Moving Media Data Mining

Medie mobili Una media mobile è uno dei più flessibili e indicatori di analisi tecnica più comunemente usate. È molto popolare tra i professionisti, soprattutto a causa della sua semplicità. Funziona meglio in un ambiente di tendenza. Introduzione In statistica, una media mobile è semplicemente una media di un certo insieme di dati. In caso di analisi tecnica, questi dati sono nella maggior parte dei casi rappresentati dai prezzi di chiusura delle scorte per i giorni particolari. Tuttavia, alcuni operatori utilizzano anche le medie separate per minimi e massimi al giorno o anche una media di valori punto medio (che si calcolano sommando minimi giornalieri e massima e dividendo per due esso). Tuttavia, è possibile costruire una media mobile anche su un arco di tempo più breve, ad esempio utilizzando i dati giorno - o minuto-. Per esempio, se si vuole fare una media mobile di 10 giorni, si aggiunge solo il backup di tutti i prezzi di chiusura degli ultimi 10 giorni e poi dividerlo per 10 (in questo caso si tratta di una semplice media mobile). Il giorno dopo facciamo lo stesso, solo che abbiamo ancora una volta prendiamo i prezzi per gli ultimi 10 giorni, il che significa che il prezzo che è stato l'ultimo nel nostro calcolo per il giorno precedente non è più incluso in odierno media - è sostituito da ieri prezzo. Lo spostamento dei dati in questo modo con ogni nuovo giorno di negoziazione, da qui il termine media mobile. Lo scopo e l'utilizzo di medie mobili in tecnica media di analisi mobile è un indicatore di trend-following. Il suo scopo è quello di rilevare l'inizio di una tendenza, seguire il suo stato, nonché per riferire la sua inversione se si verifica. Al contrario di creazione di grafici, medie mobili non anticipare l'inizio o la fine di un trend. Essi confermano solo, ma solo qualche tempo dopo avviene l'inversione effettiva. Esso deriva dalla loro stessa costruzione, in quanto questi indicatori si basano esclusivamente su dati storici. I meno giorni una media mobile contiene, la prima è in grado di rilevare un'inversione delle tendenze. E 'a causa della quantità di dati storici, che influenza fortemente la media. Una media mobile 20 giorni genera il segnale di una inversione di tendenza prima rispetto alla media di 50 giorni. Tuttavia, è anche vero che i giorni meno che usiamo nel medie mobili di calcolo, i più falsi segnali otteniamo. Quindi, la maggior parte dei commercianti di utilizzare una combinazione di diverse medie mobili, che hanno tutti per produrre un segnale contemporaneamente, prima di un commerciante apre la sua posizione nel mercato. Tuttavia, una media mobile in ritardo la tendenza non può essere eliminato completamente. Trading segnali Qualsiasi tipo di media mobile può essere utilizzato per generare segnali di acquisto o di vendita e questo processo è molto semplice. Il software grafici traccia la media mobile come una linea direttamente nel grafico dei prezzi. I segnali sono generati in luoghi in cui i prezzi si intersecano queste linee. Quando il prezzo incrocia al di sopra della linea di media mobile, implica l'inizio di una nuova tendenza al rialzo e, quindi, significa un segnale di acquisto. D'altra parte, se il prezzo incrocia sotto la linea di media mobile e il mercato chiude anche in questa zona, si segnala l'inizio di una tendenza verso il basso e quindi costituisce una vendita signal. Using multipli medie Possiamo anche optare per utilizzando più movimento medie simultaneamente, al fine di eliminare il rumore dei prezzi e soprattutto i falsi segnali (whipsaws), che l'uso di un unico movimento rese medie. Quando si utilizzano più media, un segnale di acquisto si verifica quando la più breve delle medie attraversa sopra la media più a lungo, per esempio la media di 50 giorni incrocia sopra la media di 200 giorni. Al contrario, un segnale di vendita, in questo caso viene generato quando le croci in media 50 giorni sotto il 200-average. Similarly, possiamo anche utilizzare una combinazione di tre medie, ad esempio 5 giorni, 10 giorni e 20 giorni di media. In questo caso, una tendenza al rialzo è indicato se la linea media di 5 giorni è al di sopra della media mobile a 10 giorni, mentre la media di 10 giorni è ancora al di sopra della media di 20 giorni. Ogni incrocio di medie mobili che porta a questa situazione è considerata un segnale di acquisto. Viceversa, tendenza al ribasso è indicato dalla situazione in cui la linea media di 5 giorni è inferiore alla media di 10 giorni, mentre la media di 10 giorni è inferiore al 20 giorni average. Using tre medie mobili contemporaneamente limita la quantità di falsa segnali generati dal sistema, ma limita anche potenziale di profitto, come un tale sistema genera un segnale di negoziazione solo dopo che la tendenza è invalso nel mercato. Il segnale di ingresso può essere anche generato solo poco tempo prima l'inversione delle tendenze. Gli intervalli di tempo utilizzati dai commercianti per calcolare le medie mobili sono molto diverse. Ad esempio, i numeri di Fibonacci sono molto popolari, come l'utilizzo di 5 giorni, 21 giorni e 89 giorni in media. Nel commercio dei futures, la combinazione 4, 9 e 18- giorni è molto popolare, anche. Pro e contro Il motivo per cui le medie mobili sono stati così popolare è che essi riflettono diverse regole di base del trading. L'utilizzo di medie mobili vi aiuta a tagliare le perdite, mentre lasciando correre i profitti. Quando si utilizza medie mobili a generare segnali di trading, è il commercio sempre nella direzione del trend di mercato, non contro di essa. Inoltre, al contrario di tracciare analisi modelli o altre tecniche altamente soggettivi, medie mobili possono essere utilizzate per generare segnali di trading in base alle leggi chiare - eliminando così la soggettività di decisioni di trading, che possono aiutare la psiche commercianti. Tuttavia, un grande svantaggio di medie mobili è che funzionano bene solo quando il mercato è in trend. Quindi, in periodi di mercati choppy quando i prezzi fluttuano in una particolare fascia di prezzo non funzionano affatto. Tale periodo può facilmente durare più di un terzo del tempo, quindi basandosi su medie mobili da solo è molto rischioso. Alcuni commercianti ecco perché consiglia di abbinare le medie mobili con una forza di misurazione indicatore di una tendenza, come ad esempio ADX o per usare le medie mobili solo come un indicatore che conferma per il vostro sistema di trading. Tipi di medie mobili I tipi più comuni di medie mobili sono media mobile semplice (SMA) e ponderata esponenzialmente Moving Average (EMA, EWMA). Questo tipo di media mobile è conosciuto anche come media aritmetica e rappresenta il tipo più semplice e più comunemente usato di media mobile. Calcoliamo che sommando tutti i prezzi di chiusura per un determinato periodo, che abbiamo poi dividiamo per il numero di giorni nel periodo. Tuttavia, due problemi sono associati a questo tipo di media: si prende in considerazione solo i dati compresi nel periodo selezionato (per esempio, una semplice media mobile di 10 giorni prende in considerazione solo i dati degli ultimi 10 giorni e semplicemente ignora tutti gli altri dati prima di questo periodo). E 'anche spesso criticato per l'assegnazione di pesi uguali a tutti i dati del set di dati (vale a dire in una media mobile di 10 giorni un prezzo a partire da 10 giorni fa ha lo stesso peso come il prezzo da ieri - 10). Molti commercianti sostengono che i dati provenienti da questi ultimi giorni dovrebbe portare più peso di dati più vecchi - il che porterebbe a ridurre le medie in ritardo la tendenza. Questo tipo di media mobile risolve entrambi i problemi connessi con semplici medie mobili. In primo luogo, si assegna più peso nella sua computazione dati recenti. È anche in una certa misura riflette tutti i dati storici del particolare strumento. Questo tipo di media viene denominato in base al fatto che i pesi di dati nei confronti del passato diminuzione esponenziale. La pendenza di questa diminuzione può essere regolato per le esigenze del trader. Moving media Smoothing Esempio Questo esempio illustra come utilizzare XLMiners Moving tecnica Media levigante per scoprire le tendenze in una serie temporale che contiene la stagionalità. Sulla barra multifunzione XLMiner, dal applicare il scheda Modello, selezionare Help - Esempi. poi Esempi ForecastingData Mining. e aprire il set di dati di esempio, Airpass. xlsx. Questo set di dati contiene i totali mensili di passeggeri delle linee aeree internazionali 1949-1960. Dopo il set di dati di esempio si apre, fare clic su una cella nel set di dati, poi sul nastro XLMiner, dalla scheda Time Series, select partition per aprire la finestra di ripartizione dei dati di serie storica. Selezionare Mese come la variabile tempo, e di passeggeri come variabili nella partizione dati. Fare clic su OK per partizionare i dati in formazione e il riconoscimento set. (Partizionamento è facoltativo tecniche Smoothing possono essere eseguiti su insiemi di dati partizionati completi..) Fare clic sul foglio di lavoro DataPartitionTS, poi sul nastro XLMiner, dalla scheda Time Series, selezionare Smoothing - Media mobile per aprire la finestra Smoothing media mobile. Mese è già stato selezionato come variabile tempo. Selezionare passeggeri come la variabile selezionata. Dal momento che questo insieme di dati è prevista per includere alcuni stagionalità (cioè compagnia aerea aumento del numero di passeggeri durante le vacanze e nei mesi estivi), il valore per il parametro Intervallo - peso dovrebbe essere la lunghezza di un ciclo stagionale (cioè 12 mesi). Di conseguenza, immettere 12 per l'intervallo, e selezionare Produce previsioni sulla convalida. Fare clic su OK per applicare la tecnica di smoothing per il set di dati partizionato. Due fogli di lavoro, MASmoothingOutput e MASmoothingStored. sono inseriti immediatamente a destra del DataPartitionTS foglio. Per ulteriori informazioni sul foglio di lavoro MASmoothingStored, vedere la applicare il modello - sezione punteggio nuovi dati. Fare clic sul foglio di lavoro MASmoothingOutput. Il Tempo Terreno di quelle effettive Previsione (i dati di allenamento) e grafici (convalida dei dati) mostrano che la tecnica Smoothing Media mobile non si traduca in una buona misura, come il modello non cattura efficacemente la stagionalità nel set di dati. I mesi estivi - in cui il numero dei passeggeri aerei sono in genere elevata - sembrano essere sotto previsto, ed i mesi in cui il numero dei passeggeri aerei sono bassi, il modello si traduce in una previsione che è troppo alto. Una previsione media mobile non dovrebbe mai essere utilizzato quando il set di dati comprende stagionalità. Un'alternativa sarebbe quella di eseguire una regressione sul modello e quindi applicare questa tecnica per i residui. Il prossimo esempio non include stagionalità. Sulla barra multifunzione XLMiner, dal applicare il scheda Modello, selezionare Help - Esempi. quindi selezionare Esempi ForecastingData Mining. e aprire i dati di esempio set Income. xlsx. Questo set di dati contiene il reddito medio dei contribuenti da parte dello Stato. In primo luogo, partizionare il set di dati in formazione e il riconoscimento delle formazioni con anno come la variabile tempo, e CA come le variabili nella partizione dati. Fare clic su OK per accettare le impostazioni predefinite di partizionamento e creare theTraining e convalida set. I DataPartitionTS del foglio di lavoro viene inserito immediatamente a destra del foglio di lavoro di reddito. Fare clic sul foglio di lavoro DataPartitionTS, poi sul nastro XLMiner, dalla scheda Time Series, selezionare Smoothing - Media mobile per aprire la finestra Smoothing media mobile. Anno è stato selezionato automaticamente come variabile tempo. Selezionare CA come la variabile selezionata, e sotto Opzioni di output, selezionare Produce previsione. Fare clic su OK per eseguire la tecnica Smoothing media mobile. Due fogli di lavoro, MASmoothingOutput e MASmoothingStored. sono inseriti alla destra del DataPartitionTS foglio di lavoro. Per ulteriori informazioni sul foglio di lavoro MASmoothingStored, vedere la applicare il modello - sezione punteggio nuovi dati. I risultati del Moving Average tecnica Smoothing su questo insieme di dati indicano una migliore fit. In questo post, vi mostro un trucco per fare movimento calcolo della media (può essere estesa ad altre operazioni che richiedono funzioni di windowing), che è super veloce. Spesso, gli analisti SAS bisogno per condurre in movimento calcolo della media e ci sono diverse opzioni per l'ordine di preferenza: 1. PROC EXPAND 2. DATI FASE 3. PROC SQL, ma molti siti non possono licenza SASETS da utilizzare PROC espandere e fare media mobile a DATI STEP richiede un po 'di codifica ed è soggetto a errori. PROC SQL è una scelta naturale per i programmatori minori e, in molti casi aziendali l'unica soluzione, ma SAS39s PROC SQL manca funzioni di windowing che sono disponibili in molti DB per facilitare lo spostamento calcolo della media. Una tecnica la gente di solito usano è CROSS JOIN, che è molto costoso e non una soluzione valida per il set di dati, anche di medie dimensioni. In questo post, vi mostro un trucco per fare movimento calcolo della media (può essere estesa ad altre operazioni che richiedono funzioni di windowing), che è super veloce. Si consideri il semplice movimento calcolo della media in cui le finali osservazioni K sono inclusi nel calcolo, vale a dire MA (K), qui abbiamo fissato K5. Per prima cosa generare un 20 dati di esempio OB, dove variabile ID deve essere utilizzato per finestre e la variabile X è quello di essere utilizzato in calcoli MA, e poi applichiamo il CROSS standard di JOIN di esaminare prima i dati risultanti, non raggruppati, basta per capire come sfruttare la struttura di dati. Dal conseguente insieme di dati, è difficile trovare un indizio, ora let39s ordina per colonna quotbidquot in questo insieme di dati: Da questo allineati i dati, è chiaro che in realtà don39t devono attraversare ENTRA l'intero insieme di dati originale, ma, invece, siamo in grado di generare un insieme di dati quotoperationquot che contiene il valore della differenza, e lasciare che l'originale set di dati CROSS JOIN con questo set di dati quotoperationquot molto più piccolo, e tutti i dati che dobbiamo usare per il calcolo MA saremo lì. Ora let39s farlo: CROSS JOIN dati originali con i dati quotoperationquot, sort by (a. idops), che è in realtà quotbid39 in ordinata serie di dati noti che nel codice di cui sopra, è necessario avere ascia moltiplicare per b. weight in modo che i dati possono essere inter-foglie, altrimenti lo stesso valore X da tavolo originale verrà emesso e il calcolo MA saranno fallito. La variabile di peso esplicito in realtà aggiunge a una maggiore flessibilità per l'intero calcolo di MA. Durante l'impostazione che sia 1 per tutti i risultato OB in un semplice calcolo MA, assegnare pesi diversi aiuteranno a risolvere più complesso MA computing, come dare ulteriori osservazioni meno peso per un MA decaduto. Se sono necessari diversi parametri K in MA (K) i calcoli, solo il set di dati di funzionamento ha bisogno di essere aggiornato, che è lavoro banale. Ora il modello di codice effettivo per il calcolo MA (K) sarà: Con questo nuovo metodo, è interessante confrontarlo con la costosa auto CROSS JOIN e per proc espandersi. Sul mio posto di lavoro (Intel i5 3,8 GHz, 32GB di memoria, 1TB 72K HDD), l'auto CROSS JOIN è proibitivo a lungo nel tempo di esecuzione (se i dati è grande), mentre il nuovo metodo utilizza solo 2X quanto più tempo PROC EXPAND, sia i consumi di tempo sono banale confronto con sé CROSS JOIN. consumo di tempo indicato di seguito è in quotsecondquot. Qui di seguito è il lettori di codici possano correre e confrontare voi stessi. Pubblicato 10 Maggio 2015 da Liang Xie SAS di programmazione per i dati MiningAnalyzing Mining Stocks8217 Moving Prezzi aziende medio Mining sono aumentati vittoria Donald Trump nelle elezioni presidenziali degli Stati Uniti 2016 inizialmente ha provocato paura tra gli investitori di metalli preziosi. Ma come queste preoccupazioni placata, metalli preziosi e titoli minerari lentamente ha iniziato a cadere. Il rialzo dei tassi di interesse della Federal Reserve nel dicembre 2016 anche sotto pressione metalli preziosi, che hanno aderito le società minerarie in una tendenza al ribasso. Gli investitori rimangono cauti circa l'andamento economico countrys, e metalli preziosi e titoli minerari sono aumentati di conseguenza. Alcuni investitori dovrebbero mercati mosso per le compagnie minerarie di metalli preziosi dopo la vittoria Trumps, ma che non ha ancora accadere. Minatori di solito seguono i metalli preziosi. Su una YTD (anno-to-date) base, titoli minerari sono aumentati. Coeur Mining (CDE), Barrick Gold (ABX), Cia De Minas Buenaventura (BVN), e Hecla Mining (HL) sono aumentati 0.67, 20.9, 21.5, e 23.1, rispettivamente. I minatori Fondo Globale X argento (SIL) è salito a 22,5 da inizio anno. Indicatori tecnici Tutte le suddette quattro società minerarie, ad eccezione Coeur Mining, sono commerciali sopra loro a breve termine medie mobili di 20 giorni così come le loro medie mobili di 100 giorni. Un premio consistente in un prezzo le scorte di trading suggerisce un potenziale calo del prezzo. Uno sconto potrebbe indicare un aumento dei prezzi. prezzi obiettivo per le tre società minerarie sono significativamente più elevati rispetto ai loro prezzi correnti, il che suggerisce una prospettiva positiva. Coeur Mining è scambiato a uno sconto rispetto al suo prezzo media mobile 20 e 100 giorni. Un RSI (relativo indice di forza) superiore a 70 indica che uno stock è stato ipercomprato e potrebbe cadere, mentre un livello di RSI inferiore a 30 indica che un titolo è stato ipervenduto e potrebbe salire. letture compagnie minerarie RSI stanno lentamente aumentando. Il 23 febbraio, 2017, SIL RSI era vicino a 66,8, il che suggerisce che ci potrebbe essere una ulteriore correzione al ribasso dei prezzi. Ci sarà anche molto probabilmente un altro aumento di tasso di interesse, che potrebbe avere un impatto negativo metalli preziosi, nonché le società minerarie di metalli preziosi.