توابع میانگین نمایی سه گانه

پایان‌نامه
طراحی یک نمودار کنترل میانگین متحرک موزون نمایی با بازه های نمونه گیری متغیر برای کنترل تغییرات در میانگین فرآیند

چکیده:
عملکرد یک نمودار X-bar معمولاً تحت این فرض که انحراف معیار فرآیند به خوبی تخمین زده شده و تغییر نمی کند، بررسی می شود. البته این فرض در عمل معمولاً درست نبوده و نمودارهای X-bar در برابر اشتباهات تخمین انحراف معیار فرآیند یا تغییرات انحراف معیار پایدار نیستند. در این تحقیق، به بررسی یک نمودار کنترل میانگین متحرک موزون نمایی با بازه های نمونه گیری متغیر برای کنترل تغییرات در میانگین فرآیند پرداخته می شود. حدود کنترل بهینه به نحوی تعیین شده که نمودار در برابر اشتباهات تخمین انحراف معیار یا تغییرات آن پایداری خوبی داشته باشد. برای مقایسه عملکرد آن با سایر نمودارهای مشابه از روش زنجیره مارکوف استفاده شده و با استفاده از شبیه سازی، نتایج به دست آمده بررسی شده است. علت استفاده از ویژگی بازه های نمونه گیری متغیر، واکنش سریع تر نمودار به تغییرات میانگین است.

طراحی یک نمودار کنترل میانگین متحرک موزون نمایی با بازه های نمونه گیری متغیر برای کنترل تغییرات در میانگین فرآیند 3/21/2010 12:00:00 AM

اندیکاتور مووینگ اوریج ساده (میانگین متحرک)

آموزش ویدئویی نحوه کار کردن با اندیکاتور مووینگ اوریج (با تدریس دکتر محمد بحرینی)

اندیکاتورها (Indicator) از مهمترین و اصلی ترین ابزارهای تحلیل تکنیکال هستند که در این مقاله در بخش اول، اندیکاتورها و انواع دسته بندی آنها و در بخش دوم، یکی از پرکاربرد ترین ابزارهای اندیکاتور ها به نام میانگین متحرک یا مووینگ اوریج (moving average) را به تو عضو عزیز خانواده بحرتحلیل معرفی می کنیم.

سایت بحرتحلیل در پایان مقاله توابع میانگین نمایی سه گانه یک فایل آموزشی رایگان با تدریس دکتر محمد بحرینی قرار داده است. در این فایل ویدئویی نحوه کار و معامله کردن با اندیکاتور مووینگ اوریج ساده بصورت کامل آموزش داده شده است.

بخش اول

اندیکاتور (INDICATOR) چیست؟

اندیکاتورها توابع ریاضی هستند که بر اساس فرمول های خاص در جهت تحلیل بازار بوسیله ابزارهای گرافیکی ترسیم و مورد استفاده قرار می گیرند. به طور کلی برای تحلیل تکنیکال قیمت ها جهت معاملات، بعد از تحلیل شخصی، آنگاه از انواع اندیکاتورهای تکنیکال جهت تایید تحلیل خودتان یا رد آن استفاده می شود.

چهار دسته اصلی اندیکاتورها:

۱- اندیکاتورهای روندی (Trend) :

این اندیکاتور ها اصولاً روی چارت قیمت نمایش داده می شوند و با روند قیمتی حرکت میکنند. اندیکاتور مووینگ اوریج یا میانگین متحرک یکی از بهترین اندیکاتورهای تشخیص روند (Trend) است. مانند اندیکاتور ایچی موکو و بولینگر باند.

۲- نوسانگرها (Oscillator):

این اندیکاتورها (اسیلاتور)، در زیر نمودار قیمت به صورت هیستوگرام و یا نوسانگر نمایان می شوند و اصولا بین دو عدد مثلا صفر و صد در حرکت هستند. هدفشان درک و سنجش میزان هیجان یا قدرت خریداران و فروشندگان و نشان دادن نقاط اشباع خرید و فروش است. مانند اسیلاتور مکدی، استوکاستیک، RSI.

۳- حجم (Volume):

اندیکاتورهای حجمی در زیر گراف قیمت نشان داده می شوند و بیانگر حجم معاملات هستند. مانند OBV و MFI و Volume

۴- بیل ویلیامز (Bill Wiliams):

بخش دوم

استراتژیهای معاملاتی معرفی شده توسط تحلیلگر و محقق بزرگ بورس، آقای بیل ویلیامز که نظریه های منحصر به فرد ایشان، ترکیب تئوری آشفتگی با روانشناسی تجاری بود که همه را در یک دسته بندی قرار داده اند. مانند اندیکاتور الیگیتور (Alligator)

نکته مهم: اندیکاتورهای روند (Trend) در زمانیکه بازار و نمودار آن سهم روند دارد (چه صعودی و چه نزولی) کاربرد دارند و اسیلاتورها (Oscillator) یا همان نوسانگرها در زمانیکه بازار رنج (بدون روند در حال نوسان) میباشد کاربرد بیشتری دارند و نبایستی جابجا از آنها استفاده کرد زیرا خیلی از اوقات سیگنال اشتباه میدهند.

اندیکاتور مووینگ اوریج (MOVING AVERAGE) یا میانگین متحرک

اندیکاتور مووینگ اوریج یکی از بهترین اندیکاتورهای تشخیص روند می باشد. میانگین متحرک (مووینگ اوریج) یک نمودار کاملا قابل تنظیم است ، به این معنی که یک سرمایه گذار می تواند هنگام محاسبه میانگین متحرک (مووینگ اوریج) ، هر بازه زمانی را که می خواهد آزادانه انتخاب کند.

متداول ترین بازه های زمانی مورد استفاده در میانگین متحرک ۱۵، ۲۵، ۳۰، ۵۰، ۵۵، ۱۰۰و ۲۰۰ روز است. (البته استاد در فایل ویدئویی زمانهای بهتر و مفصل تری آموزش داده اند که بهتر میتوان نتیجه گرفت.) هرچه مدت زمان ایجاد شده برای ایجاد میانگین کمتر باشد حساسیت آن نسبت به تغییرات قیمت بیشتر خواهد بود یعنی سرعت بیشتری دارند و سریعتر عکس العمل نشان میدهند.

هرچه مدت زمان طولانی تر باشد، میانگین حساسیت کمتری خواهد داشت. سرمایه گذاران برای محاسبه میانگین متحرک بر اساس اهداف معاملاتی خود ممکن است دوره های زمانی متفاوتی را انتخاب کنند، که بر اساس تجربه به آنها رسیده باشند. میانگین های متحرک کوتاه تر معمولاً برای معاملات کوتاه مدت استفاده می شوند ، در حالی که میانگین های متحرک بلند مدت بیشتر برای سرمایه گذاران بلند مدت مناسب هستند.

ساختار و فرمول مویینگ اوریج ها در حالت کلی بر مبنای میانگین و معدل گیری از قیمت نمودار است. اگر یک مووینگ اوریج را بروی چارت خود فعال کنیم نموداری را مشاهده خواهیم کرد که همقدم با قیمت پیش میرود و تا حد قابل توجهی نوسان ها را فیلتر میکند.

هنگامی که ما یک مووینگ اوریج با دوره زمانی ۲۰ را روی تایم فریم روزانه قرار میدهیم به معنای این است که یک مویینگ اورج ۲۰ روزه (۲۰ روز آخر) روی چارت خودمان داریم و زمانی که همین مووینگ اورج را در تایم یک دقیقه قرار میدهیم به این مفهوم است که ما یک مووینگ اوریج ۲۰ تا یک دقیقه ای (آخری) روی چارت فعال کرده ایم.

بنابراین در کل مووینگ اوریجی که در چارت مورد استفاده قرار میگیرد با تایم فریم آن نسبتی مستقیم نیز دارد.

کاربرد تمامی انواع مووینگ اوریج ها (moving average) یکی است. به‌طور کلی اگر روند میانگین متحرک صعودی باشد، یعنی قیمت ها به تدریج افزایش می یابند.

اگر روند میانگین متحرک نزولی باشد، به این معنی است که قیمت ها به تدریج کاهش می ‌یابند. اگر روند میانگین متحرک بلند مدت صعودی باشد، یعنی روند بلند مدت بازار صعودی است. از آنجا که محاسبه میانگین متحرک از تغییرات قیمت به دست می آید، تابعی از قیمت و روند بازار می باشد و به لحاظ ساختاری برای پیش بینی آینده قیمت همیشه مقداری از روند عقب تر می باشد.

نحوه محاسبه میانگین متحرک بسته به فرمول آن متفاوت است و ساده ترین شیوه محاسبه میانگین متحرک ساده می باشد که از جمع قیمتهای دوره زمانی اخیر(مثلا ۲۰ روزه) تقسیم به دوره زمانی(۲۰) بدست می آید. عدد بدست آمده را روی نمودار ترسیم میکنند و هر روز این اعداد را به هم وصل میکنند تا به شکل خط در بیاید.

انواع مووینگ اوریج ها بر اساس فرمول داخلی آنها :

۱- میانگین متحرک ساده (Simple Moving Average) با مخفف SMA

فرمول محاسبه SMA :

n= بازه زمانی (time period)

درطول سالیان استفاده از SMA (مووینگ اوریج ساده) تحلیلگران بازار مشکلی را در این اندیکاتور شناسایی کردند. در فرمول محاسبه این اندیکاتور اهمیت قیمت روزهای بازه‌زمانی انتخابی یکسان است. مثلا در محاسبه SMA با بازه‌زمانی۱۰ روزه برای یک سهم، تاثیر قیمت روز اول و روز دهم از بازه‌زمانی یکسان است.

۲-میانگین متحرک نمایی (Exponential Moving Average) با مخفف EMA

فرمول محاسبه EMA:

EMA(t) = امروز EMA مقدار

Price(t) = قیمت امروز

فرمول محاسبه ضریب وزنی (K)

n = بازه‌زمانی (Time Period)

۳- میانگین متحرک نمایی دوگانه (Double Exponential Moving Average) با مخفف DEMA

۴- میانگین متحرک نمایی سه‌گانه (Triple Exponential Moving Average) با مخفف TEMA

نکات قابل توجه درمورد مووینگ اوریج ها:

الف_ مووینگ اوریجی که در چارت استفاده می شود با تایم فریم آن نسبت مستقیم دارد.

ب_ EMA حساس‌تر از SMA عمل می‌کند.

ج_ DEMA حساس تر از EMA عمل می کند.

د_ TEMA حساس تر از DEMA عمل می کند.

بطور خلاصه در رابطه با سرعت و حساسیت:

*مووینگ اوریج ها چه کاربردهایی دارند؟

۱- ایجاد سطح حمایت و مقاومت دینامیک

در صورتیکه قیمتها در بالای خط موینگ اوریج باشند این خط اندیکاتور مانند یک سطح حمایتی عمل کرده و در هر بار برخورد به آن واکنش حمایتی از قیمتها نشان میدهد.

اما در صورتیکه قیمتها در زیر خط مویینگ اوریج باشند این خط اندیکاتور به عنوان مقاومت عمل کرده و اجازه عبور قیمتها را به راحتی از خود نمیدهد و یا در هر بار برخورد واکنش نشان میدهد.(مگر آنکه قدرت روند زیاد باشد و بتواند مقاومت (اندیکاتور مووینگ اوریج) را بشکند. در صورت شکسته شدن این خط مقاومتی (اندیکاتور مووینگ اوریج) تبدیل به حمایت میشود.

برای مثال اگر شما سهمی را با مووینگ اوریج ۵۰ تنظیم کرده باشید این اندیکاتور مانند یک سطح مقاومتی یا حمایتی به نمایش در می آید . البته باید پریودهای زمانی زیادی را امتحان کنید تا متوجه بشید چارت پیش روی شما دقیقا به چه تنظیماتی حساسیت دارد.

بهترین راه برای فهمیدن اینکه کدام پریود زمانی برای چارت شما بهتر کار می کند ، آزمایش چندین دوره زمانی مختلف است تا زمانی که یک دوره متناسب با استراتژی خود را پیدا کنید. لازم به ذکر است هر چارت با چارت دیگر به پریودهای زمانی، متفاوت عکس العمل نشان میدهد.

۲- گرفتن سیگنال خرید یا فروش از طریق قطع کردن خطوط مووینگ اوریج ها

برای اینکار لازم است ۲ مووینگ اوریج را فعال کنید توجه داشته باشید اگر از یک نوع مووینگ اوریج استفاده میکنید مثلا SMA بایستی دوره زمانی یکی از مووینگ اوریج ها پایین تر و دیگری بالاتر باشد مثلاً یکی ۲۰ دیگری ۵۵. و یا اینکه از دو موینگ اوریج متفاوت با سرعتهای متفاوت استفاده کنید مانند EMA و DEMA.

حال چگونه از قطع دو مووینگ اوریج سیگنال بگیریم؟ شما هر زمان مشاهده کردید موینگ اوریج ۲۰ (یا سرعت بالاتر)، خط موینگ اوریج ۵۵ (یا سرعت پایین تر) را به بالا قطع کرد سیگنال خرید گرفته و دقیقا برعکس در زمانهایی که موینگ ۲۰ به طرف پایین مووینگ ۵۵ را قطع کرد شما سیگنال فروش خواهید گرفت.

نکته مهمی که در انواع اندیکاتور گفته شد را فراموش نکنید: که باید توجه داشته باشید این سیگنال گرفتن در بازارهای روند کاربرد دارد و در بازارهای رنج سیگنال هایش اعتبار بسیار پایینی دارند. کلا” در بازارهای رنج ما بیشتر از اسیلاتورها (نوسانگرها) استفاده میکنیم.

۳- قانون فشردگی در مووینگ اوریج ها

برای این روش ما به حداقل ۸ تا ۱۰ مووینگ اوریج در بازه زمانی های مختلف نیاز داریم. عملکرد قانون فشردگی به این صورت است که هر زمان هر ۱۰ مووینگ روی هم قرار گرفتند و یا به اصطلاح مثل فنر فشرده شدند باید انتظار این را داشته باشیم که یک روند بسیار قدرتمند (نزولی یا صعودی) در آینده ایجاد خواهد شد. یعنی بعد از اینکه مووینگ ها از فشردگی خارج شدند نمودار قیمت با قدرت یا به سمت بالا حرکت میکند یا به سمت پایین.

نکته مهم: باید اجازه دهیم نمودار حرکت کند تا بفهمیم جهت به کدام سمت میباشد

کلام آخر

اگر تصمیم دارید یک سرمایه گذار حرفه ای شوید و بر تمام بازار تسط پیدا کنید، دوره آموزش تحلیل تکنیکال را به شما پیشنهاد می دهیم. وجه تمایز این دوره با سایر دوره ها در این است که به زبان ساده آموزش داده شده است. سایت بحر تحلیل با هدف رساندن شما به نقطه خوداتکایی در سرمایه گذاری و ثروت پایدار همراه همیشگی شماست.

ایستا کردن در تحلیل سری های زمانی

نکته ای که باید بدانیم این است که فقط در صورتی می توان سری زمانی را راحت تحلیل و پیش بینی کرد، که به صورت ایستا (Stationary) در آمده باشد. ما برای نتیجه گرفتن از الگوریتم سری های زمانی باید اول قادر باشیم آن را ایستا کنیم. (پی نوشت: مقصود ما از تحلیل زمانی معمولا دستیابی به اهدافی از قبیل توصیف، تشریح، پیش بینی، کنترل و یا تطویل سری زمانی کوتاه مدت به بلند مدت (data generation) می باشد.)

منظور از یک سری زمانی ایستا:

یکی از خصوصیات اصلی و مهم در سری زمان، ایستایی است. سری زمانی که خاصیت توابع میانگین نمایی سه گانه ایستایی داشته باشد را می توان تجزیه و تحلیل کرد. بسیاری از تبدیلات مانند میانگین متحرک (Moving Average)، در سری زمانی به منظور ایستا کردن آن به کار می روند.

در صورتی یک سری زمانی ایستا تلقی می شود که خصوصیات آماری آن مانند میانگین و واریانس در طول زمان ثابت باشد. از طرفی ماتریس کوواریانس برای سری زمانی باید مستقل از زمان باشد. معمولا، ارزش سهام در بازار بورس، یک پدیده ایستا نیست زیرا می توان روند افزایشی یا کاهشی را به خوبی در آن مشاهده کرد. همچنین تغییرات نسبت به میانگین هر روز می تواند متفاوت باشد.

در واقع، سری زمانی ایستا دنباله ای از مقادیر وابسته به زمان است که میانگین و واریانس آن به زمان وابسته نباشند. به طور کلی می توان این طور توضیح داد که در یک سری زمانی ایستا، قوانین حاکم بر تغییرات مقدار ها، وابسته به زمان نیست.

در صورتی که به نمودار های زیر دقت کنید قادر به مشاهده تفاوت واضح در میان سری زمانی ایستا و ناایستا خواهید بود:

پیشگامان بی نهایت مطالعه مقاله الگوریتم رگرسیون خطی را به شما عزیزان پیشنهاد می کند.

تشخیص ایستا بودن

تشخیص ایستا بودن یا نبودن یک سری زمانی:

یکی از معروف ترین و پرکاربرد ترین روش های بررسی ایستایی، انجام آزمون Dickey-Fuller است. به کمک این آزمون آماری می توان ایستایی یک سری زمانی را مورد بررسی قرار داد. اگر به زبان آزمون فرض آماری در مورد این آماره صحبت کنیم، می توان گفت که فرض صفر در این آزمون ناایستا بودن سری زمانی است.

در نتیجه اگر با توجه به مقدار p-Value یا همان مقدار احتمال، فرض صفر رد شود، رای توابع میانگین نمایی سه گانه به ایستا بودن سری زمانی خواهیم داد. با مد نظر قرار دادن مقدار احتمال (p) می توان در مورد ایستایی سری زمانی تصمیم گرفت.

اگر p کوچکتر از احتمال خطای نوع اول باشد، فرض صفر رد شده و رای به ایستایی سری زمانی خواهیم داد. در غیر این صورت دلیلی برای وجود ایستایی سری زمانی وجود ندارد. اطلاع دارید که به طور معمول مقدار خطای نوع اول را برابر با 0.05‌ یا 5% در نظر می گیرند.

به نمودار بالا به دقت نگاه کنید. در اینجا از نحوه محاسبه شاخص Dickey-Fuller صرف نظر کرده ایم زیرا در بیشتر نرم افزار های تحلیل سری زمانی محاسبات مربوط به آن قابل انجام است. از طرفی تفسیری که از آن به دست می آید، مهم است تا قادر باشیم ایستایی سری زمانی را به سادگی تشخیص دهیم.

برای ایستا کردن یک سری زمانی چه باید کرد؟

برای ایستا کردن یک سری زمانی باید عواملی که باعث خارج شدن سری زمانی از حالت ایستایی هستند، حذف شوند. به این ترتیب باید مولفه های شناسایی شده در سری زمانی را حذف کنیم. به این کار «هموار سازی» (Smoothing) یا «صافی» (Filtering) می گویند.

روش های مختلفی برای هموار سازی سری زمانی وجود دارد. عملگر های میانگین متحرک، هموار سازی نمایی ساده، روش های تفاضل گیری و… به حذف مولفه های سری زمانی کمک می کنند.

عملگر میانگین متحرک:

در روش عملگر میانگین متحرک با توجه به درجه انتخابی برای میانگین گیری مثلا k، هر مقدار از سری زمانی را با میانگین k-1 مقدار قبلی و خودش جایگزین می کند. این کار به حذف روند و تشکیل الگوی ساده برای سری زمانی کمک بسیاری می کند. میانگین متحرک یک روش هموار سازی داده ها است. البته این عملگر، مولفه روند را برای سری زمانی اندازه گیری و برآورد می کند تا در هنگام پیش بینی از آن استفاده شود.

با یک مثال این روش را توضیح می دهیم:

در نظر بگیرید یک سری زمانی برای ۱۰ زمان مختلف ثبت شده است. اگر درجه هموار سازی میانگین متحرک را برابر با ۳ در نظر بگیریم، باید میانگین مقدار جاری و دو مقدار قبلی (مجموعه سه مقدار) را به دست آوریم و جایگزین مقدار جاری کنیم.

همان طور که پیداست برای دو مقدار اول در سری زمانی، این کار امکان پذیر نیست زیرا نمی توان سه مقدار برای محاسبه میانگین در نظر گرفت. در نتیجه این گونه هموار سازی به کاهش مجموعه داده منجر می شود. هر چه درجه همواره سازی را بزرگ تر انتخاب کنید، هموار سازی زودتر انجام خواهد شد ولی در عوض ممکن است درصد خطای پیش بینی را افزایش دهد.

در همچین حالتی برای آنکه سری زمانی، خاصیت ایستایی پیدا کند و روند را از آن حذف کنیم، کافی است مقدار های سری زمانی را از میانگین متحرک کم کنیم، سری زمانی جدید بدون روند خواهد بود. یعنی در صورتی که Y(t) سری زمانی و m(t) میانگین متحرک در همان زمان باشد، سری زمانی ایستا را به سادگی به این صورت می توان به دست آورد:

X(t) = Y(t) – m(t)

پیشگامان بی نهایت مطالعه مقاله الگوریتم داده کاوی را به شما عزیزان پیشنهاد می کند.

نمودار سری زمانی

به نمودار های بالا دقت کنید. در عکس اول نمودار سری زمانی به همراه مقدار های حاصل از عملگر های میانگین متحرک مرتبه ۳ و ۵ دیده می شود. همچنین در آن سری زمانی ناایستا به رنگ آبی و سری های زمانی ایستای حاصل از عملگر میانگین متحرک مرتبه ۳ و ۵ به رنگ های بنفش و سبز نمایش داده شده اند.

نکته: در سری های زمانی ایستای تولید شده،‌ مولفه روند وجود ندارد.

روش های مدلسازی سری های زمانی:

به طور کلی به منظور مدل سازی سری زمانی روش های مختلفی با توجه به ساختار داده های سری، وجود دارد که سه مورد از معروف ترین و پرکاربرد ترین آنها عبارتند از:

میانگین متحرک (Moving Average):

یکی از ساده ترین مدل های سری زمانی، میانگین متحرک است. در این مدل، مقدار پیش بینی برای زمان بعدی به صورت میانگین مقدار های قبلی خواهد بود. به همین دلیل مدل را به صورت میانگین متحرک نامیده اند. اگر مدل، ایستا باشد، در بسیاری از مواقع مدل میانگین متحرک قابل استفاده و البته از دقت مناسبی نیز برخوردار خواهد بود.

در غیر این صورت به کمک میانگین متحرک می توان روند یک سری زمانی را تشخیص داد. با تعریف یک «پنجره» (Window) از شیوه میانگین متحرک برای هموار سازی سری زمانی و تعیین نقاط تغییر روند می توان استفاده کرد. البته منظور از پنجره در سری زمانی، بازه ای از سری زمانی است که به منظور تحلیل دقیق تر رفتار سری به کار گرفته می شود.

هموار سازی نمایی (Exponential Smoothing):

هموار سازی نمایی نیز از همان منطق هموار سازی میانگین متحرک پیروی می کند. به این ترتیب می توان این روش را به صورت میانگین وزنی برای داده های سری زمانی در نظر گرفت که به داده های دورتر وزن کمتری در محاسبه میانگین می دهد.

کاهش وزن مقدار های گذشته دور در حقیقت از اهمیتشان در محاسبه و پیش بینی مقادیر مربوط به آینده می کاهد و داده های مربوط به حال حاضر تاثیر بیشتری خواهند داشت.

در صورتی که توابع میانگین نمایی سه گانه سری زمانی دارای روند باشند، استفاده از روش هموار سازی نمایی مضاعف نتایج بهتری را ارائه خواهد داد. به نظر می رسد که می توان هموار سازی نمایی مضاعف را به صورت دو بار استفاده از هموار سازی نمایی ساده در نظر گرفت. با اضافه شدن فاکتور یا عامل هموار سازی فصلی، می توان برای سری های زمانی فصلی نیز مدلی ارائه داد.

مدل ترکیبی (SARIMA):

مدل SARIMA (Seasonal Autoregressive Integrated Moving Average Model) را می توانیم ترکیبی از یک مدل پیچیده و ساده بدانیم که می تواند برای سری های زمانی ناایستا و با تغییرات فصلی به کار گرفته شود. در حالت پیچیده اولیه، مدل «خود همبسته» (Autoregressive -AR) با مرتبه p استفاده می شود. این مدل در حقیقت اجرای رگرسیون است که متغیر مستقل و وابسته هر دو داده های سری زمانی را تشکیل می دهند.

به این ترتیب مقدار حال حاضر سری زمانی وابسته به مقادیر گذشته در نظر گرفته می شود. این کار بر اساس مقدار تاخیر یا Lag برابر با p صورت می گیرد. به این معنی که مقدار حاصل حاضر با استفاده از یک رگرسیون خطی بر اساس p مقدار قبلی انجام می شود.

تعیین کردن مقدار مناسب برای پارامتر p توسط تابع و ضریب همبستگی جزئی تعیین می شود. همانطور که در نمودار زیر می بینید با در نظر گرفتن درجه ۴ برای تاخیر ها، میزان تابع خود همبستگی به صفر می رسد بنابراین می توان پارامتر p را برابر با ۴ در نظر گرفت.

به منظور کسب اطلاعات بیشتر، مطالعه مقاله رویکرد رگرسیون و مدلسازی را به شما عزیزان پیشنهاد می نماییم.

درس ۱۰۴ : اندیکاتور تریکس (TRIX)

در این درس، درباره‌ی اندیکاتور تریکس، و محاسبات، پارامترها، و کاربردهای آن توضیحاتی ارائه می‌شود.

تریکس (نمایی سه‌گانه) - TRIX (Triple Exponential)

نوع اندیکاتور: مستقل

تریکس (TRIX) یک اندیکاتور مومنتوم است که درصد نرخ تغییر یک میانگین متحرک هموار نماییِ سه‌گانه‌ی مربوط به قیمت پایانیِ یک سهام را نشان می‌دهد. این اندیکاتور در اوایل دهه‌ی ۱۹۸۰ توسط جک هاتسون، سردبیر مجله‌ی تحلیل فنی سهام و کالا ابداع شد. تریکس که در اطراف یک خط صفر نوسان می‌کند، برای فیلتر کردن برخی حرکات بی‌اهمیت سهام و نمایش روندهای بزرگ آن طراحی شده است. کاربر می‌تواند تعداد دوره‌ها (نظیر ۱۵) را برای ایجاد میانگین متحرک انتخاب کند، و چرخه‌هایی که کوتاه‌تر از آن دوره باشند، به طور خودکار فیلتر می‌شوند.

تریکس یک اندیکاتور پیشرو است و از طریق واگرایی آن با قیمت سهام می‌توان نقاط عطف موجود در یک روند را پیش‌بینی کرد. به همین ترتیب، معمولا از این اندیکاتور برای ترسیم یک میانگین متحرک با یک دوره‌ی کوتاه‌تر (نظیر ۹) نیز استفاده می‌شود؛ این میانگین متحرک را می‌توان به عنوان یک «خط سیگنال‌» در نظر گرفت و جهت حرکت تریکس را پیش‌بینی کرد. از تقاطع‌ها یا کراس‌اوورهای خط تریکس با «خط سیگنال‌» می‌توان به عنوان سیگنال خرید/فروش نیز استفاده کرد.

نمونه‌ی نمودار

محاسبه

برای محاسبه‌ی تریکس، باید دوره‌ای را برای ایجاد یک میانگین متحرک نمایی از قیمت‌های پایانی انتخاب کنید. برای یک دوره‌ی ۱۵ روزه:

۱. میانگین متحرک نمایی ۱۵ روزه‌ی قیمت پایانی را محاسبه کنید.
۲. میانگین متحرک نمایی ۱۵ روزه‌ی میانگین متحرک محاسبه‌شده در مرحله‌ی اول را حساب کنید.
۳. میانگین متحرک نمایی ۱۵ روزه‌ی میانگین متحرک محاسبه‌شده در مرحله‌ی دوم را حساب کنید. اکنون، شما دارای یک میانگین متحرک هموار نمایی سه‌گانه از قیمت‌های پایانی هستید که نوسان آن بسیار کاهش یافته است.
۴. در نهایت، درصد تغییر ۱ روزه‌ی میانگین متحرک محاسبه‌شده در مرحله‌ی ۳ را حساب کنید.

پارامترها

• Periodیا دوره (۱۵):تعداد ستون‌ها یا دوره‌ی مورد استفاده در محاسبه‌ی EMA

کاربرد

از آن جا که تریکس نرخ تغییر قیمت‌های پایانی را اندازه‌گیری می‌کند، مقدار مثبت تریکس نشان‌دهنده‌ی یک افزایش پایدار در قیمت پایانی یک سهام است. بنابراین، یک تریکس مثبت مشابه‌ی یک قیمت با روند مثبت است، و هنگامی که خط صفر را به سمت بالا قطع کند، به اندیکاتور امکان می‌دهد به عنوان یک سیگنال خرید عمل کند. به همین ترتیب، قطع کردن خط صفر به سمت پایین نشان می‌دهد قیمت در پایان هر دوره دارای روند نزولی است، و این مسئله می‌تواند به عنوان یک سیگنال فروش تلقی شود.

«خط سیگنالی‌» که پیش‌تر درباره‌ی آن گفته شد، نیز یک اندیکاتور خرید/فروش مفید است. از آن جا که دوره‌ی خط سیگنال کوتاه‌تر است، قطع شدن‌اش به سمت بالا نشان‌دهنده‌ی این حقیقت است که قیمت‌های اخیر سهام در حال نزدیک شدن به سقف بالاتر هستند. یک سیگنال خرید وقتی ایجاد می‌شود که تریکس خط سیگنال خود را به سمت بالا قطع کند، و یک سیگنال فروش هنگامی ایجاد می‌شود که تریکس خط سیگنال خود را به سمت پایین قطع کند. در طول حرکات جانبی قیمت، این روش می‌تواند سیگنال‌های ناقص ایجاد کند؛ بنابراین، این اندیکاتور وقتی عالی کار می‌کند که قیمت‌ها رونددار باشند. بنابراین، بهتر است از تریکس به همراه سایر اندیکاتورها استفاده کنید تا خیال‌تان بابت تایید درستی سیگنال‌ها راحت‌تر شود.

پیش بینی در اکسل با تابع Forecast + مثال

اگر تحلیلگر مالی هستید یا قصد دارید که به عنوان یک حرفه ای، در بخش های مختلف مالی شروع به کار کنید، خوب است بدانید که پیش بینی بودجه یا هر فرآیند مالی دیگری در آینده، بسیار رایج و متداول است.

این پیش بینی ها معمولاً شامل پیش‌بینی مقادیری در آینده می شود که بر اساس تاریخ هایی که آن هم توسط اکسل پیش گویی می شود، انجام می گیرد.

این پیش بینی ها می تواند حول محور فروش، تولید، تعداد، قیمت سکه و طلا یا هر KPI های دیگری بچرخد.

فرآیند ایجاد پیش‌بینی در اکسل به آسانی کلیک کردن بر روی دکمه «Like» در یک ویدیوی YouTube است.

برای اینکه به شما نشان دهیم که اینکار چقدر آسان است و با ابزارهای پیش بینی در اکسل آشنا شوید، گزارشی فصلی (سه ماهه) از مقادیر فروش یک کسب و کار را در اینجا آورده ایم.

در ستون سمت چپ هم شماره فصول آورده شده اند تا راحت تر بتوانیم در کنار تاریخ ها، فصول سه ماهه را تشخیص دهیم. اما دقت داشته باشید که از این ستون در روند کارمان استفاده نخواهیم کرد و فقط برای فهم بهتر آن را آورده ایم.

پیش بینی فروش برای فصول آینده

همانگونه که در عنوان بالا می بینید، می خواهیم برای فصول در پیش رو (فصولی که هنوز نیامده اند) پیش بینی کنیم که چه تعداد فروش خواهیم داشت.

وقتی که مجموعه داده ای همانند داده های بالا در اختیار شما قرار می گیرد، بهترین و راحت ترین ایده اولیه این است که داده ها را بر روی یک نمودار خطی ترسیم کنیم تا متوجه شویم که تعداد فروش در طول زمان چگونه تغییر کرده است و فرآیند افزایش و کاهش فروش را داشته باشیم.

دقت داشته باشید که هنگامی که می خواهید میزان تغییرات یک عامل را براساس گذر زمان داشته باشید، نمودارهای خطی بهترین ایده برای این کار هستند.

برای شروع، ابتدا ستون “تاریخ” و “مقدار فروش” را با تمام داده هایشان انتخاب کنید و از طریق آدرس زیر یک نمودار خطی ترسیم کنید:

Insert (tab) –> Charts (group) –> Line Chart

به نقاط پستی و بلندی در نمودار دقت کنید. بدون هیچ شکی واضح است که فصل ها در تعداد فروش کالاها دخالت دارند.

ممکن است این راه حل به ذهنتان خطور کند که می توان یک Trendline ساده را ترسیم و میزان فروش را پیش بینی کرد، اما این راه حل درست کار نمی کند. چرا که Trendline ها تاریخ های آینده را در نظر نمی گیرند و فقط براساس داده های موجود، ترسیمی خطی انجام می دهند. بنابراین اصولی نیستند.

پیش بینی فروش برای فصول آینده

ابزار Forecast Sheet (پیش بینی) اولین بار در اکسل نسخه 2016 ارائه شد و در منوی Data و در گروه Forecast قرار داده شد.

برای استفاده از این ابزار، محدوده داده های تاریخ و فروش را انتخاب کنید (در اینجا تمام داده های ستون تعداد فروش و تاریخ ها). اما سرستون ها را انتخاب نکنید. سپس روی گزینه Forecast Sheet کلیک کنید.

همانگونه که مشاهده می کنید این نمودار، خروجی پیش بینی شده توسط اکسل را به ما نشان می دهد.

در ضمن ما می توانیم از بین نمودار خطی یا نمودار میله ای، یکی را به دلخواه انتخاب کنیم و روند تغییرات آینده را ببینیم.

خطوط و میله های آبی رنگ نشان دهنده مقادیر واقعی هستند، در حالی که خطوط و میله های نارنجی رنگ، مقادیر پیش بینی شده را به ما نشان می دهند.

خط ضخیم نارنجی رنگ، نشانگر میزان پیش بینی دقیق نرم افزار اکسل است و خطوط نازک بالا و پایین آن، مرزهای تغییرات بالا و پایین را نشان می دهند. این بدین معنی است که اکسل حد بالا و پایین را نیز به ما نشان می دهد.

در نمودار میله ای هم این مقادیر با نشان دادن کران بالا و پایین و حد وسط نوار عمودی خاکستری رنگ مشخص شده است. اینها نشان دهنده مرز اطمینان هستند.