เฉลี่ยเคลื่อนที่ กระจาย

ค่าเฉลี่ยเคลื่อนที่: อะไรคือตัวชี้วัดทางเทคนิคที่เป็นที่นิยมมากที่สุดค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อวัดทิศทางของแนวโน้มในปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ทุกประเภท (เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA) คือผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวนจุดข้อมูลที่ผ่านมา เมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงในแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมด รูปแบบที่ง่ายที่สุดของค่าเฉลี่ยเคลื่อนที่โดยทั่วไปหมายถึงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) โดยคำนวณค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนด ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมาและหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา (110) คือ หารด้วยจำนวนวัน (10) เพื่อให้ได้ค่าเฉลี่ย 10 วัน หากผู้ค้าต้องการเห็นค่าเฉลี่ย 50 วันแทนจะต้องมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมา ค่าเฉลี่ยที่เกิดขึ้นด้านล่าง (11) คำนึงถึงจุดข้อมูล 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ 10 วันที่ผ่านมาอย่างไร บางทีคุณอาจสงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าเฉลี่ยปกติ คำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ ๆ ต้องมาเพื่อแทนที่ ดังนั้นชุดข้อมูลจึงมีการย้ายข้อมูลบัญชีใหม่ ๆ ไปเรื่อย ๆ วิธีการคำนวณนี้ช่วยให้แน่ใจได้ว่าจะมีการบันทึกข้อมูลปัจจุบันเท่านั้น ในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 ช่องสีแดง (แทนจุดข้อมูล 10 จุดที่ผ่านมา) จะเลื่อนไปทางขวาและค่าสุดท้ายของ 15 จะถูกลดลงจากการคำนวณ เนื่องจากค่าที่ค่อนข้างเล็ก 5 จะแทนที่ค่าที่สูงถึง 15 คุณจึงคาดว่าจะเห็นค่าเฉลี่ยของการลดลงของชุดข้อมูลซึ่งในกรณีนี้มีค่าตั้งแต่ 11 ถึง 10 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่เมื่อค่าของ MA ได้รับการคำนวณพวกเขาจะวางแผนลงบนแผนภูมิและเชื่อมต่อแล้วเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่ เส้นโค้งเหล่านี้มีอยู่ทั่วไปในแผนภูมิของผู้ค้าด้านเทคนิค แต่วิธีการใช้งานเหล่านี้อาจแตกต่างกันอย่างมาก (ในภายหลัง) ดังที่เห็นในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในแผนภูมิโดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณ เส้นโค้งเหล่านี้ดูเหมือนจะเสียสมาธิหรือทำให้เกิดความสับสนในตอนแรก แต่คุณจะคุ้นเคยกับมันเมื่อเวลาผ่านไป เส้นสีแดงเป็นเพียงราคาเฉลี่ยในช่วง 50 วันที่ผ่านมาในขณะที่เส้นสีน้ำเงินเป็นราคาเฉลี่ยในช่วง 100 วันที่ผ่านมา ตอนนี้คุณเข้าใจว่าค่าเฉลี่ยเคลื่อนที่คืออะไรและแนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ที่ต่างกันและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวถึงก่อนหน้านี้เท่าไร ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวบ่งชี้ทางเทคนิคทั้งหมดก็มีนักวิจารณ์ หลายคนอ้างว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในลำดับ นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้าย ในการตอบสนองต่อคำวิจารณ์นี้ผู้ค้าเริ่มให้น้ำหนักกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ ประเภทต่างๆซึ่งเป็นที่นิยมมากที่สุดซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) (สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลเบื้องต้นเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA) ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากกว่าราคาล่าสุดในความพยายามที่จะทำให้การตอบสนองดีขึ้น ข้อมูลใหม่ ๆ การเรียนรู้สมการที่ค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกชุดรูปแบบแผนภูมิทำคำนวณสำหรับคุณ อย่างไรก็ตามสำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่สมการ EMA: เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ ปัญหาเล็ก ๆ นี้สามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและต่อเนื่องโดยใช้สูตรด้านบนจากที่นั่น เราได้จัดเตรียมสเปรดชีตตัวอย่างไว้ในตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่แบบเรียบและค่าเฉลี่ยเคลื่อนที่แบบเสวนา ความแตกต่างระหว่าง EMA และ SMA ตอนนี้คุณเข้าใจดีว่า SMA และ EMA คำนวณอย่างไรให้ลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไร เมื่อพิจารณาการคำนวณ EMA คุณจะสังเกตเห็นว่าจุดข้อมูลสำคัญ ๆ อยู่ในจุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนัก ในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเหมือนกัน (15) แต่ EMA จะตอบสนองต่อการเปลี่ยนแปลงราคาได้เร็วขึ้น สังเกตว่า EMA มีมูลค่าสูงขึ้นเมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลง การตอบสนองนี้เป็นเหตุผลหลักที่ทำให้ผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA อะไรที่แตกต่างกันระหว่างวันหมายถึงค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่สามารถปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกกรอบเวลาที่ต้องการได้ทุกเมื่อสร้างค่าเฉลี่ย ช่วงเวลาที่ใช้บ่อยที่สุดในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาสั้น ๆ ที่ใช้ในการสร้างค่าเฉลี่ยความละเอียดอ่อนมากขึ้นคือการเปลี่ยนแปลงราคา ยิ่งช่วงเวลาที่ยาวนานขึ้นเท่าไรก็ยิ่งอ่อนไหวหรือเรียบเนียนขึ้นเท่านั้นโดยเฉลี่ยแล้ว ไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่าช่วงใดที่เหมาะกับคุณที่สุดคือการทดสอบกับช่วงเวลาที่แตกต่างกันไปจนกว่าคุณจะพบกับช่วงเวลาที่เหมาะสมกับแผนกลยุทธ์ของคุณการกระจายการจำหน่ายสายการจำหน่ายสะสมการแนะนำโดย Marc Chaikin การแจกแจงสะสมเป็นปริมาณ ตัวบ่งชี้ที่ออกแบบมาเพื่อวัดการไหลเข้าของเงินเข้าและออกจากระบบรักษาความปลอดภัย Chaikin เดิมเรียกว่าตัวบ่งชี้เป็นสายการไหลของเงินสะสม เช่นเดียวกับตัวบ่งชี้ที่สะสมไว้ Accumulating Distribution Line คือปริมาณการไหลของเงินในแต่ละงวดที่ใช้อยู่ อันดับแรกตัวคูณจะคำนวณตามความสัมพันธ์ใกล้เคียงกับช่วง high-low สองตัวคูณการไหลของเงินจะคูณด้วยปริมาณของงวด00เพื่อให้ได้ปริมาณการไหลของเงิน ปริมาณการไหลของเงินที่ไหลออกมาทั้งหมดจะสร้างเส้นการกระจายสะสม (Accumulation Distribution Line) Chartists สามารถใช้ตัวบ่งชี้นี้เพื่อยืนยันแนวโน้มการอ้างอิง security0 หรือคาดการณ์การผกผันเมื่อตัวบ่งชี้ diverges จากราคาความปลอดภัย การคำนวณมีสามขั้นตอนในการคำนวณ Accumulating Distribution Line (ADL) ขั้นแรกให้คำนวณตัวคูณการไหลของเงิน ขั้นที่สองให้คูณค่านี้ตามปริมาตรเพื่อหาปริมาณการไหลของเงิน ประการที่สามสร้างปริมาณการไหลของเงินที่ใช้อยู่ทั้งหมดเพื่อสร้างสายการแจกแจงสะสม (ADL) ตัวคูณการไหลของเงินมีความผันผวนระหว่าง 1 ถึง -1 เช่นนี้ถือเป็นกุญแจสำคัญในปริมาณการไหลของเงินและการกระจายการสะสม ตัวคูณเป็นบวกเมื่อปิดอยู่ในช่วงครึ่งบนของช่วงสูงต่ำและค่าลบเมื่ออยู่ในช่วงครึ่งล่าง นี้ทำให้รู้สึกดี แรงกดดันด้านการซื้อมีแรงกดดันจากแรงขายเมื่อราคาปิดลงในช่วงครึ่งบนของช่วงที่ตลาดช่วงก่อนหน้า (และในทางกลับกัน) สายการกระจายการสะสมจะเพิ่มขึ้นเมื่อตัวคูณเป็นบวกและลดลงเมื่อตัวคูณเป็นลบ ตัวคูณจะปรับปริมาณของปริมาณที่จะสิ้นสุดลงในปริมาณการไหลของเงิน ปริมาณจะมีผลลดลงเว้นแต่ตัวคูณการไหลของเงินมีค่าต่ำสุด (1 หรือ -1) ตัวคูณคือ 1 เมื่อการปิดอยู่ในระดับสูงและ -1 เมื่อการปิดอยู่ในระดับต่ำ ปริมาณทั้งหมดเป็นบวกเมื่อ 1 และปริมาตรทั้งหมดเป็นลบเมื่อ -1 ที่. 50 เพียงครึ่งหนึ่งของปริมาณแปลเป็นปริมาณการไหลของเงินงวดที่ ตารางด้านล่างแสดงตัวคูณการไหลของเงินปริมาณการไหลของเงินและการกระจายการสะสมสำหรับ Research-in-Motion (RIMM) แจ้งให้ทราบว่าตัวคูณอยู่ระหว่าง. 50 และ 1 เมื่อปิดมีความแข็งแกร่งและระหว่าง -50 ถึง -1 เมื่อปิดอ่อนแอ คลิกที่นี่เพื่อคำนวณเส้นการกระจายการสะสมใน Excel Spreadsheet การตีความสายการจําหนายการสะสม (Accumulation Distribution Line) เปนตัววัดที่สะสมสําหรับปริมาณการไหลของปริมาณหรือการไหลของเงิน ตัวคูณบวกที่สูงบวกกับปริมาณมากแสดงให้เห็นถึงแรงซื้อที่แข็งแกร่งซึ่งผลักดันตัวบ่งชี้ที่สูงขึ้น ในทางตรงกันข้ามตัวเลขติดลบในระดับต่ำและปริมาณการซื้อขายยังอยู่ในเกณฑ์ดีสะท้อนถึงแรงกดดันด้านการขายที่แข็งแกร่งซึ่งจะผลักดันให้ตัวบ่งชี้ลดลง ปริมาณการไหลของเงินสะสมเพื่อสร้างเส้นที่ยืนยันหรือขัดแย้งกับแนวโน้มราคาพื้นฐาน ในเรื่องนี้ตัวบ่งชี้จะใช้เพื่อเสริมสร้างความเชื่อมั่นหรือให้ความเชื่อมั่นต่อความยั่งยืน ขาขึ้นในราคาที่มีขาลงใน Accumulation Distribution Line แสดงให้เห็นถึงแรงกดดันในการขาย (การกระจาย) ซึ่งอาจส่งผลให้เกิดการกลับรายการที่ไม่ดีในกราฟราคา แนวโน้มขาลงในราคาที่มี uptrend ใน Accumulation Distribution Line จะบ่งบอกถึงแรงซื้อ (การสะสม) ที่อาจส่งผลต่อการกลับรายการของราคา ADL เทียบกับ OBV สายการแจกแจงการสะสมและยอดคงเหลือ (OBV) เป็นตัวชี้วัดระดับเสียงที่สะสมซึ่งบางครั้งย้ายไปในทิศทางตรงกันข้ามเนื่องจากสูตรพื้นฐานของพวกเขาแตกต่างกัน Joe Granville พัฒนา On Balance Volume (OBV) เป็นตัววัดการสะสมของการไหลของอากาศเป็นบวกและลบ OBV เพิ่มปริมาณรวมของช่วง0ปีเมื่อปิดขึ้นและหักลบออกเมื่อปิดลง ยอดรวมสะสมของปริมาณการไหลบวกและลบนี้เป็นเส้น OBV บรรทัดนี้สามารถเปรียบเทียบกับแผนภูมิราคาของการรักษาความปลอดภัยพื้นฐานเพื่อค้นหาความแตกต่างหรือการยืนยันได้ ดังสูตรข้างต้นแสดงให้เห็นว่า Chaikin ได้ใช้แนวทางที่แตกต่างออกไปโดยละเว้นการเปลี่ยนแปลงจากระยะเวลาหนึ่งไปเป็นระยะเวลาหนึ่ง แทนเส้นการกระจายการสะสมจะเน้นที่ระดับของญาติสนิทกับช่วงที่สูงต่ำในช่วงเวลาหนึ่ง (วันสัปดาห์เดือน) ด้วยสูตรนี้การรักษาความปลอดภัยอาจทำให้ช่องว่างลงและปิดลงได้อย่างมีนัยสำคัญ แต่เส้นการกระจายการสะสมจะเพิ่มขึ้นหากจุดต่ำกว่าจุดกึ่งกลางของช่วงต่ำสุด แผนภูมิด้านบนแสดง Clorox (CLX) ที่มีช่องว่างขนาดใหญ่ลงและใกล้เคียงกับด้านบนของช่วง high-low ของ day0 OBV เคลื่อนตัวลงมาอย่างต่อเนื่องเนื่องจากการปิดต่ำกว่าก่อนหน้านี้ เส้นการจัดจำหน่ายสะสมเพิ่มขึ้นเนื่องจากระยะใกล้ใกล้ระดับสูงในแต่ละวัน การยืนยันแนวโน้มการยืนยันแนวโน้มคือแนวคิดแบบตรงไปข้างหน้า แนวโน้มขาขึ้นในสายการจำหน่ายสะสมช่วยยืนยันแนวโน้มการขึ้นลงของกราฟราคาและในทางกลับกัน แผนภูมิด้านล่างแสดง Freeport McMoran (FCX) และ Accumulation Distribution Line ที่กำลังจะเริ่มดำเนินการในเดือนกุมภาพันธ์ถึงมีนาคมลดลงตั้งแต่เดือนเมษายนถึงมิถุนายนและจะเริ่มดำเนินการตั้งแต่เดือนกรกฎาคมถึงมกราคม สายการแจกจ่าย Accumulation ยืนยันแนวโน้มราคาแต่ละแบบ Divergences Divergences รุกและหยาบเป็นจุดเริ่มต้นที่น่าสนใจ ความผันผวนของความผันผวนในรูปแบบเมื่อราคาเคลื่อนไปที่ระดับต่ำสุด แต่เส้นสะสมที่สะสมไม่ได้ยืนยันระดับต่ำสุดและเคลื่อนไหวที่สูงขึ้น การเพิ่มขึ้นของการแจกแจงสะสมแสดงให้เห็นถึงการสะสม คิดว่านี่เป็นความกดดันซื้อโดยทั่วไป ขึ้นอยู่กับทฤษฎีที่ว่าปริมาณก่อนราคา chartists ควรจะแจ้งเตือนสำหรับการกลับรายการรั้นในกราฟราคา กราฟด้านบนแสดง Nordstrom (JWN) พร้อมกับ Accumulation Distribution Line ขอให้สังเกตว่ามันเป็นการง่ายที่จะเปรียบเทียบการกระทำของราคาเมื่อตัวบ่งชี้ถูกวางไว้หลังพล็อตราคา ตัวบ่งชี้ (สีชมพู) และแนวโน้มราคาปรับตัวลงพร้อมกันตั้งแต่เดือนกุมภาพันธ์ถึงเดือนมิถุนายน สัญญาณการสะสมเกิดขึ้นเมื่อดัชนีเริ่มอ่อนตัวลงในช่วงต้นเดือนกรกฎาคมและเริ่มเคลื่อนตัวขึ้น JWN ปรับตัวลงต่ำสุดในปลายเดือนสิงหาคม แม้ว่าตัวบ่งชี้จะมีแรงกดดันด้านการซื้อ แต่สิ่งสำคัญคือต้องรอให้ตัวเร่งปฏิกิริยารั้นหรือการยืนยันในกราฟราคา ตัวเร่งปฏิกิริยานี้เกิดขึ้นเนื่องจากหุ้นพังทลายและพุ่งขึ้นจากระดับเสียงสูง ความผันผวนที่หยาบคายก่อตัวขึ้นเมื่อราคาเคลื่อนไปสู่จุดสูงสุดใหม่ แต่เส้นสะสมที่สะสมไม่ยืนยันและเคลื่อนตัวลง ซึ่งแสดงถึงการกระจายหรือแรงกดดันในการขายที่สามารถคาดการณ์การกลับรายการของการปรับตัวลงได้ในกราฟราคา แผนภูมิข้างต้นแสดงสายการบิน Southwest Airlines (LUV) และ Accumulation Distribution Line ซึ่งมีราคาสูงกว่าสองเดือน ตัวบ่งชี้ไม่เพียง แต่แหลม แต่ก็ปรับลดลงในเดือนมีนาคมและเมษายนซึ่งสะท้อนแรงกดดันในการขายบางส่วน LUV ยืนยันจุดอ่อนที่มีส่วนสนับสนุนจากกราฟราคาและ RSI เคลื่อนไหวต่ำกว่า 40 ในไม่ช้าหลังจากนั้น RSI มักซื้อขายในเขต bullars (40-80) และ bear zones (20-60) RSI จัดขึ้นในเขตวัวจนถึงต้นเดือนพฤษภาคมและย้ายเข้าไปอยู่ในเขตหมี ตัดการเชื่อมต่อกับราคาสายการแจกแจงสะสมเป็นตัวบ่งชี้ที่ขึ้นอยู่กับอนุพันธ์ของราคาและปริมาณ ซึ่งทำให้ขั้นตอนการลบออกจากราคาจริงของการรักษาความปลอดภัยพื้นฐานอย่างน้อยสองขั้นตอน นอกจากนี้ตัวคูณการไหลของเงินไม่ได้คำนึงถึงการเปลี่ยนแปลงราคาในแต่ละงวด ดังนั้นจึงไม่สามารถคาดว่าจะยืนยันการดำเนินการด้านราคาหรือยืนยันการทำนายราคาได้ด้วยความแตกต่าง บางครั้งอาจมีการกระวนกระวายใจตัดการเชื่อมต่อระหว่างราคาและตัวบ่งชี้ บางครั้งการแจกแจงสะสมไม่ง่ายนัก ด้วยเหตุนี้จึงเป็นสิ่งสำคัญอย่างยิ่งที่จะต้องใช้สายการกระจายการสะสมและตัวบ่งชี้ทั้งหมดสำหรับเรื่องนั้นร่วมกับการวิเคราะห์ราคาและตัวชี้วัดอื่น ๆ ข้อสรุปสายการกระจายการสะสม (Accumulation Distribution Line) สามารถใช้เพื่อวัดการไหลทั่วไปของปริมาตร แนวโน้มขาขึ้นบ่งชี้ว่าแรงซื้อเข้ามาอยู่ในเกณฑ์ปกติในขณะที่แนวโน้มขาลงแสดงให้เห็นว่าแรงขายมีขึ้น ความผันผวนของตัวเลขที่เป็นบวกและหยาบคายถือเป็นสัญญาณเตือนว่าอาจมีการกลับรายการในกราฟราคา เช่นเดียวกับตัวชี้วัดทั้งหมดสิ่งสำคัญคือต้องใช้สายการกระจายการสะสม (Accumulation Distribution Line) ร่วมกับด้านอื่น ๆ ของการวิเคราะห์ทางเทคนิคเช่นโมเมนตัม oscillators และรูปแบบแผนภูมิ ไม่ใช่ตัวบ่งชี้แบบสแตนด์อโลน SharpCharts สายการแจกจ่าย Accumulation มีอยู่ใน SharpCharts เป็นตัวบ่งชี้ หลังจากเลือกแล้วตัวบ่งชี้จะอยู่เหนือ, ด้านล่างหรือด้านหลังราคาของการรักษาความปลอดภัย การวางตำแหน่งหลังราคาทำให้ง่ายต่อการเปรียบเทียบกับการรักษาความปลอดภัยพื้นฐาน แผนภูมิยังสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่สำหรับตัวบ่งชี้โดยใช้ตัวเลือกขั้นสูง คลิกที่นี่เพื่อดูกราฟสดที่มี Accumulation Distribution Line แนะนำการสแกน Divergence รุ่งเรืองใน OBV และ ADL การสแกนนี้เริ่มต้นด้วยฐานของหุ้นที่มีมูลค่าเฉลี่ยอย่างน้อย 10 และ 100,000 ปริมาณต่อวันในช่วง 60 วันที่ผ่านมา ความผันผวนที่เป็นไปได้อาจเกิดขึ้นได้จากการมองหาหุ้นที่ราคาอยู่ต่ำกว่า SMA 65 วันและ SMA 20 วัน แต่ OBV และ Accumulation Distribution Line อยู่เหนือ SMA 65 วันและ SMA 20 วัน ความแตกต่างของ Beard ใน OBV และ ADL การสแกนนี้เริ่มต้นด้วยฐานของหุ้นที่มีมูลค่าเฉลี่ยอย่างน้อย 10 และ 100,000 ปริมาณต่อวันในช่วง 60 วันที่ผ่านมา ความผันผวนที่อาจเกิดขึ้นอาจเกิดจากการมองหาหุ้นที่ราคาอยู่เหนือ 65 วัน SMA และ SMA 20 วัน แต่ OBV และ Accumulation Distribution Line อยู่ต่ำกว่า SMA 65 วันและ SMA 20 วัน การศึกษาเพิ่มเติมหนังสือเล่มนี้ครอบคลุมเนื้อหาทั้งหมดที่มีคำอธิบายที่เรียบง่ายและชัดเจน เมอร์ฟี่ครอบคลุมรูปแบบแผนภูมิและตัวบ่งชี้ที่สำคัญที่สุด บทที่สมบูรณ์คือเพื่อรองรับปริมาณและความสนใจแบบเปิด การวิเคราะห์ทางเทคนิคของตลาดการเงิน John J. MurphySimple Moving Averages ทำให้แนวโน้มโดดเด่นค่าเฉลี่ยเคลื่อนที่ (Moving averages - MA) เป็นดัชนีชี้วัดทางเทคนิคที่ได้รับความนิยมมากที่สุดและใช้บ่อย ค่าเฉลี่ยเคลื่อนที่สามารถคำนวณได้ง่ายและเมื่อพล็อตลงบนแผนภูมิแล้วจะเป็นเครื่องมือที่มีแนวโน้มในการมองเห็นภาพที่มีประสิทธิภาพ คุณมักจะได้ยินเกี่ยวกับค่าเฉลี่ยเคลื่อนที่สามแบบ: ง่ายๆ เลขชี้กำลังและเส้นตรง สถานที่ที่ดีที่สุดในการเริ่มต้นคือการทำความเข้าใจพื้นฐานที่สุด: ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) ให้ดูที่ตัวบ่งชี้นี้และวิธีการที่จะช่วยให้ traders สามารถทำตามแนวโน้มต่อกำไรได้มากขึ้น (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับค่าเฉลี่ยเคลื่อนที่โปรดดูที่บทสรุปเกี่ยวกับ Forex ของเรา) เส้นแนวโน้มอาจไม่มีความเข้าใจเกี่ยวกับการเคลื่อนที่โดยรวมโดยไม่เข้าใจถึงแนวโน้ม แนวโน้มเป็นเพียงราคาที่ยังคงเคลื่อนไหวไปในทิศทางที่แน่นอน มีแนวโน้มที่แท้จริง 3 ประการที่สามารถรักษาความปลอดภัยได้: ขาขึ้น หรือรั้นแนวโน้มหมายความว่าราคามีการเคลื่อนไหวสูงขึ้น เป็นขาลง หรือขาลงซึ่งหมายความว่าราคาจะขยับลง แนวโน้มด้านข้าง ขณะที่ราคากำลังเคลื่อนไปทางด้านข้าง สิ่งสำคัญที่ต้องจำเกี่ยวกับแนวโน้มก็คือราคาไม่ค่อยเคลื่อนไหวเป็นเส้นตรง ดังนั้นเส้นเฉลี่ยที่เคลื่อนที่ได้ถูกใช้เพื่อช่วยให้ผู้ประกอบการค้าสามารถระบุทิศทางของแนวโน้มได้ง่ายขึ้น (สำหรับการอ่านขั้นสูงในหัวข้อนี้ให้ดูข้อมูลพื้นฐานเกี่ยวกับ Bollinger Bands และ Moving Envelopes เฉลี่ย: การปรับแต่งเครื่องมือการเทรดดิ้งที่เป็นที่นิยม) การย้ายค่าเฉลี่ยการก่อสร้างคำจำกัดความของค่าเฉลี่ยเคลื่อนที่จะเป็นราคาเฉลี่ยสำหรับการรักษาความปลอดภัยโดยใช้ช่วงเวลาที่ระบุ ให้ใช้ค่าเฉลี่ยเคลื่อนที่ 50 วันที่ได้รับความนิยมเป็นตัวอย่าง ค่าเฉลี่ยเคลื่อนที่ 50 วันคำนวณโดยการปิดราคาปิดของช่วง 50 วันที่ผ่านมาของการรักษาความปลอดภัยใด ๆ และรวมกัน ผลจากการบวกคำนวณหารด้วยจำนวนงวดในกรณีนี้ 50. เพื่อที่จะคำนวณค่าเฉลี่ยเคลื่อนที่ต่อไปในแต่ละวันให้แทนที่เลขที่เก่าที่สุดด้วยราคาปิดล่าสุดและทำคณิตศาสตร์เดียวกัน ไม่ว่าระยะเวลาสั้นหรือสั้นของค่าเฉลี่ยเคลื่อนที่ที่คุณต้องการพล็อตการคำนวณขั้นพื้นฐานยังคงเหมือนเดิม การเปลี่ยนแปลงจะอยู่ในจำนวนราคาปิดที่คุณใช้ ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ 200 วันคือราคาปิด 200 วันรวมกันแล้วหารด้วย 200 คุณจะเห็นค่าเฉลี่ยเคลื่อนที่ทุกชนิดจากค่าเฉลี่ยเคลื่อนที่สองวันเป็นค่าเฉลี่ยเคลื่อนที่ 250 วัน เป็นสิ่งสำคัญที่ต้องจำไว้ว่าคุณต้องมีจำนวนราคาปิดเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ หากการรักษาความปลอดภัยเป็นแบรนด์ใหม่หรือเพียงหนึ่งเดือนคุณจะไม่สามารถทำค่าเฉลี่ยเคลื่อนที่ได้ภายใน 50 วันเนื่องจากคุณจะไม่มีจุดข้อมูลที่เพียงพอ นอกจากนี้โปรดทราบว่าเราเลือกที่จะใช้ราคาปิดในการคำนวณ แต่ค่าเฉลี่ยเคลื่อนที่สามารถคำนวณโดยใช้ราคารายเดือนราคารายสัปดาห์ราคาเปิดหรือแม้แต่ราคาในวันเดียวกัน (ดูรายละเอียดเพิ่มเติมได้จากบทแนะนำของ Moving Averages ของเรา) รูปที่ 1: ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆใน Google Inc. ภาพที่ 1 เป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยในแผนภูมิหุ้นของ Google Inc. (Nasdaq: GOOG) เส้นสีน้ำเงินหมายถึงค่าเฉลี่ยเคลื่อนที่ 50 วัน ในตัวอย่างข้างต้นคุณจะเห็นว่าแนวโน้มลดลงตั้งแต่ช่วงปลายปี 2550 ราคาหุ้น Google ลดลงต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 50 วันในเดือนมกราคมปี 2008 และยังคงลดลงต่อไป เมื่อราคาต่ำกว่าค่าเฉลี่ยเคลื่อนที่สามารถใช้เป็นสัญญาณการซื้อขายแบบง่ายๆ การเคลื่อนไหวที่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่ (ดังที่แสดงไว้ด้านบน) แสดงให้เห็นว่าหมีอยู่ในการควบคุมการกระทำด้านราคาและสินทรัพย์มีแนวโน้มลดลง ตรงกันข้ามการข้ามด้านบนค่าเฉลี่ยเคลื่อนที่แสดงให้เห็นว่าวัวอยู่ในการควบคุมและราคาอาจพร้อมที่จะเคลื่อนตัวขึ้น (อ่านเพิ่มเติมใน Track Stock Prices ด้วย Trendlines) วิธีอื่น ๆ ในการใช้ Moving Averages ค่าเฉลี่ยเคลื่อนที่จะถูกใช้โดย traders จำนวนมากเพื่อไม่เพียงระบุแนวโน้มปัจจุบัน แต่ยังเป็นกลยุทธ์การเข้าและออก หนึ่งในกลยุทธ์ที่ง่ายที่สุดอาศัยการข้ามของค่าเฉลี่ยเคลื่อนที่สองตัวหรือมากกว่า สัญญาณพื้นฐานจะได้รับเมื่อค่าเฉลี่ยระยะสั้นข้ามหรือต่ำกว่าค่าเฉลี่ยเคลื่อนที่ในระยะยาว ค่าเฉลี่ยเคลื่อนที่สองค่าขึ้นไปช่วยให้คุณสามารถดูแนวโน้มในระยะยาวได้เมื่อเทียบกับค่าเฉลี่ยเคลื่อนที่ระยะสั้นซึ่งเป็นวิธีที่ง่ายในการพิจารณาว่าแนวโน้มมีความแข็งแกร่งหรือไม่ก็กำลังจะกลับรายการ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีนี้โปรดอ่าน A Primer On The MACD) รูปที่ 2: ค่าเฉลี่ยระยะยาวและสั้นกว่าใน Google Inc. รูปที่ 2 ใช้ค่าเฉลี่ยเคลื่อนที่สองค่าหนึ่งค่าในระยะยาว (50 วันโดยแสดงที่ เส้นสีน้ำเงิน) และอีกระยะสั้น (15 วันแสดงโดยเส้นสีแดง) นี่คือแผนภูมิ Google แบบเดียวกับที่แสดงในรูปที่ 1 แต่มีการเพิ่มค่าเฉลี่ยเคลื่อนที่สองค่าเพื่อแสดงความแตกต่างระหว่างสองช่วงความยาว คุณสังเกตเห็นว่าค่าเฉลี่ยเคลื่อนที่ 50 วันจะช้ากว่าเพื่อปรับให้เข้ากับการเปลี่ยนแปลงราคา เนื่องจากใช้จุดข้อมูลมากขึ้นในการคำนวณของ ในทางกลับกันค่าเฉลี่ยเคลื่อนที่ 15 วันสามารถตอบสนองต่อการเปลี่ยนแปลงราคาได้อย่างรวดเร็วเนื่องจากแต่ละค่ามีน้ำหนักมากขึ้นในการคำนวณเนื่องจากระยะเวลาอันสั้น ในกรณีนี้โดยใช้กลยุทธ์ข้ามคุณจะดูค่าเฉลี่ยเฉลี่ย 15 วันที่ด้านล่างค่าเฉลี่ยเคลื่อนที่ 50 วันเป็นรายการสำหรับตำแหน่งสั้น ๆ รูปที่ 3: แผนภูมิ 3 เดือนข้างต้นเป็นแผนภูมิ US States Oil (AMEX: USO) เป็นเวลา 3 เดือนโดยมีค่าเฉลี่ยเคลื่อนที่ 2 ค่า เส้นสีแดงคือค่าเฉลี่ยเคลื่อนที่ที่สั้นลง 15 วันในขณะที่เส้นสีน้ำเงินหมายถึงค่าเฉลี่ยเคลื่อนที่ที่ยาวกว่า 50 วัน ผู้ค้าส่วนใหญ่จะใช้ค่าเฉลี่ยของค่าเฉลี่ยระยะสั้นที่สูงกว่าค่าเฉลี่ยเคลื่อนที่ระยะยาวเพื่อเริ่มต้นตำแหน่งที่ยาวและระบุจุดเริ่มต้นของแนวโน้มขาขึ้น (เรียนรู้เพิ่มเติมเกี่ยวกับการใช้กลยุทธ์นี้ในการเทรดดิ้ง MACD Divergence) การสนับสนุนเกิดขึ้นเมื่อราคามีแนวโน้มลดลง มีจุดที่ความดันการขายลดลงและผู้ซื้อยินดีที่จะก้าวเข้าสู่ในคำอื่น ๆ มีการจัดตั้งชั้น ความต้านทานเกิดขึ้นเมื่อราคามีแนวโน้มสูงขึ้น มีจุดเด่นที่ความสามารถในการซื้อลดลงและผู้ขายเข้าสู่ขั้นตอนนี้จะเป็นการสร้างเพดาน (สำหรับคำอธิบายเพิ่มเติมโปรดอ่านข้อมูลพื้นฐานด้านความต้านทานของแอมป์ที่สนับสนุน) ในทั้งสองกรณีค่าเฉลี่ยเคลื่อนที่อาจเป็นสัญญาณบ่งบอกระดับการสนับสนุนหรือความต้านทานเริ่มต้น ตัวอย่างเช่นถ้าการรักษาความปลอดภัยลอยต่ำลงในขาขึ้นที่จัดตั้งขึ้นแล้วก็จะไม่น่าแปลกใจที่เห็นสต็อกหาสนับสนุนที่ระยะยาว 200 วันเฉลี่ยเคลื่อนที่ ในทางกลับกันหากราคามีแนวโน้มลดลงผู้ค้าจำนวนมากจะเฝ้าดูหุ้นที่จะพลิกกลับแนวต้านของค่าเฉลี่ยเคลื่อนที่ที่สำคัญ (50 วัน 100 วันและ SMA 200 วัน) (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้การสนับสนุนและความต้านทานในการระบุแนวโน้มโปรดอ่าน Trend-Spotting ด้วย AccumulationDistribution Line) ข้อสรุปค่าเฉลี่ยเคลื่อนที่เป็นเครื่องมือที่มีประสิทธิภาพ ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายสามารถคำนวณได้ง่ายซึ่งช่วยให้สามารถใช้งานได้อย่างรวดเร็วและง่ายดาย ค่าเฉลี่ยความแรงที่เกิดขึ้นโดยเฉลี่ยคือความสามารถในการช่วยให้ผู้ประกอบการค้าทราบถึงแนวโน้มในปัจจุบันหรือสังเกตแนวโน้มการกลับรายการที่เป็นไปได้ ค่าเฉลี่ยเคลื่อนที่สามารถระบุระดับการสนับสนุนหรือความต้านทานสำหรับความปลอดภัยหรือทำหน้าที่เป็นสัญญาณเข้าหรือออกจากรายการได้ง่าย วิธีที่คุณเลือกใช้ค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับคุณ เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน (DebtEquity Ratio) คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงกดดันทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละราย.2.1 Moving Average Models (MA Models) แบบจำลองของซีรีส์เวลาที่เรียกว่า ARIMA models อาจรวมถึงเงื่อนไขที่มีการตอบสนองอัตโนมัติและหรือค่าเฉลี่ยเคลื่อนที่ ในสัปดาห์ที่ 1 เราได้เรียนรู้คำอัตโนมัติในรูปแบบชุดเวลาสำหรับตัวแปร x t เป็นค่า lag ของ x t ตัวอย่างเช่นคำจำกัดความที่ล่าช้า 1 คือ x t-1 (คูณด้วยสัมประสิทธิ์) บทเรียนนี้กำหนดคำศัพท์เฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่ในรูปแบบของชุดเวลาเป็นข้อผิดพลาดที่ผ่านมา (คูณด้วยสัมประสิทธิ์) อนุญาต (wt overset N (0, sigma2w)) ซึ่งหมายความว่า w w จะเหมือนกันกระจายอย่างอิสระแต่ละอันมีการแจกแจงแบบปกติมีค่าเฉลี่ย 0 และค่าความแปรปรวนเดียวกัน รูปแบบการเคลื่อนที่โดยเฉลี่ยที่ 1 แสดงโดย MA (1) คือ (xt mu wt theta1w) รูปแบบการเคลื่อนที่โดยเฉลี่ยแบบที่ 2 แสดงโดย MA (2) คือ (xt mu wt theta1w theta2w) , แสดงโดย MA (q) คือ (xt หมู่น้ำหนักเบา theta1w theta2w จุด thetaqu) หมายเหตุ ตำราเรียนและโปรแกรมซอฟต์แวร์จำนวนมากกำหนดรูปแบบที่มีสัญญาณเชิงลบก่อนข้อกำหนด นี้ไม่ได้เปลี่ยนคุณสมบัติทางทฤษฎีทั่วไปของรูปแบบแม้ว่าจะไม่พลิกสัญญาณเกี่ยวกับพีชคณิตของค่าสัมประสิทธิ์ประมาณและเงื่อนไข (unsquared) ในสูตรสำหรับ ACFs และความแปรปรวน คุณจำเป็นต้องตรวจสอบซอฟต์แวร์ของคุณเพื่อตรวจสอบว่ามีการใช้เครื่องหมายเชิงลบหรือบวกในการเขียนแบบจำลองที่ถูกต้องหรือไม่ R ใช้เครื่องหมายบวกในโมเดลต้นแบบดังที่เราทำที่นี่ คุณสมบัติเชิงทฤษฎีของซีรี่ส์เวลากับแบบ MA (1) โปรดทราบว่าค่าที่ไม่ใช่ศูนย์เดียวใน ACF ทางทฤษฎีเป็นค่าความล่าช้า 1 autocorrelations อื่น ๆ ทั้งหมดเป็น 0 ดังนั้นตัวอย่าง ACF กับ autocorrelation อย่างมีนัยสำคัญเท่านั้นที่ล่าช้า 1 เป็นตัวบ่งชี้ของรูปแบบที่เป็นไปได้ MA (1) สำหรับนักเรียนที่สนใจการพิสูจน์คุณสมบัติเหล่านี้เป็นส่วนเสริมของเอกสารฉบับนี้ ตัวอย่างที่ 1 สมมติว่าแบบจำลอง MA (1) คือ x t 10 w t .7 w t-1 ที่ไหน (น้ำหนักเกิน N (0,1)) ดังนั้นค่าสัมประสิทธิ์ 1 0.7 ทฤษฎี ACF ได้รับโดยพล็อตของ ACF นี้ดังนี้ พล็อตที่แสดงให้เห็นคือทฤษฎี ACF สำหรับ MA (1) กับ 1 0.7 ในทางปฏิบัติตัวอย่างมักไม่ค่อยให้รูปแบบที่ชัดเจนเช่นนี้ ใช้ R เราจำลองค่า n 100 ตัวอย่างโดยใช้โมเดล x t 10 w t .7 w t-1 โดยที่ w t iid N (0,1) สำหรับการจำลองแบบนี้ข้อมูลพร็อพเพอร์ตี้ตามเวลาจะเป็นดังนี้ เราไม่สามารถบอกได้มากจากพล็อตนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ เราจะเห็นการเพิ่มขึ้นของความล่าช้าที่ 1 ตามด้วยค่าที่ไม่ใช่นัยสำคัญสำหรับความล่าช้าในอดีต 1. โปรดทราบว่าตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีของ MA ต้นแบบ (1) ซึ่งเป็นค่าความสัมพันธ์ระหว่างความล่าช้าทั้งหมดที่ผ่านมา 1 จะเป็น 0 ตัวอย่างที่แตกต่างกันจะมีตัวอย่าง ACF ที่แตกต่างกันเล็กน้อยที่แสดงด้านล่าง แต่อาจมีลักษณะกว้างเช่นเดียวกัน สมบัติทางทฤษฎีของแบบเวลากับแบบ MA (2) สำหรับแบบจำลอง MA (2) คุณสมบัติทางทฤษฎีมีดังต่อไปนี้: โปรดทราบว่าเฉพาะค่าที่ไม่ใช่ศูนย์ใน ACF ทางทฤษฎีเท่านั้นสำหรับการล่าช้า 1 และ 2 ค่าความสัมพันธ์กับความล่าช้าที่สูงขึ้นคือ 0 ดังนั้น ACF ตัวอย่างกับ autocorrelations อย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 แต่ autocorrelations ที่ไม่สำคัญสำหรับความล่าช้าสูงแสดงให้เห็นถึงรูปแบบที่เป็นไปได้ MA (2) iid N (0,1) ค่าสัมประสิทธิ์คือ 1 0.5 และ 2 0.3 เนื่องจากนี่คือ MA (2) ทฤษฎี ACF จะมีค่าที่ไม่ใช่ศูนย์เฉพาะที่ล่าช้า 1 และ 2 ค่าของสอง autocorrelations ไม่ใช่ศูนย์เป็นพล็อต ACF ตามทฤษฎี เกือบตลอดเวลาเป็นกรณีตัวอย่างข้อมูลเคยชินทำงานค่อนข้างสมบูรณ์เพื่อเป็นทฤษฎี เราจำลองค่าตัวอย่าง 150 ตัวอย่างสำหรับรุ่น x t 10 w t .5 w t-1 .3 w t-2 โดยที่ w t iid N (0,1) พล็อตชุดข้อมูลตามลำดับ เช่นเดียวกับชุดข้อมูลอนุกรมเวลาสำหรับข้อมูลตัวอย่าง MA (1) คุณไม่สามารถบอกได้มากจากข้อมูลนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ รูปแบบเป็นเรื่องปกติสำหรับสถานการณ์ที่โมเดล MA (2) อาจเป็นประโยชน์ มีสอง spikes ที่สำคัญอย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 ตามด้วยค่าที่ไม่สำคัญสำหรับความล่าช้าอื่น ๆ โปรดทราบว่าเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่างตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีเลย ACF for General MA (q) Models คุณสมบัติของโมเดล MA (q) โดยทั่วไปคือมีความสัมพันธ์กับค่าที่ไม่ใช่ศูนย์สำหรับ q lags แรกและ autocorrelations 0 สำหรับ lags ทั้งหมด gtq ความไม่เป็นเอกลักษณ์ของการเชื่อมต่อระหว่างค่า 1 และ (rho1) ในรูปแบบ MA (1) ในรูปแบบ MA (1) สำหรับค่า 1 1 1 ซึ่งกันและกันให้ค่าเช่นเดียวกับตัวอย่างให้ใช้ 0.5 เป็นเวลา 1 จากนั้นใช้ 1 (0.5) 2 เป็นเวลา 1 คุณจะได้รับ (rho1) 0.4 ในทั้งสองกรณี เพื่อตอบสนองข้อ จำกัด ทางทฤษฎีที่เรียกว่า invertibility เรา จำกัด โมเดล MA (1) ให้มีค่าที่มีค่าสัมบูรณ์น้อยกว่า 1. ในตัวอย่างที่ให้ไว้เพียงแค่ 1 0.5 จะเป็นค่าพารามิเตอร์ที่ยอมให้ใช้ได้ในขณะที่ 1 10.5 2 จะไม่ ความผันแปรของรูปแบบ MA แบบจำลอง MA กล่าวได้ว่าเป็น invertible ถ้าเป็นพีชคณิตเทียบเท่ากับรูปแบบ AR อนันต์ converging โดยการบรรจบกันเราหมายถึงค่าสัมประสิทธิ์ของ AR ลดลงเป็น 0 เมื่อเราเคลื่อนที่ย้อนกลับไปในเวลา Invertibility คือข้อจํากัดที่ตั้งโปรแกรมเป็นซอฟต์แวร์ชุดเวลาที่ใช้ในการประมาณค่าสัมประสิทธิ์ของแบบจำลองที่มีเงื่อนไข MA ไม่ใช่สิ่งที่เราตรวจสอบในการวิเคราะห์ข้อมูล ข้อมูลเพิ่มเติมเกี่ยวกับข้อ จำกัด ด้านความสามารถในการซ่อนตัวของ MA (1) ได้รับในภาคผนวก ทฤษฎีขั้นสูงหมายเหตุ สำหรับแบบจำลอง MA (q) ที่มี ACF ที่ระบุมีรูปแบบที่มีการเปลี่ยนแปลงได้เพียงแบบเดียว เงื่อนไขที่จำเป็นสำหรับ invertibility คือสัมประสิทธิ์มีค่าเช่นว่าสมการ 1- 1 y - - q y q 0 มีคำตอบสำหรับ y ที่อยู่นอกวงกลมหน่วย R รหัสสำหรับตัวอย่างในตัวอย่างที่ 1 เราได้วางแผนทฤษฎี ACF ของโมเดล x t 10 w t 7w t-1 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ที่ใช้ในการวางแผน ACF ทางทฤษฎี ได้แก่ acfma1ARMAacf (mac (0.7), lag. max10) 10 ACL ล่าช้าสำหรับ MA (1) กับ theta1 0.7 lags0: 10 สร้างตัวแปรล่าช้าที่มีตั้งแต่ 0 ถึง 10 (h0) เพิ่มแกนนอนลงในพล็อตคำสั่งแรกกำหนด ACF และจัดเก็บไว้ในอ็อบเจกต์ (ACF) และจะมีการจัดเก็บข้อมูลไว้ในออปเจ็กต์ (acfma1, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (1) ด้วย theta1 0.7) ชื่อ acfma1 (เลือกชื่อของเรา) พล็อตคำสั่ง (คำสั่งที่ 3) แปลงล่าช้ากับค่า ACF สำหรับล่าช้า 1 ถึง 10 พารามิเตอร์ ylab ตั้งชื่อแกน y และพารามิเตอร์หลักจะทำให้ชื่อเรื่องเป็นพล็อต หากต้องการดูค่าตัวเลขของ ACF เพียงแค่ใช้คำสั่ง acfma1 การจำลองและแปลงทำตามคำสั่งต่อไปนี้ xcarima. sim (n150 รายการ (mac (0.7))) เลียนแบบ n 150 ค่าจาก MA (1) xxc10 เพิ่ม 10 เพื่อให้ค่าเฉลี่ย 10. ค่าเริ่มต้นของการจำลองจะหมายถึง 0. plot (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลตัวอย่างจำลอง) ในตัวอย่างที่ 2 เราวางแผนใช้ทฤษฎี ACF ของโมเดล xt 10 wt .5 w t-1 .3 w t-2 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ใช้คือ acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 พล็อต (ล่าช้า acfma2, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (2) กับ theta1 0.5, theta20.3) abline (h0) xcarima. sim (n150 รายการ (mac (0.5, 0.3))) xxc10 พล็อต (x, typeb, หลักจำลองแมสซาชูเซตส์ (2) ซีรี่ส์) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลจำลอง MA (2)) ภาคผนวก: การพิสูจน์คุณสมบัติของ MA (1) สำหรับนักเรียนที่สนใจนี่เป็นหลักฐานสำหรับคุณสมบัติทางทฤษฎีของโมเดล MA (1) ความแปรปรวน: (text (xt) text (mu wt theta1 w) ข้อความ 0 (wt) text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) เมื่อ h 1 นิพจน์ก่อนหน้านี้ 1 w 2. สำหรับ h 2 ใด ๆ นิพจน์ก่อนหน้า 0 เหตุผลก็คือตามนิยามของความเป็นอิสระของน้ำหนัก E (w k w j) 0 สำหรับ k j ใด ๆ นอกจากนี้เนื่องจาก w t มีค่าเฉลี่ยเป็น 0, E (w j w j) E (w j 2) w 2 สำหรับซีรี่ส์เวลาให้ใช้ผลลัพธ์นี้เพื่อให้ได้ ACF ที่ระบุไว้ด้านบน รูปแบบแมสซาชูเซตแบบพลิกกลับเป็นแบบที่สามารถเขียนเป็นแบบจำลอง AR ที่ไม่มีที่สิ้นสุดซึ่งจะมาบรรจบกันเพื่อให้ค่าสัมประสิทธิ์ AR แปรผันไปที่ 0 เมื่อเราเคลื่อนตัวกลับในเวลาอนันต์ แสดงให้เห็นถึงความสามารถในการพลิกกลับของ MA (1) ได้ดี จากนั้นเราจะแทนความสัมพันธ์ (2) สำหรับ w t-1 ในสมการ (1) (3) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) ณ เวลา t-2 สมการ (2) กลายเป็นเราแทนความสัมพันธ์ (4) สำหรับ w t-2 ในสมการ (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) ถ้าเราจะดำเนินการต่อ อนันต์) เราจะได้รับแบบอนุกรม AR อนันต์ (zt wt theta1 z - theta21z theta31z - theta41z จุด) หมายเหตุ แต่ที่ 1 1 สัมประสิทธิ์คูณความล่าช้าของ z จะเพิ่มขึ้น (อนันต์) ในขนาดที่เราย้ายกลับมา เวลา. เพื่อป้องกันปัญหานี้เราต้องใช้ 1 lt1 นี่เป็นเงื่อนไขสำหรับรูปแบบ MA (1) ที่มองไม่เห็น รูปแบบการสั่งซื้อ Infinite Order ในสัปดาห์ที่ 3 ให้ดูว่าแบบจำลอง AR (1) สามารถแปลงเป็นแบบจำลอง MA อนันต์: (xt - mu wt phi1w phi21w dots phik1 w counts sum phij1w) ข้อสรุปของคำพูดเสียงสีขาวที่ผ่านมาเป็นที่รู้จักกัน เป็นตัวแทนเชิงสาเหตุของ AR (1) กล่าวอีกนัยหนึ่ง x t เป็น MA ชนิดพิเศษที่มีจำนวนอนันต์ที่จะย้อนกลับไปในเวลา นี่เรียกว่าลำดับ MA หรือ MA () ที่ไม่มีขีด จำกัด คำสั่งที่แน่นอนคือแมสซาชูเซตส์อนันต์ลำดับ AR และคำสั่งใด ๆ ที่ จำกัด AR เป็นลำดับที่ไม่มีขีด จำกัด MA จำได้ว่าในสัปดาห์ที่ 1 เราสังเกตเห็นว่าข้อกำหนดสำหรับ AR (1) ที่หยุดนิ่งคือ 1 lt1 ให้คำนวณ Var (x t) โดยใช้การแทนสาเหตุ ขั้นตอนสุดท้ายนี้ใช้ข้อเท็จจริงพื้นฐานเกี่ยวกับชุดข้อมูลทางเรขาคณิตที่ต้องใช้ (phi1lt1) มิฉะนั้นชุดข้อมูลจะแตกต่างออกไป การเดินเรือ