การย้าย ค่าเฉลี่ย สมมติฐาน

ค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ย 7 ข้อคือค่าเฉลี่ยของการรักษาความปลอดภัยในช่วงเวลาที่กำหนดนักวิเคราะห์มักใช้ค่าเฉลี่ยเคลื่อนที่เป็นเครื่องมือในการวิเคราะห์เพื่อให้ง่ายขึ้นในการปฏิบัติตามแนวโน้มของตลาดเนื่องจากการเคลื่อนไหวของดัชนีขึ้นและลง สามารถสร้างเทรนด์และวัดโมเมนตัมได้ดังนั้นจึงสามารถนำมาใช้เพื่อบ่งชี้ว่านักลงทุนควรซื้อหรือขายหลักทรัพย์เฉพาะใด ๆ นักลงทุนยังสามารถใช้ค่าเฉลี่ยเคลื่อนที่ในการระบุจุดรองรับหรือจุดต้านทานเพื่อวัดเมื่อราคามีแนวโน้มที่จะเปลี่ยนทิศทางโดยการศึกษาประวัติศาสตร์ การซื้อขายช่วงจุดสนับสนุนและความต้านทานจะจัดตั้งขึ้นที่ราคาของการรักษาความปลอดภัยย้อนกลับแนวโน้มขึ้นหรือลงของมันในอดีตจุดเหล่านี้จะใช้ในการตัดสินใจซื้อหรือขาย แต่น่าเสียดายที่ค่าเฉลี่ยเคลื่อนที่ไม่ได้เป็นเครื่องมือที่เหมาะสำหรับการสร้างแนวโน้มและ มีความเสี่ยงที่ลึกซึ้ง แต่มีนัยสำคัญต่อนักลงทุนนอกจากนี้ค่าเฉลี่ยเคลื่อนที่ยังไม่ครอบคลุมถึงทุกประเภทของ บริษัท และอุตสาหกรรมบางแห่ง ของข้อเสียที่สำคัญของค่าเฉลี่ยเคลื่อนที่ ได้แก่ 1 ค่าเฉลี่ยเคลื่อนที่ดึงแนวโน้มจากข้อมูลที่ผ่านมาอย่าคำนึงถึงการเปลี่ยนแปลงบัญชีที่อาจส่งผลต่อประสิทธิภาพการทำงานในอนาคตของคู่แข่งเช่นความสามารถในการแข่งขันที่เพิ่มขึ้นหรือความต้องการผลิตภัณฑ์ในอุตสาหกรรมและการเปลี่ยนแปลงใน โครงสร้างการบริหารจัดการของ บริษัท 2 ความนึกคิดที่ค่าเฉลี่ยเคลื่อนที่จะแสดงการเปลี่ยนแปลงราคาที่สอดคล้องกันในช่วงเวลาที่น่าเป็นห่วงการย้ายค่าเฉลี่ยอย่าทำงานให้กับทุก บริษัท โดยเฉพาะอย่างยิ่งสำหรับผู้ที่อยู่ในอุตสาหกรรมที่มีความผันผวนหรือผู้ที่มีความหนักแน่น อิทธิพลจากเหตุการณ์ปัจจุบันโดยเฉพาะอย่างยิ่งสำหรับอุตสาหกรรมน้ำมันและอุตสาหกรรมเก็งกำไรโดยทั่วไป 3. ค่าเฉลี่ยเคลื่อนที่สามารถแพร่กระจายได้ตลอดช่วงเวลาอย่างไรก็ตามปัญหานี้อาจเป็นปัญหาได้เนื่องจากแนวโน้มทั่วไปอาจเปลี่ยนแปลงอย่างมากขึ้นอยู่กับช่วงเวลาที่ใช้ กรอบเวลาที่สั้นลงมีความผันผวนมากขึ้นในขณะที่กรอบเวลาที่ยาวขึ้นมีความผันผวนน้อยกว่า แต่อย่าคำนึงถึงการเปลี่ยนแปลงใหม่ ๆ ในตลาดนักลงทุน m ควรระวังว่ากรอบเวลาใดที่พวกเขาเลือกเพื่อให้แน่ใจว่าแนวโน้มมีความชัดเจนและมีความเกี่ยวข้อง 4 การอภิปรายที่กำลังเกิดขึ้นคือการให้ความสำคัญมากขึ้นหรือไม่ในวันล่าสุดในช่วงเวลาหลาย ๆ คนรู้สึกว่าข้อมูลล่าสุดสะท้อนได้ดีขึ้น ทิศทางการรักษาความปลอดภัยที่มีการเคลื่อนไหวในขณะที่คนอื่นรู้สึกว่าให้บางวันน้ำหนักมากขึ้นกว่าคนอื่น ๆ ไม่ถูกต้องอคติแนวโน้มนักลงทุนที่ใช้วิธีการที่แตกต่างกันสำหรับการคำนวณค่าเฉลี่ยอาจวาดแนวโน้มที่แตกต่างกันอย่างสมบูรณ์เรียนรู้เพิ่มเติมในค่าเฉลี่ยเคลื่อนที่ง่ายและค่าเฉลี่ย 5 นักลงทุนหลายคนยืนยันว่า การวิเคราะห์ทางเทคนิคเป็นวิธีที่ไม่มีความหมายในการทำนายพฤติกรรมทางการตลาดพวกเขากล่าวว่าตลาดไม่มีหน่วยความจำและอดีตไม่ได้เป็นตัวชี้วัดในอนาคตนอกจากนี้ยังมีงานวิจัยที่สำคัญในการสนับสนุนเรื่องนี้ด้วยเช่นรอยเนเซอร์เซียนดำเนินการศึกษาด้วยกลยุทธ์ที่แตกต่างกันห้าแบบ ค่าเฉลี่ยความสำเร็จของแต่ละกลยุทธ์แตกต่างกันไประหว่าง 37 ถึง 66 ผลการวิจัยครั้งนี้แสดงให้เห็นว่าค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ได้เฉลี่ยเพียงครึ่งเดียว ฉันสามารถใช้ประโยชน์จากพวกเขาเป็นเรื่องเสี่ยงสำหรับการกำหนดเวลาของตลาดหุ้นได้อย่างมีประสิทธิภาพ 6 หลักทรัพย์มักแสดงพฤติกรรมแบบวัฏจักรนี้เช่นกันสำหรับ บริษัท สาธารณูปโภคซึ่งมีความต้องการสินค้าคงคลังเป็นประจำทุกปี แต่มีประสบการณ์ที่แข็งแกร่ง การเปลี่ยนแปลงตามฤดูกาลแม้ว่าค่าเฉลี่ยเคลื่อนที่จะช่วยให้ราบเรียบแนวโน้มเหล่านี้ได้ แต่ก็ยังสามารถซ่อนความจริงที่ว่าการรักษาความปลอดภัยมีแนวโน้มสูงขึ้นได้ในรูปแบบการแกว่งตัวหากต้องการเรียนรู้เพิ่มเติมโปรดดูที่การเก็บตาบนโมเมนตัม 7 วัตถุประสงค์ของเทรนด์ใด ๆ ของการรักษาความปลอดภัยจะเป็นในอนาคตหากการรักษาความปลอดภัยไม่ได้มีแนวโน้มในทิศทางใดก็ไม่ได้ให้โอกาสที่จะมีกำไรจากการซื้อหรือการขายสั้น ๆ วิธีเดียวที่นักลงทุนอาจจะสามารถทำกำไรจะดำเนินการที่มีความซับซ้อนตัวเลือก based ซึ่งขึ้นอยู่กับราคาที่เหลืออยู่คงที่ Bottom Line Moving averages ได้รับการพิจารณาว่าเป็นเครื่องมือวิเคราะห์ที่มีค่าสำหรับหลาย ๆ คน แต่สำหรับเครื่องมือใด ๆ ที่มีประสิทธิภาพคุณต้องเข้าใจฟังก์ชันของมันก่อน n ใช้เมื่อไรและเมื่อไหร่ที่จะใช้มันอันตรายที่กล่าวถึงในเอกสารฉบับนี้ระบุว่าเมื่อค่าเฉลี่ยเคลื่อนที่อาจไม่ได้เป็นเครื่องมือที่มีประสิทธิภาพเช่นเมื่อใช้กับหลักทรัพย์ที่มีความผันผวนและอาจมองข้ามข้อมูลทางสถิติที่สำคัญบางอย่างเช่นรูปแบบวัฏจักร นอกจากนี้ยังเป็นที่น่าสงสัยว่าค่าเฉลี่ยเคลื่อนที่ที่มีประสิทธิภาพเป็นอย่างไรสำหรับการระบุแนวโน้มราคาอย่างถูกต้องข้อดีข้อเสียคือค่าเฉลี่ยเคลื่อนที่อาจเป็นเครื่องมือที่ใช้ร่วมกับผู้อื่นได้ดีที่สุดในตอนท้ายประสบการณ์ส่วนตัวจะเป็นตัวบ่งชี้ที่ดีที่สุดว่าพวกเขามีประสิทธิผลเท่าไร สำหรับข้อมูลเพิ่มเติมให้ดูที่การนำค่าเฉลี่ยเคลื่อนที่ที่นำไปสู่ผลลัพธ์ที่ดีขึ้นการสำรวจโดยสำนักสถิติแรงงานแห่งสหรัฐอเมริกาเพื่อช่วยในการวัดตำแหน่งงานว่างเก็บข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้ สร้างขึ้นภายใต้พระราชบัญญัติเสรีภาพพันธบัตรที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินไว้ใน Federal Reserve เพื่อฝากเงินอื่น ory institution.1 การวัดผลทางสถิติของการกระจายตัวของผลตอบแทนสำหรับการรักษาความปลอดภัยหรือดัชนีตลาดที่กำหนดดัชนีความผันผวนสามารถวัดได้การกระทำที่รัฐสภาคองเกรสแห่งสหรัฐอเมริกาได้ออกในปีพ. ศ. 2476 ตามพรบ. การธนาคารซึ่งห้ามไม่ให้ธนาคารพาณิชย์เข้าร่วมในการลงทุนเงินเดือนของ Nonfarm หมายถึงงานใด ๆ นอกฟาร์มครัวเรือนส่วนตัวและภาคผลประโยชน์ US Bureau of Labor. Moving แบบจำลองการเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่ารุ่นหมายถึงรูปแบบการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบ nonseasonal และแนวโน้ม สามารถอนุมานได้โดยใช้แบบจำลองการเคลื่อนที่โดยเฉลี่ยหรือแบบเรียบข้อสมมติฐานพื้นฐานที่อยู่เบื้องหลังแบบจำลองโดยเฉลี่ยและราบเรียบคือชุดข้อมูลในเวลานั้นมีอยู่ในเครื่องนิ่งอยู่กับค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยแล้ว ใช้เป็นที่คาดการณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการลอยแบบเดียวกัน ยุทธศาสตร์สามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่าเรียบเนียนของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลทำให้การกระแทกในชุดเดิมลดลงโดยการปรับระดับความเรียบของความกว้างของ ค่าเฉลี่ยเคลื่อนที่เราสามารถหวังที่จะตีสมดุลระหว่างความสมดุลที่เหมาะสมระหว่างประสิทธิภาพของแบบจำลองการเดินแบบเฉลี่ยและแบบสุ่มตัวอย่างแบบง่ายที่สุดคือแบบเคลื่อนที่เฉลี่ยถ่วงน้ำหนักเท่าเทียมกันการคาดการณ์สำหรับค่าของ Y ที่เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกตการณ์ m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนวันที่เป็นไปได้เร็วที่สุดโดยแบบจำลองที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันอย่างช้าๆอันดับแรกให้ลองใช้พอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดเปลี่ยนโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยเพิ่มขึ้นเป็น 10. บอกได้เลยว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้ราบเรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการปรับให้เรียบตัวเลขระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูกสอดแทรกให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของกำลังเฉลี่ยเฉลี่ยค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณระยะเวลาความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่เรียกอีกอย่างว่ารูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ จากนั้นมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถทำเช่นนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความต้องการ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของสีน้ำตาลแบบ Brown ซึ่งมีการใช้แบบเรียบสองแบบที่ต่างกันไปตามจุดต่าง ๆ ในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES ระบุถึงปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าเทรนด์ ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่ของหน้าและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประเมินแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในพื้นที่มีระยะเวลา 10 ช่วงซึ่งหมายความว่าเราใช้ค่าเฉลี่ยของแนวโน้มในช่วง 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเรากำหนด 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือ การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นสินค้าล้าสมัยการแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดการณ์เกี่ยวกับแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับตัวของแบบจำลองการเยื้องแบบเชิงเส้นแบบเชิงเส้นมักใช้ในการแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปแบบเลขแจงโดยพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังให้ซอฟต์แวร์ทั้งหมดคำนวณระยะเวลาความเชื่อมั่นสำหรับโมเดลเหล่านี้ได้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปใน ARIMA รุ่นส่วนของบันทึกกลับไปด้านบนของหน้าการวิเคราะห์ทางเทคนิคการเคลื่อนไหวค่าเฉลี่ยรูปแบบแผนภูมิส่วนใหญ่แสดงรูปแบบต่างๆของการเคลื่อนไหวราคาซึ่งจะทำให้ยากสำหรับผู้ค้าที่จะได้รับความคิดของ แนวโน้มการรักษาความปลอดภัยโดยรวมหนึ่งวิธีง่ายๆที่ผู้ค้าใช้ในการต่อสู้นี้คือการใช้ค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่คือราคาเฉลี่ยของการรักษาความปลอดภัยในวงเงินที่กำหนด เวลา f โดยการวางแผนราคาเฉลี่ยของการรักษาความปลอดภัยการเคลื่อนไหวของราคาจะเรียบออกเมื่อความผันผวนแบบวันต่อวันจะถูกเอาออกผู้ค้าจะสามารถระบุแนวโน้มที่แท้จริงและเพิ่มความน่าจะเป็นที่จะทำงานในความโปรดปรานของพวกเขาเรียนรู้เพิ่มเติม อ่านค่าเฉลี่ยของ Moving Averages ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่มีค่าเฉลี่ยเคลื่อนที่หลายแบบแตกต่างกันไปในแต่ละวิธีที่คำนวณ แต่วิธีการตีความค่าเฉลี่ยแต่ละค่ายังคงเหมือนเดิมการคำนวณมีความแตกต่างกันเพียงอย่างเดียวในการนับถ่วงน้ำหนัก สถานที่ข้อมูลราคาขยับจากน้ำหนักที่เท่ากันของแต่ละจุดราคาไปน้ำหนักมากขึ้นจะถูกวางไว้ในข้อมูลล่าสุดสามชนิดที่พบมากที่สุดของค่าเฉลี่ยเคลื่อนที่เป็นเส้นตรงและเชิงเส้นอย่างง่าย SMA เฉลี่ยเคลื่อนที่เป็นวิธีที่ใช้กันทั่วไปในการคำนวณ moving average ของราคามันก็จะรวมของทั้งหมดที่ผ่านมาปิดราคาในช่วงเวลาและหารผลตามจำนวนของราคาที่ใช้ในการคำนวณเช่น, ใน 10 วันค่าเฉลี่ยเคลื่อนที่ 10 ราคาปิดล่าสุดถูกรวมเข้าด้วยกันและหารด้วย 10 ตามที่เห็นในรูปที่ 1 ผู้ประกอบการค้าสามารถทำให้ค่าเฉลี่ยไม่ตอบสนองต่อการเปลี่ยนแปลงราคาโดยการเพิ่มจำนวนรอบระยะเวลาที่ใช้ การคำนวณการเพิ่มจำนวนรอบระยะเวลาในการคำนวณเป็นวิธีที่ดีที่สุดในการวัดความแรงของแนวโน้มในระยะยาวและความเป็นไปได้ที่จะเกิดการย้อนกลับหลาย ๆ คนอ้างว่าประโยชน์ของค่าเฉลี่ยประเภทนี้มีข้อ จำกัด เนื่องจากแต่ละ จุดในชุดข้อมูลมีผลกระทบเช่นเดียวกันกับผลลัพธ์โดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในซีเควนซ์นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากขึ้นและควรมีการถ่วงน้ำหนักที่สูงขึ้นการวิพากษ์วิจารณ์ประเภทนี้เป็นหนึ่งใน ปัจจัยสำคัญที่นำไปสู่การประดิษฐ์รูปแบบอื่น ๆ ของค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยถ่วงน้ำหนักเฉลี่ยค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่นี้เป็นค่าเฉลี่ยที่น้อยที่สุดจากสามตัวและถูกนำมาใช้เพื่อแก้ปัญหาการถ่วงน้ำหนักเท่ากัน เส้นค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเส้นตรงคำนวณโดยการรวมผลรวมของราคาปิดทั้งหมดในช่วงเวลาหนึ่งและคูณด้วยตำแหน่งของจุดข้อมูลและหารด้วยผลรวมของจำนวนงวดตัวอย่างเช่นในห้าวัน ค่าเฉลี่ยถ่วงน้ำหนักแบบเส้นตรงราคาปิดของวันนี้จะคูณด้วย 5, เมื่อวานโดย 4 เป็นต้นไปจนถึงวันแรกของรอบระยะเวลาถึงตัวเลขเหล่านี้จะถูกบวกเข้าด้วยกันและหารด้วยผลคูณของตัวคูณ การคำนวณค่าเฉลี่ยเคลื่อนที่จะใช้ปัจจัยที่ราบเรียบเพื่อให้น้ำหนักที่สูงขึ้นในจุดข้อมูลล่าสุดและถือได้ว่ามีประสิทธิภาพมากขึ้นกว่าค่าเฉลี่ยถ่วงน้ำหนักแบบเส้นตรงการเข้าใจการคำนวณโดยทั่วไปไม่จำเป็นสำหรับผู้ค้าส่วนใหญ่เนื่องจากส่วนใหญ่แพคเกจแผนภูมิทำคำนวณสำหรับคุณ สิ่งที่สำคัญที่สุดที่ต้องจดจำเกี่ยวกับค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือการตอบสนองต่อข้อมูลใหม่เมื่อเทียบกับค่าเฉลี่ยของค่าเฉลี่ย คือการตอบสนองเป็นปัจจัยหนึ่งที่สำคัญว่าทำไมนี่จึงเป็นค่าเฉลี่ยเคลื่อนที่ของทางเลือกระหว่างผู้ค้าทางเทคนิคจำนวนมากอย่างที่คุณเห็นในรูปที่ 2 ระยะเวลา 15 EMA ที่เพิ่มขึ้นและลดลงเร็วกว่า SMA 15 ช่วงเวลานี้ดูเหมือนว่าจะแตกต่างกันเล็กน้อย เหมือนมาก แต่เป็นปัจจัยสำคัญที่ต้องคำนึงถึงเนื่องจากอาจส่งผลต่อการส่งคืนการใช้ค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่การย้ายค่าเฉลี่ยจะใช้เพื่อระบุแนวโน้มปัจจุบันและการกลับรายการแนวโน้มเช่นเดียวกับการตั้งค่าระดับการสนับสนุนและความต้านทานโดยเฉลี่ยที่เกิดขึ้นได้ ใช้เพื่อระบุได้อย่างรวดเร็วว่าการรักษาความปลอดภัยมีการเคลื่อนไหวในขาขึ้นหรือขาลงขึ้นอยู่กับทิศทางของค่าเฉลี่ยเคลื่อนที่ตามที่เห็นในรูปที่ 3 เมื่อค่าเฉลี่ยเคลื่อนที่เคลื่อนขึ้นเหนือระดับและราคาอยู่เหนือระดับความปลอดภัย ขาขึ้นในทางตรงกันข้ามค่าเฉลี่ยเคลื่อนที่ที่หดตัวลงพร้อมกับราคาด้านล่างสามารถใช้ในการส่งสัญญาณขาลงวิธีอื่นในการกำหนดโมเมนตัมคือดูลำดับของคู่ค่าเฉลี่ยเคลื่อนที่เมื่อค่าเฉลี่ยระยะสั้นอยู่เหนือระยะยาว โดยเฉลี่ยแล้วแนวโน้มจะขึ้นในทางกลับกันค่าเฉลี่ยระยะยาวที่สูงกว่าค่าเฉลี่ยระยะสั้นจะส่งสัญญาณการเคลื่อนไหวลงในแนวโน้มการผันผวนของแนวโน้มโดยเฉลี่ยจะเกิดขึ้นในสองวิธีหลักเมื่อราคาเคลื่อนผ่านค่าเฉลี่ยเคลื่อนที่และเมื่อ มันเคลื่อนผ่านค่าไขว้เฉลี่ยเคลื่อนที่สัญญาณแรกคือเมื่อราคาเคลื่อนผ่านค่าเฉลี่ยเคลื่อนที่ที่สำคัญตัวอย่างเช่นเมื่อราคาของหลักทรัพย์ที่อยู่ในขาขึ้นจะลดลงต่ำกว่าค่าเฉลี่ยเคลื่อนที่ในช่วง 50 เช่นในรูปที่ 4 จะเป็น สัญญาณว่าแนวโน้มขากลับอาจย้อนกลับสัญญาณอื่น ๆ ของการกลับรายการแนวโน้มคือเมื่อค่าเฉลี่ยเคลื่อนที่หนึ่งตัวผ่านไปอีกค่าหนึ่งตัวอย่างเช่นตามที่เห็นในรูปที่ 5 ถ้าค่าเฉลี่ยเคลื่อนที่ 15 วันเหนือค่าเฉลี่ยเคลื่อนที่ 50 วัน เป็นสัญญาณบวกว่าราคาจะเริ่มเพิ่มขึ้นหากระยะเวลาที่ใช้ในการคำนวณค่อนข้างสั้นเช่น 15 และ 35 อาจส่งสัญญาณการกลับตัวของระยะสั้นในทางกลับกันเมื่อสองค่าเฉลี่ยที่ค่อนข้าง เวลานาน fra mes ข้าม 50 และ 200 เช่นนี้ใช้เพื่อแนะนำการเปลี่ยนแปลงในระยะยาวในแนวโน้มอื่น ๆ ที่สำคัญย้ายค่าเฉลี่ยที่ใช้คือการระบุระดับการสนับสนุนและความต้านทานมันไม่ใช่เรื่องแปลกที่จะเห็นสต็อกที่ได้รับการล้มหยุด การเคลื่อนที่ผ่านค่าเฉลี่ยเคลื่อนที่ที่สำคัญมักถูกใช้เป็นสัญญาณโดยผู้ค้าทางเทคนิคว่าแนวโน้มการย้อนกลับตัวอย่างเช่นถ้าราคาพักผ่านเส้นค่าเฉลี่ยเคลื่อนที่ 200 วัน ในทิศทางลดลงเป็นสัญญาณว่าแนวโน้มขากลับมีการย้อนกลับค่าเฉลี่ยเฉลี่ยเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการวิเคราะห์แนวโน้มในการรักษาความปลอดภัยพวกเขาให้การสนับสนุนที่เป็นประโยชน์และจุดความต้านทานและใช้งานง่ายมากกรอบเวลาที่ใช้บ่อยที่สุดเมื่อ การสร้างค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ย 200 วัน 100 วัน 50 วัน 20 วันและ 10 วันโดยเฉลี่ย 200 วันถือว่าเป็นเกณฑ์ที่ดีสำหรับการวัดค่าเฉลี่ยของปีการค้าขายเฉลี่ย 100 วันครึ่ง ปีโดยเฉลี่ย 50 วันในช่วงไตรมาสที่หนึ่งของปี a ค่าเฉลี่ย 20 วันของเดือนและค่าเฉลี่ย 10 วันของสองสัปดาห์ค่าเฉลี่ยของค่าเฉลี่ยช่วยให้ผู้ค้าทางเทคนิคสามารถเอื้ออำนวยให้บางส่วนของเสียงที่พบในการเคลื่อนไหวของราคาในแต่ละวันทำให้ผู้ค้ามองเห็นแนวโน้มราคาได้ชัดเจนขึ้น เราได้เน้นการเคลื่อนไหวของราคาผ่านแผนภูมิและค่าเฉลี่ยแล้วในส่วนถัดไปเราจะดูเทคนิคอื่น ๆ ที่ใช้เพื่อยืนยันการเคลื่อนไหวและรูปแบบราคา