ดับเบิล ชี้แจง เคลื่อนไหว เฉลี่ย ขั้นตอนวิธี

ตัวอย่าง Double Exonential Smoothing ตัวอย่างนี้แสดงให้เห็นถึงวิธีการใช้เทคนิค XLMiners Double Exponential Smoothing เพื่อค้นหาแนวโน้มในชุดเวลาที่มีฤดูกาล บนริบบิ้น XLMiner จากแท็บ Model ให้เลือก Help - Examples ตัวอย่างเช่น ForecastingData Mining และเปิดชุดข้อมูลตัวอย่าง Airpass. xlsx ชุดข้อมูลนี้ประกอบด้วยผลรวมรายเดือนของผู้โดยสารสายการบินระหว่างประเทศตั้งแต่ปีพ. ศ. 2492-2560 หลังจากที่ชุดข้อมูลตัวอย่างเปิดขึ้นให้คลิกเซลล์ในชุดข้อมูลจากนั้นเลือกจากแท็บ Time Series เลือก Partition เพื่อเปิดไดอะล็อก Data Partition Data Series เลือก Month as Time Variable และ Passengers เป็นตัวแปรในข้อมูล Partition คลิกตกลงเพื่อแบ่งพาร์ติชันข้อมูลลงในชุดฝึกอบรมและการตรวจสอบความถูกต้อง แผ่นงาน DataPartitionTS ถูกแทรกไว้ทางด้านขวาของแผ่นงานข้อมูล คลิกแผ่นงาน DataPartitionTS แล้วบนริบบิ้น XLMiner จากแท็บ Time Series เลือก Smoothing - Double Exponential เพื่อเปิดไดอะล็อก Double Exponential Smoothing เดือนถูกเลือกเป็นตัวแปร Time แล้ว เลือกผู้โดยสารเป็นตัวแปรที่เลือกจากนั้นภายใต้ตัวเลือกเอาต์พุตเลือกสร้างพยากรณ์ในการตรวจสอบเพื่อทดสอบการคาดการณ์ในชุดการตรวจสอบความถูกต้อง ตัวอย่างนี้ใช้ค่าดีฟอลต์สำหรับพารามิเตอร์อัลฟ่าและเทรนด์ XLMiner มีคุณลักษณะที่เลือกค่าพารามิเตอร์อัลฟ่าและเทรนด์ที่มีผลให้ค่าความผิดพลาดที่มีค่าเฉลี่ยน้อยที่สุด ขอแนะนำให้ใช้คุณลักษณะนี้อย่างระมัดระวังเนื่องจากคุณลักษณะนี้มักนำไปสู่รูปแบบที่เหมาะสมกับชุดฝึกอบรม แบบจำลองที่ครอบงำไม่ค่อยแสดงถึงความแม่นยำในการทำนายสูงในชุดตรวจสอบความถูกต้อง คลิกตกลงเพื่อเรียกใช้อัลกอริทึม Double Exponential Smoothing สองแผ่นงาน DoubleExponentialOutput และ DoubleExponentialStored จะถูกแทรกลงไปทางขวาของแผ่นงาน DataPartitionTS คลิกที่แผ่นงาน DoubleExponentialOutput เพื่อดูผลลัพธ์ของการปรับให้เรียบ เมื่อเปรียบเทียบผลลัพธ์ของ Exponential และ Moving Average Smoothing การ Double Exponential Smoothing จะทำให้พอดีเมื่อใช้กับชุดข้อมูลรวมทั้งฤดูกาล (ชุดการฝึกอบรม MSE 876.05 และการตรวจสอบการตั้งค่า MSE 8043.08) หากใช้อัลกอริธึมการเพิ่มประสิทธิภาพอัลฟ่าของ. 9568 จะถูกเลือกพร้อมกับแนวโน้มของ 0.009 พารามิเตอร์ที่แสดงผลใน MSE 450.7 สำหรับชุดฝึกอบรมและ MSE 8477.64 สำหรับชุดการตรวจสอบ โมเดลที่สร้างขึ้นใหม่ด้วยพารามิเตอร์จากอัลกอริทึม Optimize ทำให้โมเดลมีรูปแบบที่ดีกว่าโมเดลที่สร้างขึ้นโดยใช้พารามิเตอร์เริ่มต้นค่า Exponential Moving Average (EMA) คืออะไรและ EMA คำนวณเป็นอย่างไร ) เป็นค่าเฉลี่ยถ่วงน้ำหนัก (WMA) ที่ให้น้ำหนักหรือความสำคัญกับข้อมูลราคาล่าสุดมากกว่าค่าเฉลี่ยเคลื่อนที่ (SMA) EMA ตอบสนองต่อการเปลี่ยนแปลงราคาล่าสุดได้เร็วกว่า SMA สูตรสำหรับการคำนวณ EMA เพียงเกี่ยวกับการใช้ตัวคูณและเริ่มต้นด้วย SMA การคำนวณ SMA นั้นตรงไปตรงมามาก SMA สำหรับช่วงเวลาหนึ่ง ๆ เป็นจำนวนรวมของราคาปิดสำหรับช่วงเวลาดังกล่าวหารด้วยจำนวนเดียวกัน ดังนั้นตัวอย่างเช่น SMA 10 วันเป็นเพียงผลรวมของราคาปิดในช่วง 10 วันที่หารด้วย 10 สามขั้นตอนในการคำนวณ EMA คือ: คำนวณ SMA คำนวณตัวคูณสำหรับการถ่วงน้ำหนัก EMA คำนวณ EMA ปัจจุบัน สูตรทางคณิตศาสตร์ในกรณีนี้สำหรับการคำนวณ EMA 10-D มีลักษณะเช่นนี้ SMA: 10 period sum10 การคำนวณตัวคูณการถ่วงน้ำหนัก: (2 (เลือกช่วงเวลา 1)) (2 (10 1)) 0.1818 (18.18) การคำนวณ EMA: (ราคาปิด EMA (วันก่อนหน้า)) x ตัวคูณ EMA (วันก่อนหน้า) การถ่วงน้ำหนักให้กับราคาล่าสุดเป็นระยะเวลาที่สั้นกว่า EMA ระยะเวลายาวนานกว่า EMA ที่ยาวขึ้น ตัวอย่างเช่นตัวคูณ 18.18 จะถูกนำไปใช้กับข้อมูลราคาล่าสุดสำหรับ 10 EMA ในขณะที่สำหรับ 20 EMA จะใช้เฉพาะการคูณด้วยตัวคูณ 9.52 เท่านั้น นอกจากนี้ยังมีการเปลี่ยนแปลงเล็กน้อยของ EMA โดยใช้ราคาเปิดสูงต่ำหรือค่ามัธยฐานแทนการใช้ราคาปิด ใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) เพื่อสร้างกลยุทธ์การซื้อขายแบบไดนามิกแบบไดนามิก เรียนรู้ว่า EMA สามารถใช้ประโยชน์ได้มากเพียงใด อ่านคำตอบเรียนรู้ถึงข้อได้เปรียบที่สำคัญที่อาจเกิดขึ้นจากการใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดเมื่อทำการซื้อขายแทนการย้ายแบบง่ายๆ อ่านคำตอบเรียนรู้เกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดซึ่งเป็นค่าชี้วัดทางเทคนิคที่วัดได้และความแตกต่าง อ่านคำตอบเรียนรู้สูตรสำหรับตัวบ่งชี้ความคลาดเคลื่อนการถดถอยของค่าเฉลี่ยเคลื่อนที่และหาวิธีคำนวณ MACD อ่านคำตอบเรียนรู้เกี่ยวกับประเภทของค่าเฉลี่ยเคลื่อนที่โดยรวมและค่าเฉลี่ยของไขว้ที่เคลื่อนที่และทำความเข้าใจว่าระบบเหล่านี้ถูกนำมาใช้อย่างไรอ่านคำตอบค้นพบความแตกต่างหลักระหว่างตัวชี้วัดค่าเฉลี่ยเคลื่อนที่แบบเสวนาและแบบธรรมดาและข้อเสียที่ EMA สามารถทำได้ อ่านคำตอบข้อ 50 เป็นข้อเจรจาและการชำระบัญชีในสนธิสัญญา EU ที่ระบุขั้นตอนที่จะต้องดำเนินการสำหรับประเทศใด ๆ ที่ การเสนอราคาเริ่มต้นของสินทรัพย์ของ บริษัท ที่ล้มละลายจากผู้ซื้อที่สนใจที่ได้รับเลือกโดย บริษัท ที่ล้มละลาย จากกลุ่มผู้เสนอราคา เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎต้อง that. I เป็นหลักมีอาร์เรย์ของค่าเช่นนี้อาร์เรย์ข้างต้นเป็น oversimplified, Im เก็บ 1 ค่าต่อมิลลิวินาทีในรหัสจริงของฉันและฉันต้องดำเนินการออกในขั้นตอนฉันเขียนเพื่อหาจุดสูงสุดที่ใกล้เคียงที่สุดก่อน เจาะจงเวลา. ตรรกะของฉันล้มเหลวเนื่องจากในตัวอย่างข้างต้นของฉัน 0.36 เป็นยอดจริง แต่อัลกอริทึมของฉันจะมองย้อนกลับไปและดูจำนวนสุดท้าย 0.25 เป็นยอดสูงสุดเนื่องจาก theres ลดลงเหลือ 0.24 ก่อนหน้านี้ เป้าหมายคือการใช้ค่าเหล่านี้และใช้อัลกอริธึมกับข้อมูลเหล่านี้ซึ่งจะทำให้บิตเหล่านั้นเรียบขึ้นเพื่อให้มีค่าเชิงเส้นมากขึ้น (เช่น: Id เช่นผลของฉันจะ curvy ไม่ jaggedy) Ive ได้รับการบอกให้ใช้ตัวกรองค่าเฉลี่ยที่ชี้แจงค่าเฉลี่ยกับค่าของฉัน ฉันจะทำเช่นนี้จริงๆมันยากสำหรับฉันที่จะอ่านสมการทางคณิตศาสตร์ที่ฉันจัดการดีมากกับรหัส ฉันจะประมวลผลค่าในอาร์เรย์ของฉันโดยใช้การคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนาเพื่อให้พวกมันออกไปถาม 8 ก. พ. 2 เวลา 20:27 เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา คุณต้องเก็บข้อมูลบางส่วนไว้รอบ ๆ และคุณต้องใช้พารามิเตอร์การปรับค่า (สมมติว่าคุณกำลังใช้ Java 5 ขึ้นไป): เริ่มต้นด้วยพารามิเตอร์การสลายตัวที่คุณต้องการ (อาจใช้การปรับค่าระหว่าง 0 ถึง 1) จากนั้นใช้ค่าเฉลี่ย () เพื่อกรอง เมื่ออ่านหน้าเว็บเกี่ยวกับการกลับเป็นซ้ำคณิตศาสตร์บางสิ่งที่คุณจำเป็นต้องรู้จริงๆเมื่อเปลี่ยนเป็นรหัสก็คือนักคณิตศาสตร์ต้องการเขียนดัชนีเป็นอาร์เรย์และลำดับด้วยดัชนีย่อย (พวกเขายังมีโน้ตอื่น ๆ อีกเช่นกันซึ่งไม่ได้ช่วยอะไร) อย่างไรก็ตาม EMA ทำได้ง่ายเพียงเท่านี้คุณจะต้องจำค่าเก่าเพียงอย่างเดียวไม่จำเป็นต้องใช้อาร์เรย์ของรัฐที่ซับซ้อน ตอบกุมภาพันธ์ 8 12 เวลา 20:42 TKKocheran: Pretty much. (ถ้าเริ่มต้นด้วยลำดับใหม่ให้หาค่าเฉลี่ยใหม่) โปรดสังเกตว่าคำไม่กี่คำแรกในลำดับเฉลี่ยจะกระโดดไปรอบ ๆ เล็กน้อยเนื่องจากผลกระทบขอบเขต แต่คุณจะได้รับค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ได้ เกินไป. อย่างไรก็ตามข้อได้เปรียบที่ดีคือคุณสามารถตัดค่าตรรกะเฉลี่ยที่เคลื่อนที่ไปเป็นค่าเฉลี่ยและการทดสอบได้โดยไม่รบกวนส่วนที่เหลือของโปรแกรมมากเกินไป ndash Donal Fellows ก. พ. 9 12 เวลา 0:06 ฉันกำลังมีปัญหาในการทำความเข้าใจคำถามของคุณ แต่ฉันจะพยายามตอบคำถามต่อไป 1) ถ้าอัลกอริทึมของคุณพบ 0.25 แทน 0.36 แล้วมันก็ไม่ถูกต้อง ผิดเพราะสมมติว่ามีการเพิ่มขึ้นหรือลดลงเล็กน้อย (ซึ่งมักจะขึ้นหรือลงไปตลอดเวลา) เว้นแต่คุณจะเฉลี่ยข้อมูลทั้งหมดของคุณจุดข้อมูลของคุณ --- ตามที่คุณนำเสนอ --- ไม่เป็นเชิงเส้น ถ้าคุณต้องการหาค่าสูงสุดระหว่างสองจุดในเวลาจากนั้นแบ่งอาร์เรย์จาก tmin ไปเป็น tmax และหาค่าสูงสุดของอาร์เรย์ย่อยนั้น 2) ตอนนี้แนวคิดเกี่ยวกับค่าเฉลี่ยเคลื่อนที่จะง่ายมาก: สมมติว่าฉันมีรายการต่อไปนี้: 1.4, 1.5, 1.4, 1.5, 1.5 ฉันสามารถเรียบออกโดยใช้ค่าเฉลี่ยของสองตัวเลข: 1.45, 1.45, 1.45, 1.5 สังเกตว่าตัวเลขแรกเป็นค่าเฉลี่ย 1.5 และ 1.4 (ตัวเลขที่สองและหมายเลขแรก) ส่วนที่สอง (รายการใหม่) คือค่าเฉลี่ย 1.4 และ 1.5 (รายการเก่าที่สามและสอง) อันดับที่สาม (รายการใหม่) เฉลี่ย 1.5 และ 1.4 (สี่และสาม) และอื่น ๆ ฉันสามารถทำให้มันเป็นระยะเวลาสามหรือสี่หรือ n สังเกตว่าข้อมูลมีความนุ่มนวลมากขึ้น วิธีที่ดีในการดูค่าเฉลี่ยเคลื่อนที่ในที่ทำงานคือไปที่ Google Finance เลือกสต็อค (ลองใช้ Tesla Motors volatile สวย (TSLA)) และคลิก technicals ที่ด้านล่างของแผนภูมิ เลือก Moving Average โดยใช้ระยะเวลาที่กำหนดและค่าเฉลี่ยเคลื่อนที่แบบเสวนาเพื่อเปรียบเทียบความแตกต่าง ค่าเฉลี่ยเคลื่อนที่แบบเสวนาเป็นเพียงการอธิบายเพิ่มเติมอีกประการหนึ่งจากข้อมูลนี้ แต่ให้น้ำหนักข้อมูลเก่าน้อยกว่าข้อมูลใหม่นี่เป็นวิธีที่จะทำให้เกิดการปรับให้เรียบไปทางด้านหลัง โปรดอ่านรายการวิกิพีเดีย นี่เป็นความคิดเห็นมากกว่าคำตอบ แต่กล่องความคิดเห็นเล็ก ๆ น้อย ๆ ก็เล็กไป โชคดี. หากคุณมีปัญหาเกี่ยวกับคณิตศาสตร์คุณอาจไปกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายแทนที่จะเป็นเลขชี้กำลัง ดังนั้นผลลัพธ์ที่ได้จะเป็นเงื่อนไข x ล่าสุดหารด้วย x Pseudocode ที่ไม่ได้ตรวจสอบ: โปรดทราบว่าคุณจะต้องจัดการกับจุดเริ่มต้นและจุดสิ้นสุดของข้อมูลเนื่องจากคุณไม่สามารถเฉลี่ย 5 เทอมสุดท้ายเมื่ออยู่ในจุดข้อมูลที่ 2 ได้ นอกจากนี้ยังมีวิธีที่มีประสิทธิภาพในการคำนวณค่าเฉลี่ยเคลื่อนที่นี้ (ผลรวมรวม - เก่าที่สุดที่เก่าที่สุด) แต่นี่เป็นแนวคิดที่จะเกิดอะไรขึ้น ตอบ 8 ก. พ. 12 ที่ 20: 41Double Exponential Moving Averages Explained ผู้ค้าได้พึ่งพาการย้ายค่าเฉลี่ยเพื่อช่วยระบุจุดเข้าสู่ระบบการซื้อขายความน่าจะเป็นสูงและโอกาสที่จะได้รับผลกำไรในหลายปี ปัญหาที่ทราบกันดีเกี่ยวกับค่าเฉลี่ยเคลื่อนที่โดยรวมคือความล่าช้าอย่างรุนแรงที่มีอยู่ในค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่ ค่าเฉลี่ยเลขยกกำลังสองอัน (DEMA) ให้การแก้ปัญหาด้วยการคำนวณวิธีการเฉลี่ยที่เร็วขึ้น ประวัติความเป็นมาของค่าเฉลี่ยเคลื่อนที่แบบ Double Exponential ในการวิเคราะห์ทางเทคนิค ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยหมายถึงราคาเฉลี่ยสำหรับเครื่องมือการซื้อขายที่เฉพาะเจาะจงในช่วงเวลาที่กำหนด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ 10 วันคำนวณราคาเฉลี่ยของตราสารเฉพาะในช่วง 10 วันที่ผ่านมาค่าเฉลี่ยเคลื่อนที่ 200 วันคำนวณราคาเฉลี่ยของ 200 วันที่ผ่านมา ในแต่ละวันความคืบหน้าของการย้อนกลับไปคำนวณฐานในจำนวนวัน X ล่าสุด ค่าเฉลี่ยเคลื่อนที่จะปรากฏเป็นเส้นโค้งที่ราบเรียบซึ่งแสดงถึงแนวโน้มในระยะยาวของเครื่องดนตรี ค่าเฉลี่ยเคลื่อนที่เร็วขึ้นโดยมีระยะเวลามองย้อนกลับสั้นลงคือค่าเฉลี่ยเคลื่อนที่ที่ช้ากว่าที่เกิดขึ้นกับช่วงเวลาการมองย้อนกลับที่ยาวนานกว่า เนื่องจากค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้การมองย้อนกลับ แต่จะล้าหลัง ค่าเฉลี่ยการเคลื่อนที่แบบเลขยกกำลังสอง (DEMA) ซึ่งแสดงในรูปที่ 1 ได้รับการพัฒนาโดย Patrick Mulloy เพื่อลดระยะเวลาในการเคลื่อนที่ที่พบในค่าเฉลี่ยเคลื่อนที่แบบเดิม เป็นครั้งแรกในเดือนกุมภาพันธ์ 1994 การวิเคราะห์ทางเทคนิคของหุ้นนิตยสารสินค้าโภคภัณฑ์ใน Mulloys บทความ Smoothing ข้อมูลที่มีการเคลื่อนไหวได้เร็วขึ้นเฉลี่ย รูปที่ 1: แผนภูมิแบบหนึ่งนาทีของสัญญาซื้อขายล่วงหน้า e-mini Russell 2000 แสดงค่าเฉลี่ยเลขคณิตสองเส้นที่แตกต่างกันโดยเฉลี่ย 55 ครั้งปรากฏเป็นสีน้ำเงิน, 21- ระยะเวลาเป็นสีชมพู การคำนวณ DEMA As Mulloy อธิบายไว้ในบทความต้นฉบับของเขา DEMA ไม่ใช่แค่ EMA แบบคู่ที่มีความล่าช้าเพียงสองเท่าของ EMA แบบเดียว แต่เป็นการรวม EMA แบบเดี่ยวและแบบคู่ที่สร้าง EMA อื่นที่มีความล่าช้าน้อยกว่าทั้งสองแบบของต้นฉบับ สอง. กล่าวอีกนัยหนึ่ง DEMA ไม่ใช่แค่สอง EMA รวมหรือค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยเคลื่อนที่ แต่เป็นการคำนวณ EMA ทั้งแบบเดี่ยวและแบบคู่ เกือบทุกแพลตฟอร์มการวิเคราะห์การค้ามี DEMA รวมเป็นตัวบ่งชี้ที่สามารถเพิ่มลงในแผนภูมิได้ ดังนั้นผู้ค้าสามารถใช้ DEMA โดยไม่ต้องรู้คณิตศาสตร์ที่อยู่เบื้องหลังการคำนวณและโดยไม่ต้องเขียนหรือใส่รหัสใด ๆ การเปรียบเทียบ DEMA กับค่าเฉลี่ยเคลื่อนที่แบบดั้งเดิมค่าเฉลี่ยเคลื่อนที่เป็นวิธีหนึ่งที่ได้รับความนิยมมากที่สุดในการวิเคราะห์ทางเทคนิค ผู้ค้าหลายรายใช้พวกเขาเพื่อดูการพลิกกลับของแนวโน้ม โดยเฉพาะอย่างยิ่งในการครอสโอเวอร์เฉลี่ยเคลื่อนที่โดยมีค่าเฉลี่ยเคลื่อนที่สองเส้นที่มีความยาวต่างกันอยู่บนแผนภูมิ จุดที่ค่าเฉลี่ยเคลื่อนที่ที่ข้ามจะมีความหมายต่อการซื้อหรือขายโอกาส DEMA สามารถช่วยให้ผู้ค้าเห็นการพลิกกลับได้เร็วขึ้นเนื่องจากสามารถตอบสนองต่อการเปลี่ยนแปลงของกิจกรรมตลาดได้เร็วขึ้น รูปที่ 2 แสดงตัวอย่างสัญญาซื้อขายล่วงหน้า e-mini Russell 2000 แผนภูมิแบบหนึ่งนาทีมีค่าเฉลี่ยเคลื่อนที่ 4 รูปแบบคือ DEMA ระยะเวลา 21 (ชมพู) ระยะเวลา 55 DEMA (สีน้ำเงินเข้ม) 21- ระยะเวลา MA (สีน้ำเงิน) ระยะเวลา 55 (สีเขียวอ่อน) รูปที่ 2: แผนภูมิหนึ่งนาที e-mini Russell 2000 สัญญาซื้อขายล่วงหน้าแสดงให้เห็นถึงเวลาตอบสนองที่รวดเร็วขึ้นของ DEMA เมื่อใช้ในการครอสโอเวอร์ ขอให้สังเกตว่าการครอสโอเวอร์ DEMA ในทั้งสองกรณีปรากฏเร็วกว่าการครอสโอเวอร์ MA อย่างมาก ครอสโอเวอร์ DEMA แรกจะปรากฏที่เวลา 12:29 และแถบถัดไปจะเปิดขึ้นในราคา 663.20 ส่วนครอสโอเวอร์ MA อยู่ในช่วงเวลา 12:34 และราคาเปิดบาร์ถัดไปอยู่ที่ 660.50 ในชุดถัดไปของไขว้ครอสโอเวอร์ DEMA จะปรากฏที่ 1:33 และแถบถัดไปจะเปิดที่ 658 ส่วน MA ในทางตรงกันข้ามจะมีรูปแบบที่ 1:43 พร้อมกับการเปิดบาร์ถัดไปที่ 662.90 ในแต่ละกรณีครอสโอเวอร์ DEMA จะให้ประโยชน์ในการเข้าสู่เทรนด์ก่อนหน้านี้มากกว่าครอสโอเวอร์ MA (สำหรับข้อมูลเพิ่มเติมโปรดอ่าน Moving Averages Tutorial) การซื้อขายกับ DEMA ตัวอย่างค่าไขว้ถอยหลังเฉลี่ยข้างต้นแสดงให้เห็นถึงประสิทธิภาพในการใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นสองเท่าของค่าเฉลี่ยเลขคณิต นอกเหนือจากการใช้ DEMA เป็นตัวบ่งชี้แบบสแตนด์อโลนหรือในการตั้งค่าแบบไขว้ DEMA สามารถใช้เป็นตัวบ่งชี้ที่หลากหลายซึ่งตรรกะขึ้นอยู่กับค่าเฉลี่ยเคลื่อนที่ เครื่องมือวิเคราะห์ทางเทคนิคเช่น Bollinger Bands (MACD) และค่าเฉลี่ยเคลื่อนที่แบบทึบสามตัว (TRIX) ขึ้นอยู่กับค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่และสามารถปรับเปลี่ยนเพื่อรวม DEMA แทนค่าเฉลี่ยเคลื่อนที่แบบอื่น ๆ เพิ่มเติมได้ การแทนที่ DEMA จะช่วยให้ผู้ค้าเห็นโอกาสในการซื้อและขายที่แตกต่างไปจากที่ MAs หรือ EMA ใช้ในตัวบ่งชี้เหล่านี้ แน่นอนการเข้าสู่เทรนด์เร็วกว่าในภายหลังมักจะนำไปสู่ผลกำไรที่สูงขึ้น รูปที่ 2 แสดงให้เห็นหลักการนี้ - ถ้าเราจะใช้ crossovers เป็นสัญญาณซื้อและขาย เราจะเข้าสู่ธุรกิจการค้าอย่างมีนัยสำคัญเมื่อเร็ว ๆ นี้เมื่อใช้ครอสโอเวอร์ DEMA เป็นนอกคอกครอสโอเวอร์ MA ผู้ค้าและนักลงทุนส่วนล่างใช้ค่าเฉลี่ยเคลื่อนที่ในการวิเคราะห์ตลาดเป็นเวลานาน ค่าเฉลี่ยเคลื่อนที่เป็นเครื่องมือวิเคราะห์ทางเทคนิคที่ใช้กันแพร่หลายซึ่งจะช่วยให้สามารถดูและแปลความหมายของเทรนด์การซื้อขายในระยะยาวได้อย่างรวดเร็ว เนื่องจากการเคลื่อนไหวโดยเฉลี่ยโดยธรรมชาติของพวกเขาเป็นตัวชี้วัดที่ปกคลุมด้วยวัตถุฉนวน จะมีประโยชน์ในการปรับค่าเฉลี่ยเคลื่อนที่เพื่อคำนวณตัวบ่งชี้ที่ตอบสนองได้เร็วขึ้น ค่าเฉลี่ยเคลื่อนที่แบบทึบสองครั้งทำให้ผู้ค้าและนักลงทุนมีมุมมองเกี่ยวกับแนวโน้มในระยะยาวโดยมีข้อได้เปรียบในการเป็นค่าเฉลี่ยเคลื่อนที่เร็วกว่าและมีเวลาล่าช้าน้อยกว่า (สำหรับการอ่านที่เกี่ยวข้องให้ดูที่ Moving Average MACD Combo และ Simple Vs ค่าเฉลี่ยเคลื่อนที่แบบเสด็จพระปาบา) ข้อ 50 คือข้อเจรจาและการชำระบัญชีในสนธิสัญญา EU ที่ระบุขั้นตอนที่จะต้องดำเนินการสำหรับประเทศใด ๆ ที่ เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา