Mittelwert In Time Series Analyse

Wie man einen gleitenden Durchschnitt verwendet, um Aktien zu kaufen Der gleitende Durchschnitt (MA) ist ein einfaches technisches Analyse-Werkzeug, das Preisdaten durch die Schaffung eines ständig aktualisierten Durchschnittspreises ausgleicht. Der Durchschnitt wird über einen bestimmten Zeitraum, wie 10 Tage, 20 Minuten, 30 Wochen oder jede Zeitdauer, die der Händler wählt, übernommen. Es gibt Vorteile mit einem gleitenden Durchschnitt in Ihrem Trading, sowie Optionen auf welche Art von gleitenden Durchschnitt zu verwenden. Moving durchschnittliche Strategien sind auch beliebt und kann auf jeden Zeitrahmen angepasst werden, sowohl langfristige Investoren und kurzfristige Händler passen. (Siehe Die Top Four Technical Indicators Trend Trader müssen wissen.) Warum ein Moving Average Ein gleitender Durchschnitt kann helfen, reduzieren die Menge an Lärm auf einer Preis-Chart. Schauen Sie sich die Richtung der gleitenden Durchschnitt, um eine grundlegende Vorstellung davon, wie der Preis bewegt wird. Abgewinkelt und Preis ist nach oben (oder war vor kurzem) insgesamt, abgewinkelt und der Preis verschiebt sich insgesamt, seitwärts verschieben und der Preis ist wahrscheinlich in einer Reihe. Ein gleitender Durchschnitt kann auch als Unterstützung oder Widerstand dienen. In einem Aufwärtstrend kann ein 50-Tage-, 100-Tage - oder 200-Tage-Bewegungsdurchschnitt als Stützpegel dienen, wie in der folgenden Abbildung gezeigt. Dies ist, weil der Durchschnitt fungiert wie ein Boden (Unterstützung), so dass der Preis springt von ihm aus. In einem Abwärtstrend kann ein gleitender Durchschnitt als Widerstand wie eine Decke wirken, der Preis schlägt ihn und fängt wieder an, wieder zu fallen. Der Preis nicht immer respektieren die gleitenden Durchschnitt auf diese Weise. Der Preis kann durch ihn leicht oder stoppen und rückwärts laufen, bevor er es erreicht. Als allgemeine Richtlinie, wenn der Preis über einem gleitenden Durchschnitt ist der Trend ist. Wenn der Preis unter einem gleitenden Durchschnitt ist der Trend nach unten. Bewegungsdurchschnitte können jedoch unterschiedliche Längen haben (kurz erörtert), so kann man einen Aufwärtstrend angeben, während ein anderer einen Abwärtstrend anzeigt. Arten von Bewegungsdurchschnitten Ein gleitender Durchschnitt kann auf unterschiedliche Weise berechnet werden. Ein fünf Tage einfacher gleitender Durchschnitt (SMA) addiert einfach die fünf letzten täglichen Schlusspreise und teilt sie durch fünf, um einen neuen Durchschnitt jeden Tag zu verursachen. Jeder Durchschnitt ist mit dem nächsten verbunden, wodurch die singuläre fließende Linie. Eine andere populäre Art von gleitendem Durchschnitt ist der exponentielle gleitende Durchschnitt (EMA). Die Berechnung ist komplexer, erfordert aber grundsätzlich mehr Gewichtung auf die jüngsten Preise. Plot ein 50-Tage-SMA und eine 50-Tage-EMA auf dem gleichen Chart, und Sie werden bemerken, dass die EMA reagiert schneller auf Preisänderungen als die SMA, aufgrund der zusätzlichen Gewichtung auf aktuelle Preisdaten. Charting-Software und Handelsplattformen tun die Berechnungen, so dass keine manuelle Mathematik erforderlich ist, um eine MA zu verwenden. Eine Art von MA ist nicht besser als eine andere. Eine EMA kann in einer Aktie oder einem Finanzmarkt für eine Zeit besser funktionieren, und manchmal kann ein SMA besser funktionieren. Der Zeitrahmen, der für einen gleitenden Durchschnitt gewählt wird, wird auch eine bedeutende Rolle spielen, wie effektiv er ist (unabhängig vom Typ). Durchschnittliche durchschnittliche Länge Durchschnittliche durchschnittliche Längen sind 10, 20, 50, 100 und 200. Diese Längen können je nach Handelshorizont auf einen beliebigen Chartzeitrahmen (eine Minute, täglich, wöchentlich usw.) angewendet werden. Der Zeitrahmen oder die Länge, die Sie für einen gleitenden Durchschnitt wählen, der auch Rückblickzeit genannt wird, kann eine große Rolle spielen, wie effektiv er ist. Ein MA mit einem kurzen Zeitrahmen reagiert viel schneller auf Preisänderungen als ein MA mit einem langen Blick zurück Zeitraum. In der untenstehenden Grafik zeigt der 20-Tage-Gleitkurs den tatsächlichen Preis genauer an als der 100-Tage-Kurs. Der 20-tägige Tag kann für einen kürzerfristigen Trader von analytischem Nutzen sein, da er dem Preis enger folgt und daher weniger Verzögerungen verursacht als der längerfristige gleitende Durchschnitt. Lag ist die Zeit, die für einen gleitenden Durchschnitt benötigt wird, um eine mögliche Umkehr zu signalisieren. Als eine allgemeine Richtlinie, wenn der Preis über einem gleitenden Durchschnitt liegt, wird der Trend betrachtet. Also, wenn der Preis sinkt unter dem gleitenden Durchschnitt es signalisiert eine potenzielle Umkehr auf der Grundlage dieser MA. Ein 20-Tage gleitender Durchschnitt liefert viel mehr Umkehrsignale als ein 100-Tage gleitender Durchschnitt. Ein gleitender Durchschnitt kann jede beliebige Länge, 15, 28, 89 usw. sein. Die Anpassung des gleitenden Durchschnitts, so dass es genauere Signale auf historischen Daten liefert, kann dazu beitragen, bessere Zukunftssignale zu erzeugen. Handelsstrategien - Crossovers Crossovers sind eine der wichtigsten gleitenden Durchschnittsstrategien. Der erste Typ ist ein Preis-Crossover. Dies wurde früher diskutiert und ist, wenn der Kurs über oder unter einem gleitenden Durchschnitt kreuzt, um eine mögliche Trendveränderung zu signalisieren. Eine andere Strategie ist es, zwei gleitende Durchschnitte auf ein Diagramm anzuwenden, ein längeres und ein kürzeres. Wenn die kürzere MA über die längerfristige MA geht, ist das ein Kaufsignal, wie es den Trend anzeigt, sich zu verschieben. Dies wird als goldenes Kreuz bezeichnet. Wenn die kürzere MA unterhalb der längerfristigen MA geht, ist sie ein Verkaufssignal, da sie anzeigt, dass sich der Trend nach unten verschiebt. Dies wird als Totentodeskreuz bezeichnet. Bewegungsdurchschnitte werden auf der Grundlage von historischen Daten berechnet, und nichts über die Berechnung ist prädiktiv in der Natur. Daher können Ergebnisse mit gleitenden Durchschnitten zufällig sein - manchmal scheint der Markt die Resistenz und Handelssignale von MA zu respektieren. Und andere Male zeigt es keinen Respekt. Ein Hauptproblem besteht darin, dass, wenn die Preisaktion choppy wird, der Preis hin und her wechselt und mehrere Trend-Reversaltrade-Signale erzeugt. Wenn dies geschieht, sein bestes, um beiseite zu treten oder einen anderen Indikator zu verwenden, um zu helfen, den Trend zu erklären. Dasselbe kann bei MA-Crossover auftreten, wo die MAs für eine Zeitspanne verwirren, die mehrere (magere Verlierenden) Trades auslöst. Gleitende Mittelwerte arbeiten sehr gut in starken Trending-Bedingungen, aber oft schlecht in choppy oder ranging Bedingungen. Das Anpassen des Zeitrahmens kann dies vorübergehend unterstützen, obwohl es an einem gewissen Punkt wahrscheinlich ist, dass diese Probleme ungeachtet des für die MA (s) gewählten Zeitrahmens auftreten. Ein gleitender Durchschnitt vereinfacht die Preisdaten durch Glättung und Erzeugung einer fließenden Linie. Dadurch können Trenntrends vereinfacht werden. Exponentielle gleitende Mittelwerte reagieren schneller auf Preisänderungen als ein einfacher gleitender Durchschnitt. In einigen Fällen kann dies gut sein, und in anderen kann es zu falschen Signalen führen. Auch die Wechselkurse mit einer kürzeren Rückblickperiode (z. B. 20 Tage) reagieren schneller auf Preisänderungen als ein Durchschnitt mit einer längeren Blickperiode (200 Tage). Moving Durchschnitt Crossovers sind eine beliebte Strategie für die Ein-und Ausgänge. MAs können auch Bereiche der potenziellen Unterstützung oder Widerstand. Während dies kann prädiktiv erscheinen, sind die gleitenden Mittelwerte immer auf historischen Daten basieren und zeigen einfach den durchschnittlichen Preis über einen bestimmten Zeitraum. Zur Vermeidung von Daten entfernt zufällige Variation und zeigt Trends und zyklische Komponenten Inhärent in der Sammlung von Daten im Laufe der Zeit genommen ist eine Form von Zufällige Veränderung. Es gibt Methoden zur Verringerung der Annullierung der Wirkung aufgrund zufälliger Variation. Eine häufig verwendete Technik in der Industrie ist Glättung. Diese Technik zeigt, wenn sie richtig angewendet wird, deutlicher den zugrunde liegenden Trend, saisonale und zyklische Komponenten. Es gibt zwei verschiedene Gruppen von Glättungsmethoden Mittelungsmethoden Exponentielle Glättungsmethoden Mittelwertbildung ist der einfachste Weg, um Daten zu glätten Wir werden zunächst einige Mittelungsmethoden untersuchen, z. B. den einfachen Mittelwert aller vergangenen Daten. Ein Manager eines Lagers möchte wissen, wie viel ein typischer Lieferant in 1000-Dollar-Einheiten liefert. Heshe nimmt eine Stichprobe von 12 Lieferanten zufällig an und erhält die folgenden Ergebnisse: Der berechnete Mittelwert oder Mittelwert der Daten 10. Der Manager entscheidet, dies als Kostenvoranschlag für die Ausgaben eines typischen Lieferanten zu verwenden. Ist dies eine gute oder schlechte Schätzung Mittel quadratischen Fehler ist ein Weg, um zu beurteilen, wie gut ein Modell ist Wir berechnen die mittlere quadratische Fehler. Der Fehler true Betrag verbraucht minus die geschätzte Menge. Der Fehler quadriert ist der Fehler oben, quadriert. Die SSE ist die Summe der quadratischen Fehler. Die MSE ist der Mittelwert der quadratischen Fehler. MSE Ergebnisse zum Beispiel Die Ergebnisse sind: Fehler und quadratische Fehler Die Schätzung 10 Die Frage stellt sich: Können wir das Mittel verwenden, um Einkommen zu prognostizieren, wenn wir einen Trend vermuten Ein Blick auf die Grafik unten zeigt deutlich, dass wir dies nicht tun sollten. Durchschnittliche Gewichtungen alle früheren Beobachtungen gleich In Zusammenfassung, wir sagen, dass die einfache Mittelwert oder Mittelwert aller früheren Beobachtungen ist nur eine nützliche Schätzung für die Prognose, wenn es keine Trends. Wenn es Trends, verwenden Sie verschiedene Schätzungen, die den Trend berücksichtigen. Der Durchschnitt wiegt alle früheren Beobachtungen gleichermaßen. Zum Beispiel ist der Durchschnitt der Werte 3, 4, 5 4. Wir wissen natürlich, dass ein Durchschnitt berechnet wird, indem alle Werte addiert werden und die Summe durch die Anzahl der Werte dividiert wird. Ein anderer Weg, den Durchschnitt zu berechnen, besteht darin, daß jeder Wert durch die Anzahl von Werten geteilt wird, oder 33 43 53 1 1.3333 1.6667 4. Der Multiplikator 13 wird als Gewicht bezeichnet. Allgemein: bar frac sum links (frac rechts) x1 links (frac rechts) x2,. ,, Links (frac rechts) xn. Die (linke (frac rechts)) sind die Gewichte und natürlich die Summe zu 1.2.1 Gleitende Durchschnittsmodelle (MA-Modelle) Zeitreihenmodelle, die als ARIMA-Modelle bekannt sind, können autoregressive Begriffe und gleitende Durchschnittsterme enthalten. In Woche 1 erlernten wir einen autoregressiven Term in einem Zeitreihenmodell für die Variable x t ist ein verzögerter Wert von x t. Beispielsweise ist ein autoregressiver Term der Verzögerung 1 x t-1 (multipliziert mit einem Koeffizienten). Diese Lektion definiert gleitende Durchschnittsterme. Ein gleitender Durchschnittsterm in einem Zeitreihenmodell ist ein vergangener Fehler (multipliziert mit einem Koeffizienten). Es sei n (0, sigma2w) überschritten, was bedeutet, daß die wt identisch unabhängig voneinander verteilt sind, jeweils mit einer Normalverteilung mit dem Mittelwert 0 und der gleichen Varianz. Das durch MA (1) bezeichnete gleitende Durchschnittsmodell der 1. Ordnung ist (xt mu wt theta1w) Das durch MA (2) bezeichnete gleitende Durchschnittsmodell der zweiten Ordnung ist (xt mu wt theta1w theta2w) Das gleitende Mittelmodell der q-ten Ordnung , Mit MA (q) bezeichnet, ist (xt mu wt theta1w theta2w dots thetaqw) Hinweis. Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Begriffen. Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und (nicht quadrierten) Ausdrücke in Formeln für ACFs und Abweichungen umwandelt. Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Vorzeichen verwendet worden sind, um das geschätzte Modell korrekt zu schreiben. R verwendet positive Vorzeichen in seinem zugrunde liegenden Modell, wie wir hier tun. Theoretische Eigenschaften einer Zeitreihe mit einem MA (1) Modell Beachten Sie, dass der einzige Wert ungleich Null im theoretischen ACF für Verzögerung 1 ist. Alle anderen Autokorrelationen sind 0. Somit ist ein Proben-ACF mit einer signifikanten Autokorrelation nur bei Verzögerung 1 ein Indikator für ein mögliches MA (1) - Modell. Für interessierte Studierende, Beweise dieser Eigenschaften sind ein Anhang zu diesem Handout. Beispiel 1 Angenommen, dass ein MA (1) - Modell x t 10 w t .7 w t-1 ist. Wobei (wt überstehendes N (0,1)). Somit ist der Koeffizient 1 0,7. Die theoretische ACF wird durch eine Plot dieser ACF folgt folgt. Die graphische Darstellung ist die theoretische ACF für eine MA (1) mit 1 0,7. In der Praxis liefert eine Probe gewöhnlich ein solches klares Muster. Unter Verwendung von R simulierten wir n 100 Abtastwerte unter Verwendung des Modells x t 10 w t .7 w t-1, wobei w t iid N (0,1) war. Für diese Simulation folgt ein Zeitreihen-Diagramm der Probendaten. Wir können nicht viel von dieser Handlung erzählen. Die Proben-ACF für die simulierten Daten folgt. Wir sehen eine Spitze bei Verzögerung 1, gefolgt von im Allgemeinen nicht signifikanten Werten für Verzögerungen nach 1. Es ist zu beachten, dass das Beispiel-ACF nicht mit dem theoretischen Muster des zugrunde liegenden MA (1) übereinstimmt, was bedeutet, dass alle Autokorrelationen für Verzögerungen nach 1 0 sein werden Eine andere Probe hätte eine geringfügig unterschiedliche Probe ACF wie unten gezeigt, hätte aber wahrscheinlich die gleichen breiten Merkmale. Theroretische Eigenschaften einer Zeitreihe mit einem MA (2) - Modell Für das MA (2) - Modell sind die theoretischen Eigenschaften die folgenden: Die einzigen Werte ungleich Null im theoretischen ACF sind für die Lags 1 und 2. Autokorrelationen für höhere Lags sind 0 , So zeigt ein Beispiel-ACF mit signifikanten Autokorrelationen bei Lags 1 und 2, aber nicht signifikante Autokorrelationen für höhere Lags ein mögliches MA (2) - Modell. Iid N (0,1). Die Koeffizienten betragen 1 0,5 und 2 0,3. Da es sich hierbei um ein MA (2) handelt, wird der theoretische ACF nur bei den Verzögerungen 1 und 2 Werte ungleich Null aufweisen. Werte der beiden Nicht-Autokorrelationen sind A-Kurve des theoretischen ACF. Wie fast immer der Fall ist, verhalten sich Musterdaten nicht ganz so perfekt wie die Theorie. Wir simulierten n 150 Beispielwerte für das Modell x t 10 w t .5 w t-1 .3 w t-2. Wobei wt iid N (0,1) ist. Die Zeitreihenfolge der Daten folgt. Wie bei dem Zeitreihenplot für die MA (1) Beispieldaten können Sie nicht viel davon erzählen. Die Proben-ACF für die simulierten Daten folgt. Das Muster ist typisch für Situationen, in denen ein MA (2) - Modell nützlich sein kann. Es gibt zwei statistisch signifikante Spikes bei Lags 1 und 2, gefolgt von nicht signifikanten Werten für andere Lags. Beachten Sie, dass aufgrund des Stichprobenfehlers das Muster ACF nicht genau dem theoretischen Muster entsprach. ACF für allgemeine MA (q) - Modelle Eine Eigenschaft von MA (q) - Modellen besteht im Allgemeinen darin, dass Autokorrelationen ungleich Null für die ersten q-Verzögerungen und Autokorrelationen 0 für alle Verzögerungen gt q existieren. Nicht-Eindeutigkeit der Verbindung zwischen Werten von 1 und (rho1) in MA (1) Modell. Im MA (1) - Modell für einen Wert von 1. Die reziproke 1 1 gibt den gleichen Wert für Als Beispiel, verwenden Sie 0.5 für 1. Und dann 1 (0,5) 2 für 1 verwenden. Youll erhalten (rho1) 0,4 in beiden Fällen. Um eine theoretische Einschränkung als Invertibilität zu befriedigen. Wir beschränken MA (1) - Modelle auf Werte mit einem Absolutwert von weniger als 1. In dem gerade angegebenen Beispiel ist 1 0,5 ein zulässiger Parameterwert, während 1 10,5 2 nicht. Invertibilität von MA-Modellen Ein MA-Modell soll invertierbar sein, wenn es algebraisch äquivalent zu einem konvergierenden unendlichen Ordnungs-AR-Modell ist. Durch Konvergenz meinen wir, dass die AR-Koeffizienten auf 0 sinken, wenn wir in der Zeit zurückgehen. Invertibilität ist eine Einschränkung, die in Zeitreihensoftware programmiert ist, die verwendet wird, um die Koeffizienten von Modellen mit MA-Begriffen abzuschätzen. Sein nicht etwas, das wir in der Datenanalyse überprüfen. Zusätzliche Informationen über die Invertibilitätsbeschränkung für MA (1) - Modelle finden Sie im Anhang. Fortgeschrittene Theorie Anmerkung. Für ein MA (q) - Modell mit einem angegebenen ACF gibt es nur ein invertierbares Modell. Die notwendige Bedingung für die Invertierbarkeit ist, daß die Koeffizienten solche Werte haben, daß die Gleichung 1- 1 y-. - q y q 0 hat Lösungen für y, die außerhalb des Einheitskreises liegen. R-Code für die Beispiele In Beispiel 1 wurde der theoretische ACF des Modells x t 10 w t aufgetragen. 7w t-1. Und dann n 150 Werte aus diesem Modell simuliert und die Abtastzeitreihen und die Abtast-ACF für die simulierten Daten aufgetragen. Die R-Befehle, die verwendet wurden, um den theoretischen ACF aufzuzeichnen, waren: acfma1ARMAacf (mac (0,7), lag. max10) 10 Verzögerungen von ACF für MA (1) mit theta1 0,7 lags0: 10 erzeugt eine Variable namens lags, die im Bereich von 0 bis 10 liegt (H0) fügt dem Diagramm eine horizontale Achse hinzu Der erste Befehl bestimmt den ACF und speichert ihn in einem Objekt Genannt acfma1 (unsere Wahl des Namens). Der Plotbefehl (der dritte Befehl) verläuft gegen die ACF-Werte für die Verzögerungen 1 bis 10. Der ylab-Parameter bezeichnet die y-Achse und der Hauptparameter einen Titel auf dem Plot. Um die Zahlenwerte der ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und Diagramme wurden mit den folgenden Befehlen durchgeführt. (N150, list (mac (0.7))) Simuliert n 150 Werte aus MA (1) xxc10 addiert 10 zum Mittelwert 10. Simulationsvorgaben bedeuten 0. plot (x, typeb, mainSimulated MA (1) data) Acf (x, xlimc (1,10), mainACF für simulierte Probendaten) In Beispiel 2 wurde der theoretische ACF des Modells xt 10 wt. 5 w t-1 .3 w t-2 aufgetragen. Und dann n 150 Werte aus diesem Modell simuliert und die Abtastzeitreihen und die Abtast-ACF für die simulierten Daten aufgetragen. Die verwendeten R-Befehle waren acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 Plot (lags, acfma2, xlimc (1,10), ylabr, typh, main ACF für MA (2) mit theta1 0,5, (X, x) (x, x) (x, x, x, y) (1) Für interessierte Studierende sind hier Beweise für die theoretischen Eigenschaften des MA (1) - Modells. Variante: (Text (xt) Text (mu wt theta1 w) 0 Text (wt) Text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Wenn h 1 der vorhergehende Ausdruck 1 w 2. Für irgendeinen h 2 ist der vorhergehende Ausdruck 0 Der Grund dafür ist, dass, durch Definition der Unabhängigkeit der wt. E (w k w j) 0 für beliebige k j. Da w w die Mittelwerte 0, E (w j w j) E (w j 2) w 2 haben. Für eine Zeitreihe, Wenden Sie dieses Ergebnis an, um den oben angegebenen ACF zu erhalten. Ein invertierbares MA-Modell ist eines, das als unendliches Ordnungs-AR-Modell geschrieben werden kann, das konvergiert, so daß die AR-Koeffizienten gegen 0 konvergieren, wenn wir unendlich zurück in der Zeit bewegen. Gut zeigen Invertibilität für die MA (1) - Modell. Dann setzen wir die Beziehung (2) für wt-1 in Gleichung (1) (3) ein (zt wt theta1 (z-therma1w) wt theta1z - theta2w) Zum Zeitpunkt t-2. Gleichung (2) wird dann in Gleichung (3) die Gleichung (4) für wt-2 ersetzen (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Unendlich), erhalten wir das unendliche Ordnungsmodell (zt wt theta1 z - theta21z theta31z - theta41z Punkte) Beachten Sie jedoch, dass bei 1 1 die Koeffizienten, die die Verzögerungen von z vergrößern Zeit. Um dies zu verhindern, benötigen wir 1 lt1. Dies ist die Bedingung für ein invertierbares MA (1) - Modell. Unendlich Ordnung MA Modell In Woche 3, gut sehen, dass ein AR (1) Modell in ein unendliches order MA Modell umgewandelt werden kann: (xt - mu wt phi1w phi21w Punkte phik1 w Punkte sum phij1w) Diese Summation der Vergangenheit weißer Rauschbegriffe ist bekannt Als die kausale Darstellung eines AR (1). Mit anderen Worten, x t ist eine spezielle Art von MA mit einer unendlichen Anzahl von Begriffen, die in der Zeit zurückgehen. Dies wird als unendliche Ordnung MA oder MA () bezeichnet. Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Rückruf in Woche 1, stellten wir fest, dass eine Anforderung für eine stationäre AR (1) ist, dass 1 lt1. Berechnen Sie die Var (x t) mit der kausalen Darstellung. Dieser letzte Schritt verwendet eine Grundtatsache über geometrische Reihen, die (phi1lt1) erforderlich sind, ansonsten divergiert die Reihe. Navigation