Glidande medelvärde fördelning

Flytta genomsnitt: Vad är de Bland de mest populära tekniska indikatorerna används glidande medelvärden för att mäta riktningen för den nuvarande trenden. Varje typ av glidande medelvärde (vanligtvis skrivet i denna handledning som MA) är ett matematiskt resultat som beräknas genom att medelvärda ett antal tidigare datapunkter. När det bestämts är det resulterande genomsnittet plottat på ett diagram för att låta handlare se på jämn data istället för att fokusera på de dagliga prisfluktuationerna som är inneboende på alla finansmarknader. Den enklaste formen av ett glidande medel, lämpligt känt som ett enkelt glidande medelvärde (SMA), beräknas genom att ta det aritmetiska medelvärdet av en given uppsättning värden. För att beräkna ett grundläggande 10-dagars glidande medelvärde skulle du lägga till slutkurserna från de senaste 10 dagarna och sedan dela resultatet med 10. I Figur 1 är summan av priserna under de senaste 10 dagarna (110) dividerat med antalet dagar (10) för att komma fram till 10-dagars genomsnittet. Om en näringsidkare vill se ett 50-dagars medel istället skulle samma typ av beräkning göras, men det skulle inkludera priserna under de senaste 50 dagarna. Det resulterande genomsnittet under (11) tar hänsyn till de senaste 10 datapunkterna för att ge handlare en uppfattning om hur en tillgång prissätts relativt de senaste 10 dagarna. Kanske du undrar varför tekniska handlare kallar det här verktyget ett glidande medelvärde och inte bara en vanlig medelvärde. Svaret är att när de nya värdena blir tillgängliga måste de äldsta datapunkterna släppas från uppsättningen och nya datapunkter måste komma in för att ersätta dem. Således flyttar datasatsen ständigt för att redogöra för nya data när den blir tillgänglig. Denna beräkningsmetod säkerställer att endast den nuvarande informationen redovisas. I figur 2 flyttas den röda rutan (representerande de senaste 10 datapunkterna) till höger om det nya värdet på 5 och det sista värdet av 15 släpps från beräkningen. Eftersom det relativt lilla värdet på 5 ersätter det höga värdet på 15, förväntar du dig att genomsnittet av datamängden minskar, vilket det gör, i det här fallet från 11 till 10. Vad ser Moving Averages Like När värdena på MA har beräknats, de är plottade på ett diagram och sedan anslutna för att skapa en rörlig genomsnittslinje. Dessa kurvor är vanliga på diagrammen för tekniska handlare, men hur de används kan variera drastiskt (mer om detta senare). Som du kan se i Figur 3 är det möjligt att lägga till mer än ett glidande medelvärde till ett diagram genom att justera antalet tidsperioder som används i beräkningen. Dessa böjda linjer kan verka distraherande eller förvirrande först, men du kommer att bli vana vid dem som tiden går vidare. Den röda linjen är helt enkelt genomsnittspriset under de senaste 50 dagarna, medan den blå linjen är genomsnittspriset under de senaste 100 dagarna. Nu när du förstår vad ett rörligt medelvärde är och hur det ser ut, introducera väl en annan typ av rörligt medelvärde och undersöka hur det skiljer sig från det tidigare nämnda enkla glidande medlet. Det enkla glidande medlet är extremt populärt bland handlare, men som alla tekniska indikatorer har det kritiker. Många individer hävdar att användbarheten av SMA är begränsad eftersom varje punkt i dataserien är densamma, oavsett var det inträffar i sekvensen. Kritiker hävdar att de senaste uppgifterna är mer signifikanta än de äldre uppgifterna och bör ha större inverkan på slutresultatet. Som svar på denna kritik började näringsidkare lägga större vikt vid de senaste uppgifterna, som sedan har lett till uppfinningen av olika typer av nya medelvärden, varav den mest populära är det exponentiella rörliga genomsnittet (EMA). (För vidare läsning, se Grunderna för viktade rörliga medelvärden och vad som är skillnaden mellan en SMA och en EMA) Exponentiell rörlig genomsnitts Det exponentiella rörliga genomsnittsvärdet är en typ av rörligt medelvärde som ger större vikt till de senaste priserna i ett försök att göra det mer responsivt till ny information. Att lära sig den något komplicerade ekvationen för att beräkna en EMA kan vara onödig för många handlare, eftersom nästan alla kartläggningspaket gör beräkningarna för dig. Men för dig matte geeks där ute, här är EMA-ekvationen: När du använder formeln för att beräkna den första punkten hos EMA kan du märka att det inte finns något värde tillgängligt för att använda som tidigare EMA. Detta lilla problem kan lösas genom att starta beräkningen med ett enkelt glidande medelvärde och fortsätta med ovanstående formel därifrån. Vi har försett dig med ett provkalkylblad som innehåller verkliga exempel på hur man beräknar både ett enkelt glidande medelvärde och ett exponentiellt glidande medelvärde. Skillnaden mellan EMA och SMA Nu när du har en bättre förståelse för hur SMA och EMA beräknas, kan vi titta på hur dessa genomsnitt skiljer sig åt. Genom att titta på beräkningen av EMA kommer du att märka att större vikt läggs på de senaste datapunkterna, vilket gör det till en typ av vägt genomsnitt. I Figur 5 är antalet tidsperioder som används i varje genomsnitt identiskt (15), men EMA svarar snabbare på de förändrade priserna. Lägg märke till hur EMA har ett högre värde när priset stiger och faller snabbare än SMA när priset sjunker. Denna respons är den främsta anledningen till att många handlare föredrar att använda EMA över SMA. Vad betyder de olika dagarna Medflyttande medelvärden är en helt anpassningsbar indikator, vilket innebär att användaren fritt kan välja vilken tidsram de vill ha när de skapar genomsnittet. De vanligaste tidsperioderna som används i glidande medelvärden är 15, 20, 30, 50, 100 och 200 dagar. Ju kortare tidsintervallet användes för att skapa medelvärdet desto känsligare blir det för prisändringar. Ju längre tidspanelen är, desto mindre känslig eller jämnare blir medeltalet. Det finns ingen rätt tidsram att använda när du ställer in dina glidande medelvärden. Det bästa sättet att ta reda på vilket som passar dig bäst är att experimentera med ett antal olika tidsperioder tills du hittar en som passar din strategi. Akkumuleringsfördelningslinje ackumuleringsdistributionsledning Inledning Utvecklad av Marc Chaikin är ackumuleringsdistributionslinjen en volym baserad indikator avsedd att mäta det kumulativa flödet av pengar till och från en säkerhet. Chaikin hänvisade ursprungligen till indikatorn som den kumulativa penningflödeslinjen. Liksom med kumulativa indikatorer är ackumuleringsdistributionslinjen en löpande summa för varje period039s pengeströmvolym. Först beräknas en multiplikator baserat på förhållandet mellan det höga låga intervallet. För det andra multipliceras pengflödesmultiplikatorn med volymen period039 för att komma fram till ett pengeströmvolym. En löpande summa av pengeströmvolymen bildar ackumuleringsdistributionslinjen. Chartister kan använda denna indikator för att bekräfta en security039s underliggande trend eller förutse omkastningar när indikatorn avviker från säkerhetspriset. Beräkning Det finns tre steg för att beräkna ackumuleringsdistributionslinjen (ADL). Beräkna först pengflödesmultiplikatorn. För det andra, multiplicera det här volymen för att hitta pengaflödesvolymen. För det tredje, skapa en löpande summa för pengeströmvolymen för att bilda ackumuleringsdistributionslinjen (ADL). Pengflödesmultiplikatorn fluktuerar mellan 1 och -1. Som sådan har den nyckeln till pengeströmvolymen och ackumuleringsdistributionslinjen. Multiplikatorn är positiv när stängningen ligger i den övre halvan av höglågsområdet och negativt när det är i nedre halvan. Detta gör perfekt mening. Köptrycket är starkare än att sälja tryck när priserna stänger i den övre halvan av perioden039s intervall (och vice versa). Accumulation Distribution Line stiger när multiplikatorn är positiv och faller när multiplikatorn är negativ. Multiplikatorn justerar volymen som slutar i Money Flow Volume. Volymen minskar faktiskt om inte pengeströmmultiplikatorn befinner sig vid dess ytterligheter (1 eller -1). Multiplikatorn är 1 när slutet är högt och -1 när slutet är på lågt. All volym är positiv när 1 och all volym är negativ när -1. Vid .50 övergår endast hälften av volymen till perioden039s pengeströmvolym. I tabellen nedan visas pengaflödesmultiplikatorerna, pengeströmvolymen och ackumuleringsdistributionslinjen för forskning i rörelse (RIMM). Lägg märke till hur multiplikatorn är mellan .50 och 1 när stängningen är stark och mellan -50 och -1 när stängningen är svag. Klicka här för en beräkning av ackumuleringsdistributionslinjen i ett Excel-kalkylblad. Tolkning Accumulation Distribution Line är en kumulativ mätning av varje period039s volymflöde eller pengaflöde. En hög positiv multiplikator kombinerad med hög volym visar starkt köptryck som trycker indikatorn högre. Omvänt återspeglar ett lågt negativt tal kombinerat med hög volym ett starkt försäljnings tryck som skjuter indikatorn lägre. Pengeströmvolymen ackumuleras för att bilda en linje som antingen bekräftar eller strider mot den underliggande prisutvecklingen. I detta avseende används indikatorn för att antingen förstärka den underliggande trenden eller tvivla på hållbarheten. En ökning av priserna med en nedgång i ackumuleringsdistributionslinjen föreslår underliggande försäljnings tryck (distribution) som skulle kunna förskjuta en bearish reversering på prisdiagrammet. En nedgång i priser med en uptrend i ackumuleringsdistributionslinjen indikerar underliggande köpetryck (ackumulering) som skulle kunna förhindra en hausseffektivitet i priserna. ADL kontra OBV Accumulation Distribution Line och On Balance Volume (OBV) är kumulativa volymbaserade indikatorer som ibland rör sig i motsatta riktningar eftersom deras grundläggande formler är olika. Joe Granville utvecklade på balansvolym (OBV) som en kumulativ mätning av positivt och negativt volymflöde. OBV lägger till en period039s totala volym när stängningen är upp och subtraherar den när stängningen är nere. En kumulativ total av detta positiva och negativa volymflöde bildar OBV-linjen. Denna linje kan då jämföras med prisplanen för den underliggande säkerheten för att leta efter avvikelser eller bekräftelser. Som ovanstående formel visar, tog Chaikin ett annat tillvägagångssätt genom att helt ignorera förändringen från en period till en annan. Istället fokuserar ackumuleringsdistributionslinjen på nivån av nära relativ till höglågsområdet under en given period (dag, vecka, månad). Med denna formel kan en säkerhet klyfta ner och stänga betydligt lägre, men ackumuleringsdistributionslinjen skulle stiga om stängningen var över mittpunkten för det höga låga intervallet. Diagrammet ovan visar Clorox (CLX) med ett stort gap och en nära toppen av dagens039s höga låga intervall. OBV flyttade kraftigt lägre eftersom stängningen var under den tidigare stängningen. Accumulation Distribution Line flyttade högre eftersom stängningen var nära dagens höga. Trendbekräftelse Trendbekräftelse är ett ganska rakt framåtbegrepp. En uptrend i ackumuleringsdistributionslinjen förstärker en uptrend på prisdiagrammet och vice versa. Diagrammet nedan visar Freeport McMoran (FCX) och ackumuleringsdistributionslinjen som utvecklas i februari-mars, minskar från april till juni och fortsätter sedan från juli till januari. Accumulation Distribution Line bekräftade var och en av dessa prisutvecklingar. Skillnader Bullish och bearish divergences är där det börjar bli intressant. En hausse divergens bildas när priset går till nya nedgångar, men ackumuleringsdistributionslinjen bekräftar inte dessa låga och går högre. En stigande ackumuleringsdistributionslinje visar väl ackumulering. Tänk på detta som i grund och botten lurar att köpa tryck. Baserat på teorin om att volymen föregår pris bör kartläggare vara uppmärksamma på att ha en hausseffekter på prisdiagrammet. Diagrammet ovan visar Nordstrom (JWN) med ackumuleringsdistributionslinjen. Lägg märke till hur det är lätt att jämföra prisåtgärder när indikatorn är placerad bakom prissummen. Indikatorn (rosa) och prisutvecklingen gick ihop från februari till juni. Tecken på ackumulering uppstod som indikatorn botten i början av juli och började flytta högre. JWN flyttade till en ny låg i slutet av augusti. Även om indikatorn visade tecken på att köpa tryck, var det viktigt att vänta på en hausse katalysator eller bekräftelse på prisdiagrammet. Den här katalysatorn kom när beståndet grep upp och ökade på stor volym. En baisse divergens bildas när priset flyttar till nya höjder, men ackumuleringsdistributionslinjen bekräftar inte och rör sig lägre. Detta visar distribution eller underliggande försäljnings tryck som kan förskjuta en bearish reversering på prisdiagrammet. Diagrammet ovan visar Southwest Airlines (LUV) med ackumuleringsdistributionslinjen som toppar två månader före priserna. Indikatorn nådde inte bara toppen, men den flyttade också lägre i mars och april, vilket återspeglade något försäljnings tryck. LUV bekräftade svaghet med en supportbrott på prisdiagrammet och RSI flyttade under 40 strax efteråt. RSI handlar ofta i tjurzoner (40-80) och björnzoner (20-60). RSI höll i tjurzonen fram till början av maj och flyttade sedan in i en björnzon. Koppla bort med priser Accumulation Distribution Line är en indikator baserad på ett derivat av pris och volym. Detta gör det åtminstone två steg borttaget från det faktiska priset för den underliggande säkerheten. Dessutom tar pengeströmmultiplikatorn inte hänsyn till prisförändringar från period till period. Som sådan kan det inte förväntas att alltid bekräfta prisåtgärder eller framgångsrikt förutsäga prisomkastningar med skillnader. Ibland finns det en, gasp, koppla mellan priser och indikatorn. Ibland fungerar ackumuleringsdistributionslinjen helt enkelt inte. Det är därför viktigt att använda ackumuleringsdistributionslinjen och alla indikatorer för den delen, i samband med pricetrendanalys och andra indikatorer. Slutsatser Accumulation Distribution Line kan användas för att mäta det allmänna flödet av volymen. En uptrend indikerar att köptrycket råder regelbundet, medan en downtrend indikerar att försäljningspresset råder. Bullish och bearish divergences fungera som varningar för en potentiell återföring på prisdiagrammet. Precis som med alla indikatorer är det viktigt att använda ackumuleringsdistributionslinjen i kombination med andra aspekter av teknisk analys, som momentumoscillatorer och diagrammönster. Det är inte en fristående indikator. SharpCharts Accumulation Distribution Line finns i SharpCharts som en indikator. Efter valet kan indikatorn placeras över, under eller bakom priset för den underliggande säkerheten. Positionering bakom pris gör det enkelt att jämföra med den underliggande säkerheten. Chartister kan också lägga till ett glidande medelvärde för indikatorn genom att använda de avancerade alternativen. Klicka här för ett live-diagram med ackumuleringsdistributionslinjen. Föreslagna skanningar Bullish Divergence i OBV och ADL. Denna skanning börjar med en bas av lager som är genomsnittliga minst 10 i pris och 100 000 dagliga volymer under de senaste 60 dagarna. Potentiella hausseffekter finns genom att leta efter lager där priset är under den 65-dagars SMA och 20-dagars SMA, men OBV och ackumuleringsdistributionsledningen är över 65-dagars SMA och 20-dagars SMA. Bearish divergens i OBV och ADL. Denna skanning börjar med en bas av lager som är genomsnittliga minst 10 i pris och 100 000 dagliga volymer under de senaste 60 dagarna. Potentiella baisseviklingar återfinns genom att leta efter lager där priset är över 65-dagars SMA och 20-dagars SMA, men OBV och ackumuleringsdistributionslinjen är under den 65-dagars SMA och 20-dagars SMA. Ytterligare studie Denna bok täcker allt med förklaringar som är enkla och tydliga. Murphy täcker de flesta stora diagrammen mönster och indikatorer. Ett komplett kapitel ägnas åt att förstå volymen och öppna intresset. Teknisk analys av finansmarknaderna John J. MurphySimple Rörande medelvärden Göra trenderna stående ut Flyttande medelvärden (MA) är en av de mest populära och ofta använda tekniska indikatorerna. Det rörliga genomsnittet är lätt att beräkna och, en gång ritat på ett diagram, är ett kraftfullt visuellt trendspottningsverktyg. Du kommer ofta att höra om tre typer av glidande medelvärde: enkelt. exponentiell och linjär. Det bästa stället att börja är att förstå de mest grundläggande: det enkla glidande medlet (SMA). Låt oss titta på denna indikator och hur det kan hjälpa näringsidkare att följa trender mot större vinster. (För mer om glidande medelvärden, se vår Forex Walkthrough.) Trendlines Det kan inte finnas någon fullständig förståelse för glidande medelvärden utan att förstå trender. En trend är helt enkelt ett pris som fortsätter att röra sig i en viss riktning. Det finns bara tre riktiga trender som en säkerhet kan följa: En uptrend. eller hausseffekt, innebär att priset går högre. En downtrend. eller bearish trend, innebär att priset går lägre. En sido trend. där priset rör sig sidled. Det viktiga att komma ihåg om trender är att priserna sällan rör sig i en rak linje. Därför används rörliga medellinjer för att hjälpa en näringsidkare att lättare identifiera riktningens riktning. (För mer avancerad läsning om detta ämne, se Grunderna i Bollinger-band och Flytta genomsnittliga kuvert: Raffinera ett populärt handelsverktyg.) Flyttande medelkonstruktion Textboksdefinitionen för ett glidande medelvärde är ett genomsnittspris för en säkerhet med en viss tidsperiod. Låt oss ta det mycket populära 50-dagars glidande genomsnittet som ett exempel. Ett 50-dagars glidande medelvärde beräknas genom att ta slutkurserna för de sista 50 dagarna av eventuell säkerhet och lägga dem ihop. Resultatet från additionskalkylen divideras sedan med antalet perioder, i det här fallet 50. För att fortsätta att beräkna det rörliga genomsnittet dagligen, ersätt det äldsta numret med den senaste stängningskursen och gör samma matte. Oavsett hur länge eller kort av ett rörligt medelvärde du ser att plotta, är de grundläggande beräkningarna förblir desamma. Förändringen kommer att vara i antal slutkurser du använder. Så, till exempel, ett 200-dagars glidande medelvärde är slutkursen för 200 dagar summerad tillsammans och sedan dividerad med 200. Du kommer att se alla typer av glidande medelvärden, från två dagars glidande medelvärden till 250 dagars glidande medelvärden. Det är viktigt att komma ihåg att du måste ha ett visst antal slutkurser för att beräkna det rörliga genomsnittet. Om en säkerhet är helt ny eller bara en månad gammal kommer du inte att kunna göra ett 50-dagars glidande medelvärde eftersom du inte har tillräckligt med datapunkter. Det är också viktigt att notera att weve valt att använda slutkurs i beräkningarna, men glidande medelvärden kan beräknas med månatliga priser, veckopriser, öppningspriser eller till och med intradagpriser. (Mer information finns i vår handledning för Moving Averages.) Figur 1: Ett enkelt glidande medelvärde i Google Inc. Figur 1 är ett exempel på ett enkelt glidande medelvärde på ett börsdiagram av Google Inc. (Nasdaq: GOOG). Den blå linjen representerar ett 50-dagars glidande medelvärde. I exemplet ovan kan du se att trenden har gått lägre sedan slutet av 2007. Priset på Googles aktier sjönk under 50-dagars glidande genomsnitt i januari 2008 och fortsatte nedåt. När priset korsar under ett glidande medelvärde kan det användas som en enkel handelssignal. Ett drag under det glidande genomsnittet (som visat ovan) tyder på att björnen har kontroll över prisåtgärden och att tillgången sannolikt kommer att bli lägre. Omvänt antyder ett kors över ett glidande medel att tjurarna är i kontroll och att priset kan bli redo att göra ett drag högre. (Läs mer i Spårprispriser med Trendlines.) Andra sätt att använda rörliga medelvärden Flytta medelvärden används av många näringsidkare för att inte bara identifiera en nuvarande trend utan också som en inloggnings - och utträdesstrategi. En av de enklaste strategierna är beroende av korsningen av två eller flera glidande medelvärden. Grundsignalen ges när kortsiktigt medelvärde passerar över eller under längre sikt glidande medelvärde. Två eller flera glidande medelvärden gör det möjligt för dig att se en långsiktig trend jämfört med ett kortare löpande glidande medelvärde. Det är också en enkel metod för att bestämma om trenden ökar styrkan eller om det är på väg att vända. (För mer om denna metod läs A Primer på MACD.) Figur 2: Ett långsiktigt och kortare sikt glidande medelvärde i Google Inc. Figur 2 använder två glidande medelvärden, en långsiktig (50-dagars, visas av blå linje) och den andra kortare termen (15-dagars, visad av den röda linjen). Detta är samma Google-diagram som visas i Figur 1, men med tillägg av de två glidande medelvärdena för att illustrera skillnaden mellan de två längderna. Du märker att 50-dagars glidande medelvärdet är långsammare för att anpassa sig till prisändringar. eftersom det använder mer datapunkter i beräkningen. Å andra sidan är det 15-dagars glidande medlet snabbt att reagera på prisändringar, eftersom varje värde har en större viktning i beräkningen på grund av den relativt korta tidshorisonten. I det här fallet, med hjälp av en korsstrategi, ser du till att 15-dagarsgenomsnittet går över 50-dagars glidande medelvärde som en post för en kort position. Figur 3: En tre månad Ovanstående är ett tremånadersdiagram över United States Oil (AMEX: USO) med två enkla glidande medelvärden. Den röda linjen är det kortare 15-dagars glidande genomsnittet, medan den blå linjen representerar det längre, 50-dagars glidande medlet. De flesta handlare kommer att använda korset av det kortsiktiga glidande genomsnittet över det långsiktiga glidande genomsnittet för att initiera en lång position och identifiera starten på en hausseuropeisk trend. (Läs mer om att tillämpa denna strategi i Trading MACD Divergence.) Stöd är etablerat när ett pris trender nedåt. Det finns en punkt där försäljningspresset sjunker och köparna är villiga att gå in. Med andra ord är ett golv etablerat. Motstånd händer när ett pris trender uppåt. Det kommer en punkt när köpstyrkan minskar och säljarna går in. Detta skulle skapa ett tak. (För mer förklaring, läs Support amp Resistance Basics.) I båda fallen kan ett glidande medel kunna signalera ett tidigt stöd eller motståndsnivå. Till exempel, om en säkerhet drivs lägre i en etablerad uptrend, så skulle det inte vara överraskande att se aktieökningen på ett långsiktigt 200-dagars glidande medelvärde. Å andra sidan, om priset trender lägre, kommer många handlare att se till att beståndet studsar motståndet hos stora glidande medelvärden (50-dagars, 100-dagars, 200-dagars SMA). (För mer om att använda stöd och motstånd för att identifiera trender, läs Trend-Spotting med AccumulationDistribution Line.) Slutsats Flytta medelvärden är kraftfulla verktyg. Ett enkelt glidande medelvärde är enkelt att beräkna, vilket gör att det kan användas ganska snabbt och enkelt. En glidande medelvärde största styrka är dess förmåga att hjälpa en näringsidkare att identifiera en nuvarande trend eller upptäcka en eventuell trendomvandling. Flytta medelvärden kan också identifiera en nivå av stöd eller motstånd för säkerheten, eller fungera som en enkel inmatnings - eller utgående signal. Hur du väljer att använda glidande medelvärden är helt upp till dig. Beta är ett mått på volatiliteten, eller systematisk risk, av en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En beställning att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-reglering (Internal Revenue Service) som tillåter utbetalningar av straff från ett IRA-konto. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. DebtEquity Ratio är skuldkvot som används för att mäta företagets finansiella hävstångseffekt eller en skuldkvot som används för att mäta en individ.2.1 Flytta genomsnittliga modeller (MA modeller) Tidsseriemodeller som kallas ARIMA-modeller kan innefatta autoregressiva termer och eller rörliga genomsnittsvillkor. I vecka 1 lärde vi oss en autoregressiv term i en tidsseriemodell för variabeln x t är ett fördröjt värde av x t. Till exempel är en lag 1-autoregressiv term x t-1 (multiplicerad med en koefficient). Denna lektion definierar glidande medelvärden. En glidande medelfrist i en tidsseriemodell är ett tidigare fel (multiplicerat med en koefficient). Låt (wt overset N (0, sigma2w)), vilket betyder att wt är identiskt oberoende fördelat, var och en med en normal fördelning med medelvärde 0 och samma varians. Den första ordningens rörliga genomsnittsmodell, betecknad med MA (1) är (xt mu wt theta1w) Den andra ordens rörliga genomsnittsmodellen, betecknad med MA (2) är (xt mu wt theta1w theta2w) , betecknad med MA (q) är (xt mu wt theta1w theta2w punkter thetaqw) Not. Många läroböcker och programvara definierar modellen med negativa tecken före villkoren. Detta ändrar inte de allmänna teoretiska egenskaperna hos modellen, även om den vrider de algebraiska tecknen på uppskattade koefficientvärden och (unsquared) termer i formler för ACF och variationer. Du måste kontrollera din programvara för att kontrollera om negativa eller positiva tecken har använts för att korrekt beräkna den beräknade modellen. R använder positiva tecken i sin underliggande modell, som vi gör här. Teoretiska egenskaper hos en tidsserie med en MA (1) modell Observera att det enda nonzero-värdet i teoretisk ACF är för lag 1. Alla andra autokorrelationer är 0. Således är ett prov ACF med en signifikant autokorrelation endast vid lag 1 en indikator på en möjlig MA (1) modell. För intresserade studenter är bevis på dessa egenskaper en bilaga till denna handout. Exempel 1 Antag att en MA (1) modell är x t10 w t .7 w t-1. var (överskridande N (0,1)). Således är koefficienten 1 0,7. Den teoretiska ACF ges av En plot av denna ACF följer. Den visade ploten är den teoretiska ACF för en MA (1) med 1 0,7. I praktiken ger ett prov vanligen vanligtvis ett så tydligt mönster. Med hjälp av R simulerade vi n 100 provvärden med hjälp av modellen x t 10 w t .7 w t-1 där vikt N (0,1). För denna simulering följer en tidsserieplot av provdata. Vi kan inte berätta mycket från denna plot. Provet ACF för den simulerade data följer. Vi ser en spik vid lag 1 följt av allmänt icke-signifikanta värden för lags över 1. Observera att provet ACF inte matchar det teoretiska mönstret för den underliggande MA (1), vilket är att alla autokorrelationer för lags över 1 kommer att vara 0 . Ett annat prov skulle ha ett något annorlunda prov ACF som visas nedan, men skulle troligen ha samma breda funktioner. Terapeutiska egenskaper för en tidsreaktion med en MA (2) modell För MA (2) modellen är teoretiska egenskaper följande: Observera att de enda nonzero-värdena i teoretisk ACF är för lags 1 och 2. Autokorrelationer för högre lags är 0 . En ACF med signifikanta autokorrelationer vid lags 1 och 2, men icke-signifikanta autokorrelationer för högre lags indikerar en möjlig MA (2) modell. iid N (0,1). Koefficienterna är 1 0,5 och 2 0,3. Eftersom det här är en MA (2), kommer den teoretiska ACF endast att ha nonzero-värden endast på lags 1 och 2. Värdena för de två icke-oberoende autokorrelationerna är A-plot av den teoretiska ACF följer. Såsom nästan alltid är fallet kommer provdata inte att verka så perfekt som teori. Vi simulerade n 150 provvärden för modellen x t 10 w t .5 w t-1 .3 w t-2. var vet N (0,1). Tidsserierna av data följer. Som med tidsserien för MA (1) provdata kan du inte berätta mycket för det. Provet ACF för den simulerade data följer. Mönstret är typiskt för situationer där en MA (2) modell kan vara användbar. Det finns två statistiskt signifikanta spikar vid lags 1 och 2 följt av icke-signifikanta värden för andra lags. Observera att provet ACF på grund av provtagningsfel inte exakt matchade det teoretiska mönstret. ACF för General MA (q) Modeller En egenskap hos MA (q) modeller är generellt att det finns icke-oberoende autokorrelationer för de första q-lagsna och autokorrelationerna 0 för alla lags gt q. Icke-unikhet av koppling mellan värden på 1 och (rho1) i MA (1) Modell. I MA (1) - modellen, för något värde av 1. den ömsesidiga 1 1 ger samma värde. Använd exempelvis 0,5 för 1. och använd sedan 1 (0,5) 2 för 1. Du får (rho1) 0,4 i båda fallen. För att tillfredsställa en teoretisk restriktion kallad invertibility. vi begränsar MA (1) - modellerna till att ha värden med absolutvärdet mindre än 1. I exemplet just givet är 1 0,5 ett tillåtet parametervärde, medan 1 10,5 2 inte kommer att. Omvändbarhet av MA-modeller En MA-modell sägs vara omvändbar om den är algebraiskt ekvivalent med en konvergerande oändlig ordning AR-modell. Genom att konvergera menar vi att AR-koefficienterna minskar till 0 när vi flyttar tillbaka i tiden. Omvändbarhet är en begränsning programmerad i tidsserieprogramvara som används för att uppskatta koefficienterna för modeller med MA-termer. Det är inte något vi söker efter i dataanalysen. Ytterligare information om invertibilitetsbegränsningen för MA (1) - modeller ges i bilagan. Avancerad teorinotation. För en MA (q) modell med en specificerad ACF finns det bara en inverterbar modell. Det nödvändiga villkoret för invertibilitet är att koefficienterna har värden så att ekvationen 1- 1 y-. - q y q 0 har lösningar för y som faller utanför enhetens cirkel. R-kod för exemplen I exempel 1 ritade vi den teoretiska ACF av modellen x t10 wt. 7w t-1. och sedan simulerade n 150 värden från denna modell och plottade provets tidsserie och provet ACF för de simulerade data. R-kommandon som användes för att plotta den teoretiska ACF var: acfma1ARMAacf (mac (0.7), lag. max10) 10 lags av ACF för MA (1) med theta1 0,7 lags0: 10 skapar en variabel som heter lags som sträcker sig från 0 till 10. plot (lags, acfma1, xlimc (1,10), ylabr, typh, huvud ACF för MA (1) med theta1 0,7) abline (h0) adderar en horisontell axel till plottet Det första kommandot bestämmer ACF och lagrar det i ett objekt namnet acfma1 (vårt val av namn). Plot-kommandot (det tredje kommandot) plottar jämfört med ACF-värdena för lags 1 till 10. ylab-parametern markerar y-axeln och huvudparametern lägger en titel på plotten. För att se de numeriska värdena för ACF använder du bara kommandot acfma1. Simuleringen och diagrammen gjordes med följande kommandon. xcarima. sim (n150, lista (mac (0.7))) Simulerar n 150 värden från MA (1) xxc10 lägger till 10 för att göra medelvärdet 10. Simulering standardvärden betyder 0. plot (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF för simulerad provdata) I exempel 2 ritade vi den teoretiska ACF av modellen xt 10 wt5 w t-1, 3 w t-2. och sedan simulerade n 150 värden från denna modell och plottade provets tidsserie och provet ACF för de simulerade data. De R-kommandon som användes var acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typh, huvud ACF för MA (2) med theta1 0,5, theta20.3) abline (h0) xcarima. sim (n150, lista (mac (0,5, 0,3)) xxc10 plot (x, typeb, huvudsimulerad MA (2) serie) acf (x, xlimc (1,10) mainACF för simulerade MA (2) data) Bilaga: Bevis på egenskaper hos MA (1) För intresserade studenter, här är bevis för teoretiska egenskaper hos MA (1) modellen. Varians: (text (xt) text (mu wt theta1 w) 0 text (wt) text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) När h 1, föregående uttryck 1 w 2. För varje h 2, föregående uttryck 0 . Orsaken är att, per definition av vägtons oberoende. E (w k w j) 0 för någon k j. Vidare, eftersom w t har medelvärdet 0, E (w jw j) E (wj 2) w 2. För en tidsserie, Applicera detta resultat för att få ACF ges ovan. En inverterbar MA-modell är en som kan skrivas som en oändlig ordning AR-modell som konvergerar så att AR-koefficienterna konvergerar till 0 när vi rör sig oändligt tillbaka i tiden. Visa väl omvändbarhet för MA (1) modellen. Vi ersätter sedan förhållandet (2) för w t-1 i ekvation (1) (3) (zt wt theta1 (z-tetww) wt theta1z-tetanw) Vid tid t-2. ekvationen (2) blir Vi ersätter sedan förhållandet (4) för w t-2 i ekvation (3) (zt wt theta1z-teteta21wt theta1z-teteta21 (z-tetww) wt theta1z-teteta12z theta31w) Om vi ​​skulle fortsätta oändligt) skulle vi få oändlig ordning AR-modellen (zt wt theta1z-theta21z theta31z-tetta41z punkter) Observera dock att om koefficienterna som multiplicerar lagren av z ökar (oändligt) i storlek när vi flyttar tillbaka i tid. För att förhindra detta behöver vi 1 lt1. Detta är förutsättningen för en inverterbar MA (1) modell. Oändlig ordning MA-modell I vecka 3 ser du att en AR (1) - modell kan konverteras till en oändlig ordning MA-modell: (xt - mu wt phi1w phi21w prickar phik1 w dots sum phij1w) Denna summering av tidigare vita ljudvillkor är känd som orsakssammanställning av en AR (1). Med andra ord är x t en special typ av MA med ett oändligt antal termer som går tillbaka i tiden. Detta kallas en oändlig ordning MA eller MA (). En ändlig ordning MA är en oändlig ordning AR och någon ändlös ordning AR är en oändlig ordning MA. Minns i vecka 1 noterade vi att ett krav på en stationär AR (1) är att 1 lt1. Låt beräkna Var (x t) med hjälp av kausalrepresentationen. Det här sista steget använder ett grundläggande faktum om geometriska serier som kräver (phi1lt1) annars skiljer serien. Navigering