Aktieanalytikere bruger glidende gennemsnit for at hjælpe med at filtrere støj og identificere tendenser. De er ikke vant til at forudsige priser - men trendoplysningerne hentet fra grafer med glidende gennemsnit, især flere glidende gennemsnit overlejret oven på hinanden, kan hjælpe med at identificere punkter af modstand og støtte og udløse beslutninger om at købe eller sælge. Der er to typer glidende gennemsnit: enkle glidende gennemsnit og eksponentielle glidende gennemsnit, hvor sidstnævnte reagerer hurtigere på ændringer i tendenser.
TL; DR (for lang; Har ikke læst)
Den eksponentielle formel for glidende gennemsnit er:
EMA = (slutkurs - foregående dags EMA) × udjævningskonstant + foregående dags EMA
hvor udjævningskonstanten er:
2 ÷ (antal tidsperioder + 1)
Sådan beregnes et simpelt glidende gennemsnit
Før du kan begynde at beregne eksponentielle glidende gennemsnit, skal du være i stand til at beregne et simpelt glidende gennemsnit eller SMA. Både SMA'er og EMA'er er normalt baseret på aktielukningskurser.
For at finde et simpelt glidende gennemsnit beregner du det matematiske gennemsnit. Med andre ord summerer du alle slutkurser i din SMA og dividerer derefter med antallet af slutkurser. For eksempel, hvis du beregner en 10-dages SMA, skal du først tilføje alle slutkurser fra de sidste 10 dage og derefter dividere med 10. Så hvis slutkurserne over en 10-dages periode er $ 12, $ 12, $ 13, $ 15, $ 18, $ 17, $ 18, $ 20, $ 21 og $ 24, ville SMA være:
12 + 12 + 13 + 15 + 18 + 17 + 18 + 20 + 21 + 24 = 170 \\ \ frac {170} {10} = 17
Så den gennemsnitlige lukkekurs for den 10-dages periode er $ 17. Men for at SMA skal være nyttig, skal du beregne et antal SMA'er og tegne dem, og fordi hver SMA kun beskæftiger sig med de foregående 10 dages værdi af data, vil gamle værdier "falde ud" af ligningen, når du tilføjer nye data point. Det er det, der gør det muligt for grafen for gennemsnittet at "bevæge sig" og tilpasse sig prisændringerne over tid, selvom stabiliserende effekt af de gamle data betyder, at der er en forsinkelsesperiode, før prisændringer virkelig afspejles i dit enkle glidende gennemsnit.
For eksempel: Den næste dag lukker din aktie igen til $ 24. Denne gang når du beregner SMA, tilføjer du det nyeste datapunkt til din ligning, men "mister" også det ældste datapunkt - den første $ 12 slutkurs. Så nu er dit 10-dages enkle glidende gennemsnit:
12 + 13 + 15 + 18 + 17 + 18 + 20 + 21 + 24 + 24 = 182 \\ \ frac {182} {10} = 18,2
Du udfører den samme proces dagligt og beregner en ny SMA for hver dag, som du vil have vist på din graf.
Lagperioden i bevægelige gennemsnit
Forsinkelsesperioden, før din SMA indhenter faktiske prisændringer, er ikke nødvendigvis en dårlig ting; at "forsinkelse" er det, der udjævner variansen i de daglige priser. Hvis det glidende gennemsnit stiger, ved du, at priserne generelt stiger på trods af periodiske fald. Ligeledes, hvis et glidende gennemsnit begynder at falde, betyder det, at priserne generelt falder på trods af periodiske fald.
For det andet, jo længere tidsperioden for dit glidende gennemsnit (fem-dages kontra 10-dages kontra 100-dages osv.), Jo langsommere justeres det for at afspejle aktuelle tendenser. Så adfærden for et langsigtet glidende gennemsnit giver dig et vindue til langsigtede tendenser, mens et kortere glidende gennemsnit afspejler adfærden for mere kortsigtede tendenser.
Den eksponentielle formel for glidende gennemsnit
Hovedforskellen mellem et simpelt glidende gennemsnit (SMA) og det eksponentielle glidende gennemsnit (EMA) er, at de seneste data i EMA-beregningen vægtes for at få mere indflydelse. Det gør EMA hurtigere end SMA'er til at justere og reflektere tendenser. På ulempen kræver en EMA meget flere data for at være rimeligt nøjagtige.
For at beregne EMA for et datasæt skal du gøre tre ting:
Bemærk, at der kan henvises til en EMA efter sin tidsperiode (i dette tilfælde en fem-dages EMA) eller ved sin procentværdi (i dette tilfælde en 33,33% EMA). Jo kortere tidsperiode, desto mere vægtes de senest data også.
EMA-formlen er baseret på den foregående dags EMA-værdi. Da du skal starte dine beregninger et eller andet sted, vil den oprindelige værdi for din første EMA-beregning faktisk være en SMA. For eksempel, hvis du vil beregne en 100-dages EMA for det sidste år med at spore en bestemt aktie, starter du med SMA af de første 100 datapunkter i det år.
Der er for mange numre til at tilføje her, så lad os i stedet demonstrere den fem-dages EMA for et datasæt, der startede for et år siden. Hvis årets første fem slutkurser var $ 14, $ 13, $ 14, $ 12 og $ 13, er din SMA:
14 + 13 + 14 + 12 + 13 = 66 \\ \ frac {66} {5} = 13,2
Så SMA, som bliver din oprindelige EMA-værdi, er 13.2.
Vægtningsmultiplikatoren eller udjævningskonstanten er det, der understreger de nyeste data, og dens værdi afhænger af tidsperioden for din EMA. Formlen for din udjævningskonstant er:
\ frac {2} {\ text {antal tidsperioder} + 1}
Så hvis du beregner en fem-dages EMA, bliver denne beregning:
\ frac {2} {5 + 1} = \ frac {2} {6} = 0,3333
eller, hvis du udtrykker det i procent, 33,33%.
Tips
Endelig beregner du en separat EMA for hver dag mellem den oprindelige værdi (den SMA, du har beregnet i trin 1) og i dag. Det gør du ved at indsætte oplysningerne fra trin 1 og 2 i EMA-formlen:
\ text {EMA} = (\ text {lukkepris} - \ text {forrige dags EMA}) × \ tekst {udjævningskonstant som decimal} + \ tekst {forrige dags EMA}
Husk, at "den foregående dags EMA" til din første beregning er den SMA, du fandt i trin 1, som er 13.2. Siden da SMA dækkede de første fem dages værdi af data, den første EMA-værdi, du beregner, gælder for den næste dag, som er dag seks. Ved hjælp af dataene fra trin 1 og 2 i EMA-formlen har du:
\ begin {align} \ text {EMA} & = (12 - 13.2) × 0.3333 + 13.2 \\ & = 12.80 \ end {align}
Så EMA-værdien for dag seks er 12.80.
Hvis slutværdien på dag syv var $ 11, gentager du processen ved at bruge dag seks værdi på 12,80 som den nye "forrige dags EMA." Så beregningen for dag syv er som følger:
\ begin {align} \ text {EMA} & = (11 - 12.8) × 0.3333 + 12.8 \\ & = 12.20 \ end {justeret}
Få en nøjagtig EMA
Hvis du husker, at det oprindelige eksempel sagde, at du ville beregne aktiens fem-dages EMA for et helt års værdi af data, det betyder, at du har flere hundrede beregninger at gøre - fordi du skal beregne en dag ad gangen tid. Det er klart, at dette er meget hurtigere og lettere med et computerprogram eller script til at knuse tallene for dig.
Hvis du virkelig ønsker den mest nøjagtige EMA mulig, skal du starte dine beregninger med data fra den allerførste dag, hvor bestanden var tilgængelig. Selvom det ofte er upraktisk, forstærker det også det faktum, at EMA'er bruges til at reflektere og analysere tendenser - så hvis du tegner graf EMA startende fra dag et af bestanden, du vil se, hvordan grafkurven efter en forsinkelsesperiode skifter for at følge den faktiske bestand priser. Hvis du også tegner en SMA i samme tidsperiode på den samme graf, vil du også se, at en EMA tilpasser sig prisændringer hurtigere end en SMA gør.
