Site OANDA gebruik koekies om ons webblaaie maklik om te gebruik en persoonlike ons besoekers te maak. Koekies kan nie gebruik word om jou persoonlik te identifiseer. Met die besoek ons webwerf, stem jy in om OANDA8217s gebruik van koekies in ooreenstemming met ons privaatheidsbeleid. Te sluit, te verwyder of te bestuur koekies, besoek aboutcookies. org. Beperking van koekies sal verhoed dat jy voordeel trek uit 'n paar van die funksies van ons webwerf. Laai ons Mobile Apps Meld aan Select rekening: ampltiframe src4489469.fls. doubleclick / activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclick / activityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 width1 height1 frameborder0 styledisplay: Geen mcestyledisplay: noneampgtamplt / iframeampgt Les 1: Moving Gemiddeldes Voordele van die gebruik van bewegende gemiddeldes Oorsig bewegende gemiddeldes stryk mark skommelinge wat dikwels voorkom met mekaar oorsigtydperk in 'n prys grafiek. Die meer gereelde die tempo updates - dit wil sê, hoe meer dikwels die prys grafiek toon 'n updated koers - hoe groter is die potensiaal vir geraas mark. Vir handelaars handel te dryf in 'n vinnig bewegende mark wat wissel of whipsawing op en af, die potensiaal vir valse seine is 'n konstante bron van kommer. Vergelyking van 20-tydperk bewegende gemiddelde real-time mark prys Hoe groter die mate van prysvolatiliteit, hoe groter is die kans dat 'n valse sein gegenereer. Een wat as valse sein vind plaas wanneer dit blyk dat die huidige tendens is op die punt om te keer, maar die volgende verslagtydperk bewys dat dit wat aanvanklik verskyn om 'n ommekeer was, in werklikheid, 'n mark skommeling wees. Hoe die nommer van verslagdoeningstydperke invloed op die bewegende gemiddelde Die aantal verslagdoening tydperke ingesluit in die bewegende gemiddelde berekening invloed op die bewegende gemiddelde lyn soos vertoon in 'n prys grafiek. Hoe minder die datapunte (dit wil sê verslagdoening tydperke) ingesluit in die gemiddelde, hoe nader die bewegende gemiddelde verblyf aan die sigkoers en sodoende die waarde daarvan verminder en bied veel meer insig in die algehele tendens as die prys grafiek self. Aan die ander kant, 'n bewegende gemiddelde wat te veel punte sluit Evens die prysskommelings tot so 'n mate dat jy 'n merkbare tempo tendens nie kan opspoor. Óf situasie kan maak dit moeilik om ommekeer punte erken in genoeg tyd om voordeel te trek uit 'n koers tendens omkeer. Kandelaar Prys Paskaart drie verskillende bewegende gemiddeldes lyne oorsigtydperk - 'n generiese verwysing gebruik om die frekwensie waarmee wisselkoers data is opgedateer beskryf. Ook bekend as korrelig. Dit kan wissel van 'n maand, 'n dag, 'n uur - selfs so dikwels as elke paar sekondes. Die reël is dat hoe korter die tyd wat jy ambagte hou oop, hoe meer dikwels jy moet haal wisselkoers data. Moving Gemiddeld - MA afbreek bewegende gemiddelde - MA As SMA voorbeeld, kyk na 'n sekuriteit met die volgende sluitingsdatum pryse oor 15 dae: Week 1 (5 dae) 20, 22, 24, 25, 23 Week 2 (5 dae) 26, 28, 26, 29, 27 Week 3 (5 dae) 28, 30, 27, 29, 28 A 10 - Day MA sou gemiddeld uit die sluitingsdatum pryse vir die eerste 10 dae as die eerste data punt. Die volgende data punt sal daal die vroegste prys, voeg die prys op dag 11 en neem die gemiddelde, en so aan, soos hieronder getoon. Soos voorheen verduidelik, MA lag huidige prys aksie omdat dit gebaseer is op vorige pryse hoe langer die tydperk vir die MA, hoe groter is die lag. So sal 'n 200-dag MA 'n veel groter mate van lag as 'n 20-dag MA het omdat dit pryse vir die afgelope 200 dae bevat. Die lengte van die MA om te gebruik, hang af van die handel doelwitte, met korter MA gebruik vir 'n kort termyn handel en langer termyn MA meer geskik vir 'n lang termyn beleggers. Die 200-dag MA word wyd gevolg deur beleggers en handelaars, met onderbrekings bo en onder hierdie bewegende gemiddelde beskou as belangrike handel seine wees. MA ook mee belangrik handel seine op hul eie, of wanneer twee gemiddeldes kruis. 'N stygende MA dui daarop dat die sekuriteit is in 'n uptrend. terwyl 'n dalende MA dui daarop dat dit in 'n verslechtering neiging. Net so, is opwaartse momentum bevestig met 'n lomp crossover. wat gebeur wanneer 'n korttermyn-MA kruisies bo 'n langer termyn MA. Afwaartse momentum bevestig met 'n lomp crossover, wat plaasvind wanneer 'n kort termyn MA kruisies onder 'n langer termyn MA. Spreadsheet implementering van seisoenale aanpassing en eksponensiële gladstryking Dit is maklik om seisoenale aanpassing voer en pas eksponensiële gladstryking modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval. A paar maande gelede het ek 'n post oor die Momentum Echo het (klik hier om die pos te lees). Ek hardloop oor 'n ander relatiewe sterkte (of momentum as jy verkies) papier wat nog 'n faktor toetse. In Seung-Chan Parke papier, die bewegende gemiddelde verhouding en Momentum, kyk hy na die verhouding tussen 'n korttermyn-en langtermyn-bewegende gemiddelde prys om sekuriteite rang deur krag. Dit is anders as die meeste van die ander akademiese literatuur. Die meeste van die ander studies gebruik eenvoudige punt-tot-punt prys terug na die sekuriteite rang. Tegnici gebruik bewegende gemiddeldes vir jare uit te stryk prys beweging. Die meeste van die tyd sien ons mense wat die kruising van 'n bewegende gemiddelde as 'n sein vir verhandeling. Park gebruik 'n ander metode vir sy seine. In plaas daarvan om te kyk na eenvoudige kruise, vergelyk hy die verhouding van een bewegende gemiddelde na 'n ander. 'N voorraad met die 50-dae - bewegende gemiddelde aansienlik hoër (hieronder) die 200-daagse bewegende gemiddelde sal 'n hoë (lae) posisie. Securities met die 50-dae - bewegende gemiddelde baie naby aan die 200-daagse bewegende gemiddelde sal beland in die middel van die pak. In die papier Park is gedeeltelike om die 200-daagse bewegende gemiddelde as die langer termyn bewegende gemiddelde, en hy toets 'n verskeidenheid van kort termyn gemiddeldes wissel van 1 tot 50 dae. Dit moet kom as geen verrassing dat hulle al die werk Trouens, hulle is geneig om beter as eenvoudige prys-opbrengs gebaseer faktore werk. Dit didnt kom as 'n groot verrassing vir ons nie, maar net omdat ons dop 'n soortgelyke faktor vir 'n paar jaar dat twee bewegende gemiddeldes gebruik. Wat was nog altyd my verras is hoe goed daardie faktor nie in vergelyking met ander berekeningsmetodes met verloop van tyd. Die faktor wat ons is die dop van die bewegende gemiddelde verhouding van 'n 65-dae bewegende gemiddelde van die 150-daagse bewegende gemiddelde. Nie presies dieselfde as wat Park getoets, maar soortgelyke genoeg. Ek trek die data wat ons het op hierdie faktor om te sien hoe dit vergelyk met die standaard 6- en 12-maande prys terugkeer faktore. Vir hierdie toets, is die top desiel van die geledere gebruik. Portefeuljes word maandeliks gevorm en herbalanseer / hersaamgestelde elke maand. Alles is uitgevoer op ons databasis, wat 'n heelal wat baie soortgelyk aan die SP 500 SP 400. (Klik om te vergroot) Ons data toon dieselfde ding as Parke toetse. Met behulp van 'n verhouding van bewegende gemiddeldes is aansienlik beter as net die gebruik van eenvoudige prys-opbrengs faktore. Ons toetse wys die bewegende gemiddelde verhouding te voeg sowat 200 basispunte per jaar, wat geen geringe prestasie Dit is ook interessant om daarop te let ons op presies dieselfde gevolgtrekking met behulp van verskillende parameters vir die bewegende gemiddelde, en 'n heeltemal ander datastel kom. Dit gaan net om te wys hoe sterk die konsep van relatiewe sterkte is. Vir die lesers wat ons witskrifte (beskikbaar hier en hier) gelees het kan jy wonder hoe hierdie faktor voer met behulp van ons Monte Carlo toetsproses. Ek is nie van plan om die resultate in hierdie post te publiseer, maar ek kan jou vertel hierdie bewegende gemiddelde faktor is konsekwent aan die bokant van die faktore wat ons dop en het 'n baie redelike omset vir die opbrengste wat dit genereer. Met behulp van 'n bewegende gemiddelde verhouding is 'n baie goeie manier om sekuriteite rang vir 'n relatiewe sterkte strategie. Historiese data toon dit werk beter as eenvoudige prys terugkeer faktore met verloop van tyd. Dit is ook 'n baie sterk faktor omdat verskeie formulerings werk, en dit werk op verskeie datastelle. Hierdie inskrywing is geplaas op Donderdag, Augustus 26, 2010 op 13:39 en is geliasseer onder relatiewe sterkte Navorsing. Jy kan al die antwoorde op hierdie inskrywing deur die RSS 2.0 feed volg. Jy kan laat 'n antwoord. of trackback vanaf jou eie webwerf. 9 Responses to Moving gemiddelde verhouding en Momentum Nog bewegende-gemiddelde-gebaseerde alternatief vir die gebruik van punt-tot-punt momentum neem die bewegende gemiddelde van momentum 8230 Byvoorbeeld, as jy kyk eenvoudig momentum geledere daaglikse, it8217s baie lawaaierige die primêre oplossing is , 8220don8217t daaglikse kyk, 8221 dws kyk maandeliks of kwartaalliks en Herevaluatie en herbalanseer Holdings. Jy kan egter daagliks na te gaan, en potensieel daaglikse herbalanseer, met veel minder geraas as, in plaas van die gebruik van 12 maande momentum, jy die 21-dae - bewegende gemiddelde van 252 dae momentum gebruik. Dit is ook soortgelyk, BTW, om die verhouding van today8217s 21-dae - bewegende gemiddelde om die 21-dae - bewegende gemiddelde. Die voordeel van die gebruik van die momentum gemiddelde is dat jy meer reaksie op veranderinge in momentum as jy doen as jy die heelal keer / maand of een keer / kwartaal te gaan. Sekerlik is dit baie meer hanteerbaar tot die MA tegniek gebruik as jy 'n kleiner heelal om dit toe te pas, want ek gebruik 'n groep van ETF's soos my heelal, dit werk goed vir my. Gegewe dat you8217re besig om in 'n heelal van 900 aandele en die bekendmaking van hoewes in 'n fonds-formaat, kan dit nie op u van toepassing wees, maar ek het gedink jy dalk interessant vind. Dit is ook soortgelyk, BTW, om die verhouding van vandag se 21-dae - bewegende gemiddelde om die 21-dae - bewegende gemiddelde UIT 252 DAE GELEDE 8211 te wysig. John Lewis sê: Ons faktore wat 'n bewegende gemiddelde van 'n momentum berekening of telling te neem dop ook. Die ou technicians8217 truuk van die gebruik van 'n MA uit te stryk die geraas werk op relatiewe sterkte net soos dit die geval is op rou prys. Die frekwensie van herbalanseer bepaal dikwels watter soort model wat jy kan gebruik. Ons loop strategieë wat net kan herbalanseer een keer per kwartaal, en ons het om die verskillende modelle gebruik vir diegene as wat ons vir strategieë ons kyk na die daaglikse of weeklikse doen. Beide metodes werk as jy die korrekte faktor gebruik, en ons haven8217t bevind dat die verhoging van die herbalanseer frekwensie outomaties verhoog terugkeer. Soms neem dit weg van die opbrengs. Dit hang heeltemal op die faktor en hoe jy dit te implementeer (ten minste in my ervaring). Met die heelal en parameters I8217ve dit getoets op, het ek nie opgemerk wat ek 8220statistically significant8221 verbeterings sou noem in ruil vir die oorskakeling van maandelikse rebals om bewegende gemiddelde tegnieke wat voorsiening maak vir (potensieel, ten minste) daaglikse rebals. Wat I8217ve opgemerk is, het vir die grootste deel wat gelykstaande opbrengste in die backtest data I8217d noem. Ek het veral opgemerk dat die gemiddelde aantal handel in somer / jaar is net baie effens hoër met die daaglikse verandering potensiaal, dit wil sê daar is 'n paar whipsaws, maar slegs 'n paar. Wat ek persoonlik hou oor die potensiaal vir daaglikse veranderinge is, as hipoteties een van die kwessies I8217m in ongelukke en brande, die MA tegniek sal vinniger te verlaat (en vervang met 'n ander sekuriteit). Dit is duidelik dat dit didn8217t gebeur genoeg in die loop van die backtests om 'n beduidende verskil in die resultaat ry, maar dit beteken bied 'n mooi salf aan my psige. Ek veronderstel as I8217m afgetree en hardloop my program van 'n paar strand iewers, verkies I8217ll net om te kyk in maandelikse, al is. That8217s later. Vir nou, terwyl I8217m op die rekenaar daaglikse elk geval, kan net so goed hardloop my skanderings Paul Montgomery sê: 8220Im nie van plan om die resultate in hierdie post te publiseer, maar ek kan jou vertel hierdie bewegende gemiddelde faktor is konsekwent aan die bokant van die faktore wat ons spoor en het 'n baie redelike omset vir die opgawes dit generates8221 Groot post 8211 wil graag meer te sien op hierdie John interessante post inderdaad 8211 Ek het gelees baie artikels oor hierdie en ondersoek sy effectiveness8230 die een ding wat ek nie kan verstaan nie is hoe kom 'n fonds soos AQR wat stel 'n ander vorm van momentum te belê nie so erg. Hul theorectical opbrengste is ongeveer 13 per jaar, maar die werklike fonds is steeds in minus. Wonder of live belê met hierdie idee van jou resultate na aan die getoets amounts8230Moving Gemiddeldes 13 Deur Casey Murphy sal oplewer. Senior Analis ChartAdvisor Tegniese ontleding is al vir dekades en deur die jare het handelaars die uitvinding van honderde aanwysers gesien. Terwyl sommige tegniese aanwysers is meer gewild as ander, min bewys as objektiewe, betroubare en nuttige as die bewegende gemiddelde te wees. Bewegende gemiddeldes kom in verskeie vorme, maar hul onderliggende doel bly dieselfde: om te help tegniese handelaars hou die tendense van finansiële bates deur glad uit die dag-tot-dag prysskommelings, of geraas. Deur die identifisering van tendense, bewegende gemiddeldes toelaat handelaars om dié tendense werk in hul guns te maak en die verhoging van die aantal wen ambagte. Ons hoop dat teen die einde van hierdie handleiding sal jy 'n duidelike begrip van waarom bewegende gemiddeldes is belangrik, hoe hulle bereken en hoe jy dit kan neem in jou handel strategieë te hê. Niks vervat in hierdie publikasie is bedoel om wetlike, belasting, sekuriteite, of beleggingsadvies of 'n mening oor die toepaslikheid van enige belegging of 'n uitnodiging van 'n tipe vorm. Die algemene inligting vervat in hierdie publikasie moet nie uitgevoer word sonder die verkryging van spesifieke wetlike, belasting, en belegging advies van 'n gelisensieerde professionele. Teken in op nuus te gebruik vir die nuutste insigte en ontleding
No comments:
Post a Comment