Moving average best setting

Real-Time After Hours Pre-Market News Flash Kutipan Kutipan Bagan Interaktif Setelan Bawaan Harap diperhatikan bahwa begitu Anda membuat pilihan Anda, ini akan berlaku untuk semua kunjungan masa depan ke NASDAQ. Jika, sewaktu-waktu, Anda tertarik untuk kembali ke setelan default kami, pilih Setelan Default di atas. Jika Anda memiliki pertanyaan atau mengalami masalah dalam mengubah pengaturan default Anda, silahkan email isfeedbacknasdaq. Harap konfirmasikan pilihan Anda: Anda telah memilih untuk mengubah pengaturan default untuk Pencarian Kutipan. Ini sekarang akan menjadi halaman target default Anda kecuali Anda mengubah konfigurasi Anda lagi, atau Anda menghapus cookies Anda. Yakin ingin mengubah setelan Anda Kami mohon untuk meminta Harap nonaktifkan pemblokir iklan Anda (atau perbarui setelan Anda untuk memastikan javascript dan cookie diaktifkan), sehingga kami dapat terus memberi Anda berita pasar tingkat pertama Dan data yang Anda harapkan dari model pemindaian rata-rata dan pemulusan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan model rata-rata bergerak atau perataan. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Moving Average ConvergenceDivergence Oscillator) Pendahuluan Dikembangkan oleh Gerald Appel pada akhir tahun tujuh puluhan, Moving Average ConvergenceDivergence oscillator (MACD) adalah salah satu indikator momentum yang paling sederhana dan paling efektif. tersedia. MACD mengubah dua indikator mengikuti tren, bergerak rata-rata. Menjadi osilator momentum dengan mengurangi rata-rata pergerakan yang lebih lama dari moving average yang lebih pendek. Akibatnya, MACD menawarkan yang terbaik dari kedua dunia: mengikuti tren dan momentum. MACD berfluktuasi di atas dan di bawah garis nol saat rata-rata bergerak menyatu, melintasi dan menyimpang. Pedagang dapat mencari crossover garis sinyal, crossover garis tengah dan divergensi untuk menghasilkan sinyal. Karena MACD tidak terbatas, ini tidak terlalu berguna untuk mengidentifikasi tingkat overbought dan oversold. Catatan: MACD dapat diucapkan sebagai Mac-Dee atau M-A-C-D. Berikut adalah bagan contoh dengan indikator MACD di panel bawah: Perhitungan MACD Line adalah 12 hari Exponential Moving Average (EMA) kurang EMA 26 hari. Harga penutupan digunakan untuk rata-rata bergerak ini. EMA 9 hari dari Garis MACD diplot dengan indikator untuk bertindak sebagai garis sinyal dan mengidentifikasi belokan. Histogram MACD mewakili perbedaan antara MACD dan EMA 9 harinya, garis Sinyal. Histogram positif bila MACD Line berada di atas garis Sinyal dan negatif saat Garis MACD berada di bawah garis Sinyal. Nilai 12, 26 dan 9 adalah pengaturan khas yang digunakan pada MACD, namun nilai lain dapat diganti tergantung pada gaya dan tujuan trading Anda. Interpretasi Sesuai namanya, MACD adalah tentang konvergensi dan perbedaan dua rata-rata bergerak. Konvergensi terjadi saat moving averages bergerak ke arah satu sama lain. Divergensi terjadi saat rata-rata bergerak menjauh satu sama lain. Rata-rata bergerak lebih pendek (12 hari) lebih cepat dan bertanggung jawab atas sebagian besar pergerakan MACD. Rata-rata pergerakan yang lebih lama (26 hari) lebih lambat dan kurang reaktif terhadap perubahan harga pada keamanan yang mendasarinya. Garis MACD berosilasi di atas dan di bawah garis nol, yang juga dikenal sebagai garis tengah. Crossover ini memberi sinyal bahwa EMA 12 hari telah melewati EMA 26 hari. Arahnya tentu saja tergantung pada arah rata-rata pergerakan rata-rata. Positif MACD menunjukkan bahwa EMA 12 hari berada di atas EMA 26 hari. Nilai positif meningkat seiring EMA yang lebih pendek menyimpang lebih jauh dari EMA yang lebih panjang. Ini berarti momentum naik terus meningkat. Nilai MACD negatif menunjukkan bahwa EMA 12 hari di bawah EMA 26 hari. Nilai negatif meningkat karena EMA lebih pendek menyimpang lebih jauh di bawah EMA yang lebih panjang. Ini berarti momentum downside meningkat. Pada contoh di atas, area kuning menunjukkan MACD Line di wilayah negatif saat perdagangan EMA 12 hari di bawah EMA 26 hari. Salib awal terjadi pada akhir September (panah hitam) dan MACD bergerak lebih jauh ke wilayah negatif karena EMA 12 hari menyimpang lebih jauh dari EMA 26 hari. Area oranye menyoroti periode nilai MACD positif, yaitu ketika EMA 12 hari berada di atas EMA 26 hari. Perhatikan bahwa MACD Line tetap di bawah 1 selama periode ini (garis putus-putus merah). Ini berarti jarak antara EMA 12 hari dan EMA 26 hari kurang dari 1 titik, yang bukan merupakan perbedaan besar. Sinyal Crossover Sinyal crossover sinyal adalah sinyal MACD yang paling umum. Garis sinyal adalah EMA 9 hari dari MACD Line. Sebagai indikator rata-rata bergerak, ia akan mengarahkan MACD dan membuatnya lebih mudah untuk menemukan belokan MACD. Crossover bullish terjadi saat MACD muncul dan melintasi garis sinyal. Crossover bearish terjadi saat MACD turun dan melintasi garis sinyal. Crossover bisa bertahan beberapa hari atau beberapa minggu, semuanya tergantung kekuatan gerak. Uji tuntas diperlukan sebelum mengandalkan sinyal umum ini. Sinyal garis crossover pada titik positif atau negatif harus dilihat dengan hati-hati. Meskipun MACD tidak memiliki batas atas dan bawah, para chartis dapat memperkirakan ekstrem historis dengan penilaian visual sederhana. Dibutuhkan langkah kuat dalam keamanan yang mendasar untuk mendorong momentum yang ekstrem. Meskipun pergerakannya mungkin berlanjut, momentum cenderung melambat dan ini biasanya akan menghasilkan crossover garis sinyal pada ekstremitas. Volatilitas keamanan yang mendasar juga bisa meningkatkan jumlah crossover. Bagan di bawah ini menunjukkan IBM dengan EMA 12 hari (hijau), EMA 26 hari (merah) dan MACD 12,26,9 di jendela indikator. Ada delapan garis sinyal crossover dalam enam bulan: empat dan empat ke bawah. Ada beberapa sinyal bagus dan beberapa sinyal buruk. Area kuning menyoroti suatu periode ketika MACD Line melonjak di atas 2 untuk mencapai titik ekstrim positif. Ada dua crossover sinyal bearish pada bulan April dan Mei, namun IBM terus mengalami tren naik. Meski momentum naik melambat setelah lonjakan, momentum ke atas masih lebih kuat dari momentum turunnya pada April-Mei. Sinyal garis ketiga crossover di bulan Mei menghasilkan sinyal yang bagus. Centerline Crossover Centerline crossover adalah sinyal MACD paling umum berikutnya. Crossover garis tengah bullish terjadi saat MACD Line bergerak di atas garis nol untuk berbalik positif. Hal ini terjadi ketika EMA 12 hari keamanan yang mendasari bergerak di atas EMA 26 hari. Sebuah crossover garis tengah bearish terjadi ketika MACD bergerak di bawah garis nol untuk berbalik negatif. Hal ini terjadi ketika EMA 12 hari bergerak di bawah EMA 26 hari. Perpipaan centerline bisa berlangsung beberapa hari atau beberapa bulan. Itu semua tergantung dari kekuatan trennya. MACD akan tetap positif selama terjadi uptrend yang berkelanjutan. MACD akan tetap negatif saat terjadi tren turun yang berkelanjutan. Bagan berikutnya menunjukkan Pulte Homes (PHM) dengan setidaknya empat garis tengah garis tengah dalam sembilan bulan. Sinyal yang dihasilkan bekerja dengan baik karena tren kuat muncul dengan crossover centerline ini. Berikut adalah bagan Cummins Inc (CMI) dengan tujuh crossover garis tengah dalam lima bulan. Berbeda dengan Pulte Homes, sinyal ini akan menghasilkan banyak goresan karena tren kuat tidak terwujud setelah perpindahan silang. Bagan berikutnya menunjukkan 3M (MMM) dengan crossover tengah tengah bullish pada akhir Maret 2009 dan crossover tengah tengah bearish pada awal Februari 2010. Sinyal ini bertahan selama 10 bulan. Dengan kata lain, EMA 12 hari berada di atas EMA selama 26 hari selama 10 bulan. Inilah salah satu tren yang kuat. Divergensi Divergensi terbentuk saat MACD menyimpang dari aksi harga keamanan yang mendasarinya. Bentuk divergensi bullish terjadi saat catatan keamanan rendah dan MACD rendah. Rendahnya tingkat rendah dalam keamanan menegaskan tren turun saat ini, namun level terendah MACD di bawah menunjukkan sedikit momentum penurunan. Meski mengalami momentum penurunan, momentum turun masih melampaui momentum kenaikan sepanjang MACD tetap berada di wilayah negatif. Momentum turun yang melambat terkadang bisa membayangi pembalikan tren atau reli yang cukup besar. Bagan berikutnya menunjukkan Google (GOOG) dengan perbedaan bullish pada bulan Oktober-November 2008. Pertama, perhatikan bahwa kita menggunakan harga penutupan untuk mengidentifikasi divergensi. Rata-rata bergerak MACD0ber didasarkan pada harga penutupan dan kita harus mempertimbangkan harga penutupan keamanan juga. Kedua, perhatikan bahwa ada pasang surut reaksi yang jelas (palung) karena Google dan MACD Line-nya melambung pada bulan Oktober dan akhir November. Ketiga, perhatikan bahwa MACD terbentuk lebih rendah karena Google membentuk level rendah di bulan November. MACD muncul dengan divergensi bullish dengan crossover garis sinyal di awal Desember. Google membenarkan adanya pembalikan dengan resistance breakout. Bentuk divergensi bearish saat catatan keamanan menguat tinggi dan MACD Line membentuk level terendah. Tingginya tingkat keamanan yang tinggi normal untuk tren naik, namun tingkat terendah MACD menunjukkan momentum yang lebih rendah. Meski momentum naik mungkin kurang, momentum naik masih melampaui momentum turun sepanjang MACD positif. Momentum momentum ke atas terkadang bisa membayangi pembalikan tren atau penurunan yang cukup besar. Di bawah ini kita melihat Gamestop (GME) dengan perbedaan bearish yang besar dari bulan Agustus sampai Oktober. Stok ditempa tinggi lebih tinggi di atas 28, tapi MACD Line jatuh pendek dari sebelumnya tinggi dan membentuk tinggi yang lebih rendah. Crossover garis sinyal berikutnya dan break support di MACD bearish. Pada grafik harga, perhatikan bagaimana support yang rusak berubah menjadi resistance pada formasi throwback pada bulan November (red dotted line). Kemunduran ini memberikan kesempatan kedua untuk menjual atau menjual secara singkat. Divergensi harus diambil dengan hati-hati. Bearish divergences biasa terjadi pada tren kenaikan yang kuat, sementara bullish divergences sering terjadi pada downtrend yang kuat. Ya, Anda membacanya dengan benar. Uptrends sering dimulai dengan kemajuan yang kuat yang menghasilkan lonjakan arus momentum (MACD). Meskipun uptrend berlanjut, ia melanjutkan pada kecepatan yang lebih lambat yang menyebabkan MACD turun dari level tertinggi. Momentum naik mungkin tidak sekuat, namun momentum naik masih melampaui momentum penurunan sepanjang MACD Line berada di atas nol. Hal sebaliknya terjadi pada awal downtrend yang kuat. Bagan berikutnya menunjukkan SampP 500 ETF (SPY) dengan empat divergensi bearish dari bulan Agustus sampai November 2009. Meskipun momentum di atas turun, ETF terus berlanjut karena uptrendnya kuat. Perhatikan bagaimana SPY melanjutkan rangkaian level tertinggi dan tinggi yang lebih tinggi. Ingat, momentum naik lebih kuat dari pada turunnya momentum selama MACD-nya positif. MACD-nya (momentum) mungkin kurang positif (kuat) seiring kemajuan, namun masih sangat positif. Kesimpulan Indikator MACD spesial karena menyatukan momentum dan tren dalam satu indikator. Perpaduan tren dan momentum unik ini dapat diterapkan pada grafik harian, mingguan, atau bulanan. Pengaturan standar untuk MACD adalah perbedaan antara EMA 12 dan 26 periode. Chartists yang mencari sensitivitas lebih lanjut dapat mencoba moving average jangka pendek yang pendek dan moving average jangka panjang yang lebih panjang. MACD (5,35,5) lebih sensitif daripada MACD (12,26,9) dan mungkin lebih cocok untuk grafik mingguan. Chartis yang mencari sensitivitas kurang mungkin mempertimbangkan untuk memperpanjang rata-rata bergerak. MACD yang kurang sensitif masih akan terombang-ambing di bawah nol, tapi garis tengah crossover dan crossover garis sinyal akan kurang sering terjadi. MACD tidak terlalu bagus untuk mengidentifikasi tingkat overbought dan oversold. Meskipun dimungkinkan untuk mengidentifikasi tingkat yang secara historis overbought atau oversold, MACD tidak memiliki batasan atas atau bawah untuk mengikat pergerakannya. Selama pergerakan tajam, MACD dapat terus melampaui batas melampaui ekstrem historisnya. Akhirnya, ingatlah bahwa MACD Line dihitung dengan menggunakan perbedaan aktual antara dua moving averages. Ini berarti nilai MACD bergantung pada harga keamanan yang mendasarinya. Nilai MACD untuk 20 saham dapat berkisar dari -1,5 sampai 1,5, sementara nilai MACD untuk 100 dapat berkisar antara -10 sampai 10. Tidak mungkin untuk membandingkan nilai MACD untuk sekelompok sekuritas dengan harga bervariasi. Jika ingin membandingkan pembacaan momentum, sebaiknya menggunakan Persentase Harga Oscillator (PPO). Bukan MACD. Menambahkan Indikator MACD ke SharpCharts MACD dapat ditetapkan sebagai indikator di atas, di bawah atau di belakang plot harga security039. Menempatkan MACD dibalik plot harga memudahkan pergerakan momentum dengan pergerakan harga. Setelah indikator dipilih dari menu drop-down, pengaturan parameter default akan muncul: (12,26,9). Parameter ini bisa disesuaikan untuk meningkatkan kepekaan atau penurunan sensitivitas. Histogram MACD muncul dengan indikator atau dapat ditambahkan sebagai indikator terpisah. Menetapkan garis sinyal ke 1, (12,26,1), akan menghapus MACD Histogram dan garis sinyal. Jalur sinyal terpisah, tanpa histogram, dapat ditambahkan dengan memilih menu Exp Mov Avg dari menu Advanced Options Overlay. Klik di sini untuk grafik live indikator MACD. Menggunakan MACD dengan StockCharts Scans Berikut adalah beberapa contoh pemindaian yang dapat digunakan anggota StockCharts untuk memindai berbagai sinyal MACD: MACD Bullish Signal Line Cross. Pemindaian ini menunjukkan saham yang diperdagangkan di atas rata-rata pergerakan 200 hari mereka dan memiliki crossover garis sinyal bullish di MACD. Perhatikan juga bahwa MACD diharuskan bersikap negatif untuk memastikan kenaikan ini terjadi setelah kemunduran. Pemindaian ini hanya dimaksudkan sebagai starter untuk penyempurnaan lebih lanjut. MACD Bearish Sinyal Cross Line. Pemindaian ini menunjukkan saham yang diperdagangkan di bawah rata-rata pergerakan 200 hari mereka dan memiliki crossover garis sinyal bearish di MACD. Perhatikan juga bahwa MACD diwajibkan untuk bersikap positif untuk memastikan penurunan ini terjadi setelah terpental. Pemindaian ini hanya dimaksudkan sebagai starter untuk penyempurnaan lebih lanjut. Studi lebih lanjut: Dari sang pencipta, buku ini menawarkan studi komprehensif untuk menggunakan dan menafsirkan MACD. Analisis Teknis - Alat Daya untuk Investor Aktif Gerald Appel