Natürlich Gleitender Durchschnitt

Die menschlichen Kosten für Naturkatastrophen 2015: eine globale Perspektive PDF herunterladen (6.31 MB) Zwischen 1994 und 2013 verzeichnete EM-DAT weltweit 6.873 Naturkatastrophen, die jährlich 1,35 Millionen Menschenleben oder fast 68.000 Menschen leben. Darüber hinaus waren in diesem 20-jährigen Zeitraum 218 Millionen Menschen von Naturkatastrophen im Durchschnitt pro Jahr betroffen. Die Häufigkeit von geophysikalischen Katastrophen (Erdbeben, Tsunamis, Vulkanausbrüchen und Massenbewegungen) blieb während dieser Zeit weitgehend konstant, doch ein anhaltender Anstieg der klimarelevanten Ereignisse (vor allem Überschwemmungen und Stürme) drückte das gesamte Vorkommen deutlich höher. Seit dem Jahr 2000 verzeichnete EM-DAT durchschnittlich 341 klimaschädliche Katastrophen pro Jahr, ein Höchststand von 1994 bis 2000 und weit über das Doppelte in den Jahren 1980-1989. Aus Sicht der Katastrophenanalyse sind das Bevölkerungswachstum und die Muster der wirtschaftlichen Entwicklung wichtiger als der Klimawandel oder die zyklischen Schwankungen des Wetters bei der Erläuterung dieses Aufwärtstrends. Heute sind nicht nur mehr Menschen in schädlicher Weise, als es vor 50 Jahren gab, sondern auch in Hochwasserschutzgebieten, Erdbebenzonen und anderen Hochrisikogebieten hat die Wahrscheinlichkeit erhöht, dass eine routinemäßige Naturgefahr eine große Katastrophe wird. EM-DAT-Daten zeigen, dass Überschwemmungen die Mehrheit der Katastrophen zwischen 1994 und 2013 verursacht haben, was 43 aller aufgezeichneten Ereignisse entspricht und fast 2,5 Milliarden Menschen betrifft. Stürme waren die zweithäufigste Art von Katastrophe, tötete mehr als 244.000 Menschen und kostete US936 Milliarden in aufgezeichneten Schäden. Dies macht Stürme die teuerste Art von Katastrophe in den vergangenen zwei Jahrzehnten und die zweithäufigsten kostspielig in Bezug auf Leben verloren. Erdbeben (einschließlich Tsunamis) töteten mehr Menschen als alle anderen Arten von Katastrophen zusammen und behaupteten fast 750.000 Leben zwischen 1994 und 2013. Tsunamis waren die tödlichsten Untertypen des Erdbebens, mit durchschnittlich 79 Todesfälle für jeden 1.000 betroffenen Menschen, verglichen Zu vier Todesfällen pro 1.000 für Bodenbewegungen. Das macht den Tsunamis fast zwanzigmal tödlicher als die Bodenbewegungen. Dürre betrug mehr als eine Milliarde Menschen zwischen 1994 und 2013 oder 25 der Gesamtsumme. Dies ist trotz der Tatsache, dass Dürren für nur 5 von Katastrophenereignissen in dieser Zeit entfielen. Einige von Dürrekatastrophen waren in Afrika, was darauf hinweist, dass Länder mit niedrigem Einkommen immer noch von Trockenheit überwältigt werden, obwohl wirksame Frühwarnungen vorhanden sind. In absoluten Zahlen verzeichneten die USA und China zwischen 1994 und 2013 die meisten Katastrophen, vor allem aufgrund ihrer Größe, vielfältigen Landmassen und hohen Bevölkerungsdichten. Unter den Kontinenten trug Asien die Hauptlast der Katastrophen, mit 3,3 Milliarden Menschen in China und Indien allein betroffen. Wenn Daten standardisiert sind, um jedoch die Anzahl der betroffenen Personen pro 100.000 Einwohnerpopulation zu reflektieren, waren Eritrea und die Mongolei die am stärksten betroffenen Länder der Welt. Haiti erlitt die größte Zahl von Menschen getötet sowohl in absoluten Zahlen und relativ zu der Größe der Bevölkerung aufgrund der schrecklichen Maut des Erdbebens 2010. Während Katastrophen in den vergangenen 20 Jahren häufiger geworden sind, ist die durchschnittliche Zahl der Betroffenen von einem in 23 im Zeitraum 1994-2003 auf einen von 39 im Zeitraum 2004-2013 gesunken. Dies wird zum Teil durch das Bevölkerungswachstum erklärt, aber die betroffenen Zahlen sind auch absolut zurückgegangen. Die Todesraten stiegen dagegen im gleichen Zeitraum und erreichten zwischen 2004 und 2013 durchschnittlich mehr als 99.700 Todesfälle pro Jahr. Dies spiegelt teilweise den großen Verlust des Lebens in drei Megadisern wider (2004 asiatischer Tsunami, Zyklon Nargis im Jahr 2008) Und das haitianische Erdbeben 2010). Allerdings bleibt der Trend nach oben, auch wenn diese drei Ereignisse von der Statistik ausgeschlossen sind. Die Analyse der EM-DAT-Daten zeigt auch, wie sich die Einkommensniveaus auf die Todesopfer der Katastrophe auswirken. Im Durchschnitt stiegen mehr als dreimal so viele Menschen pro Katastrophe in Ländern mit niedrigem Einkommen (332 Todesfälle) als in Hocheinkommensnationen (105 Todesfälle). Ein ähnliches Muster ist offensichtlich, wenn Länder mit niedrigem und niedrigem Mittleren Einkommen zusammengefaßt sind und im Vergleich zu Ländern mit hohem und oberen Mittleren Einkommen verglichen werden. Zusammengenommen haben die Länder mit höherem Einkommen 56 von Katastrophen erlebt, aber verloren 32 Leben, während Länder mit niedrigem Einkommen 44 von Katastrophen erlebt haben, aber 68 Todesfälle erlitten haben. Dies zeigt, dass das Niveau der wirtschaftlichen Entwicklung, anstatt die Exposition gegenüber Gefahren an sich, sind wichtige Determinanten der Sterblichkeit. In der CREDs-Sicht zeigen die in diesem Bericht vorgestellten EM-DAT-Daten auf mehrere wichtige Schlussfolgerungen: Steigende Sterbeziffern zu einem Zeitpunkt, in dem die Zahl der betroffenen Personen sinkt, hebt die anhaltende Anfälligkeit von Gemeinschaften gegenüber Naturgefahren hervor. Angesichts der Genauigkeit der heutigen Wettervorhersage und der Entwicklungen bei Frühwarnungen stellen unsere Daten Fragen zur Wirksamkeit von globalen Katastrophenschutzmaßnahmen auf. Wir glauben, dass mehr Arbeit geleistet werden muss, um die tatsächlichen Ergebnisse von Katastrophenrisikominderung (DRR) - Interventionen auf Menschenleben und Lebensgrundlagen zu bewerten. Angesichts der überproportionalen Belastung von Naturgefahren in Ländern mit niedrigem Einkommen, einschließlich der großen Unterschiede in den Sterberaten in reichen und ärmeren Ländern, bedingen sich die Maßnahmen zur Minderung in weniger entwickelten Ländern erheblich. Eine bessere Hochwasserschutzkontrolle für ärmeren Gemeinschaften mit hohem Risiko einer wiederkehrenden Überschwemmung wäre ein wichtiger Schritt in die richtige Richtung. Effektive, kostengünstige Lösungen, darunter Aufforstung, Überschwemmungsgebiete, Gebäudedämme, bessere Warnungen und Wiederherstellung von Feuchtgebieten. Solche Maßnahmen würden auch Entwicklungsvorteile bringen, da die EM-DAT-Daten zeigen, dass Überschwemmungen die Hauptursache für Katastrophenschäden an Schulen, Krankenhäusern und Kliniken usw. in Ländern mit niedrigem Einkommen sind. Angesichts der Vorhersagen, dass der Klimawandel die Häufigkeit von Stürmen und anderen extremen Wetterereignissen erhöhen wird, könnte ein besseres Management, eine Minderung und ein Einsatz von Sturmwarnungen in Zukunft mehr Leben retten. Die Verringerung der Größe der Dürre-gefährdeten Bevölkerungsgruppen sollte eine globale Priorität im nächsten Jahrzehnt sein, angesichts der Wirksamkeit der Frühwarnungen und der überwiegenden Zahl der betroffenen Menschen, vor allem in Afrika. Bessere Erforschung, wie und warum Haushalte und Gemeinschaften von Katastrophen betroffen sind, ist dringend erforderlich, damit die Antworten auf Beweise und nicht auf Annahmen basieren. Ohne solche Mikro-Ebene Forschung, zukünftige DRR und Katastrophenvorsorge wird nicht wirksam sein. Moving durchschnittliche und exponentielle Glättung Modelle Als ein erster Schritt in Bewegung über mittlere Modelle, zufällige Walk-Modelle und lineare Trend-Modelle, Nicht-Sektion Muster und Trends können mit extrapoliert werden Ein gleitendes Durchschnitt oder Glättungsmodell. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als quotsmoothedquot Version der ursprünglichen Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen kleinen Marge über die 3 - term und 9-term Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. Sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. h. den lokalen Mittelwert) der Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: Es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die Langzeitprognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut sind), und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit t, wie in Brown8217s Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0.2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. (Zurück zum Seitenanfang) Verschieben von durchschnittlichen Umschlägen Verschieben von durchschnittlichen Umschlägen Einleitung Verschieben von durchschnittlichen Umschlägen sind prozentuale Umschläge, die über und unter einem gleitenden Durchschnitt liegen. Der gleitende Durchschnitt, der die Basis für diesen Indikator bildet, kann ein einfacher oder exponentieller gleitender Durchschnitt sein. Jeder Umschlag wird dann den gleichen Prozentsatz über oder unter dem gleitenden Durchschnitt gesetzt. Dies schafft parallele Bands, die der Preisaktion folgen. Mit einem gleitenden Durchschnitt als Basis können Moving Average Envelopes als Trend folgender Indikator verwendet werden. Dieser Indikator beschränkt sich jedoch nicht nur auf den Trend. Die Umschläge können auch verwendet werden, um überkaufte und überverkaufte Ebenen zu identifizieren, wenn der Trend relativ flach ist. Berechnungsberechnung für das Verschieben von durchschnittlichen Umschlägen ist einfach. Zuerst wählen Sie einen einfachen gleitenden durchschnittlichen oder exponentiellen gleitenden Durchschnitt. Einfache gleitende Durchschnitte Gewicht jedes Datenpunkt (Preis) gleichermaßen. Exponentielle gleitende Durchschnitte setzen mehr Gewicht auf die jüngsten Preise und haben weniger Verzögerung. Zweitens wählen Sie die Anzahl der Zeiträume für den gleitenden Durchschnitt aus. Drittens setzen Sie den Prozentsatz für die Umschläge. Ein 20-Tage-Gleitender Durchschnitt mit einem 2,5-Umschlag würde die folgenden zwei Zeilen zeigen: Die obige Grafik zeigt IBM mit einem 20-Tage-SMA - und 2,5-Umschlag. Beachten Sie, dass die 20-Tage-SMA zu diesem SharpChart als Referenz hinzugefügt wurde. Beachten Sie, wie sich die Umschläge parallel zum 20-Tage-SMA bewegen. Sie bleiben eine konstante 2,5 über und unter dem gleitenden Durchschnitt. Interpretation Indikatoren, die auf Kanälen, Bändern und Umschlägen basieren, sollen die meisten Preisaktionen umfassen. Deshalb bewegen sich über oder unter den Umschlägen Aufmerksamkeit. Trends beginnen oft mit starken Bewegungen in die eine oder andere Richtung. Ein Anstieg über dem oberen Umschlag zeigt außerordentliche Kraft, während ein Sprung unter den unteren Umschlag eine außergewöhnliche Schwäche zeigt. Solche starken Bewegungen können das Ende eines Trends und den Anfang eines anderen signalisieren. Mit einem gleitenden Durchschnitt als Fundament sind Moving Average Envelopes ein natürlicher Trend nach Indikator. Wie bei gleitenden Durchschnitten werden die Umschläge auf Preisvorgänge verzichten. Die Richtung des gleitenden Durchschnitts diktiert die Richtung des Kanals. Im Allgemeinen ist ein Abwärtstrend vorhanden, wenn sich der Kanal tiefer bewegt, während ein Aufwärtstrend existiert, wenn sich der Kanal höher bewegt. Der Trend ist flach, wenn sich der Kanal seitwärts bewegt. Manchmal fällt ein starker Trend nicht nach einem Umschlag und die Preise bewegen sich in eine Handelsspanne. Solche Handelsbereiche sind durch einen relativ flachen gleitenden Durchschnitt gekennzeichnet. Die Umschläge können dann verwendet werden, um überkaufte und überverkaufte Ebenen für Handelszwecke zu identifizieren. Eine Bewegung über dem oberen Umschlag bezeichnet eine übertriebene Situation, während eine Bewegung unterhalb der unteren Hüllkurve eine überverkaufte Bedingung markiert. Parameter Die Parameter für die Moving Average Envelopes hängen von Ihren Handelsinvestitionszielen und den Merkmalen der Sicherheit ab. Händler werden wahrscheinlich kürzere (schnellere) gleitende Durchschnitte und relativ enge Umschläge verwenden. Anleger werden voraussichtlich längere (langsamer) bewegte Durchschnitte mit breiteren Umschlägen bevorzugen. Eine security039s Volatilität wird auch die Parameter beeinflussen. Bollinger Bands und Keltner Kanäle haben in Mechanismen gebaut, die sich automatisch an eine Sicherheitsphase anpassen. Bollinger Bands verwenden die Standardabweichung, um Bandbreite einzustellen. Keltner Kanäle verwenden den durchschnittlichen True Range (ATR), um die Kanalbreite einzustellen. Diese passen sich automatisch an die Volatilität an. Chartisten müssen bei der Festlegung der Moving Average Envelopes selbstverständlich Volatilität berücksichtigen. Wertpapiere mit hoher Volatilität erfordern breitere Bands, um die meisten Preisaktionen zu umfassen. Wertpapiere mit geringer Volatilität können schmalere Bands verwenden. Bei der Auswahl der richtigen Parameter, hilft es oft, ein paar verschiedene Moving Average Envelopes zu überlagern und zu vergleichen. Die obige Grafik zeigt die SampP 500 ETF mit drei Moving Average Envelopes auf Basis der 20-Tage-SMA. Die 2,5 Umschläge (rot) wurden mehrmals berührt, die 5 Umschläge (grün) wurden nur im Juli-Anstieg berührt. Die 10 Umschläge (rosa) wurden nie berührt, was bedeutet, dass diese Band zu breit ist. Ein mittelfristiger Trader könnte die 5 Umschläge verwenden, während ein kurzfristiger Trader die 2,5 Umschläge verwenden könnte. Aktienindizes und ETFs erfordern engere Umschläge, weil sie typischerweise weniger volatil sind als einzelne Aktien. Das Alcoa-Diagramm hat die gleichen Moving Average Envelopes wie das SPY-Diagramm. Allerdings bemerken, dass Alcoa die 10 Umschläge mehrmals verletzt hat, weil es flüchtiger ist. Trend Identification Moving Average Envelopes können verwendet werden, um starke Bewegungen zu identifizieren, die den Beginn eines erweiterten Trends signalisieren. Der Trick, wie immer, pflückt die richtigen Parameter. Das braucht Praxis, Versuch und Irrtum. Die folgende Grafik zeigt Dow Chemical (DOW) mit den Moving Average Envelopes (20,10). Die Schlusspreise werden verwendet, da die Durchlaufwerte mit Schlusskursen berechnet werden. Einige Chartisten bevorzugen Bars oder Leuchter, um den Intraday-Tag hoch und niedrig zu nutzen. Beachten Sie, wie DOW Mitte Juli über dem oberen Umschlag stieg und sich bis Anfang August weiter über diesen Umschlag bewegte. Das zeigt außergewöhnliche Stärke. Beachten Sie auch, dass die Moving Average Envelopes auftauchten und dem Fortschritt folgten. Nach einem Umzug von 14 auf 23 wurde die Aktie deutlich überkauft. Allerdings hat dieser Schritt einen starken Präzedenzfall, der den Beginn eines ausgedehnten Trends markierte. Mit DOW, der bald nach dem Aufstieg seines Aufwärtstrends überkauft wurde, war es Zeit, auf einen spielbaren Pullback zu warten. Händler können nach Pullbacks mit Basisdiagrammanalyse oder mit Indikatoren suchen. Pullbacks kommen oft in Form von fallenden Fahnen oder Keilen. DOW bildete ein Bild perfekte fallende Flagge im August und brach Widerstand im September. Eine weitere Flagge, die Ende Oktober mit einem Ausbruch im November gebildet wurde. Nach dem November-Aufschwung zog sich die Aktie mit einer fünfwöchigen Flagge ins Dezember zurück. Der Commodity Channel Index (CCI) wird im Indikatorfenster angezeigt. Verschiebungen unter -100 zeigen überverkaufte Messwerte. Wenn der größere Trend auf ist, können überverkaufte Lesungen verwendet werden, um Pullbacks zu identifizieren, um das Risiko-Belohnungsprofil für einen Handel zu verbessern. Momentum wird wieder bullisch, wenn CCI in ein positives Territorium zurückkehrt (grüne punktierte Linien). Die inverse Logik kann für einen Abwärtstrend angewendet werden. Eine starke Bewegung unterhalb der unteren Hüllkurve signalisiert außerordentliche Schwäche, die einen ausgedehnten Abwärtstrend vorhersehen kann. Die untenstehende Tabelle zeigt, dass International Game Tech (IGT) unter dem 10 Umschlag unterbrochen wird, um einen Abwärtstrend Ende Oktober 2009 zu etablieren. Weil die Aktie nach diesem starken Rückgang ziemlich überverkauft war, wäre es umsichtig gewesen, auf einen Sprung zu warten. Wir können dann grundlegende Preisanalyse oder einen anderen Impulsindikator verwenden, um Bounces zu identifizieren. Das Indikatorfenster zeigt den Stochastischen Oszillator, der verwendet wird, um überkaufte Bounces zu identifizieren. Eine Bewegung über 80 gilt als überkauft. Sobald über 80, können Chartisten dann nach einem Diagrammsignal oder einem Rücklauf unter 80 suchen, um einen Abschwung zu signalisieren (rote gepunktete Linien). Das erste Signal wurde mit einem Support-Break bestätigt. Das zweite Signal führte zu einem Whipsaw (Verlust), weil die Aktie über 20 ein paar Wochen später bewegt wurde. Das dritte Signal wurde mit einem Trendlinienbruch bestätigt, der zu einem eher starken Rückgang führte. Ähnlich wie bei Preis-Oszillator Bevor Sie zu überkauften und überverkauften Ebenen übergehen, ist es sinnvoll, darauf hinzuweisen, dass Moving Average Envelopes dem Percent Price Oscillator (PPO) ähnlich sind. Moving Average Envelopes erzählen uns, wann eine Sicherheit einen bestimmten Prozentsatz über einem bestimmten gleitenden Durchschnitt handelt. PPO zeigt die prozentuale Differenz zwischen einem kurzen exponentiellen gleitenden Durchschnitt und einem längeren exponentiellen gleitenden Durchschnitt. PPO (1,20) zeigt die prozentuale Differenz zwischen einer 1-Periode EMA und einer 20-Periode EMA. Eine 1-tägige EMA ist gleich der Nähe. 20-Perioden-Exponential Moving Average Envelopes spiegeln die gleichen Informationen wider. Die obige Grafik zeigt die Russell 2000 ETF (IWM) mit PPO (1,20) und 2,5 Exponential Moving Average Envelopes. Horizontale Linien wurden auf 2,5 und -2,5 auf dem PPO gesetzt. Beachten Sie, dass sich die Preise über dem 2,5-Umschlag bewegen, wenn sich PPO über 2,5 bewegt (gelbe Schattierung) und die Preise unterhalb des 2,5-Umschlags liegen, wenn sich PPO unter -2,5 (Orangenschattierung) bewegt. PPO ist ein Impuls-Oszillator, der verwendet werden kann, um überkaufte und überverkauft Ebenen zu identifizieren. Mit der Erweiterung können verschiebende durchschnittliche Umschläge auch verwendet werden, um überkaufte und überverkaufte Ebenen zu identifizieren. PPO verwendet exponentielle gleitende Durchschnitte, so dass es mit Moving Average Envelopes mit EMAs, nicht SMAs verglichen werden muss. OverboughtOversold Die Messung von überkauften und überverkauften Bedingungen ist schwierig. Wertpapiere können überkauft werden und bleiben in einem starken Aufwärtstrend überkauft. Ebenso können Wertpapiere überverkauft und in einem starken Abwärtstrend überverkauft bleiben. In einem starken Aufwärtstrend bewegen sich die Preise oft über den oberen Umschlag und fahren über diese Linie weiter. In der Tat wird der obere Umschlag steigen, wenn der Preis über dem oberen Umschlag fortschreitet. Das mag technisch überkauft sein, aber es ist ein Zeichen der Kraft, überkauft zu bleiben. Das umgekehrte gilt für überverkauft. Überbeanspruchte und überverkaufte Lesungen werden am besten genutzt, wenn der Trend abläuft. Das Diagramm für Nokia hat alles. Die rosa Linien repräsentieren die Moving Average Envelopes (50,10). Ein 50-Tage einfacher gleitender Durchschnitt liegt in der Mitte (rot). Die Umschläge sind 10 und unterhalb dieses gleitenden Durchschnitts. Die Grafik beginnt mit einem überkauften Niveau, das überkauft wurde, als ein starker Trend im April-Mai auftauchte. Preis-Aktion wurde von Juni bis April abgehackt, was das perfekte Szenario für überkaufte und überverkauft Ebenen ist. Überholte Levels im September und Mitte März haben Umkehrungen vorhergesagt. Ähnlich überstieg das Niveau im August und Ende Oktober die Fortschritte. Die Karte endet mit einem überverkauften Zustand, der überverkauft bleibt, wenn ein starker Abwärtstrend auftaucht. Überbeanspruchte und überverkaufte Bedingungen sollten als Warnhinweise für die weitere Analyse dienen. Overbought Levels sollten mit Chartwiderstand bestätigt werden. Chartisten können auch nach bärischen Mustern Ausschau halten, um das Umkehrpotenzial bei überkauften Ebenen zu verstärken. Ebenso sollten überverkaufte Ebenen mit Chartunterstützung bestätigt werden. Chartist kann auch nach bullischen Mustern suchen, um das Umkehrpotenzial auf überverkauft zu stärken. Schlussfolgerungen Moving Average Umschläge werden meist als Trendfolger verwendet, können aber auch zur Identifizierung von überkauften und überverkauften Bedingungen verwendet werden. Nach einer Konsolidierungsperiode kann eine starke Hüllkurve den Beginn eines ausgedehnten Trends signalisieren. Sobald ein Aufwärtstrend identifiziert ist, können sich Chartisten zu Impulsindikatoren und anderen Techniken wenden, um überverkaufte Leser und Pullbacks innerhalb dieses Trends zu identifizieren. Überkaufte Bedingungen und Bounces können als Verkaufsmöglichkeiten in einem größeren Abwärtstrend genutzt werden. In Abwesenheit eines starken Trends können die Moving Average Envelopes wie der Percent Price Oscillator verwendet werden. Bewegt sich oberhalb der oberen Hüllkurven-Signal-Overbought-Messungen, während sie sich unterhalb der unteren Hüllkurven-Signal-Überverkaufswerte bewegt. Es ist auch wichtig, andere Aspekte der technischen Analyse zu übernehmen, um überkaufte und überverkaufte Lesung zu bestätigen. Widerstands - und Bären-Umkehrmuster können verwendet werden, um überkaufte Lesungen zu bestätigen. Unterstützung und bullish Umkehrmuster können verwendet werden, um überverkauft Bedingungen zu bestätigen. SharpCharts Moving Average Envelopes finden Sie in SharpCharts als Preisauflage. Wie bei einem gleitenden Durchschnitt sollten die Umschläge auf einem Preisplot angezeigt werden. Nach Auswahl der Anzeige aus dem Dropdown-Feld erscheint die Standardeinstellung im Parameterfenster (20.2.5). MA Umschläge basieren auf einem einfachen gleitenden Durchschnitt. EMA-Briefumschläge basieren auf einem exponentiellen gleitenden Durchschnitt. Die erste Zahl (20) setzt die Perioden für den gleitenden Durchschnitt. Die zweite Zahl (2.5) setzt den prozentualen Offset. Benutzer können die Parameter entsprechend ihren Charting-Anforderungen ändern. Der entsprechende gleitende Durchschnitt kann als separates Overlay hinzugefügt werden. Klicken Sie hier für ein Live-Beispiel. Oversold after Break über Upper Envelope: Dieser Scan sucht nach Aktien, die über ihren oberen exponentiellen Moving Average Envelope (50,10) vor zwanzig Tagen brachen, um zu bestätigen oder einen Aufwärtstrend zu etablieren. Die aktuelle 10-Perioden-CCI liegt unter -100, um eine kurzfristige überverkaufte Bedingung anzuzeigen. Overbought after Break under Lower Envelope: Dieser Scan sucht nach Aktien, die unter ihrem niedrigeren exponentiellen Moving Average Envelope (50,10) vor zwanzig Tagen, um zu bestätigen oder einen Abwärtstrend zu unterbrechen. Die aktuelle 10-Perioden-CCI liegt über 100, um eine kurzfristige überkaufte Bedingung anzuzeigen. Weitere Studie Trend Trading für ein Leben Thomas Carr