Dobbelt Eksponentiell Moving Average In Excel

Eksponensiell utjevning Dette eksemplet lærer deg hvordan du bruker eksponensiell utjevning til en tidsserie i Excel. Eksponensiell utjevning brukes til å jevne ut uregelmessigheter (topper og daler) for enkelt å gjenkjenne trender. 1. Først, ta en titt på vår tidsserie. 2. På Data-fanen klikker du Dataanalyse. Merk: kan ikke finne dataanalyseknappen Klikk her for å laste inn add-in for Analysis ToolPak. 3. Velg Eksponensiell utjevning og klikk OK. 4. Klikk i feltet Inngangsområde og velg området B2: M2. 5. Klikk i Dampingfaktor-boksen og skriv 0,9. Litteratur snakker ofte om utjevningskonstanten (alfa). Verdien (1-) kalles dempningsfaktoren. 6. Klikk i boksen Output Range og velg celle B3. 8. Skriv en graf av disse verdiene. Forklaring: fordi vi setter alfa til 0,1, blir det tidligere datapunktet gitt en relativt liten vekt mens den forrige glattede verdien er gitt en stor vekt (dvs. 0,9). Som et resultat blir tinder og daler utjevnet. Grafen viser en økende trend. Excel kan ikke beregne den glatte verdien for det første datapunktet fordi det ikke er noen tidligere datapunkt. Den glatte verdien for det andre datapunktet er lik det forrige datapunktet. 9. Gjenta trinnene 2 til 8 for alfa 0,3 og alfa 0,8. Konklusjon: Den mindre alfa (større dempningsfaktoren), jo flere tinder og daler utjevnes. Jo større alfa (mindre dempningsfaktoren), jo nærmere er de jevne verdiene til de faktiske datapunktene. Dobbelt eksponentielle flytende gjennomsnitt Forklarte Traders har stått på flytteverdier som bidrar til å fastslå høye sannsynlighet for handelsinngangspunkter og lønnsomme utganger i mange år. Et godt kjent problem med bevegelige gjennomsnitt er imidlertid det alvorlige forsinket som er tilstede i de fleste typer bevegelige gjennomsnitt. Doble eksponensielle glidende gjennomsnitt (DEMA) gir en løsning ved å beregne en raskere gjennomsnittlig metode. Historien om det dobbelte eksponensielle flytende gjennomsnittet I teknisk analyse. begrepet glidende gjennomsnitt refererer til et gjennomsnitt av prisen for et bestemt handelsinstrument over en angitt tidsperiode. For eksempel beregner et 10-dagers glidende gjennomsnitt gjennomsnittsprisen på et bestemt instrument de siste 10 ti dagene, et 200-dagers glidende gjennomsnitt beregner gjennomsnittsprisen for de siste 200 dagene. Hver dag går utslaget tilbake til basisberegninger på det siste X-antallet dager. Et glidende gjennomsnitt vises som en jevn kurvlinje som gir en visuell fremstilling av den langsiktige trenden til et instrument. Raskere bevegelige gjennomsnitt, med kortere tilbaketrukne perioder, er skarpere langsommere bevegelige gjennomsnitt, med lengre kollapsperioder, er jevnere. Fordi et glidende gjennomsnitt er en bakoverkryssende indikator, går den ned. Det dobbelte eksponentielle glidende gjennomsnittet (DEMA), vist i Figur 1, ble utviklet av Patrick Mulloy i et forsøk på å redusere mengden lagringstid funnet i tradisjonelle bevegelige gjennomsnitt. Det ble først introdusert i februar 1994, Technical Analysis of Stocks amp Commodities magazine i Mulloys artikkel Utjevning av data med raskere bevegelige gjennomsnitt. (For en primer på teknisk analyse, ta en titt på vår tekniske analyseopplæring.) Figur 1: Denne ett minuttdiagrammet for e-mini Russell 2000 futures kontrakt viser to forskjellige dobbelte eksponensielle glidende gjennomsnitt en 55-periode vises i blått, en 21-periode i rosa. Beregning av en DEMA Som Mulloy forklarer i sin opprinnelige artikkel, er DEMA ikke bare en dobbel EMA med to ganger lagringstiden til en enkelt EMA, men er en sammensatt implementering av enkle og doble EMAer som produserer en annen EMA med mindre lag enn noen av originalene to. DEMA er med andre ord ikke bare to EMAer kombinert, eller et glidende gjennomsnitt av et bevegelig gjennomsnitt, men er en beregning av både enkelt - og dobbelt EMA. Nesten alle handelsanalyseplaner har DEMA inkludert som en indikator som kan legges til diagrammer. Derfor kan forhandlere bruke DEMA uten å vite matematikken bak beregningene og uten å skrive eller skrive inn noen kode. Sammenligning av DEMA med tradisjonelle bevegelige gjennomsnittsverdier Flytende gjennomsnitt er en av de mest populære metodene for teknisk analyse. Mange handelsmenn bruker dem til å se trend reverseringer. spesielt i et bevegelige gjennomsnittsovergang, hvor to bevegelige gjennomsnitt av forskjellige lengder er plassert på et diagram. Poeng hvor det bevegelige gjennomsnittet kryss kan bety kjøps - eller salgsmuligheter. DEMA kan hjelpe handelsmenn til å komme tilbake på stedet før det er raskere å svare på endringer i markedsaktiviteten. Figur 2 viser et eksempel på e-mini Russell 2000 futures kontrakt. Denne ett minuttdiagrammet har fire bevegelige gjennomsnitt: 21-DEMA-periode (rosa) 55-DEMA-DEMA (mørkblå) 21-periode MA (lyseblå) 55-periode MA (lysegrønne) Figur 2: Denne et minuttdiagrammet e-mini Russell 2000 futures kontrakt illustrerer raskere responstid for DEMA når den brukes i et crossover. Legg merke til hvordan DEMA-krysset i begge tilfeller vises betydelig raskere enn MA-kryssene. Den første DEMA-krysningen vises kl 12:29, og neste bar åpnes til en pris på 663,20. MA crossover, derimot, danner klokken 12:34 og neste åpningspris er 660,50. I det neste settet av overganger vises DEMA-krysset på 1:33, og neste bar åpnes ved 658. MA, derimot, danner klokken 1:43, med neste åpning ved 662.90. I hvert tilfelle gir DEMA-overgangen en fordel for å komme inn i trenden tidligere enn MA-crossover. (For mer innsikt, les veiledning av Moving Averages.) Handel med en DEMA Ovennevnte gjennomsnittlige crossover-eksempler illustrerer effektiviteten ved å bruke det raskere dobbelte eksponensielle glidende gjennomsnittet. I tillegg til å bruke DEMA som en frittstående indikator eller i et crossover-oppsett, kan DEMA brukes i en rekke indikatorer der logikken er basert på et glidende gjennomsnitt. Tekniske analyseverktøy som Bollinger Bands. Flytende gjennomsnittlig convergencedivergence (MACD) og triple eksponentiell glidende gjennomsnitt (TRIX) er basert på bevegelige gjennomsnittstyper og kan modifiseres for å inkorporere en DEMA i stedet for andre mer tradisjonelle typer bevegelige gjennomsnitt. Bytte av DEMA kan hjelpe handelsfolk til å finne ulike kjøps - og salgsmuligheter som ligger foran de som leveres av MA eller EMA som tradisjonelt brukes i disse indikatorene. Selvfølgelig blir det naturlig å komme inn i en trend snarere enn senere, til en høyere fortjeneste. Figur 2 illustrerer dette prinsippet - hvis vi skulle bruke kryssene som kjøp og salgssignaler. vi ville gå inn i handelen betydelig tidligere når du bruker DEMA-overgangen i motsetning til MA-overgangen. Bottom Line Traders og investorer har lenge brukt flytende gjennomsnitt i markedsanalysen. Flytte gjennomsnitt er et mye brukt teknisk analyse verktøy som gir et middel til raskt å se og tolke langsiktige trenden i et gitt handelsinstrument. Siden bevegelige gjennomsnittsverdier av deres natur er forsinkende indikatorer. Det er nyttig å finjustere det bevegelige gjennomsnittet for å beregne en raskere, mer responsiv indikator. Det dobbelte eksponentielle glidende gjennomsnittet gir forhandlere og investorer et syn på den langsiktige trenden, med den ekstra fordelen av å være et raskere bevegelige gjennomsnitt med mindre lagringstid. (For relatert lesing, ta en titt på Moving Average MACD Combo og Simple Vs. Exponential Moving Averages.) Beta er et mål for volatiliteten eller systematisk risiko for en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever det. Det første salg av aksjer av et privat selskap til publikum. IPO er ofte utstedt av mindre, yngre selskaper som søker. Gjeldsgrad er gjeldsraten som brukes til å måle selskapets økonomiske innflytelse eller en gjeldsgrad som brukes til å måle en person. Hvordan beregne veidede flytende gjennomsnitt i Excel ved hjelp av eksponentiell utjevning Excel-dataanalyse for dummier, 2. utgave Eksponensiell utjevning i Excel beregner bevegelsen gjennomsnitt. Eksponensiell utjevning veier imidlertid verdiene som er inkludert i de bevegelige gjennomsnittlige beregningene, slik at nyere verdier har større effekt på gjennomsnittlig beregning og gamle verdier har mindre effekt. Denne vektningen oppnås gjennom en utjevningskonstant. For å illustrere hvordan verktøyet for eksponensiell utjevning fungerer, antar at du igjen ser på gjennomsnittlig daglig temperaturinformasjon. For å beregne vektede glidende gjennomsnitt ved hjelp av eksponensiell utjevning, gjør du følgende: For å beregne et eksponentielt glatt glidende gjennomsnitt, klikker du først på knappen Data Tab8217s Data Analysis. Når Excel viser dialogboksen Dataanalyse, velger du Eksponensiell utjevning fra listen og klikker deretter OK. Excel viser dialogboksen Eksponensiell utjevning. Identifiser dataene. For å identifisere dataene du vil beregne et eksponentielt glatt glidende gjennomsnitt for, klikker du i tekstfeltet Inngangsområde. Deretter identifiserer du innspillingsområdet, enten ved å skrive inn et regnearkområdeadresse eller ved å velge regnearkområdet. Hvis inntastingsområdet ditt inneholder en tekstetikett for å identifisere eller beskrive dataene dine, velger du avmerkingsboksen Merker. Gi utjevningskonstanten. Skriv inn utjevningens konstante verdi i tekstfeltet Damping Factor. Excel-hjelpefilen antyder at du bruker en utjevningskonstant på mellom 0,2 og 0,3. Formentlig, men hvis du bruker dette verktøyet, har du egne ideer om hva riktig utjevningskonstant er. (Hvis you8217re clueless om utjevningskonstanten, bør du kanskje ikke bruke dette verktøyet.) Fortell Excel hvor du skal plassere eksponentielt glattede, glidende gjennomsnittlige data. Bruk tekstboksen Utgangsområde for å identifisere arbeidsarkområdet som du vil plassere de bevegelige gjennomsnittsdataene i. I eksempelbordseksempelet plasserer du for eksempel de bevegelige gjennomsnittsdataene i regnearkområdet B2: B10. (Valgfritt) Tegn på eksponensielt glattede data. For å kartlegge eksponensielt jevndata, merk av i avkrysningsboksen Kartutgang. (Valgfritt) Angi at du vil at standard feilinformasjon skal beregnes. Hvis du vil beregne standardfeil, merker du av for Standard feil. Excel plasserer standardfeilverdier ved siden av eksponentielt glattede glidende gjennomsnittsverdier. Når du er ferdig med å spesifisere hvilken flyttende gjennomsnittlig informasjon du vil beregne og hvor du vil plassere den, klikker du OK. Excel beregner glidende gjennomsnittsinformasjon. Smoder og filtrering er to av de mest brukte tidssergeteknikkene for å fjerne støy fra de underliggende dataene for å hjelpe til med å avsløre viktige funksjoner og komponenter (for eksempel trend, sesongmessighet, etc.). Vi kan imidlertid også bruke utjevning for å fylle ut manglende verdier og eller utføre en prognose. I dette nummeret vil vi diskutere fem (5) forskjellige utjevningsmetoder: vektet glidende gjennomsnitt (WMA i), enkel eksponensiell utjevning, dobbel eksponensiell utjevning, lineær eksponensiell utjevning og tredobbelt eksponensiell utjevning. Hvorfor bør vi bryr seg Utjevning brukes ofte (og misbrukt) i bransjen for å gjøre en rask visuell undersøkelse av dataegenskapene (f. eks. Trend, sesongmessighet osv.), Passe inn i manglende verdier og utføre en rask prøveutvikling prognose. Hvorfor har vi så mange utjevningsfunksjoner Som vi ser i dette papiret, fungerer hver funksjon for en annen antagelse om de underliggende dataene. For eksempel antar enkel eksponensiell utjevning at dataene har et stabilt gjennomsnitt (eller i det minste et langsiktig bevegelighetsmiddel), så enkel eksponensiell utjevning vil gjøre dårlig i prognoser for data som viser sesongmessighet eller en trend. I dette papiret vil vi gå over hver utjevningsfunksjon, markere sine forutsetninger og parametere, og demonstrere applikasjonen gjennom eksempler. Vektet flytende gjennomsnitt (WMA) Et glidende gjennomsnitt brukes vanligvis med tidsseriedata for å utjevne kortsiktige svingninger og markere langsiktige trender eller sykluser. Et vektet glidende gjennomsnitt har multiplikasjonsfaktorer for å gi forskjellige vekter til data i forskjellige posisjoner i prøvevinduet. Det vektede glidende gjennomsnittet har et fast vindu (dvs. N), og faktorene blir typisk valgt til å gi mer vekt til nyere observasjoner. Vinduestørrelsen (N) bestemmer antall poeng i gjennomsnitt hver gang, så en større Windows-størrelse er mindre lydhør overfor nye endringer i den opprinnelige tidsserien, og en liten vindusstørrelse kan føre til at den glatte utgangen blir støyende. For uten prognoseprøveformål: Eksempel 1: Kan vurdere månedlig omsetning for Company X, ved hjelp av et 4 måneders (likevektet) glidende gjennomsnitt. Vær oppmerksom på at det bevegelige gjennomsnittet alltid ligger etter dataene, og prognosen utenfor prøven konvergerer til en konstant verdi. La oss prøve å bruke en vektingsplan (se nedenfor) som legger større vekt på den siste observasjonen. Vi plottet det likeveide glidende gjennomsnittet og WMA på samme graf. WMA virker mer responsivt mot de siste endringene, og prognoseprognosen utenfor konvergerer til samme verdi som det bevegelige gjennomsnittet. Eksempel 2: Lar undersøke WMA i nærvær av trend og sesongmessighet. For dette eksempelet, bruk godt de internasjonale passasjerflyselskapsdataene. Det glidende gjennomsnittsvinduet er 12 måneder. MA og WMA holder tritt med trenden, men prognosen utenfor prognosen flater. Videre, selv om WMA utviser noe sesongmessig, ligger det alltid etter de opprinnelige dataene. (Browns) Enkel eksponensiell utjevning Enkel eksponensiell utjevning ligner på WMA, med unntak av at vinduets størrelse hvis uendelig og vektningsfaktorene reduseres eksponentielt. Som vi har sett i WMA, er den enkle eksponensialen egnet for tidsserier med et stabilt gjennomsnitt, eller i det minste et veldig sakte, flytende middel. Eksempel 1: Lar bruker månedlige salgsdata (som vi gjorde i WMA-eksempelet). I eksemplet ovenfor valgte vi utjevningsfaktoren til å være 0,8, som stiller spørsmålet: Hva er den beste verdien for utjevningsfaktoren Beregning av den beste verdien fra dataene Bruke TSSUB-funksjonen (for å beregne feilen), SUMSQ og Excel datatabeller, beregner vi summen av kvadratfeilene (SSE) og plottet resultatene: SSE når minimumsverdien rundt 0,8, så vi valgte denne verdien for utjevning. (Holt-Winters) Dobbel eksponensiell utjevning Enkel eksponensiell utjevning gjør det ikke bra i nærvær av en trend, så flere metoder utformet under den dobbelte eksponensielle paraplyen foreslås å håndtere denne typen data. NumXL støtter Holt-Winters dobbel eksponensiell utjevning, som tar følgende formulering: Eksempel 1: Lets undersøke de internasjonale passasjerene flyselskapsdata Vi valgte en Alpha-verdi på 0,9 og en Beta på 0,1. Vær oppmerksom på at selv om dobbel utjevning sporer de opprinnelige dataene godt, er prognosen utenfor prøven dårligere enn det enkle glidende gjennomsnittet. Hvordan finner vi de beste utjevningsfaktorene Vi tar en lignende tilnærming til vårt enkle eksponensielle utjevningseksempel, men endret for to variabler. Vi beregner summen av de kvadratiske feilene konstruere en to-variabel datatabell, og velg alfa - og beta-verdiene som minimerer den samlede SSE. (Browns) Lineær eksponensiell utjevning Dette er en annen metode for dobbel eksponensiell utjevningsfunksjon, men den har en utjevningsfaktor: Browns dobbel eksponensiell utjevning tar en parameter mindre enn Holt-Winters-funksjonen, men det kan ikke tilby så god passform som den funksjonen. Eksempel 1: La oss bruke det samme eksemplet i Holt-Winters dobbel eksponensiell og sammenligne den optimale summen av kvadratfeilen. Browns dobbelte eksponentielle passer ikke til prøvedataene, så vel som Holt-Winters-metoden, men den utvendige prøven (i dette tilfellet) er bedre. Hvordan finner vi den beste utjevningsfaktoren () Vi bruker samme metode for å velge alfaverdien som minimerer summen av kvadratfeilen. For eksempeleksempeldataene er alfa funnet å være 0,8. (Vinter) Trippel eksponensiell utjevning Den tredoble eksponensielle utjevningen tar hensyn til sesongmessige endringer, samt trender. Denne metoden krever 4 parametere: Formuleringen for triple eksponensiell utjevning er mer involvert enn noen av de tidligere. Vennligst sjekk vår elektroniske referansehåndbok for den nøyaktige formuleringen. Ved hjelp av de internasjonale passasjerene flyselskapsdata, kan vi søke vintre trekant eksponensiell utjevning, finne optimale parametere, og utføre en ut-av prognose prognose. Det er åpenbart at Winters tredobbelte eksponensielle utjevning er best brukt for denne dataprøven, da den sporer verdiene godt, og utvalget av prognoseprognose utviser sesongmessighet (L12). Hvordan finner vi den beste utjevningsfaktoren () Igjen må vi velge verdiene som minimerer den totale summen av kvadratfeilene (SSE), men datatabellene kan brukes til mer enn to variabler, så vi tyder på Excel Solver: (1) Oppsett minimeringsproblemet, med SSE som verktøyfunksjonen (2) Begrensningene for dette problemet Konklusjon støtte filer