Exponential Moving Average Wolfram

Geschichte und Hintergrund, die zuerst mit bewegten Durchschnitten kamen Technische Analytiker haben mit bewegten Durchschnitten jetzt für mehrere Jahrzehnte. Sie sind so allgegenwärtig in unserer Arbeit, dass die meisten von uns nicht wissen, woher sie kamen. Statistiker kategorisieren Moving Averages als Teil einer Familie von Werkzeugen für ldquoTime Series Analysisrdquo. Andere in dieser Familie sind: ANOVA, das arithmetische Mittel, Korrelationskoeffizient, Kovarianz, Unterschied Tisch, der kleinsten Quadrate, Maximum Likelihood, gleitender Durchschnitt, Periodogramm, Prediction Theorie, Zufallsvariable, Random Walk, Rest, Varianz. Lesen Sie mehr über jede dieser und ihre Definitionen bei Wolfram. Die Entwicklung des ldquomoving averagerdquo geht auf das Jahr 1901 zurück, obwohl der Name später angewendet wurde. Vom Mathematikhistoriker Jeff Miller: BEWEGLICHES DURCHSCHNITT. Diese Technik zum Glätten von Datenpunkten wurde jahrzehntelang verwendet, bevor dieses oder irgendein allgemeiner Begriff in Gebrauch kam. 1909 GU Yule (Journal of the Royal Statistical Society. 72, 721-730) beschreiben die ldquoinstantaneous averagesrdquo RH Hooker 1901 berechnet als ldquomoving-averages. rdquo Yule nicht den Begriff in seinem Lehrbuch übernehmen, aber es trat Zirkulation durch WI Kingrsquos Elemente der statistischen Methode (1912). ldquoMoving averagerdquo auf eine Art von stochastischen Prozess bezieht, ist eine Abkürzung von H. Woldrsquos ldquoprocess averagerdquo (Eine Studie in der Analyse von stationären Zeitreihen (1938)) zu bewegen. Wold beschrieb, wie spezielle Fälle des Prozesses in den 1920er Jahren von Yule (in Verbindung mit den Eigenschaften der variierenden Differenzkorrelationsmethode) und Slutsky John Aldrich untersucht worden waren. Von StatSoft Inc. kommt diese Beschreibung von Exponential Smoothing. Die eine von mehreren Techniken für die Gewichtung von Vergangenheit Daten unterschiedlich ist: ldquoExponentielle Glättung hat sich als Prognosemethode für eine Vielzahl von Zeitreihen-Daten sehr beliebt. Historisch wurde das Verfahren unabhängig von Robert Goodell Brown und Charles Holt entwickelt. Brown arbeitete für die US-Marine während des Zweiten Weltkriegs, wo seine Aufgabe war es, ein Tracking-System für Brandbekämpfung Informationen zur Berechnung der Lage der U-Boote zu entwerfen. Später setzte er diese Technik auf die Prognose der Ersatzteilnachfrage (ein Bestandskontrollproblem). Er beschrieb diese Ideen in seinem Buch 1959 über die Bestandskontrolle. Holtrsquos Forschung durch das Office of Naval Research unabhängig gesponsert wurde, entwickelte er Modelle der exponentiellen Glättung für konstante Prozesse verarbeitet, mit linearen Trends und saisonale data. rdquo Holtrsquos Papier, ldquoForecasting Seasonals und Trends von Exponentiell gewichtete gleitende Averagesrdquo 1957 in O. N.R. veröffentlicht wurde Forschung Memorandum 52, Carnegie Institute of Technology. Es gibt es nicht online kostenlos, aber kann von denen mit Zugang zu akademischen Papier Ressourcen zugänglich sein. Nach unserem Wissen war P. N. (Pete) Haurlan die erste, die exponentielle Glättung für die Verfolgung der Aktienkurse verwendet. Haurlan war ein tatsächlicher Raketenwissenschaftler, der für JPL in den frühen sechziger Jahren arbeitete und folglich hatte er Zugang zu einem Computer. Er nannte sie nicht ldquoexponential Moving Averages (EMAs) rdquo oder mathematisch modischen ldquoexponentially gewichteten gleitenden Durchschnitte (EWMAs) rdquo. Stattdessen nannte er sie ldquoTrend Valuesrdquo und nannte sie durch ihre Glättungskonstanten. So, was heute allgemein als eine 19-Tage-EMA bezeichnet wird, nannte er ein ldquo10 Trendrdquo. Da seine Terminologie das Original für eine solche Verwendung bei der Aktienkursverfolgung war, verwenden wir daher diese Terminologie in unserer Arbeit weiter. Haurlan hatte EMAs bei der Konstruktion der Tracking-Systeme für Raketen eingesetzt, die zum Beispiel ein sich bewegendes Objekt wie einen Satelliten, einen Planeten usw. abfangen mussten. Wenn der Weg zum Ziel ausgeschaltet wäre, müsste eine Art von Eingabe angewendet werden An den Lenkmechanismus, aber sie wollten nicht übertreiben oder untertreiben, dass Eingang und entweder instabil oder nicht drehen. Daher war die richtige Art der Glättung von Dateneingaben hilfreich. Haurlan nannte dieses ldquoProportional Controlrdquo, was bedeutet, dass der Lenkmechanismus nicht versuchen würde, den gesamten Tracking-Fehler auf einmal auszugleichen. EMAs waren leichter in frühe analoge Schaltungen als andere Filtertypen zu codieren, da sie nur zwei Stücke von variablen Daten benötigen: den aktuellen Eingangswert (z. B. Preis, Position, Winkel usw.) und den vorherigen EMA-Wert. Die Glättungskonstante wäre fest verdrahtet in die Schaltungsanordnung, so daß der ldquomemoryrdquo nur diese beiden Variablen verfolgen muß. Ein einfacher gleitender Durchschnitt erfordert andererseits das Verfolgen aller Werte innerhalb der Rückblickperiode. Also ein 50-SMA würde bedeuten, die Verfolgung von 50 Datenpunkten, dann Mittelung sie. Es bindet viel mehr Rechenleistung. Mehr über EMAs im Vergleich zu Simple Moving Averages (SMAs) bei Exponential versus Simple. Haurlan gründete den Trade Levels-Newsletter in den 1960er Jahren, so dass JPL für die lukrativere Arbeit. Sein Rundschreiben war ein Sponsor der Charting The Market TV-Show auf KWHY-TV in Los Angeles, die erste TA-TV-Show, die von Gene Morgan. Die Arbeit von Haurlan und Morgan waren ein großer Teil der Inspiration hinter Sherman und Marian McClellanrsquos Entwicklung der McClellan-Oszillator und Summation Index, der exponentielle Glättung von Advance-Decline Daten beziehen. Sie können ein 1968-Heft mit dem Titel Measuring Trend Values ​​lesen, das von Haurlan ab Seite 8 des MTA Award Handout veröffentlicht wird. Die wir für die Teilnehmer der MTA-Konferenz 2004 vorbereiteten, wo Sherman und Marian mit dem MTArsquos Lifetime Achievement Award ausgezeichnet wurden. Haurlan listet nicht die Herkunft dieser mathematischen Technik, sondern stellt fest, dass es in der Luftfahrttechnik seit vielen Jahren verwendet wurde. Importante rechtliche Informationen über die E-Mail, die Sie senden werden. Durch die Nutzung dieses Dienstes erklären Sie sich damit einverstanden, Ihre echte E-Mail-Adresse einzugeben und nur an Personen zu senden, die Sie kennen. Es ist eine Verletzung des Rechts in einigen Gerichtsbarkeiten zu fälschlich identifizieren sich in einer E-Mail. Alle Informationen, die Sie zur Verfügung stellen, werden von Fidelity ausschließlich für den Zweck verwendet, die E-Mail in Ihrem Namen zu senden. Die Betreffzeile der E-Mail, die Sie senden, ist Fidelity: Ihre E-Mail wurde gesendet. Mutualfonds und Investmentfonds - Fidelity Investments Mit einem Klick auf einen Link öffnet sich ein neues Fenster. Exponential Moving Average (EMA) Beschreibung Der Exponential Moving Average (EMA) ähnelt dem Simple Moving Average (SMA) und misst die Trendrichtung über einen Zeitraum. Allerdings, während SMA berechnet einfach einen Durchschnitt der Preisdaten, EMA mehr Gewicht auf Daten, die aktueller ist. Wegen seiner einzigartigen Berechnung, EMA folgen die Preise näher als eine entsprechende SMA. Funktionsweise des Indikators Verwenden Sie die gleichen Regeln, die für SMA gelten, wenn Sie EMA interpretieren. Denken Sie daran, dass EMA im Allgemeinen empfindlicher für Preisbewegungen ist. Dies kann ein zweischneidiges Schwert sein. Auf der einen Seite kann es Ihnen helfen, Trends früher als eine SMA identifizieren. Auf der anderen Seite wird die EMA wahrscheinlich mehr kurzfristige Veränderungen erfahren als eine entsprechende SMA. Verwenden Sie die EMA, um die Trendrichtung zu bestimmen und in dieser Richtung zu handeln. Wenn die EMA steigt, möchten Sie vielleicht prüfen, wenn die Preise tauchen in der Nähe oder knapp unterhalb der EMA. Wenn die EMA fällt, können Sie prüfen, wenn die Preise auf oder knapp über der EMA. Bewegungsdurchschnitte können auch Stütz - und Widerstandsbereiche anzeigen. Eine steigende EMA neigt dazu, die Preisaktion zu unterstützen, während eine sinkende EMA dazu neigt, Widerstand gegen Preisaktionen zu leisten. Dies verstärkt die Strategie der Kauf, wenn der Preis in der Nähe der steigenden EMA und Verkauf, wenn der Preis in der Nähe der fallenden EMA ist. Alle gleitenden Durchschnitte, einschließlich der EMA, sind nicht darauf ausgelegt, einen Handel an der exakten Unterseite und Oberseite zu kennzeichnen. Gleitende Durchschnitte können Ihnen helfen, in der allgemeinen Richtung eines Trends zu handeln, aber mit einer Verzögerung an den Ein-und Ausgangsstellen. Die EMA hat eine kürzere Verzögerung als die SMA mit dem gleichen Zeitraum. Berechnung Sie sollten beachten, wie die EMA den vorherigen Wert der EMA in ihrer Berechnung verwendet. Dies bedeutet, dass die EMA alle Preisdaten innerhalb ihres aktuellen Wertes enthält. Die neuesten Preisdaten haben den größten Einfluss auf den Moving Average und die ältesten Preisdaten haben nur eine minimale Auswirkung. EMA (K x (C - P)) P Wobei: C Aktueller Preis P Vorherige Perioden EMA (Ein SMA wird für die ersten Periodenberechnungen verwendet) K Exponentielle Glättungskonstante Die Glättungskonstante K gilt für den aktuellsten Preis. Es nutzt die Anzahl der angegebenen Perioden im gleitenden Durchschnitt. Verwandte Indikatoren SMA ist der einfachste gleitende Durchschnitt zu konstruieren. Es ist einfach der durchschnittliche Preis über den angegebenen Zeitraum. Die technische Analyse konzentriert sich auf Marktaktionen, insbesondere auf Volumen und Preis. Technische Analyse ist nur ein Ansatz zur Analyse von Beständen. Bei der Prüfung, welche Aktien zu kaufen oder zu verkaufen, sollten Sie den Ansatz, dass youre am bequemsten mit. Wie bei allen Investitionen müssen Sie sich selbst entscheiden, ob eine Anlage in bestimmte Wertpapiere oder Wertpapiere für Sie aufgrund Ihrer Anlageziele, Risikobereitschaft und finanziellen Situation das richtige für Sie ist. Die bisherige Wertentwicklung ist keine Garantie für zukünftige Ergebnisse. Forecasting mit exponentiellen Bewegungsdurchschnitten Für stationäre oder nahezu stationäre Daten ist der exponentielle gleitende Durchschnitt eine einfache Methode für die Zeitreihenvorhersage. Wählen Sie zwischen Vorhersage und Glättung, um zu sehen, der Unterschied zwischen ihnen ist der Glättungsparameter im exponentiellen gleitenden Durchschnitt und ist der mittlere quadratische Fehler zwischen der Prognose (rote Kurve) und tatsächlichen Daten der Daten (blaue Kurve). Größere Werte verursachen weniger Glättung. Die zu testende Prognose Die Prognose wird zu gegebener Zeit durch den tatsächlichen Wert der Zeitreihe bestimmt. Diese Rekursion beginnt bei. Wann . Die Prognose ist für alle Zeit und wenn. Die Prognose ist die letzte Beobachtung. Für weitere Informationen über die Vorhersage mit exponentiellen Glättungsmethoden, siehe 1. Die Schüler sollten sich fragen: Gibt es eine Beziehung zwischen dem Erscheinen der Daten und dem optimalen Wert für die Prognose Warum ist nicht der exponentielle gleitende Durchschnitt eine sehr gute Prognosemethode für Daten mit einem Trend 1 SG Makridakis, SC Wheelwright und RJ Hyndman, Prognose, Methoden und Anwendungen. 3. Aufl. Hoboken, NJ: John Wiley amp Sons, Inc. 1998.