การย้าย ค่าเฉลี่ย ฤดูกาล ดัชนี

Moving Average ตัวอย่างนี้สอนวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้จุดสูงสุดและที่ราบสูงเป็นไปอย่างราบรื่นเพื่อให้ทราบถึงแนวโน้มต่างๆได้ง่ายขึ้นอันดับแรกลองดูที่ชุดข้อมูลเวลาของเรา คลิกการวิเคราะห์ข้อมูลคลิกที่นี่เพื่อโหลด Add-In Toolkit การวิเคราะห์ 3 เลือก Moving Average และคลิก OK.4 คลิกในกล่อง Input Range และเลือกช่วง B2 M2 5. คลิกที่ช่อง Interval และพิมพ์ 6.6 คลิกที่ Output Range และเลือกเซลล์ B3.8 วาดกราฟของค่าเหล่านี้การอธิบายเนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและ จุดข้อมูลปัจจุบันเป็นผลให้ยอดและหุบเขาถูกทำให้ราบรื่นกราฟแสดงแนวโน้มการเพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้มากพอ 9 ทำซ้ำขั้นตอนที่ 2 ถึง 8 สำหรับช่วง 2 และช่วงเวลา 4. บทสรุป The la rger ช่วงเวลาที่ยอดเนินและหุบเขาจะเรียบขึ้นช่วงเวลาที่มีขนาดเล็กยิ่งขึ้นค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ที่ใกล้เคียงกับจุดข้อมูลที่แท้จริงการใช้ตารางคำนวณของการปรับฤดูกาลและการทำให้เรียบเป็นทวีคูณเป็นเรื่องง่ายที่จะปรับเปลี่ยนตามฤดูกาล โมเดลที่ใช้ Excel ภาพหน้าจอและแผนภูมิด้านล่างนี้นำมาจากสเปรดชีตที่ได้รับการตั้งค่าเพื่อแสดงการปรับตามฤดูกาลแบบคูณและการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นตามข้อมูลการขายรายไตรมาสต่อไปนี้จาก Outboard Marine เพื่อรับสำเนาไฟล์สเปรดชีตคลิกที่นี่ รุ่นของการเรียบแบบเสวนาเชิงเส้นที่จะใช้ที่นี่เพื่อจุดประสงค์ในการสาธิตคือรุ่น Brown's เนื่องจากสามารถใช้ได้กับคอลัมน์เดียวของสูตรและมีเพียงหนึ่ง smoothing constant เพื่อเพิ่มประสิทธิภาพโดยปกติแล้วจะเป็นการดีกว่าที่จะใช้รุ่นของ Holt ที่มีราบรื่นคงที่สำหรับระดับและแนวโน้มกระบวนการคาดการณ์ดำเนินตาม foll เนื่องจากข้อมูลที่ได้รับการปรับฤดูกาลแล้ว ii จะมีการสร้างข้อมูลคาดการณ์สำหรับข้อมูลที่ปรับฤดูกาลแล้วโดยใช้การเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นและ iii ในที่สุดการคาดการณ์ที่ปรับฤดูกาลจะได้รับการปรับเหตุผลตามฤดูกาลเพื่อหาการคาดการณ์สำหรับชุดเดิมกระบวนการปรับตามฤดูกาลจะดำเนินการในคอลัมน์ D ถึง G ขั้นตอนแรกในการปรับฤดูกาลคือการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางที่นี่ในคอลัมน์ D ซึ่งสามารถทำได้โดยการใช้ค่าเฉลี่ยโดยเฉลี่ยของทั้งสองปีที่สองซึ่งจะหักล้างโดยระยะเวลาหนึ่งเทียบกับแต่ละอื่น ๆ การรวมสองค่าชดเชย ขั้นตอนต่อไปคือการคำนวณอัตราส่วนเป็นค่าเฉลี่ยเคลื่อนที่ - เช่นเดิมข้อมูลที่หารด้วยค่าเฉลี่ยเคลื่อนที่ในแต่ละช่วงเวลา - ซึ่งมีการดำเนินการที่นี่ใน คอลัมน์ E นี้เรียกว่าส่วนประกอบของเทรนด์วัฏจักรของรูปแบบตราบใดที่แนวโน้มและผลกระทบของวัฏจักรธุรกิจอาจได้รับการพิจารณาว่าเป็นสิ่งที่เหลืออยู่ทั้งหมด โดยเฉลี่ยทั่วทั้งปีของมูลค่าของข้อมูลแน่นอนการเปลี่ยนแปลงรายเดือนที่ไม่ได้เกิดจากฤดูกาลอาจจะถูกกำหนดโดยปัจจัยอื่น ๆ อีกมากมาย แต่เฉลี่ย 12 เดือนเรียบเหนือพวกเขาในระดับที่ดีดัชนีตามฤดูกาลโดยประมาณ สำหรับแต่ละฤดูกาลจะคำนวณโดยใช้อัตราส่วนเฉลี่ยทั้งหมดสำหรับฤดูกาลนั้นโดยเฉพาะซึ่งทำในเซลล์ G3-G6 โดยใช้สูตร AVERAGEIF อัตราส่วนโดยเฉลี่ยจะถูกปรับใหม่เพื่อให้รวมเป็น 100 เท่าของจำนวนงวดในหนึ่งฤดูกาล หรือ 400 ในกรณีนี้ซึ่งทำในเซลล์ H3-H6 ด้านล่างในคอลัมน์ F สูตร VLOOKUP ใช้เพื่อแทรกค่าดัชนีตามฤดูกาลที่เหมาะสมในแต่ละแถวของตารางข้อมูลตามไตรมาสของปีที่แสดงถึงการย้ายศูนย์กลาง โดยเฉลี่ยแล้วข้อมูลที่ปรับฤดูกาลแล้วจะมีลักษณะเช่นนี้โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่โดยทั่วไปดูเหมือนจะเป็นชุดที่ปรับฤดูกาลตามฤดูกาลที่ราบรื่นขึ้นและสั้นลงทั้งสองด้านแผ่นงานอื่น ๆ ในไฟล์ Excel เดียวกันแสดงข้อมูล pplication ของแบบจำลองการทำให้เกิดความคมชัดเชิงตัวเลขแบบเส้นตรงกับข้อมูลที่ปรับฤดูกาลแล้วเริ่มต้นในคอลัมน์ GA ค่าสำหรับอัลฟาคงที่ที่ราบเรียบถูกป้อนเหนือคอลัมน์พยากรณ์ที่นี่ในเซลล์ H9 และเพื่อความสะดวกมันถูกกำหนดให้ชื่อช่วง Alpha ชื่อถูกกำหนดโดยใช้ ใส่คำสั่งสร้างคำสั่งโมเดล LES ได้รับการเตรียมใช้งานโดยการตั้งค่าการคาดการณ์สองชุดแรกเท่ากับมูลค่าที่แท้จริงครั้งแรกของชุดที่ปรับฤดูกาลตามฤดูกาลสูตรที่ใช้ในการพยากรณ์ LES คือรูปแบบการเรียกซ้ำรูปสมการเดียวของแบบสีน้ำตาลสูตรนี้ถูกป้อน ในเซลล์ที่สอดคล้องกับระยะเวลาสามที่นี่เซลล์ H15 และคัดลอกลงจากที่นั่นสังเกตว่าการคาดการณ์ LES สำหรับรอบระยะเวลาปัจจุบันหมายถึงสองข้อสังเกตก่อนหน้านี้และสองข้อผิดพลาดในการคาดการณ์ก่อนเช่นเดียวกับค่าของ alpha ดังนั้น สูตรการคาดการณ์ในแถวที่ 15 หมายถึงเฉพาะข้อมูลที่มีอยู่ในแถวที่ 14 และก่อนหน้านี้แน่นอนว่าถ้าเราต้องการใช้แบบเรียบง่าย ng เราสามารถใช้สูตร SES แทนได้นอกจากนี้เรายังสามารถใช้ Holt s แทนที่จะเป็น Brown's LES model ซึ่งจะต้องใช้สองสูตรเพิ่มเติมในการคำนวณระดับและแนวโน้มที่ใช้ในการพยากรณ์ความผิดพลาดจะถูกคำนวณใน คอลัมน์ถัดไปที่นี่คอลัมน์ J โดยการลบการคาดการณ์จากค่าที่แท้จริงข้อผิดพลาดหลักหมายถึงกำลังสองจะคำนวณเป็นรากที่สองของความแปรปรวนของข้อผิดพลาดบวกตารางของค่าเฉลี่ยต่อไปนี้จากข้อผิดพลาดทางคณิตศาสตร์ MSE VARIANCE ข้อผิดพลาด AVER ข้อผิดพลาด 2 ใน การคำนวณค่าเฉลี่ยและความแปรปรวนของข้อผิดพลาดในสูตรนี้สองช่วงแรกจะถูกแยกออกเนื่องจากโมเดลไม่ได้เริ่มคาดการณ์จริงจนกว่าจะถึงช่วงที่สามของช่วง 15 ในสเปรดชีตค่าที่ดีที่สุดของอัลฟาสามารถหาได้ด้วยการเปลี่ยนอัลฟาด้วยตนเองจนกระทั่ง RMSE ต่ำสุดหรือมิฉะนั้นคุณสามารถใช้ Solver เพื่อดำเนินการลดค่าที่แน่นอนได้ค่า alpha ที่ Solver พบจะแสดงที่นี่ alpha 0 471. โดยปกติแล้วเป็นความคิดที่ดี t o พล็อตข้อผิดพลาดของรูปแบบในหน่วยแปลงและยังคำนวณและพล็อต autocorrelations ของพวกเขาที่ล่าช้าถึงหนึ่งฤดูกาลนี่เป็นอนุกรมเวลาชุดของข้อผิดพลาดที่ปรับตามฤดูกาลข้อผิดพลาด autocorrelations คำนวณโดยใช้ฟังก์ชัน CORREL เพื่อคำนวณ ความสัมพันธ์ของข้อผิดพลาดกับตัวเองล่าช้าโดยหนึ่งหรือหลายงวด - รายละเอียดจะแสดงในรูปแบบสเปรดชีตนี่คือพล็อตของ autocorrelations ของข้อผิดพลาดที่ห้า lags. The แรก autocorrelations ที่ lags 1 ถึง 3 อยู่ใกล้กับศูนย์, แต่ความล่าช้าที่ความล่าช้า 4 มีค่าเป็น 0 35 เป็นปัญหาเล็กน้อย - มันแสดงให้เห็นว่ากระบวนการปรับฤดูกาลไม่ได้รับความสำเร็จอย่างสมบูรณ์ แต่ก็เป็นจริงเพียงเล็กน้อยสำคัญ 95 ความสำคัญวงสำหรับการทดสอบว่า autocorrelations แตกต่างกันอย่างมีนัยสำคัญจากศูนย์เป็นประมาณ plus-or-minus 2 SQRT nk โดยที่ n คือขนาดของตัวอย่างและ k คือความล่าช้าที่นี่ n คือ 38 และ k จะแตกต่างกันไปตั้งแต่ 1 ถึง 5 ดังนั้นรากที่สองของ - n-minus-k มีค่าประมาณ 6 สำหรับ ทั้งหมดของพวกเขาและด้วยเหตุนี้ข้อ จำกัด ในการทดสอบความสำคัญทางสถิติของการเบี่ยงเบนจากศูนย์เป็นประมาณบวกหรือลบ 2 6 หรือ 0 33 ถ้าคุณเปลี่ยนแปลงค่าของอัลฟาด้วยมือในรูปแบบ Excel นี้คุณสามารถสังเกตเห็นผลกระทบต่อ อนุกรมเวลาและแปลงความคลาดเคลื่อนของข้อผิดพลาดรวมถึงข้อผิดพลาดของราก - หมายถึงสองเหลี่ยมซึ่งจะแสดงด้านล่างที่ด้านล่างของสเปรดชีตสูตรการคาดการณ์จะถูกบูตเข้าสู่อนาคตโดยเพียงแทนที่การคาดการณ์สำหรับค่าที่แท้จริง ณ จุดที่ข้อมูลจริงหมด - คือที่อนาคตจะเริ่มต้นในคำอื่น ๆ ในแต่ละเซลล์ที่มีค่าข้อมูลในอนาคตจะเกิดขึ้นการอ้างอิงเซลล์จะแทรกที่ชี้ไปที่การคาดการณ์ที่ทำสำหรับช่วงเวลานั้นสูตรอื่น ๆ ทั้งหมดเป็น เพียงแค่คัดลอกลงมาจากด้านบนข้อสังเกตว่าข้อผิดพลาดในการคาดการณ์ในอนาคตจะคำนวณทั้งหมดเป็นศูนย์ซึ่งไม่ได้หมายความว่าข้อผิดพลาดจริงจะเป็นศูนย์ แต่เพียง แต่สะท้อนให้เห็นถึงข้อเท็จจริงที่ว่าเพื่อวัตถุประสงค์ในการคาดการณ์เราจะสมมติว่า ข้อมูลในอนาคตจะเท่ากับการคาดการณ์โดยเฉลี่ยการคาดการณ์ LES สำหรับข้อมูลที่ปรับฤดูกาลแล้วจะมีลักษณะเช่นนี้ด้วยค่า alpha นี้โดยเฉพาะซึ่งเป็นค่าที่เหมาะสมสำหรับการคาดการณ์ล่วงหน้าหนึ่งรอบแนวโน้มที่คาดการณ์ไว้จะสูงขึ้นเล็กน้อยสะท้อนจากท้องถิ่น แนวโน้มที่ได้รับการสังเกตในช่วง 2 ปีที่ผ่านมาสำหรับค่าอัลฟาอื่น ๆ อาจมีการคาดการณ์แนวโน้มที่แตกต่างกันโดยปกติแล้วความคิดที่ดีที่จะเห็นว่าเกิดอะไรขึ้นกับการคาดการณ์แนวโน้มในระยะยาวเมื่ออัลฟามีความหลากหลายเนื่องจากค่า ที่ดีที่สุดสำหรับการคาดการณ์ในระยะสั้นจะไม่จำเป็นต้องเป็นค่าที่ดีที่สุดสำหรับการทำนายอนาคตอันไกลไกลมากขึ้นตัวอย่างเช่นนี่คือผลที่ได้รับถ้าค่าของอัลฟาถูกตั้งด้วยตนเองเป็น 0 25 คาดการณ์แนวโน้มในระยะยาวคือ ตอนนี้เชิงลบมากกว่าบวกกับค่าที่น้อยลงของ alpha รูปแบบจะวางน้ำหนักมากขึ้นเมื่อข้อมูลที่เก่ากว่าในการประมาณค่าของระดับปัจจุบันและแนวโน้มและการคาดการณ์ในระยะยาวสะท้อนให้เห็นถึงแนวโน้มลดลงสังเกต แผนภูมินี้แสดงให้เห็นอย่างชัดเจนว่ารูปแบบที่มีค่าน้อยลงของอัลฟาจะตอบสนองต่อจุดหักเหของข้อมูลได้ช้าลงและมีแนวโน้มที่จะทำให้ข้อผิดพลาดของเครื่องหมายเดียวกันในหลาย ๆ ช่วงเวลา ในแถวข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนมีค่ามากกว่าค่าเฉลี่ยที่ได้รับก่อน RMSE ที่ 34 4 มากกว่า 27 4 และมีความเกี่ยวพันกันในเชิงบวกอย่างมากความสัมพันธ์กับความสัมพันธ์ที่ล่าช้าของ 0 56 มากเกินกว่าค่า 0 33 ที่คำนวณข้างต้นสำหรับ a ความแตกต่างอย่างมีนัยสำคัญทางสถิติจากศูนย์ในฐานะที่เป็นทางเลือกหนึ่งในการลดค่า alpha เพื่อให้เป็นที่อนุรักษ์นิยมมากขึ้นในการคาดการณ์ในระยะยาวปัจจัยผันผวนของแนวโน้มบางครั้งจะถูกเพิ่มลงในแบบจำลองเพื่อที่จะทำให้แนวโน้มที่คาดการณ์แผ่ออกไปหลังจากไม่กี่ช่วงเวลา ขั้นตอนสุดท้ายในการสร้างแบบจำลองการคาดการณ์คือการทำให้การคาดการณ์ของ LES มีความสมเหตุสมผลโดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสมดังนั้นการคาดการณ์ของกลุ่มตัวอย่างในคอลัมน์ที่ 1 คือ เพียงผลิตภัณฑ์ของดัชนีตามฤดูกาลในคอลัมน์ F และการคาดการณ์ LES ตามฤดูกาลในคอลัมน์ H. มันค่อนข้างง่ายในการคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้าหนึ่งก้าวโดยโมเดลนี้ก่อนคำนวณข้อผิดพลาด RMSE root-mean-squared, ซึ่งเป็นเพียงรากที่สองของ MSE และคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ที่ปรับตามฤดูกาลโดยการบวกและลบสองครั้ง RMSE โดยทั่วไปช่วงความเชื่อมั่น 95 สำหรับการคาดการณ์ล่วงหน้าหนึ่งรอบจะเท่ากับประมาณการจุดบวก - หรือ - ลบ - สองครั้งส่วนเบี่ยงเบนมาตรฐานประมาณของข้อผิดพลาดในการคาดการณ์สมมติว่าการกระจายข้อผิดพลาดมีค่าประมาณปกติและขนาดตัวอย่างมีขนาดใหญ่พอพูดว่า 20 หรือมากกว่าที่นี่ RMSE แทนที่จะเป็นค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาดคือ ประมาณการที่ดีที่สุดของส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์ในอนาคตเนื่องจากจะใช้รูปแบบอคติเช่นเดียวกับการสุ่มตัวอย่างในบัญชีความเชื่อมั่น จำกัด สำหรับการคาดการณ์ที่ปรับฤดูกาลแล้วมีเหตุผล ในกรณีนี้ RMSE มีค่าเท่ากับ 27 4 และการคาดการณ์ที่ปรับฤดูกาลสำหรับงวดแรกในเดือน ธ. ค. 93 อยู่ที่ 273 2 ดังนั้นช่วงความเชื่อมั่น 95 ที่ปรับฤดูกาลแล้วจะมาจาก 273 2-2 27 4 218 4 ถึง 273 2 2 27 4 328 0 การคูณข้อ จำกัด เหล่านี้ตามดัชนีฤดูกาลธันวาคมของ 68 61 เราได้รับความเชื่อมั่นด้านล่างและด้านบนของ 149 8 และ 225 0 รอบการคาดการณ์จุด -2593 ที่ 187 4 ความเชื่อมั่นที่กำหนดไว้สำหรับการคาดการณ์มากกว่าหนึ่งรอบระยะเวลาข้างหน้าโดยทั่วไปจะขยายขึ้นเมื่อขอบฟ้าคาดการณ์เพิ่มขึ้นเนื่องจากความไม่แน่นอนเกี่ยวกับระดับและแนวโน้มตลอดจนปัจจัยตามฤดูกาล แต่เป็นการยากที่จะคำนวณโดยทั่วไปด้วยวิธีการวิเคราะห์วิธีที่เหมาะสมในการคำนวณ วงเงินความเชื่อมั่นสำหรับการคาดการณ์ LES คือโดยใช้ทฤษฎี ARIMA แต่ความไม่แน่นอนในดัชนีตามฤดูกาลเป็นเรื่องอื่นถ้าคุณต้องการช่วงความเชื่อมั่นที่เป็นจริงสำหรับการคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงโดยใช้แหล่งข้อมูลทั้งหมด ข้อผิดพลาดทางบัญชีที่ดีที่สุดคือการใช้วิธีเชิงประจักษ์เช่นเพื่อให้ได้ช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้า 2 ขั้นตอนคุณสามารถสร้างคอลัมน์อื่นในสเปรดชีตเพื่อคำนวณการคาดการณ์ล่วงหน้า 2 ขั้นตอนในทุกๆช่วงเวลาโดย bootstrapping คาดการณ์ล่วงหน้าหนึ่งก้าวจากนั้นคำนวณ RMSE ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 2 ขั้นตอนและใช้ข้อมูลนี้เป็นพื้นฐานสำหรับช่วงความเชื่อมั่นแบบ 2 ขั้นตอนล่วงหน้าค่าเฉลี่ยวิธีการใช้ Them. Some บางส่วนของฟังก์ชันหลักของ ค่าเฉลี่ยเคลื่อนที่จะระบุแนวโน้มและการพลิกกลับวัดความแรงของโมเมนตัมของสินทรัพย์และกำหนดพื้นที่ที่อาจเป็นสินทรัพย์ที่จะได้รับการสนับสนุนหรือความต้านทานในส่วนนี้เราจะชี้ให้เห็นว่าช่วงเวลาต่างๆสามารถตรวจสอบโมเมนตัมและค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ได้อย่างไร ในการตั้งค่าการหยุดขาดทุนนอกจากนี้เราจะกล่าวถึงขีดความสามารถและข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่ที่ควรพิจารณาเมื่อใช้เป็นส่วนหนึ่งของเทรนด์การเทรนด์แนวโน้มการระบุแนวโน้มเป็นหนึ่งในปัจจัยสำคัญ nctions ของค่าเฉลี่ยเคลื่อนที่ซึ่งใช้โดย traders ส่วนใหญ่ที่พยายามทำให้แนวโน้มเพื่อนของพวกเขาค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ lagging ซึ่งหมายความว่าพวกเขาไม่ได้คาดการณ์แนวโน้มใหม่ แต่ยืนยันแนวโน้มเมื่อมีการสร้างที่คุณสามารถดูในรูปที่ 1, หุ้นจะถือว่าอยู่ในขาขึ้นเมื่อราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยจะแคบขึ้นไปในทางตรงกันข้ามผู้ประกอบการค้าจะใช้ราคาต่ำกว่าค่าเฉลี่ยต่ำลงเพื่อยืนยันขาลงผู้ค้าหลายรายจะพิจารณาเฉพาะการถือครองฐานะยาวเท่านั้น สินทรัพย์เมื่อราคามีการซื้อขายสูงกว่าค่าเฉลี่ยเคลื่อนที่กฎง่ายๆนี้สามารถช่วยให้มั่นใจได้ว่าเทรนด์มีการทำงานในผู้ค้ารายย่อยผู้ค้าเริ่มต้นหลายรายถามว่ามันเป็นไปได้อย่างไรในการวัดโมเมนตัมและค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้เพื่อจัดการกับความสำเร็จดังกล่าวได้อย่างไร คำตอบง่ายๆคือให้ความสำคัญกับช่วงเวลาที่ใช้ในการสร้างค่าเฉลี่ยเนื่องจากแต่ละช่วงเวลาสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าในรูปแบบต่างๆของโมเมนตัมโดยทั่วไป mome ระยะสั้น ntum สามารถวัดได้โดยดูที่ค่าเฉลี่ยเคลื่อนที่ซึ่งมุ่งเน้นไปที่ช่วงเวลา 20 วันหรือน้อยกว่าการดูค่าเฉลี่ยเคลื่อนที่ที่เกิดขึ้นในช่วง 20 ถึง 100 วันโดยทั่วไปถือว่าเป็นตัววัดที่ดีของแรงในระยะกลาง ค่าเฉลี่ยที่ใช้ 100 วันหรือมากกว่าในการคำนวณสามารถใช้เป็นตัววัดความเป็นโมเมนตัมในระยะยาวสามัญสำนึกควรบอกคุณว่าค่าเฉลี่ยเคลื่อนที่ 15 วันเป็นตัววัดระยะสั้นที่เหมาะสมกว่าค่าเฉลี่ยเคลื่อนที่ 200 วัน หนึ่งในวิธีการที่ดีที่สุดในการกำหนดความแรงและทิศทางของโมเมนตัมของสินทรัพย์คือการวางค่าเฉลี่ยเคลื่อนที่สามตัวลงบนแผนภูมิและให้ความสนใจใกล้เคียงกับวิธีที่พวกเขาพาดพิงถึงกันและกันค่าเฉลี่ยเคลื่อนที่สามตัวที่ใช้โดยทั่วไปมี ระยะเวลาที่แตกต่างกันในความพยายามที่จะแสดงการเคลื่อนไหวของราคาในระยะสั้นระยะกลางและระยะยาวในรูปที่ 2 แรงดึงดูดที่แข็งแกร่งขึ้นจะเห็นได้เมื่อค่าเฉลี่ยระยะสั้นอยู่เหนือค่าเฉลี่ยระยะยาวและค่าเฉลี่ยสองค่าคือ d iverging ตรงกันข้ามเมื่อค่าเฉลี่ยระยะสั้นอยู่ต่ำกว่าค่าเฉลี่ยระยะยาวแล้วโมเมนตัมจะอยู่ในทิศทางที่ลดลงการสนับสนุนการใช้ค่าเฉลี่ยเคลื่อนที่โดยทั่วไปคือการกำหนดราคาที่เป็นไปได้ซึ่งไม่ใช้เวลามากในการจัดการกับค่าเฉลี่ยเคลื่อนที่ สังเกตว่าราคาที่ลดลงของสินทรัพย์มักจะหยุดและย้อนกลับทิศทางในระดับเดียวกับค่าเฉลี่ยที่สำคัญตัวอย่างเช่นในรูปที่ 3 คุณจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 200 วันสามารถยืนยันราคาของหุ้นหลังจาก ลดลงจากระดับสูงที่อยู่ใกล้ 32 จุดการซื้อขายหลายตัวคาดว่าจะพลิกกลับจากค่าเฉลี่ยเคลื่อนที่ที่สำคัญและจะใช้ตัวชี้วัดทางเทคนิคอื่น ๆ เพื่อยืนยันถึงการเคลื่อนไหวที่คาดไว้ความต้านทานเมื่อราคาของสินทรัพย์ต่ำกว่าระดับที่มีอิทธิพลเช่น 200 ค่าเฉลี่ยวันเคลื่อนไหวโดยเฉลี่ยแล้วไม่ใช่เรื่องแปลกที่จะเห็นการเคลื่อนไหวโดยเฉลี่ยเป็นอุปสรรคสำคัญที่ทำให้นักลงทุนไม่สามารถผลักดันให้ราคาขึ้นเหนือค่าเฉลี่ยดังที่คุณสามารถดูได้จากแผนภูมิด้านล่าง เป็นความต้านทานมักใช้โดย traders เป็นเครื่องหมายเพื่อทำกำไรหรือปิด out long มีอยู่ใด ๆ ผู้ขายสั้น ๆ จำนวนมากยังจะใช้ค่าเฉลี่ยเหล่านี้เป็นจุดเข้าเพราะราคามักจะตีกลับปิดความต้านทานและยังคงย้ายต่ำกว่าถ้าคุณเป็นนักลงทุน ผู้ถือครองตำแหน่งที่ยาวนานในสินทรัพย์ที่ซื้อขายต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่สำคัญอาจเป็นประโยชน์สูงสุดสำหรับคุณในการเฝ้าระวังระดับเหล่านี้อย่างใกล้ชิดเนื่องจากอาจส่งผลกระทบต่อมูลค่าการลงทุนของคุณอย่างมากการสูญเสียการหยุดชะงักการสนับสนุนและลักษณะความต้านทานในการเคลื่อนย้าย ค่าเฉลี่ยทำให้พวกเขาเป็นเครื่องมือที่ดีสำหรับการจัดการความเสี่ยงความสามารถในการเคลื่อนย้ายค่าเฉลี่ยเพื่อระบุสถานที่เชิงกลยุทธ์ในการตั้งคำสั่งหยุดขาดทุนช่วยให้ผู้ค้าสามารถตัดตำแหน่งที่เสียไปก่อนที่จะสามารถเติบโตได้มากขึ้นตามที่เห็นในรูปที่ 5 พ่อค้าที่ถือยาว ตำแหน่งในสต็อกและการตั้งค่าคำสั่งหยุดการขาดทุนของพวกเขาด้านล่างค่าเฉลี่ยที่มีอิทธิพลสามารถบันทึกตัวเองเป็นเงินจำนวนมากการใช้ค่าเฉลี่ยเคลื่อนที่เพื่อตั้งคำสั่งหยุดขาดทุนเป็นกุญแจสำคัญในการประสบความสำเร็จใด ๆ tra ding กลยุทธ์