Tekniska analysmedelvärden Flyttmedelvärden används för att släta kortvariga svängningar för att få en bättre indikation på prisutvecklingen. Medelvärden är trend-följande indikatorer. Ett glidande medelvärde av dagliga priser är genomsnittspriset för en aktie över en vald period som visas dag för dag. För att beräkna medelvärdet måste du välja en tidsperiod. Valet av en tidsperiod är alltid en reflektion över, mer eller mindre fördröjning i förhållande till priset jämfört med en större eller mindre utjämning av prisdata. Prisgenomsnitt används som trendföljande indikatorer och främst som referens för prisstöd och motstånd. Generellt är medelvärdena närvarande i alla slags formler för att släta data. Special offer: quotCapturing Profit med Technical Analysisquot Enkelt rörligt medelvärde Ett enkelt glidande medelvärde beräknas genom att lägga till alla priser inom den valda tidsperioden, dividerat med den tidsperioden. På så sätt har varje datavärde samma vikt i medelresultatet. Figur 4.35: Enkelt, exponentiellt och viktat glidande medelvärde. Den tjocka svarta kurvan i diagrammet i figur 4.35 är ett 20-dagars enkelt glidande medelvärde. Exponentiellt rörligt medelvärde Ett exponentiellt rörligt medelvärde ger mer vikt, procentvis, till de individuella priserna i ett intervall baserat på följande formel: EMA (pris EMA) (tidigare EMA (1 ndash EMA)) De flesta investerare känner sig inte bekväma med en uttryck relaterat till procentandel i exponentiell glidande medel snarare, de känner sig bättre med en tidsperiod. Om du vill veta procentandelen för att arbeta med en period, ger nästa formel dig omvandlingen: En tidsperiod på tre dagar motsvarar en exponentiell procentandel av: Den tunna svarta kurvan i figur 4.35 är en 20-dagars exponentiell rörelse genomsnitt. Vägt rörligt medelvärde Ett viktat glidande medelvärde lägger större vikt på senaste data och mindre vikt på äldre data. Ett vägat glidande medelvärde beräknas genom att varje data multipliceras med en faktor från dag ldquo1rdquo till dag ldquonrdquo för de äldsta till de senaste dataen, varvid resultatet divideras med summan av alla multiplikationsfaktorer. I ett 10-dagarsviktat glidande medelvärde finns det 10 gånger mer vikt för priset idag i proportion till priset för 10 dagar sedan. På samma sätt får priset på igår nio gånger mer, och så vidare. Den tunna, svarta streckkurvan i figur 4.35 är ett 20-dagarsviktat rörligt medelvärde. Enkelt, Exponentiellt eller Viktat Om vi jämför dessa tre grundläggande medel ser vi att det enkla genomsnittet har mest utjämning, men i allmänhet också den största eftersläpningen efter prisomslag. Det exponentiella genomsnittet ligger närmare priset och reagerar också snabbare på prissvingningar. Men kortare periodkorrigeringar är också synliga i detta genomsnitt på grund av en mindre utjämningseffekt. Slutligen följer det vägda genomsnittet prisrörelsen ännu närmare. Att bestämma vilket av dessa medelvärden som ska användas beror på ditt mål. Om du vill ha en trendindikator med bättre utjämning och endast liten reaktion för kortare rörelser, är det enkla genomsnittet bäst. Om du vill ha en utjämning där du fortfarande kan se den korta perioden svänger, är antingen det exponentiella eller viktade glidande medlet det bättre valet. Hur man beräknar vägda rörliga medelvärden i Excel med hjälp av exponentiell utjämning Excel-dataanalys för dummies, 2: a utgåvan Den exponentiella utjämningen Verktyget i Excel beräknar det glidande medlet. Exponentiell utjämning väger emellertid värdena som ingår i de genomsnittliga beräkningarna för glidande medel, så att de senaste värdena har större effekt på medelberäkningen och gamla värden har en mindre effekt. Denna viktning åstadkommes genom en utjämningskonstant. För att illustrera hur verktyget för exponential utjämning fungerar, antar att du8217re igen tittar på den genomsnittliga daglig temperaturinformationen. För att beräkna vägda glidmedel med hjälp av exponentiell utjämning, gör följande steg: För att beräkna ett exponentiellt jämnt glidande medelvärde, klicka först på kommandoknappen Data tab8217s dataanalys. När Excel visar dialogrutan Dataanalys väljer du alternativet Exponentiell utjämning från listan och klickar sedan på OK. Excel visar dialogrutan Exponentiell utjämning. Identifiera data. För att identifiera de data som du vill beräkna ett exponentiellt jämn glidande medelvärde för, klickar du i textrutan Inmatningsområde. Identifiera sedan ingångsintervallet, antingen genom att skriva in en arbetsbladets intervalladress eller genom att välja arbetsbladets intervall. Om ditt inmatningsområde innehåller en textetikett för att identifiera eller beskriva dina data markerar du kryssrutan Etiketter. Ge utjämningskonstanten. Ange utjämningskonstantvärdet i textrutan Dämpningsfaktor. Excel-hjälpfilen föreslår att du använder en utjämningskonstant på mellan 0,2 och 0,3. Förmodligen, om du använder det här verktyget, har du egna idéer om vad den korrekta utjämningskonstanten är. (Om you8217re clueless om utjämningskonstanten, kanske du shouldn8217t använda det här verktyget.) Berätta Excel var du ska placera exponentiellt jämnaste glidande genomsnittsdata. Använd textrutan Utmatningsområde för att identifiera det arbetsbladsintervall som du vill placera den rörliga genomsnittsdata för. I exemplet på arbetsbladet placerar du exempelvis de glidande genomsnittsdataen i arbetsarkets intervall B2: B10. (Valfritt) Diagram Exponentially smoothed data. För att kartlägga exponentiellt jämna data, markera kryssrutan Diagramutmatning. (Valfritt) Anger att du vill beräkna standard felinformation. För att beräkna standardfel markerar du kryssrutan Standardfel. Excel placerar standardfelvärden bredvid de exponentiellt jämnaste glidande medelvärdena. När du är klar med att ange vilken glidande medelinformation du vill ha beräknad och var du vill placera den, klicka på OK. Excel beräknar glidande genomsnittlig information. Beräkning av EWMA-korrelation med Excel Vi har nyligen lärt oss hur vi beräknar volatiliteten med hjälp av EWMA Exponentially Weighted Moving Average. Som vi vet, undviker EWMA fallgroparna av lika viktiga medelvärden eftersom det ger större vikt vid de senaste observationerna jämfört med de äldre observationerna. Så, om vi har extrema avkastningar i våra data, när tiden går, blir dessa data äldre och blir mindre vikt i vår beräkning. I den här artikeln kommer vi att titta på hur vi kan beräkna korrelation med hjälp av EWMA i Excel. Vi vet att korrelationen beräknas med följande formel: Det första steget är att beräkna kovariansen mellan de två returserierna. Vi använder utjämningsfaktorn Lambda 0.94, som används i RiskMetrics. Tänk på följande ekvation: Vi använder kvadrerade avkastningarna r 2 som serien x i denna ekvation för variansprognoser och korsprodukter av två avkastningar som serien x i ekvationen för kovariansprognoser. Observera att samma lambda används för alla variationer och kovarians. Det andra steget är att beräkna avvikelser och standardavvikelser för varje returserie, som beskrivs i denna artikel Beräkna historisk volatilitet med hjälp av EWMA. Det tredje steget är att beräkna korrelationen genom att plugga in värdena för Covariance och Standardavvikelser i ovanstående formel för korrelation. Följande Excel-ark ger ett exempel på korrelations - och volatilitetsberäkningen i Excel. Det tar loggen avkastningen av två lager och beräknar korrelationen mellan dem. Explovering Den exponentiellt viktad Flytta genomsnittlig volatiliteten är det vanligaste måttet på risk, men det kommer i flera smaker. I en tidigare artikel visade vi hur man beräkna enkel historisk volatilitet. (För att läsa den här artikeln, se Använd volatilitet för att mäta framtida risk.) Vi använde Googles faktiska aktiekursdata för att beräkna den dagliga volatiliteten baserat på 30 dygns lagerdata. I den här artikeln kommer vi att förbättra den enkla volatiliteten och diskutera exponentialvägt rörligt medelvärde (EWMA). Historisk Vs. Implicit Volatilitet Först, låt oss sätta denna mätning i lite perspektiv. Det finns två breda tillvägagångssätt: historisk och underförstådd (eller implicit) volatilitet. Det historiska tillvägagångssättet förutsätter att förflutet är en prolog som vi mäter historia i hopp om att det är förutsägbart. Implicit volatilitet, å andra sidan, ignorerar historien den löser för volatiliteten implicerad av marknadspriser. Det hoppas att marknaden vet bäst och att marknadspriset innehåller, även om det implicit är, en konsensusuppskattning av volatiliteten. (För relaterad läsning, se Användning och gränser för volatilitet.) Om vi fokuserar på bara de tre historiska tillvägagångssätten (till vänster ovan), har de två steg gemensamt: Beräkna serien av periodisk avkastning Använd ett viktningsschema Först vi beräkna den periodiska avkastningen. Det är typiskt en serie av dagliga avkastningar där varje avkastning uttrycks i fortlöpande sammansatta termer. För varje dag tar vi den naturliga loggen av förhållandet mellan aktiekurserna (dvs. pris idag dividerat med pris igår, och så vidare). Detta ger en serie dagliga avkastningar, från dig till jag i-m. beroende på hur många dagar (m dagar) vi mäter. Det får oss till det andra steget: Det är här de tre metoderna skiljer sig åt. I den föregående artikeln (Använd volatilitet för att mäta framtida risker) visade vi att enligt enkla acceptabla förenklingar är den enkla variansen genomsnittet av de kvadrerade avkastningarna: Observera att summan av varje periodisk avkastning delar upp den totala av antal dagar eller observationer (m). Så det är verkligen bara ett genomsnitt av den kvadrerade periodiska avkastningen. Sätt på ett annat sätt, varje kvadrerad retur ges lika vikt. Så om alfa (a) är en viktningsfaktor (specifikt en 1m) ser en enkel varians något ut så här: EWMA förbättras på enkel varians Svagheten i denna metod är att alla avkastningar tjänar samma vikt. Yesterdays (väldigt ny) avkastning har inget mer inflytande på variansen än förra månaden tillbaka. Detta problem fastställs med hjälp av det exponentiellt vägda glidande medlet (EWMA), i vilket nyare avkastning har större vikt på variansen. Det exponentiellt viktade glidande medlet (EWMA) introducerar lambda. som kallas utjämningsparametern. Lambda måste vara mindre än en. Under detta förhållande, istället för lika vikter, vägs varje kvadrerad avkastning med en multiplikator enligt följande: RiskMetrics TM, ett finansiellt riskhanteringsföretag tenderar till exempel att använda en lambda på 0,94 eller 94. I det här fallet är den första ( senaste) kvadratiska periodiska avkastningen vägs av (1-0,94) (.94) 0 6. Nästa kvadrerade retur är helt enkelt en lambda-multipel av den tidigare vikten i detta fall 6 multiplicerad med 94 5,64. Och den tredje föregående dagens vikt är lika med (1-0,94) (0,94) 2 5,30. Det är betydelsen av exponentiell i EWMA: varje vikt är en konstant multiplikator (dvs lambda, som måste vara mindre än en) av den tidigare dagens vikt. Detta säkerställer en varians som är viktad eller förspänd mot senare data. (Mer information finns i Excel-kalkylbladet för Googles volatilitet.) Skillnaden mellan helt enkelt volatilitet och EWMA för Google visas nedan. Enkel volatilitet väger effektivt varje periodisk avkastning med 0,196 som visas i kolumn O (vi hade två års daglig aktiekursdata, det vill säga 509 dagliga avkastningar och 1509 0,196). Men märker att kolumn P tilldelar en vikt av 6, sedan 5,64, sedan 5,3 och så vidare. Det är den enda skillnaden mellan enkel varians och EWMA. Kom ihåg: När vi summerar hela serien (i kolumn Q) har vi variansen, vilket är kvadraten av standardavvikelsen. Om vi vill ha volatilitet, måste vi komma ihåg att ta kvadratroten av den variansen. Vad är skillnaden i den dagliga volatiliteten mellan variansen och EWMA i Googles fall Det är signifikant: Den enkla variansen gav oss en daglig volatilitet på 2.4 men EWMA gav en daglig volatilitet på endast 1,4 (se kalkylbladet för detaljer). Uppenbarligen avtog Googles volatilitet mer nyligen, därför kan en enkel varians vara konstant hög. Dagens Varians är en funktion av Pior Days Variance Du märker att vi behövde beräkna en lång serie exponentiellt sjunkande vikter. Vi brukar inte göra matematiken här, men en av EWMA: s bästa egenskaper är att hela serien reduceras bekvämt till en rekursiv formel: Rekursiv betyder att dagens variansreferenser (det vill säga är en funktion av den tidigare dagens varians). Du kan även hitta denna formel i kalkylbladet, och det ger exakt samma resultat som longhandberäkningen. Det står: Dagens varians (under EWMA) motsvarar ysterdays variance (viktad av lambda) plus ysterdays squared return (vägd av en minus lambda). Lägg märke till hur vi bara lägger till två termer tillsammans: Vardagens viktiga varians och gårdagens viktiga, kvadrerade avkastning. Ändå är lambda vår utjämningsparameter. En högre lambda (t ex som RiskMetrics 94) indikerar långsammare sönderfall i serien - relativt sett kommer vi att ha fler datapunkter i serien och de kommer att falla av långsammare. Å andra sidan, om vi reducerar lambda, indikerar vi högre sönderfall: vikterna faller av snabbare och som ett direkt resultat av det snabba förfallet används färre datapunkter. (I kalkylbladet är lambda en ingång, så du kan experimentera med sin känslighet). Sammanfattning Volatilitet är den aktuella standardavvikelsen för ett lager och den vanligaste riskvärdet. Det är också kvadratrot av varians. Vi kan måle variationen historiskt eller implicit (implicit volatilitet). När man mäter historiskt är den enklaste metoden enkel varians. Men svagheten med enkel varians är alla avkastningar får samma vikt. Så vi står inför en klassisk avvägning: vi vill alltid ha mer data men ju mer data vi har desto mer beräknas vår beräkning utspädd av avlägsna (mindre relevanta) data. Det exponentiellt viktade glidande genomsnittet (EWMA) förbättras på enkel varians genom att tilldela vikter till periodisk avkastning. Genom att göra det kan vi båda använda en stor urvalsstorlek men ge också större vikt till senare avkastning. (För att se en filmhandledning om detta ämne, besök Bionic Turtle.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En beställning att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-reglering (Internal Revenue Service) som tillåter utbetalningar av straff från ett IRA-konto. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. Skuldkvotskvoten är skuldkvoten som används för att mäta ett företags ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ.
Comments
Post a Comment