Flyttande medelvärde I det här exemplet lär du dig hur du beräknar glidande medelvärdet för en tidsserie i Excel. Ett glidande medel används för att jämna ut oegentligheter (toppar och dalar) för att enkelt kunna känna igen trender. 1. Låt oss först titta på våra tidsserier. 2. Klicka på Dataanalys på fliken Data. Obs! Kan inte hitta knappen Data Analysis Klicka här för att ladda verktyget Analysis ToolPak. 3. Välj Flytta genomsnitt och klicka på OK. 4. Klicka i rutan Inmatningsområde och välj intervallet B2: M2. 5. Klicka i rutan Intervall och skriv 6. 6. Klicka i rutan Utmatningsområde och välj cell B3. 8. Skriv ett diagram över dessa värden. Förklaring: Eftersom vi ställer intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och den aktuella datapunkten. Som ett resultat utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna det rörliga genomsnittet för de första 5 datapunkterna, eftersom det inte finns tillräckligt med tidigare datapunkter. 9. Upprepa steg 2 till 8 för intervall 2 och intervall 4. Slutsats: Ju större intervall desto mer toppar och dalar släpper ut. Ju mindre intervallet desto närmare de rörliga medelvärdena är de faktiska datapunkterna. Beräkning av tillväxten i Excel Det är vanligt att man vill beräkna periodens tillväxt för historiska siffror. Överraskande, det finns ingen enkel formel för att göra det. Växthetsformeln i Excel är en matrisformel som innebär att det tar flera uppsättningar av data som input och matar ut en mängd data som kan vara svårt att förstå om din kunskap om statistik inte antyder vad det brukade vara. Vi ska titta på flera andra metoder för beräkning av tillväxt, inklusive en manuellt skrivet formel, en kartläggningsmetod och en metod med hjälp av målsökningen. Slutligen ser vi på serier som börjar med negativa tal. Matematiskt har exponentiell tillväxt beräknad från en sådan serie ingen betydelse, så vad gör vi Formelmetod Vad de flesta av oss vill ha från tillväxtformeln är ett enkelt tal som representerar perioden över periodtillväxten för en serie tal. Compund Annual Growth Rate (CAGR) är ett typiskt exempel. Formeln för CAGR är inte svår. För att beräkna tillväxten från en enda starttid och en enda sluttid är det tillräckligt. Med andra ord, om vi har ett intäktsintäkter under år 1 och en inkomstsiffror för år 10 och vi inte är bekymrade över åren mellan vi skulle ställa in kalkylbladet nedan, med tanke på att formeln är: ((End ValueStart Value) (1 (Perioder - 1)) -1 Medan det är ett enda tal som vi efteråt kan ekvationen och det ganska nakna resultatet ovan låta dig undra om huruvida du har gjort det rätt eller inte. Ett svar är en sak, men försäkran är fortfarande en annan. Vi borde skapa ett kalkylblad för att använda tillväxten i en förutspådd kolumn och visa alla våra år39 siffror i en aktuell kolumn med en varians mellan de två. Du kan skapa din egen från grafen nedan eller ladda ner den slutliga filen CalculateGrowth. xlsx. Om du skapar ett kalkylblad, se till att du anger namnen StartAmount och Growth. Från de beräknade kolumnerna av siffror kan vi se hur långt av vår förväntade tillväxt är från de faktiska siffrorna vi började med. Naturligtvis skulle det vara ännu enklare att se med ett diagram. Diagram M ethod Gör det möjligt att skapa ett diagram bara från våra ursprungliga perioder och verkliga värden och lämna de förutspådda värdena ensamma en stund. Som det visar sig kan vi få ett tillväxtvärde från själva kartläggningen. Placera dina data i det format du ser ovan och skapa ett XY-scatterdiagram - inte ett standardlinjediagram. Det gör skillnad om dina perioder är andra än 1, 2, 3 eftersom ett standardlinjediagram behandlar varje punkt som 1: a, 3: e. Ett scatterdiagram läser faktiskt värdena i kolumn A och behandlar dem inte som ordinarie tal men som faktiska värden. Om du hoppar över perioder eftersom data saknas eller om dina perioder börjar med ett annat tal än 1, så kommer du definitivt att se en stor skillnad när du lägger till en trendlinje. När du har skapat XY scatter diagrammet ovan, högerklicka på dataserien och you39ll se menyn ovan. Klicka på Lägg till trendlinje. I Add Trendline. dialogrutan, ange Exponentiell som kurvtypen för att passa din faktiska data till. Du måste klicka på rutan nära botten av dialogrutan till Visa ekvation på diagrammet som visas nedan. När ditt diagram uppdateras kommer det att ha en ekvation av formen yb e gx där g är tillväxten. Här ser vi koefficienten är 0,0984 eller 9,8. Observera att CAGR-formeln gav oss en tillväxt på 10,1. De två skiljer sig i stor utsträckning till att CAGR endast använde start - och slutperioderna i sina beräkningar, där kurvanpassningen använde alla data. Målsökningsmetod Återigen kan vi säkert skapa förutsägda, faktiska och varians-kolumner för att se hur väl vår kurva passar data. Faktum är att vi kan summera skillnaderna och använda målsökningen för att försöka ta reda på om det finns en annan, bättre tillväxttakt. Problemet med att bara summera skillnaderna är att vissa förutspådda värden kommer att bli större och något mindre än de faktiska värdena. Även om skillnaderna är mycket stora kan ett lika stort antal positiva och negativa värden leda oss att tro att vi har en bra passform när vi inte gör det. Låt oss kvadrera avvikelserna och summera dem sedan. Kvadrater är alltid positiva och en kvadrat kommer att överdriva stora skillnader och ignorera mindre skillnader. Du har nog hört talas om den här kurvanpassningen som minsta kvadrater. När kalkylbladet är inställt (nedan) går vi till fliken Data på bandet, klicka på What-If Analysis gt Målsök och berätta för Excel för att försöka få summan av rutorna i E18 till noll genom att ändra tillväxten i C2. Naturligtvis kommer vi aldrig att nå till noll, men Excel kommer fortsätta att försöka olika värden - tusentals av dem - tills det blir så nära noll som möjligt. Målsökningen är lite som barnets spel varmare, kallare där en part fortsätter att berätta för den andra om de kommer närmare det hemliga objektet (varmare) eller längre bort (kallare). Excel fortsätter bara att försöka bli varmare och varmare tills ingenting försöker bli värmare. Här kan vi närmast få våra kvadrater till noll när tillväxten är 10.06. Du kan se att olika numeriska metoder ger något annorlunda resultat. Du kanske vill försöka alla tre på dina data för att få en känsla för bästa tillnärmning av periodens tillväxt. Trender som börjar med negativa värden Om du läser detta vet du redan att beräkningen av exponentiell tillväxt från en serie som börjar med icke-positiva tal (noll eller negativt tal) är omöjligt. Med hjälp av metoderna ovan kan vi se att de alla misslyckas. Du har några alternativ: Lägg till en skalär till dina värden Tyvärr bestämmer valet av skalär tillväxten. För att uttrycka det tydligt, om du lägger till en liten skalär - bara ett tillräckligt stort tal för att få negativa värden positiva - blir din tillväxt mycket stor. Om du lägger till en stor scalar - lägg till en miljon till var och en av de ovan angivna perioderna - din tillväxt blir nära noll. Denna metod kommer inte att ge meningsfulla resultat. Använd polynom eller linjär uppskattning Polynom och linjär uppskattning kommer att kunna beräkna en beräknad förändringsperiod över perioden, men det är vanligtvis inte vad vi menar när vi pratar om tillväxten. De givna ekvationerna kommer att vara användbara för att projicera värden några perioder in i framtiden, och det kan vara tillräckligt bra för dina ändamål. Komma till roten till siffrorna Är serien du analyserar en enda uppsättning Om du till exempel analyserar vinst över ett antal perioder kan du börja med negativa värden. Men om du bryter den vinsten i två separata serier - intäkter och kostnader - kommer du att finna att du kan uttrycka både som positiva tal. Med hjälp av ovanstående metoder analyserar du de två (eller flera) serierna separat och sedan rekombinerar dem. Vi hoppas att du hittar den här artikeln användbar och kommer att kontakta oss med dina kommentarer och frågor. Få ut det mesta av din och dina mänskliga resurser. Medelvärden: Vad är de Bland de mest populära tekniska indikatorerna används glidande medelvärden för att mäta riktningen för den nuvarande trenden. Varje typ av glidande medelvärde (vanligtvis skrivet i denna handledning som MA) är ett matematiskt resultat som beräknas genom att medelvärda ett antal tidigare datapunkter. När det bestämts är det resulterande genomsnittet plottat på ett diagram för att låta handlare se på jämn data istället för att fokusera på de dagliga prisfluktuationerna som är inneboende på alla finansmarknader. Den enklaste formen av ett glidande medel, lämpligt känt som ett enkelt glidande medelvärde (SMA), beräknas genom att ta det aritmetiska medelvärdet av en given uppsättning värden. För att beräkna ett grundläggande 10-dagars glidande medelvärde skulle du lägga till slutkurserna från de senaste 10 dagarna och sedan dela resultatet med 10. I Figur 1 är summan av priserna under de senaste 10 dagarna (110) dividerat med antalet dagar (10) för att komma fram till 10-dagars genomsnittet. Om en näringsidkare vill se ett 50-dagars medel istället skulle samma typ av beräkning göras, men det skulle inkludera priserna under de senaste 50 dagarna. Det resulterande genomsnittet under (11) tar hänsyn till de senaste 10 datapunkterna för att ge handlare en uppfattning om hur en tillgång prissätts relativt de senaste 10 dagarna. Kanske du undrar varför tekniska handlare kallar det här verktyget ett glidande medelvärde och inte bara en vanlig medelvärde. Svaret är att när de nya värdena blir tillgängliga måste de äldsta datapunkterna släppas från uppsättningen och nya datapunkter måste komma in för att ersätta dem. Således flyttar datasatsen ständigt för att redogöra för nya data när den blir tillgänglig. Denna beräkningsmetod säkerställer att endast den nuvarande informationen redovisas. I figur 2 flyttas den röda rutan (representerande de senaste 10 datapunkterna) till höger om det nya värdet på 5 och det sista värdet av 15 släpps från beräkningen. Eftersom det relativt lilla värdet på 5 ersätter det höga värdet på 15, förväntar du dig att genomsnittet av datamängden minskar, vilket det gör, i det här fallet från 11 till 10. Vad ser Moving Averages Like När värdena på MA har beräknats, de är plottade på ett diagram och sedan anslutna för att skapa en rörlig genomsnittslinje. Dessa kurvor är vanliga på diagrammen för tekniska handlare, men hur de används kan variera drastiskt (mer om detta senare). Som du kan se i Figur 3 är det möjligt att lägga till mer än ett glidande medelvärde till ett diagram genom att justera antalet tidsperioder som används i beräkningen. Dessa böjda linjer kan verka distraherande eller förvirrande först, men du kommer att bli vana vid dem som tiden går vidare. Den röda linjen är helt enkelt genomsnittspriset under de senaste 50 dagarna, medan den blå linjen är genomsnittspriset under de senaste 100 dagarna. Nu när du förstår vad ett rörligt medelvärde är och hur det ser ut, introducera väl en annan typ av rörligt medelvärde och undersöka hur det skiljer sig från det tidigare nämnda enkla glidande medlet. Det enkla glidande medlet är extremt populärt bland handlare, men som alla tekniska indikatorer har det kritiker. Många individer hävdar att användbarheten av SMA är begränsad eftersom varje punkt i dataserien är densamma, oavsett var det inträffar i sekvensen. Kritiker hävdar att de senaste uppgifterna är mer signifikanta än de äldre uppgifterna och bör ha större inverkan på slutresultatet. Som svar på denna kritik började näringsidkare lägga större vikt vid de senaste uppgifterna, som sedan har lett till uppfinningen av olika typer av nya medelvärden, varav den mest populära är det exponentiella rörliga genomsnittet (EMA). (För vidare läsning, se Grunderna för viktade rörliga medelvärden och vad som är skillnaden mellan en SMA och en EMA) Exponentiell rörlig genomsnitts Det exponentiella rörliga genomsnittsvärdet är en typ av rörligt medelvärde som ger större vikt till de senaste priserna i ett försök att göra det mer responsivt till ny information. Att lära sig den något komplicerade ekvationen för att beräkna en EMA kan vara onödig för många handlare, eftersom nästan alla kartläggningspaket gör beräkningarna för dig. Men för dig matte geeks där ute, här är EMA-ekvationen: När du använder formeln för att beräkna den första punkten hos EMA kan du märka att det inte finns något värde tillgängligt för att använda som tidigare EMA. Detta lilla problem kan lösas genom att starta beräkningen med ett enkelt glidande medelvärde och fortsätta med ovanstående formel därifrån. Vi har försett dig med ett provkalkylblad som innehåller verkliga exempel på hur man beräknar både ett enkelt glidande medelvärde och ett exponentiellt glidande medelvärde. Skillnaden mellan EMA och SMA Nu när du har en bättre förståelse för hur SMA och EMA beräknas, kan vi titta på hur dessa genomsnitt skiljer sig åt. Genom att titta på beräkningen av EMA kommer du att märka att större vikt läggs på de senaste datapunkterna, vilket gör det till en typ av vägt genomsnitt. I Figur 5 är antalet tidsperioder som används i varje genomsnitt identiskt (15), men EMA svarar snabbare på de förändrade priserna. Lägg märke till hur EMA har ett högre värde när priset stiger och faller snabbare än SMA när priset sjunker. Denna respons är den främsta anledningen till att många handlare föredrar att använda EMA över SMA. Vad betyder de olika dagarna Medflyttande medelvärden är en helt anpassningsbar indikator, vilket innebär att användaren fritt kan välja vilken tidsram de vill ha när de skapar genomsnittet. De vanligaste tidsperioderna som används i glidande medelvärden är 15, 20, 30, 50, 100 och 200 dagar. Ju kortare tidsintervallet användes för att skapa medelvärdet desto känsligare blir det för prisändringar. Ju längre tidspanelen är, desto mindre känslig eller jämnare blir medeltalet. Det finns ingen rätt tidsram att använda när du ställer in dina glidande medelvärden. Det bästa sättet att ta reda på vilken som passar dig bäst är att experimentera med ett antal olika tidsperioder tills du hittar en som passar din strategi. Flytta genomsnitt: Hur man använder dem
Comments
Post a Comment