Moving Average Data Mining

Gleitender Durchschnitt Ein gleitender Durchschnitt ist einer der flexibelsten und am häufigsten verwendeten technischen Analyseindikatoren. Es ist sehr beliebt bei den Händlern, vor allem wegen seiner Einfachheit. Es funktioniert am besten in einer schwierigen Umgebung. Einleitung In der Statistik ist ein gleitender Durchschnitt einfach ein Mittelwert eines bestimmten Satzes von Daten. Im Falle einer technischen Analyse werden diese Daten in den meisten Fällen durch die Schlusskurse der Bestände für die jeweiligen Tage repräsentiert. Allerdings verwenden einige Händler auch getrennte Mittelwerte für tägliche Minima und Maxima oder sogar einen Durchschnitt der Mittelpunktwerte (die sie berechnen, indem sie das tägliche Minimum und Maximum zusammenfassen und durch sie zwei teilen). Dennoch können Sie einen gleitenden Durchschnitt auch auf einem kürzeren Zeitrahmen konstruieren, zB durch die Verwendung von Tages - oder Minutendaten. Zum Beispiel, wenn du einen 10-tägigen gleitenden Durchschnitt machen willst, addierst du einfach alle Schlusskurse während der letzten 10 Tage und teile es dann um 10 (in diesem Fall ist es ein einfacher gleitender Durchschnitt). Am nächsten Tag machen wir dasselbe, außer dass wir wieder die Preise für die letzten 10 Tage nehmen, was bedeutet, dass der Preis, der der letzte in unserer Berechnung für den Vortag war, nicht mehr in den heutigen Durchschnitt eingeschlossen ist - er wird durch gestern ersetzt Preis. Die Datenverschiebung auf diese Weise mit jedem neuen Handelstag, also der Begriff gleitender Durchschnitt. Der Zweck und die Verwendung von gleitenden Durchschnitten in der technischen Analyse Der Gleitender Durchschnitt ist ein Trendfolger. Sein Ziel ist es, den Beginn eines Trends zu erkennen, seinen Fortschritt zu verfolgen und seine Umkehr zu melden, falls er auftritt. Im Gegensatz zu Charting, bewegte Durchschnitte nicht vorwegnehmen den Start oder das Ende eines Trends. Sie bestätigen es nur, aber nur einige Zeit nach der eigentlichen Umkehrung. Es stammt aus ihrer Konstruktion, da diese Indikatoren ausschließlich auf historischen Daten basieren. Je weniger Tage ein gleitender Durchschnitt enthält, desto eher kann man eine Trends umkehren. Es liegt an der Menge der historischen Daten, die den Durchschnitt stark beeinflusst. Ein 20-Tage-Gleitender Durchschnitt erzeugt das Signal einer Trendumkehr früher als der 50-Tage-Durchschnitt. Allerdings ist es auch wahr, dass die weniger Tage, die wir in den gleitenden Mittelwerten berechnen, die falscheren Signale, die wir bekommen. Daher verwenden die meisten Händler eine Kombination von mehreren gleitenden Durchschnitten, die alle gleichzeitig ein Signal liefern müssen, bevor ein Händler seine Position auf dem Markt öffnet. Dennoch kann ein gleitender Durchschnitt hinter dem Trend nicht vollständig eliminiert werden. Trading-Signale Jede Art von gleitenden Durchschnitt kann verwendet werden, um zu kaufen oder verkaufen Signale und dieser Prozess ist sehr einfach. Die Charting-Software zeichnet den gleitenden Durchschnitt als Linie direkt in die Preisliste auf. Signale werden an Orten erzeugt, an denen die Preise diese Linien überschneiden. Wenn der Preis über die bewegte durchschnittliche Linie kreuzt, bedeutet dies den Beginn eines neuen Aufwärtstrends und damit ein Kaufsignal. Auf der anderen Seite, wenn der Preis kreuzt unter der gleitenden durchschnittlichen Linie und der Markt schließt auch in diesem Bereich, es signalisiert den Beginn eines Abwärtstrends und damit stellt es ein Verkaufssignal. Using mehrere Durchschnitte Wir können auch für die Verwendung von mehreren bewegen Mittelwerte, um den Lärm der Preise und insbesondere die falschen Signale (Whipsaws) zu eliminieren, die die Verwendung eines einzelnen gleitenden Durchschnitts ergibt. Bei Verwendung mehrerer Mittelwerte tritt ein Kaufsignal auf, wenn der kürzere der Mittelwerte über dem längeren Durchschnitt, z. B. Die 50-tägigen durchschnittlichen Kreuze über dem 200-Tage-Durchschnitt. Umgekehrt wird ein Verkaufssignal in diesem Fall erzeugt, wenn der 50-Tage-Durchschnitt sich unter dem 200-Durchschnitt kreuzt. Ähnlich können wir auch eine Kombination von drei Mittelwerten verwenden, z. B. Ein 5-tägiger, 10-tägiger und 20-tägiger Durchschnitt. In diesem Fall wird ein Aufwärtstrend angezeigt, wenn die 5-Tage-Durchschnittslinie über dem 10-Tage-Gleitender Durchschnitt liegt, während der 10-Tage-Durchschnitt noch über dem 20-Tage-Durchschnitt liegt. Jede Kreuzung der gleitenden Durchschnitte, die zu dieser Situation führt, gilt als Kaufsignal. Umgekehrt wird der Abwärtstrend durch die Situation angezeigt, wenn die 5-tägige Durchschnittslinie niedriger ist als der 10-Tage-Durchschnitt, während der 10-Tage-Durchschnitt niedriger ist als der 20-Tage-Durchschnitt. Mit drei gleitenden Durchschnitten begrenzt gleichzeitig die Menge an falsch Signale, die durch das System erzeugt werden, aber es begrenzt auch das Potential für Profit, da ein solches System erst nach dem Festhalten des Trends auf dem Markt ein Handelssignal erzeugt. Das Eintrittssignal kann sogar nur kurz vor der Trends umgedreht werden. Die Zeitintervalle, die von Händlern für die Berechnung von gleitenden Durchschnitten verwendet werden, sind ganz anders. Zum Beispiel sind die Fibonacci-Zahlen sehr beliebt, wie zum Beispiel mit 5-Tage-, 21-Tage - und 89-Tage-Mittelwerten. Im Futures-Handel ist die Kombination 4-, 9- und 18-Tage auch sehr beliebt. Vor-und Nachteile Der Grund, warum gleitende Durchschnitte wurden so beliebt ist, dass sie mehrere grundlegende Regeln des Handels widerspiegeln. Die Verwendung von gleitenden Durchschnitten hilft Ihnen, Ihre Verluste zu schneiden, während Sie Ihre Gewinne laufen lassen. Bei der Verwendung von gleitenden Durchschnitten, um Handelssignale zu generieren, handeln Sie immer in Richtung des Markttrends, nicht dagegen. Darüber hinaus können im Gegensatz zu Diagrammmusteranalysen oder anderen sehr subjektiven Techniken gleitende Mittelwerte verwendet werden, um Handelssignale nach klaren Regeln zu generieren - und damit die Subjektivität von Handelsentscheidungen zu beseitigen, die den Händlern Psyche helfen können. Allerdings ist ein großer Nachteil der gleitenden Durchschnitte, dass sie nur gut funktionieren, wenn der Markt tendiert. Daher in Zeiten von abgehackten Märkten, wenn die Preise in einer bestimmten Preisspanne schwanken, funktionieren sie überhaupt nicht. Solche Periode kann leicht mehr als ein Drittel der Zeit, so dass sich auf bewegte Durchschnitte allein ist sehr riskant. Einige Händler, die deshalb empfehlen, kombinieren gleitende Durchschnitte mit einem Indikator Messung der Stärke eines Trends, wie z. B. ADX oder die Verwendung von gleitenden Durchschnitten nur als Bestätigungsindikator für Ihr Trading-System. Arten von sich bewegenden Mittelwerten Die am häufigsten verwendeten Arten von sich bewegenden Mittelwerten sind Simple Moving Average (SMA) und Exponentiell gewichtete Moving Average (EMA, EWMA). Diese Art von gleitenden Durchschnitt ist auch als arithmetisches Mittel bekannt und stellt die einfachste und am häufigsten verwendete Art des gleitenden Durchschnitts dar. Wir berechnen es, indem wir alle Schlusskurse für einen bestimmten Zeitraum zusammenfassen, den wir später durch die Anzahl der Tage in der Periode teilen. Allerdings sind zwei Probleme mit dieser Art von Durchschnitt verbunden: Es berücksichtigt nur die Daten in der ausgewählten Periode (z. B. ein 10-Tage einfacher gleitender Durchschnitt berücksichtigt nur die Daten aus den letzten 10 Tagen und ignoriert einfach alle anderen Daten Vor diesem Zeitraum). Es wird auch oft kritisiert, für alle Daten im Datensatz gleiche Gewichte zuzuordnen (d. H. In einem 10-tägigen gleitenden Durchschnitt ein Preis von 10 Tagen hat das gleiche Gewicht wie der Preis von gestern - 10). Viele Händler argumentieren, dass die Daten aus den letzten Tagen mehr Gewicht als ältere Daten tragen sollten - was dazu führen würde, dass die Mittelwerte hinter dem Trend liegen. Diese Art von gleitenden Durchschnitt löst beide Probleme mit einfachen gleitenden Durchschnitten verbunden. Erstens gibt es mehr Gewicht in seiner Berechnung auf aktuelle Daten. Es spiegelt in gewissem Maße auch alle historischen Daten für das jeweilige Instrument wider. Diese Art von Durchschnitt wird nach der Tatsache benannt, dass die Gewichte der Daten in die Vergangenheit exponentiell abnehmen. Die Steigung dieser Abnahme kann an die Bedürfnisse des Traders angepasst werden. Moving Average Smoothing Beispiel Dieses Beispiel veranschaulicht, wie man XLMiners Moving Average Smoothing Technik verwendet, um Trends in einer Zeitreihe aufzudecken, die Saisonalität enthält. Wählen Sie auf dem XLMiner-Band aus der Registerkarte Anwenden des Modells Hilfe - Beispiele. Dann ForecastingData Mining Beispiele. Und öffnen Sie den Beispieldatensatz, Airpass. xlsx. Dieser Datensatz enthält die monatlichen Summen der internationalen Fluggäste von 1949-1960. Nachdem der Beispieldatensatz geöffnet ist, klicken Sie auf eine Zelle im Datensatz und dann auf das XLMiner-Band, wählen Sie auf der Registerkarte Zeitreihe die Option Partition, um das Dialogfeld Zeitreihen-Partitionsdaten zu öffnen. Wählen Sie den Monat als Zeitvariable und die Passagiere als Variablen in den Partitionsdaten aus. Klicken Sie auf OK, um die Daten in Trainings - und Validierungssets zu partitionieren. (Partitionierung ist optional) Die Glättungstechniken können auf vollständigen, nicht partitionierten Datensätzen ausgeführt werden.) Klicken Sie auf das DataPartitionTS-Arbeitsblatt, dann auf das XLMiner-Band, wählen Sie auf der Registerkarte Zeitreihe die Option Glättung - Verschieben von Mittel, um das Dialogfeld "Bewegliche durchschnittliche Glättung" zu öffnen. Der Monat wurde bereits als Zeitvariable ausgewählt. Wählen Sie Passagiere als Ausgewählte Variable aus. Da es sich bei diesem Datensatz um eine gewisse Saisonalität handelt (d. h. die Passagierzahlen der Fluggesellschaft während der Ferien - und Sommermonate), sollte der Wert für das Intervallparameter - Gewicht die Länge eines Saisonzyklus (d. H. 12 Monate) sein. Geben Sie als Ergebnis 12 für Intervall ein und wählen Sie Prognose für die Validierung aus. Klicken Sie auf OK, um die Glättungstechnik auf den partitionierten Datensatz anzuwenden. Zwei Arbeitsblätter, MASmoothingOutput und MASmoothingStored. Werden sofort rechts neben dem DataPartitionTS-Arbeitsblatt eingefügt. Weitere Informationen zum MASmoothingStored-Arbeitsblatt finden Sie im Abschnitt Anwenden des Modells - Scoring New Data. Klicken Sie auf das Arbeitsblatt MASmoothingOutput. Das Zeitplot der tatsächlichen Vs. Prognose (Trainingsdaten) und (Validierungsdaten) Diagramme zeigen, dass die Moving Average Smoothing Technik nicht zu einer guten Passung führt, da das Modell die Saisonalität im Datensatz nicht effektiv erfasst. Die Sommermonate - wo die Anzahl der Fluggäste in der Regel hoch ist - scheinen unter Prognose zu sein, und die Monate, in denen die Anzahl der Fluggäste niedrig ist, führt das Modell zu einer Prognose, die zu hoch ist. Eine gleitende durchschnittliche Prognose sollte niemals verwendet werden, wenn der Datensatz Saisonalität enthält. Eine Alternative wäre, eine Regression auf dem Modell durchzuführen und dann diese Technik auf die Residuen anzuwenden. Das nächste Beispiel beinhaltet keine Saisonalität. Wählen Sie auf dem XLMiner-Band aus der Registerkarte Anwenden des Modells Hilfe - Beispiele. Dann wählen Sie ForecastingData Mining Beispiele. Und öffnen Sie den Beispieldatensatz Income. xlsx. Dieser Datensatz enthält das durchschnittliche Einkommen der Steuerzahler nach Staat. Zuerst verteilen Sie den Datensatz in Trainings - und Validierungssets unter Verwendung von Jahr als Zeitvariable und CA als Variablen in den Partitionsdaten. Klicken Sie auf OK, um die Partitionierungsvorgaben zu akzeptieren und die Trainings - und Validierungssätze zu erstellen. Das Arbeitsblatt DataPartitionTS wird sofort rechts neben dem Income-Arbeitsblatt eingefügt. Klicken Sie auf das DataPartitionTS-Arbeitsblatt, dann auf das XLMiner-Band, wählen Sie auf der Registerkarte Zeitreihe die Option Glättung - Bewegen des Mittelpunkts, um das Dialogfeld "Bewegliche durchschnittliche Glättung" zu öffnen. Jahr wurde automatisch als Zeitvariable ausgewählt. Wählen Sie CA als Ausgewählte Variable aus, und wählen Sie unter Ausgabeoptionen die Option Prognose erstellen aus. Klicken Sie auf OK, um die Moving Average Smoothing-Technik auszuführen. Zwei Arbeitsblätter, MASmoothingOutput und MASmoothingStored. Werden rechts neben dem DataPartitionTS-Arbeitsblatt eingefügt. Weitere Informationen zum MASmoothingStored-Arbeitsblatt finden Sie im Abschnitt Anwenden des Modells - Scoring New Data. Die Ergebnisse der Moving Average Smoothing-Technik auf diesem Datensatz deuten auf eine viel bessere Passform hin. In diesem Beitrag zeige ich einen Trick, um die gleitende Durchschnittsberechnung durchzuführen (kann auf andere Operationen erweitert werden, die Fensterfunktionen benötigen), die super schnell ist. Oft müssen SAS-Analysten gleitende durchschnittliche Berechnungen durchführen und es gibt mehrere Optionen in der Reihenfolge der Präferenz: 1. PROC EXPAND 2. DATA STEP 3. PROC SQL Aber viele Websites können nicht SASETS lizenziert werden, um PROC EXPAND zu verwenden und gleitenden Durchschnitt in DATA zu machen STEP erfordert einige Codierung und ist fehleranfällig. PROC SQL ist eine natürliche Wahl für Junior-Programmierer und in vielen Business Cases die einzige Lösung, aber SAS39s PROC SQL fehlt Fenster-Funktionen, die in vielen DBs zur Verfügung stehen, um die gleitende durchschnittliche Berechnung zu erleichtern. Eine Technik, die man gewöhnlich benutzt, ist CROSS JOIN, was sehr teuer ist und keine lebensfähige Lösung für sogar mittelgroße Datensätze ist. In diesem Beitrag zeige ich einen Trick, um eine gleitende Durchschnittsberechnung durchzuführen (kann auf andere Operationen erweitert werden, die Fensterfunktionen benötigen), die super schnell sind. Man betrachte die einfachste gleitende Durchschnittsrechnung, bei der die nachfolgenden K Beobachtungen in die Berechnung einbezogen werden, nämlich MA (K), hier setzen wir K5. Wir erzeugen zunächst 20 Sample-Daten, bei denen Variable ID für die Fensterung verwendet werden soll und die Variable X in der MA-Berechnung verwendet werden soll, und dann wenden wir den Standard-CROSS JOIN an, um zunächst die resultierenden Daten, Non-Grouped, zu untersuchen Zu verstehen, wie man die Datenstruktur nutzen kann. Aus dem daraus resultierenden Datensatz ist es schwer, einen Hinweis zu finden, jetzt lasst man in diesem Datensatz nach der Quinth-Spalte sortieren: Aus diesen sortierten Daten ist klar, dass wir eigentlich den ganzen Originaldatensatz nicht vergeben müssen, Können wir einen quotatenquot datensatz erzeugen, der den differenzwert enthält, und lassen Sie die ursprüngliche datenmenge CROSS JOIN mit diesem viel kleineren quotoperationquot datensatz und alle daten, die wir für MA berechnen müssen, sind dort. Jetzt lassen Sie es jetzt: CROSS JOIN Original-Daten mit quotoperation quot Daten, sortieren nach (a. idops), die eigentlich quotbid39 in sortierten Datensatz ist Hinweis, dass in oben Code, ist es notwendig, ax multiplizieren mit b. weight, so dass die Daten Kann verbleibend sein, sonst wird der gleiche X-Wert aus der ursprünglichen Tabelle ausgegeben und die MA-Berechnung wird fehlgeschlagen. Die explizite Gewichtsvariable fügt der gesamten MA-Berechnung tatsächlich mehr Flexibilität hinzu. Während Sie es auf 1 setzen für alle obs Ergebnis in einer einfachen MA-Berechnung, zuordnen unterschiedliche Gewichte wird dazu beitragen, komplexere MA-Computing zu lösen, wie geben weitere Beobachtungen weniger Gewicht für eine verfallene MA. Wenn ein anderer K-Parameter in MA (K) Berechnungen erforderlich ist, muss nur der Betriebsdatensatz aktualisiert werden, was trivialer Job ist. Nun wird die aktuelle Codevorlage für die MA (K) - Rechnung sein: Mit dieser neuen Methode ist es interessant, sie mit dem teuren Selbst-CROSS JOIN sowie mit PROC EXPAND zu vergleichen. Auf meiner Arbeitsstation (Intel i5 3.8Ghz, 32GB Speicher, 1TB 72K HDD), ist Self CROSS JOIN ununterbrochen lang in Laufzeit (wenn Daten groß sind), während die neue Methode nur 2X so viel Zeit wie PROC EXPAND verwendet, sind beide Zeitaufwendungen Trivialen Vergleich zu Selbst CROSS JOIN. Der nachstehend angegebene Zeitverbrauch liegt im Quantenbereich. Unten ist der Code-Leser laufen und vergleichen können. Geschrieben 10. Mai 2015 von Liang Xie SAS Programmierung für Data MiningAnalyzing Mining Stocks8217 Moving Durchschnittliche Preise Mining Unternehmen haben gestiegen Donald Trumps Sieg in der 2016 US-Präsidentschaftswahl zunächst verursacht Angst bei Edelmetall-Investoren. Aber als diese Bedenken nachließen, fingen Edelmetalle und Bergbau-Aktien langsam an zu fallen. Die Zinserhöhung der Federal Reserves im Dezember 2016 drückte auch Edelmetalle, die den Bergbauunternehmen in einem Abwärtstrend beigetreten sind. Investoren bleiben vorsichtig über die wirtschaftliche Entwicklung des Landes, und Edelmetalle und Bergbauaktien sind dadurch gestiegen. Einige Investoren erwarteten choppy Märkte für Edelmetall-Bergbau-Unternehmen nach Trump-Sieg, aber das ist nicht passiert. Bergleute folgen typischerweise Edelmetalle. Auf einer YTD (Jahr-to-date) Basis sind die Bergbauaktien gestiegen. Coeur Mining (CDE), Barrick Gold (ABX), Cia De Minas Buenaventura (BVN) und Hecla Mining (HL) sind um 0,67, 20,9, 21,5 bzw. 23,1 gestiegen. Der Global X Silver Miners Fund (SIL) ist 22,5 YTD gestiegen. Technische Indikatoren Alle oben genannten vier Bergbauunternehmen, mit Ausnahme von Coeur Mining, handeln über ihren kürzeren 20-Tage-Gleitendurchschnitten sowie ihren 100-Tage-Gleitendurchschnitten. Eine wesentliche Prämie für einen Aktienhandelspreis deutet auf einen möglichen Preisverfall hin. Ein Rabatt könnte auf eine Erhöhung der Preise. Die Zielpreise für die oben genannten drei Bergbauunternehmen sind deutlich höher als die aktuellen Preise, was auf einen positiven Ausblick hindeutet. Coeur Mining ist mit einem Rabatt im Vergleich zu seinem 20- und 100-Tage gleitenden durchschnittlichen Preis Handel. Ein RSI (relativer Stärkeindex) über 70 zeigt an, dass ein Bestand überkauft ist und fallen könnte, während ein RSI-Wert unter 30 anzeigt, dass ein Bestand überverkauft und steigen könnte. Bergbau-Unternehmen RSI Lesungen sind auch langsam zunehmen. Am 23. Februar 2017 war SILs RSI nahe bei 66,8, was darauf hindeutet, dass es eine weitere Preisabwärtskorrektur geben könnte. Es wird auch höchstwahrscheinlich eine weitere Zinserhöhung geben, die sich negativ auf Edelmetalle sowie Edelmetall-Bergbauunternehmen auswirken könnte.