การย้าย ค่าเฉลี่ย แบบ สังเกต

ในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าเฉลี่ยที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาหากค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณีค่าคงที่ค่าคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ย ระยะเวลาจะเฉลี่ยผลกระทบของความแปรปรวนวัตถุประสงค์ของการให้ m ที่มีขนาดเล็กเพื่อให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิงเพื่อแสดงให้เรานำเสนอชุดข้อมูลที่รวมเอาการเปลี่ยนแปลงของค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ค่าเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 ข้อมูลจะถูกจำลองโดยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษเป็นตัวเลข จำนวนเต็ม arest ตารางแสดงการสังเกตการจำลองที่ใช้สำหรับตัวอย่างเมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามเฉพาะข้อมูลที่ผ่านมาเป็นที่รู้จักกันการประมาณการของพารามิเตอร์แบบสำหรับสามค่าที่แตกต่างกันของ m เป็น แสดงด้วยค่าเฉลี่ยของช่วงเวลาในรูปด้านล่างรูปที่แสดงการประมาณค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลาหนึ่งข้อสรุปปรากฏชัดทันทีจาก ตัวเลขสำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะอยู่ในแนวหลังของเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นด้วย m ความล่าช้าคือระยะห่างระหว่างแบบจำลองกับการประมาณค่าในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยเคลื่อนที่ประเมินความถนัดต่ำกว่าค่าเฉลี่ย จะเพิ่มขึ้นความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่ระบุในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คาดการณ์โดยค่าเฉลี่ยเคลื่อนที่ค่าความลำเอียงเมื่อค่าเฉลี่ยเพิ่มขึ้น เป็นลบสำหรับค่าเฉลี่ยที่ลดลงความอคติเป็นบวกความล่าช้าในเวลาและความอคติที่นำมาใช้ในการประมาณการเป็นหน้าที่ของ m ขนาดใหญ่กว่าค่า m ที่มีขนาดใหญ่กว่าของความล่าช้าและความลำเอียงสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้มเป็น ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่างเส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างรูปแบบไม่เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มและกลายเป็นค่าคงที่ อีกทั้งเส้นโค้งตัวอย่างจะได้รับผลกระทบจากเสียงดังกล่าวการคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงด้วยการขยับเส้นโค้งไปทางขวาความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงในช่วงคาดการณ์ในอนาคต เมื่อเทียบกับพารามิเตอร์ของโมเดลอีกครั้งสูตรเหล่านี้สำหรับชุดข้อมูลเวลาที่มีแนวโน้มเชิงเส้นคงที่เราไม่ควรแปลกใจที่ผลลัพธ์นี้ค่าประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับ สมมติฐานของค่าคงที่คงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงในระหว่างช่วงเวลาการศึกษาเนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใด ๆ เราควรจะเตรียมไว้สำหรับ results. We ดังกล่าวยังสามารถสรุป จากรูปที่ความแปรปรวนของเสียงมีผลมากที่สุดสำหรับขนาดเล็ก m ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจาก เสียงและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้นข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงและค่าที่คาดการณ์ไว้ถ้าชุดข้อมูลเวลาเป็นค่าคงที่อย่างแท้จริงค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และ ความแปรปรวนของข้อผิดพลาดประกอบด้วยคำที่เป็นหน้าที่ของและระยะที่สองคือความแปรปรวนของเสียงคำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m โดยสมมติว่า ข้อมูลมาจากประชากรที่มีค่าคงที่เฉลี่ยระยะนี้จะลดลงโดยการทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงในชุดเวลาอ้างอิงเพื่อให้การคาดการณ์ที่ตอบสนองต่อการเปลี่ยนแปลงเราต้องการให้มีขนาดเล็กที่สุด 1 แต่เพิ่มความแปรปรวนของข้อผิดพลาดการคาดการณ์ในทางปฏิบัติต้องใช้ค่ากลางดังนั้นการคำนวณด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B ก่อน การสังเกตการณ์มีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตการณ์ 10 ข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 MA 10 คอลัมน์ C แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณค่าพารามิเตอร์ moving average m อยู่ในเซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อ foreca st interval จะเปลี่ยนเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง Err 1 คอลัมน์ E แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ตัวอย่างเช่นการสังเกตเวลา 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ เวลา 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 ค่าเบี่ยงเบนมาตรฐานและ Mean Mean Deviation MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับ Class MovingAverageModel. A หมายถึงรูปแบบการคาดการณ์การเคลื่อนไหวโดยเฉลี่ยขึ้นอยู่กับชุดเวลาที่สร้างโดยเทียมซึ่งค่าในช่วงเวลาหนึ่ง ๆ จะถูกแทนที่ด้วยค่าเฉลี่ยของค่านั้นและค่าของช่วงเวลาก่อนหน้าและช่วงเวลาที่สำเร็จตามที่คุณคาดไว้ จากคำอธิบายรูปแบบนี้เหมาะที่สุดสำหรับข้อมูลชุดข้อมูลเช่นข้อมูลที่มีการเปลี่ยนแปลงตลอดเวลาตัวอย่างเช่นแผนภูมิจำนวนมากของหุ้นแต่ละหุ้นในตลาดหุ้นแสดงเส้นค่าเฉลี่ยเคลื่อนที่ 20, 50, 100 หรือ 200 วันเพื่อแสดงแนวโน้ม เนื่องจากค่าคาดการณ์ของช่วงเวลาหนึ่ง ๆ คือค่าเฉลี่ยของช่วงเวลาก่อนหน้านี้การคาดการณ์จะล่าช้ากว่าการเพิ่มขึ้นหรือลดลงของค่าที่ขึ้นกับค่าที่สังเกตได้ตัวอย่างเช่นถ้าชุดข้อมูลมีแนวโน้มสูงขึ้นเรื่อย ๆ ค่าเฉลี่ยเคลื่อนที่ โดยทั่วไปแล้วการคาดการณ์โดยทั่วไปจะให้ค่าประมาณของตัวแปรที่ขึ้นอยู่กับค่าที่น้อยกว่าค่าเฉลี่ยของวิธีการเคลื่อนที่มีความได้เปรียบเหนือรูปแบบการพยากรณ์อากาศอื่น ๆ หยาบหรือหุบเขาในชุดของการสังเกต แต่ก็ยังมีข้อเสียหลายโดยเฉพาะอย่างยิ่งรุ่นนี้ไม่ได้ผลิตสมการที่เกิดขึ้นจริงดังนั้นจึงไม่ได้เป็นสิ่งที่มีประโยชน์เป็นเครื่องมือการคาดการณ์ระยะปานกลางมันสามารถเชื่อถือได้เท่านั้นที่จะใช้ในการคาดการณ์อย่างใดอย่างหนึ่ง หรือสองงวดในอนาคตแบบจำลองค่าเฉลี่ยเคลื่อนที่เป็นกรณีพิเศษของค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักโดยทั่วไปในค่าเฉลี่ยเคลื่อนที่แบบง่ายน้ำหนักทั้งหมดมีค่าเท่ากันตั้งแต่ 0 3 ผู้เขียน Steven R Gould. Fields สืบทอดมาจากคลาส. MovingAverageModelสร้างโครงสร้างใหม่ moving model การคาดการณ์โดยเฉลี่ย. MovingAverageModel int period จัดสร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาที่ระบุ getForecastType ส่งคืนชื่อคำแบบหนึ่งหรือสองสำหรับการคาดการณ์ข้อมูล model. init DataSet ชุดข้อมูลนี้ใช้เพื่อเริ่มต้นโมเดลเฉลี่ยเคลื่อนที่ ถูกแทนที่เพื่อให้คำอธิบายแบบข้อความของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้มาใช้วิธีการรับมาจาก class สร้างแบบจำลองการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่สำหรับรูปแบบที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่มีชุดของจุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระสร้างโครงร่างการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่ โดยใช้ชื่อที่กำหนดให้เป็นตัวแปรอิสระตัวแปรอิสระ - ชื่อของตัวแปรอิสระที่จะใช้ในโมเดลนี้สร้างโมเดลการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาที่กำหนดสำหรับโมเดลที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่ประกอบด้วยชุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระค่างวดใช้เพื่อกำหนดจำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ตัวอย่างเช่นสำหรับ 50 วัน ค่าเฉลี่ยเคลื่อนที่ที่จุดข้อมูลเป็นข้อสังเกตรายวันจากนั้นระยะเวลาควรตั้งค่าเป็น 50 ระยะเวลานี้ยังใช้เพื่อกำหนดจำนวนของระยะเวลาในอนาคต t หมวกสามารถคาดการณ์ได้อย่างมีประสิทธิภาพด้วยค่าเฉลี่ยเคลื่อนที่ 50 วันเราจึงไม่สามารถคาดการณ์ได้อย่างถูกต้องด้วยระดับความแม่นยำสูงกว่า 50 วันนอกเหนือจากช่วงเวลาสุดท้ายที่ข้อมูลมีอยู่ซึ่งอาจเป็นประโยชน์มากกว่ากล่าวคือระยะเวลา 10 วัน, ซึ่งเราสามารถคาดการณ์ได้อย่างมีเหตุผลเพียง 10 วันหลังจากรอบระยะเวลาที่ผ่านมาระยะเวลาในการวัด - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยที่เคลื่อนที่ได้สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ชื่อที่ระบุว่าเป็นตัวแปรอิสระและช่วงเวลาที่กำหนด Parameters independentVariable - ชื่อของตัวแปรอิสระที่จะใช้ในช่วงเวลาของรูปแบบนี้ - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่โดยใช้ค่าเริ่มต้นของโมเดลเฉลี่ยเคลื่อนที่วิธีนี้ต้องได้รับการเรียกก่อนวิธีการอื่นในคลาสตั้งแต่ โมเดลเฉลี่ยเคลื่อนที่ไม่ได้มาสมการใด ๆ สำหรับการคาดการณ์วิธีนี้ใช้ DataSet อินพุทเพื่อคำนวณค่าพยากรณ์สำหรับค่าที่ถูกต้องทั้งหมดของไท ฉันตัวแปรที่ระบุโดย init ในอินเทอร์เฟซ ForecastingModel แทนที่พารามิเตอร์ init ในคลาส AbstractTimeBasedModel พารามิเตอร์ DataSet - ชุดข้อมูลการสังเกตที่สามารถใช้เพื่อเริ่มต้นพารามิเตอร์การคาดการณ์ของรูปแบบการคาดการณ์ย้อนกลับคำหนึ่งหรือสองชื่อของรูปแบบการคาดการณ์แบบนี้ สั้นนี้คำอธิบายอีกต่อไปควรจะดำเนินการในวิธี toString นี้ควรจะถูกแทนที่เพื่อให้คำอธิบายเกี่ยวกับต้นฉบับของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้รับใช้กำหนดโดย toString ในอินเตอร์เฟซ ForecastingModel แทนที่ ToString ในชั้น WeightedMovingAverageModel ส่งกลับ การแสดงสายของรูปแบบการคาดการณ์ในปัจจุบันและพารามิเตอร์ของมันค่าเฉลี่ยขั้นสูงสิ่งที่พวกเขาในบรรดาตัวชี้วัดทางเทคนิคที่เป็นที่นิยมมากที่สุดค่าเฉลี่ยเคลื่อนที่จะใช้ในการวัดทิศทางของแนวโน้มในปัจจุบันทุกประเภทของค่าเฉลี่ยเคลื่อนที่ที่เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA คือ ผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวน ของจุดข้อมูลที่ผ่านมาเมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงบนแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมดรูปแบบที่ง่ายที่สุดของ ค่าเฉลี่ยเคลื่อนที่โดยใช้ค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนดตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมา จากนั้นหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา 110 จะหารด้วยจำนวนวันที่ 10 เพื่อให้ได้ค่าเฉลี่ย 10 วันหากผู้ประกอบการค้าต้องการเห็นค่าเฉลี่ย 50 วันแทน จะมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมาค่าเฉลี่ยที่ต่ำกว่า 11 จะพิจารณาข้อมูลจาก 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ ที่ผ่านมา 10 วันบางทีคุณอาจ สงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าคงที่ปกติคำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดจะต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ต้องมาแทนที่เพื่อแทนที่ ชุดข้อมูลจะเคลื่อนย้ายบัญชีไปเรื่อย ๆ เพื่อให้มีข้อมูลใหม่เมื่อมีพร้อมใช้งานวิธีการคำนวณนี้จะทำให้แน่ใจได้ว่ามีการบันทึกเฉพาะข้อมูลปัจจุบันเท่านั้นในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 กล่องสีแดงแทนอดีต 10 จุดข้อมูลย้ายไปทางขวาและค่าสุดท้ายของ 15 จะลดลงจากการคำนวณเนื่องจากค่าค่อนข้างเล็ก 5 แทนค่าสูง 15 คุณคาดว่าจะเห็นค่าเฉลี่ยของชุดข้อมูลที่ลดลงซึ่งไม่ใน กรณีนี้ตั้งแต่ 11 ถึง 10. ค่าเฉลี่ยของการเคลื่อนย้ายจะทำอย่างไรเมื่อค่าของ MA ได้รับการคำนวณแล้วพวกเขาจะถูกวางแผนลงบนแผนภูมิและเชื่อมต่อกันเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่เส้นโค้งเหล่านี้เป็นเส้นเดียวกับแผนภูมิของเทคโนโลยี nical traders แต่วิธีที่ใช้จะแตกต่างกันมากขึ้นในภายหลังในขณะที่คุณสามารถเห็นได้ในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในกราฟโดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณเส้นโค้งเหล่านี้ อาจดูเสียสมาธิหรือสับสนในตอนแรก แต่คุณจะเติบโตคุ้นเคยกับพวกเขาเป็นเวลาไปในเส้นสีแดงเป็นเพียงราคาเฉลี่ยที่ผ่านมา 50 วันในขณะที่เส้นสีฟ้าเป็นราคาเฉลี่ยที่ผ่านมา 100 days. Now ที่คุณ เข้าใจว่าค่าเฉลี่ยเคลื่อนที่อยู่ที่เท่าไรและเราจะแนะนำค่าเฉลี่ยเคลื่อนที่ที่แตกต่างกันอย่างไรและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวมาข้างต้นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวชี้วัดทางเทคนิคทั้งหมด, มันมีนักวิจารณ์หลายคนยืนยันว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีการถ่วงน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในซีเควนซ์นักวิจารณ์ยืนยันว่ามากที่สุด ข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้ายในการตอบสนองต่อคำติชมนี้ผู้ค้าเริ่มให้น้ำหนักกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ หลายประเภท ความนิยมมากที่สุดคือค่าเฉลี่ยเคลื่อนที่แบบ EMA สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลพื้นฐานเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA ค่าเฉลี่ยเคลื่อนที่ที่เป็นลบค่าเฉลี่ยเคลื่อนที่เป็นค่าเฉลี่ยเคลื่อนที่เป็นค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากขึ้น ราคาล่าสุดในความพยายามที่จะทำให้มันตอบสนองต่อข้อมูลใหม่เรียนรู้สมการค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจจะไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกแพคเกจแผนภูมิจะคำนวณสำหรับคุณ แต่สำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่ สมการ EMA เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ได้ ปัญหาทั้งหมดสามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและดำเนินการต่อโดยใช้สูตรด้านบนจากที่นั่นเราได้จัดเตรียมสเปรดชีตตัวอย่างที่มีตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและการเคลื่อนย้ายเลขยกตัวอย่างเช่น เฉลี่ยความแตกต่างระหว่าง EMA และ SMA ตอนนี้คุณเข้าใจมากขึ้นว่า SMA และ EMA คำนวณได้อย่างไรให้ลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไรโดยดูที่การคำนวณ EMA คุณจะสังเกตได้ว่า เน้นที่จุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนักในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเท่ากับ 15 แต่ EMA ตอบสนองได้เร็วกว่าราคาที่เปลี่ยนแปลงไปดูว่า EMA มีค่าที่สูงกว่า เมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลงการตอบสนองนี้เป็นเหตุผลหลักว่าทำไมผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA. What Different Days Mean ค่าเฉลี่ยเคลื่อนที่คือตัวบ่งชี้ที่สามารถปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกช่วงเวลาที่ต้องการได้อย่างอิสระเมื่อสร้างค่าเฉลี่ยช่วงเวลาที่ใช้บ่อยที่สุดในการย้ายค่าเฉลี่ยคือ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาที่ใช้ในการสร้างค่าเฉลี่ยความสำคัญมากขึ้นก็คือการเปลี่ยนแปลงราคาช่วงเวลาที่ยาวนานขึ้นไม่สำคัญหรือเรียบขึ้นค่าเฉลี่ยจะไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่ารูปแบบใดเหมาะกับตัวคุณมากที่สุดคือการทดสอบกับช่วงเวลาต่างๆจนกว่าคุณจะพบกับช่วงเวลาที่เหมาะสมกับกลยุทธ์ของคุณ