Hur man använder rörliga medelvärden. Med hjälp av medelvärden hjälper vi oss att först definiera trenden och för det andra att känna igen förändringar i trenden. Det är det. Inget annat är att de är bra. Något annat är bara slöseri med tid. Jag vann inte komma in i gory detaljer om hur de är konstruerade Det finns ungefär en zillion webbplatser som kommer att förklara den matematiska sminken av dem jag låter dig göra det på egen hand en dag när du är mycket uttråkad ur ditt sinne. Men allt du Verkligen måste veta är att en rörlig medellinje är bara det genomsnittliga priset på ett lager över tiden. Det är det. De två glidande medelvärdena. Jag använder två glidande medelvärden den 10-åriga enkla glidande genomsnittliga SMA och 30-tiden exponentiella glidande medelvärdet EMA I Gilla att använda en långsammare och en snabbare En Varför Eftersom den snabbare 10 korsar den långsammare 30, kommer den ofta att signalera en trendbyte. Låt oss se på ett exempel. Du kan se i diagrammet ovan hur dessa linjer kan hjälpa du definierar trenderna på vänster sida av diagrammet 10 SMA är över 30 EMA och trenden är upp 10 SMA korsar sig under 30 EMA i mitten av augusti och trenden är nere. Sedan går 10 SMA tillbaka via 30 EMA i september och trenden är upp igen - och det stannar kvar i flera månader därefter. Här är reglerna. Fokusera bara på långa positioner när de 10 SMA är över 30 EMA Fokusera bara på korta positioner när de 10 SMA är under 30 EMA Det blir inte något enklare än det och det kommer alltid att hålla dig på den högra sidan av trenden. Notera att glidande medelvärden fungerar bara bra när ett lager trender - inte när de är i ett handelsområde. När ett lager eller marknaden blir slarvig kan du ignorera glidande medelvärden - de vann inte jobbet. Här är de viktiga sakerna att komma ihåg för långa positioner - omvända för korta positioner. Den 10 SMA måste vara över 30 EMA. Det måste finnas gott om utrymme mellan de glidande medelvärdena. Både glidande medelvärden måste vara sluttande uppåt. 200 års glidande medelvärde. 200 SMA används Att separera tjurområdet från björnområde Studier har visat att genom att fokusera på långa positioner ovanför denna linje och korta positioner under denna linje kan ge dig en liten kant. Du bör lägga till dessa glidande medelvärden för alla dina diagram i alla tidsramar. Ja veckovisa diagram , dagdiagram och dagtid 15 min, 60 min diagram. 200 SMA är det viktigaste glidande medlet att ha på lagerdiagram Du kommer bli förvånad över hur många gånger ett lager kommer att vända om i detta område. Använd detta till din fördel. När du skriver skanningar för lager kan du använda det här som ett extra filter för att hitta potentiella långa inställningar som ligger ovanför den här raden och potentiella korta inställningar som ligger under denna linje. Stöd och motstånd. hitta stöd eller gå in i motstånd på glidande medelvärden Många gånger kommer du att höra handlare säga, Hej, kolla på det här lageret. Det hoppade av 50-dagars glidande genomsnitt. Varför skulle ett lager plötsligt studsa av en linje som någon näringsidkare satte på ett lager kartlägga det wouldn t Ett lager kommer bara studsa om du vill kalla det som av de betydande prisnivåer som inträffade tidigare - inte en rad på ett diagram. Stockarna kommer att vända uppåt eller nedåt till prisnivåer som ligger i närheten av populära glidande medelvärden men de vänder inte mot själva linjen. Så antar att du tittar på ett diagram och ser lageret drar tillbaka till, låt oss säga 200 års glidande medelvärde. Se på prisnivåerna på diagrammet som visat sig vara betydande stöd eller motståndsområden i det förflutna. Det här är de områden där beståndet sannolikt kommer att omvändas. Genomförandet av genomsnittliga och exponentiella utjämningsmodeller. Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, icke-säsongsmönster och trender extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt lokalt medelvärde för att uppskatta strömmen värdet av medelvärdet och använd sedan det som prognosen för den närmaste framtiden Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig promenad utan driftmodell Samma strategi kan användas för att uppskatta och extrapolera en lokal trend Ett glidande medel kallas ofta en jämn version av den ursprungliga serien, eftersom kortsiktig medelvärde medför att utjämning av stötarna i den ursprungliga serien. Genom att justera graden av utjämning av bredden på glidande medelvärde kan vi hoppas att vi slår något slag av optimal balans mellan prestanda för medel - och slumpmässiga promenadmodeller Den enklaste typen av medelvärdesmodell är det enkla lika viktade rörliga genomsnittet. Prognosen för värdet av Y vid tiden t 1 som är gjord vid tiden t är lika med det enkla genomsnittet av de senaste m-observationerna. Här och på andra ställen kommer jag att använda symbolen Y-hat för att kunna förutse en prognos av tidsserie Y som gjorts så tidigt som möjligt före en given modell. Detta medel är centrerat vid period-m 1 2, vilket innebär att uppskattningen av den lokala genomsnittet tenderar att ligga bakom det verkliga värdet av det lokala medelvärdet med ca m 1 2 perioder Således säger vi att medeltal för data i det enkla glidande medlet är m 1 2 i förhållande till den period för vilken prognosen beräknas det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkterna i data. Om du till exempel medger de senaste 5 värdena kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m 1, Den enkla glidande SMA-modellen motsvarar den slumpmässiga promenadmodellen utan tillväxt Om m är mycket stor jämförbar med längden av uppskattningsperioden är SMA-modellen lika med medelmodellen. Som med vilken parameter som helst av en prognosmodell är det vanligt för att justera värdet på ki n för att få den bästa passformen till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar uppvisa slumpmässiga fluktuationer runt ett långsamt varierande medel. Låt oss försöka passa det med en slumpmässig promenad modell, vilket motsvarar ett enkelt glidande medelvärde av 1 term. Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer den mycket av bruset i data, de slumpmässiga fluktuationerna samt signalen den lokala medelvärde Om vi istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser. Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i detta fall Medelåldern för data i detta prognosen är 3 5 1 2, så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare. Notera att den långsiktiga termiska prognoser från SMA mod el är en horisontell rak linje, precis som i den slumpmässiga promenadmodellen. Således antar SMA-modellen att det inte finns någon trend i data. Även om prognoserna från slumpmässig promenadmodellen helt enkelt motsvarar det senast observerade värdet, kommer prognoserna från SMA-modellen är lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla rörliga genomsnittet blir inte större eftersom prognosen för horisonten ökar. Detta är uppenbarligen inte korrekt. Tyvärr finns ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde öka för denna modell. Det är emellertid inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre horisont. Till exempel kan du skapa ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt, etc inom det historiska dataprovet. Du kan sedan beräkna provstandardavvikelserna för fel vid varje prognos h orizon och konstruera sedan konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar av lämplig standardavvikelse. Om vi försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt. Medelåldern är Nu 5 perioder 9 1 2 Om vi tar ett 19-årigt glidande medelvärde, ökar medeltiden till 10. Notera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-årigt genomsnitt. Modell C, det 5-åriga glidande genomsnittet, ger det lägsta värdet av RMSE med en liten marginal över de tre och 9-siktiga genomsnitten, och Deras andra statistik är nästan identiska Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer lyhördhet eller lite mer jämnhet i prognoserna. Tillbaka till början av sidan. Brons s Exponentiell utjämning exponentiellt vägd glidande medelvärdet. Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer Intuitivt bör tidigare data diskonteras mer gradvis - till exempel bör den senaste observationen Få lite mer vikt än 2: a senast och 2: a senast bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämning SES-modellen åstadkommer detta. Låt beteckna en utjämningskonstant ett tal mellan 0 och 1 Ett sätt att skriva modellen är att definiera en serie L som representerar den aktuella nivån, dvs det lokala medelvärdet av serien som uppskattat från data upp till idag. Värdet av L vid tid t beräknas rekursivt från sitt eget tidigare värde som detta. Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där kontrollen av det interpolerade värdet är så nära som möjligt cent observation Prognosen för nästa period är helt enkelt det nuvarande utjämnade värdet. Evivalent kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner I den första versionen är prognosen en interpolering mellan föregående prognos och tidigare observation. I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel. erroren vid tidpunkten t I den tredje versionen är prognosen en exponentiellt viktad dvs diskonterat glidande medelvärde med rabattfaktor 1.Interpoleringsversionen av prognosformuläret är det enklaste att använda om du implementerar modellen på ett kalkylblad som passar i en enda cell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet av lagras. Notera att om 1, motsvarar SES-modellen en slumpmässig promenadmodell wit träväxt Om 0, motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet Return to top of the page. Den genomsnittliga åldern för data i prognosen för enkel exponentiell utjämning är 1 relativ till den period som prognosen beräknas för. Detta är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie. Därför tenderar den enkla glidande genomsnittliga prognosen att ligga bakom vändpunkter med cirka 1 period. Till exempel när 0 5 fördröjningen är 2 perioder när 0 2 fördröjningen är 5 perioder när 0 1 fördröjningen är 10 perioder och så vidare. För en given medelålder, dvs mängden fördröjning, är den enkla exponentiella utjämning SES-prognosen något överlägsen den enkla rörelsen genomsnittlig SMA-prognos eftersom den lägger relativt större vikt vid den senaste observationen - det är något mer responsivt på förändringar som inträffade under det senaste. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 0 2 båda en genomsnittlig ålder av 5 för da ta i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och samtidigt glömmer det inte helt värderingar som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som är kontinuerligt variabel så att den lätt kan optimeras genom att använda en solveralgoritm för att minimera medelkvadratfelet. Det optimala värdet av SES-modellen för denna serie visar sig Att vara 0 2961, som visas här. Medelåldern för data i denna prognos är 1 0 2961 3 4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är En horisontell rak linje som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt Men notera att de konfidensintervaller som beräknas av Statgraphics nu avviker på ett rimligt sätt och att de är väsentligt smalare än förtroendeintervallet för rand Om walk-modellen SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell, så den statistiska teorin om ARIMA-modeller ger en bra grund för att beräkna konfidensintervaller för SES-modell SES-modellen är speciellt en ARIMA-modell med en icke-säsongsskillnad, en MA 1-term och ingen konstant term som annars kallas en ARIMA 0,1,1-modell utan konstant MA1-koefficienten i ARIMA-modellen motsvarar Kvantitet 1- i SES-modellen Om du till exempel passar en ARIMA 0,1,1-modell utan konstant till den analyserade serien, visar den uppskattade MA 1-koefficienten sig på 0 7029, vilket är nästan exakt en minus 0 2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend för en SES-modell. Ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA 1-term med en konstant, dvs en ARIMA 0,1,1-modell med konstant De långsiktiga prognoserna kommer att Då har en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant lång Termisk exponentialutveckling till en enkel exponentiell utjämningsmodell med eller utan säsongjustering genom att använda inflationsjusteringsalternativet i prognostiseringsförfarandet. Den lämpliga inflationsprocenttillväxten per period kan uppskattas som lutningskoefficienten i en linjär trendmodell monterad på data i Samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter. Tillbaka till början av sidan. Brett s Linjär dvs dubbel exponentiell utjämning. SMA-modellerna och SES-modellerna antar att det inte finns någon trend av Vilken typ som helst i de data som vanligtvis är ok eller åtminstone inte för dålig för 1-stegs prognoser när data är relativt noi sy och de kan modifieras för att införliva en konstant linjär trend som visad ovan. Vad sägs om kortsiktiga trender Om en serie visar en varierande tillväxthastighet eller ett cykliskt mönster som står klart mot bruset och om det finns behov av att Prognos mer än 1 år framåt, kan uppskattning av en lokal trend också vara ett problem. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning av LES-modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trenden Modellen är Brown s linjär exponentiell utjämningsmodell, som använder två olika släta serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centren. En mer sofistikerad version av denna modell, Holt s, är diskuteras nedan. Den algebraiska formen av Browns linjära exponentiella utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men e kvivalenta former Standardformen för denna modell uttrycks vanligen enligt följande. Låt S beteckna den singelglatta serien som erhållits genom att applicera enkel exponentiell utjämning till serie Y Det betyder att värdet på S vid period t ges av. Minns att under enkel exponentiell utjämning skulle detta vara prognosen för Y vid period t 1 Låt sedan S beteckna den dubbelsidiga serien som erhållits genom att tillämpa enkel exponentiell utjämning med samma till serie S. Föreläsningen för Y tk för någon k 1, ges av. Detta ger e 1 0 dvs lurar lite och låt den första prognosen motsvara den faktiska första observationen och e 2 Y 2 Y 1 efter vilka prognoser genereras med ekvationen ovan. Detta ger samma monterade värden som formel baserad på S och S om den senare startades med användning av S 1 S 1 Y 1 Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Helt s linjär exponentiell utjämning. s LES-modellen beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på datamönstren att den kan passa nivån och trenden får inte variera vid oberoende priser Holt s LES-modellen tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst t, som i Brown s-modellen, finns det en uppskattning L t på lokal nivå och en uppskattning T T av den lokala trenden Här beräknas de rekursivt från värdet av Y observerat vid tid t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som tillämpar exponentiell utjämning åt dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L tl och T t-1, varför prognosen för Y t som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1 När det verkliga värdet observeras, uppdateras uppskattningen av nivån beräknas rekursivt genom att interpolera mellan Yt och dess prognos L t-1 T t 1 med vikter av och 1. Förändringen i beräknad nivå, nämligen L t L t 1 kan tolkas som en bullrig mätning av Trenden vid tiden t Den uppdaterade uppskattningen av trenden beräknas därefter rekursivt genom interpolering mellan L t L t 1 och den tidigare uppskattningen av trenden, T t-1 med vikter av och 1.Tolkningen av trendutjämningskonstanten är analog med den för jämnliknande konstanten Modeller med små värden antar att trenden förändras bara mycket långsamt över tiden medan modeller med större antar att det förändras snabbare En modell med en stor tror att den avlägsna framtiden är mycket osäker eftersom fel i trendberäkning blir ganska viktiga när prognoser mer än en period framöver. Av sidan. Utjämningskonstanterna och kan beräknas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 0 3048 och 0 008 Det mycket lilla värdet av Innebär att modellen antar mycket liten förändring i trenden från en period till en annan, så i princip försöker denna modell uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används vid uppskattning av t han lokal nivå av serien, är den genomsnittliga åldern för de data som används för att uppskatta den lokala trenden proportionell mot 1, men inte exakt lika med det i det här fallet visar sig vara 1 0 006 125 Detta är inte mycket exakt nummer eftersom beräkningsnoggrannheten inte är riktigt 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så denna modell är medeltal över ganska mycket historia för att beräkna trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som uppskattas i SES-trendmodellen. Det uppskattade värdet är nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend , så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du eyeball denna plot ser det ut som om den lokala trenden har vänt sig nedåt i slutet av serie Wh Vid har hänt Parametrarna för denna modell har uppskattats genom att minimera kvadreringsfelet i 1-stegs prognoser, inte längre prognoser, i vilket fall trenden gör inte stor skillnad. Om allt du tittar på är 1 - steg framåtfel, ser du inte den större bilden av trender över säga 10 eller 20 perioder För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den Använder en kortare baslinje för trenduppskattning. Om vi exempelvis väljer att ställa in 0 1, är medelåldern för de data som används för att uppskatta den lokala trenden 10 perioder, vilket betyder att vi medeltar trenden under de senaste 20 perioderna eller så Här är vad prognosplottet ser ut om vi ställer in 0 1 samtidigt som vi håller 0 3 Det ser intuitivt rimligt ut för den här serien, även om det är troligt farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad med felstatistik Här är En modell jämförelse f eller de två modellerna som visas ovan samt tre SES-modeller Det optimala värdet på SES-modellen är ungefär 0 3, men liknande resultat med något mer eller mindre responsivitet erhålls med 0 5 och 0 2. En Holt s linjär expo-utjämning Med alfa 0 3048 och beta 0 008. B Holt s linjär expjäkning med alfa 0 3 och beta 0 1. C Enkel exponentiell utjämning med alfa 0 5. D Enkel exponentiell utjämning med alfa 0 3. E Enkel exponentiell utjämning med alfa 0 2.De statistiken är nästan identiska, så vi kan verkligen inte göra valet på grundval av prognosfel i ett steg i dataprovet. Vi måste falla tillbaka på andra överväganden. Om vi starkt tror att det är vettigt att basera strömmen trendberäkning om vad som hänt under de senaste 20 perioderna eller så kan vi göra ett fall för LES-modellen med 0 3 och 0 1 Om vi vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna Vara lättare att förklara och skulle också ge mer medel e-of-the-road prognoser för de kommande 5 eller 10 perioderna Gå tillbaka till toppen av sidan. Vilken typ av trend-extrapolation är bäst horisontellt eller linjärt. Empiriska bevis tyder på att om uppgifterna redan har justerats om det behövs för inflationen, då Det kan vara oskäligt att extrapolera kortsiktiga linjära trender mycket långt in i framtiden. Trenden som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstörelse, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Av denna anledning kan enkla exponentiella utjämning utförs ofta bättre utom provet än vad som annars skulle kunna förväntas trots sin naiva horisontella trend-extrapolering. Dämpade trendändringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den dämpade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA 1,1,2-modell. Det är möjligt att beräkna konfidensintervall arou nd långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller Var försiktig att inte alla mjukvaror beräknar konfidensintervaller för dessa modeller korrekt. Bredden på konfidensintervallet beror på jag RMS-felet i modellen, ii typen av utjämning enkel eller linjär iii värdet s för utjämningskonstanten s och iv antalet framåtprognoser du förutspår Allmänt sprids intervallen snabbare och blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används Detta avsnitt diskuteras vidare i ARIMA-modellerna i noterna. Tillbaka till början av sidan.200 Flyttande medelvärde. En av de viktigaste aspekterna av trendhandel är att veta handelsförspänningen. Detta är viktigt för att förstå när vi befinner oss i en tjur - eller björnmarknaden med andra ord om vi bör överväga köp eller sälja möjligheter. Det allra första jag letar efter på ett diagram är var priset gäller 20 0 dagligt enkelt glidande medelvärde. Om priset är under 200 sma kommer jag att leta efter korta försäljningsmöjligheter. Om priset är över 200 sma ska jag leta efter köpa långa möjligheter. I ett nötskal så är allt du behöver veta om detta ämne Men Jag vet att många läsare är lite mer nyfiken och skulle vilja veta varför det här är fallet. Historisk användning. Den främsta orsaken till att 200ma är använd på detta sätt är delvis historisk. Innan vi hade programvara för att dra några glidande medelvärden kunde vi önska för några sekunder måste dessa saker beräknas och dras för hand Så handlare var extremt noga om vad som var användbar information och vad som utgjorde ljud en lektion vi skulle göra bra för att komma ihåg idag. 200-talet visade sig vara en bra indikator av den övergripande trendriktningen Så länge som priset förblivit över det så var trendförspänningen ansedd som hausse. Och om priset handlades under det så var trendförspänningen betraktad som baisse. Om priset upprepade gånger avlyssnade 200 sma blev priset ansett att ligga i ett intervall c osolidation. Trading bias 200ma failsafe. Naturligtvis kan en ny trend komma igång på den felaktiga sidan av 200mma När en björnmarknad följer en stark tjurmarknad så kan priset komma ner i flera veckor eller månader innan det korsar under 200 sma Och vice versa, naturligtvis. Det här är den 200 smarta failsafe, vi kanske måste uthärda veckor med en ny trend utan att kunna handla den på grund av att den är den felaktiga sidan av 200 ma men det här är att skydda oss mot omkastningen Det är en tillfällig återhämtning. Några återhämtningar kan vara djupa och långvariga och det kan fresta vissa människor till den mörka sidan av handeln som de vill handla mot den övergripande trenden. Men tills priset överstiger 200 sma antar vi att den bullish eller bearish bias fortfarande är intakt även om vi vann nödvändigtvis att handla den. När priset är över 200 sma är förspänningen BULLISH. When priset är under 200 sma är förspänningen BEARISH. So hålla sig med 200 sms failsafe Ja, det kan se ut som möjligheter passerar oss genom , ibland, men vi behöver Var mer selektiv Vi måste vara medvetna om handelsförspänningen och inte bli distraherad. Följ marknadsmakers. Den andra anledningen till att jag följer 200mM-regeln är att många stora banker och finansinstitut gör dessa organisationer har massiva medel de håller på sina bortskaffande och så har mycket inflytande. Vissa medel som handlar långsiktiga positioner kan börja ackumulera stora positioner på den felaktiga sidan av 200mma eftersom de har ekonomin att göra det. Det kan ta dem veckor eller månader De gör det väldigt långsamt eftersom de vill inte att andra ska se vad de gör, eftersom det kan leda till att de inte kan fylla positioner till det pris de vill ha. Men de flesta institutionella handlare handlar med bias Av den anledningen är detaljhandeln med våra relativt små kontostorlekar , se bara att gå in på en handel på höger sida av 200mma, eftersom det här är momentumet. Notera 200mma är bara relevant när man skriver en handel Handelshantering ska få dig ur handel först innan ris retraces till 200maxen Vi kommer att titta på hur man hanterar och avslutar positioner senare i serien. Sammanfattning av handelsförhållandenAltid har 200 det enkla glidande medelvärdet ritat på ditt dagliga diagram Oavsett vilken lägre tidsram du handlar följer du detta rule. If priset är över den dagliga 200 SMA bara leta efter, och handel, långa köp positioner. Om priset är under den dagliga 200 SMA bara leta efter, och handel, kort sälj positioner. Vi kallar detta handelsförspänning det hjälper stapla oddsen för en framgångsrik handel till vår fördel Detta gäller för varje marknad du kan tänka på. I morgondagens artikel kommer vi att titta på ytterligare två regler som vi kan lägga till i vårt handelsförhållande för att objektivt identifiera en trend. Jag hade gjort en mycket forskning på Forex på internet men fann ingenting om verkligt ämne Jag deltog i seminarier men fann att deras kurser var överdrivna för längden och innehållet Det var helt enkelt för mycket försäljning och jag är inte en att köpa under tryckförsäljning Kurser var unika och exakta Vad jag letade efter jag ville ha en fullständig nedsänkning i handeln och med pågående stöd så var inte kvar på egen hand för att hamna i dåliga vanor jag började omedelbart och har absorberat alla principerna för smarta pengar jag kommer från en dagshandelsbakgrund och så var det svårt först och jag slog till och med några regler, till min egen nedgång Jag följer nu regelbundet reglerna och jag kan se mitt konto växa långsamt och stadigt De tidiga dagarna är utmanande och du behöver tid för att förstå strategierna men när det är såklart blir det enkelt och enkelt Albert Costas. Unique Trading Courses. As i dag är jag i 11 affärer med mitt konto på 3200 pips av dessa affärer 1 är inte vinst, 10 positioner är i vinst Jasmine.3200 Pips Profit. Den verkliga effektiviteten av Javid s mentorskap kommer från hans patientledning genom den professionella mjukvaran medan du tillämpar hans beprövade forexstrategier. Han förklarar ny och kraftfull information i en tydlig och lätt att understryka och sätt Om du vill vara det bästa du måste lära av det bästa och Javid ger den möjligheten Marc F. Easy att förstå strategier.
No comments:
Post a Comment