Przenoszenie średniej wykładniczej

Wykładnicza średnia ruchoma - EMA ZMNIEJSZAJĄCA Średnia wykładnicza średnia ruchoma - EMA 12- i 26-dniowe EMA są najpopularniejszymi krótkoterminowymi wartościami średnimi i są używane do tworzenia wskaźników takich jak średnia ruchoma rozbieżność konwergencji (MACD) i procentowy oscylator ceny (PPO). Ogólnie rzecz biorąc, EMA o długości 50 i 200 dni są wykorzystywane jako sygnały długoterminowych trendów. Handlowcy, którzy stosują analizę techniczną, uważają, że średnie ruchome są bardzo użyteczne i wnikliwe, gdy są prawidłowo stosowane, ale tworzą spustoszenie, gdy są niewłaściwie używane lub są źle interpretowane. Wszystkie średnie ruchome powszechnie stosowane w analizie technicznej są ze swej natury wskaźnikami opóźniającymi. W związku z tym wnioski wyciągnięte z zastosowania średniej ruchomej do określonego wykresu rynkowego powinny potwierdzać ruch rynkowy lub wskazać jego siłę. Bardzo często, zanim linia średniej ruchomej wskazała zmianę, która odzwierciedla znaczący ruch na rynku, optymalny punkt wejścia na rynek już minął. EMA służy do złagodzenia tego dylematu w pewnym stopniu. Ponieważ obliczenia EMA kładą większy nacisk na najnowsze dane, to przyśpieszają akcję cenową, dzięki czemu reagują szybciej. Jest to pożądane, gdy EMA jest wykorzystywana do wyprowadzenia sygnału wejścia handlowego. Interpretacja EMA Podobnie jak wszystkie wskaźniki średniej ruchomej, są one znacznie lepiej dostosowane do trendów na rynkach. Kiedy rynek jest w silnym i utrzymującym się trendzie wzrostowym. linia wskaźnika EMA będzie również wykazywać trend wzrostowy i odwrotnie w przypadku trendu spadkowego. Czujny inwestor nie tylko zwróci uwagę na kierunek linii EMA, ale także na relację szybkości zmiany z jednego paska do drugiego. Na przykład, gdy akcja cenowa silnego trendu wzrostowego zaczyna się spłaszczać i odwracać, szybkość zmian EMA z jednego paska do następnego zacznie zmniejszać się do momentu, gdy linia wskaźnika spłaszczy się, a tempo zmiany wynosi zero. Z powodu efektu opóźnienia, w tym momencie, a nawet kilku taktów wcześniej, akcja cenowa powinna już się odwrócić. Wynika z tego, że obserwowanie konsekwentnego zmniejszania tempa zmian EMA mogłoby samo w sobie służyć jako wskaźnik, który mógłby dalej przeciwdziałać dylematowi wynikającemu z opóźnionego efektu ruchomych średnich. Wspólne zastosowania EMA EMA są powszechnie stosowane w połączeniu z innymi wskaźnikami, aby potwierdzić istotne ruchy na rynku i ocenić ich ważność. W przypadku handlowców, którzy handlują rynkami bieżącymi i szybko rozwijającymi się, EMA ma większe zastosowanie. Dość często inwestorzy używają EMA w celu określenia obciążenia handlowego. Na przykład, jeśli EMA na wykresie dziennym wykazuje silny trend wzrostowy, strategia handlarzy śróddziennych może polegać tylko na długim wykresie intraday. Wprowadzenie do ARIMA: modele niesezonowe Równanie prognostyczne ARIMA (p, d, q) : Modele ARIMA są w teorii najbardziej ogólną klasą modeli do prognozowania szeregu czasowego, który można przekształcić na 8220stacja 8221 przez różnicowanie (jeśli to konieczne), być może w połączeniu z nieliniowymi transformacjami, takimi jak rejestracja lub deflacja (jeśli to konieczne). Zmienna losowa, która jest szeregiem czasowym, jest nieruchoma, jeśli jej właściwości statystyczne są stałe w czasie. Seria stacjonarna nie ma trendu, jej wahania wokół średniej mają stałą amplitudę i poruszają się w spójny sposób. tj. jego krótkoterminowe wzorce czasu losowego zawsze wyglądają tak samo w sensie statystycznym. Ten ostatni warunek oznacza, że ​​jego autokorelacje (korelacje z jego własnymi wcześniejszymi odchyleniami od średniej) pozostają stałe w czasie, lub równoważnie, że jego widmo mocy pozostaje stałe w czasie. Zmienna losowa tej postaci może być oglądana (jak zwykle) jako kombinacja sygnału i szumu, a sygnał (jeśli jest widoczny) może być wzorem szybkiej lub wolnej średniej rewersji, lub sinusoidalnej oscylacji, lub szybkiej przemiany w znaku , a także może mieć składnik sezonowy. Model ARIMA może być postrzegany jako 8220filter8221, który próbuje oddzielić sygnał od szumu, a sygnał jest następnie ekstrapolowany w przyszłość w celu uzyskania prognoz. Równanie prognostyczne ARIMA dla stacjonarnych szeregów czasowych jest równaniem liniowym (to jest typu regresyjnym), w którym predyktory składają się z opóźnień zmiennej zależnej i opóźnień błędów prognoz. Oznacza to: Przewidywaną wartość Y stałej stałej lub ważoną sumę jednej lub więcej ostatnich wartości Y i lub ważoną sumę jednej lub więcej ostatnich wartości błędów. Jeśli predykatory składają się tylko z opóźnionych wartości Y., jest to model czysto autoregresyjny (8220a-regressed8221), który jest tylko szczególnym przypadkiem modelu regresji i który może być wyposażony w standardowe oprogramowanie regresyjne. Na przykład, autoregresyjny model pierwszego rzędu (8220AR (1) 8221) dla Y jest prostym modelem regresji, w którym zmienna niezależna jest po prostu Y opóźniona o jeden okres (LAG (Y, 1) w Statgraphics lub YLAG1 w RegressIt). Jeśli niektóre z predyktorów są opóźnieniami błędów, to model ARIMA NIE jest modelem regresji liniowej, ponieważ nie ma sposobu, aby określić 8220last okres8217s błąd8221 jako zmienną niezależną: błędy muszą być obliczane na podstawie okresu do okresu kiedy model jest dopasowany do danych. Z technicznego punktu widzenia problem z wykorzystaniem opóźnionych błędów jako czynników predykcyjnych polega na tym, że przewidywania model8217 nie są liniowymi funkcjami współczynników. mimo że są liniowymi funkcjami przeszłych danych. Współczynniki w modelach ARIMA, które zawierają opóźnione błędy, muszą być oszacowane przez nieliniowe metody optymalizacji (8220hill-climbing8221), a nie przez samo rozwiązanie układu równań. Akronim ARIMA oznacza Auto-Regressive Integrated Moving Average. Lagi z stacjonarnej serii w równaniu prognostycznym nazywane są "wartościami dodatnimi", opóźnienia błędów prognoz są nazywane "przesunięciem średniej", a szeregi czasowe, które muszą być różnicowane, aby stały się stacjonarne, są uważane za "podzielone" wersje stacjonarnej serii. Modele random-walk i random-tendencja, modele autoregresyjne i modele wygładzania wykładniczego są szczególnymi przypadkami modeli ARIMA. Niesezonowy model ARIMA jest klasyfikowany jako model DAIMIMA (p, d, q), gdzie: p to liczba terminów autoregresyjnych, d to liczba niesezonowych różnic potrzebnych do stacjonarności, a q to liczba opóźnionych błędów prognozy w równanie predykcji. Równanie prognostyczne jest skonstruowane w następujący sposób. Po pierwsze, niech y oznacza różnicę d Y. Oznacza to: Zwróć uwagę, że druga różnica Y (przypadek d2) nie jest różnicą od 2 okresów temu. Jest to raczej różnica między pierwszą a różnicą. który jest dyskretnym analogiem drugiej pochodnej, tj. lokalnym przyspieszeniem szeregu, a nie jego lokalnym trendem. Pod względem y. ogólne równanie prognostyczne jest następujące: Tutaj parametry średniej ruchomej (9528217 s) są zdefiniowane w taki sposób, że ich znaki są ujemne w równaniu, zgodnie z konwencją wprowadzoną przez Boxa i Jenkinsa. Niektórzy autorzy i oprogramowanie (w tym język programowania R) definiują je, aby zamiast tego mieli znaki plus. Kiedy rzeczywiste liczby są podłączone do równania, nie ma dwuznaczności, ale ważne jest, aby wiedzieć, którą konwencję używa twoje oprogramowanie podczas odczytu danych wyjściowych. Często parametry są tam oznaczone przez AR (1), AR (2), 8230 i MA (1), MA (2), 8230 itd. Aby zidentyfikować odpowiedni model ARIMA dla Y. zaczynasz od określenia kolejności różnicowania (d) konieczność stacjonowania serii i usunięcia ogólnych cech sezonowości, być może w połączeniu z transformacją stabilizującą warianty, taką jak rejestracja lub deflacja. Jeśli zatrzymasz się w tym momencie i będziesz przewidywał, że zróżnicowana seria jest stała, dopasowałeś jedynie model losowego spaceru lub losowego trendu. Jednak stacjonarne serie mogą nadal mieć błędy związane z auto - korelacjami, co sugeruje, że w równaniu prognostycznym potrzebna jest również pewna liczba terminów AR (p 8805 1) i kilka warunków MA (q 8805 1). Proces określania wartości p, d i q, które są najlepsze dla danej serii czasowej, zostanie omówiony w późniejszych sekcjach notatek (których linki znajdują się na górze tej strony), ale podgląd niektórych typów nietypowych modeli ARIMA, które są powszechnie spotykane, podano poniżej. ARIMA (1,0,0) Model autoregresyjny pierwszego rzędu: jeśli seria jest stacjonarna i autokorelowana, być może można ją przewidzieć jako wielokrotność jej poprzedniej wartości plus stałą. Równanie prognostyczne w tym przypadku wynosi 8230, co oznacza, że ​​Y cofnął się sam w sobie o jeden okres. Jest to model 8220ARIMA (1,0,0) constant8221. Jeżeli średnia z Y wynosi zero, wówczas nie zostałoby uwzględnione stałe wyrażenie. Jeśli współczynnik nachylenia 981 1 jest dodatni i mniejszy niż 1 w skali (musi być mniejszy niż 1 waga, jeśli Y jest nieruchomy), model opisuje zachowanie polegające na odwróceniu średniej, w którym należy przypisać wartość kolejnego okresu 817 razy 981 razy jako daleko od średniej, jak ta wartość okresu. Jeżeli 981 1 jest ujemny, przewiduje zachowanie średniej odwrócenia z naprzemiennością znaków, tj. Przewiduje również, że Y będzie poniżej średniego następnego okresu, jeśli jest powyżej średniej tego okresu. W modelu autoregresyjnym drugiego rzędu (ARIMA (2,0,0)), po prawej stronie pojawi się również termin Y t-2 i tak dalej. W zależności od znaków i wielkości współczynników, model ARIMA (2,0,0) może opisywać układ, którego średnia rewersja zachodzi w sposób oscylacyjny sinusoidalnie, podobnie jak ruch masy na sprężynie poddanej losowym wstrząsom . Próba losowa ARIMA (0,1,0): Jeśli seria Y nie jest nieruchoma, najprostszym możliwym modelem jest model losowego spaceru, który można uznać za ograniczający przypadek modelu AR (1), w którym autoregresyjny Współczynnik jest równy 1, tzn. szeregowi z nieskończenie powolną średnią rewersją. Równanie predykcji dla tego modelu można zapisać jako: gdzie stałym terminem jest średnia zmiana okresu do okresu (tj. Dryf długoterminowy) w Y. Ten model może być dopasowany jako model regresji bez przechwytywania, w którym pierwsza różnica Y jest zmienną zależną. Ponieważ zawiera on (tylko) niesezonową różnicę i stały termin, jest klasyfikowany jako model DAIMA (0,1,0) ze stałą. Często Model bezładnego spaceru byłby ARIMA (0,1; 0) model bez stałego ARIMA (1,1,0) różny model autoregresyjny pierwszego rzędu: Jeśli błędy modelu losowego spaceru są autokorelowane, być może problem można rozwiązać, dodając jedno opóźnienie zmiennej zależnej do równania predykcji - - to znaczy przez regresję pierwszej różnicy Y, która sama w sobie jest opóźniona o jeden okres. To przyniosłoby następujące równanie predykcji: które można przekształcić w To jest autoregresyjny model pierwszego rzędu z jednym rzędem niesezonowego różnicowania i stałym terminem - tj. model ARIMA (1,1,0). ARIMA (0,1,1) bez stałego prostego wygładzania wykładniczego: Inna strategia korekcji błędów związanych z autokorelacją w modelu losowego spaceru jest zasugerowana przez prosty model wygładzania wykładniczego. Przypomnijmy, że w przypadku niektórych niestacjonarnych szeregów czasowych (na przykład takich, które wykazują głośne wahania wokół wolno zmieniającej się średniej), model spaceru losowego nie działa tak dobrze, jak średnia ruchoma wartości z przeszłości. Innymi słowy, zamiast brać ostatnią obserwację jako prognozę następnej obserwacji, lepiej jest użyć średniej z ostatnich kilku obserwacji w celu odfiltrowania hałasu i dokładniejszego oszacowania średniej lokalnej. Prosty model wygładzania wykładniczego wykorzystuje wykładniczo ważoną średnią ruchomą przeszłych wartości, aby osiągnąć ten efekt. Równanie predykcji dla prostego modelu wygładzania wykładniczego można zapisać w wielu matematycznie równoważnych formach. jedną z nich jest tak zwana forma 8220, korekta zera 8221, w której poprzednia prognoza jest korygowana w kierunku popełnionego błędu: Ponieważ e t-1 Y t-1 - 374 t-1 z definicji, można to przepisać jako : co jest równaniem ARIMA (0,1,1) - bez stałej prognozy z 952 1 1 - 945. Oznacza to, że możesz dopasować proste wygładzanie wykładnicze, określając je jako model ARIMA (0,1,1) bez stała, a szacowany współczynnik MA (1) odpowiada 1-minus-alfa w formule SES. Przypomnijmy, że w modelu SES średni wiek danych w prognozach z wyprzedzeniem 1 roku wynosi 1 945. Oznacza to, że będą one pozostawać w tyle za trendami lub punktami zwrotnymi o około 1 945 okresów. Wynika z tego, że średni wiek danych w prognozach 1-okresowych modelu ARIMA (0,1,1) - bez stałej wynosi 1 (1 - 952 1). Tak więc, na przykład, jeśli 952 1 0.8, średnia wieku wynosi 5. Ponieważ 952 1 zbliża się do 1, ARIMA (0,1,1) - bez stałego modelu staje się bardzo długookresową średnią ruchomą, a jako 952 1 zbliża się do 0, staje się modelem losowego chodzenia bez dryfu. Jaki jest najlepszy sposób korekcji autokorelacji: dodawanie terminów AR lub dodawanie terminów MA W dwóch poprzednich modelach omówionych powyżej, problem związanych z autokorelacją błędów w modelu losowego spaceru został ustalony na dwa różne sposoby: przez dodanie opóźnionej wartości różnej serii do równania lub dodanie opóźnionej wartości błędu prognozy. Które podejście jest najlepsze Zasada praktyczna dla tej sytuacji, która zostanie omówiona bardziej szczegółowo w dalszej części, polega na tym, że pozytywna autokorelacja jest zwykle najlepiej traktowana przez dodanie do modelu warunku AR, a negatywna autokorelacja jest zwykle najlepiej traktowana przez dodanie Termin magisterski. W biznesowych i ekonomicznych szeregach czasowych negatywna autokorelacja często pojawia się jako artefakt różnicowania. (Ogólnie rzecz biorąc, różnicowanie zmniejsza pozytywną autokorelację, a nawet może spowodować przełączenie z autokorelacji dodatniej na ujemną). Tak więc model ARIMA (0,1,1), w którym różnicowanie jest połączone z terminem MA, jest częściej używany niż Model ARIMA (1,1,0). ARIMA (0,1,1) o stałym prostym wygładzaniu wykładniczym ze wzrostem: Dzięki wdrożeniu modelu SES jako modelu ARIMA można uzyskać pewną elastyczność. Po pierwsze, szacowany współczynnik MA (1) może być ujemny. odpowiada to współczynnikowi wygładzania większemu niż 1 w modelu SES, co zwykle nie jest dozwolone w procedurze dopasowania modelu SES. Po drugie, masz możliwość włączenia stałego warunku w modelu ARIMA, jeśli chcesz, aby oszacować średni niezerowy trend. Model ARIMA (0,1,1) ze stałą ma równanie prognozy: prognozy jednokresowe z tego modelu są jakościowo podobne do tych z modelu SES, z tym że trajektoria prognoz długoterminowych jest zwykle linia nachylenia (której nachylenie jest równe mu) zamiast linii poziomej. ARIMA (0,2,1) lub (0,2,2) bez stałego liniowego wygładzania wykładniczego: liniowe modele wygładzania wykładniczego są modelami ARIMA, które wykorzystują dwie niesezonowe różnice w połączeniu z terminami MA. Druga różnica w serii Y nie jest po prostu różnicą między Y a nią opóźnioną o dwa okresy, ale raczej jest pierwszą różnicą pierwszej różnicy - a. e. zmiana w Y w okresie t. Tak więc druga różnica Y w okresie t jest równa (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Druga różnica funkcji dyskretnej jest analogiczna do drugiej pochodnej funkcji ciągłej: mierzy ona przyspieszenie cytadania lub inną krzywiznę w funkcji w danym punkcie czasu. Model ARIMA (0,2,2) bez stałej przewiduje, że druga różnica szeregu równa się funkcji liniowej dwóch ostatnich błędów prognozy: która może być uporządkowana jako: gdzie 952 1 i 952 2 to MA (1) i Współczynniki MA (2). Jest to ogólny liniowy model wygładzania wykładniczego. w zasadzie taki sam jak model Holt8217s, a model Brown8217s to szczególny przypadek. Wykorzystuje wykładniczo ważone średnie ruchome do oszacowania zarówno lokalnego poziomu, jak i lokalnego trendu w serii. Długoterminowe prognozy z tego modelu zbiegają się do linii prostej, której nachylenie zależy od średniej tendencji obserwowanej pod koniec serii. ARIMA (1,1,2) bez stałego liniowego tłumienia wykładniczego. Ten model jest zilustrowany na załączonych slajdach w modelach ARIMA. Ekstrapoluje lokalny trend pod koniec serii, ale spłaszcza go na dłuższych horyzontach prognozy, wprowadzając nutę konserwatyzmu, praktykę, która ma empiryczne wsparcie. Zobacz artykuł na ten temat: "Dlaczego działa Damped Trend" autorstwa Gardnera i McKenziego oraz artykuł "Zgodny z legendą" Armstronga i in. dla szczegółów. Ogólnie zaleca się trzymać modele, w których co najmniej jedno z p i q jest nie większe niż 1, tj. Nie próbować dopasować modelu takiego jak ARIMA (2,1,2), ponieważ może to prowadzić do przeuczenia oraz pytania o współczynniku równomolowym, które omówiono bardziej szczegółowo w uwagach dotyczących struktury matematycznej modeli ARIMA. Implementacja arkusza kalkulacyjnego: modele ARIMA, takie jak opisane powyżej, można łatwo wdrożyć w arkuszu kalkulacyjnym. Równanie predykcyjne jest po prostu równaniem liniowym, które odnosi się do przeszłych wartości pierwotnych szeregów czasowych i przeszłych wartości błędów. W ten sposób można skonfigurować arkusz kalkulacyjny prognozowania ARIMA, przechowując dane w kolumnie A, formułę prognozowania w kolumnie B oraz błędy (dane minus prognozy) w kolumnie C. Formuła prognozowania w typowej komórce w kolumnie B byłaby po prostu wyrażenie liniowe odnoszące się do wartości w poprzednich wierszach kolumn A i C, pomnożone przez odpowiednie współczynniki AR lub MA przechowywane w komórkach w innym miejscu arkusza kalkulacyjnego. Analiza techniczna: średnie ruchy Większość wzorów wykresów wykazuje dużą zmienność w ruchu cenowym. Może to utrudnić handlowcom zorientowanie się w ogólnym trendzie bezpieczeństwa. Jedną z prostych metod stosowanych przez handlowców do zwalczania tego jest zastosowanie średnich kroczących. Średnia krocząca to średnia cena zabezpieczenia w określonym przedziale czasu. Wykreślając średnią cenę za bezpieczeństwo, ruch cen zostaje wygładzony. Po wyeliminowaniu codziennych fluktuacji handlowcy są w stanie lepiej zidentyfikować prawdziwy trend i zwiększyć prawdopodobieństwo, że będzie on działał na ich korzyść. (Aby dowiedzieć się więcej, przeczytaj samouczek Moving Averages.) Rodzaje średnich kroczących Istnieje wiele różnych typów średnich kroczących, które różnią się sposobem ich obliczania, ale sposób interpretacji każdej średniej pozostaje taki sam. Obliczenia różnią się tylko pod względem wagi, jaką przypisują danym dotyczącym ceny, przesuwając się od równej wagi każdego punktu cenowego do większej wagi umieszczanej na ostatnich danych. Trzy najpopularniejsze typy średnich kroczących są proste. liniowy i wykładniczy. Prosta średnia ruchoma (SMA) Jest to najczęściej stosowana metoda obliczania średniej ruchomej cen. To po prostu bierze sumę wszystkich ostatnich cen zamknięcia w danym okresie czasu i dzieli wynik przez liczbę cen stosowanych w obliczeniach. Na przykład, w 10-dniowej średniej ruchomej, ostatnie 10 cen zamknięcia są dodawane razem, a następnie podzielone przez 10. Jak widać na rysunku 1, przedsiębiorca jest w stanie uczynić średnią mniej reagującą na zmiany cen poprzez zwiększenie liczby okresów stosowanych w obliczeniach. Zwiększenie liczby okresów w obliczeniach jest jednym z najlepszych sposobów oceny siły długoterminowego trendu i prawdopodobieństwa jego odwrócenia. Wiele osób twierdzi, że przydatność tego typu średniej jest ograniczona, ponieważ każdy punkt w serii danych ma taki sam wpływ na wynik, niezależnie od tego, gdzie występuje w sekwencji. Krytycy twierdzą, że najnowsze dane są ważniejsze i dlatego też powinny mieć wyższą wagę. Ten rodzaj krytyki był jednym z głównych czynników prowadzących do wynalezienia innych form ruchomych średnich. Liniowa średnia ważona Ten wskaźnik średniej ruchomej jest najmniej powszechny spośród wszystkich trzech i służy do rozwiązania problemu równej wagi. Liniowa średnia ważona ruchoma jest obliczana poprzez uwzględnienie sumy wszystkich cen zamknięcia w pewnym okresie czasu i pomnożenie ich przez pozycję punktu danych, a następnie podzielenie przez sumę liczby okresów. Na przykład, w pięciodniowej liniowej średniej ważonej, dzisiejsza cena zamknięcia jest mnożona przez pięć, wczoraj przez cztery itd., Aż do osiągnięcia pierwszego dnia w przedziale czasowym. Liczby te są następnie sumowane i dzielone przez sumę mnożników. Wykładnicza średnia ruchoma (EMA) Ta średnia ruchomych obliczeń używa współczynnika wygładzania, aby umieścić większą wagę na ostatnich punktach danych i jest uważana za znacznie bardziej wydajną niż liniowa średnia ważona. Zrozumienie obliczeń nie jest zazwyczaj wymagane w przypadku większości podmiotów gospodarczych, ponieważ większość pakietów wykresów wykonuje obliczenia dla ciebie. Najważniejszą rzeczą do zapamiętania na temat wykładniczej średniej kroczącej jest to, że jest ona bardziej wrażliwa na nowe informacje dotyczące prostej średniej kroczącej. Ta responsywność jest jednym z kluczowych czynników, dla których jest to średnia krocząca wśród wielu handlowców technicznych. Jak widać na rysunku 2, 15-okresowa EMA rośnie i spada szybciej niż 15-okresowa SMA. Ta niewielka różnica nie wydaje się dużo, ale jest ważnym czynnikiem, aby być świadomym, ponieważ może wpływać na zwroty. Główne zastosowania średnich kroczących Średnie kroczące służą do identyfikowania bieżących trendów i odwracania trendów, a także do ustalania poziomów wsparcia i oporu. Średnie kroczące można wykorzystać do szybkiego określenia, czy dane zabezpieczenie jest w ruchu w trendzie wzrostowym, czy w wyniku spadku wartości w zależności od kierunku średniej ruchomej. Jak widać na rys. 3, kiedy średnia ruchoma kieruje się w górę, a cena jest powyżej tej wartości, zabezpieczenie wykazuje tendencję wzrostową. I odwrotnie, można wykorzystać zniżkową średnią ruchomą w dół z ceną poniżej, aby zasygnalizować trend spadkowy. Inną metodą określenia pędu jest przyjrzenie się rzędowi pary ruchomych średnich. Gdy krótkoterminowa średnia przekracza średnią długoterminową, trend rośnie. Z drugiej strony, długoterminowa średnia powyżej średniej krótkoterminowej sygnalizuje ruch w dół trendu. Odwracające się średnie tendencje są tworzone na dwa główne sposoby: gdy cena porusza się przez średnią ruchomą i gdy przechodzi przez ruchome średnie crossover'y. Pierwszym wspólnym sygnałem jest, gdy cena przechodzi przez ważną średnią ruchomą. Na przykład, gdy cena papieru wartościowego, który był w trendzie wzrostowym, spadnie poniżej 50-okresowej średniej ruchomej, jak na Rysunku 4, jest to znak, że trend wzrostowy może być odwrotny. Innym sygnałem odwrócenia trendu jest sytuacja, gdy jedna średnia ruchoma przechodzi przez drugą. Na przykład, jak widać na rys. 5, jeśli 15-dniowa średnia krocząca przekracza średnią kroczącą z 50 dni, jest to pozytywny sygnał, że cena zacznie wzrastać. Jeżeli okresy użyte w obliczeniach są stosunkowo krótkie, na przykład 15 i 35, może to sygnalizować krótkoterminowe odwrócenie tendencji. Z drugiej strony, kiedy krzyżują się dwie średnie z relatywnie długimi ramami czasowymi (na przykład 50 i 200), jest to wykorzystywane do sugerowania długoterminowej zmiany trendu. Innym ważnym sposobem wykorzystania średnich kroczących jest identyfikacja poziomów wsparcia i oporu. Nierzadko zdarza się, że spadający zapasy zatrzymują jego spadek i odwrócenie kierunku, gdy osiągnie wsparcie średniej ruchomej. Ruch przez dużą średnią ruchomą jest często wykorzystywany przez techników jako sygnał, że trend się odwraca. Na przykład, jeśli cena przekroczy 200-dniową średnią ruchomą w kierunku do dołu, jest to sygnał, że trend wzrostowy jest odwracany. Średnie kroczące są potężnym narzędziem do analizy trendu w bezpieczeństwie. Zapewniają użyteczne wsparcie i punkty oporu i są bardzo łatwe w użyciu. Najczęstsze ramy czasowe używane podczas tworzenia średnich kroczących to 200-dniowy, 100-dniowy, 50-dniowy, 20-dniowy i 10-dniowy. Uważa się, że średnia z 200 dni jest dobrą miarą roku handlowego, średnia z 100 dni przez pół roku, średnia z 50 dni w ciągu kwartału, średnia z 20 dni w miesiącu i 10 - dzień średnio dwa tygodnie. Średnie ruchome pomagają handlowcom technicznym w wygładzaniu części hałasu, jaki występuje w codziennych ruchach cen, dając przedsiębiorcom wyraźniejszy obraz trendu cenowego. Do tej pory koncentrowaliśmy się na ruchu cen, poprzez wykresy i średnie. W następnej sekcji przyjrzyj się innym technikom potwierdzającym ruch i wzorce cenowe. Analiza techniczna: wskaźniki i oscylatory