Exponential Moving Average Wolfram

Exponential Moving Average Der Exponential Moving Average Der Exponential Moving Average unterscheidet sich von einem Simple Moving Average sowohl nach Berechnungsmethode als auch in der gewichteten Preislage. Der Exponential Moving Average (verkürzt auf die Initialen EMA) ist effektiv ein gewichteter gleitender Durchschnitt. Mit der EMA ist die Gewichtung so, dass die letzten Tage Preise mehr Gewicht als ältere Preise gegeben werden. Die Theorie dahinter ist, dass jüngere Preise als wichtiger als ältere Preise angesehen werden, zumal ein langfristiger einfacher Durchschnitt (zum Beispiel ein 200-tägiger Tag) gleiches Gewicht auf Preisdaten hat, die über 6 Monate alt sind und gedacht werden könnten Von so wenig veraltet. Die Berechnung der EMA ist ein wenig komplexer als die Simple Moving Average, hat aber den Vorteil, dass eine große Aufzeichnung von Daten, die jeden Schlusskurs der letzten 200 Tage abdeckt (oder aber viele Tage betrachtet werden) nicht beibehalten werden muss . Alles was Sie brauchen sind die EMA für den Vortag und den heutigen Schlusskurs, um den neuen Exponential Moving Average zu berechnen. Berechnen des Exponenten Anfänglich muss für die EMA ein Exponent berechnet werden. Um zu beginnen, nehmen Sie die Anzahl der Tage EMA, die Sie berechnen möchten und fügen Sie eine auf die Anzahl der Tage, die Sie in Erwägung ziehen (zum Beispiel für einen 200-Tage gleitenden Durchschnitt, fügen Sie einen zu 201 als Teil der Berechnung zu erhalten). Nennen Sie diese Tage1. Dann, um den Exponenten zu erhalten, nehmen Sie einfach die Zahl 2 und teilen sie durch Days1. Zum Beispiel wäre der Exponent für einen 200 Tage gleitenden Durchschnitt: 2 201. Das entspricht 0,01 Vollberechnung, wenn der exponentielle gleitende Durchschnitt Nachdem wir den Exponenten erhalten haben, brauchen wir nur noch zwei weitere Informationen, um die vollständige Berechnung durchführen zu können . Die erste ist gestern Exponential Moving Average. Wir gehen davon aus, dass wir das schon wissen, wie wir es gestern berechnet haben. Allerdings, wenn Sie arent bereits Kenntnis von gestern EMA, können Sie durch die Berechnung der Simple Moving Average für gestern starten, und verwenden Sie diese anstelle der EMA für die erste Berechnung (dh heute Berechnung) der EMA. Dann können Sie morgen die EMA verwenden, die Sie heute berechnet haben, und so weiter. Die zweite Information, die wir brauchen, ist der heutige Schlusskurs. Wir gehen davon aus, dass wir den heutigen 200 Tage Exponential Moving Average für eine Aktie oder Aktie berechnen wollen, die eine vorhergehende EMA von 120 Pence (oder Cent) und einen aktuellen Tages-Schlusskurs von 136 Pence hat. Die vollständige Berechnung ist immer wie folgt: Heutige Exponential Moving Average (aktuelle Tage Schlusskurs x Exponent) (vorherige Tage EMA x (1- Exponent)) Also, mit unserem Beispiel Zahlen oben, heute 200 Tage EMA wäre: (136 x 0,01 ) (120 x (1- 0,01)) Dies entspricht heute einer EMA von 120.16.Forecasting mit exponentiellen Bewegungsdurchschnitten Für stationäre oder nahezu stationäre Daten ist der exponentielle gleitende Durchschnitt eine einfache Methode für die Zeitreihenvorhersage. Wählen Sie zwischen Vorhersage und Glättung, um zu sehen, der Unterschied zwischen ihnen ist der Glättungsparameter im exponentiellen gleitenden Durchschnitt und ist der mittlere quadratische Fehler zwischen der Prognose (rote Kurve) und tatsächlichen Daten der Daten (blaue Kurve). Größere Werte verursachen weniger Glättung. Die zu testende Prognose Die Prognose wird zu gegebener Zeit durch den tatsächlichen Wert der Zeitreihe bestimmt. Diese Rekursion beginnt bei. Wann . Die Prognose ist für alle Zeit und wenn. Die Prognose ist die letzte Beobachtung. Für weitere Informationen über die Vorhersage mit exponentiellen Glättungsmethoden, siehe 1. Die Schüler sollten sich fragen: Gibt es eine Beziehung zwischen dem Auftreten der Daten und dem optimalen Wert für die Prognose Warum ist nicht die exponentiellen gleitenden Durchschnitt eine sehr gute Vorhersage-Methode für Daten mit einem Trend 1 SG Makridakis, SC Wheelwright und RJ Hyndman, Prognose, Methoden und Anwendungen. 3. Aufl. Hoboken, NJ: John Wiley amp Sons, Inc. 1998.