ชี้แจง เคลื่อนไหว เฉลี่ย กรอง

ค่าเฉลี่ยเคลื่อนที่ - ค่าเฉลี่ยเคลื่อนที่ที่ง่ายและค่าเฉลี่ยที่อธิบายได้ - ข้อมูลเบื้องต้นที่เรียบง่ายและเป็นประโยชน์บทนำการปรับค่าเฉลี่ยโดยรวมจะทำให้ข้อมูลราคาเป็นไปอย่างต่อเนื่อง พวกเขาไม่ได้คาดการณ์ทิศทางราคา แต่กำหนดทิศทางปัจจุบันที่มีความล่าช้า การเลื่อนค่าเฉลี่ยของความล่าช้าเนื่องจากขึ้นอยู่กับราคาในอดีต แม้ว่าความล่าช้านี้ค่าเฉลี่ยเคลื่อนที่จะช่วยให้การดำเนินการด้านราคาเรียบและกรองเสียงรบกวน พวกเขายังเป็นตัวสร้างสำหรับตัวชี้วัดทางเทคนิคและการซ้อนทับอื่น ๆ อีกมากมายเช่นกลุ่ม Bollinger Bands MACD และ Oscillator McClellan ค่าเฉลี่ยเคลื่อนที่สองประเภทคือ Moving Average เฉลี่ย (SMA) และ Exponential Moving Average (EMA) ค่าเฉลี่ยเคลื่อนที่เหล่านี้สามารถใช้เพื่อระบุทิศทางของแนวโน้มหรือกำหนดระดับการสนับสนุนและความต้านทานที่อาจเกิดขึ้น กราฟของ SMA และ EMA มีดังนี้ Simple Moving Average Calculation ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยคำนวณโดยใช้ราคาเฉลี่ยของการรักษาความปลอดภัยในช่วงเวลาที่ระบุ ค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่จะขึ้นอยู่กับราคาปิด ค่าเฉลี่ยเคลื่อนที่ 5 วันเป็นผลรวมของราคาปิดห้าวันหารด้วยห้า เป็นชื่อที่แสดงถึงค่าเฉลี่ยเคลื่อนที่ที่เป็นค่าเฉลี่ยที่เคลื่อนที่ได้ ข้อมูลเก่าจะถูกลดลงเนื่องจากมีข้อมูลใหม่มาให้ นี่เป็นสาเหตุให้ค่าเฉลี่ยเคลื่อนที่ไปตามช่วงเวลา ด้านล่างเป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่ 5 วันที่มีการเปลี่ยนแปลงไปสามวัน วันแรกของค่าเฉลี่ยเคลื่อนที่จะครอบคลุมช่วง 5 วันที่ผ่านมา วันที่สองของค่าเฉลี่ยเคลื่อนที่จะเว้นจุดข้อมูลแรก (11) และเพิ่มจุดข้อมูลใหม่ (16) วันที่สามของค่าเฉลี่ยเคลื่อนที่จะคงที่ต่อไปโดยทิ้งจุดข้อมูลแรก (12) และเพิ่มจุดข้อมูลใหม่ (17) ในตัวอย่างข้างต้นราคาค่อยๆเพิ่มขึ้นจาก 11 เป็น 17 ในช่วงเจ็ดวัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่จะเพิ่มขึ้นจาก 13 เป็น 15 ในช่วงการคำนวณสามวัน นอกจากนี้โปรดสังเกตด้วยว่าค่าเฉลี่ยเคลื่อนที่แต่ละรายการต่ำกว่าราคาล่าสุด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของวันที่หนึ่งเท่ากับ 13 และราคาสุดท้ายคือ 15 วันราคาในช่วง 4 วันก่อนหน้านี้ลดลงและนี่เป็นสาเหตุให้ค่าเฉลี่ยเคลื่อนที่ล่าช้า การคำนวณเฉลี่ยที่เพิ่มขึ้นชี้แจงค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดจะลดความล่าช้าโดยการใช้น้ำหนักมากขึ้นกับราคาล่าสุด การถ่วงน้ำหนักที่ใช้กับราคาล่าสุดขึ้นอยู่กับจำนวนงวดในค่าเฉลี่ยเคลื่อนที่ มีสามขั้นตอนในการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา ขั้นแรกคำนวณค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) จะต้องเริ่มต้นที่ไหนสักแห่งดังนั้นค่าเฉลี่ยเคลื่อนที่แบบเรียบจะถูกใช้เป็น EMA ของช่วงเวลาก่อนหน้าในการคำนวณครั้งแรก สองคำนวณตัวคูณการถ่วงน้ำหนัก ขั้นที่สามคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา สูตรด้านล่างมีไว้สำหรับ EMA 10 วัน ค่าเฉลี่ยการเคลื่อนย้ายเลขคณิต 10 ช่วงมีค่าเป็น 18.18 ตามราคาล่าสุด EMA 10 ระยะเวลาสามารถเรียกได้ว่าเป็น EMA 18.18 EMA 20 ระยะเวลาใช้การชั่งน้ำหนัก 9.52 กับราคาล่าสุด (2 (201) .0952) สังเกตว่าการชั่งน้ำหนักในช่วงเวลาที่สั้นลงนั้นมากกว่าการชั่งน้ำหนักในช่วงเวลาที่ยาวขึ้น ในความเป็นจริงการถ่วงน้ำหนักลดลงครึ่งหนึ่งทุกครั้งที่ช่วงเวลาเฉลี่ยที่เคลื่อนที่ได้สองเท่า หากคุณต้องการให้เราเป็นเปอร์เซ็นต์เฉพาะสำหรับ EMA คุณสามารถใช้สูตรนี้เพื่อแปลงเป็นช่วงเวลาจากนั้นป้อนค่านั้นเป็นพารามิเตอร์ของ EMA0: ด้านล่างเป็นตัวอย่างของสเปรดชีตที่ใช้ค่าเฉลี่ยเคลื่อนที่ 10 วันและค่าเฉลี่ยเคลื่อนที่ 10- day สำหรับ Intel ค่าเฉลี่ยเคลื่อนที่เฉลี่ยอยู่ที่ตรงและต้องการคำอธิบายเล็กน้อย ค่าเฉลี่ยของระยะเวลา 10 วันมีการเคลื่อนไหวเพียงเล็กน้อยเมื่อราคาใหม่เข้าสู่ตลาดและราคาเก่าร่วงลง ค่าเฉลี่ยเคลื่อนที่แบบทึบจะขึ้นต้นด้วยค่าเฉลี่ยเคลื่อนที่อย่างง่าย (22.22) ในการคำนวณครั้งแรก หลังจากการคำนวณครั้งแรกสูตรปกติจะใช้เวลามากกว่า เนื่องจาก EMA เริ่มต้นด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายค่าที่แท้จริงจะไม่ได้รับรู้จนกว่าจะถึง 20 งวดในภายหลัง กล่าวอีกนัยหนึ่งค่าในสเปรดชีต Excel อาจแตกต่างจากค่าแผนภูมิเนื่องจากระยะเวลามองย้อนกลับสั้น สเปรดชีตนี้จะย้อนกลับไปถึง 30 รอบเท่านั้นซึ่งหมายความว่าผลกระทบของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆมีระยะเวลาในการกระจาย 20 ช่วง StockCharts ย้อนกลับไปอย่างน้อย 250 รอบ (โดยทั่วไปมากขึ้น) สำหรับการคำนวณของตนดังนั้นผลกระทบของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายในการคำนวณครั้งแรกมีการกระจายอย่างสิ้นเชิง ปัจจัยความล่าช้ายิ่งค่าเฉลี่ยเคลื่อนที่ขึ้นเท่าไหร่ยิ่งเท่าไร ค่าเฉลี่ยเลขคณิต 10 วันจะกอดราคาได้ค่อนข้างใกล้เคียงกันและจะเลี้ยวไปไม่นานหลังจากที่ราคาเปลี่ยนไป ค่าเฉลี่ยการเคลื่อนที่โดยรวมสั้น ๆ เหมือนเรือเร็ว - มีความว่องไวและรวดเร็วในการเปลี่ยนแปลง ในทางตรงกันข้ามค่าเฉลี่ยเคลื่อนที่ 100 วันมีข้อมูลที่ผ่านมาจำนวนมากที่ทำให้การทำงานช้าลง ค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นเป็นเหมือนเรือบรรทุกน้ำมันในมหาสมุทร - เซื่องซึมและชะลอการเปลี่ยนแปลง การเคลื่อนไหวของราคาที่ยาวขึ้นและยาวนานขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ 100 วันที่จะเปลี่ยนแปลงหลักสูตร แผนภูมิข้างต้นแสดง SampP 500 ETF ที่มี EMA 10 วันใกล้เคียงกับราคาและ SMA 100 วันที่สูงขึ้น แม้จะมีการลดลงในเดือนมกราคมถึงเดือนกุมภาพันธ์ แต่ SMA 100 วันก็ยังไม่ปิดลง SMA 50 วันเหมาะกับบางช่วงระหว่างค่าเฉลี่ยเคลื่อนที่ 10 และ 100 วันเมื่อพูดถึงปัจจัยล่าช้า ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและเป็นเส้นตรงแม้ว่าจะมีความแตกต่างที่ชัดเจนระหว่างค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่แบบเสวนาอย่างหนึ่งก็ไม่จำเป็นต้องดีกว่าอีก ค่าเฉลี่ยเคลื่อนที่ที่มีนัยสำคัญมีความล่าช้าน้อยลงและมีความอ่อนไหวต่อราคาล่าสุดและการเปลี่ยนแปลงราคาล่าสุด ค่าเฉลี่ยเลขยกกำลังแบบ Exponential จะเปลี่ยนตัวก่อนค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นค่าเฉลี่ยที่แท้จริงของราคาสำหรับช่วงเวลาทั้งหมด ดังนั้นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจเหมาะสมกว่าในการระบุระดับการสนับสนุนหรือความต้านทาน การย้ายการตั้งค่าเฉลี่ยขึ้นอยู่กับวัตถุประสงค์ลักษณะการวิเคราะห์และขอบฟ้าเวลา Chartists ควรทดลองทั้งสองประเภทของค่าเฉลี่ยเคลื่อนที่และระยะเวลาที่ต่างกันเพื่อหาพอดีที่ดีที่สุด กราฟด้านล่างแสดงให้เห็นว่า IBM มี SMA 50 วันเป็นสีแดงและ EMA 50 วันเป็นสีเขียว ทั้งสองจุดในช่วงปลายเดือนมกราคม แต่การลดลงของ EMA มีความคมชัดกว่าการลดลงของ SMA EMA เปิดขึ้นในกลางเดือนกุมภาพันธ์ แต่ SMA ยังคงลดลงไปจนถึงสิ้นเดือนมีนาคม สังเกตว่า SMA เปิดขึ้นภายในหนึ่งเดือนหลังจาก EMA ความยาวและระยะเวลาความยาวของค่าเฉลี่ยเคลื่อนที่ขึ้นอยู่กับวัตถุประสงค์ในการวิเคราะห์ ระยะสั้นการเคลื่อนไหวระยะสั้น (5-20 ช่วง) เหมาะสมกับแนวโน้มระยะสั้นและการซื้อขาย กลุ่มผู้ชาตินิยมที่สนใจในแนวโน้มในระยะกลางจะเลือกใช้ค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นซึ่งอาจขยายได้ 20-60 ช่วง นักลงทุนระยะยาวจะชอบเคลื่อนไหวโดยเฉลี่ยที่มีระยะเวลาตั้งแต่ 100 ขึ้นไป ความยาวเฉลี่ยที่เคลื่อนที่ได้บางส่วนมีความนิยมมากกว่าคนอื่น ๆ ค่าเฉลี่ยเคลื่อนที่ 200 วันอาจเป็นที่นิยมมากที่สุด เนื่องจากความยาวของมันเป็นอย่างชัดเจนในระยะยาวค่าเฉลี่ยเคลื่อนที่ ถัดไปค่าเฉลี่ยเคลื่อนที่ 50 วันค่อนข้างเป็นที่นิยมสำหรับแนวโน้มระยะกลาง นักเกรเทนหลายคนใช้ค่าเฉลี่ยเคลื่อนที่ 50 วันและ 200 วันด้วยกัน ระยะสั้นค่าเฉลี่ยเคลื่อนที่ 10 วันเป็นที่นิยมมากในอดีตเนื่องจากสามารถคำนวณได้ง่าย หนึ่งเพียงแค่เพิ่มตัวเลขและย้ายจุดทศนิยม การระบุแนวโน้ม (Trend Identification) สัญญาณเดียวกันสามารถสร้างได้โดยใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายหรือแบบเสแสร้ง ตามที่ระบุไว้ข้างต้นการตั้งค่าจะขึ้นอยู่กับแต่ละบุคคล ตัวอย่างด้านล่างนี้จะใช้ทั้งค่าเฉลี่ยเคลื่อนที่แบบง่ายและแบบทึบ ค่าเฉลี่ยเคลื่อนที่ระยะจะใช้กับค่าเฉลี่ยเคลื่อนที่แบบธรรมดาและแบบทึบ ทิศทางของค่าเฉลี่ยเคลื่อนที่จะบ่งบอกถึงข้อมูลที่สำคัญเกี่ยวกับราคา ค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นแสดงให้เห็นว่าโดยทั่วไปราคาจะเพิ่มขึ้น ค่าเฉลี่ยถล่มที่ลดลงบ่งชี้ว่าราคาเฉลี่ยลดลง ค่าเฉลี่ยการเคลื่อนไหวระยะยาวที่เพิ่มขึ้นสะท้อนถึงแนวโน้มขาขึ้นในระยะยาว ค่าเฉลี่ยเคลื่อนที่ที่ลดลงในระยะยาวสะท้อนถึงแนวโน้มขาลงในระยะยาว แผนภูมิด้านบนแสดง 3M (MMM) โดยมีค่าเฉลี่ยเลขยกกำลัง 150 วัน ตัวอย่างนี้แสดงให้เห็นว่าค่าเฉลี่ยเคลื่อนที่ที่ใช้งานได้ดีเพียงใดเมื่อแนวโน้มแข็งแกร่ง EMA 150 วันปิดลงในเดือนพฤศจิกายน 2550 และอีกครั้งในเดือนมกราคม 2551 สังเกตเห็นว่ามีการปรับตัวลดลง 15 ครั้งเพื่อเปลี่ยนทิศทางของค่าเฉลี่ยเคลื่อนที่นี้ ตัวชี้วัดที่ล่าช้าเหล่านี้ระบุการพลิกกลับของแนวโน้มตามที่เกิดขึ้น (ที่ดีที่สุด) หรือหลังจากเกิดขึ้น (ที่แย่ที่สุด) MMM ยังคงลดลงในเดือนมีนาคม 2009 และเพิ่มขึ้น 40-50 สังเกตว่า EMA 150 วันไม่เปิดขึ้นจนกว่าจะถึงจุดสูงสุด อย่างไรก็ตามเมื่อ MMM ยังคงทำยอดขายต่อไปอีก 12 เดือน การย้ายค่าเฉลี่ยทำงานได้เรื่อย ๆ ตามแนวโน้มที่แข็งแกร่ง Double Crossovers ค่าเฉลี่ยเคลื่อนที่สองตัวสามารถใช้ร่วมกันเพื่อสร้างสัญญาณไขว้ ในการวิเคราะห์ทางเทคนิคของตลาดการเงิน John Murphy เรียกวิธีนี้ว่าไขว้แบบคู่ ไขว้คู่มีค่าเฉลี่ยเคลื่อนที่สั้น ๆ และมีค่าเฉลี่ยเคลื่อนที่ค่อนข้างยาว เช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ทั้งหมดความยาวโดยทั่วไปของค่าเฉลี่ยเคลื่อนที่จะกำหนดระยะเวลาของระบบ ระบบที่ใช้ EMA 5 วันและ EMA 35 วันจะถือว่าเป็นระยะสั้น ระบบที่ใช้ SMA 50 วันและ SMA 200 วันจะถือว่าเป็นระยะปานกลางหรืออาจเป็นระยะเวลานาน การครอสโอเวอร์แบบรุกจะเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเหนือค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้น นี้เรียกว่าเป็นกากบาทสีทอง การไขว้หยาบคายเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่สั้นลงต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้น นี้เรียกว่าข้ามตาย การย้ายค่าเฉลี่ยของไขว้ให้สัญญาณค่อนข้างช้า อย่างไรก็ตามระบบมีตัวบ่งชี้อยู่สองตัว ระยะเวลาเฉลี่ยที่ยาวนานขึ้นความล่าช้าในสัญญาณ สัญญาณเหล่านี้ทำงานได้ดีเมื่อมีแนวโน้มดีขึ้น อย่างไรก็ตามระบบครอสโอเวอร์เฉลี่ยเคลื่อนที่จะผลิตจำนวนมากของ whipsaws ในกรณีที่ไม่มีแนวโน้มที่แข็งแกร่ง นอกจากนี้ยังมีวิธีไขว้แบบไขว้ซึ่งมีค่าเฉลี่ยเคลื่อนที่สามค่า อีกครั้งสัญญาณจะถูกสร้างขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นที่สุดข้ามค่าเฉลี่ยเคลื่อนที่อีกสองเส้น ระบบไขว้แบบทริปเปิ้ลที่เรียบง่ายอาจเกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่ 5 วัน 10 วันและ 20 วัน แผนภูมิด้านบนแสดง Home Depot (HD) ด้วย EMA 10 วัน (เส้นสีเขียว) และ EMA 50 วัน (เส้นสีแดง) เส้นสีดำปิดทุกวัน การใช้ครอสโอเวอร์เฉลี่ยเคลื่อนที่จะส่งผลให้เกิด whipsaws สามตัวก่อนที่จะมีการค้าขายที่ดี EMA 10 วันพังลงมาต่ำกว่า EMA 50 วันในช่วงปลายเดือนตุลาคม (1) แต่ระยะเวลาดังกล่าวไม่นานถึง 10 วันที่กลับมาในช่วงกลางเดือนพฤศจิกายน (2) การข้ามนี้ใช้เวลานาน แต่ครอสโอเวอร์แบบลบต่อไปในเดือนมกราคม (3) เกิดขึ้นใกล้ระดับราคาในปลายเดือนพฤศจิกายนซึ่งส่งผลให้เกิดการแสลงอีกครั้ง เครื่องหมายกากบาทดังกล่าวไม่อยู่ในช่วงที่ EMA 10 วันกลับมาอยู่เหนือ 50 วันในอีกไม่กี่วันต่อมา (4) หลังจากสัญญาณไม่ดีสามสัญญาณสัญญาณที่สี่คาดว่าจะมีการเคลื่อนไหวที่แข็งแกร่งเมื่อหุ้นพุ่งขึ้นสูงกว่า 20 แห่งมีสองประเด็นที่นี่ แรกไขว้มีแนวโน้มที่จะ whipsaw สามารถใช้ตัวกรองราคาหรือเวลาเพื่อช่วยป้องกันไม่ให้ whipsaws ผู้ค้าอาจต้องการครอสโอเวอร์ 3 วันก่อนทำเครื่องหมายหรือต้องการให้ EMA 10 วันเคลื่อนตัวเหนือเส้น EMA 50 วันตามจำนวนที่กำหนดก่อนทำการค้า ประการที่สอง MACD สามารถใช้ระบุและหาจำนวนไขว้ได้ MACD (10,50,1) จะแสดงเส้นที่แสดงถึงความแตกต่างระหว่างค่าเฉลี่ยเคลื่อนที่แบบทแยงมุมสองค่า MACD เปลี่ยนเป็นค่าบวกระหว่างช่วงกากบาทสีทองและค่าลบระหว่างช่วงที่ตายแล้ว Oscillator ราคาร้อยละ (PPO) สามารถใช้วิธีเดียวกันเพื่อแสดงความแตกต่างของเปอร์เซ็นต์ โปรดทราบว่า MACD และ PPO ใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นเส้นตรงและไม่ตรงกับค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย แผนภูมินี้แสดง Oracle (ORCL) พร้อมกับ EMA 50 วัน EMA 200 วันและ MACD (50,200,1) ในช่วงระยะเวลา 12 ปีมีการครอสโอเวอร์เฉลี่ย 4 ช่วง สามคนแรกทำให้เกิดเสียงกระหึ่มหรือไม่ดี แนวโน้มอย่างต่อเนื่องเริ่มขึ้นด้วยการครอสโอเวอร์ที่ 4 เมื่อ ORCL ก้าวสู่ช่วงกลางยุค 20 อีกครั้งการขยับไขว้เฉลี่ยทำงานได้ดีเมื่อมีแนวโน้มแข็งแกร่ง แต่สร้างความสูญเสียในกรณีที่ไม่มีแนวโน้ม ราคา Crossovers ค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการสร้างสัญญาณด้วย crossovers ราคาที่เรียบง่าย สัญญาณรั้นเกิดขึ้นเมื่อราคาเคลื่อนตัวเหนือค่าเฉลี่ยเคลื่อนที่ สัญญาณหยาบคายถูกสร้างขึ้นเมื่อราคาเคลื่อนตัวต่ำกว่าค่าเฉลี่ยเคลื่อนที่ ไขว้ราคาสามารถรวมกันเพื่อการค้าภายในแนวโน้มที่ใหญ่กว่า ค่าเฉลี่ยที่ยาวขึ้นจะกำหนดค่าเสียงสำหรับแนวโน้มที่ใหญ่ขึ้นและใช้ค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเพื่อสร้างสัญญาณ หนึ่งจะมองหาการข้ามราคารั้นเฉพาะเมื่อราคามีอยู่แล้วสูงกว่าค่าเฉลี่ยเคลื่อนที่อีกต่อไป นี้จะซื้อขายในความกลมกลืนกับแนวโน้มที่ใหญ่กว่า ตัวอย่างเช่นถ้าราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันนักเก็งกำไรจะเน้นเฉพาะสัญญาณเมื่อราคาเคลื่อนตัวเหนือค่าเฉลี่ยเคลื่อนที่ 50 วันเท่านั้น เห็นได้ชัดว่าการเคลื่อนไหวต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 50 วันจะเป็นสัญญาณก่อนเช่นสัญญาณ แต่จะลดลงเช่นกันเนื่องจากแนวโน้มที่ใหญ่ขึ้น การข้ามแบบหยาบคายก็จะแนะนำให้มีการปรับตัวลงในแนวโน้มขาขึ้นใหญ่ การข้ามกลับเหนือเส้นค่าเฉลี่ยเคลื่อนที่ 50 วันจะส่งสัญญาณถึงการปรับตัวดีขึ้นของราคาและความต่อเนื่องของแนวโน้มขาขึ้นที่ใหญ่ขึ้น กราฟถัดไปแสดง Emerson Electric (EMR) พร้อมกับ EMA 50 วันและ EMA 200 วัน ราคาหุ้นปรับตัวขึ้นเหนือเส้นค่าเฉลี่ยเคลื่อนที่ 200 วันในเดือนส. ค. มีการปรับตัวลงมาต่ำกว่า 50 วัน EMA ในช่วงต้นเดือนพฤศจิกายนและอีกครั้งในช่วงต้นเดือนกุมภาพันธ์ ราคาปรับตัวลงมาอย่างรวดเร็วเหนือเส้น EMA 50 วันเพื่อให้สัญญาณรั้น (ลูกศรสีเขียว) สอดคล้องกับแนวโน้มขาขึ้นที่ใหญ่ขึ้น MACD (1,50,1) แสดงในหน้าต่างตัวบ่งชี้เพื่อยืนยันการข้ามผ่านด้านล่างหรือด้านล่าง EMA 50 วัน EMA เท่ากับ 1 วันเท่ากับราคาปิด MACD (1,50,1) เป็นบวกเมื่อระยะใกล้อยู่เหนือเส้น EMA 50 วันและมีค่าเป็นลบเมื่อระยะใกล้อยู่ใต้ EMA 50 วัน แนวรองรับและความต้านทานการเคลื่อนไหวเฉลี่ยยังสามารถทำหน้าที่เป็นแนวรับในแนวรองรับและแนวต้านระยะสั้นได้ แนวรองรับระยะสั้นอาจได้รับแรงหนุนจากเส้นค่าเฉลี่ยเคลื่อนที่ 20 วันซึ่งใช้ในกลุ่ม Bollinger Bands แนวรองรับระยะยาวอาจได้รับแรงสนับสนุนจากค่าเฉลี่ยเคลื่อนที่ระยะสั้น 200 วันซึ่งเป็นค่าเฉลี่ยระยะยาวที่เป็นที่นิยมมากที่สุด หากความเป็นจริงค่าเฉลี่ยเคลื่อนที่ 200 วันอาจให้การสนับสนุนหรือความต้านทานได้เนื่องจากมีการใช้กันอย่างแพร่หลาย เกือบจะเหมือนกับคำทำนายด้วยตัวคุณเอง แผนภูมิข้างต้นแสดง NY Composite โดยมีค่าเฉลี่ยเคลื่อนที่ 200 วันจากกลางปี ​​2547 จนถึงสิ้นปีพ. ศ. 2551 การสนับสนุน 200 วันให้การสนับสนุนหลายครั้งในช่วงก่อน เมื่อแนวโน้มผันผวนด้วยแรงสนับสนุนด้านบนคู่ค่าเฉลี่ยเคลื่อนที่ 200 วันทำหน้าที่เป็นแนวรับรอบ 9500 อย่าคาดหวังว่าการสนับสนุนที่ถูกต้องและระดับความต้านทานจากค่าเฉลี่ยเคลื่อนที่โดยเฉพาะค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้น ตลาดมีแรงผลักดันจากความรู้สึกซึ่งทำให้พวกเขามีแนวโน้มที่จะถูกตัดทอน แทนระดับที่แน่นอนค่าเฉลี่ยเคลื่อนที่สามารถใช้เพื่อระบุเขตการสนับสนุนหรือความต้านทานได้ ข้อสรุปข้อดีของการใช้ค่าเฉลี่ยเคลื่อนที่จะต้องมีการชั่งน้ำหนักกับข้อเสีย ค่าเฉลี่ยเคลื่อนที่หมายถึงแนวโน้มหรือล้าหลังตัวชี้วัดที่จะเป็นขั้นตอนต่อไปเสมอ นี้ไม่จำเป็นต้องเป็นสิ่งที่ไม่ดี หลังจากที่ทุกแนวโน้มเป็นเพื่อนของคุณและที่ดีที่สุดคือการค้าในทิศทางของแนวโน้ม การเคลื่อนไหวโดยเฉลี่ยช่วยให้มั่นใจได้ว่าผู้ประกอบการรายย่อยสอดคล้องกับแนวโน้มในปัจจุบัน แม้ว่าเทรนด์จะเป็นเพื่อนของคุณ แต่หลักทรัพย์ก็ใช้จ่ายในช่วงการซื้อขายเป็นอย่างมากซึ่งทำให้ค่าเฉลี่ยเคลื่อนที่ไม่ได้ผล เมื่ออยู่ในแนวโน้มค่าเฉลี่ยเคลื่อนที่จะทำให้คุณได้รับ แต่ก็ให้สัญญาณช้า อย่าคาดหวังที่จะขายที่ด้านบนและซื้อที่ด้านล่างโดยใช้ค่าเฉลี่ยเคลื่อนที่ เช่นเดียวกับเครื่องมือวิเคราะห์ทางเทคนิคส่วนใหญ่ค่าเฉลี่ยเคลื่อนที่ไม่ควรใช้ด้วยตนเอง แต่ร่วมกับเครื่องมือเสริมอื่น ๆ Chartists สามารถใช้ค่าเฉลี่ยเคลื่อนที่เพื่อกำหนดแนวโน้มโดยรวมและใช้ RSI เพื่อกำหนดระดับซื้อเกินหรือ oversold การเพิ่มค่าเฉลี่ยเคลื่อนที่ไปยัง StockCharts Charts การย้ายค่าเฉลี่ยจะมีอยู่เป็นคุณลักษณะการวางซ้อนราคาบนโต๊ะทำงาน SharpCharts การใช้เมนูแบบเลื่อนลงแบบเลื่อนลงผู้ใช้สามารถเลือกค่าเฉลี่ยเคลื่อนที่แบบเรียบหรือค่าเฉลี่ยเคลื่อนที่แบบเสวนา พารามิเตอร์แรกใช้เพื่อกำหนดจำนวนช่วงเวลา คุณสามารถเพิ่มพารามิเตอร์ที่เป็นตัวเลือกเพื่อระบุฟิลด์ราคาที่ควรใช้ในการคำนวณ O สำหรับ Open, H สำหรับ High, L สำหรับ Low และ C สำหรับ Close ใช้เครื่องหมายจุลภาคเพื่อแยกพารามิเตอร์ คุณสามารถเพิ่มพารามิเตอร์อื่นที่จำเป็นเพื่อเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปทางซ้าย (อดีต) หรือทางขวา (อนาคต) ตัวเลขเชิงลบ (-10) จะเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปทางซ้าย 10 ช่วงเวลา จำนวนบวก (10) จะเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปทางขวา 10 ช่วงเวลา ค่าเฉลี่ยเคลื่อนที่หลายค่าสามารถวางซ้อนราคาได้โดยเพียงแค่เพิ่มอีกชั้นวางซ้อนลงในโต๊ะทำงาน สมาชิก StockCharts สามารถเปลี่ยนสีและสไตล์เพื่อแยกความแตกต่างระหว่างค่าเฉลี่ยเคลื่อนที่หลาย ๆ หลังจากเลือกตัวบ่งชี้แล้วให้เปิดตัวเลือกขั้นสูงโดยคลิกที่รูปสามเหลี่ยมสีเขียวเล็กน้อย นอกจากนี้ยังสามารถใช้ตัวเลือกขั้นสูงเพื่อเพิ่มการวางซ้อนค่าเฉลี่ยเคลื่อนไหวสำหรับตัวชี้วัดทางเทคนิคอื่น ๆ เช่น RSI, CCI และ Volume คลิกที่นี่เพื่อดูกราฟสดที่มีค่าเฉลี่ยเคลื่อนที่หลายค่า การใช้ Moving Averages กับ ScanCharts Scans นี่คือตัวอย่างการสแกนที่สมาชิก StockCharts สามารถใช้ในการสแกนหาสถานการณ์ต่างๆที่มีการเคลื่อนไหวโดยเฉลี่ยได้: Bullish Moving Average Cross: การสแกนนี้จะค้นหาหุ้นที่มีค่าเฉลี่ยเคลื่อนที่ 150 วันที่เพิ่มขึ้น วัน EMA และ EMA 35 วัน ค่าเฉลี่ยเคลื่อนที่ 150 วันจะเพิ่มขึ้นตราบเท่าที่ราคาซื้อขายอยู่เหนือระดับ 5 วันก่อน เครื่องหมายกาชาดเกิดขึ้นเมื่อ EMA 5 วันเคลื่อนตัวเหนือเส้น EMA 35 วันได้เหนือระดับเฉลี่ย Bearish Moving Cross เฉลี่ย: การสแกนนี้จะมองหาหุ้นที่มีค่าเฉลี่ยเคลื่อนที่ที่ลดลง 150 วันและสัญญาณการชะลอตัวของ EMA 5 วันและ EMA 35 วัน ค่าเฉลี่ยเคลื่อนที่ 150 วันจะร่วงลงตราบเท่าที่ราคาซื้อขายอยู่ในระดับต่ำกว่า 5 วันที่ผ่านมา สัญญาณการซื้อขายขาดดุลเกิดขึ้นเมื่อ EMA 5 วันเคลื่อนตัวใต้ EMA 35 วันจากระดับเฉลี่ยที่สูงกว่า หนังสือของ John Murphy0 มีหนังสือเกี่ยวกับค่าเฉลี่ยเคลื่อนที่และการใช้งานต่างๆ Murphy ครอบคลุมข้อดีและข้อเสียของการย้ายค่าเฉลี่ย นอกจากนี้เมอร์ฟี่ยังแสดงให้เห็นว่าค่าเฉลี่ยเคลื่อนที่โดยใช้ Bollinger Bands และระบบการซื้อขายช่องทางอย่างไร การวิเคราะห์ทางเทคนิคของตลาดการเงินข้อมูล John MurphySmoothing จะลบรูปแบบที่สุ่มออกและแสดงถึงแนวโน้มและองค์ประกอบของวงจรที่มีอยู่ในการรวบรวมข้อมูลที่เกิดขึ้นเมื่อเวลาผ่านไปคือรูปแบบของรูปแบบที่สุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม เทคนิคที่มักใช้ในอุตสาหกรรมคือการทำให้เรียบ เทคนิคนี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มขององค์ประกอบตามฤดูกาลและวัฏจักรที่ชัดเจนยิ่งขึ้น มีสองวิธีที่เรียบง่ายในการทำให้เรียบวิธีการคำนวณค่าเฉลี่ยวิธีการหาค่าความสม่าเสมอการใช้ค่าเฉลี่ยเป็นวิธีที่ง่ายที่สุดในการทำให้ข้อมูลราบรื่นก่อนอื่นเราจะตรวจสอบวิธีการเฉลี่ยบางอย่างเช่นค่าเฉลี่ยทั่วไปของข้อมูลที่ผ่านมาทั้งหมด ผู้จัดการคลังสินค้าต้องการทราบว่าผู้จัดจำหน่ายทั่วไปให้บริการเท่าไรใน 1,000 ดอลลาร์ Heshe ใช้ตัวอย่างของซัพพลายเออร์ 12 รายโดยสุ่มได้ผลลัพธ์ดังต่อไปนี้: ค่าเฉลี่ยหรือค่าเฉลี่ยของข้อมูล 10. ผู้จัดการตัดสินใจที่จะใช้ข้อมูลนี้เป็นค่าประมาณสำหรับค่าใช้จ่ายของผู้จัดจำหน่ายทั่วไป นี่คือการประมาณการที่ดีหรือไม่ดีข้อผิดพลาดหมายถึงกำลังสองเป็นวิธีที่จะตัดสินว่ารูปแบบที่ดีได้อย่างไรเราจะคำนวณความคลาดเคลื่อนกำลังสองเฉลี่ย จำนวนเงินที่ใช้จ่ายจริงลบด้วยจำนวนเงินโดยประมาณ ข้อผิดพลาด squared คือข้อผิดพลาดข้างต้นยกกำลังสอง SSE คือผลรวมของข้อผิดพลาดสี่เหลี่ยม MSE เป็นค่าเฉลี่ยของข้อผิดพลาดสี่เหลี่ยม ผลลัพธ์ที่ได้คือ MSE ข้อผิดพลาดและข้อผิดพลาดในแบบสี่เหลี่ยมประมาณ 10 คำถามที่เกิดขึ้น: เราสามารถใช้ค่าเฉลี่ยในการคาดการณ์รายได้ได้ถ้าเราสงสัยว่าเทรนด์ A ดูกราฟด้านล่างแสดงให้เห็นอย่างชัดเจนว่าเราไม่ควรทำเช่นนี้ ค่าเฉลี่ยของการสังเกตทั้งหมดในอดีตโดยสรุปเราระบุว่าค่าเฉลี่ยหรือค่าเฉลี่ยเฉลี่ยของการสังเกตทั้งหมดในอดีตเป็นเพียงประมาณการที่เป็นประโยชน์สำหรับการคาดการณ์เมื่อไม่มีแนวโน้ม หากมีแนวโน้มให้ใช้ค่าประมาณต่างๆที่คำนึงถึงแนวโน้ม ค่าเฉลี่ยถ่วงน้ำหนักการสังเกตการณ์ในอดีตอย่างเท่าเทียมกัน ตัวอย่างเช่นค่าเฉลี่ยของค่า 3, 4, 5 คือ 4. เรารู้แน่นอนว่าค่าเฉลี่ยคำนวณโดยการเพิ่มค่าทั้งหมดและหารผลรวมตามจำนวนค่า อีกวิธีหนึ่งในการคำนวณค่าเฉลี่ยคือการเพิ่มแต่ละค่าหารด้วยจำนวนค่าหรือ 33 43 53 1 1.3333 1.6667 4. ตัวคูณ 13 เรียกว่าน้ำหนัก โดยทั่วไป: bar frac sum left (frac right) x1 left (frac right) x2,. ,, left (frac right) xn. (ซ้าย (ขวา frac)) เป็นน้ำหนักและแน่นอนพวกเขารวมถึง 1.Exponential Filter หน้านี้อธิบายถึงการกรองแบบ exponential ตัวกรองที่ง่ายที่สุดและเป็นที่นิยมมากที่สุด นี่เป็นส่วนหนึ่งของส่วนการกรองซึ่งเป็นส่วนหนึ่งของคู่มือการตรวจหาและวินิจฉัยข้อบกพร่องข้อมูลภาพรวมค่าคงที่ตลอดเวลาและหน่วยความจำแบบอนาล็อกตัวกรองที่ง่ายที่สุดคือตัวกรองเลขลำดับ มีพารามิเตอร์จูนเดียว (นอกเหนือจากช่วงเวลาตัวอย่าง) ต้องเก็บข้อมูลตัวแปรเดียว - เอาต์พุตก่อนหน้านี้ เป็นตัวกรอง IIR (autoregressive) - ผลกระทบของการเปลี่ยนแปลงการเปลี่ยนแปลงการป้อนข้อมูลแบบทวีคูณจนถึงขีด จำกัด ของการแสดงผลหรือการคำนวณทางคณิตศาสตร์ของคอมพิวเตอร์ซ่อนไว้ ในสาขาต่างๆการใช้ตัวกรองนี้เรียกว่า 8220exponential smoothing8221 ในบางสาขาวิชาเช่นการวิเคราะห์การลงทุนตัวกรองเลขยกกำลังเรียกว่า 8220Exeptably Weighted Moving Average8221 (EWMA) หรือเพียง 8220Exponential Moving Average8221 (EMA) การดำเนินการนี้ละเมิดหลักเกณฑ์ ARMA 8220 โดยทั่วไปในการวิเคราะห์การวิเคราะห์อนุกรมเวลาเนื่องจากไม่มีประวัติการเข้าที่ใช้งานเพียงแค่ข้อมูลปัจจุบันเท่านั้น มันเป็นเวลาที่ไม่ต่อเนื่องเทียบเท่า 8220 ลำดับแรก lag8221 ใช้กันทั่วไปในการสร้างแบบจำลองอนาล็อกของระบบควบคุมเวลาต่อเนื่อง ในวงจรไฟฟ้าตัวกรอง RC (ตัวกรองที่มีตัวเก็บประจุหนึ่งตัวและตัวเก็บประจุหนึ่งตัว) เป็นลัดแรก เมื่อเน้นความคล้ายคลึงกับวงจรแอนะล็อกพารามิเตอร์การปรับค่าเดียวคือค่าคงที่ 8220 ตลอดเวลาโดยปกติจะเขียนเป็นตัวพิมพ์เล็กตัวอักษรกรีก Tau () ในความเป็นจริงค่าในช่วงเวลาตัวอย่างที่ไม่ต่อเนื่องตรงกับเวลาลัดเวลาต่อเนื่องที่เท่ากันโดยมีค่าคงที่ในเวลาเดียวกัน ความสัมพันธระหวางการใชงานแบบดิจิตอลและคาคงที่เวลาจะแสดงไวในสมการตอไปนี้ สมการของตัวกรองแบบเรียงซ้อนและการเตรียมใช้งานตัวกรองเลขยกกำลังเป็นชุดค่าผสมของการประมาณค่าก่อนหน้า (เอาท์พุท) ที่มีข้อมูลป้อนเข้าใหม่ล่าสุดโดยมีผลรวมของน้ำหนักเท่ากับ 1 เพื่อให้เอาต์พุตตรงกับอินพุทในสภาวะคงที่ ตามสัญกรณ์ตัวกรอง: y (k) ay (k-1) (1-a) x (k) โดยที่ x (k) เป็นข้อมูลดิบที่ระยะเวลา ky (k) เป็นผลลัพธ์ที่ผ่านการกรองในขั้นตอนเวลา ka เป็นค่าคงที่ระหว่าง 0 ถึง 1 โดยปกติระหว่าง 0.8 ถึง 0.99 (a-1) หรือบางครั้งเรียกว่า 8220smoothing constant8221 สำหรับระบบที่มีขั้นตอนเวลาคงที่ T ระหว่างตัวอย่างค่าคงที่ 8220a8221 จะคำนวณและจัดเก็บไว้เพื่อความสะดวกเฉพาะเมื่อนักพัฒนาแอ็พพลิเคชันระบุค่าใหม่ของค่าคงที่เวลาที่ต้องการ สำหรับระบบที่มีการสุ่มตัวอย่างข้อมูลในช่วงเวลาที่ผิดปกติต้องใช้ฟังก์ชันเลขชี้กำลังข้างต้นกับแต่ละขั้นตอนเวลาโดยที่ T คือเวลาตั้งแต่ตัวอย่างก่อนหน้านี้ เอาท์พุทตัวกรองมักจะถูกเตรียมใช้งานเพื่อให้ตรงกับการป้อนข้อมูลครั้งแรก เมื่อเวลาคงที่เข้าใกล้ 0 เป็น a ไปเป็นศูนย์ดังนั้นจึงไม่มีการกรองผลลัพธ์ 8211 เท่ากับการป้อนข้อมูลใหม่ เป็นเวลาคงที่จะมีขนาดใหญ่มากวิธีที่ 1 เพื่อให้ใส่ใหม่เกือบจะละเลย 8211 มากกรองหนัก สมการของตัวกรองด้านบนสามารถจัดเรียงใหม่ลงในตัวทำนาย - corrector equivalent: รูปแบบนี้ทำให้เห็นได้ชัดว่าค่าประมาณตัวแปร (เอาท์พุทของตัวกรอง) คาดว่าจะไม่เปลี่ยนแปลงจากค่าประมาณก่อนหน้า y (k-1) บวกคำที่ใช้แก้ไข ที่ไม่คาดคิด 8220innovation8221 - ความแตกต่างระหว่างการป้อนข้อมูลใหม่ x (k) และการทำนาย y (k-1) แบบฟอร์มนี้เป็นผลมาจากการหาตัวกรองแบบ exponential เป็นกรณีพิเศษแบบพิเศษของตัวกรองคาลมาน ซึ่งเปนทางออกที่ดีที่สุดในการประมาณคาโดยใชสมมติฐานเฉพาะ การตอบสนองขั้นตอนวิธีหนึ่งในการมองเห็นการทำงานของตัวกรองเลขยกกำลังคือการพล็อตการตอบสนองของมันในช่วงเวลาหนึ่งไปยังอินพุตขั้นตอน นั่นคือเริ่มต้นด้วยการป้อนข้อมูลตัวกรองและเอาท์พุทที่ 0 ค่าอินพุตจะเปลี่ยนไปเป็น 1 โดยอัตโนมัติค่าที่ได้จะถูกวางแผนไว้ด้านล่าง: ในพล็อตด้านบนเวลาจะถูกหารด้วยเวลาตัวกรอง tau คงที่เพื่อให้คุณคาดการณ์ได้ง่ายขึ้น ผลลัพธ์สำหรับช่วงเวลาใด ๆ สำหรับค่าใด ๆ ของค่าคงที่ของตัวกรอง หลังจากเวลาเท่ากับเวลาที่กำหนดเอาต์พุตตัวกรองจะเพิ่มขึ้นเป็น 63.21 ของค่าสุดท้าย หลังจากเวลามีค่าเท่ากับ 2 ค่าคงที่ค่าจะเพิ่มขึ้นเป็น 86.47 ของค่าสุดท้าย ผลลัพธ์ตามเวลาที่เท่ากับ 3,4 และ 5 ค่าคงที่คือ 95.02, 98.17 และ 99.33 ของค่าสุดท้ายตามลำดับ เนื่องจากตัวกรองเป็นแบบเส้นตรงนั่นหมายความว่าเปอร์เซ็นต์เหล่านี้สามารถใช้สำหรับขนาดของการเปลี่ยนแปลงขั้นตอนไม่ใช่เฉพาะสำหรับค่าที่ใช้ 1 ที่นี่ แม้ว่าการตอบสนองขั้นตอนในทฤษฎีจะใช้เวลาที่ไม่มีที่สิ้นสุดจากมุมมองเชิงปฏิบัติให้คิดเกี่ยวกับตัวกรองเลขยกกำลังเป็น 98 ถึง 99 8220done8221 ที่ตอบสนองหลังจากเวลานั้นเท่ากับ 4 ถึง 5 ช่วงเวลาของตัวกรอง มีการเปลี่ยนแปลงของตัวกรองเลขทศนิยมที่เรียกว่าตัวกรองเลข 8220nnonear อย่างละเอียด 8221 Weber, 1980 มีจุดมุ่งหมายเพื่อกรองสัญญาณรบกวนภายในขอบเขต 8220typical8221 อย่างมาก แต่จะตอบสนองต่อการเปลี่ยนแปลงที่มีขนาดใหญ่กว่า อะไรคือ RC กรองและค่าเฉลี่ยที่อธิบายและวิธีการที่พวกเขาแตกต่างกันคำตอบสำหรับส่วนที่สองของคำถามก็คือว่าพวกเขาเป็นกระบวนการเดียวกันถ้าหนึ่งมาจากพื้นหลังอิเล็กทรอนิคส์ แล้ว RC Filtering (หรือ RC Smoothing) เป็นนิพจน์ปกติ ในอีกทางหนึ่งวิธีการตามสถิติชุดเวลามีชื่อ Exponential Averaging หรือใช้ชื่อเต็มว่า Exponential Weighted Moving Average นี่เป็นที่รู้จักกันในชื่อ EWMA หรือ EMA ข้อได้เปรียบที่สำคัญของวิธีนี้คือความเรียบง่ายของสูตรสำหรับการคำนวณผลลัพธ์ต่อไป ใช้เวลาเศษเสี้ยวของผลลัพธ์ก่อนหน้านี้และเศษหนึ่งส่วนนี้จะหักส่วนที่เป็นข้อมูลปัจจุบัน ในเวลาต่อมาเกี่ยวกับพีชคณิต k ผลลัพธ์ที่ได้จากการเรียบ y k จะได้รับตามที่แสดงในภายหลังนี้สูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายรูปแบบความถี่สูงและแสดงให้เห็นถึงแนวโน้มในระยะยาว หมายเหตุมีสองรูปแบบของสมการการเฉลี่ยเลขยกกำลังหนึ่งข้างต้นและตัวแปรทั้งสองถูกต้อง ดูบันทึกย่อที่ท้ายบทความเพื่อดูรายละเอียดเพิ่มเติม ในการสนทนานี้เราจะใช้สมการ (1) เท่านั้น สูตรข้างต้นบางครั้งเขียนในรูปแบบที่ จำกัด มากขึ้น สูตรนี้มาจากอะไรและการตีความคืออะไรประเด็นสำคัญคือเราจะเลือกอย่างไร เพื่อดูวิธีนี้ง่ายๆคือการพิจารณาตัวกรองความถี่ต่ำผ่าน RC ตอนนี้ตัวกรองสัญญาณ RC low pass เป็นเพียงตัวต้านทานแบบ R และตัวเก็บประจุแบบขนาน C ตามที่แสดงด้านล่าง สมการของอนุกรมเวลาสำหรับวงจรนี้คือ RC ผลิตภัณฑ์มีหน่วยของเวลาและเรียกว่าค่าคงตัวเวลา T สำหรับวงจร สมมติว่าเราแสดงสมการด้านบนในรูปแบบดิจิทัลสำหรับชุดข้อมูลเวลาซึ่งมีข้อมูลที่ถ่ายทุกๆวินาที เรามีนี้เป็นรูปแบบเดียวกับสมการก่อนหน้านี้ การเปรียบเทียบความสัมพันธ์สองแบบที่เรามีซึ่งจะลดลงไปสู่ความสัมพันธ์ที่เรียบง่ายดังนั้นการเลือก N จะได้รับคำแนะนำโดยใช้เวลาที่เราเลือกเสมอ ตอนนี้สมการ (1) อาจได้รับการยอมรับว่าเป็นตัวกรองความถี่ต่ำและค่าคงที่ของเวลาจะเป็นตัวบ่งบอกลักษณะการทำงานของตัวกรอง เมื่อต้องการดูความสำคัญของ Time Constant เราต้องดูที่ความถี่ของ filter RC ต่ำนี้ ในรูปแบบทั่วไปนี้แสดงในรูปแบบโมดูลัสและเฟสเรามีที่มุมเฟสคือ ความถี่นี้เรียกว่าความถี่ตัดที่ระบุ ทางกายภาพอาจแสดงให้เห็นว่าที่ความถี่นี้พลังงานในสัญญาณลดลงครึ่งหนึ่งและความกว้างจะลดลงตามปัจจัย ในแง่ dB ความถี่นี้เป็นที่ที่แอมพลิจูดถูกลดลงโดย 3dB เห็นได้ชัดว่าค่าคงที่เวลา T เพิ่มขึ้นดังนั้นความถี่ในการตัดจึงลดลงและเราใช้การปรับให้เรียบมากขึ้นกับข้อมูลนั่นคือเรากำจัดความถี่ที่สูงขึ้นได้ เป็นสิ่งสำคัญที่จะต้องทราบว่าการตอบสนองต่อความถี่จะแสดงเป็นเวลา radians วินาที นั่นคือปัจจัยที่เกี่ยวข้อง ตัวอย่างเช่นการเลือกค่าคงที่เป็นเวลา 5 วินาทีให้ความถี่ตัดที่มีประสิทธิภาพ การใช้งาน RC smoothing อันหนึ่งคือการจำลองการทำงานของมิเตอร์เช่นใช้ในเครื่องวัดระดับเสียง (Sound Level Meter) โดยทั่วไป typified โดยค่าคงที่ของเวลาเช่น 1 วินาทีสำหรับ S types และ 0.125 seconds สำหรับ F types สำหรับกรณีดังกล่าว 2 กรณีความถี่ตัดที่มีประสิทธิภาพคือ 0.16Hz และ 1.27Hz ตามลำดับ จริงๆแล้วมันไม่ใช่เวลาที่เรามักจะเลือกที่จะเลือก แต่ช่วงเวลาที่เราต้องการรวมไว้ สมมติว่าเรามีสัญญาณที่เราต้องการรวมคุณลักษณะที่มีระยะเวลา P ไว้ด้วย ตอนนี้ระยะเวลา P คือความถี่ จากนั้นเราสามารถเลือกค่าคงที่เวลา T ที่กำหนดโดย อย่างไรก็ตามเราทราบว่าเราได้สูญเสียผลผลิตประมาณ 30 รายการ (-3dB) ที่ ดังนั้นการเลือกค่าคงที่ตลอดเวลาที่ตรงกับช่วงเวลาที่เราต้องการเก็บไว้ไม่ใช่วิธีที่ดีที่สุด โดยปกติจะดีกว่าถ้าเลือกความถี่ตัดสูงกว่าเล็กน้อยพูด ค่าคงที่ตลอดเวลาเป็นค่าที่ใกล้เคียงกับ ซึ่งจะช่วยลดการสูญเสียไปประมาณ 15 ที่ช่วงนี้ ดังนั้นในทางปฏิบัติเพื่อรักษาเหตุการณ์ที่มีระยะเวลาหรือมากกว่านั้นเลือกค่าคงตัวของเวลา ซึ่งจะรวมถึงผลกระทบของ periodicities ลงไปประมาณ ตัวอย่างเช่นถ้าเราต้องการรวมผลกระทบของเหตุการณ์ที่เกิดขึ้นกับพูดช่วง 8 วินาที (0.125Hz) จากนั้นเลือกค่าคงตัวเวลาเป็น 0.8 วินาที ให้ตัดความถี่ประมาณ 0.2Hz เพื่อให้ระยะเวลา 8 วินาทีของเราเป็นไปอย่างดีในแถบผ่านหลักของตัวกรอง ถ้าเราสุ่มตัวอย่างข้อมูลที่เวลา 20 วินาที (h 0.05) ค่า N คือ (0.80.05) 16 และ ข้อมูลนี้จะให้ข้อมูลเชิงลึกเกี่ยวกับวิธีตั้งค่า โดยทั่วไปสำหรับอัตราตัวอย่างที่รู้จักจะ typifies ระยะเวลาเฉลี่ยและเลือกความผันผวนของความถี่สูงที่จะถูกละเว้น เมื่อมองไปที่การขยายตัวของอัลกอริทึมเราจะเห็นว่าค่านิยมนี้นิยมมากที่สุดและเป็นเหตุผลว่าทำไมจึงเรียกว่าการถ่วงน้ำหนักแบบเสวนา เรามีการแทนสำหรับ y k-1 ทำให้การทำซ้ำขั้นตอนนี้หลายครั้งนำไปสู่เนื่องจากอยู่ในช่วงจากนั้นคำศัพท์ด้านขวาจะเล็กลงและทำหน้าที่เหมือนคำอธิบายที่ทรุดโทรม นั่นคือผลผลิตปัจจุบันมีความลำเอียงต่อเหตุการณ์ที่เกิดขึ้นเมื่อเร็ว ๆ นี้ แต่ขนาดใหญ่ที่เราเลือก T แล้วอคติน้อย สรุปได้ว่าสูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายเหตุการณ์ที่เกิดขึ้นในช่วงความถี่สูง (ช่วงสั้น ๆ ) เผยให้เห็นถึงแนวโน้มในระยะยาวภาคผนวก 1 8211 รูปแบบสำรองของสมการข้อควรระวังมีสมการกำลังเฉลี่ยเลขยกกำลังสองแบบที่ปรากฏในเอกสาร ทั้งสองถูกต้องและเท่ากัน แบบฟอร์มแรกดังที่แสดงไว้ข้างต้นคือ (A1) รูปแบบอื่นคือ 8230 (A2) หมายเหตุการใช้สมการที่หนึ่งและในสมการที่สอง ในทั้งสองสมการและเป็นค่าระหว่างศูนย์กับเอกภาพ ก่อนหน้านี้ถูกกำหนดให้เป็นตอนนี้เลือกที่จะกำหนดดังนั้นรูปแบบอื่นของสมการเฉลี่ยสมการคือในแง่ทางกายภาพก็หมายความว่าการเลือกรูปแบบหนึ่งใช้ขึ้นอยู่กับว่าใครอยากจะคิดว่าการรับเป็นสมการเศษอาหารกลับ (A1) หรือ เป็นส่วนของสมการป้อนข้อมูล (A2) แบบฟอร์มแรกจะไม่ค่อยยุ่งยากในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจในแง่ของการกรองได้ง่ายขึ้น หัวหน้านักวิเคราะห์ด้านการประมวลผลสัญญาณของ Prosig ดร. โคลินเมอร์เซอร์เคยดำรงตำแหน่งสถาบันค้นคว้าเสียงและการสั่นสะเทือน (ISVR) มหาวิทยาลัยเซาแทมป์ตันซึ่งเป็นผู้ก่อตั้งศูนย์วิเคราะห์ข้อมูล จากนั้นเขาก็ไปหา Prosig ในปีพ. ศ. 2520 โคลินเกษียณในฐานะหัวหน้านักวิเคราะห์การประมวลผลสัญญาณที่ Prosig ในเดือนธันวาคมปี พ. ศ. 2559 เขาเป็นวิศวกรที่มีอำนาจและเป็นเพื่อนของสมาคมคอมพิวเตอร์แห่งประเทศอังกฤษ ฉันคิดว่าคุณต้องการเปลี่ยน 8216p8217 เป็นสัญลักษณ์สำหรับ pi มาร์โคขอขอบคุณที่ชี้ให้เห็นว่า ฉันคิดว่านี่เป็นหนึ่งในบทความเก่าของเราที่ได้รับการถ่ายโอนจากเอกสารประมวลผลคำเก่า เห็นได้ชัดว่าบรรณาธิการ (ฉัน) ไม่สามารถระบุได้ว่า pi ไม่ได้รับการถ่ายโอนอย่างถูกต้อง จะมีการแก้ไขในไม่ช้า it8217s คำอธิบายบทความที่ดีมากเกี่ยวกับค่าเฉลี่ยเลขชี้กำลังผมเชื่อว่ามีข้อผิดพลาดในสูตรสำหรับ T. ควรเป็น T h (N-1) ไม่ใช่ T (N-1) h ไมค์ขอบคุณที่จำได้ว่า ฉันเพิ่งตรวจสอบกลับไปยัง Dr Mercer8217s ฉบับเดิมทางเทคนิคในคลังข้อมูลของเราและดูเหมือนว่าเกิดข้อผิดพลาดขณะถ่ายโอนสมการไปยังบล็อก เราจะแก้ไขโพสต์ ขอบคุณที่แจ้งให้เราทราบขอบคุณขอขอบคุณที่ขอบคุณ คุณสามารถอ่าน 100 ข้อความ DSP โดยไม่ต้องค้นหาอะไรเลยที่ระบุว่าตัวกรองเฉลี่ยที่เป็นตัวชี้วัดเท่ากับตัวกรอง R-C hmm, คุณมีสมการสำหรับตัวกรอง EMA ที่ถูกต้องไม่ใช่ไม่ใช่ Yk aXk (1-a) Yk-1 ไม่ใช่ Yk aYk-1 (1-a) Xk Alan ทั้งสองรูปแบบของสมการจะปรากฏในวรรณคดีและ ทั้งสองแบบถูกต้องตามที่ฉันจะแสดงด้านล่าง จุดที่คุณทำนั้นสำคัญมากเพราะการใช้รูปแบบอื่นหมายความว่าความสัมพันธ์ทางกายภาพกับตัวกรอง RC จะไม่ปรากฏชัดยิ่งไปกว่านั้นการตีความความหมายของสิ่งที่ปรากฏในบทความไม่เหมาะสมสำหรับรูปแบบอื่น อันดับแรกให้เราแสดงทั้งสองรูปแบบถูกต้อง รูปแบบของสมการที่ฉันได้ใช้คือและรูปแบบอื่นที่ปรากฏในข้อความจำนวนมากเป็นหมายเหตุในข้างต้นฉันใช้ latex 1latex ในสมการแรกและ latex 2latex ในสมการที่สอง ความเท่าเทียมกันของทั้งสองรูปแบบของสมการแสดงให้เห็นทางคณิตศาสตร์ด้านล่างโดยทำตามขั้นตอนง่ายๆในแต่ละครั้ง สิ่งที่ไม่เหมือนกันคือค่าที่ใช้สำหรับน้ำยางข้นในแต่ละสมการ ในทั้งสองแบบนี้น้ำยางข้นคือค่าระหว่างศูนย์กับความสามัคคี จงเขียนสมการ (1) แทน latex 1latex โดย latex latex นี่เป็น latexyk y (1 - beta) xklatex 8230 (1A) ตอนนี้กำหนด latexbeta (1 - 2) latex แล้วเราจึงมี latex 2 (1 - beta) latex (1A) ให้ latexyk (1 - 2) y 2xklatex 8230 (1B) และในที่สุดการจัดเรียงใหม่ให้สมการนี้เป็นเหมือนรูปแบบอื่นที่กำหนดในสมการ (2) ใส่น้ำยางข้น 2 (1 - 1) ในแง่ทางกายภาพหมายความว่าการเลือกรูปแบบหนึ่งขึ้นอยู่กับว่าใครอยากจะคิดว่าการใช้น้ำยางเป็นสูตรสมการเศษอาหาร (1) หรือเป็นส่วนของสมการป้อนข้อมูล (2) ดังที่กล่าวมาข้างต้นฉันได้ใช้แบบฟอร์มแรกเนื่องจากมีความยุ่งยากเล็กน้อยในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจที่ง่ายขึ้นในแง่ของตัวกรอง อย่างไรก็ตามการละเว้นการข้างต้นเป็นในมุมมองของฉันการขาดบทความที่คนอื่นอาจทำให้การอนุมานที่ไม่ถูกต้องดังนั้นฉบับที่แก้ไขจะปรากฏในเร็ว ๆ นี้ I8217ve เคยสงสัยเกี่ยวกับเรื่องนี้ขอบคุณสำหรับการอธิบายอย่างชัดเจน ฉันคิดว่าเหตุผลที่สูตรแรกเป็นสิ่งที่ดีคือแผนที่อัลฟาถึง 8216smoothness8217: ทางเลือกที่สูงขึ้นของอัลฟาหมายถึงผลผลิต 8216more smooth8217 ไมเคิลขอบคุณสำหรับการสังเกต 8211 ฉันจะเพิ่มบทความบางอย่างในบรรทัดเหล่านั้นเนื่องจากเป็นเสมอดีกว่าในมุมมองของฉันที่เกี่ยวข้องกับด้านกายภาพ Dr Mercer บทความยอดเยี่ยมขอบคุณ ฉันมีคำถามเกี่ยวกับเวลาคงที่เมื่อใช้กับเครื่องตรวจจับ rms เช่นเดียวกับเครื่องวัดระดับเสียงที่คุณอ้างถึงในบทความ ถ้าฉันใช้สมการของคุณในการสร้างแบบจำลองตัวกรองแบบ exponential ด้วย Time Constant 125ms และใช้สัญญาณขั้นตอนการป้อนข้อมูลฉันจะได้รับผลลัพธ์ที่หลังจาก 125ms เป็น 63.2 ของค่าสุดท้าย แต่ถ้าฉันสแควร์ใส่สัญญาณและใส่นี้ผ่านตัวกรองแล้วฉันเห็นว่าฉันต้องสองเวลาคงที่เพื่อให้สัญญาณไปถึง 63.2 ของมูลค่าสุดท้ายใน 125ms. คุณสามารถแจ้งให้เราทราบหากเป็นที่คาด ขอบคุณมาก. Ian Ian ถ้าคุณสแควร์สัญญาณเช่นคลื่นไซน์แล้วโดยทั่วไปคุณเป็นสองเท่าความถี่ของพื้นฐานรวมทั้งการแนะนำจำนวนมากความถี่อื่น ๆ เนื่องจากความถี่มีผลเป็นสองเท่าจึงทำให้มีการใช้ตัวกรองความถี่ต่ำผ่านค่าที่มากขึ้น 8216reduced8217 ผลก็คือต้องใช้เวลานานกว่าในการเข้าถึงแอมพลิจูดเดียวกัน การดำเนินการ squaring ไม่ใช่การดำเนินการเชิงเส้นดังนั้นฉันไม่คิดว่าจะมีการเพิ่มขึ้นเป็นสองเท่าในทุกกรณี แต่จะมีแนวโน้มที่จะเพิ่มขึ้นเป็นสองเท่าหากเรามีความถี่ต่ำที่เด่น นอกจากนี้ทราบว่าความแตกต่างของสัญญาณสี่เหลี่ยมเป็นสองเท่าของสัญญาณ 8220un-squared8221 ฉันสงสัยว่าคุณอาจพยายามทำให้รูปทรงสี่เหลี่ยมจัตุรัสเฉลี่ยซึ่งสมบูรณ์และถูกต้อง อาจจะดีกว่าที่จะใช้ตัวกรองแล้วค่อยๆเหลี่ยมเท่าที่คุณรู้ว่ามีประสิทธิภาพ แต่ถ้าทั้งหมดที่คุณมีคือสัญญาณสี่เหลี่ยมแล้วใช้ปัจจัย 2 เพื่อปรับเปลี่ยนค่า alpha ของตัวกรองของคุณจะทำให้คุณกลับไปที่ความถี่ตัดเดิมหรือทำให้บิตง่ายขึ้นกำหนดความถี่ตัดที่สองเท่าของต้นฉบับ ขอขอบคุณสำหรับคำตอบของคุณ Dr Mercer คำถามของฉันจริงๆพยายามที่จะได้รับสิ่งที่เป็นจริงทำในเครื่องตรวจจับ rms ของเครื่องวัดระดับเสียง ถ้าเวลาคงที่กำหนดไว้สำหรับ 8216fast8217 (125ms) ฉันจะคิดว่าอย่างสังหรณ์ใจที่คุณคาดหวังสัญญาณอินพุต sinusoidal เพื่อผลิตออก 63.2 ของมูลค่าสุดท้ายหลังจาก 125ms แต่เนื่องจากสัญญาณจะถูกกำลังสองก่อนที่จะได้รับ 8216mean8217 ตรวจสอบจริงจะใช้เวลาสองครั้งตราบเท่าที่คุณอธิบาย วัตถุประสงค์หลักของบทความนี้คือเพื่อแสดงความเท่าเทียมกันของ RC filtering และ exponential averaging ถ้าเรากำลังพูดถึงเวลาในการรวมเข้าด้วยกันกับตัวผสานรูปสี่เหลี่ยมผืนผ้าที่แท้จริงแล้วคุณจะถูกต้องว่ามีปัจจัยสองอย่างที่เกี่ยวข้อง โดยทั่วไปถ้าเรามี integrator สี่เหลี่ยมที่แท้จริงที่รวมสำหรับวินาที Ti เวลา integator RC เทียบเท่าเพื่อให้บรรลุผลเดียวกันคือ 2RC วินาที Ti แตกต่างจาก RC 8216time constant8217 T ซึ่งเป็น RC ดังนั้นถ้าเรามีเวลาคงที่ 8216Fast8217 เท่ากับ 125 msec นั่นคือ RC 125 msec ซึ่งเท่ากับเวลาในการรวมจริง 250 มิลลิวินาทีขอขอบคุณสำหรับบทความนี้มีประโยชน์มาก มีเอกสารล่าสุดเกี่ยวกับระบบประสาทที่ใช้ตัวกรอง EMA (EMA แบบยาวที่มีหน้าต่างยาวซึ่งเป็นหน้าต่างสั้น ๆ ) เป็นตัวกรองสัญญาณแบนสำหรับการวิเคราะห์สัญญาณแบบเรียลไทม์ ฉันต้องการจะใช้พวกเขา แต่ฉันดิ้นรนกับขนาดหน้าต่างที่กลุ่มวิจัยที่แตกต่างกันได้ใช้และการติดต่อกับความถี่ตัด Let8217s กล่าวว่าฉันต้องการให้ทุกความถี่ต่ำกว่า 0.5Hz (aprox) และที่ฉันได้รับ 10 ตัวอย่างสอง. ซึ่งหมายความว่า fp 0.5Hz P 2s T P100.2 h 1fs0.1 ดังนั้นควรใช้ขนาดหน้าต่าง I ควรเป็น N3 เหตุผลนี้ถูกต้องก่อนที่จะตอบคำถามของคุณฉันต้องแสดงความคิดเห็นเกี่ยวกับการใช้ตัวกรองความถี่สูงสองตัวเพื่อสร้างตัวกรองแบนด์วิดท์ สมมุติว่าพวกเขาทำงานเป็นสองลำธารแยกกันดังนั้นหนึ่งผลคือเนื้อหาจาก latexf Latex ถึงอัตราการสุ่มตัวอย่างครึ่งหนึ่งและอื่น ๆ คือเนื้อหาจาก Latexf Latexf ให้กับอัตราตัวอย่างครึ่งหนึ่ง ถ้าทั้งหมดที่กำลังทำอยู่คือความแตกต่างในระดับสแควร์เฉลี่ยที่บ่งบอกว่าพลังงานในแถบจากน้ำยาง latexf ไป latexf latex แล้วมันอาจจะสมเหตุสมผลถ้าทั้งสองตัดความถี่อยู่ไกลพอสมควร แต่ฉันคาดหวังว่าคนที่ใช้เทคนิคนี้ กำลังพยายามจำลองตัวกรองแถบที่แคบกว่า ในมุมมองของฉันที่จะไม่น่าเชื่อถือสำหรับการทำงานอย่างจริงจังและจะเป็นแหล่งที่มาของความกังวล สำหรับการอ้างอิงตัวกรองแบบแบนด์คือตัวกรอง High Pass ความถี่ต่ำเพื่อลดความถี่ต่ำและความถี่ต่ำเพื่อกรองความถี่สูงออก มีแน่นอนรูปแบบการผ่านต่ำของตัวกรอง RC และด้วยเหตุนี้ EMA ที่สอดคล้องกัน บางทีแม้ว่าคำตัดสินของฉันจะโหดร้ายโดยไม่ทราบข้อเท็จจริงทั้งหมดดังนั้นคุณอาจจะกรุณาส่งการอ้างอิงบางส่วนไปยังการศึกษาที่คุณกล่าวถึงดังนั้นฉันอาจวิจารณ์ได้ตามความเหมาะสม บางทีพวกเขากำลังใช้ผ่านต่ำเช่นเดียวกับตัวกรองความถี่สูง ตอนนี้หันไปหาคำถามที่แท้จริงของคุณเกี่ยวกับวิธีการหา N สำหรับความถี่ตัดเป้าหมายที่กำหนดฉันคิดว่าดีที่สุดคือใช้สมการพื้นฐาน T (N-1) h การอภิปรายเกี่ยวกับช่วงเวลามีวัตถุประสงค์เพื่อให้คนรู้สึกว่าเกิดอะไรขึ้น โปรดดูแหล่งที่มาด้านล่าง เรามีความสัมพันธ์ latexT (N-1) hlatex และน้ำยาง latexT12 ที่ latexfclatex เป็นค่า cut off off และ h คือเวลาระหว่างกลุ่มตัวอย่าง Latexh 1 latex ที่ latexfslatex เป็นอัตราตัวอย่างใน samplessec การจัดเรียง T (N-1) h เป็นรูปแบบที่เหมาะสมเพื่อรวมถึงความถี่ของการตัด, latexfclatex และอัตราตัวอย่าง sample latexfslatex ดังแสดงด้านล่าง ดังนั้นการใช้ latexfc 0.5Hzlatex และ latexfs 10latex samplessec เพื่อให้ latex (fcfs) 0.05latex ให้ดังนั้นค่าจำนวนเต็มที่ใกล้เคียงที่สุดคือ 4. Re-arranging ข้างต้นเรามีดังนั้นด้วย N4 เรามี latexfc 0.5307 Hzlatex การใช้ N3 ให้ latexfclatex 0.318 Hz หมายเหตุด้วย N1 เรามีสำเนาที่สมบูรณ์โดยไม่มีการกรอง