Glidande medelvärde best inställning

Realtid efter timmar Pre-Market Nyheter Flash Citat Sammanfattning Citat Interaktiva tabeller Standardinställning Observera att när du väljer ditt val kommer det att gälla alla framtida besök på NASDAQ. Om du, när som helst, är intresserad av att återgå till standardinställningarna, välj Standardinställning ovan. Om du har några frågor eller stöter på några problem med att ändra standardinställningarna, vänligen maila isfeedbacknasdaq. Vänligen bekräfta ditt val: Du har valt att ändra standardinställningen för Quotes Search. Detta kommer nu att bli din standardmålsida om du inte ändrar din konfiguration igen, eller du tar bort dina cookies. Är du säker på att du vill ändra dina inställningar Vi har en tjänst att fråga Vänligen inaktivera din annons blockerare (eller uppdatera dina inställningar för att säkerställa att javascript och cookies är aktiverade) så att vi kan fortsätta att förse dig med de förstklassiga marknadsnyheterna och data du kommer att förvänta oss från oss. Moving medelvärde och exponentiella utjämningsmodeller Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, nonseasonal mönster och trender extrapoleras med hjälp av en glidande 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 det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig-walk-without-drift-modellen. Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en quotsmoothedquot-version av den ursprungliga serien, eftersom kortsiktig medelvärde har en effekt att utjämna stötarna i originalserien. Genom att justera graden av utjämning (bredden på glidande medelvärdet) kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos medel och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är. Enkelt (lika viktat) Flyttande medelvärde: Prognosen för värdet på Y vid tiden t1 som görs vid tid t motsvarar det enkla medelvärdet av de senaste m-observationerna: (Här och på annat håll använder jag symbolen 8220Y-hat8221 för att stå för en prognos av tidsserie Y som gjordes så tidigt som möjligt enligt en given modell.) Detta medel är centrerat vid period-t (m1) 2, vilket innebär att uppskattningen av det lokala medelvärdet tenderar att ligga bakom den sanna värdet av det lokala medelvärdet med ca (m1) 2 perioder. Således säger vi att medelåldern för data i det enkla glidande medlet är (m1) 2 i förhållande till den period för vilken prognosen beräknas: det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter 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 m1 är den enkla glidande genomsnittsmodellen (SMA) motsvarar den slumpmässiga gångmodellen (utan tillväxt). Om m är mycket stor (jämförbar med längden på uppskattningsperioden), motsvarar SMA-modellen den genomsnittliga modellen. Precis som med vilken parameter som helst av en prognosmodell, är det vanligt att justera värdet på k för att få den bästa kvotkvoten till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar utgöra slumpmässiga fluktuationer runt ett långsamt varierande medelvärde. Först kan vi försöka passa den med en slumpmässig promenadmodell, vilket motsvarar ett enkelt glidande medelvärde på 1 term: Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därmed väljer den mycket av kvotenhetskvoten i data (de slumpmässiga fluktuationerna) samt quotsignalquot (det lokala medelvärdet). 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 promenadmodellen i det här fallet. Medelåldern för data i denna prognos är 3 ((51) 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 de långsiktiga prognoserna från SMA-modellen är en horisontell rak linje, precis som i slumpmässig promenad modell. Således antar SMA-modellen att det inte finns någon trend i data. Men medan prognoserna från den slumpmässiga promenadmodellen helt enkelt motsvarar det senast observerade värdet är prognoserna från SMA-modellen lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla glidande genomsnittet blir inte större eftersom prognostiseringshorisonten ökar. Det här är uppenbarligen inte korrekt Tyvärr finns det ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde utvidgas för denna modell. Det är emellertid inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre tid. Du kan till exempel skapa ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt etc. i det historiska dataprov. Därefter kan du beräkna felfunktionens avvikelser vid varje prognoshorisont och sedan konstruera konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar med 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 (91) 2). Om vi ​​tar ett 19-årigt glidande medel ökar medeltiden till 10: Observera 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-siktsmedel: Modell C, det 5-åriga glidande genomsnittet, ger det lägsta värdet av RMSE med en liten marginal över 3 term och medellång sikt, 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. (Return to top of page.) Browns Enkel exponentiell utjämning (exponentiellt viktad glidande medelvärde) Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de sista k-observationerna lika och fullständigt ignorerar alla föregående observationer. Intuitivt bör tidigare data diskonteras på ett mer gradvis sätt - till exempel bör den senaste observationen få lite mer vikt än 2: a senast, och den 2: a senaste bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämningens (SES) - modellen åstadkommer detta. Låt 945 beteckna en quotsmoothing constantquot (ett tal mellan 0 och 1). Ett sätt att skriva modellen är att definiera en serie L som representerar den nuvarande nivån (dvs lokal medelvärde) för serien som uppskattad från data fram till idag. Värdet på L vid tid t beräknas rekursivt från sitt eget tidigare värde så här: Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där 945 styr närheten av det interpolerade värdet till det senaste observation. Prognosen för nästa period är helt enkelt det nuvarande utjämnade värdet: Likvärdigt 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 interpolation 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 av 945. Är felet gjort vid tid t. I den tredje versionen är prognosen ett exponentiellt vägt (dvs. rabatterat) glidande medelvärde med rabattfaktor 1-945: Interpolationsversionen av prognosformuläret är det enklaste att använda om du genomför modellen på ett kalkylblad: det passar in i en encell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet 945 lagras. Observera att om 945 1 motsvarar SES-modellen en slumpmässig gångmodell (utan tillväxt). Om 945 0 motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet. (Återgå till början av sidan.) Medelåldern för data i prognosen för enkel exponentiell utjämning är 1 945 i förhållande 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.) Den enkla, snabba genomsnittliga prognosen tenderar därför att ligga bakom vändpunkter med cirka 1 945 perioder. Till exempel, när 945 0,5 är fördröjningen 2 perioder när 945 0,2 är fördröjningen 5 perioder när 945 0,1 är fördröjningen 10 perioder, och så vidare. För en given genomsnittlig ålder (dvs mängden fördröjning) är prognosen för enkel exponentiell utjämning (SES) något överlägsen SMA-prognosen (Simple Moving Average) eftersom den lägger relativt större vikt vid den senaste observationen, dvs. det är något mer quotresponsivequot för förändringar som inträffade under det senaste förflutna. Exempelvis har en SMA-modell med 9 villkor och en SES-modell med 945 0,2 båda en genomsnittlig ålder på 5 för data i sina prognoser, men SES-modellen lägger mer vikt på de sista 3 värdena än SMA-modellen och vid Samtidigt gör det inte helt 8220forget8221 om värden 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 kontinuerligt varierar, så att den lätt kan optimeras genom att använda en kvotsolverquot-algoritm för att minimera det genomsnittliga kvadratfelet. Det optimala värdet på 945 i SES-modellen för denna serie visar sig vara 0,2961, som visas här: Medelåldern för data i denna prognos är 10,2961 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. Observera dock att de konfidensintervaller som beräknas av Statgraphics avviker nu på ett rimligt sätt, och att de är väsentligt smalare än konfidensintervallen för slumpmässig promenadmodell. 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 ger den statistiska teorin om ARIMA-modeller en bra grund för beräkning av konfidensintervall för SES-modellen. I synnerhet är en SES-modell en ARIMA-modell med en icke-säsongsskillnad, en MA (1) term och ingen konstant term. annars känd som en quotARIMA (0,1,1) modell utan constantquot. MA (1) - koefficienten i ARIMA-modellen motsvarar kvantiteten 1-945 i SES-modellen. Om du till exempel passar en ARIMA (0,1,1) modell utan konstant till serien som analyseras här, visar den uppskattade MA (1) - koefficienten sig att vara 0.7029, vilket är nästan exakt en minus 0,2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. För att göra detta, ange bara en ARIMA-modell med en icke-sekundär skillnad och en MA (1) term med en konstant, dvs en ARIMA (0,1,1) modell med konstant. De långsiktiga prognoserna kommer då att ha en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Det går inte att göra detta i samband med säsongjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan emellertid lägga till en konstant långsiktig exponentiell trend till en enkel exponentiell utjämningsmodell (med eller utan säsongsjustering) genom att använda inflationsjusteringsalternativet i prognosproceduren. Den lämpliga quotinflationen (procentuell tillväxt) per period kan beräknas som lutningskoefficienten i en linjär trendmodell som är anpassad till data i samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter . (Återgå till början av sidan.) Browns Linear (ie double) Exponentiell utjämning SMA-modellerna och SES-modellerna antar att det inte finns någon trend av något slag i data (vilket vanligtvis är OK eller åtminstone inte för dåligt för 1- stegprognoser när data är relativt bullriga), och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en växande tillväxt eller ett cykliskt mönster som står klart mot bruset, och om det finns behov av att prognostisera mer än en period framåt, kan uppskattningen av en lokal trend också vara en fråga. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning (LES) - modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trendmodellen är Browns linjära exponentiell utjämningsmodell, som använder två olika slätmade serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centra. (En mer sofistikerad version av denna modell, Holt8217s, diskuteras nedan.) Den algebraiska formen av Brown8217s linjär exponentiell utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men likvärdiga former. Den här kvotens kvotstandardkvot uttrycks vanligtvis enligt följande: Låt S beteckna den singeljämnade serien som erhållits genom att använda enkel exponentiell utjämning till serie Y. Dvs, värdet på S vid period t ges av: (Minns att, under enkel exponentiell utjämning, detta skulle vara prognosen för Y vid period t1.) Låt sedan Squot beteckna den dubbelsidiga serien erhållen genom att applicera enkel exponentiell utjämning (med samma 945) till serie S: Slutligen prognosen för Y tk. för vilken kgt1 som helst, ges av: Detta ger e 1 0 (det vill säga lura lite och låt den första prognosen motsvara den faktiska första observationen) och e 2 Y 2 8211 Y 1. varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden som formeln baserad på S och S om de senare startades med användning av S1S1Y1. Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Holt8217s linjär exponentiell utjämning Brown8217s LES-modell 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 in en begränsning av de datamönster som den kan passa: nivån och trenden får inte variera till oberoende priser. Holt8217s LES-modell adresserar problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst t, som i Brown8217s modell, finns det en uppskattning L t på lokal nivå och en uppskattning T t av den lokala trenden. Här rekryteras de rekursivt från värdet av Y observerat vid tid t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som applicerar exponentiell utjämning till dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L t82091 och T t-1. respektive prognosen för Y tshy som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1. När det verkliga värdet observeras beräknas den uppdaterade uppskattningen av nivån rekursivt genom interpolering mellan Y tshy och dess prognos L t-1 T t 1 med vikter av 945 och 1- 945. Förändringen i beräknad nivå, nämligen L t 8209 L t82091. kan tolkas som en bullrig mätning av trenden vid tiden t. Den uppdaterade uppskattningen av trenden beräknas sedan rekursivt genom interpolering mellan L t 8209 L t82091 och den tidigare uppskattningen av trenden T t-1. Användning av vikter av 946 och 1-946: Tolkningen av trendutjämningskonstanten 946 är analog med den för nivåutjämningskonstanten 945. Modeller med små värden av 946 förutsätter att trenden ändras endast mycket långsamt över tiden, medan modeller med större 946 antar att det förändras snabbare. En modell med en stor 946 tror att den avlägsna framtiden är väldigt osäker, eftersom fel i trendberäkning blir ganska viktiga vid prognoser mer än en period framåt. (Återgå till början av sidan.) Utjämningskonstanterna 945 och 946 kan beräknas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 945 0.3048 och 946 0.008. Det mycket lilla värdet av 946 innebär att modellen antar mycket liten förändring i trenden från en period till nästa, så i grunden försöker denna modell att uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används för att uppskatta den lokala nivån i serien, är medelåldern för de data som används för att uppskatta den lokala trenden proportionell mot 1 946, men inte exakt lika med den . I detta fall visar det sig att vara 10.006 125. Detta är ett mycket exakt nummer eftersom precisionen av uppskattningen av 946 är verkligen 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 beräknas i SEStrend-modellen. Det uppskattade värdet på 945 är också nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend, så det är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som beräknas beräkna en lokal trend. Om du 8220eyeball8221 ser det här, ser det ut som om den lokala trenden har vänt sig nedåt i slutet av serien. Vad har hänt Parametrarna i denna modell har uppskattats genom att minimera det kvadrerade felet i 1-stegs-prognoser, inte längre prognoser, i vilket fall trenden gör inte en stor skillnad. Om allt du tittar på är 1 steg framåt, ser du inte den större bilden av trender över (säg) 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 trendberäkning. Om vi ​​till exempel väljer att ställa in 946 0,1, är medelåldern för de data som används vid uppskattning av den lokala trenden 10 perioder, vilket innebär att vi medeltar trenden över de senaste 20 perioderna eller så. Here8217s vad prognosplottet ser ut om vi sätter 946 0,1 samtidigt som ni håller 945 0.3. Detta ser intuitivt rimligt ut för denna serie, men det är troligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad sägs om felstatistik Här är en modelljämförelse för de två modellerna ovan och tre SES-modeller. Det optimala värdet på 945. För SES-modellen är ungefär 0,3, men liknande resultat (med något mer eller mindre responsivitet) erhålls med 0,5 och 0,2. (A) Hål linjär exp. utjämning med alfa 0,3048 och beta 0,008 (B) Hål linjär exp. utjämning 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 Deras statistik är nästan identisk, så vi kan verkligen göra valet på grundval av prognosfel i 1 steg före proverna. Vi måste falla tillbaka på andra överväganden. Om vi ​​starkt tror att det är vettigt att basera den nuvarande trendberäkningen på vad som hänt under de senaste 20 perioderna eller så kan vi göra ett ärende för LES-modellen med 945 0,3 och 946 0,1. Om vi ​​vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna vara enklare att förklara och skulle också ge fler mitten av vägtrafikprognoserna för de kommande 5 eller 10 perioderna. (Tillbaka till början av sidan.) Vilken typ av trend-extrapolation är bäst: Horisontell eller linjär Empiriska bevis tyder på att om uppgifterna redan har justerats (om det behövs) för inflationen, kan det vara osäkert att extrapolera kortsiktiga linjära trender mycket långt in i framtiden. Tendenser 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 utför enkel exponentiell utjämning ofta bättre utom provet än vad som annars skulle kunna förväntas, trots sin kvotiv kvot horisontell trend extrapolering. Dämpade trendmodifieringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i sina trendprognoser. Den demoniserade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA-modell (1,1,2). Det är möjligt att beräkna konfidensintervaller kring långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller. (Var försiktig: inte alla mjukvaror beräknar konfidensintervall för dessa modeller korrekt.) Bredden på konfidensintervallet beror på (i) modellens RMS-fel, (ii) utjämningstypen (enkel eller linjär) (iii) värdet (er) av utjämningskonstanten (erna) och (iv) antalet perioder framåt du prognoserar. I allmänhet sprids intervallet snabbare, eftersom 945 blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används. Detta ämne diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. MACD (Moving Average ConvergenceDivergence Oscillator) MACD (Moving Average ConvergenceDivergence Oscillator) Introduktion Utvecklad av Gerald Appel i slutet av sjuttiotalet är Moving Average ConvergenceDivergence Oscillator (MACD) en av de enklaste och mest effektiva momentumindikatorerna tillgängliga. MACD vänder två trend-efter-indikatorer, glidande medelvärden. in i en momentumoscillator genom att subtrahera det längre glidande medlet från det kortare glidande medlet. Som ett resultat erbjuder MACD det bästa av båda världarna: trendföljd och momentum. MACD fluktuerar över och under nolllinjen när de rörliga medelvärdena överensstämmer, korsar och avviker. Handlare kan leta efter signalövergångar, mittlinjeövergångar och skillnader för att generera signaler. Eftersom MACD är obegränsat är det inte särskilt användbart för att identifiera överköpta och överlämnade nivåer. Obs! MACD kan uttalas som antingen Mac-Dee eller M-A-C-D. Här är ett exempeldiagram med MACD-indikatorn i den nedre panelen: Beräkning MACD-linjen är 12-dagars exponentiell rörlig genomsnitts (EMA) mindre än 26-dagars EMA. Slutkurserna används för dessa glidande medelvärden. En 9-dagars EMA i MACD-linjen ritas med indikatorn för att fungera som en signallinje och identifiera varv. MACD-histogrammet representerar skillnaden mellan MACD och dess 9-dagars EMA, Signalinjen. Histogrammet är positivt när MACD-linjen är över dess signallinje och negativ när MACD-linjen är under dess signallinje. Värdena 12, 26 och 9 är den typiska inställningen som används med MACD, men andra värden kan ersättas beroende på din handelsstil och mål. Tolkning Som namnet antyder handlar MACD om konvergens och divergens mellan de två glidande medelvärdena. Konvergens uppträder när de rörliga medelvärdena rör sig mot varandra. Divergens uppstår när de rörliga medelvärdena flyttar sig från varandra. Det kortare glidande genomsnittet (12-dagars) är snabbare och ansvarar för de flesta MACD-rörelser. Det längre glidande genomsnittet (26 dagar) är långsammare och mindre reaktivt mot prisförändringar i den underliggande säkerheten. MACD-linjen svänger över och under nolllinjen, som även kallas mittlinjen. Dessa övergångar signalerar att 12-dagars EMA har korsat 26-dagars EMA. Riktningen beror givetvis på riktningen för det glidande medelvärdet. Positiv MACD indikerar att 12-dagars EMA ligger över 26-dagars EMA. Positiva värden ökar eftersom den kortare EMA avviker vidare från längre EMA. Detta innebär att uppåtgående momentum ökar. Negativa MACD-värden indikerar att 12-dagars EMA ligger under 26-dagars EMA. Negativa värden ökar eftersom den kortare EMA avviker längre under längre EMA. Detta betyder att nedåtgående momentum ökar. I exemplet ovan visar det gula området MACD-linjen på negativt territorium som 12-dagars EMA-handel under 26-dagars EMA. Det ursprungliga korset inträffade i slutet av september (svart pil) och MACD flyttade vidare till negativt territorium då 12-dagars EMA divergerade längre från 26-dagars EMA. Orangeområdet belyser en period med positiva MACD-värden, vilket är när 12-dagars EMA var över 26-dagars EMA. Observera att MACD-linjen var under 1 under denna period (röd streckad linje). Det betyder att avståndet mellan 12-dagars EMA och 26-dagars EMA var mindre än 1 poäng, vilket inte är en stor skillnad. Signal Line Crossovers Signalövergångar är de vanligaste MACD-signalerna. Signallinjen är en 9-dagars EMA för MACD-linjen. Som ett glidande medelvärde av indikatorn spårar det MACD och gör det lättare att upptäcka MACD-varv. En bullish crossover sker när MACD dyker upp och korsar över signallinjen. En bearish crossover uppträder när MACD-enheten slocknar och korsar under signallinjen. Korsningar kan ta några dagar eller några veckor, allt beror på styrkan i flytten. Due diligence krävs innan man bygger på dessa vanliga signaler. Signalövergångar vid positiva eller negativa ytterligheter bör ses med försiktighet. Även om MACD inte har övre och nedre gränser kan kartläggare uppskatta historiska ytterligheter med en enkel visuell bedömning. Det tar ett starkt drag i den underliggande säkerheten för att driva fart till en extrem. Trots att rörelsen kan fortsätta, kommer momentum sannolikt att sakta och det kommer vanligtvis att producera en signallinjekorsning vid extremiteterna. Volatiliteten i den underliggande säkerheten kan också öka antalet övergångar. I tabellen nedan visas IBM med 12-dagars EMA (grön), 26-dagars EMA (röd) och 12,26,9 MACD i indikatorfönstret. Det var åtta signalövergångar på sex månader: fyra upp och fyra ner. Det fanns några bra signaler och några dåliga signaler. Det gula området belyser en period när MACD-linjen steg över 2 för att nå en positiv extremitet. Det fanns två bearish signalövergångar i april och maj, men IBM fortsatte trenden högre. Även om uppåtgående momentum saktade efter överskottet var uppåtgående momentum fortfarande starkare än nedåtgående momentum i april-maj. Den tredje bearish signalövergången i maj resulterade i en bra signal. Centerline Crossovers Centerline crossovers är de vanligaste MACD-signalerna. En hausseig mittlinjeövergång sker när MACD-linjen rör sig över nolllinjen för att bli positiv. Detta händer när 12-dagars EMA för den underliggande säkerheten rör sig över 26-dagars EMA. En bearish centerline crossover uppträder när MACD rör sig under nolllinjen för att bli negativ. Detta händer när 12-dagars EMA flyttas under 26-dagars EMA. Centrumlinjeövergångar kan ta några dagar eller några månader. Allt beror på styrkan i trenden. MACD kommer att förbli positivt så länge det finns en fortsatt uppåtgående trend. MACD kommer att förbli negativ när det finns en fortsatt nedåtgående trend. Nästa diagram visar Pulte Homes (PHM) med minst fyra centerlinjekorsningar på nio månader. De resulterande signalerna fungerade bra eftersom starka trender framkom med dessa mittlinjeövergångar. Nedan är ett diagram över Cummins Inc (CMI) med sju mittlinjeövergångar om fem månader. I motsats till Pulte Homes, skulle dessa signaler ha resulterat i många whipsaws eftersom starka trender inte uppstod efter övergångarna. Nästa diagram visar 3M (MMM) med en bullish centerline crossover i slutet av mars 2009 och en bearish centerline crossover i början av februari 2010. Den här signalen varade i 10 månader. Med andra ord var 12-dagars EMA över 26-dagars EMA i 10 månader. Detta var en stark trend. Skillnader Divergenser bildas när MACD avviker från prisåtgärden för den underliggande säkerheten. En hausseformig divergens bildas när en säkerhet registrerar en lägre låg och MACD-formatet blir högre lågt. Den lägre låga i säkerheten bekräftar nuvarande nedåtgående trend, men den högre låga i MACD visar mindre nackdelmoment. Trots mindre nackdelmoment är nedåtgående momentum fortfarande översteg uppåtgående moment så länge MACD kvarstår i negativt territorium. Långsam nedåtgående momentum kan ibland förskjuta en trendomvandling eller en stor rally. Nästa diagram visar Google (GOOG) med en bullish divergens i oktober-november 2008. Först märker vi att vi använder stängningspriser för att identifiera divergensen. MACD039s glidande medelvärden är baserade på slutkurs och vi bör överväga stängningspriser i säkerheten också. För det andra märker vi att det var tydliga reaktionslågor (troughs) eftersom både Google och dess MACD Line studsade i oktober och slutet av november. Tredje, märker att MACD-formatet bildades högre då Google bildade en lägre nivå i november. MACD visade sig ha en hausse divergens med en signallinjekorsning i början av december. Google bekräftade en återföring med motståndsbrott. En bearish divergens bildas när en säkerhet registrerar en högre hög och MACD-linjen bildar en lägre hög. Ju högre högt i säkerheten är normalt för en uptrend, men den lägre höga i MACD visar mindre uppåtgående momentum. Även om uppåtgående momentum kan vara mindre är uppåtmomentet fortfarande översteg i nackdelen så länge MACD är positiv. Avtagande momentum kan ibland förskjuta en trendomvandling eller en avsevärd minskning. Nedan ser vi Gamestop (GME) med stor bearish divergens från augusti till oktober. Beståndet smidda en högre högt över 28, men MACD-linjen föll under den tidigare höga och bildade en lägre hög. Den efterföljande signallinjekorsningen och stödbrytningen i MACD var baisse. På prisdiagrammet märker du hur brutet stöd blev till motstånd vid återkastningsstoppet i november (röd prickad linje). Denna throwback gav en andra chans att sälja eller sälja kort. Skillnader bör vidtas med försiktighet. Bearish skillnader är vanliga i en stark uptrend, medan haussea avvikelser uppträder ofta i en stark downtrend. Ja, du läste det rätt. Uptrends börjar ofta med ett starkt förskott som ger en ökning i uppåtgående momentum (MACD). Trots att uppåtgående fortsätter, fortsätter den i en långsammare takt som gör att MACD faller från dess höga nivåer. Uppåtgående momentum kan inte vara lika starkt, men uppåtgående momentum överstiger fortfarande nackdelen momentum så länge MACD-linjen är över noll. Det motsatta sker i början av en stark nedåtgående trend. Nästa diagram visar SampP 500 ETF (SPY) med fyra baissevikelser från augusti till november 2009. Trots mindre uppåtgående moment fortsatte ETF högre, eftersom uppgången var stark. Lägg märke till hur SPY fortsatte sin serie högre höjder och högre nedgångar. Kom ihåg att uppåtgående momentum är starkare än nackdelen momentum så länge som dess MACD är positiv. Dess MACD (momentum) kan ha varit mindre positiv (stark) när förskottet förlängdes, men det var fortfarande till stor del positivt. Slutsatser MACD-indikatorn är speciell eftersom den samlar fart och trend i en indikator. Denna unika kombination av trend och momentum kan tillämpas på dagliga, veckovisa eller månatliga diagram. Standardinställningen för MACD är skillnaden mellan 12 och 26-åriga EMA. Chartister som letar efter mer känslighet kan prova ett kortare kortsiktigt glidande medelvärde och ett längre långsiktigt glidande medelvärde. MACD (5,35,5) är känsligare än MACD (12,26,9) och kan vara bättre lämpad för veckovisa diagram. Chartister som letar efter mindre känslighet kan överväga att förlänga de glidande medelvärdena. En mindre känslig MACD kommer fortfarande att oscillera överbelopp noll, men mittlinjeövergångarna och signallinjeövergångarna blir mindre frekventa. MACD är inte särskilt bra för att identifiera överköpta och överlämnade nivåer. Även om det är möjligt att identifiera nivåer som historiskt överköptes eller överlåtits, har MACD inga övre eller nedre gränser för att binda sin rörelse. Under skarpa rörelser kan MACD fortsätta att sträcka sig utöver dess historiska ytterligheter. Slutligen kom ihåg att MACD-linjen beräknas med hjälp av den faktiska skillnaden mellan två glidande medelvärden. Det betyder att MACD-värden är beroende av priset på den underliggande säkerheten. MACD-värdena för ett 20-lager kan sträcka sig från -1,5 till 1,5, medan MACD-värdena för en 100 kan sträcka sig från -10 till 10. Det är inte möjligt att jämföra MACD-värden för en grupp av värdepapper med olika priser. Om du vill jämföra momentumavläsningar ska du använda Percent Price Oscillator (PPO). istället för MACD. Lägga till MACD-indikatorn till SharpCharts MACD kan ställas in som en indikator ovan, under eller bakom en security039s prisplot. Att placera MACD bakom prissättet gör det enkelt att jämföra momentumrörelser med prisrörelser. När indikatorn väljs från rullgardinsmenyn visas standardparameterns inställning: (12,26,9). Dessa parametrar kan justeras för att öka känsligheten eller minska känsligheten. MACD-histogrammet visas med indikatorn eller kan läggas till som en separat indikator. Inställning av signallinjen till 1, (12,26,1) tar bort MACD-histogrammet och signallinjen. En separat signalrad utan histogram kan läggas till genom att välja Exp Mov Avg från menyn Avancerade alternativöverlagringar. Klicka här för ett live diagram över MACD-indikatorn. Använda MACD med StockCharts-skanningar Här följer några exempel som StockCharts-medlemmar kan använda för att söka efter olika MACD-signaler: MACD Bullish Signal Line Cross. Denna skanning avslöjar aktier som handlar över deras 200-dagars glidande medelvärde och har en haussead signalöverföring i MACD. Observera också att MACD krävs för att vara negativ för att försäkra sig om att uppgången uppträder efter en återställning. Denna avsökning är bara avsedd som ett startpaket för vidare förfining. MACD Bearish Signal Line Cross. Denna skanning avslöjar aktier som handlar under deras 200-dagars glidande medelvärde och har en bearish signalöverföring i MACD. Observera också att MACD krävs för att vara positiv för att försäkra sig om att denna nedgång kommer efter en studsning. Denna avsökning är bara avsedd som ett startpaket för vidare förfining. Ytterligare studie: Från skaparen erbjuder denna bok en omfattande studie för att använda och tolka MACD. Teknisk Analys - Verktyg för aktiva investerare Gerald Appel