Скользящая средняя сглаживает последовательность чисел таким образом, что краткосрочные колебания снижаются, в то время как более долгосрочные остаются почти неизменными. Очевидно, что временной промежуток скользящей средней будет изменять ее характеристики.
Дж. М. Херст в своей книге «The Profit Magic of Stock Transaction Timing» (1970) объяснил эти изменения тремя общими правилами:
— скользящая средняя любой данной длины уменьшает величину колебаний длительности, равной длине скользящей средней, до нуля;
— скользящая средняя также значительно снижает (но не уничтожает) величину всех колебаний длительности меньшей, чем длина скользящей средней;
— все колебания, большие чем длина скользящей средней, «пропускаются», или присутствуют в итоговой линии скользящей средней. Колебания с длительностями, лишь немного большими, чем длина скользящей средней, значительно уменьшаются по величине.
Несколько более продвинутая техника сглаживания – экспоненциальная скользящая средняя. В принципе она выполняет ту же задачу, что и простая (арифметическая) скользящая средняя. Экспоненциальное сглаживание было разработано для целей радиолокационного слежения и проектирования маршрутов полетов. Более чувствительное отслеживание трендов требовало, чтобы самые свежие данные оказывали большее влияние на результат. Формула экспоненциального сглаживания кажется сложной, но это всего лишь еще один способ взвешивания компонентов данных – так, чтобы самый последний компонент имел наибольший вес. Хотя для того, чтобы получить экспоненциально сглаженную величину, достаточно всего двух точек данных, лучше использовать большее количество. Все используемые данные становятся частью нового результата.
Здесь дано простое объяснение экспоненциального сглаживания. Экспоненциальная средняя использует сглаживающую константу, которая аппроксимирует число дней для простой скользящей средней. Эта константа умножается на разницу между сегодняшней ценой закрытия и значением скользящей средней предыдущего дня. Затем новое значение прибавляется к значению скользящей средней предыдущего дня. Сглаживающая константа равна 2 / (n + 1), где n – число дней, используемых в простой скользящей средней.
Используемый метод определения тренда
После проведения многочисленных тестов краткосрочное экспоненциальное сглаживание данных показало себя как лучший инструмент идентификации краткосрочных трендов. Оно дает наилучшее, самое простое и быстрое определение краткосрочного тренда, и его концепцию, без сомнений, нетрудно понять. Простые концепции обычно оказываются более надежными и, конечно, вызывают больше доверия.
Были проведены многочисленные тесты на громадных массивах информации, и обнаружилось, что экспоненциальный период в десять дней дает наилучшие результаты, особенно если вспомнить, что японские свечи – это метод краткосрочного анализа.
|