Ratio Bevegelig Gjennomsnittsformelen

Flytte gjennomsnitt: Hva er de Blant de mest populære tekniske indikatorene, er glidende gjennomsnitt brukt til å måle retningen for den nåværende trenden. Hver type bevegelige gjennomsnitt (vanligvis skrevet i denne opplæringen som MA) er et matematisk resultat som beregnes ved å beregne et antall tidligere datapunkter. Når det er bestemt, blir det resulterende gjennomsnittet plottet på et diagram for å tillate handelsmenn å se på glatt data, i stedet for å fokusere på de daglige prisfluktuasjonene som er iboende i alle finansmarkeder. Den enkleste formen for et bevegelige gjennomsnitt, riktig kjent som et enkelt glidende gjennomsnitt (SMA), beregnes ved å ta det aritmetiske gjennomsnittet av et gitt sett av verdier. For eksempel, for å beregne et grunnleggende 10-dagers glidende gjennomsnitt vil du legge til sluttkursene fra de siste 10 dagene, og deretter dele resultatet med 10. I figur 1 er summen av prisene for de siste 10 dagene (110) dividert med antall dager (10) for å komme fram til 10-dagers gjennomsnittet. Hvis en forhandler ønsker å se et 50-dagers gjennomsnitt i stedet, vil samme type beregning bli gjort, men det vil inkludere prisene i løpet av de siste 50 dagene. Det resulterende gjennomsnittet under (11) tar hensyn til de siste 10 datapunktene for å gi handelsmenn en ide om hvordan en eiendel er priset i forhold til de siste 10 dagene. Kanskje du lurer på hvorfor tekniske handelsfolk kaller dette verktøyet et bevegelige gjennomsnitt og ikke bare en vanlig gjennomsnitt. Svaret er at når nye verdier blir tilgjengelige, må de eldste datapunktene slippes fra settet og nye datapunkter må komme inn for å erstatte dem. Dermed går datasettet kontinuerlig til å regne for nye data etter hvert som det blir tilgjengelig. Denne beregningsmetoden sikrer at bare den nåværende informasjonen blir regnskapsført. I figur 2 flyttes den røde boksen (som representerer de siste 10 datapunktene) til høyre, og den siste verdien av 15 blir tapt fra beregningen når den nye verdien av 5 er lagt til settet. Fordi den relativt små verdien av 5 erstatter den høye verdien på 15, ville du forvente å se gjennomsnittet av datasettets reduksjon, som det gjør, i dette tilfellet fra 11 til 10. Hva ser Moving Averages Like Når verdiene til MA har blitt beregnet, de er plottet på et diagram og deretter koblet til for å skape en bevegelig gjennomsnittslinje. Disse svingete linjene er vanlige på diagrammer av tekniske handelsfolk, men hvordan de brukes kan variere drastisk (mer om dette senere). Som du kan se i figur 3, er det mulig å legge til mer enn ett glidende gjennomsnitt i et diagram ved å justere antall tidsperioder som brukes i beregningen. Disse svingete linjene kan virke distraherende eller forvirrende i begynnelsen, men du vil bli vant til dem når tiden går videre. Den røde linjen er bare gjennomsnittsprisen de siste 50 dagene, mens den blå linjen er gjennomsnittsprisen de siste 100 dagene. Nå som du forstår hva et glidende gjennomsnitt er, og hvordan det ser ut, kan du godt presentere en annen type glidende gjennomsnitt og undersøke hvordan det er forskjellig fra det tidligere nevnte enkle glidende gjennomsnittet. Det enkle glidende gjennomsnittet er ekstremt populært blant handelsfolk, men som alle tekniske indikatorer har det kritikere. Mange individer hevder at bruken av SMA er begrenset fordi hvert punkt i dataserien vektes det samme, uavhengig av hvor det forekommer i sekvensen. Kritikere hevder at de nyeste dataene er mer signifikante enn de eldre dataene, og bør ha større innflytelse på sluttresultatet. Som svar på denne kritikken begynte handelsmenn å gi mer vekt på nyere data, som siden har ført til oppfinnelsen av ulike typer nye gjennomsnitt, hvorav den mest populære er det eksponentielle glidende gjennomsnittet (EMA). (For videre lesing, se Grunnleggende om vektede bevegelige gjennomsnitt og hva som er forskjellen mellom en SMA og en EMA) Eksponentiell flytende gjennomsnitt Det eksponentielle glidende gjennomsnittet er en type bevegelige gjennomsnitt som gir mer vekt til de siste prisene i et forsøk på å gjøre det mer responsivt til ny informasjon. Å lære den noe kompliserte ligningen for å beregne en EMA kan være unødvendig for mange forhandlere, siden nesten alle kartleggingspakker gjør beregningene for deg. Men for deg matematiske geeks der ute, her er EMA-ligningen: Når du bruker formelen til å beregne det første punktet til EMA, kan det hende du merker at det ikke er noen verdi tilgjengelig for bruk som den forrige EMA. Dette lille problemet kan løses ved å starte beregningen med et enkelt glidende gjennomsnitt og fortsette videre med den ovennevnte formelen derfra. Vi har gitt deg et eksempelkart som inneholder virkelige eksempler på hvordan du kan beregne både et enkelt glidende gjennomsnitt og et eksponentielt glidende gjennomsnitt. Forskjellen mellom EMA og SMA Nå som du har en bedre forståelse av hvordan SMA og EMA beregnes, kan vi se på hvordan disse gjennomsnittene er forskjellige. Ved å se på beregningen av EMA, vil du legge merke til at det legges større vekt på de siste datapunktene, noe som gjør det til en type vektet gjennomsnitt. I figur 5 er antall tidsperioder som brukes i hvert gjennomsnitt identisk (15), men EMA reagerer raskere på de endrede prisene. Legg merke til hvordan EMA har en høyere verdi når prisen stiger, og faller raskere enn SMA når prisen senker. Denne responsen er den viktigste grunnen til at mange handelsmenn foretrekker å bruke EMA over SMA. Hva betyr de forskjellige dagene Gjennomsnittlig flytteverdi er en helt tilpassbar indikator, noe som betyr at brukeren fritt kan velge hvilken tidsramme de vil ha når man lager gjennomsnittet. De vanligste tidsperioder som brukes i bevegelige gjennomsnitt er 15, 20, 30, 50, 100 og 200 dager. Jo kortere tidsrammen som brukes til å skape gjennomsnittet, jo mer følsomt blir det for prisendringer. Jo lengre tidsrom, jo ​​mindre følsomt, eller mer utjevnet, vil gjennomsnittet være. Det er ingen riktig tidsramme som skal brukes når du oppretter dine bevegelige gjennomsnitt. Den beste måten å finne ut hvilken som fungerer best for deg er å eksperimentere med en rekke ulike tidsperioder til du finner en som passer din strategy. OANDA 1080108910871086108311001079109110771090 10921072108110831099 cookie, 10951090108610731099 1089107610771083107210901100 1085107210961080 10891072108110901099 10871088108610891090109910841080 1074 1080108910871086108311001079108610741072108510801080 1080 108510721089109010881086108010901100 10801093 10891086107510831072108910851086 108710861090108810771073108510861089109011031084 10851072109610801093 10871086108910771090108010901077108310771081 . 10601072108110831099 cookie 10851077 10841086107510911090 1073109910901100 108010891087108610831100107910861074107210851099 107610831103 109110891090107210851086107410831077108510801103 10741072109610771081 10831080109510851086108910901080. 1055108610891077109710721103 108510721096 1089107210811090, 10741099 108910861075108310721096107210771090107710891100 1089 1080108910871086108311001 0791086107410721085108010771084 OANDA8217 109210721081108310861074 cookie 1074 108910861086109010741077109010891090107410801080 1089 10851072109610771081 105510861083108010901080108210861081 108210861085109210801076107710851094108010721083110010851086108910901080. 1048108510891090108810911082109410801080 10871086 107310831086108210801088108610741072108510801102 1080 10911076107210831077108510801102 109210721081108310861074 cookie, 1072 10901072108210781077 1091108710881072107410831077108510801102 108010841080 108710881080107410771076107710851099 10851072 10891072108110901077 aboutcookies. org. 1042 108910831091109510721077 10861075108810721085108010951077108510801103 1080108910871086108311001079108610741072108510801103 109210721081108310861074 kapsel 108610871088107710761077108310771085108510991077 1092109110851082109410801080 108510721096107710751086 10891072108110901072 10731091107610911090 1085107710761086108910901091108710851099. 104710721075108810911079108010901100 108410861073108010831100108510991077 1087108810801083108610781077108510801103 1042109310861076 1042109910731088107210901100 1089109510771090 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 (WMA) 10541087108010891072108510801077 WMA 10861079108510721095107210771090 1711074107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077187 (1072108510751083. 171weighted beveger average187). 10551086108410861075107210771090 10891075108310721076108010901100 108210881080107410911102 1094107710851099, 10951090108610731099 10831091109510961077 1080107610771085109010801092108010941080108810861074107210901100 10901088107710851076. WMA 107610771083107210771090 107710971077 1073108610831100109610801081 1091108710861088 10851072 1085107710761072107410851086 1087108610831091109510771085108510991077 107610721085108510991077, 109510771084 EMA. 1060108610881084109110831072 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 10741099109510801089108311031077109010891103 10871091109010771084 109110841085108610781077108510801103 1082107210781076108610751086 10791085107210951077108510801103 1074 108710861089108310771076108610741072109010771083110010851086108910901080 10851072 108810721079108510991081 10821086110110921092108010941080107710851090 1080 10891083108610781077108510801103 1087108610831091109510771085108510991093 10881077107910911083110010901072109010861074. 1042 10891074110310791080 10891086 1089108310861078108510861089109011001102 1074109910951080108910831077108510801103 1076107210851085108610751086 10891082108610831100107911031097107710751086 10891088107710761085107710751086 1085108010781077 10871088108010741077107610771085 108710881080108410771088. 10551088107710761087108610831086107810801084, 109510901086 1094107710851099 10791072108210881099109010801103 1079 1072 108710861089108310771076108510801077 5 1076108510771081 108910831077107610911102109710801077: 1044107710851100 1060108610881084109110831072 108210861101109210921080109410801077108510901072, 108710881080108410771085110310771084108610751086 1082 108210721078107610861081 10801079 109410771085, 108910831077107610911102109710721103: lt n. 1095108010891083108010901077108310771084 1074 108210721078107610861084 108910831091109510721077 11031074108311031077109010891103 10951080108910831086, 108610731086107910851072109510721102109710771077 10851086108410771088 107610851103 1074 108710861089108310771076108610741072109010771083110010851086108910901080. lt d. 107910851072108410771085107210901077108310771084 11031074108311031077109010891103 10891091108410841072 1082108610831080109510771089109010741072 1076108510771081 1074 1074108010761077 109010881077109110751086108311001085108610751086 10951080108910831072. 105810721082 108210721082 10861073109710771077 1082108610831080109510771089109010741086 1076108510771081 10881072107410851086 5, 109010881077109110751086108311001085109910841080 1095108010891083107210841080 11031074108311031102109010891103 5, 4, 3, 2 1 1080, 1072 10801093 10891091108410841072 10881072107410851072 5432115. 1055108611011090108610841091 5-1076108510771074108510861077 WMA 10881072108910891095108010901099107410721077109010891103 108210721082 83 (515) 81 ( 415) 79 (315) 79 (215) 77 (115) 80,7 1044107710851100 1042 107610721085108510861081 108710881077107910771085107710791077108510901072109410801080 108710881077107610861089109010721074108311031077109010891103 109010861083110010821086 10861073109710721103 108010851092108610881084107210941080110 3. 1055108810801084107710881099 1087108810801074108610761103109010891103 1080108910821083110210951080109010771083110010851086 1074 10801083108311021089109010881072109010801074108510991093 10941077108311031093 1080 10841086107510911090 10851077 10861090108810721078107210901100 1090107710821091109710801077 1094107710851099 OANDA. 105410851080 10851077 11031074108311031102109010891103 10801085107410771089109010801094108010861085108510861081 1088107710821086108410771085107610721094108010771081 108010831080 10871086107310911078107610771085108010771084 1082 1089108610741077108810961077108510801102 108910761077108310821080. 1056107710791091108311001090107210901099, 10761086108910901080107510851091109010991077 1074 1087108810861096108310861084, 1085107710861073110310791072109010771083110010851086 109110821072107910991074107211021090 10851072 1088107710791091108311001090107210901099 1074 1073109110761091109710771084. 169 199682112017 OANDA Corporation. 104210891077 10871088107210741072 10791072109710801097107710851099. 10581086107410721088108510991077 10791085107210821080 OANDA, fxTrade 1080 108910771084107710811089109010741086 10901086107410721088108510991093 107910851072108210861074 fx 10871088108010851072107610831077107810721090 OANDA Corporation. 104210891077 108710881086109510801077 10901086107410721088108510991077 10791085107210821080, 10871088107710761089109010721074108310771085108510991077 10851072 1101109010861084 10891072108110901077, 11031074108311031102109010891103 10891086107310891090107410771085108510861089109011001102 108910861086109010741077109010891090107410911102109710801093 1074108310721076107710831100109410771074. 10581086108810751086107410831103 10821086108510901088107210821090107210841080 10851072 10801085108610891090108810721085108510911102 107410721083110210901091 108010831080 10801085109910841080 107410851077107310801088107810771074109910841080 1087108810861076109110821090107210841080 1089 10801089108710861083110010791086107410721085108010771084 10841072108810781080 1080 1082108810771076108010901085108610751086 10871083107710951072 107410831077109510771090 1074109910891086108210801077 10881080108910821080 1080 10871086107610931086107610801090 10851077 1074108910771084 108010851074107710891090108610881072108 4. 10561077108210861084107710851076109110771084 107410721084 109010971072109010771083110010851086 1086109410771085108010901100, 10871086107610931086107611031090 10831080 107410721084 10901072108210801077 10901086108810751086107410991077 10861087107710881072109410801080 1089 109110951077109010861084 10741072109610801093 108310801095108510991093 1086107310891090108611031090107710831100108910901074. 1042107210961080 109110731099109010821080 10841086107510911090 108710881077107410991089108010901100 10861073109810771084 10741072109610801093 1080108510741077108910901080109410801081. 1048108510921086108810841072109410801103, 10871088108010741077107610771085108510721103 10851072 107610721085108510861084 10891072108110901077, 10851086108910801090 10861073109710801081 10931072108810721082109010771088. 10561077108210861084107710851076109110771084 107410721084 10761086 108510721095107210831072 10901086108810751086107410831080 1086107310881072109010801090110010891103 10791072 1087108610841086109711 001102 1082 10851077107910721074108010891080108410991084 1082108610851089109110831100109010721085109010721084 1080 109110731077107610801090110010891103, 109510901086 10741099 108710861083108510861089109011001102 108710861085108010841072107710901077 107410891077 1089108610871091109010891090107410911102109710801077 10881080108910821080. 10581086108810751086107410831103 10871086108910881077107610891090107410861084 108610851083107210811085-108710831072109010921086108810841099 107410831077109510771090 10761086108710861083108510801090107710831100108510991077 10881080108910821080. 10571084. 108810721079107610771083 17110551088107210741086107410991077 1074108610871088108610891099187 10791076107710891100. 1060108010851072108510891086107410991081 10891087108810771076-1073107710901090108010851075 10761086108910901091108710771085 109010861083110010821086 10821083108010771085109010721084 OANDA Europe Ltd, 1103107410831103110210971080108410891103 10881077107910801076107710851090107210841080 105710861077107610801085107710851085108610751086 10501086108810861083107710741089109010741072 108010831080 1056107710891087109110731083108010821080 10481088108310721085107610801103. 105010861085109010881072108210901099 10851072 1088107210791085108010941091, 1092109110851082109410801080 109310771076107810801088108610741072108510801103 105210584 1080 108210881077107610801090108510861077 10871083107710951086 10891074109910961077 50: 1 1085107710761086108910901091108710851099 107610831103 1088107710791080107610771085109010861074 10571086107710761080108510771085108510991093 106410901072109010861074 1040108410771088108010821080. 1048108510921086108810841072109410801103 10851072 1101109010861084 10891072108110901 077 10851077 1087108810771076108510721079108510721095107710851072 107610831103 1078108010901077108310771081 10891090108810721085, 1074 1082108610901086108810991093 10771077 108810721089108710881086108910901088107210851077108510801077 108010831080 1080108910871086108311001079108610741072108510801077 10831102107310991084 10831080109410861084 108710881086109010801074108610881077109510801090 1084107710891090108510991084 1079107210821086108510721084 1080 10871088107210741080108310721084. 10501086108410871072108510801103 1089 108610751088107210851080109510771085108510861081 1086109010741077109010891090107410771085108510861089109011001102 OANDA Europe Limited 1079107210881077107510801089109010881080108810861074107210851072 1074 104010851075108310801080, 108810771075108010891090108810721094108010861085108510991081 10851086108410771088 7.110.087, 11021088108010761080109510771089108210801081 10721076108810771089: Tower 42, Floor 9a, 25 Old Broad St, London EC2N 1HQ. 104410771103109010771083110010851086108910901100 10821086108410871072108510801080 1083108010941077108510791080108810861074107210851072 1080 108810771075109110831080108810911077109010891103 10591087108810721074108310771085108010771084 10921080108510721085108910861074108610751086 1085107210761079108610881072. 10831080109410771085107910801103 8470 542574. OANDA Japan Co Ltd 8212 108710771088107410991081 10761080108810771082109010861088 10871086 108610871077108810721094108011031084 1089 10921080108510721085108910861074109910841080 1080108510891090108810911084107710851090107210841080 1090108010871072 Kanto Lokal Financial Bureau (Kin-sho), 108810771075. 8470 2137 1095108310771085 1040108910891086109410801072109410801080 1092108010851072108510891086107410991093 109211001102109510771088108910861074, 108810771075. 8470 1571.Kaufman039s Adaptive Moving Average (KAMA) Kaufman039s Adaptive Moving Average (KAMA) Innledning Utviklet av Perry Kaufman, Kaufman039s Adaptive Moving Average (KAMA) er et bevegelige gjennomsnitt beregnet for å ta hensyn til markedsstøy eller volatilitet. KAMA vil følge prisene nøye når prisendringer er relativt små og støyen er lav. KAMA vil tilpasse seg når prisendringer øker og følger priser fra en større avstand. Denne trend-følgende indikatoren kan brukes til å identifisere den generelle trenden, tidspunktet for vendepunkter og filterprisbevegelser. Beregning Det er flere trinn som kreves for å beregne Kaufman039s Adaptive Moving Average. Let039s første start med innstillingene anbefalt av Perry Kaufman, som er KAMA (10,2,30). 10 er antall perioder for effektivitetsforholdet (ER). 2 er antall perioder for den raskeste EMA-konstanten. 30 er antall perioder for den langsomste EMA-konstanten. Før beregning av KAMA må vi beregne effektivitetsforholdet (ER) og utjevningskonstanten (SC). Å bryte ned formelen i bite size nuggets gjør det lettere å forstå metoden bak indikatoren. Legg merke til at ABS står for absolutt verdi. Effektivitetsforhold (ER) ER er i utgangspunktet prisendringen justert for den daglige volatiliteten. I statistiske termer forteller Efficiency Ratio oss fraktal effektiviteten av prisendringer. ER svinger mellom 1 og 0, men disse ekstremer er unntaket, ikke normen. ER ville være 1 hvis prisene gikk opp i 10 påfølgende perioder eller ned 10 påfølgende perioder. ER ville være null hvis prisen er uendret i løpet av de ti perioder. Utjevning Konstant (SC) Utjevningskonstanten bruker ER og to utjevningskonstanter basert på et eksponentielt glidende gjennomsnitt. Som du kanskje har lagt merke til, bruker utjevningskonstanten utjevningskonstantene for et eksponentielt glidende gjennomsnitt i formelen. (2301) er utjevningskonstanten for en 30-årig EMA. Den raskeste SC er utjevningskonstanten for kortere EMA (2-perioder). Den langsomste SC er utjevningskonstanten for den langsommere EMA (30-perioder). Legg merke til at 2 på slutten er å firkant ligningen. Med effektivitetsforholdet (ER) og utjevningskonstant (SC) er vi nå klare til å beregne Kaufman039s adaptive flytende gjennomsnitt (KAMA). Siden vi trenger en innledende verdi for å starte beregningen, er den første KAMA bare et enkelt glidende gjennomsnitt. Følgende beregninger er basert på formelen nedenfor. BeregningseksempelChart Bildene nedenfor viser et skjermbilde fra et Excel-regneark som brukes til å beregne KAMA og det tilsvarende QQQ-diagrammet. Bruk og signaler Chartists kan bruke KAMA som enhver annen trend som følger indikator, for eksempel et glidende gjennomsnitt. Chartister kan se etter priskryss, retningsendringer og filtrerte signaler. For det første angir et kryss over eller under KAMA retningsendringer i priser. Som med ethvert glidende gjennomsnitt, vil et enkelt crossover-system generere mange signaler og mange whipsaws. Chartister kan redusere whipsaws ved å bruke et pris - eller tidsfilter til overgangene. Man kan kreve pris for å holde krysset i angitt antall dager eller kreve korset, overstige KAMA etter sett prosentandel. For det andre kan kartleggere bruke KAMAs retning for å definere den generelle trenden for sikkerhet. Dette kan kreve en parameterjustering for å glatte indikatoren ytterligere. Chartister kan endre midtparameteren, som er den raskeste EMA-konstanten, for å glatte KAMA og se etter retningsendringer. Trenden er nede så lenge KAMA faller og smi lavere nedgang. Trenden går opp så lenge KAMA stiger og smi høyere høyder. Kroger-eksempelet nedenfor viser KAMA (10,5,30) med en bratt oppgang fra desember til mars og en mindre bratt oppgang fra mai til august. Og til slutt kan kartleggere kombinere signaler og teknikker. Chartister kan bruke en langsiktig KAMA for å definere den større trenden og kortsiktige KAMA for handelssignaler. For eksempel kan KAMA (10,5,30) brukes som et trendfilter og anses som bullish når det stiger. Når hausse, kan kartleggere da se etter bullish kryss når prisen beveger seg over KAMA (10,2,30). Eksemplet nedenfor viser MMM med en stigende langsiktig KAMA og bullish kryss i desember, januar og februar. Langsiktig KAMA avslått i april, og det var bearish kryss i mai, juni og juli. SharpCharts KAMA kan bli funnet som en indikatoroverlegg i SharpCharts arbeidsbenk. Standardinnstillingene vises automatisk i parameterboksen når den er valgt, og diagrammer kan endre disse parameterne slik de passer til deres analytiske behov. Den første parameteren er for effektivitetsforholdet, og diagrammer bør avstå fra å øke dette nummeret. I stedet kan diagrammer redusere det for å øke følsomheten. Chartister som ønsker å glatte KAMA for langsiktig trendanalyse, kan øke mellomparameteren gradvis. Selv om forskjellen er bare 3, er KAMA (10,5,30) betydelig jevnere enn KAMA (10,2,30). Ytterligere studie Fra skaperen gir boken nedenfor detaljert informasjon om indikatorer, programmer, algoritmer og systemer, inkludert detaljer om KAMA og andre bevegelige gjennomsnittssystemer. Handelssystemer og metoder Perry KaufmanAm noen måneder siden hadde jeg et innlegg om Momentum Echo (klikk her for å lese innlegget). Jeg sprang over en annen relativ styrke (eller momentum hvis du foretrekker) papir som tester enda en faktor. I Seung-Chan Parks-papiret, The Moving Average Ratio og Momentum, ser han på forholdet mellom et kortsiktig og langsiktig glidende gjennomsnitt av prisen for å rangere verdipapirer etter styrke. Dette er forskjellig fra det meste av den andre faglitteraturen. De fleste andre studier bruker enkle point-to-point prisavkastning for å rangere verdipapirene. Teknikere har brukt flytende gjennomsnitt i årevis for å jevne ut prisbevegelsen. Mesteparten av tiden ser vi at folk bruker krysset av et bevegelige gjennomsnitt som et signal for handel. Park bruker en annen metode for sine signaler. I stedet for å se på enkle kryss, sammenligner han forholdet mellom ett glidende gjennomsnitt til et annet. En aksje med 50-dagers glidende gjennomsnitt betydelig over (under) 200-dagers glidende gjennomsnitt vil ha høy (lav) rangering. Verdipapirer med 50-dagers glidende gjennomsnitt svært nær 200-dagers glidende gjennomsnitt vil komme opp i midten av pakken. I papiret er Park delvis til 200-dagers glidende gjennomsnitt som det langsiktige glidende gjennomsnittet, og han tester en rekke kortvarige gjennomsnitt på mellom 1 og 50 dager. Det bør ikke komme som en overraskelse at de alle jobber. De har faktisk en tendens til å jobbe bedre enn enkle prisavkastningsbaserte faktorer. Det kom ikke som en stor overraskelse for oss, men bare fordi vi har sporet en lignende faktor i flere år som bruker to bevegelige gjennomsnitt. Det som alltid har overrasket meg, er hvor bra den faktoren gjør når sammenlignet med andre beregningsmetoder over tid. Faktoren vi har sporet er det bevegelige gjennomsnittlige forholdet mellom et 65-dagers glidende gjennomsnitt og 150-dagers glidende gjennomsnitt. Ikke akkurat det samme som Park testet, men lik nok. Jeg trakk dataene vi har på denne faktoren for å se hvordan den sammenligner med standard 6- og 12-måneders prisavkastningsfaktorer. For denne testen brukes toppdekilden til rekkene. Porteføljer dannes månedlig og rebalanseres hver måned. Alt kjøres på vår database, som er et univers som ligner SP 500 SP 400. (Klikk for å forstørre) Våre data viser det samme som Parks-tester. Å bruke et forhold mellom bevegelige gjennomsnitt er vesentlig bedre enn bare å bruke enkle prisavkastningsfaktorer. Våre tester viser det bevegelige gjennomsnittlige forholdet, og legger til omtrent 200 bps per år, noe som ikke er en liten bedrift. Det er også interessant å merke seg at vi kom til nøyaktig samme konklusjon ved å bruke forskjellige parametere for det bevegelige gjennomsnittet og et helt annet datasett. Det går bare å vise hvor robust konceptet relativ styrke er. For de leserne som har lest våre hvite papirer (tilgjengelig her og her), lurer du kanskje på hvordan denne faktoren utfører ved hjelp av vår Monte Carlo testprosess. Jeg kommer ikke til å publisere disse resultatene i dette innlegget, men jeg kan fortelle deg at denne bevegelige gjennomsnittsfaktoren er konsekvent nær toppen av faktorene vi sporer og har svært rimelig omsetning for avkastningen den genererer. Å bruke et bevegelige gjennomsnittsforhold er en veldig god måte å rangere verdipapirer for en relativ styrkestrategi. Historiske data viser at det fungerer bedre enn enkle prisfaktorer over tid. Det er også en veldig robust faktor fordi flere formuleringer fungerer, og det fungerer på flere datasett. Denne oppføringen ble postet torsdag 26. august 2010 klokka 13:39 og er arkivert under Relative Strength Research. Du kan følge eventuelle svar på denne oppføringen gjennom RSS 2.0-feed. Du kan legge igjen et svar. eller trackback fra ditt eget nettsted. 9 Responses to Moving Average Ratio og Momentum Et annet flytte-gjennomsnittsbasert alternativ til å bruke punkt-til-punkt-momentum, tar det bevegelige gjennomsnittet av momentum 8230 For eksempel, hvis du sjekker enkelt momentum rangerer daglig, er it8217s veldig støyende, har den primære løsningen vært , 8220don8217t sjekke daglig, 8221 dvs. sjekke månedlig eller kvartalsvis og gjenopprettholde og balansere beholdninger. Du kan imidlertid sjekke daglig, og muligens balansere daglig, med mye mindre støy hvis du bruker det 21-dagers glidende gjennomsnittet på 252-dages momentum i stedet for å bruke 12 måneders momentum. Dette er også ekvivalent, BTW, til forholdet mellom today8217s 21-dagers glidende gjennomsnitt og 21-dagers glidende gjennomsnitt. Fordelen ved å bruke momentum gjennomsnittet er at du har større respons til endringer i momentum enn du gjør hvis du sjekker universet på samme måte eller one-quarter. Det er sikkert mye mer overkommelig å bruke MA-teknikken hvis du har et mindre univers å bruke det på siden jeg bruker en gruppe ETFer som mitt univers, fungerer det bra for meg. Gitt at du arbeider i et univers på 900 aksjer og avslører beholdninger i et fondformat, kan det ikke være aktuelt for deg, men jeg trodde du kunne finne det interessant. Dette er også ekvivalent, BTW, til forholdet mellom dagens 21-dagers glidende gjennomsnitt og 21-dagers glidende gjennomsnitt FROM 252 DAYS AGO 8211 EDIT. John Lewis sier: Vi sporer også faktorer som tar et glidende gjennomsnitt av en momentumberegning eller poengsum. Den gamle technicians8217 trick å bruke en MA for å jevne ut støyen, virker på relativ styrke, akkurat som det gjør på rå pris. Hyppigheten av gjenbalanse bestemmer ofte hva slags modell du kan bruke. Vi driver strategier som bare kan balanseres en gang i kvartalet, og vi må bruke forskjellige modeller for dem enn vi gjør for strategier vi ser på daglig eller ukentlig. Begge metodene fungerer hvis du bruker den riktige faktoren, og vi har funnet at økt gjenbalansefrekvens automatisk øker avkastningen. Noen ganger tar det vekk fra retur. Det er helt avhengig av faktoren og hvordan du implementerer den (minst i min erfaring). Med universene og parametrene I8217ve testet det på, har jeg ikke merket hva jeg ville kalle 8220 statistisk signifikante8221 forbedringer i retur når du bytter fra månedlige opprørere til å flytte gjennomsnittlige teknikker som gir mulighet for (muligens minst) daglige opprør. Hva jeg har notert har vært for det meste hva I8217d kalder ekvivalent avkastning i backtest-dataene. Jeg har spesielt bemerket at gjennomsnittlig antall handelsrundturer er bare svært litt høyere med det daglige byttepotensialet, det vil si at det er noen whipsaws, men bare noen få. Det jeg personlig synes om potensialet for de daglige endringene er, hvis hypotetisk en av problemene i8217m krasjer og brenner, vil MA-teknikken gå ut raskere (og erstatte med et annet sikkerhetssystem). Det var klart at det ikke skjedde nok i løpet av backtestene for å gi en betydelig forskjell i resultatet, men det gir en fin salve til min psyke. Jeg antar at når I8217m trakk seg tilbake og kjører programmet fra en eller annen strand, foretrekker jeg bare å sjekke inn månedlig. That8217s senere. For nå, mens I8217m på datamaskinen, uansett, kan jeg like godt kjøre skannene mine Paul Montgomery sier: 8220 Jeg skal ikke publisere disse resultatene i dette innlegget, men jeg kan fortelle deg at denne bevegelige gjennomsnittsfaktoren er konsekvent nær toppen av faktorene vi sporer og har svært rimelig omsetning for avkastningen det genererer8221 Flott innlegg 8211 ville elske å se mer på denne John Interessante innlegg faktisk 8211 Jeg har lest mye papir om dette og undersøker effektiviteten8230 Den eneste tingen jeg ikke kan forstå er hvordan et fond slik som AQR som foreslår en annen form for momentum som investerer, gjør det så dårlig. Deres teoretiske avkastning er rundt 13 i året, men selve fondet er fortsatt i minus. Lurer på om det å investere i denne ideen din vil gi resultater nær de testede beløpene8230