. Le fonds de roulement est une mesure à la fois de l'efficacité d'une entreprise et de sa santé financière à court terme. Le fonds de roulement est calculé. L'Environmental Protection Agency (EPA) a été créée en décembre 1970 sous la présidence du président américain Richard Nixon. Le. Un règlement mis en œuvre le 1er janvier 1994, qui a diminué et a finalement éliminé les tarifs douaniers pour encourager l'activité économique. Une norme permettant de mesurer la performance d'un titre, d'un fonds commun de placement ou d'un gestionnaire de placements. Portefeuille mobile est un portefeuille virtuel qui stocke les informations de carte de paiement sur un périphérique mobile. Lissage exponentiel expliqué. Copy Droits d'auteur. Le contenu d'InventoryOps est protégé par le droit d'auteur et n'est pas disponible pour la réédition. Quand les gens rencontrent le terme Lissage Exponentiel, ils peuvent penser que cela ressemble à un enfer de beaucoup de lissage. Quel que soit le lissage est. Ils commencent alors à envisager un calcul mathématique complexe qui nécessite probablement un diplôme en mathématiques à comprendre, et l'espoir il ya une fonction intégrée Excel disponibles si jamais ils ont besoin de le faire. La réalité du lissage exponentiel est beaucoup moins dramatique et beaucoup moins traumatisante. La vérité est, le lissage exponentiel est un calcul très simple qui accomplit une tâche assez simple. Il a juste un nom compliqué parce que ce qui se produit techniquement à la suite de ce simple calcul est en fait un peu compliqué. Pour comprendre le lissage exponentiel, il est utile de commencer par le concept général de lissage et par quelques autres méthodes courantes utilisées pour obtenir un lissage. Qu'est-ce que le lissage Le lissage est un processus statistique très courant. En fait, nous rencontrons régulièrement des données lissées sous diverses formes dans notre vie quotidienne. Chaque fois que vous utilisez une moyenne pour décrire quelque chose, vous utilisez un nombre lissé. Si vous pensez pourquoi vous utilisez une moyenne pour décrire quelque chose, vous comprendrez rapidement le concept de lissage. Par exemple, nous avons vécu l'hiver le plus chaud jamais enregistré. Comment pouvons-nous quantifier ce puits? Nous commençons par des ensembles de données des températures quotidiennes hautes et basses pour la période que nous appelons hiver pour chaque année dans l'histoire enregistrée. Mais cela nous laisse avec un tas de chiffres qui sauter un peu (ce n'est pas comme chaque jour cet hiver était plus chaud que les jours correspondants de toutes les années précédentes). Nous avons besoin d'un nombre qui supprime tout ce sauter autour des données afin que nous puissions comparer plus facilement un hiver à l'autre. Supprimer le saut dans les données est appelé lissage, et dans ce cas, nous pouvons simplement utiliser une moyenne simple pour effectuer le lissage. Dans la prévision de la demande, nous utilisons le lissage pour supprimer la variation aléatoire (bruit) de notre demande historique. Cela nous permet de mieux cerner les tendances de la demande (principalement tendance et saisonnalité) et les niveaux de demande qui peuvent être utilisés pour estimer la demande future. Le bruit de la demande est le même concept que le saut quotidien des données de température. Il n'est pas surprenant que la façon la plus courante de supprimer les bruits de l'histoire de la demande consiste à utiliser un moyen simple ou plus précisément une moyenne mobile. Une moyenne mobile utilise juste un nombre prédéfini de périodes pour calculer la moyenne, et ces périodes se déplacent avec le temps. Par exemple, si Im utilisant une moyenne mobile de 4 mois, et aujourd'hui est 1er mai, Im utilisant une moyenne de la demande qui s'est produite en Janvier, Février, Mars et Avril. Le 1er juin, je vais utiliser la demande de février, mars, avril et mai. Moyenne mobile pondérée. En utilisant une moyenne, nous appliquons la même importance (poids) à chaque valeur de l'ensemble de données. Dans la moyenne mobile sur 4 mois, chaque mois représentait 25% de la moyenne mobile. Lorsque vous utilisez l'historique de la demande pour projeter la demande future (et surtout la tendance future), il est logique de conclure que vous aimeriez que l'histoire récente ait un impact plus important sur vos prévisions. Nous pouvons adapter notre calcul de la moyenne mobile pour appliquer différents poids à chaque période pour obtenir les résultats souhaités. Nous exprimons ces pondérations en pourcentages et le total de tous les poids pour toutes les périodes doit être égal à 100. Par conséquent, si nous décidons d'appliquer 35 comme poids pour la période la plus proche de notre moyenne mobile pondérée de 4 mois, nous pouvons Soustrayez 35 de 100 pour trouver que nous avons 65 restant à répartir sur les 3 autres périodes. Par exemple, on peut arriver à une pondération de 15, 20, 30 et 35 respectivement pour les 4 mois (15 20 30 35 100). Lissage exponentiel. Si nous revenons au concept d'appliquer un poids à la période la plus récente (par exemple 35 dans l'exemple précédent) et de répartir le reste du poids (calculé en soustrayant le poids de la période la plus récente de 35 de 100 à 65), nous avons Les éléments de base pour notre calcul de lissage exponentiel. L'entrée de commande du calcul de lissage exponentiel est appelée facteur de lissage (également appelée constante de lissage). Il représente essentiellement la pondération appliquée aux périodes les plus récentes demande. Donc, lorsque nous avons utilisé 35 comme pondération pour la période la plus récente du calcul de la moyenne mobile pondérée, nous pourrions également choisir d'utiliser 35 comme facteur de lissage dans notre calcul de lissage exponentiel pour obtenir un effet similaire. La différence avec le calcul de lissage exponentiel est que, au lieu d'avoir à déterminer également combien de poids à appliquer à chaque période précédente, le facteur de lissage est utilisé pour le faire automatiquement. Voici donc la partie exponentielle. Si nous utilisons 35 comme facteur de lissage, la pondération des périodes les plus récentes demandera 35. La pondération des périodes les plus récentes demandera (la période avant la plus récente) sera de 65 sur 35 (65 provient de soustraire 35 de 100). Cela équivaut à 22,75 pondération pour cette période si vous faites les calculs. La demande de périodes les plus récentes sera 65 de 65 sur 35, ce qui équivaut à 14,79. La période précédant celle-ci sera pondérée comme 65 de 65 sur 65 sur 35, ce qui équivaut à 9,61, et ainsi de suite. Et cela remonte à toutes vos périodes précédentes jusqu'au début du temps (ou au point où vous avez commencé à utiliser le lissage exponentiel pour cet élément particulier). Vous pensez probablement que cela ressemble à un tas de maths. Mais la beauté du calcul de lissage exponentiel est que, plutôt que d'avoir à recalculer chaque période précédente chaque fois que vous obtenez une nouvelle demande de périodes, vous utilisez simplement la sortie du calcul de lissage exponentiel de la période précédente pour représenter toutes les périodes précédentes. Etes-vous confus encore Cela aura plus de sens quand nous regardons le calcul réel Typiquement, nous nous référons à la sortie du calcul de lissage exponentiel comme la prochaine période prévisionnelle. En réalité, la prévision ultime nécessite un peu plus de travail, mais pour les besoins de ce calcul spécifique, nous allons nous référer à elle comme la prévision. Le calcul de lissage exponentiel est le suivant: Les périodes les plus récentes demandées multipliées par le facteur de lissage. PLUS Les périodes les plus récentes multipliées par (un moins le facteur de lissage). D les périodes les plus récentes demandent S le facteur de lissage représenté sous forme décimale (donc 35 serait représenté par 0,35). F les prévisions les plus récentes (la sortie du calcul de lissage de la période précédente). OU (en supposant un facteur de lissage de 0,35) (D 0,35) (F 0,65) Il ne devient pas beaucoup plus simple que cela. Comme vous pouvez le voir, tout ce dont nous avons besoin pour les entrées de données ici sont les périodes les plus récentes demande et les périodes les plus récentes prévues. Nous appliquons le facteur de lissage (pondération) aux périodes les plus récentes de la même façon que nous le ferions dans le calcul de la moyenne mobile pondérée. Nous appliquons ensuite la pondération restante (1 moins le facteur de lissage) aux prévisions les plus récentes. Étant donné que les prévisions des périodes les plus récentes ont été établies sur la base de la demande des périodes précédentes et des prévisions précédentes, qui était fondée sur la demande pour la période antérieure et la prévision pour la période antérieure, Et la prévision pour la période antérieure, qui était fondée sur la période antérieure. Bien, vous pouvez voir comment toutes les périodes précédentes demande sont représentés dans le calcul sans réellement revenir en arrière et de recalculer quelque chose. Et c'est ce qui a conduit à la popularité initiale de lissage exponentiel. Ce n'était pas parce qu'il a fait un meilleur travail de lissage que la moyenne mobile pondérée, c'est parce qu'il était plus facile de calculer dans un programme informatique. Et, parce que vous n'avez pas besoin de penser à ce que la pondération à donner périodes précédentes ou combien de périodes précédentes à utiliser, comme vous le feriez en moyenne mobile pondérée. Et, parce que cela ressemblait plus frais que la moyenne mobile pondérée. En fait, on pourrait avancer que la moyenne mobile pondérée offre une plus grande souplesse puisque vous avez plus de contrôle sur la pondération des périodes précédentes. La réalité est l'un ou l'autre de ces peuvent fournir des résultats respectables, ainsi pourquoi ne pas aller avec la sonorité plus facile et plus fraîche. Lissage exponentiel dans Excel Permet de voir comment cela serait effectivement regarder dans une feuille de calcul avec des données réelles. Copy Droits d'auteur. Le contenu d'InventoryOps est protégé par le droit d'auteur et n'est pas disponible pour la réédition. Dans la figure 1A, nous avons une feuille de calcul Excel avec 11 semaines de demande, et une prévision exponentiellement lissée calculée à partir de cette demande. J'ai utilisé un facteur de lissage de 25 (0,25 dans la cellule C1). La cellule active actuelle est Cell M4 qui contient la prévision pour la semaine 12. Vous pouvez voir dans la formule barre, la formule est (L3C1) (L4 (1-C1)). Ainsi, les seules entrées directes à ce calcul sont la demande de périodes précédentes (Cellule L3), les prévisions précédentes (Cellule L4) et le facteur de lissage (Cellule C1, indiquée en référence absolue de cellule C1). Lorsque nous commençons un calcul de lissage exponentiel, nous avons besoin de brancher manuellement la valeur de la première prévision. Donc, dans la cellule B4, plutôt qu'une formule, nous avons simplement tapé la demande à partir de la même période que la prévision. Dans la cellule C4, nous avons notre 1er calcul de lissage exponentiel (B3C1) (B4 (1-C1)). Nous pouvons ensuite copier Cell C4 et le coller dans les cellules D4 à M4 pour remplir le reste de nos cellules de prévision. Vous pouvez maintenant double-cliquer sur n'importe quelle cellule de prévision pour voir qu'elle est basée sur la cellule de prévisions de périodes précédentes et la cellule de demande de périodes précédentes. Ainsi, chaque calcul de lissage exponentiel subséquent hérite de la sortie du calcul de lissage exponentiel précédent. C'est ainsi que chaque demande de périodes précédentes est représentée dans le calcul des périodes les plus récentes, même si ce calcul ne fait pas directement référence à ces périodes précédentes. Si vous voulez obtenir la fantaisie, vous pouvez utiliser Excels trace précédents fonction. Pour ce faire, cliquez sur Cell M4, puis sur la barre d'outils du ruban (Excel 2007 ou 2010), cliquez sur l'onglet Formules, puis sur Trace Precedents. Il dessine les lignes de connecteurs au premier niveau des précédents, mais si vous continuez à cliquer sur Trace Precedents, il dessine des lignes de connecteur à toutes les périodes précédentes pour vous montrer les relations héritées. Voyons maintenant ce que le lissage exponentiel a fait pour nous. La figure 1B montre un diagramme linéaire de notre demande et de nos prévisions. Vous voyez comment la prévision exponentiellement lissée supprime la plupart des jaggedness (le saut autour) de la demande hebdomadaire, mais encore parvient à suivre ce qui semble être une tendance à la hausse de la demande. Vous remarquerez également que la ligne de prévision lissée tend à être inférieure à la ligne de demande. C'est ce qu'on appelle le décalage de tendance et est un effet secondaire du processus de lissage. Chaque fois que vous utilisez lissage quand une tendance est présente votre prévision sera à la traîne de la tendance. Ceci est vrai pour toute technique de lissage. En fait, si nous continuions cette feuille de calcul et que nous commençons à entrer des nombres de demande plus faibles (faisant une tendance à la baisse), nous verrions la baisse de la ligne de demande et la ligne de tendance se déplacer au-dessus avant de commencer à suivre la tendance à la baisse. C'est pourquoi j'ai déjà mentionné la sortie du calcul de lissage exponentiel que nous appelons une prévision, a encore besoin de plus de travail. Il ya beaucoup plus à la prévision que simplement lisser les bosses de la demande. Nous devons faire des ajustements supplémentaires pour des choses comme le décalage tendanciel, la saisonnalité, les événements connus qui peuvent influer sur la demande, etc. Mais tout cela dépasse le cadre de cet article. Vous risquez également de rencontrer des termes comme le lissage double exponentiel et le lissage triple exponentiel. Ces termes sont un peu trompeurs puisque vous n'êtes pas re-lisser la demande plusieurs fois (vous pourriez si vous voulez, mais ce n'est pas le point ici). Ces termes représentent l'utilisation de lissage exponentiel sur d'autres éléments de la prévision. Ainsi, avec un lissage exponentiel simple, vous lissez la demande de base, mais avec un lissage double exponentiel, vous lissez la demande de base plus la tendance et, avec le lissage exponentiel triple, vous lissez la demande de base plus la tendance plus la saisonnalité. L'autre question la plus fréquemment posée sur le lissage exponentiel est d'où puis-je obtenir mon facteur de lissage Il n'y a pas de réponse magique ici, vous avez besoin de tester différents facteurs de lissage avec vos données de demande pour voir ce qui vous donne les meilleurs résultats. Il ya des calculs qui peuvent automatiquement définir (et changer) le facteur de lissage. Ceux-ci tombent sous le terme de lissage adaptatif, mais vous devez être prudent avec eux. Il n'ya tout simplement pas de réponse parfaite et vous ne devriez pas aveuglément mettre en œuvre un calcul sans essais approfondis et de développer une compréhension approfondie de ce que ce calcul fait. Vous devriez également exécuter des scénarios de type «si» pour voir comment ces calculs réagissent aux changements de la demande qui n'existent pas actuellement dans les données de demande que vous utilisez pour tester. L'exemple de données que j'ai utilisé précédemment est un très bon exemple d'une situation où vous avez vraiment besoin de tester d'autres scénarios. Cet exemple de données particulier montre une tendance à la hausse assez cohérente. Beaucoup de grandes entreprises avec des logiciels de prévision très coûteux ont eu de gros ennuis dans le passé pas si lointain quand leurs paramètres de logiciel qui ont été ajustés pour une économie en croissance n'a pas réagi bien lorsque l'économie a commencé à stagner ou à diminuer. Des choses comme cela se produisent lorsque vous ne comprenez pas ce que vos calculs (logiciels) fait réellement. S'ils comprenaient leur système de prévision, ils auraient su qu'ils avaient besoin de sauter et de changer quelque chose quand il y avait des changements dramatiques subits à leurs affaires. Donc là vous l'avez les notions de base de lissage exponentiel expliqué. Pour en savoir plus sur l'utilisation du lissage exponentiel dans une prévision réelle, consultez mon livre Gestion des stocks expliquée. Copy Droits d'auteur. Le contenu d'InventoryOps est protégé par le droit d'auteur et n'est pas disponible pour la réédition. Dave Piasecki. Est owneroperator d'inventaire Operations Consulting LLC. Une société de conseil fournissant des services liés à la gestion des stocks, à la manutention et aux entrepôts. Il a plus de 25 ans d'expérience dans la gestion des opérations et peut être contacté par l'intermédiaire de son site Web (stockops), où il conserve des informations supplémentaires pertinentes. Mes données de BusinessMarket Questions Exponentielles Versus moyennes mobiles simples Salut Tom - Je suis un abonné de la vôtre et se demandait si vous aviez un graphique ldquoconversionrdquo pour convertir la valeur de la tendance en MA exponentielles période. Par exemple, 10 Trend est à peu près égal à un EMA 19-période, 1 Tendance à 200EMA etc Merci à l'avance. La formule pour convertir une constante de lissage de moyenne mobile exponentielle (EMA) en nombre de jours est: 2 mdashmdashmdash-N 1 où N est le nombre de jours. Ainsi, une EMA de 19 jours s'inscrirait dans la formule comme suit: 2 2 mdashmdashmdashmdash-mdashmdashmdash - 0.10 ou 10 19 1 20 Cela découle de l'idée que la constante de lissage est choisie de manière à donner la même moyenne d'âge des données Comme ce serait le cas dans une moyenne mobile simple. Si vous aviez une moyenne mobile simple de 20 périodes, alors l'âge moyen de chaque entrée de données est de 9.5. On pourrait penser que l'âge moyen devrait être de 10, puisqu'il s'agit de la moitié de 20, ou 10,5 puisque c'est la moyenne des numéros 1 à 20. Mais dans la convention statistique, l'âge de la plus récente donnée est 0. Donc L'âge moyen des données dans un ensemble de N périodes est: N - 1 mdashmdashmdashmdash - 2 Pour le lissage exponentiel, avec une constante de lissage de A , Il résulte de la mathématique de la théorie de la sommation que l'âge moyen des données est: 1 - A mdashmdashmdashmdash - A Combinant ces deux équations: 1 - AN - 1 mdashmdashmdash mdashmdashmdashmdash A 2 nous pouvons résoudre pour une valeur de A qui équivaut à EMA à une longueur moyenne mobile simple comme: 2 A mdashmdashmdashmdash - N 1 Vous pouvez lire l'une des pièces originales jamais écrites sur ce concept en allant à McClellanMTAaward. pdf. Là, nous extraire de P. N. Haurlanrsquos pamphlet, ldquoMeasuring Trend Valuesrdquo. Haurlan a été l'une des premières personnes à utiliser des moyennes mobiles exponentielles pour suivre les cours des actions dans les années 1960, et nous préférons encore sa terminologie originale d'une Tendance XX plutôt que d'appeler une moyenne mobile exponentielle d'un certain nombre de jours. Une grande raison à cela est que, avec une simple moyenne mobile (SMA), vous êtes seulement regarder en arrière un certain nombre de jours. Tout ce qui est plus ancien que cette période de réflexion ne tient pas compte du calcul. Mais avec une EMA, les anciennes données ne disparaît jamais, il devient de moins en moins important pour la valeur de la moyenne mobile. Pour comprendre pourquoi les techniciens se soucient des EMA par rapport aux SMA, un rapide aperçu de ce graphique fournit une illustration de la différence. Pendant les mouvements de tendance vers le haut ou vers le bas, un SMA de 10 et un SMA de 19 jours seront en grande partie exacts ensemble. C'est pendant les périodes où les prix sont agités, ou quand l'orientation de la tendance change, que nous voyons les deux commencer à se séparer. Dans ces cas, la Tendance 10 sera généralement étreindre l'action de prix plus étroitement, et donc être en meilleure position pour signaler un changement lorsque le prix le franchit. Pour beaucoup de gens, cette propriété rend EMAs ldquobetterrdquo que SMAs, mais ldquobetterrdquo est dans l'oeil du spectateur. La raison pour laquelle les ingénieurs ont utilisé EMAs depuis des années, en particulier dans l'électronique, c'est qu'ils sont plus faciles à calculer. Pour déterminer todayrsquos nouvelle valeur EMA, vous avez seulement besoin hierrsquos valeur EMA, la constante de lissage, et todayrsquos nouveau prix de clôture (ou autre donnée). Mais pour calculer un SMA, vous devez connaître toutes les valeurs dans le temps pour toute la période de retour.
No comments:
Post a Comment