دوره جامع کریپتو و فارکس

استفاده از شاخص میانگین متحرک

سنا نجفیان شنبه 21 تیر 1399

استفاده از شاخص میانگین متحرک

ارزیابی اوراق بهادار به منظور سرمایه گذاری در آنها ,به صورت کلی بر اساس دو مکتب فکری صورت می¬گیرد، تجزیه و تحلیل بنیادی و تجزیه و تحلیل تکنیکی . در این پژوهش اثربخشی استفاده از تحلیل تکنیکی با تکیه بر انواع میانگین متحرکها و مقایسه عملکرد آنها با ساده ترین استراتژی بنیادی یعنی خرید و نگه داری بررسی شده است . دوره مورد بررسی تحقیق از ابتدای سال . تا ابتدای سال . را شامل می شود . شرکتهای مورد بررسی مشتمل بر ?? شرکت فعال بورس می شوند که چارک اول شرکتهای پر معامله بورس بر اساس تعداد روز معاملاتی می باشند. چهار شاخص میانگین متحرک ساده ، وزنی ، نمایی و متغیر ابتدا مورد آزمون قرار گرفتند و سپس هر کدام به صورت جداگانه با هفت شاخص تکنیکی دیگر ترکیب شدند که این شاخصها عبارتند از قدرت نسبی ،کانال کالا ، ویلیامز، استوکستیک ، باندهای بولینگر، نرخ تغییر و میانگین متحرک همگرا واگرا. بر اساس نتایج تحقیق میانگین متحرکهای ساده ، وزنی و نمایی نمی استفاده از شاخص میانگین متحرک توانند به صورت معنا داری بازدهی بیشتر از خرید و نگه داری کسب نمایند و همچنین میانگین متغیر که بر اساس نظری بهترین نوع میانگین متحرکها می باشد به صورت معنا داری بازدهی کمتر از استراتژی خرید و نگه داری کسب می¬نماید. دیگر نتایج تحقیق حاکی از آن می باشد که میانگین متحرک وزنی به صورت معنا داری بازدهی بیشتر از میانگین متحرک ساده و نمایی دارد و همچنین بازدهی میانگین متحرک نمایی به صورت معنی داری بیشتر از میانگین متحرک متغیر می باشد بر اساس نتایج فرضیه آخر تحقیق میانگین بازدهی حاصل از استراتژی میانگین متحرکها به تنهایی به طور معناداری بیشتر از بازدهی میانگین متحرکها به همراه استفاده از هفت شاخص تحلیل استفاده از شاخص میانگین متحرک تکنیکی می باشد.

Security analysis for investments purposes is generally carried out using one of the two schools of thought which are fundamental analysis and technical analysis. In this study it is tries to investigate the effectiveness of technical analysis using different types of moving averages and comparing their performance with the simplest form of fundamental strategy that is buy and hold. This study covers the period between the beginning of the year 1383 (March 2004) through the beginning of the year 1388 (March 2009). Companies which are investigated include 79 companies that are actively traded in Tehran Stock Exchange. These companies are the first quarter of all the most actively traded companies based on the number of their trading days in a year. First four indicators of simple, weighted, exponential and variable moving averages were tested then they were separately combined with seven other indicators of relative strength, commodity channel, Williams, stochastic, Bollinger bonds, rate of change and moving average convergence-divergence. The results show that simple, weighted and exponential moving استفاده از شاخص میانگین متحرک averages cannot produce a significantly higher return compared with Buy and Hold strategy. Moreover, the variable moving average which is theoretically the best moving average leads to returns that are significantly lower than Buy and Hold strategy. Another finding of this study is that the weighted moving average produces significantly higher returns compared with simple and exponential moving averages. Furthermore, returns generated by exponential moving average are significantly higher than the variable moving average. Based on the results of testing our last research hypothesis, returns that come from moving average indicators alone are significantly higher that the returns generated through a combination of moving averages with one of the aforementioned technical analysis indicators.

بررسی شاخص (MACD) یا میانگین متحرک همگرایی و واگرایی

بررسی شاخص (MACD) یا میانگین متحرک همگرایی و واگرایی

سنا نجفیان

سنا نجفیان شنبه 21 تیر 1399

ابتدا باید به تعریف واژه مومنتوم (Momentum) بپردازیم. معنای دیگر (Momentum)، تکانه است. برای روشن‌تر شدن بحث فرض کنید که برفی به شکل بهمن از کوه پایین می‌آید، هر چه که بهمن پایین‌تر بیاید، سرعت آن بیشتر و متوقف‌ کردن آن سخت‌تر می‌شود. به عبارتی، مومنتوم آن بیشتر شده است.

پس اگر بگویند قیمت ارز دیجیتالی در حال افزایش است و مومنتوم زیادی هم دارد، یعنی اینکه نه تنها رشد زیاد است، بلکه به نظر می‌رسد که با شدت و استحکام بیشتری هم رشد می‌کند و به این سادگی متوقف نخواهد شد. همین مسئله راجع به سقوط قیمت ارز دیجیتال هم وجود دارد.

شاخص (MACD) یا (Moving Average Convergence Divergence) یا میانگین متحرک همگرایی و واگرایی، بر همین اساس تعریف می‌شود.

شاخص (MACD) چیست؟

شاخص (MACD) یک شاخص نوسانی است که به طور گسترده توسط تحلیل‌گران تکنیکال استفاده می‌شود. این شاخص از نوع نمایان‌ کننده روندها (Trend-Following) است که با بکار بردن شاخص میانگین متحرک، مومنتوم یک سهام، ارز دیجیتال و یا هر دارایی قابل معامله دیگر را مشخص می‌کند.

قبل از بررسی دقیق (MACD)، پیشنهاد می‌کنیم که حتماً مقالات میانگین متحرک و نمایی را در سایت مطالعه نمایید.

حال فرض کنید که در مورد قیمت یک ارز دیجیتال یا در مورد قیمت طلا یا قیمت، در هر بازار رقابتی دیگر، میانگین متحرک نمایی ۱۲ روزه را حساب کرده باشیم و همینطور میانگین متحرک نمایی ۲۶ روزه را هم حساب کرده باشیم. اکنون مشاهده کنیم که میانگین متحرک نمایی ۱۲ روزه از میانگین متحرک نمایی ۲۶ کمتر است. چه نتیجه ای می‌گیریم؟

ساده است. سطح عمومی قیمت در دوازده روز اخیر نسبت به بیست و شش روز اخیر پایین‌تر بوده است. حتی اگر مشخصاً در دو یا سه روز اخیر، روند آن افزایشی بوده باشد و در ظاهر به ما این حس را بدهد که اوضاع خیلی هم بد نیست.

تعریف زیر یکی از رایج‌ترین شکل‌های تعریف (MACD) است.

  • MACD = EMA۱۲ – EMA۲۶

اگر (MACD) مثبت باشد، یعنی اینکه در کوتاه مدت (دوازده روز اخیر) به نسبت میان مدت (بیست و شش روز اخیر) اوضاع بهتر بوده و قیمت این ارز رو به رشد بوده است.

حالا اگر خود (MACD) علاوه بر مثبت بودن، روند افزایشی هم داشته باشد، یعنی اینکه مومنتوم هم به وجود آمده و نه تنها اوضاع مثبت است، بلکه این روند مثبت رو به شتاب گرفتن هم است.

برای دقیق شدن (MACD)، وقتی (MACD) را حساب می‌کنند، میانگین متحرک نمایی خود (MACD) را هم در یک بازه زمانی کوتاهتر حساب می‌کنند (بازه زمانی ۹ دوره ای)، به این کار محاسبه خط سینگال می‌گویند:

  • MACD۱۲,۲۶ = EMA۱۲ – EMA۲۶
  • (Signal = EMA(MACD۱۲,۲۶

تنظیمات (MACD)

همانطور که در بالا ذکر شد، تنظیمات پیش‌فرض در این خط عبارت اند از: MACD(۱۲,۲۶,۹). با این وجود بسیاری از تحلیل‌گران دوره ها را تغییر می‌دهند تا به شاخص حساس‌تری دست یابند.

برای مثال (MACD(۵,۳۵,۵ یکی از این شاخص‌ها است که برای بازارهای سنتی مالی استفاده می‌شود و دارای بازه زمانی گسترده‌تری مانند هفته و ماه هستند.

این نکته را توجه کنید که در بازارهایی مثل ارزهای دیجیتال که نوسانات بسیار زیاد است، افزایش حساسیت شاخص (MACD) ریسکی است و باعث می‌شود تا سیگنال‌های غلط به ما بدهند و با اطلاعات غلط ما را گمراه کند.

چگونه نمودار (MACD) را بخوانیم؟

همانطور که از اسم شاخص مشخص است، این شاخص ارتباط بین دو خط را نشان می‌دهد که در بالا به آن اشاره شده‌ است. وقتی که این دو خط از یکدیگر فاصله می‌گیرند به آن واگرایی یا (Divergent) و در صورتی که به یکدیگر نزدیک شوند، به آن همگرایی یا (Convergent) می‌گویند.

سیگنال مرتبطی که این خط به ما می‌دهد، زمانی رخ می‌دهد که این خط از خط اصلی (خط صفر) بالاتر باشد و یا پایین‌تر و یا به شکلی دیگر می‌توان گفت که مثبت یا منفی باشد.

همچنین تقاطع خط (MACD) با خط (Signal) نیز نشان‌ دهنده حالت بازگشت بازار یا نقاط ورود و خروج است که در ادامه هر یک از آن ها را توضیح می‌دهیم.

این نکته را توجه داشته باشید که برخورد خط (MACD) با خط صفر یا استفاده از شاخص میانگین متحرک خط (Signal) همیشه سیگنال های درستی را به ما نمی‌دهند، مخصوصاً در بازارهایی مانند رمزارزها که دارای نوسانات بسیار زیادی است. بنابراین، برای تحلیل‌های خود به طور خاص به این شاخص اتکا نکنید.

تقاطع با خط اصلی یا همان صفر

برخورد خط (MACD) با سایر خط اصلی ممکن است از حرکت منفی به مثبت این خط یا از حرکت مثبت به منفی اتفاق بیفتد. اگر (MACD) در ناحیه مثبت باشد، نشان دهنده ی یک مومنتوم قوی برای رشد است و اگر در قسمت منفی باشد، نشان‌دهنده یک مومنتوم قوی برای کاهش قیمت است.

تقاطع با خط سیگنال

وقتی که خط (MACD) از بالای خط سیگنال عبور می‌کند، معامله‌گران این عبور را به معنی فرصتی برای خرید ارز دیجیتال می‌دادند و در طرفی دیگر، در صورت عبور از پایین آن، نشان دهنده فرصتی برای خروج و یا فروش ارز دیجیتال است.

در حالی که برخورد با خط سیگنال می‌تواند بسیار کمک‌ کننده باشد، ولی گاهی اوقات نمی‌توان به آن اتکا کرد. برای مثال توجه کنید که اگر خط (MACD) بالای خط سیگنال باشد ولی هنوز در زیر خط اصلی (منفی) قرار داشته باشد، نشان‌ دهنده این است که هنوز بازار خرسی است و بهتر است هنوز به بازار ورود نکنید.

برعکس آن نیز صادق است، یعنی اینکه خط (MACD) پایین خط سیگنال است ولی همچنان در ناحیه مثبت قرار دارد و بهتر است که برای فروش ارز دیجیتال دست نگه داریم.

واگرایی خط (MACD) و قیمت

گاهی اوقات ممکن است نمودار قیمتی با نمودار (MACD) به ما سیگنال های ارزشمندی را بدهند. برای مثال، اگر نمودار قیمتی بیشترین قیمت دوره‌ی خود را بزند ولی نمودار (MACD) از بیشترین مقدار آن دوره، سقف کمتری را بزند (در نگاه کلی نزولی باشد) یا به اصطلاح آن Lower High را بزند، نشان از این است که باوجود رشد قیمتی نمی‌توان انتظار بازار رو به رشد را داشت، چرا که فشار خرید مانند قبل نیست و در حال کاهش است. واگرایی مطرح شده غالباً به معنی فرصت فروش شناخته شده و سیگنال فروش می‌دهد.

برعکس تمام تحلیل‌های بالا برای نیز صادق است، یعنی زمانی که قیمت در حال کاهش است ولی (MACD) در حال زدن بیشترین مقدار خود در دوره ی مورد بررسی است؛ این نشان‌ دهنده موقعیت ورود به بازار است.

صحبت پایانی

وفتی که در فضای تحلیل تکنیکال صحبت می‌کنیم، شاخص (MACD) یکی از مورد استفاده‌ترین ابزارهای موجود است و نه فقط برای اینکه استفاده از آن بسیار راحت است، بلکه برای تشخیص تمایلات بازار و مومنتوم بسیار مفید و کارا عمل می‌کند. همانطور که ذکر شد، بهتر است این شاخص را به همراه شاخص های دیگری مانند RSI و غیره استفاده کنید.

میانگین متحرک

سودمندی استفاده از روش‌های تحلیل تکنیکی در بورس اوراق بهادر تهران

  • حوزه‌های تخصصیمدیریتمدیریت مالی – حسابداریمدیریت مالی

این تحقیق در پی یافتن پاسخ این سوال است که آیا استفاده از روش های تحلیل تکنیکی در بورس اوراق بهادار تهران سودمند می باشد یا خیر؟ بدین منظور یکی از ساده ترین و در عین حال پرکاربردترین روش های تحلیل تکنیکی یعنی میانگین متحرک مورد استفاده قرار گرفته است. این بررسی از طریق آزمودن قواعد معاملاتی متعدد میانگین متحرک بر روی شاخص کل بورس اوراق بهادار تهران از تیرماه سال 1371 تا پایان شهریور ماه سال 1383، صورت پذیرفته است. نتایج تحقیق نشان می دهد که روش های میانگین متحرک دارای قابلیت پیش بینی می باشند و می توانند الگوهای قیمتی را به منظور انجام معاملات سودمند شناسایی نمایند. علاوه بر این، تحقیق حاضر این فرضیه که روش های معاملاتی تکنیکی نسبت به استراتژی خرید و نگهداری بازده بیشتری ایجاد می نمایند را تایید نمود. طبق نتایج تحقیق به نظر می رسد سودمندترین قاعده، میانگین متحرک 5 روزه می باشد. این قاعده معاملاتی با ایجاد متوسط بازدهی سالانه حدود60 درصد در مقایسه با متوسط بازدهی سالانه نزدیک به 36 درصدی روش خرید و نگهداری درهمین دوره، بهترین عملکرد را داشته است.

مدل سازی و پیش بینی قیمت بنزین با استفاده از شبکه عصبی GMDH

  • حوزه‌های تخصصیاقتصاداقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیستاقتصاد انرژینفت،گاز طبیعی،زغال سنگ،مشتقات نفتیپیش بینی قیمت،نوسانات قیمتی،عدم ثبات،نااطمینانی و ریسک

در این پژوهش از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیرخطی پویای پیچیده، برای پیش بینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی، استفاده کرده ایم. متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی) بر قیمت بنزین و در روش تحلیل تکنیکی شامل میانگین های متحرک کوتاه و بلندمدت است. نتایج نشان دهنده دقت بیش از 96درصد پیش بینی و پایداری روش قیاسی و بیش از99درصد تحلیل تکنیکی است. اثر روز دوشنبه به عنوان یک معیار تحلیل تکنیکی در روش قیاسی، تایید شده است. همچنین، در مقایسه معیارهای خطا، دقت پیش بینی های شبکه عصبی GMDH به طور معناداری از الگوی رگرسیونی بهتر است.

نگرشی بر تغییرات حداقل های مطلق دما در پهنه ایران زمین

  • حوزه‌های تخصصیجغرافیاجغرافیای طبیعیآب و هواشناسی

دما متغیر جوی بسیار مهمی است که تغییر آن منشاء بسیاری از تحولات فیزیکی، شیمیایی و زیست محیطی است. اندازه گیری دما توسط انسان در مقایسه با سایر عناصر جوی از سابقه طولانی تری بر خوردار است. هدف اصلی این پژوهش بررسی تغییرات زمانی و مکانی دمای حداقل، تعداد روزهای با دمای مساوی و کمتر از 4- درجه سلسیوس است. بدین منظور داده های آماری حداقل مطلق دما در 20 ایستگاه همدید کشور با روش تحلیل روند، تحلیل واریانس و میانگین متحرک در دوره آماری 1956-2005 واکاوی شد و در ادامه نمودارهای سالانه، فصلی و ماهانه میانگین دمای حداقل در طول دوره آماری ترسیم و تحلیل گردید. نتایج این بررسی ها نشان می دهد که الگوی تغییرات حداقل مطلق دما در کشور در طول دوره آماری یکسان نبوده به طوری که، نوسانات و تغییرات مقادیر حداقل مطلق دما در بین مناطق مختلف ایران دارای اختلافات زیادی است. با وجود روند افزایشی سری زمانی دما، داده های دمای حداقل دارای افت و خیزها و دوره های کوتاه مدت سرمایشی و گرمایشی است. همچنین نتایج این تحقیق بیانگر استفاده از شاخص میانگین متحرک تغییرات شدید مکانی و زمانی حداقل دما در بین ایستگاههای شمالغرب و نواحی کوهستانی منفرد کشور و نیز تغییرات ملایم در ایستگاههای مرکزی و جنوبی کشور است. تغییرات و توزیع تعداد روزهای مساوی و کمتر از4- درجه سلسیوس نیز الگوی مشابهی را در کشور نشان می دهد. به طور کلی حداقل دما در سطح کشور در طول دوره آماری روند افزایشی را طی کرده است.

پیش بینی بازده بورس اوراق بهادار تهران با استفاده از مدل های میانگین متحرک (MA) و میانگین متحرک با ورودی های خارجی (MAX)

  • حوزه‌های تخصصیمدیریتمدیریت مالی – حسابداریتئوریهای حسابداریبازده سهام

تحقیق حاضر با هدف مدل سازی و پیش بینی بازده بورس اوراق بهادار تهران با استفاده از مدل های میانگین متحرک و میانگین متحرک با ورودی های خارجی صورت پذیرفته است. تحقیق حاضر ابتدا به بررسی موضوع بازده و انواع بازده پرداخته و سپس عوامل موثر بر بازده را که منتج از مبانی تئوریک مالی و تحقیقات مرتبط می باشد، شناسایی نموده است. در ادمه موضوع پیش بینی و روش های متداول آن بررسی و انواع مدل های پیش بینی بازده بازار سرمایه به تفصیل مورد بررسی قرار گرفته است. در قسمت بعدی روش تحقیق و نحوه تحلیل داده ها بررسی شده است. سپس از مدل رگرسیون خطی کلاسیک برای پیش بینی بازده بورس اوراق بهادار تهران استفاده گردیده و پس از آنکه نتایج آزمون های تشخیصی دلالت بر تاثیرپذیری متغیر وابسته از میانگین متحرک یک تا ده خود می باشد از مدل های MA و MAX جهت پیش بینی بازده بورس اوراق بهادار تهران استفاده گردید. پس از تخمین مدل های مذکور و تایید قدرت تصریح آنها از طریق بکارگیری آزمون های تشخیصی ، بازده بورس اوراق بهادار تهران برای 4 دوره آتی پیش بینی گردید. پیش بینی های صورت پذیرفته با استفاده از مدل های تخمینی با داده های واقعی مورد مقایسه قرار گرفته و مدل بهینه با استفاده از معیارهای اطلاعاتی آکائیک، شوارزبیزین و حنان-کوئیک و همچنین معیار MSE,MAE,MAPE انتخاب گردید. نتیجه نهایی موید برتری مدل MAX بر مدل MA می باشد

بررسی تاثیر بی ثباتی اقتصاد کلان بر سرمایه گذاری بخش خصوصی در ایران

بررسی تاثیر بی ثباتی اقتصاد کلان بر سرمایه گذاری بخش خصوصی در ایران بی ثباتی شاخص های اقتصاد کلان در جامعه می تواند موجب کاهش تجمع سرمایه فیزیکی شده و کارایی استفاده از سرمایه های موجود در اقتصاد را کاهش دهد. در این مطالعه اثر شاخص های بی ثباتی اقتصاد کلان بر سرمایه گذاری بخش خصوصی در ایران طی دوره (95-1360) با استفاده از روش خود رگرسیونی با وقفه های توزیعی (ARDL) مورد ارزیابی قرار گرفته است. متغیرهای مورد استفاده برای این منظور؛ نرخ تورم، نسبت کسری بودجه دولت به تولید ناخالص داخلی، نسبت کسری تراز پرداخت ها به تولید ناخالص داخلی و نرخ ارز واقعی می باشند. بی ثباتی، قدر مطلق انحراف هر کدام از این متغیر ها از روند با ثبات آنها می باشد که با استفاده از روش میانگین متحرک با دوره ای 4 ساله بدست آمده است. نتایج حاکی از تاثیر مثبت بی ثباتی نسبت کسری بودجه دولت به تولید ناخالص داخلی و تأثیر منفی بی ثباتی نرخ تورم و نرخ ارز واقعی بر روی سرمایه گذاری بخش خصوصی می باشد. کلید واژه ها: بی ثباتی شاخص های اقتصاد کلان، سرمایه گذاری بخش خصوصی، میانگین متحرک.

طراحی مدل پیش بینی بازده بورس اوراق بهادار تهران با استفاده از مدل های خودرگرسیون میانگین متحرک (ARMA) و خودرگرسیون میانگین متحرک با ورودی های خارجی (ARMAX) و ارزیابی عملکرد آن ها

بازده بازارهای سرمایه تحت تأثیر عوامل مختلفی هستند. این عوامل دامنه گسترده و وسیعی از عوامل کلان جهانی تا رفتارهای تاریخی متغیر وابسته را شامل می شود. پژوهشگران زیادی، هریک بخش یا بخش هایی از این دامنه گسترده عوامل تأثیرگذار بر بازده بازار سرمایه را در کشورهای مختلف، انتخاب و اقدام به مدل سازی برای پیش بینی بازده بازار سرمایه مربوطه کرده اند. پژوهش حاضر نیز با هدف مدل سازی و پیش بینی بازده بورس اوراق بهادار تهران، از مدل های خود توضیحی و ترکیبی استفاده کرده است. به گونه ای که از مدل های خودرگرسیون میانگین متحرک و خودرگرسیون میانگین متحرک با ورودی های خارجی برای مدل سازی و پیش بینی بازده بورس اوراق بهادار تهران یاری گرفته است. در پژوهش حاضر، برای تبیین هر چه کامل تر مدل و به کارگیری عوامل حداکثری، پس از بررسی موضوع بازده و عوامل مؤثر بر بازده، موضوع پیش بینی و روش های متداول آن و انواع مدل های پیش بینی بازده بازار سرمایه بررسی شده است. سپس از مدل های رگرسیون خطی کلاسیک، خود رگرسیون میانگین متحرک (ARMA) و خود رگرسیون میانگین متحرک با ورودی های خارجی (ARMAX) برای پیش بینی بازده بورس اوراق بهادار تهران استفاده شد. پس از تخمین مدل های یادشده، با استفاده از داده های 99 دوره ای و تأیید قدرت تصریح آن ها بااستفاده از به کارگیری آزمون های تشخیصی، بازده بورس اوراق بهادار تهران برای 4 دوره آتی پیش بینی شد. پیش بینی های صورت پذیرفته با استفاده از مدل های تخمینی با داده های واقعی مورد مقایسه قرار گرفته و مدل بهینه با استفاده از معیارهای اطلاعاتی آکائیک، شوارزبیزین و حنان کوئیک و همچنین معیار MSE,MAE,MAPE انتخاب شد. نتیجه نهایی مؤید برتری مدل ARMA بر مدل ARMAX است.

سیستم سبد گردان خودکار با استفاده از ترکیب مدل های پیش بینی تلاطم و مبانی تحلیل تکنیکال

یکی از مواردی که درزمینه ی خریدوفروش سهام کمتر موردتوجه قرار گرفته شده، ارائه مدلی خودکار جهت تشکیل سبد سرمایه گذاری بوده که در طول زمان به صورت پویا عمل کرده و برحسب شرایط بازار اقدام به تصمیم گیری نماید. ازجمله معایب مطرح شده در به کارگیری تحلیل تکنیکال به عنوان یک روش تصمیم گیری جهت سرمایه گذاری در بازار سهام، عدم توجه به ریسک سرمایه گذاری و موضوع تشکیل سبد سهام می باشد. لذا مطالعه حاضر با تشخیص نقاط حداکثر و حداقل قیمتی به کمک اندیکاتورهای تکنیکال و همچنین مدل سازی ریسک به کمک روش های پیش بینی تلاطم با استفاده از مدل های شرطی GARCH و FIGARCH، به دنبال طراحی یک سیستم سبدگردان خودکار می باشد. به منظور ارزیابی سیستم طراحی شده، عملکرد این مدل در بازه زمانی یک ساله موردبررسی قرارگرفته شده است. نتایج به دست آمده نشان می دهد که مدل های طراحی شده با استفاده از FIGARCH بیش ترین بازدهی و کمترین ریسک را دارا می باشد. همچنین مقایسه مقادیر نسبت بازده به ریسک، حاکی از برتری سیستم طراحی شده پیشنهادی نسبت به سایر استراتژ ی های مدیریت سبد سهام نظیر مدل مارکویتز و استراتژی خرید و نگهداری دارایی ها می باشد.

تعیین الگوی مناسب پیش بینی قیمت محصولات زراعی مطالعه موردی گندم، سیب زمینی و یونجه

نوسانات قیمت محصولات کشاورزی همواره به عنوان یکی از مسائل اصلی فراروی تولیدکنندگان و سیاست گذاران این بخش به ویژه در کشورهای در حال توسعه بوده است. در این راستا پیش بینی قیمت، می تواند نقش مهمی در کنترل ناپایداری قیمت ها و کاهش ریسک بازار داشته باشد. هدف این مطالعه انتخاب الگوی مناسب برای پیش بینی قیمت محصولات عمده ی زراعی استان کردستان(سیب زمینی، گندم و یونجه) و پیش بینی قیمت محصولات منتخب می باشد. داده های مورد استفاده مربوط به قیمت خرده فروشی محصولات گندم، یونجه و سیب زمینی طی دوره 1392-1380 به صورت شش ماهه می باشد. پس از بررسی ایستایی سری های مورد استفاده با استفاده از آزمون دیکی- فولر با یک مرتبه استفاده از شاخص میانگین متحرک تفاضل گیری، سری ایستا و قابل پیش بینی گردید. الگوهای مورد استفاده در این تحقیق شامل الگوی ARIMA ، میانگین متحرک (MA) و خودتوضیح (AR) می باشد. نتایج پیش بینی نشان داد که از میان سه الگوی مورد نظر، الگوی ARIMA براساس معیارهای ارزیابی دقت پیش بینی، میزان خطای کم تری داشته و در نتیجه قدرت بالاتری استفاده از شاخص میانگین متحرک در پیش بینی قیمت محصول منتخب دارد.

آموزش اندیکاتور اندیکاتور میانگین متحرک نسل سوم

اندیکاتور میانگین متحرک نسل سوم

میانگین متحرک نسل سوم یک نسخه پیشرفته از اندیکاتور میانگین متحرک استاندارد (MA) است. این اندیکاتور اولین بار توسط M. Duerschner در مقاله Gleitende Durchschnitte 3.0 (به زبان آلمانی) شرح داده شد.

درواقع این اندیکاتور فارکس نسخه ای از اندیکاتور میانگین متحرک کلاسیک (MA) با تاخیر زمانی کاهش یافته به حداقل سطح ممکن است و قابلیت هموارسازی میانگین متحرک را حفظ می‌کند.

در این مقاله از آموزش فارکس اندیکاتور میانگین متحرک نسل سوم را به شما معرفی کرده و آموزش نصب و فراخوانی این اندیکاتور را قرار داده‌ایم، اگر می‌خواهید با این اندیکاتور آشنا شوید تا انتهای این مقاله را مطالعه کنید.

سرفصل های آموزشی

اندیکاتور میانگین متحرک چیست؟

یکی از رایج ترین اندیکاتورها در تحلیل تکنیکال اندیکاتور میانگین متحرک (MA) است. این اندیکاتور در تحلیل تکنیکال بسیار از ارزش بالایی برخودار است زیرا اساس بسیاری از ابزارهای معاملاتی می‌باشد، معامله گران در بازار فارکس می‌توانند از این اندیکاتور به تنهایی و به همراه سایر اندیکاتور استفاده کنند به همین دلیل اندیکاتور میانگین متحرک بسیار کاربردی می‌باشد.

معامله گران با استفاده از اندیکاتور میانگین متحرک می‌توانند روندهای بلندت مدت را در کوتاه ترین زمان ممکن شناسایی کنند، در واقع این اندیکاتور روند را در چارت برای معامله گران هموار می‌کنند تا آنها بتوانند راحت تر روند را در نمودار قیمتی تشخیص دهند. همچنین این اندیکاتور تغییرات کوچک قیمت را که بر روی نمودار قیمتی تاثیر می‌گذارند را حذف می‌‌کند و باعث ساده سازی نمودار برای معامله گران می‌شود و آنها می‌توانند راحت تر نمودار قیمتی را تجزیه تحلیل کنند.

این اندیکاتور سطوح حمایت و مقاومت را برای معامله گران در نمودار قیمتی نشان می‌دهد و اگر از آن در کنار سایر ابزارهای معاملاتی استفاده شود می‌تواند به معامله گران سیگنال های خرید و فروش را ارائه دهد و معامله گران می‌توانند با دریافت این سیگنال ها برای ورود به معامله و خروج از آن تصمیم گیری کنند.

اندیکاتور میانگین متحرک جزو اندیکاتورهای روندنما به شمار می‌رود و از آنجا که اطلاعات گذشته قیمت را در نمودار قیمتی دنبال می‌کند جزو اندیکاتورهای تاخیری به شمار می‌رود و این بدان معناست که سیگنال ها را با تاخیر ارائه می‌دهد.

معرفی اندیکاتور میانگین متحرک نسل سوم

میانگین متحرک نسل سوم یک نسخه پیشرفته از شاخص میانگین متحرک استاندارد (MA) در متاتریدر است. اندیکاتور میانگین متحرک نسل سوم اولین بار توسط M. Duerschner در مقاله Gleitende Durchschnitte 3.0 (به زبان آلمانی) شرح داده شده است.

اندیکاتور میانگین متحرک نسل سوم از نسخه ارائه شده از λ = 2 استفاده می‌کند که بهترین روش برای کاهش تاخیر تا حد ممکن است. در‌واقع اندیکاتور میانگین متحرک نسل سوم دیگر مشکلات تاخیری که اندیکاتور میانگین متحرک استاندارد در تجزیه تحلیل اطلاعات گذشته را داشت ندارد و این یکی از مزایای اندیکاتور میانگین متحرک نسل سوم به شمار می‌رود.

این اندیکاتور برای پلتفرم های معاملاتی متاتریدر 4 و متاتریدر 5 طراحی شده است و در این اندیکاتورها قابلیت اجرا دارد و نیازی نیست که معامله گران از DDL استفاده کنند.

نصب اندیکاتور میانگین متحرک نسل سوم

اندیکاتور میانگین متحرک نسل سوم به صورت پیش فرض در متاتریدر 4 و 5 قرار نگرفته است و شما باید ابتدا این اندیکاتور را برای پلتفرم معاملاتی متاتریدر 4 و 5 دانلود کنید و سپس در متاتریدر خود فراخوانی کنید.

برای دانلود اندیکاتور میانگین متحرک نسل سوم برای پلتفرم معاملاتی متاتریدر 4 می‌توانید از لینک زیر استفاده کنید.

برای دانلود اندیکاتور میانگین متحرک نسل سوم برای پلتفرم معاملاتی متاتریدر 5 می‌توانید از لینک زیر استفاده کنید.

نکته: پس از اینکه فایل های انیدکاتور میانگین متحرک نسل سوم را دانلود کردید باید آنها را از حالت فشرده خارج کنید تا به اندیکاتورها دسترسی داشته باشید.

آموزش فراخوانی اندیکاتور میانگین متحرک نسل سوم

برای نصب اندیکاتور در متاتریدر ابتدا از سر برگ متاتریدر روی File کلیک کنید. سپس از منوی باز شده منوی Open Data Folder را انتخاب کنید برای نصب اندیکاتور پوشه MQL4 را باز کنید. سپس در پوشه اندیکاتور را کپی و پیست کنید. حالا پلتفرم متاتریدر را ببندید و مجددا متاتریدر را باز کنید. در منوی مربوطه مشاهده خواهید کرد که اندیکاتور در لیست اندیکاتورهای شما اضافه شده است.

کافی است در متاتریدر روی آن دو مرتبه کلیک کنید تا فراخوانی شده و روی چارت قرار بگیرد. شما از این روش برای نصب و فراخوانی اندیکاتور میانگین متحرک نسل سوم میتوانید استفاده کنید. روی نام اندیکاتور (میانگین متحرک نسل سوم) در بخش اندیکاتورهای متاتریدر 4 دو مرتبه کلیک کنید. سپس در صفحه باز شده مطابق تصویر به بخش مشخص شده رفته استفاده از شاخص میانگین متحرک و تیکها را مطابق تصویر زیر بزنید.

آموزش فراخوانی اندیکاتور میانگین متحرک نسل سوم

پس از اینکه تمامی تیک‌ها را مطابق تصویر بالا زدید به بخش تنظیمات بروید. در تصویر زیر می‌توانید بخش تنظیمات را مشاهده کنید.

تنظیمات اندیکاتور میانگین متحرک نسل سوم

پارامترهای ورودی در اندیکاتور میانگین متحرک نسل سوم که در تصویر بالا مشاهده می‌کنید به شرح زیر است.

  • MA_Period (پیش‌فرض = 50) – دوره‌ای از میانگین متحرک نسل سوم.
  • MA_Sampling_Period (پیش فرض = 220) – دوره نمونه برداری از میانگین متحرک نسل سوم. باید حداقل 4 برابر بیشتر از MA_Period باشد.
  • MA_Method (پیش‌فرض = MODE_EMA) – روش میانگین متحرک.
  • MA_Applied_Price (پیش‌فرض = PRICE_TYPICAL) – قیمت اعمال شده برای میانگین متحرک.

اندیکاتور میانگین متحرک نسل سوم

در تصویر زیر می‌توانید اندیکاتور میانگین متحرک نسل سوم را که بر روی متاتریدر اجرا شده است را مشاهده کنید.

اندیکاتور میانگین متحرک نسل سوم

همانطور که می‌بینید، نسل سوم MA (خط قرمز) نسبت به EMA معمولی (خط آبی) تاخیر کمتری ارائه می‌دهد و به تغییرات قیمت سریعتر واکنش نشان می‌دهد. متأسفانه اندیکاتور میانگین متحرک هنوز هم مستعد تاخیر است و ممکن است سیگنال‌های نادرست تولید کند.

می‌توانید از اندیکاتور میانگین متحرک نسل سوم مانند میانگین متحرک استاندارد استفاده کنید و از آن برای تشخیص جهت روند فعلی بهره ببرید. این اندیکاتور برای تجارت در مشاور متخصص Adjustable MA 3G برای متاتریدر استفاده می‌شود.

همانطور که می‌بینید، نسل سوم MA (خط قرمز) نسبت به EMA معمولی (خط آبی) تاخیر کمتری ارائه می‌دهد و به تغییرات قیمت سریعتر واکنش نشان می‌دهد. متأسفانه، هنوز هم مستعد تاخیر است و ممکن است سیگنال‌های نادرست تولید کند. می‌توانید از نشانگر میانگین متحرک فارکس نسل سوم مانند میانگین متحرک استاندارد استفاده کنید – برای تشخیص جهت روند فعلی.

اگر با اندیکاتور میانگین متحرک آشنایی داشته باشید با کاربرد آن در تحلیل تکنیکال فارکس آشنایی دارید و حتما تا به حال از این اندیکاتور برای ساده سازی روند و شناسایی آن استفاده کرده‌اید. اندیکاتور میانگین متحرک نسل سوم که در این مقاله به شما معرفی کرده و آموزش نصب و فراخوانی آن را قرار داده‌ایم نسخه پیشرفته همان اندیکاتور میانگین متحرک استاندارد در تحلیل تکنیکال فارکس است که از آن استفاده کرده‌اید.

درواقع هر اندیکاتور جدیدی استفاده از شاخص میانگین متحرک که ابداع می‌شود یک نسخه قدیمی دارد، نسخه قدیمی اندیکاتور میانگین متحرک سوم اندیکاتور میانگین متحرک استاندارد است، معمولا ابداع کنندگان اندیکاتورهای جدید اندیکاتورهای قدیمی را تغییر می‌دهند و با اطلاعات جدیدی که به آنها اضافه می‌کنند سعی می‌کنند اندیکاتور بهتری ارائه دهند.

اندیکاتور میانگین متحرک سوم نیز به همین شکل است یعنی بر روی اندیکاتور میانگین متحرک استاندارد تغییراتی ایجاد شده و اندیکاتور میانگین متحرک نسل سوم ابداع شده است این اندیکاتور دیگر مشکلاتی مانند تاخیری که اندیکاتور میانگین متحرک MA داشت را ندارد و می‌تواند بسیار کاربردی باشد.

فرمول میانگین متحرک نمایی (EMA) چگونه محاسبه می شود؟

فرمول میانگین متحرک نمایی (EMA) چگونه محاسبه می شود؟

میانگین متحرک نمایی(Exponential Moving Average و به اختصار EMA) یک شاخص نمودار تکنیکال است که قیمت یک دارایی (مانند سهام یا کالا) را با گذشت زمان دنبال می کند. (EMA) نوعی از میانگین متحرک وزنی (WMA) است که وزن و اهمیت بیشتری به داده های اخیر قیمت می دهد. همانند میانگین متحرک ساده ، از میانگین متحرک نمایی نیز برای مشاهده روند قیمتها در طول مدت تعیین شده استفاده می شود استفاده از شاخص میانگین متحرک ، و بررسی چندین میانگین متحرک نمایی به طور هم زمان از طریق حرکت خطوط میانگین متحرک به راحتی انجام می شود.

محاسبه میانگین متحرک ساده (SMA) و میانگین متحرک نمایی (EMA)

میانگین متحرک نمایی نوعی از میانگین متحرک ساده است که در محاسبه آن، وزن و اهمیت بیشتری به داده‌های جدید داده می‌شود که از داده های قدیمی مهم تر هستند. از آنجا که داده های جدید وزن بیشتری دارند ، (EMA) با سرعت بیشتری نسبت به (SMA)، به تغییرات قیمت واکنش نشان می دهد.

میانگین متحرک های نمایی برای مشاهده روند قیمت ها در تایم فریم های خاص مانند ۵۰ یا ۲۰۰ روزه طراحی شده اند.

در مقایسه با میانگین متحرک های ساده ، (EMA) ها به داده های اخیر (مهم تر) وزن بیشتری می دهند.

محاسبه میانگین متحرک نمایی شامل اعمال ضریب بر میانگین متحرک ساده است.

نوارهای میانگین متحرک به معامله گران اجازه می دهد تا چندین (EMA) را به طور همزمان مشاهده کنند.

فرمول محاسبه (EMA) شامل استفاده از ضریب بر (SMA) است. برای محاسبه سه مرحله وجود دارد (اگرچه برنامه های نمودار ریاضی نیز این محاسبات را برای شما انجام می دهند):

میانگین متحرک ساده (SMA) را محاسبه کنید

ضریب را برای وزن دهی به (EMA) محاسبه کنید

میانگین متحرک نمایی (EMA) فعلی را محاسبه کنید

محاسبه میانگین متحرک ساده مانند محاسبه میانگین است. فقط قیمت‌های بسته شدن سهم برای تعداد دوره‌های زمانی مورد بحث را با هم جمع کنید و تقسیم بر همان تعداد دوره‌ها کنید. به عنوان مثال ، یک میانگین متحرک ساده ۱۰ روزه فقط حاصل جمع قیمت های بسته شدن ۱۰ روز معاملاتی گذشته است که تقسیم بر ۱۰ می شود.

فرمول ریاضی آن به شرح زیر است:

فرمول محاسبه ضریب وزن دهی به شکل زیر است:

(در هر دو مورد ، میانگین متحرک ساده ۱۰ روزه را در نظر گرفته ایم.)

بنابراین ، هنگام محاسبه (EMA) یک سهم :

وزنی که به جدیدترین قیمت داده می شود برای (EMA) با دوره کوتاهتر ، از (EMA) با دوره طولانی تر بیشتر است. به عنوان مثال ، یک ضریب ۱۸٫۱۸٪ بر جدیدترین داده های قیمت برای (EMA) ده روزه اعمال می شود ، همانطور که در بالا انجام شده است ، در حالی که برای (EMA) بیست روزه ، فقط از یک وزن دهی با ضریب ۹٫۵۲٪ استفاده می شود. همچنین با استفاده از قیمت باز شدن (open)، بالاترین قیمت (high)، پایین‌ترین قیمت (low)، یا قیمت میانه (median price) به جای استفاده از قیمت بسته شدن (closing price)، تغییرات اندکی در میانگین متحرک نمایی حاصل می‌شود.

استفاده از میانگین متحرک نمایی (EMA) : نوار (Ribbon) های میانگین متحرک

گاهی اوقات ممکن است معامله گران نوارهای میانگین متحرکی را مشاهده کنند ، که به جای فقط یک میانگین متحرک ، تعداد زیادی از میانگین های متحرک در نمودار قیمت ترسیم شده باشند. اگرچه به دلیل حجم زیاد خطوط همزمان ، این نوارها به ظاهر پیچیده می آیند ، اما به راحتی در برنامه های چارتینگ قابل مشاهده اند و یک روش ساده برای تجسم رابطه پویا بین روندها در کوتاه مدت ، متوسط و بلند مدت را ارائه می دهند.

معامله گران و تحلیلگران برای تشخیص نقاط برگشت (turning points) ، ادامه دهنده (continuations) ، اشباع خرید (overbought) / اشباع فروش (oversold) ، مناطق پشتیبانی (support) و مقاومت (resistance) و اندازه گیری نقاط قوت روند قیمت ، از نوارها و میانگین متحرک ها استفاده می کنند.

با توجه به شکل سه بعدی آنها که به نظر می رسد در نمودار قیمت جریان و چرخش دارند ، تفسیر نوار های میانگین متحرک بسیار آسان است. این شاخص ها هر زمان که خطوط میانگین متحرک در یک نقطه همگرا شوند ، سیگنال های خرید و فروش را نشان می دهند. معامله گران در مواقعی که میانگین های متحرک کوتاه مدت از پایین به بالای میانگین های متحرک بلند مدت عبور کنند برای خرید اقدام می کنند و وقتی میانگین های متحرک کوتاهتر از بالا به پایین عبور می کنند ، به دنبال فروش خواهند بود.

چگونه می توان یک نوار میانگین متحرک ایجاد کرد

برای ساختن یک نوار میانگین متحرک ، به سادگی تعداد زیادی از میانگین های متحرک با مدت زمان متفاوت را به طور همزمان در یک نمودار قیمت ترسیم کنید. پارامترهای متداول شامل هشت میانگین متحرک یا بیشتر و فواصل متغیر است که از میانگین متحرک دو روزه تا میانگین متحرک ۲۰۰ یا ۴۰۰ روزه را در بر می گیرد.

برای سهولت در تجزیه و تحلیل ، نوع میانگین متحرک را در نوار ثابت نگه دارید ، به عنوان مثال ، فقط از میانگین متحرک های نمایی یا فقط میانگین متحرک های ساده استفاده کنید.

هنگامی که تمام میانگین های متحرک در یک نقطه نزدیک در نمودار با یکدیگر همگرا می شوند قدرت روند احتمالاً کاهش یافته است و می تواند نشان دهنده بازگشت (reversal) روند باشد. در حالیکه اگر میانگین های متحرک به صورت جدا از یکدیگر حرکت کنند ، استفاده از شاخص میانگین متحرک برعکس این موضوع صدق می کند و نشان می دهد که قیمت ها متفاوت هستند و این روند قوی است یا در حال قدرت گرفتن است.

روند های نزولی معمولاً با میانگین متحرک های کوتاهتر که از زیر میانگین متحرک های بلندتر عبور می کنند ، تشخیص داده می شوند. برعکس ، روندهای صعودی شامل عبور میانگین متحرک های کوتاهتر از بالای میانگین متحرک های بلندتر هستند. در این شرایط ، میانگین متحرک های کوتاه مدت به عنوان شاخص های پیشتازی عمل می کنند که میانگین متحرک های بلند مدت به سمت آنها حرکت می کنند.

تعداد و نوع میانگین متحرک ها براساس استراتژی های سرمایه گذاری و نوع دارایی یا شاخص می تواند در بین معامله گران متفاوت باشد. اما به طور کلی میانگین متحرک های نمایی (EMA) محبوبیت زیادی دارند زیرا وزن بیشتری به قیمت های اخیر می دهند و نسبت به سایر میانگین ها تاخیر کمتری دارند. برخی از نمونه های نوار میانگین متحرک شامل هشت خط (EMA) جداگانه هستند که از چند روز تا چند ماه متغیر هستند.

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا