Exponentielle Gleitende Durchschnittliche Risiko Kennzahlen

Ziele und Motivationen Die Ziele sind zweifach: Risikomanagement. Modellierung der Preisverteilung (Schwellen der Verteilung, Schiefe, Kurtosis, Zeitabhängigkeiten) mit dem Ziel, die besten Modelle zur Abschätzung von Risikomaßnahmen wie dem Value at Risk auszuwählen. Es werden verschiedene Modelle untersucht, die das historische VaR, das normale Modell mit unterschiedlichen Volatilitätsmodellen (Risk Metrics, GARCH), die Cornish Fisher VaR, VaR Modelle auf der Grundlage der Extreme Value Theory umfassen. Schließlich werden die verschiedenen Modelle getestet, um das beste Modell auszuwählen und es zu verwenden, um einen Fonds unter dynamischen Risikobeschränkungen zu verwalten. Aktive Portfoliomanagement. Dieses Projekt besteht darin, verschiedene aktive Strategien mit Rebalancing zu studieren (unter Verwendung der so genannten Kelly-Kriterien, stochastische Portfoliotheorie.), Konvergenzstrategien (Handelspaare). Die Projekte werden unter der leistungsstarken statistischen und grafischen Software R-Project r-project. org entwickelt. Das ist die Open-Source-Version von S-plus. Verschiedene Aspekte der Finanzpreise werden behandelt werden: Hypothesenprüfung für Normalität: qq-Plots, Kolmogorov Smirnov, Jarque-Bera. Unabhängigkeitsprüfung: Streudiagramme, Auto-Korrektramme (ACF), Durbin Watson-Test, Testläufe. Anpassung mit verschiedenen bekannten Verteilungen: Student, exponentiell, Zeitreihe Aspekte: auto Korrelationen der Rückkehr und quadratischen Rückgaben, Skalierungseffekte, Gesetz der maximalen und minimalen, Schlagen Zeit. Lineare Regression und Faktoren Modelle Kovarianzmatrix-Filterung, Hauptkomponentenanalyse Stilanalyse Volatilitätsmodelle und - schätzungen: Risikomessgrößen, GARCH-Risikomessungen: Value at Risk, erwarteter Shortfall, maximaler Drawdown, VaR für Portfolio mit Optionen, Delta Gamma und Monte Carlo Methoden Risikobereitschaft Performance Maße: Sharpe Ratio, Morningstar RAPM, Sortino Ratio, GainLoss Ratio, Stutzer Index, CALMAR und Sterling Ratios. Konvergenzhandel, Einheitswurzeltest Dynamisches Portfolio Management, Rebalancing. Alle Anwendungen werden mit aktuellen Marktdaten entwickelt. pdf Prsentation von R-Projekten und Beispielen pdf Stylized Facts pdf Value at Risk und Extreme Value Theory. Pdf Schätzungen der Volatilität und Korrelationen. Exponential Moving Average (RiskMetrics), GARCH, Schätzungen basierend auf Höhen und Tiefen (Garman Klass, Parkinson, Roger Satchell.) Pdf Optimales Wachstumsportfolio. Pdf Kointegration, PaareKonvergenz-Handel. Weitere Präsentationen pdf Automatisierter Handel I pdf Trading Automatique II. Exponentialgewichteter gleitender Durchschnitt (Risk Metrics) und GARCH Ziel ist es, die Volatilitätsschätzung unter Verwendung eines unterschiedlichen Gewichtungsschemas zu untersuchen und zu vergleichen. Stylisierte Fakten: automatische Korrelation von Renditen, quadratischen Renditen, Bereich usw. Schätzung von Glättungsfaktoren unter Verwendung des mittleren quadratischen Fehlers oder maximalen Likelihood-Kriterien, Validierung der Vorhersage durch lineare Regression. Schätzung GARCH-Modelle, Auswahl der besten Modelle mit AIC-und BIC-Kriterien. Value at Risk, Schätzung, Backtesting und Implementierung von Fondsmanagment Der Value at Risk ist sicherlich eines der wichtigsten Instrumente, um das Risiko von Investitionen für aufsichtsrechtliche Standards zu messen. Es wird mehr und mehr im Asset Management verwendet. Ziel dieses Projektes ist es, einen Fonds mit 10 Millionen Euro Under Management mit dem Constraint zu verwalten, um einen konstanten VaR zu erhalten. Der 19-Tage-VaR auf der Grundlage von 99 entspricht 4 des Nettoinventarwertes. Verschiedene VaR-Modelle werden untersucht und getestet. Einer von ihnen wird ausgewählt und umgesetzt werden und Positionen, die an das Risikoprofil angepasst sind. Finallt wird die Performance des aktiv verwalteten Fonds mit der Buy-and-Hold-Strategie hinsichtlich Perforamnce, Sharpe Ratio etc. verglichen. Ein erster Schritt wird darin bestehen, die verschiedenen VaR-Modelle 13 für die Vermögenswerte, einschließlich Historical VaR, Delta Normal, zu untersuchen Modell mit RiskMetrics und GARCH Volatility, Cornish Fischer VaR, abschließend VaR auf Basis der Extreme Value Theory. Die Studie wird zu den in 10. Diese praktische Arbeit ist es, die Eigenschaften und Statistiken des Maximum Drawdown (MDD) nach der Magdon-Ismail-Arbeit zu studieren (siehe alumnus. caltech. edu amirmdd-risk. pdf). Die Beziehung zwischen der Sharpe (Performance Volatility) und die calmar (performancedrawdown) Verhältnisse Diese Arbeit wird auch betonen, die Bedeutung der Kontrolle der MDD durch das Studium der Nassim Taleb Artikel, die Ones Are bevorzugt sind, ein Krebs-Patienten oder ein Händler 5-Jahres-Überlebensraten fooledbyrandomnesstradersurvival1.pdf Kelly-Kriterium und Rebalancing-Strategien Kaufen und Halten versus Rebalancing Dieses Projekt soll die Performance einer passiven Buy amp Hold (BampH) Benchmark-Portfoliostrategie und der entsprechenden Constantly Rebalanced Portfolio (CRP) Strategie vergleichen, in der die Gewichte der Vermögenswerte (bzw. Asset-Klassen) werden durch kontinuierliche Handelsanpassungen in Abhängigkeit von Preisschwankungen konstant gehalten. Wir untersuchen das Verhalten von rebalanced Portfolio im Falle eines Vermögenswertes und mehrere Vermögenswerte. Wir studieren die CRP vs BH-Strategie für die verschiedenen EUROSTOXX-Indizes, vergleichen die gleiche gewichtete Strategie in den verschiedenen Sektoren mit der Buy-amp-Hold-Strategie, implementieren und backtest eine Long-Short-beta-neutrale Strategie: lang in gleichgewichteten Sektoren und kurz auf der Eurostoxx 50 (mit Futures) bei dem Versuch, einen konstanten erwarteten maximalen Drawdown aufrechtzuerhalten. Trend - und Mittelwert-Reversting-Strategien Einige Ressourcen auf R: main site: cran. r-project. org. Handbücher cran. r-project. orgmanuals. html. FAQ cran. r-project. orgdocFAQR-FAQ. html Häufig gestellte Fragen cran. r-project. orgsearch. html. Weitere Dokumente cran. r-project. orgother-docs. html Bücher: Modellierung der Financial Time Series mit S-Plus par Eric Zivot, Jiahui Wang und Clarence R. Robbins 16 Einführende Statistik mit R, Peter Dalgaard 8 Programmierung mit Daten: Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, In R: stat. lsa. umich. edufarawaybook Dies ist ein Master-Kurs, der folgende Themen behandelt: Lineare Modelle: Definition, Anpassung, Schlußfolgerung, Interpretation der Ergebnisse, Bedeutung der Regressionskoeffizienten, Identifizierbarkeit, Mangel an Anpassung, Multicollinearität, Ridge Regression, principal Gauß-Markov-Theorem, variable Selektion, Diagnostik, Transformationen, einflussreiche Beobachtungen, robuste Verfahren, ANOVA und die Analyse von Kovarianz, randomisiertem Block, faktorielle Designs. Zeitreihe Vorhersage und Prognose massey. ac. nz Rmetrics: itp. phys. ethz. checonophysicsR eine Einführung in die Financial Computing mit R für Bereiche von Datenmanagement, Zeitreihen und Regressionsanalyse, Extremalwert-Theorie und Bewertung von Finanzmarktinstrumenten. Faculty. washington. eduezivotsplus. htm die Homepage von E. Zivot über SPlus et FinMetrics CRAN Aufgabenansicht: Empirische Finanzierung cran. r-project. orgsrccontribViewsFinance. html Andere Pakete Software für Extremwertetheorie: urlmaths. lancs. ac. uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Praktische Regression und Anova in R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf Paket: stat. lsa. umich. edu1 ARTZNER, P. amp DELBAEN, F. amp EBER, J. - M. Amp HEATH, D. Kohärente Maßnahmen des Risikos. 1998.. 2 ALEXANDER, C. Marktmodelle: ein Leitfaden zur Finanzdatenanalyse. Wiley, 2003. 3 ALEXANDER, C. Marktrisikoanalyse: Praktische Finanzökonometrie. Wiley, 2008. 4 BOUCHAUD, J. P amp POTTERS, M. Theorie der finanziellen Risiken. Cambridge University Press, 2000. 5 CHAMBERS, J. M. Programmierung mit Daten. Springer, New York, 1998. ISBN 0-387-98503-4. 6 CHRISTOFFERSEN, P. Elemente des Finanzrisikomanagements. Academic Press, Juli 2003. 7 CONT, R. Empirische Eigenschaften von Anlagenrenditen - stilisierte Fakten und statistische Fragen. QUANTITATIVE FINANZIERUNG, 2000.. 8 DALGAARD, P. Einleitende Statistik mit R. Springer, 2002. ISBN 0-387-95475-9. 9 GOURIEROUX, C. amp SCAILLET, O. amp SZAFARZ, A. Finanzökonomie. Economica, 1997. 11 LO. Verstärker CAMPBELL. Amp MACKINLAY. Die Ökonometrie der Finanzmärkte. Princeton University Press, 1997. 12 LO, A. W amp MACKINLAY, A. C. Eine nicht-zufällige Walk Down Wall Street. Princeton University Press, Princeton, NJ, 1999. 13 LINSMEIER, T amp PEARSON, N. D. Risikomessung: Eine Einführung in Value at Risk. März 2000 14 VENABLES, W. N amp RIPLEY, B. D. Moderne Angewandte Statistik mit S. Vierte Auflage. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. amp ROBBINS, C. R. Modellierung der Financial Time Series mit S-Plus. Springer Verlag, 2004. Erforschung der exponentiell gewichteten Moving Average Volatility ist die häufigste Maßnahme für das Risiko, aber es kommt in mehreren Geschmacksrichtungen. In einem früheren Artikel haben wir gezeigt, wie man einfache historische Volatilität berechnet. (Um diesen Artikel zu lesen, lesen Sie unter Verwenden der Volatilität, um zukünftiges Risiko zu messen.) Wir verwendeten Googles tatsächlichen Aktienkursdaten, um die tägliche Volatilität basierend auf 30 Tagen der Bestandsdaten zu berechnen. In diesem Artikel werden wir auf einfache Volatilität zu verbessern und diskutieren den exponentiell gewichteten gleitenden Durchschnitt (EWMA). Historische Vs. Implied Volatility Erstens, lassen Sie diese Metrik in ein bisschen Perspektive. Es gibt zwei breite Ansätze: historische und implizite (oder implizite) Volatilität. Der historische Ansatz geht davon aus, dass Vergangenheit ist Prolog Wir messen Geschichte in der Hoffnung, dass es prädiktive ist. Die implizite Volatilität dagegen ignoriert die Geschichte, die sie für die Volatilität der Marktpreise löst. Es hofft, dass der Markt am besten weiß und dass der Marktpreis, auch wenn implizit, eine Konsensschätzung der Volatilität enthält. (Für verwandte Erkenntnisse siehe Die Verwendungen und Grenzen der Volatilität.) Wenn wir uns auf die drei historischen Ansätze (auf der linken Seite) konzentrieren, haben sie zwei Schritte gemeinsam: Berechnen Sie die Reihe der periodischen Renditen Berechnen die periodische Rendite. Das ist typischerweise eine Reihe von täglichen Renditen, bei denen jede Rendite in kontinuierlich zusammengesetzten Ausdrücken ausgedrückt wird. Für jeden Tag nehmen wir das natürliche Protokoll des Verhältnisses der Aktienkurse (d. H. Preis heute geteilt durch den Preis gestern und so weiter). Dies erzeugt eine Reihe von täglichen Renditen, von u i bis u i-m. Je nachdem wie viele Tage (m Tage) wir messen. Das bringt uns zum zweiten Schritt: Hier unterscheiden sich die drei Ansätze. Wir haben gezeigt, dass die einfache Varianz im Rahmen einiger akzeptabler Vereinfachungen der Mittelwert der quadratischen Renditen ist: Beachten Sie, dass diese Summe die periodischen Renditen zusammenfasst und dann diese Summe durch die Anzahl der Tage oder Beobachtungen (m). Also, seine wirklich nur ein Durchschnitt der quadrierten periodischen kehrt zurück. Setzen Sie einen anderen Weg, jede quadratische Rückkehr wird ein gleiches Gewicht gegeben. Also, wenn alpha (a) ein Gewichtungsfaktor (speziell eine 1m) ist, dann eine einfache Varianz sieht etwa so aus: Die EWMA verbessert auf einfache Varianz Die Schwäche dieser Ansatz ist, dass alle Renditen das gleiche Gewicht zu verdienen. Yesterdays (sehr jüngste) Rückkehr hat keinen Einfluss mehr auf die Varianz als die letzten Monate zurück. Dieses Problem wird durch Verwendung des exponentiell gewichteten gleitenden Mittelwerts (EWMA), bei dem neuere Renditen ein größeres Gewicht auf die Varianz aufweisen, festgelegt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) führt Lambda ein. Die als Glättungsparameter bezeichnet wird. Lambda muss kleiner als 1 sein. Unter dieser Bedingung wird anstelle der gleichen Gewichtungen jede quadratische Rendite durch einen Multiplikator wie folgt gewichtet: Beispielsweise neigt die RiskMetrics TM, eine Finanzrisikomanagementgesellschaft, dazu, eine Lambda von 0,94 oder 94 zu verwenden. In diesem Fall wird die erste ( (1 - 0,94) (94) 0 6. Die nächste quadrierte Rückkehr ist einfach ein Lambda-Vielfaches des vorherigen Gewichts in diesem Fall 6 multipliziert mit 94 5,64. Und das dritte vorherige Tagegewicht ist gleich (1-0,94) (0,94) 2 5,30. Das ist die Bedeutung von exponentiell in EWMA: jedes Gewicht ist ein konstanter Multiplikator (d. h. Lambda, der kleiner als eins sein muß) des vorherigen Gewichtes. Dies stellt eine Varianz sicher, die gewichtet oder zu neueren Daten voreingenommen ist. (Weitere Informationen finden Sie im Excel-Arbeitsblatt für die Googles-Volatilität.) Der Unterschied zwischen einfacher Volatilität und EWMA für Google wird unten angezeigt. Einfache Volatilität wiegt effektiv jede periodische Rendite von 0,196, wie in Spalte O gezeigt (wir hatten zwei Jahre täglich Tageskursdaten, das sind 509 tägliche Renditen und 1509 0,196). Aber beachten Sie, dass die Spalte P ein Gewicht von 6, dann 5,64, dann 5,3 und so weiter. Das ist der einzige Unterschied zwischen einfacher Varianz und EWMA. Denken Sie daran: Nachdem wir die Summe der ganzen Reihe (in Spalte Q) haben wir die Varianz, die das Quadrat der Standardabweichung ist. Wenn wir Volatilität wollen, müssen wir uns daran erinnern, die Quadratwurzel dieser Varianz zu nehmen. Was ist der Unterschied in der täglichen Volatilität zwischen der Varianz und der EWMA im Googles-Fall? Bedeutend: Die einfache Varianz gab uns eine tägliche Volatilität von 2,4, aber die EWMA gab eine tägliche Volatilität von nur 1,4 (Details siehe Tabelle). Offenbar ließ sich die Googles-Volatilität in jüngster Zeit verringern, so dass eine einfache Varianz künstlich hoch sein könnte. Die heutige Varianz ist eine Funktion der Pior Tage Variance Youll bemerken wir benötigt, um eine lange Reihe von exponentiell sinkenden Gewichte zu berechnen. Wir werden die Mathematik hier nicht durchführen, aber eine der besten Eigenschaften der EWMA ist, daß die gesamte Reihe zweckmäßigerweise auf eine rekursive Formel reduziert: Rekursiv bedeutet, daß heutige Varianzreferenzen (d. h. eine Funktion der früheren Tagesvarianz) ist. Sie können diese Formel auch in der Kalkulationstabelle zu finden, und es erzeugt genau das gleiche Ergebnis wie die Langzeitberechnung Es heißt: Die heutige Varianz (unter EWMA) ist gleichbedeutend mit der gestrigen Abweichung (gewichtet mit Lambda) plus der gestrigen Rückkehr (gewogen durch ein Minus-Lambda). Beachten Sie, wie wir sind nur das Hinzufügen von zwei Begriffe zusammen: gestern gewichtet Varianz und gestern gewichtet, quadriert zurück. Dennoch ist Lambda unser Glättungsparameter. Ein höheres Lambda (z. B. wie RiskMetrics 94) deutet auf einen langsameren Abfall in der Reihe hin - in relativer Hinsicht werden wir mehr Datenpunkte in der Reihe haben, und sie fallen langsamer ab. Auf der anderen Seite, wenn wir das Lambda reduzieren, deuten wir auf einen höheren Abfall hin: die Gewichte fallen schneller ab, und als direkte Folge des schnellen Zerfalls werden weniger Datenpunkte verwendet. (In der Kalkulationstabelle ist Lambda ein Eingang, so dass Sie mit seiner Empfindlichkeit experimentieren können). Zusammenfassung Volatilität ist die momentane Standardabweichung einer Aktie und die häufigste Risikomessung. Es ist auch die Quadratwurzel der Varianz. Wir können Varianz historisch oder implizit messen (implizite Volatilität). Bei der historischen Messung ist die einfachste Methode eine einfache Varianz. Aber die Schwäche mit einfacher Varianz ist alle Renditen bekommen das gleiche Gewicht. So stehen wir vor einem klassischen Kompromiss: Wir wollen immer mehr Daten, aber je mehr Daten wir haben, desto mehr wird unsere Berechnung durch weit entfernte (weniger relevante) Daten verdünnt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) verbessert die einfache Varianz durch Zuordnen von Gewichten zu den periodischen Renditen. Auf diese Weise können wir beide eine große Stichprobengröße, sondern auch mehr Gewicht auf neuere Renditen. (Um ein Film-Tutorial zu diesem Thema zu sehen, besuchen Sie die Bionic Turtle.) Simple Vs. Exponential Moving Averages Moving-Mittelwerte sind mehr als das Studium einer Folge von Zahlen in aufeinanderfolgender Reihenfolge. Frühe Praktiker der Zeitreihenanalyse beschäftigten sich tatsächlich eher mit einzelnen Zeitreihenzahlen als mit der Interpolation dieser Daten. Interpolation. In Form von Wahrscheinlichkeitstheorien und - analyse, kam viel später, als Muster entwickelt wurden und Korrelationen entdeckt. Einmal verstanden, wurden verschiedene geformte Kurven und Linien entlang der Zeitreihen gezogen, um zu prognostizieren, wo die Datenpunkte gehen könnten. Diese werden nun als grundlegende Methoden, die derzeit von technischen Analyse-Händler verwendet. Charting-Analyse kann bis ins 18. Jahrhundert Japan zurückverfolgt werden, aber wie und wann bewegte Durchschnitte wurden zuerst auf Marktpreise angewendet bleibt ein Geheimnis. Es wird allgemein verstanden, dass einfache Bewegungsdurchschnitte (SMA) lange vor exponentiellen Bewegungsdurchschnitten (EMA) verwendet wurden, da EMAs auf SMA-Gerüsten aufgebaut sind und das SMA-Kontinuum für Plotter und Verfolgungszwecke leichter verstanden wurde. (Möchten Sie ein wenig Hintergrund lesen Check out Moving Averages: Was sind sie) Simple Moving Average (SMA) Einfache gleitende Durchschnitte wurden die bevorzugte Methode für die Verfolgung Marktpreise, weil sie schnell zu berechnen und leicht zu verstehen sind. Frühe Marktpraktiker arbeiteten ohne den Gebrauch der ausgefeilten Diagrammmetriken, die heute benutzt werden, also verließen sie hauptsächlich auf Marktpreisen als ihre alleinigen Führer. Sie berechneten die Marktpreise von Hand, und graphed diese Preise, um Trends und Marktrichtung zu bezeichnen. Dieser Prozeß war sehr langwierig, erweist sich aber mit der Bestätigung weiterer Untersuchungen als recht rentabel. Um einen 10-tägigen einfachen gleitenden Durchschnitt zu berechnen, addieren Sie einfach die Schlusskurse der letzten 10 Tage und dividieren durch 10. Der gleitende 20-Tage-Durchschnitt wird berechnet, indem die Schlusskurse über einen Zeitraum von 20 Tagen addiert werden und sich um 20 dividieren bald. Diese Formel ist nicht nur auf Schlusskurse basiert, sondern das Produkt ist ein Mittel der Preise - eine Teilmenge. Bewegungsdurchschnitte werden als bewegt bezeichnet, weil sich die in der Berechnung verwendete Gruppe von Preisen gemäß dem Punkt auf dem Diagramm bewegt. Das bedeutet, dass alte Zeiten zugunsten neuer Schlusskurstage fallengelassen werden, so dass immer eine neue Berechnung erforderlich ist, die dem Zeitrahmen des durchschnittlichen Beschäftigten entspricht. So wird ein 10-Tage-Durchschnitt neu berechnet, indem der neue Tag hinzugefügt und der 10. Tag fallen gelassen wird, und der neunte Tag wird am zweiten Tag fallen gelassen. Exponential Moving Average (EMA) Exponential Moving Average (EMA) Der exponentielle gleitende Durchschnitt wurde verfeinert und seit den sechziger Jahren aufgrund früherer Experimente mit dem Computer weiter verbreitet. Die neue EMA würde sich mehr auf die jüngsten Preise konzentrieren als auf eine lange Reihe von Datenpunkten, da der einfache gleitende Durchschnitt erforderlich ist. Aktuelle EMA ((Preis (aktuelle) - vorherige EMA)) X Multiplikator) vorherige EMA. Der wichtigste Faktor ist die Glättungskonstante, die 2 (1N) mit N die Anzahl der Tage. Eine 10-Tage-EMA 2 (101) 18,8 Dies bedeutet, dass ein 10-Perioden-EMA den jüngsten Preis 18,8, ein 20-Tage EMA 9,52 und 50 Tage EMA 3,92 Gewicht auf den letzten Tag gewichtet. Die EMA arbeitet, indem sie die Differenz zwischen dem Preis der gegenwärtigen Perioden und der vorherigen EMA gewichtet und das Ergebnis der vorherigen EMA hinzugefügt hat. Je kürzer die Periode, desto mehr Gewicht auf den jüngsten Preis angewendet. Anpassungslinien Nach diesen Berechnungen sind Punkte aufgetragen und zeigen eine passende Linie. Anpassungen über oder unter dem Marktpreis bedeuten, dass alle gleitenden Durchschnitte nacheilende Indikatoren sind. Und werden hauptsächlich für folgende Trends verwendet. Sie funktionieren nicht gut mit Reichweitenmärkten und Perioden der Überlastung, weil die passenden Linien nicht einen Trend aufgrund eines Mangels an offensichtlich höheren Höhen oder niedrigeren Tiefs bezeichnen. Plus, passende Linien neigen dazu, konstant bleiben, ohne Andeutung der Richtung. Eine aufsteigende Montagelinie unterhalb des Marktes bedeutet eine lange, während eine sinkende Montagelinie oberhalb des Marktes ein kurzes bedeutet. (Für eine vollständige Anleitung, lesen Sie unsere Moving Average Tutorial.) Der Zweck der Verwendung eines einfachen gleitenden Durchschnitt ist es, zu erkennen und zu messen Trends durch Glättung der Daten mit Hilfe von mehreren Gruppen von Preisen. Ein Trend wird entdeckt und in eine Prognose hochgerechnet. Es wird davon ausgegangen, dass sich die bisherigen Trendbewegungen fortsetzen werden. Für den einfachen gleitenden Durchschnitt kann ein langfristiger Trend gefunden und gefolgt werden viel einfacher als eine EMA, mit der vernünftigen Annahme, dass die Anpassungslinie stärker als eine EMA-Linie aufgrund der längeren Fokussierung auf Mittelpreise halten wird. Eine EMA wird verwendet, um kürzere Trendbewegungen zu erfassen, aufgrund der Fokussierung auf die jüngsten Preise. Durch dieses Verfahren soll eine EMA jede Verzögerung in dem einfachen gleitenden Durchschnitt reduzieren, so dass die Anpassungslinie die Preise näher umschließt als ein einfacher gleitender Durchschnitt. Das Problem mit der EMA ist dies: Seine anfällig für Preisunterbrechungen, vor allem auf schnellen Märkten und Zeiten der Volatilität. Die EMA funktioniert gut, bis die Preise die passende Linie brechen. Bei höheren Volatilitätsmärkten könnte man erwägen, die Länge des gleitenden Durchschnittsbegriffs zu vergrößern. Man kann sogar von einer EMA zu einer SMA wechseln, da die SMA die Daten viel besser macht als eine EMA aufgrund ihres Fokus auf längerfristige Mittel. Trendindikatoren Als Nachlaufindikatoren dienen die gleitenden Mittelwerte als Unterstützungs - und Widerstandslinien. Wenn die Preise unter einer 10-tägigen Anpaßlinie in einem Aufwärtstrend brechen, sind die Chancen gut, dass der Aufwärtstrend schwächer werden kann, oder zumindest kann sich der Markt konsolidieren. Wenn die Preise über einen 10 Tage gleitenden Durchschnitt in einem Abwärtstrend brechen. Kann der Trend abnehmen oder konsolidieren. Verwenden Sie in diesen Fällen einen 10- und 20-Tage gleitenden Durchschnitt zusammen, und warten Sie, bis die 10-Tage-Linie über oder unter der 20-Tage-Linie zu überqueren. Diese bestimmt die nächste kurzfristige Richtung für die Preise. Für längere Zeiträume, beobachten Sie die 100- und 200-Tage gleitende Mittelwerte für längerfristige Richtung. Wenn man beispielsweise den 100- und 200-Tage-Gleitdurchschnitt verwendet, wenn der 100-Tage-Gleitende Durchschnitt unter dem 200-Tage-Durchschnitt überschreitet, nennt man ihn das Todeskreuz. Und ist sehr bärisch für die Preise. Ein 100-Tage-Gleitender Durchschnitt, der über einen 200-Tage gleitenden Durchschnitt kreuzt, wird das goldene Kreuz genannt. Und ist sehr bullisch für die Preise. Es spielt keine Rolle, wenn ein SMA oder eine EMA verwendet wird, weil beide Trend-folgende Indikatoren sind. Seine nur in der kurzfristigen, dass die SMA hat geringfügige Abweichungen von seinem Pendant, die EMA. Fazit Die gleitenden Durchschnitte sind die Grundlage der Diagramm - und Zeitreihenanalyse. Einfache gleitende Durchschnitte und die komplexeren exponentiellen gleitenden Durchschnitte helfen, den Trend zu visualisieren, indem sie Preisbewegungen ausgleichen. Technische Analyse wird manchmal als Kunst und nicht als Wissenschaft bezeichnet, die beide Jahre in Anspruch nehmen. (Weitere Informationen finden Sie in unserem Technical Analysis Tutorial.)