Moving Average Edge Effekte

Zeitreihenmethoden Zeitreihenmethoden sind statistische Verfahren, die historische Daten nutzen, die über einen bestimmten Zeitraum akkumuliert wurden. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume berechnet, wie z. B. drei Monate oder fünf Monate, je nachdem, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter ist er. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die während des nächsten Monats auftreten (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt ist in der folgenden Abbildung zu sehen, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet die Fluktuationen in einem größeren Ausmaß als Der dreimonatige Gleitende Durchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Frucht, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. Wishbone Farms hat in den folgenden drei Jahren die Nachfrage nach Truthühnern erlebt: Weil wir drei Jahre Nachfragedaten haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage in allen drei Jahren dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr, 2000, mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Nachfrageprognose für 2000. Da in diesem Fall die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend aufweisen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu erhalten Prognose Schätzung: So ist die Prognose für das Jahr 2000 58,17 oder 58,170 Puten. Anhand dieser jährlichen Bedarfsprognose werden die saisonbereinigten Prognosen SF i für das Jahr 2000 verglichen, wenn diese vierteljährlichen Prognosen mit den tatsächlichen Bedarfswerten in der Tabelle verglichen werden. Dies sind relativ gute Prognoseschätzungen, die sowohl die saisonalen Schwankungen der Daten widerspiegeln als auch Der allgemeine Aufwärtstrend. 10-12. Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöhen, haben 10-14. Wie sich die eingestellte exponentielle Glättung von der exponentiellen Glättung 10-15 unterscheidet. Was die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16 bestimmt. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Ausgangsprognose immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie weitere Möglichkeiten vor, dass die Startprognose tatsächlich ermittelt werden kann. 10-17. Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose 10-18. Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich dem gleitenden Mittelwert und dem gewichteten gleitenden Durchschnitt, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, welche halten Sie für den besten Warum 10-19. Welche Vorteile hat eine angepasste exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist 4 K. B. Kahn und J. T. Mentzer, Prognose in Consumer and Industrial Markets, The Journal of Business Forecasting 14, No. 2 (Sommer 1995): 21-28.Moving Durchschnitt: graben tiefer Ok, so I8217ll warnen Sie vorne: dieses one8217s wird ein wenig schwierig sein. Die Antwort auf meinen Beitrag auf dem 200 Tage gleitenden Durchschnitt in der DJIA und dem SampP 500 war sehr positiv, und ich erhielt viele nachdenkende Fragen und Anfragen für weitere Details. Ich dachte, der beste Weg, um diese Fragen zu beantworten könnte nur sein, um einige Arbeit, die ich zuvor getan haben. Ich werde versuchen, die wichtigen Punkte zusammenzufassen und ein Gleichgewicht zwischen dem Schreiben eines leicht verdaulichen Blog-Post und genügend Details finden. Auf geht's. Testing gleitende durchschnittliche Pausen Es gibt viele Möglichkeiten, um Tests von gleitenden Durchschnitten zu strukturieren. Ich habe ein paar, aber die, die ich mit Ihnen teilen möchte ich heute nannte die 8220Moving durchschnittliche Durchdringung (Fade Break) 8221 Test. Für einen Kauf sind die Kriterien: Yesterday8217s niedrig ist über dem gleitenden Durchschnitt Today8217s schließen ist unter dem gleitenden Durchschnitt Buy on today8217s schließen Sie können sehen, ist das Konzept, dass wir verblassen ein enger durch den gleitenden Durchschnitt. Ein visuelles kann hilfreich sein: Lassen Sie mich mit einigen Text aus dem unveröffentlichten Teil meines Buches fortsetzen. (Ich habe die Arbeit schon einmal gemacht, also macht es Sinn, sie in ihrer ursprünglichen Form zu teilen.) I8217ll zusammenfassen am Ende dieses Postens. Was passiert nach Preisunterbrechungen durch einen gleitenden Durchschnitt Wenn gleitende Durchschnittswerte in der Tat bedeutende Unterstützungs - oder Widerstandsniveaus sind, wenn große Händler die Handelsentscheidungen treffen, die auf dem Verhältnis des Preises zum Durchschnitt basieren, sollten wir eine Reaktion sehen, nachdem der gleitende Durchschnitt fehlschlägt Die Preise enthalten. Es wäre vernünftig anzunehmen, dass die Händler die Positionen auf der Pause des Durchschnitts verlassen oder anpassen und dieser Kauf - oder Verkaufsdruck zu Verzerrungen bei den Renditen führen sollte. Wir nennen diesen Test den Moving Average Penetration Test. Diese Menge von Bedingungen würde der Händler immer verblassen. Oder gehen gegen Kursbewegungen durch einen gleitenden Durchschnitt: Wenn der Kurs unterhalb eines gleitenden Durchschnitts unterschreitet, nachdem er darüber liegt, erzeugt dieses Regelset ein Kaufsignal. Es ist durchaus möglich, dass dies rückwärts ist, und vielleicht sollten diese als Ausbrüche gehandelt werden, indem sie mit der Richtung der Preisbewegung gehen. Auch hier spielt es keine Rolle, wenn die Kriterien für Kauf und Verkauf Signale gedreht werden, sehen wir einfach negative Übernahmen für Käufe und positiv für den Verkauf. Fading Testergebnisse Diese Ergebnisse scheinen, zumindest für die Aktien-Probe interessant zu sein. Die Verkaufssignale (die sich auf den Kurzschluss des ersten Balkens, der über einem gleitenden Durchschnitt schließt, beruhen) zeigen eine konsistente negative Flanke, und diese Flanke ist statistisch signifikant. Die Kaufsignale zeigen auch ein interessantes Muster, aber es ist nicht so klar oder stark. Die kauft (wieder, dies ist der Kauf der erste Balken, der unter einem gleitenden Durchschnitt schließt) zeigen eine anfängliche kleine positive Flanke, die scheint, in eine negative Flanke zwischen 5 bis 10 Tage vom Signal abzunehmen. Dieser Zerfall eines positiven Signals in ein statistisch signifikantes Verkaufssignal kann ein wenig überraschend sein, um die Dynamik besser verstehen zu können, die wir stellen sollten, wenn es auf die Wirkung eines großen Ausreißers zurückzuführen sein könnte. Obwohl die Daten nicht in diesen Tabellen wiedergegeben werden, scheint dieser Effekt nicht auf einen einzelnen Ausreißer zurückzuführen, wenn das Aktienuniversum in Large-Cap-, Mid-Cap - und Small-Cap-Samples aufgeteilt wird, der gleiche Signalzerfall ist offensichtlich Alle Marktkapitalisierung Scheiben. Wenn dies auf eine Abweichung in einer einzigen Aktie zurückzuführen wäre, wäre der Verfall höchstwahrscheinlich auf eine einzige Marktkapitalisierung beschränkt. Es ist auch interessant zu beachten, dass, während wir interessante Muster in Aktien haben, zeigen die Futures und Forex-Gruppen keine vorhersehbaren Muster. Dies ist der stärkste Anhaltspunkt, den wir bisher in diesen Tests hatten, dass vielleicht nicht alle Vermögenswerte das gleiche aus einer quantitativen Perspektive handeln. Wenn wir weiterhin nachweisen, dass Vermögenswerte sich anders verhalten, scheint dies eine erhebliche Herausforderung für die Behauptung zu sein, dass alle technischen Instrumente auf einen Markt oder Zeitrahmen ohne Anpassung angewendet werden können. Die 200-, 100- und 50-Tage-Mittelwerte sind nicht besonders. Ergebnisse aus anderen Tests, die hier nicht wiedergegeben werden, sehen ungeachtet der Periode (von 10 bis 200) oder des Typs (exponentiell oder einfach) des gleitenden Mittelwertes, der bei der Testung der neugierigen Verzerrung verwendet wird, sehr ähnlich In Eigenkapitalrenditen anhält. Auch führt das Ausführen des Tests auf dem zufälligen Wegperiodenbewegungsdurchschnitt, nicht überraschend, zu ähnlichen Ergebnissen. Dies könnte ein guter Ort, um Pause und darüber nachzudenken, was hier geht. Basierend auf diesen Tests, sehen wir absolut keine Beweise validieren gleitende Mittelwerte als wichtige Ebenen. In den Daten und den Ergebnissen können wir nicht unterscheiden, zwischen den verschiedenen Perioden der gleitenden Durchschnitte: 20, 45, 50, 65, 150, 185, 200, 233, und alle anderen im Grunde alle gleich aussehen. Allerdings gibt es ein ungewöhnliches Muster in der Moving Average Penetration Tests, die tieferen Untersuchung rechtfertigt. Unabhängig davon, was gleitenden Durchschnitt verwendet wird, scheint es eine statistisch signifikante Kante, zumindest in Aktien, für den Kauf schließt unten und Kurzschluss schließt über dem gleitenden Durchschnitt. Hier ist ein radikaler Gedanke: was passiert, wenn wir diesen Test ohne den gleitenden Durchschnitt wiederholen, ist es nicht der Durchschnitt. It8217s bedeuten Reversion. Ja, ein Test der gleitenden Durchschnitte ohne den Durchschnitt. Bevor Sie entscheiden, ich habe völlig verrückt, betrachten die Kriterien für diese Moving Average Penetration Test. Für einen Kauf, muss der Preis unter dem Durchschnitt zu schließen, und die vorherigen Bars niedrig mussten über dem Durchschnitt. In fast allen Fällen bedeutet dies, dass die Einstiegsleisten schließen unterhalb von gestern niedrig ist. Sicher, es ist möglich, dass in einigen seltenen Fällen der gleitende Durchschnitt tatsächlich genug gestiegen sein könnte, dass er über dem gestrigen Tief liegt, aber das ist unwahrscheinlich. Es ist viel wahrscheinlicher, dass ein enger unter dem gleitenden Durchschnitt ist auch ein enger unterhalb des gestrigen niedrigen. Abbildung 16.17 zeigt grafische Beispiele für das Ausblenden eines Schließens außerhalb des vorherigen Tagesbereichs, und Tabelle 16.17 stellt zusammenfassende Statistiken für diesen Test vor. Jetzt sind wir irgendwo, und dies ist wichtig, so stellen Sie sicher verstehen Sie diesen nächsten Punkt: Zunächst einmal sehen diese Ergebnisse bemerkenswert ähnlich den gleitenden durchschnittlichen Pausen, zumindest für die ersten fünf Tage: Aktien zeigen eine ziemlich große und statistisch Signifikante negative Rendite nach der Verkaufskondition. Aktien zeigen auch eine viel kleinere, aber immer noch signifikante, positive Rendite nach der Kaufbedingung. Obwohl dies kein schlüssiger Beweis ist, deutet es nachdrücklich darauf hin, dass die beobachtete statistische Kante um den gleitenden Durchschnitt einfach eine Funktion der Bestandsneigung ist, sich nach einem nahen außerhalb des vorherigen Tagesbereichs umzukehren. Dies ist ein Ausdruck der mittleren Reversion, die zu den verifizierbaren, grundlegenden Aspekten der Preisbewegung gehört. Es ist auch eine Überlegung wert, dass das, was Sie in Tabelle 16.17 sehen, auf einer anderen Ebene signifikant ist. Diese Ergebnisse deuten darauf hin, dass Aktien nicht einem zufälligen Weg folgen. Random Walk-Märkte würden nicht zeigen, diese Anomalie. (Obwohl die Ergebnisse hier nicht dargestellt sind, wurden im Allgemeinen Abweichungen von weniger als 2 Basispunkten von der Grundlinie aus gesehen, als dieser Test auf zufälligen Wandermärkten wiedergegeben wurde.) Dies ist ein extrem einfacher Test mit einem Kriterium, das ein Ergebnis erzeugt, das aufwächst Eine ernsthafte Herausforderung für eine der akzeptierten akademischen Hypothesen. Wir können sagen, auf der Grundlage dieser Stichprobe von 600 Aktien in den letzten 10 Jahren, dass wir genügend Beweise finden, um die Zufallswanderung Hypothese für Aktien zurückzuweisen. Waren aber noch nicht fertig. Die Situation für Futures und Forex ist ein bisschen komplizierter. Auf der einen Seite gibt es einen messbaren Unterschied in dem Anteil der positiven Schließungen am ersten Tag nach dem Signal. Die Futures-Baseline schließt 50,6 Prozent der Zeit, verglichen mit 52,6 Prozent und 47,9 Prozent für die Kauf - und Verkaufs-Signale, und die Forex-Baseline schließt 51,0 Prozent, verglichen mit 54,2 Prozent und 47,5 Prozent für Kauf-und Verkaufssignale. Diese Unterschiede sind statistisch signifikant und könnten in manchen Situationen potentiell eine Rolle spielen. Es ist jedoch zu beachten, dass die Größe des Signals in Abweichung von der Grundlinie sehr, sehr klein ist. Dies ist sicher zu klein, um wirtschaftlich bedeutsam sein, aber vielleicht könnte ein Kopf beginnen, wenn sie mit einigen anderen Faktoren kombiniert werden. Dies ist etwas, was wir sehen werden immer wieder in quantitativen Tests: Futures und Forex konsequent neigen dazu, näher zufällig Wanderwege als Aktien. Schlussfolgerungen und weitere Lektionen Dies ist nur ein Test von vielen, dass ich lief, wenn ich auf bewegte Durchschnitte schaute. Sie können mit diesen vielen verschiedenen Möglichkeiten spielen: was passiert, wenn die durchschnittliche Pausen (wie es hier hat), oder hält Es ist wichtig, ob der Preis eine bestimmte Distanz von der durchschnittlichen bewegt (Ja.) Haben verschiedene Zeiträume oder Arten von gleitenden Durchschn Unterschied (Nr.) Und die Fragen gehen weiter. Als interessant beiseite, ich glaube, ich habe etwas Neues gelernt, da diese Arbeit vor ein paar Jahren. Ich konnte nicht verstehen, den Verfall des Kaufsignals in einen Verkauf, oder die Stärke der Gesamteffekt des Verkaufes. Ich denke, der Grund ist dies: Aktien neigen dazu, stärkere Renditen nach Schließungen in der oberen und unteren Dezile ihrer range8211that8217s haben, wo eine Menge der 8220juice8221 ist. Darüber hinaus ist dieses Beispiel voreingenommen, dass es keine Unternehmen, die Delisting oder gingen in Konkurs die Baseline-Anpassung Methodik ist ein Weg, um diese Bias kompensieren, aber wir können noch abholen einige Asymmetrie, dass die Bias die Grundlinie zu stark positiv. (Dieses ist Spekulation, aber ich verbringe viel Zeit damit, Löcher in meinen eigenen Tests zu schießen). Jedenfalls bewegen sich gleitende mittlere Ereignisse typischerweise irgendwo näher zum Median, so daß wir natürlich einen niedrigeren Satz Rückkehr in diesen Fällen aufheben . Mehr Tests sind notwendig, aber ich denke, dass8217s eine vielversprechende Richtung. Jedenfalls gibt es hier ein paar wichtige Lehren: Es gibt keine speziellen gleitenden Durchschnitte (100, 200 usw.) in Aktien, Futures oder Währungen. Der Preis, der einen gleitenden Durchschnitt berührt oder überschreitet, scheint kein handelbares Ereignis zu sein. Wir beobachten eine kleine Wirkung in Aktien, wenn ein gleitender Durchschnitt bricht, aber dieser Effekt ist durch mittlere Reversion erklärbar. Wir haben auch Beweise gezeigt, dass nicht alle Assetklassen das gleiche handeln. Auch dies stellt in Frage behauptet, dass jedes technische Werkzeug kann auf jedem Vermögenswert oder Zeitrahmen verwendet werden. Ich entschuldige mich für die Länge dieser Post, aber ich erhielt zahlreiche Anfragen für diese Informationen. Wenn die Informationen hier überwältigend sind, lesen Sie zumindest die Aufzählung Schlussfolgerungen über ein paar mal, dies sind kritische, objektive Lehren, die alle technischen Händler sollten. Teilen Sie diese: Ihr Kaufkriterium ist zu restriktiv. Was passiert, wenn Sie am Ende des Tages, wenn der Preis bewegt sich über dem gleitenden Durchschnitt am Vortag Die Differenz zwischen dem Preis und dem gleitenden Durchschnitt ist eine Art von geglättete Annäherung an die Ableitung des Preises, und so die Methoden basiert Auf es sind nur Trend folgenden Methoden. Es kann natürlich nicht für alle Fälle funktionieren. In Backtests funktioniert es sehr gut, z. B. Für VFINX (Vanguard SP500), wenn Sie auch halten, sagen wir, VUSTX, wenn nicht halten VFINX. 1992: 2014 5 Monate (100 Tage) Basis: 12,4 CAGR 10 Monate (200 Tage) Basis: 12,7 CAGR 8 Monate (160 Tage) Basis: 14 CAGR Ich stimme zu, dass es an einer bestimmten Anzahl von Tagen nichts Besonderes gibt. Einige gute Punkte hier, aber I8217m nicht sicher, mein Kauf-Kriterium war zu restriktiv8230 es war einfach 8220buy, wenn es unter der MA8221 schließt. I8217m nicht sicher, ich verstehe genau, was you8217re als Alternative, aber ich lief fast ein Dutzend verschiedene Teststrukturen8230 und Sie sehen sehr ähnliche Effekte. Holding Aktienindizes über eine langfristige MA hat einige Gültigkeit in einigen Kontexten, so denke ich, dass der Backtest, den Sie präsentieren wahrscheinlich sinnvoll ist. Vielen Dank für diesen großartigen Beitrag, Adam Ich habe vor allem diesen Punkt: 8220We haben auch Beweise, dass nicht alle Asset-Klassen das gleiche handeln gesehen. Erneut stellt dies in Frage behauptet, dass jedes technische Werkzeug kann auf jedem Vermögenswert oder Zeitrahmen verwendet werden.8221 Soweit ich gesehen habe, sind Futures und Forex mehr Impuls auf längere Zeitrahmen getrieben. Vielleicht ist dies auch ein Grund, warum sie einen derart winzigen Effekt auf diesen mittleren Reversionstest zeigen und ich denke, sie zeigen im allgemeinen eine bessere Dynamik und eine schwächere mittlere Reversion. Dies kann, warum sie eine deutlich andere Einstellung als Aktien. Nochmals vielen Dank für Ihre Analysen und Gedanken. Ich stimme mit dem, was Sie geschrieben haben, weitgehend überein. Zwei kleinere Punktequestionen: 1. Es gibt viele Fälle, in denen die mittlere und mittlere Differenz erheblich voneinander abweichen, was oft ein Hinweis auf große Ausreißer in den Daten sein kann. Haben Sie einen nichtparametrischen Test in Betracht gezogen, um die medianen Unterschiede zu testen? 2. Ich glaube, Sie haben wahrscheinlich recht, wenn Sie sagen, dass der Effekt auf die mittlere Reversion hindeutet, oder zumindest scheint es wahrscheinlicher. I8217d möchte jedoch darauf hinweisen, dass nur die signifikanten Effekte, die mit 8220fading assoziiert sind, außerhalb des Tages8217s range8221 schließen, keineswegs Beweise bedeuten die Reversion als kausal für den beobachteten Effekt, sondern in erster Linie nur die Assoziation. Das heißt, da beide, wie Sie darauf hingewiesen haben, die gewählte MA ist willkürlich und Fading der MA ist in hohem Maße im Zusammenhang mit Schließung außerhalb vorherigen Lowshighs, in der Theorie der Markt könnte nach Fading MA Handel und Sie wahrscheinlich würde immer noch die gleichen Testergebnisse. 1. Ja. Diese Tabellen haben sogar einen Unterschied von Medianen. That8217s etwas zu beachten und nicht-parametrische Tests oft sinnvoll. 2. ok8230 gültiger Punkt. Mein Denken war, dass ich über eine bazillion MA-Werte getestet und fand sie alle gleich dann gefunden Mittelwert Reversion, die ich angenommen erklärte, die Wirkung. Ich denke, dass8217s eine gültige Annahme, aber you8217re correct8230 es ist eine Annahme und bedeutet nicht unbedingt, dass vollständig erklärt alles. Guter Punkt. Dank meiner Ansicht ist die mittlere Reversion auch ein anderes abstraktes Konzept, und in dieser Hinsicht nicht viel anders als MA Kreuzung oder dergleichen. Das heißt, obwohl sie einen signifikanten Effekt zeigt, wie oben beschrieben, beschreibt sie letztlich nur den Effekt. So wäre es wirklich interessant zu wissen, was tatsächlich den Effekt verursacht, zum Beispiel ein bestimmtes menschliches Verhalten (das offensichtlich für den Aktienmarkt spezifisch wäre) oder einige große Akteure, oder 8230 In Bezug auf die equity-spezifische Wirkung I8217d auch wie Zu wissen: waren die Stichprobengrößen für alle drei Märkte die gleiche oder statistisch gesprochen, die t-Tests für die drei Sektoren haben alle die gleiche statistische Leistung Interessant, und ich sehe den Unterschied in der Perspektive. Ich habe immer gedacht, der Mittelwert Reversion und Impuls als Art der Wurzelniveau Tendenzen und darüber hinaus, so viel ist unknowable. Ihr Interesse am Verständnis der Psychologie, dass diese Kräfte motiviert Sinn macht, und ich verbrachte einige Zeit darüber nachzudenken. Ich denke, der Grund, warum ich nie wirklich ging es war 1) ein Gefühl, dass diese Motivationen könnte tatsächlich unerkennbar und 2) Ich didn8217t müssen tiefer gehen, weil ich tradable Tendenzen auf dieser Ebene gefunden. I8217d argumentieren, dass die mittlere Reversion sehr unterschiedlich ist, da sie keinen strukturierten Wert erfordert8230, den wir einfach in der Rückkehr-Serie sehen können (obwohl wir offensichtlich eine Struktur auferlegt haben, sogar bis zu diesem Punkt). I don8217t denken Sie8217re falsch in, was Sie say8230 gerade unterschiedliche Perspektive. Die Stichprobengrößen und - effekte waren grundsätzlich die gleichen, aber ich denke, es gibt einige Fragen8230 Stichprobengrößen sind zu groß, Universum ist zu korreliert, so p-Werte sind wahrscheinlich unrealistisch niedrig im Allgemeinen. That8217s mein neues Denken, aber die kurze Antwort auf Ihre Frage ist ja. Eigentlich stimmt I8217d vollkommen mit Ihnen überein, dass, wenn Sie mit einem bestimmten Modell einen handelsüblichen Rand finden, der Grad der Abstraktion dieses Modells nicht mehr von Bedeutung ist. Ich habe nur darauf hingewiesen, weil Ihr Text im Grunde erschien mir, wie die Feststellung 8220Aggregate (falsch) zeigen die Wirkung, während mittlere Reversion verursacht die effect8221 während ich glaube, Mittelwert Reversion ist nur ein besseres Modell, um die Tendenzen zu erklären. Ich hoffe, dass dies Sinn macht. Die Korrelation innerhalb des Aktienuniversums könnte tatsächlich ein Problem sein, aber ich war eigentlich nicht besorgt über die signifikanten p-Werte, die ich eher die nicht signifikanten Ergebnisse von Futures und Forex im Auge hatte, weil aufgrund der Definition der P-Wert, nicht signifikante Ergebnisse sind kein Beweis für die Null-Hypothese per se. An einigen Stellen in Ihrem Text, aber der Leser könnte diesen Eindruck eines 8220non-signifikant proof8221 bekommen. Also im Grunde dachte ich, gut, vielleicht Futures zeigen den gleichen Effekt, aber die Stichprobengröße war einfach zu klein, um es zu zeigen. I8217d schlagen allgemein Vertrauensintervalle anstelle von p-Werten vor. Sie bieten mehr Informationen und ermöglichen oft eine bessere Gesamtauslegung der Wirkung.