Eksponensiële Bewegende Gemiddelde Half Life

Eksponensiële bewegende gemiddelde - EMO laai die speler. Afbreek van Eksponensiële bewegende gemiddelde - EMO Die 12- en 26-dag EMA is die gewildste kort termyn gemiddeldes, en hulle word gebruik om aanwysers soos die bewegende gemiddelde konvergensie divergensie (MACD) en die persentasie prys ossillator (PPO) te skep. In die algemeen, is die 50- en 200-dag EMA as seine van 'n lang termyn tendense. Handelaars wat tegniese ontleding diens vind bewegende gemiddeldes baie nuttig en insiggewend wanneer dit korrek toegepas word, maar skep chaos wanneer onbehoorlik gebruik of verkeerd verstaan. Al die bewegende gemiddeldes wat algemeen gebruik word in tegniese ontleding is, volgens hulle aard, sloerende aanwysers. Gevolglik moet die afleidings wat op die toepassing van 'n bewegende gemiddelde op 'n bepaalde mark grafiek wees om 'n mark skuif bevestig of om sy krag te toon. Heel dikwels is, teen die tyd dat 'n bewegende gemiddelde aanwyser lyn het 'n verandering aan 'n beduidende stap in die mark weerspieël gemaak het die optimale punt van toegang tot die mark reeds geslaag. 'N EMO nie dien om hierdie dilemma te verlig tot 'n mate. Omdat die EMO berekening plaas meer gewig op die jongste data, dit drukkies die prys aksie 'n bietjie stywer en reageer dus vinniger. Dit is wenslik wanneer 'n EMO word gebruik om 'n handels inskrywing sein herlei. Interpretasie van die EMO Soos alle bewegende gemiddelde aanwysers, hulle is baie meer geskik vir trending markte. Wanneer die mark is in 'n sterk en volgehoue ​​uptrend. die EMO aanwyser lyn sal ook 'n uptrend en andersom vir 'n down tendens toon. A waaksaam handelaar sal nie net aandag te gee aan die rigting van die EMO lyn, maar ook die verhouding van die tempo van verandering van die een bar na die volgende. Byvoorbeeld, as die prys aksie van 'n sterk uptrend begin plat en reverse, van die EMAS tempo van verandering van die een bar na die volgende sal begin om te verminder tot tyd en wyl die aanwyser lyn plat en die tempo van verandering is nul. As gevolg van die sloerende uitwerking, deur hierdie punt, of selfs 'n paar bars voor, die prys aksie moet reeds omgekeer. Dit volg dus dat die waarneming van 'n konsekwente verminderde in die tempo van verandering van die EMO kon self gebruik word as 'n aanduiding dat die dilemma wat veroorsaak word deur die sloerende uitwerking van bewegende gemiddeldes verder kon teen te werk. Algemene gebruike van die EMO EMA word algemeen gebruik word in samewerking met ander aanwysers aan beduidende mark beweeg bevestig en om hul geldigheid te meet. Vir handelaars wat intraday en vinnig bewegende markte handel te dryf, die EMO is meer van toepassing. Dikwels handelaars gebruik EMA om 'n handels vooroordeel bepaal. Byvoorbeeld, as 'n EMO op 'n daaglikse grafiek toon 'n sterk opwaartse neiging, kan 'n intraday handelaars strategie wees om net handel van die lang kant op 'n intraday chart. Exploring Die eksponensieel Geweegde Moving Gemiddelde Volatiliteit is die mees algemene maatstaf van risiko, maar dit kom in verskeie geure. In 'n vorige artikel het ons gewys hoe om eenvoudige historiese wisselvalligheid te bereken. (Om hierdie artikel te lees, sien Die gebruik van Volatiliteit Om toekomstige risiko te meet.) Ons gebruik Googles werklike aandele prys data om daaglikse wisselvalligheid gebaseer op 30 dae van voorraad data bereken. In hierdie artikel, sal ons verbeter op eenvoudige wisselvalligheid en bespreek die eksponensieel geweeg bewegende gemiddelde (EWMA). Historiese Vs. Geïmpliseer Volatiliteit Eerste, laat sit hierdie metrieke in 'n bietjie van perspektief. Daar is twee breë benaderings: historiese en geïmpliseer (of implisiete) wisselvalligheid. Die historiese benadering veronderstel dat verlede is proloog ons geskiedenis te meet in die hoop dat dit voorspellende. Geïmpliseerde wisselvalligheid, aan die ander kant, ignoreer die geskiedenis wat dit oplos vir die wisselvalligheid geïmpliseer deur markpryse. Hulle hoop dat die mark weet die beste en dat die markprys bevat, selfs al is implisiet, 'n konsensus skatting van wisselvalligheid. (Vir verwante leesstof, sien die gebruike en beperkinge van Volatiliteit.) As ons fokus op net die drie historiese benaderings (op die bogenoemde links), hulle het twee stappe in gemeen: Bereken die reeks periodieke opgawes Pas 'n gewig skema Eerstens, ons bereken die periodieke terugkeer. Dis gewoonlik 'n reeks van die daaglikse opgawes waar elke terugkeer uitgedruk in voortdurend saamgestel terme. Vir elke dag, neem ons die natuurlike log van die verhouding van aandele pryse (dit wil sê die prys vandag gedeel deur die prys gister, en so aan). Dit veroorsaak 'n reeks van die daaglikse opbrengs van u ek u i-m. afhangende van hoeveel dae (m dae) ons meet. Dit kry ons by die tweede stap: Dit is hier waar die drie benaderings verskil. In die vorige artikel (Die gebruik van Volatiliteit Om toekomstige risiko Gauge), ons het getoon dat onder 'n paar aanvaarbare vereenvoudigings, die eenvoudige afwyking is die gemiddeld van die kwadraat opbrengste: Let daarop dat hierdie som elk van die periodieke opgawes, verdeel dan wat totaal deur die aantal dae of waarnemings (m). So, dit is regtig net 'n gemiddeld van die kwadraat periodieke opgawes. Anders gestel, is elke vierkant terugkeer gegee 'n gelyke gewig. So as alfa (a) is 'n gewig faktor (spesifiek, 'n 1 / m), dan 'n eenvoudige variansie lyk iets soos hierdie: Die EWMA Verbeter op Eenvoudige Variansie Die swakheid van hierdie benadering is dat alle opgawes verdien dieselfde gewig. Yesterdays (baie onlangse) terugkeer het geen invloed meer op die variansie as verlede maande terugkeer. Hierdie probleem is opgelos deur die gebruik van die eksponensieel geweeg bewegende gemiddelde (EWMA), waarin meer onlangse opbrengste het 'n groter gewig op die variansie. Die eksponensieel geweeg bewegende gemiddelde (EWMA) stel lambda. wat die smoothing parameter genoem. Lambda moet minstens een wees. Onder daardie toestand, in plaas van gelyke gewigte, elke vierkant terugkeer is geweeg deur 'n vermenigvuldiger soos volg: Byvoorbeeld, RiskMetrics TM, 'n finansiële risikobestuur maatskappy, is geneig om 'n lambda van 0,94, of 94. gebruik in hierdie geval, die eerste ( mees onlangse) kwadraat periodieke terugkeer is geweeg deur (1-0,94) (. 94) 0 6. die volgende kwadraat terugkeer is bloot 'n lambda-veelvoud van die vorige gewig in hierdie geval 6 vermenigvuldig met 94 5.64. En die derde voor dae gewig gelyk (1-0,94) (0.94) 2 5,30. Dis die betekenis van eksponensiële in EWMA: elke gewig is 'n konstante vermenigvuldiger (dit wil sê lambda, wat moet wees minder as een) van die dae gewig voor. Dit sorg vir 'n afwyking wat geweeg of voorkeur vir meer onlangse data. (Vir meer inligting, kyk na die Excel Werkkaart vir Googles Volatiliteit.) Die verskil tussen net wisselvalligheid en EWMA vir Google word hieronder getoon. Eenvoudige wisselvalligheid effektief weeg elke periodieke terugkeer deur 0,196 soos uiteengesit in kolom O (ons het twee jaar van die daaglikse aandeleprys data. Dit is 509 daaglikse opgawes en 1/509 0,196). Maar let op dat Kolom P ken 'n gewig van 6, dan 5.64, dan 5.3 en so aan. Dis die enigste verskil tussen eenvoudige variansie en EWMA. Onthou: Nadat ons die hele reeks (in kolom Q) het ons die variansie, wat is die kwadraat van die standaardafwyking som. As ons wil hê wisselvalligheid, moet ons onthou om die vierkantswortel van daardie afwyking te neem. Wat is die verskil in die daaglikse wisselvalligheid tussen die variansie en EWMA in Googles geval beduidende: Die eenvoudige variansie het ons 'n daaglikse wisselvalligheid van 2,4, maar die EWMA het 'n daaglikse wisselvalligheid van slegs 1.4 (sien die sigblad vir besonderhede). Blykbaar, Googles wisselvalligheid bedaar meer onlangs dus kan 'n eenvoudige variansie kunsmatig hoog wees. Vandag se afwyking is 'n funksie van Pior Dae Variansie Youll kennisgewing wat ons nodig het om 'n lang reeks van eksponensieel afneem gewigte bereken. Ons sal nie die wiskunde doen hier, maar een van die beste eienskappe van die EWMA is dat die hele reeks gerieflik verminder tot 'n rekursiewe formule: Rekursiewe beteken dat vandag se stryd verwysings (dit wil sê 'n funksie van die vorige dae variansie). Jy kan hierdie formule in die sigblad ook, en dit lei tot die presies dieselfde resultaat as die skuldbewys berekening Dit sê: Vandag se variansie (onder EWMA) gelyk yesterdays variansie (geweeg volgens lambda) plus yesterdays kwadraat terugkeer (geweeg deur een minus lambda). Let op hoe ons net bymekaar te tel twee terme: yesterdays geweegde variansie en yesterdays geweeg, vierkantig terugkeer. Net so is, lambda is ons glad parameter. 'N Hoër lambda (bv soos RiskMetrics 94) dui stadiger verval in die reeks - in relatiewe terme, gaan ons meer datapunte in die reeks en hulle gaan stadiger af te val. Aan die ander kant, as ons die lambda verminder, dui ons hoër verval: die gewigte val vinniger af en, as 'n direkte gevolg van die snelle verval, is minder datapunte gebruik. (In die sigblad, lambda is 'n inset, sodat jy kan eksperimenteer met sy sensitiwiteit). Opsomming Volatiliteit is die oombliklike standaardafwyking van 'n voorraad en die mees algemene risiko metrieke. Dit is ook die vierkantswortel van variansie. Ons kan variansie histories of implisiet (geïmpliseer wisselvalligheid) te meet. Wanneer histories meet, die maklikste metode is eenvoudig variansie. Maar die swakheid met 'n eenvoudige afwyking is alle opgawes kry dieselfde gewig. So staan ​​ons voor 'n klassieke kompromis: ons wil altyd meer inligting, maar hoe meer data het ons die meer ons berekening verwater deur verre (minder relevant) data. Die eksponensieel geweeg bewegende gemiddelde (EWMA) verbeter op eenvoudige variansie deur die toeken van gewigte aan die periodieke opgawes. Deur dit te doen, kan ons albei gebruik 'n groot monster grootte, maar ook 'n groter gewig te gee aan meer onlangse opbrengste. (Om 'n fliek handleiding te sien oor hierdie onderwerp, besoek die Bionic skilpad.) In teenstelling met 'n eenvoudige bewegende gemiddelde (SMA), wat al datapunte dieselfde gewig gee, 'n eksponensiële bewegende gemiddelde (EMA) gee meer gewig aan onlangse data, dus is dit meer bruikbaar wanneer onlangse data is meer relevant as die historiese gemiddelde. EMO word bereken deur: 1. Die berekening van 'n EMO afhanklik van die aantal datapunte wat jy wil om te oorweeg, EMO 2 / (n 1) waar n die aantal punte wat jy wil om te oorweeg, byvoorbeeld, om die laaste 5 punte gebruik EMO 2 / (51) 0.33, 2. Oorweeg X (1-EMO), in ons geval is dit (1-0,33) 0.67 3. Stel die laaste datapunte is P1, P2, P3, P4, P5 EMO (P5 P4X V3 (X2) V2 (X3) P1 (X4)) / (1XX2X3X4) wat dit beteken is dat dit gee ouer datapunte 'n veel kleiner gewig. 'N Eenvoudige bewegende gemiddelde sou eenvoudig vermenigvuldig elk van die afgelope 5 punte met 20 en voeg hulle saam maak hulle almal gelyk. Hier is 'n voorbeeld van die data punte, met behulp van die afgelope 5 punte tot SMA en EMO bereken. Jy kan sien dat EMO beweeg nader aan die werklike data, nog gladder as dit, maar meer sensitief vir die skommelinge. 264 Views middot View upvotes middot Nie vir ReproductionExponential verval modelle Alle modelle is verkeerd, 'n paar modelle is meer verkeerd as ander. Die straatlig model Eksponensiële verval modelle is redelik algemeen. Maar hoekom Een rede 'n model kan gewild wees, is dat dit 'n redelike benadering tot die meganisme wat die data genereer bevat. Dit is ernstig onwaarskynlik in hierdie geval. Wanneer dit donker en you8217ve verloor jou sleutels, waar jy kyk onder die straatlig. Jy kyk daar nie, want jy dink that8217s die mees waarskynlike plek vir die sleutels te wees wat jy daar sien, want dit is die enigste plek you8217ll hulle te vind as hulle daar. Lank gelede en nie so ver weg, ek nodig het om die afwyking matriks van die opbrengs van 'n paar duisend aandele te bereken. Die masjien wat ek moes kon drie afskrifte van die matriks maar nie veel meer te hou. 'N eksponensiële verval model gewerk wonderlik in hierdie situasie. Die data wat ek nodig het is: die vorige day8217s variansie matriks Die vektor van yesterday8217s terug die bedrywighede was: doen 'n buitenste produk met die vektor van opgawes doen 'n geweegde gemiddelde van daardie buitenste produk en die vorige variansie matriks Compact en maklik. Daar is beter maniere, it8217s net dat die tyd was verkeerd. Die 8220right8221 manier sou wees om 'n lang geskiedenis van die opbrengs van die aandele gebruik en pas 'n realistiese model. Selfs al daardie rekenaar die geskiedenis van opbrengste (waarskynlik nie) kon gehou, is dit onwaarskynlik dat dit ruimte om te werk met dit om vorendag te kom met die antwoord gehad het. Plus daar is baie van die data komplikasies sou hê om deur te werk met 'n meer komplekse model. 8220The skadu en lig van models8221 gebruik 'n ander metafoor van die lig met betrekking tot modelle. As ons net 'n eksponensiële verval model kan gebruik, is die meting van onkunde gaan 'n bietjie dodgy wees. Ons won8217t weet hoeveel van die onkunde is te danke aan die model en hoeveel is inherent. Eksponensiële gladstryking Ons kan eksponensiële gladstryking van die daaglikse opbrengs van die SampP 500 as 'n voorbeeld te doen. Figuur 1 toon die onbestreken opbrengste. Figuur 2 toon die eksponensiële glad met lambda gelyk aan 0,97 8212 wat 97 gewig op die vorige glad en 3 gewig op die huidige punt. Figuur 3 toon die eksponensiële glad met lambda gelyk aan 1. Nota. Dikwels wat genoem lambda hier is een minus lambda elders. Let daarop dat die begin van die gladde in figure 2 en 3 is 'n bietjie vreemd. Die eerste punt van die gladde is die werklike eerste datapoint, wat gebeur met 'n bietjie meer as 1. Dat probleem opgelos kan word deur die verlening van 'n brand-in periode 8212 weglating van die eerste 20, 50, 100 punte in die gladde. Kettings van gewigte Die eenvoudige proses van altyd besig met 'n geweegde som van die vorige glad en die nuwe data beteken dat die gladde is eintlik 'n geweegde som van al die vorige data met gewigte wat eksponensieel afneem. Figuur 4 toon die gewig wat die gevolg is van twee keuses van lambda. Figuur 4: Gewigte van uitgesak waarnemings vir lambda gelyk aan 0.97 (blou) en 0.99 (goud). Die gewigte drop redelik vinnig af. As die proses stabiel was, sou ons wil die waarnemings ewe word geweeg. Dit is maklik om dit te doen kompak sowel let op die som van die statistiek wat jy wil let op die aantal waarnemings die nuwe statistiek toe te voeg tot die som en deel dit deur die aantal waarnemings Wat ons is geneig om te wil regtig is 'n paar kompromie tussen hierdie uiterstes . Halfleeftyd Die halfleeftyd van 'n eksponensiële verval word dikwels gegee. Dit is die aantal lags waarteen die gewig val tot die helfte van die gewig vir die huidige waarneming. Figuur 5 toon die half-lewe vir ons twee voorbeeld lambdas. Oor die algemeen die halfleeftyd word asof dit 'n intuïtiewe waarde. Wel, klink koel 8212 I8217m nie seker of dit vertel my veel van enigiets. Opsomming Wanneer 'n eksponensiële verval model gebruik word, moet jy vra: Is daar 'n goeie rede om eksponensiële verval gebruik, of is dit net gebruik omdat dit nog altyd gedoen soos wat Vooruitgang in hardeware beteken dat sommige van wat kan slegs geskoei met eksponensiële verval in die verlede kan nou beter wees geskoei. Dit beteken ook dat dit wat nie gedoen kan word op alle voor kan nou gedoen word met eksponensiële verval. Epiloog Hy vind 'n gerieflike straat lig, stappe uit die skaduwee Sê iets soos, 8220You en my baba, hoe oor it8221 van 8220Romeo en Juliet8221 deur Mark Knopfler Bylae R R is, natuurlik, 'n wonderlike plek om modellering 8212 doen eksponensiële en ander. naïef eksponensiële gladstryking 'n naïewe implementering van eksponensiële gladstryking is: Dit is naïef in ten minste twee sinne. Dit maak die herhaling uitdruklik. Vir hierdie eenvoudige geval, daar is 'n alternatief. Maar in meer komplekse situasies dit nodig mag wees om 'n lus te gebruik. Die funksie is ook naïef in die veronderstelling dat die vektor te stryk het ten minste twee elemente. Hierdie soort van probleem is 'n familielid van Circle 8.1.60 in die R Inferno. beter eksponensiële gladstryking Eksponensiële smoothing kan meer doeltreffend deur die druk van die herhaling af in 'n saamgestel taal gedoen word: Dit is nog steeds 'n paar naïwiteit deurdat dit doesn8217t seker te maak dat lambda is van lengte een. Sien ook die funksie HoltWinters in die statistieke pakket, en Ets in die vooruitsig pakket. gewig plotte 'n vereenvoudigde weergawe van 'n gedeelte van figuur 5 is: tyd plot Die erwe met verloop van tyd is vervaardig met pp. timeplot. Software Knowledge Base Eksponensiële Risiko Eksponensiële risiko word bereken deur die eksponensieel geweegde bewegende gemiddelde (EWMA). Eksponensiële risiko het twee hoof voordele oor die ewe geweegde risiko model (Historiese Risiko) voordele bo Historiese Risiko (Gelyk Geweegde) Onlangse tydreekse Waarnemings dra 'n hoër gewig (belangrikheid) met betrekking tot waarnemings in die verlede. Dit laat eksponensieel geweegde beramings risiko (kovariansie) om vinniger te reageer op onlangse skokke in markte. Risiko skattings in hierdie model het 'n korter geheue volgende 'n skok. Die risiko skattings daal glad en vinnig as die betekenis van skok Waarnemings verminder deur die tyd. In teenstelling, sal skokke waargeneem deur die ewe geweegde historiese risiko model risiko skattings vir die volle waarneming tydperk verhoog en sal 'n skielike verskuiwing veroorsaak toe hulle uit die waarneming venster val. Bederf Factor Die verval-faktor is 'n parameter wat beheer hoe vinnig die betekenis van ouer waarnemings word verminder. Die n-de waarneming is geweeg deur Bederf Factor N. Die verval faktor van 0 tot 1, waar 1 tot gevolg sal hê in dieselfde gewig skema as die ewe geweegde model (historiese risiko). Half-Life Die halfleeftyd beskryf die tyd wat dit neem vir die gewig op tydreekse waarnemings val een-helfte van die gewig wat aan die mees onlangse waarneming. Half-lewe is 'n funksie van die verval-faktor en kan opgelos word deur die helfte - Life Meld (1/2) / Meld (Bederf Factor) Byvoorbeeld, om die helfte van die maandelikse opgawes te bereken met 'n verval-faktor van 0.97, ons bereken die log 02/01 gedeel deur die log 0.97. Die halfleeftyd is 22,76 maande. kategorieë: