نحوه اجرای فیلتر Moving Average

بررسی و ایجاد نمودار Rolling Average با Power BI

در آمار ، میانگین متحرک برای تجزیه و تحلیل نقاط داده با ایجاد یک مجموعه میانگین از زیرمجموعه های مختلف مجموعه داده ها است.

با توجه به یک سری اعداد و اندازه ثابت زیر مجموعه ، اولین عنصر میانگین متحرک با گرفتن میانگین زیر مجموعه ثابت اولین اعداد بدست می آید. سپس زیر مجموعه با “جابجایی به جلو” اصلاح می شود. به این معنی که اولین شماره مجموعه را در نظر نگیریم و مقدار بعدی را در زیرمجموعه لحاظ کنیم.

از میانگین متحرک معمولاً با داده های سری زمانی استفاده می شود تا نوسانات کوتاه مدت را هموار و روندها یا چرخه های بلند مدت را هایلایت یا بلد کند. آستانه بین کوتاه مدت و بلند مدت به کاربرد بستگی دارد و پارامترهای نحوه اجرای فیلتر Moving Average میانگین متحرک نیز بر این اساس تنظیم می شوند. به عنوان مثال ، اغلب در تجزیه و تحلیل فنی داده های مالی مانند قیمت سهام ، بازده یا حجم معاملات استفاده می شود. همچنین در اقتصاد برای بررسی تولید ناخالص داخلی ، اشتغال یا سایر سری های زمانی اقتصاد کلان استفاده می شود.

لینک دیتابیس استفاده شده : فایل اکسل FactInternetSales-RollingAverage.xlsx

مسئله

آیا می توانید یک Rolling Average را توصیف کنید و اینکه چگونه می توانیم بدون استفاده از DAX یک Rolling Average را در Power BI ایجاد کنیم؟

راه حل

Rolling Average چیست؟

Rolling Average که به عنوان میانگین متحرک نیز شناخته می شود ، روشی آماری است که میانگین یک سری داده را برای یک دوره معین محاسبه می کند. Rolling Average کاربرد گسترده ای دارد. به خصوص در بازارهای مالی که تریدرها یا سرمایه گذاران از این روش برای تخمین قیمت سهام استفاده می کنند. همچنین ، Rolling Average برای تعیین یا برآورد جهت روندها کمک می کند و بنابراین احتمال تصمیم گیری صحیح را افزایش می دهد. ایده اصلی این روش تعیین و پیگیری روند است. بنابراین ، با اجتناب از تغییرات روزمره امکان تجزیه و تحلیل روند طولانی مدت را فراهم می کند. با فرض اینکه سری داده های نحوه اجرای فیلتر Moving Average شما دارای نوساناتی است و می خواهید این مجموعه داده ها را صریح، واضح و روشن کنید می توانید از یک Rolling Average استفاده کنید. زیرا هموار سازی یک سری داده را فراهم کرده و داده های نویز را فیلتر می کند. بعد از تمام این جزئیات می توانیم روش محاسبه ی یک Rolling Average را ببینیم.

محاسبه Rolling Average ساده

تصویر زیر با محاسبه Rolling Average میزان فروش ماهیانه را نشان می دهد. برای این مجموعه از داده ها یک میانگین یک میانگین متحرک ساده سه ماهه محاسبه خواهیم کرد.

فرمول بسیار ساده است.مقادیر کل در طول دوره را جمع و به تعداد دوره تقسیم می کنیم.

Simple rolling average = (P1+P2+P3+P4+…+Pn)/n

محاسبه Rolling Average Simple نقطه اول نیز شبیه این فرمول می باشد

محاسبه Rolling Average Simple نقطه دوم نیز به همین صورت

اکنون نحوه اجرای فیلتر Moving Average با استفاده از Power BI این موارد را پیاده سازی می کنیم. ابتدا نرم افزار Power BI Desktop را اجرا کرده و از قسمت Get Data فایل اکسل پیوستی را به نرم افزار Import می کنیم.

نمودار Line and stacked column chart را در صفحه طراحی Power BI بکشید و رها کنید.

Line and stacked column chart

ستون DueDate را به Shared axis و ستون SalsAmount را نحوه اجرای فیلتر Moving Average نحوه اجرای فیلتر Moving Average به Column values بکشید و رها کنید.

۳ یا ۴ بار روی Expand down one level in the hierarchy کلیک کنید تا نمودار به شکل زیر تبدیل شود. این گزینه به ما این امکان را می دهد تا تمام سطوح مقادیر سلسله مراتب تاریخ را نشان دهیم.

سلسله مراتب Day را حذف کنید زیرا ما به این سلسله مراتب از تاریخ احتیاج نداریم.

بر روی DueDate راست کلیک کرده و گزینه New quick measure را انتخاب کنید.

Rolling average را از زیر عنوان Time intelligence انتخاب کنید.

پنجره Quick Measures را مانند تصویر زیر کامل کنید. زیرا می خواهیم تعداد داده ها و مقدارهای قبل از مقدار فعلی را در مجموعه داده ها مشخص کرده و میانگین را پیدا کنیم. به همین دلیل ، periods before را روی مقدار ۲ تنظیم می کنیم و چون دوره ما ماهانه است بنابراین Period را Months انتخاب می کنیم.

Measure ساخته شده با عنوان SalesAmount rolling average را به قسمت Line values کشیده و رها می کنیم.

در نمودار کلیک راست کرده و Show as a table را کلیک کنید. این گزینه به ما امکان می دهد مقادیر موجود در نمودار را نشان دهیم.

اگر به پس زمینه محاسبه نگاه کنید ، Power BI به طور خودکار کد DAX لازم را برای این Measure ایجاد می کند. هنگامی که بر روی SalesAmount rolling average کلیک می کنیم ، می توانیم کد DAX را پیدا کنیم.

نتیجه

در این مقاله ، ما منطق Rolling Average و چگونگی ایجاد Rolling Average در Power BI را بررسی کردیم. Rolling Average انواع مختلفی دارد (میانگین متحرک نمایی (EMA) ، میانگین متحرک هموار (SMMA) و میانگین متحرک وزنی خطی) که با یک Rolling Average ساده متفاوت هستند و خصوصاً در تحلیل های مالی کاربرد زیادی دارد. در این مقاله ما با ساده ترین روش یک Rolling Average را در Power BI بدون استفاده از DAX ایجاد کردیم.

بررسی و ایجاد نمودار Rolling Average با Power BI

در آمار ، میانگین متحرک برای تجزیه و تحلیل نقاط داده با ایجاد یک مجموعه میانگین از زیرمجموعه های مختلف مجموعه داده ها است.

با توجه به یک سری اعداد و اندازه ثابت زیر مجموعه ، اولین عنصر میانگین متحرک با گرفتن میانگین زیر مجموعه ثابت اولین اعداد بدست می آید. سپس زیر مجموعه با “جابجایی به جلو” اصلاح می شود. به این معنی که اولین شماره مجموعه را در نظر نگیریم و مقدار بعدی را در زیرمجموعه لحاظ کنیم.

از میانگین متحرک معمولاً با داده های سری زمانی استفاده می شود تا نوسانات کوتاه مدت را هموار و روندها یا چرخه های بلند مدت را هایلایت یا بلد کند. آستانه بین کوتاه مدت و بلند مدت به کاربرد بستگی دارد و پارامترهای میانگین متحرک نیز بر این اساس تنظیم می شوند. به عنوان مثال ، اغلب در تجزیه و تحلیل فنی داده های مالی مانند قیمت سهام ، بازده یا حجم معاملات استفاده می شود. همچنین در اقتصاد برای بررسی تولید ناخالص داخلی ، اشتغال یا سایر سری های زمانی اقتصاد کلان استفاده می شود.

لینک دیتابیس استفاده شده : فایل اکسل FactInternetSales-RollingAverage.xlsx

مسئله

آیا می توانید یک Rolling Average را توصیف کنید و اینکه چگونه می توانیم بدون استفاده از DAX یک Rolling Average را در Power BI ایجاد کنیم؟

راه حل

Rolling Average چیست؟

Rolling Average که به عنوان میانگین متحرک نیز شناخته می شود ، روشی آماری است که میانگین یک سری داده را برای یک دوره معین محاسبه می کند. Rolling Average کاربرد گسترده ای دارد. به خصوص در بازارهای مالی که تریدرها یا سرمایه گذاران از این روش برای تخمین قیمت سهام استفاده می کنند. همچنین ، Rolling Average برای تعیین یا برآورد جهت روندها کمک می کند و بنابراین احتمال تصمیم گیری صحیح را افزایش می دهد. ایده اصلی این روش تعیین و پیگیری روند است. بنابراین ، با اجتناب از تغییرات روزمره امکان تجزیه و تحلیل روند طولانی مدت را فراهم می کند. با فرض اینکه سری داده های شما دارای نوساناتی است و می خواهید این مجموعه داده ها را صریح، واضح و روشن کنید می توانید از یک Rolling Average استفاده کنید. زیرا هموار سازی یک سری داده را فراهم کرده و داده های نویز را فیلتر می کند. بعد از تمام این جزئیات می توانیم روش محاسبه ی یک Rolling Average را ببینیم.

محاسبه Rolling Average ساده

تصویر زیر با محاسبه Rolling Average میزان فروش ماهیانه را نشان می دهد. برای این مجموعه از داده ها یک میانگین یک میانگین متحرک ساده سه ماهه محاسبه خواهیم کرد.

فرمول بسیار ساده است.مقادیر کل در طول دوره را جمع و به تعداد دوره تقسیم می کنیم.

Simple rolling average = (P1+P2+P3+P4+…+Pn)/n

محاسبه Rolling Average Simple نقطه اول نیز شبیه این فرمول می باشد

محاسبه Rolling Average Simple نقطه دوم نیز به همین صورت

اکنون با استفاده از Power BI این موارد را پیاده سازی می کنیم. ابتدا نرم افزار Power BI Desktop را اجرا کرده و از قسمت Get Data فایل اکسل پیوستی را به نرم افزار Import می کنیم.

نمودار Line and stacked column chart را در صفحه طراحی Power BI بکشید و رها کنید.

Line and stacked column chart

ستون DueDate را به Shared axis و ستون SalsAmount را به Column values بکشید و رها کنید.

۳ یا ۴ بار روی Expand down one level in the hierarchy کلیک کنید تا نمودار به شکل زیر تبدیل شود. این گزینه به ما این امکان را می دهد تا تمام سطوح مقادیر سلسله مراتب تاریخ را نشان دهیم.

سلسله مراتب Day را حذف کنید زیرا ما به این سلسله مراتب از تاریخ احتیاج نداریم.

بر روی DueDate راست کلیک کرده و گزینه New quick measure را انتخاب کنید.

Rolling average را از زیر عنوان Time intelligence انتخاب کنید.

پنجره Quick Measures را مانند تصویر زیر کامل کنید. زیرا می خواهیم تعداد داده ها و مقدارهای قبل از مقدار فعلی را در مجموعه داده ها مشخص کرده و میانگین را پیدا کنیم. به همین دلیل ، periods before را روی مقدار ۲ تنظیم می کنیم و چون دوره ما ماهانه است بنابراین Period را Months انتخاب می کنیم.

Measure ساخته شده با عنوان SalesAmount rolling average را به قسمت Line values کشیده و رها می کنیم.

در نمودار کلیک راست کرده و Show as a table را کلیک کنید. این گزینه به ما امکان می دهد مقادیر موجود در نمودار را نشان دهیم.

اگر به پس زمینه محاسبه نگاه کنید ، Power BI به طور خودکار کد DAX لازم را برای این Measure ایجاد می کند. هنگامی که بر روی SalesAmount rolling average کلیک می کنیم ، می توانیم کد DAX را پیدا کنیم.

نتیجه

در این مقاله ، ما منطق Rolling Average و چگونگی ایجاد Rolling Average در Power BI را بررسی کردیم. Rolling Average انواع مختلفی دارد (میانگین متحرک نمایی (EMA) ، میانگین متحرک هموار (SMMA) و میانگین متحرک وزنی خطی) که با یک Rolling Average ساده متفاوت هستند و خصوصاً در تحلیل های مالی کاربرد زیادی دارد. در این مقاله ما با ساده ترین روش یک Rolling Average را در Power BI بدون استفاده از DAX ایجاد کردیم.

شناسایی متغیرهای حالت یک هوانورد با استفاده از فیلتر ترکیبی کالمن / اچ- بینهایت فازی

1 استادیار، دپارتمان مهندسی مکانیک، آموزشکده شهید مفتح همدان، دانشگاه فنی و حرفه ای استان همدان، ایران .

2 استادیار، دپارتمان مهندسی مکانیک، دانشکده شهید چمران رشت، دانشگاه فنی و حرفه‌ای استان گیلان، ایران.

3 عضو هیئت علمی، دپارتمان مهندسی مکانیک، آموزشکده امام خمینی بهشهر، دانشگاه فنی و حرفه ای استان مازندران، ایران .

چکیده

یکی از مهم‌ترین مشکلات در مهندسی کنترل تخمین متغیرهای حالت یک سیستم دینامیکی با استفاده از داده های اندازه‌گیری شده مخدوش با نویز است. تخمین به کمک فیلتر ترکیبی کالمن/ اچ بینهایت یکی از روش‌های قدرتمند تخمین است که یک روش غیر تصادفی می‌باشد. به‌عبارت‌دیگر در این روش اندازه‌گیری‌ها و متغیرهای مدنظر تخمین نویزی بوده و اطلاعات دقیقی در مورد آنها وجود ندارد. در سیستم‌های دینامیکی با نویزهای شدید هیچ تضمینی برای ثابت ماندن مقادیر کوواریانس نویزهای فرآیند و مشاهده‌گر در طی زمان وجود ندارد، بنابراین بهتر است که به‌طور پیوسته مقادیر کوواریانس نویزهای فرآیند و مشاهده‌گر در الگوریتم فیلتر تخمین بهینه تغییر یابد، تا بتواند تخمین درستی از متغیرهای حالت سیستم ارائه دهد. در این مقاله یک راهبرد تطبیقی جدید از فیلتر ترکیبی کالمن/ اچ-بینهایت بر پایه منطق فازی برای تنظیم ماتریس­های کوواریانس نویزهای فرآیند و اندازه‌گیری ارائه ‌شده است. سیستم فازی در هر مرحله از فرآیند با استفاده از اختلاف موقعیت و سرعت واقعی بالن و مقدار مشاهده‌ شده توسط مشاهده‌گر، یک عامل تطبیقی برای بروزرسانی مقادیر ماتریس کوواریانس تولید می­کند. به این طریق فیلتر ترکیبی کالمن/اچ-بینهایت فازی می‌تواند متغیرهای حالت سیستم را دقیق‌تر تخمین زده و درنتیجه همواره مقدار تابع میانگین مجذور مربعات خطای تخمین حداقل می‌گردد.

کلیدواژه‌ها

20.1001.1.23829796.1399.17.4.4.2

موضوعات

عنوان مقاله [English]

State Estimation of an Aviator Using Fuzzy Mixed Kalman/H-infinity Filter

نویسندگان [English]

• Mohammad Ali Kazemi 1
• Mojtaba Masoumnezhad 2
• Nematollah Askari 3

1 Assistant Professor, Department of Mechanical Engineering, Faculty of Mofateh, Hamedan Branch, Technical and Vocational University (TVU), Hamedan, Iran.

2 Assistant Professor, Department of Mechanical Engineering, Faculty of Chamran, Guilan Branch, Technical and Vocational University (TVU), Guilan, Iran.

3 Faculty Member, Department of Mechanical Engineering, Faculty of Imam Khomeini, Behshahr Branch, Technical and Vocational University (TVU), Mazandaran, Iran.

One of the most important problems in control engineering is state estimation of a dynamical system based on measured data corrupted by noises. One of the most popular algorithms used for state estimation of a linear discrete time dynamical system is mixed Kalman/H-infinity filter. The performance of this filter is essentially depending on how exact statistics of noise characteristics are available. It is also not guaranteed that the process noise covariance matrix, and the measurement noise covariance matrix remain constant with time in a highly non-stationary noise condition. Thus, it is imperative to continuously tune the mixed Kalman/H-infinity accounting for the changing noise conditions in order to get good filter performance. This paper presents an algorithm of fuzzy based mixed Kalman/H-infinity filter for dynamically tuning the process noise and measurement noise covariance matrices. Fuzzy system in every step of the process using the difference between the actual position and speed of the balloon and the amount of observed data by the observer, an adaptive produce and this factor is used to update covariance matrix values. In this way, the Fuzzy Mixed Kalman/H-infinity filter can be more accurately estimated system state variables and therefore always mean square estimation error is minimized.

کلیدواژه‌ها [English]

• Kalman Filter
• H-infinity Filter
• State Etimation
• Aviator
• Fuzzy Logic Method

مراجع

[1] Bejarbaneh, E. Y., Masoumnezhad, M., Armaghani, D. J., & Pham, B. T. (2020). Design of robust control based on linear matrix inequality and a novel hybrid PSO search technique for autonomous underwater vehicle. Applied Ocean Research, 101, 102231. https://doi.org/10.1016/j.apor.2020.102231

[2] Masoumnezhad, M., Moafi, A., Jamali, A., & Nariman Zadeh, N. (2014). Optimal Design of Mixed Kalman-H infinity Filter Using Multi-objective Optimization Method. Modares Mechanical Engineering, 14(2), 128-132. http://mme.modares.ac.ir/articl e-15-238-en.html

[3] Zhang, X., Xu, W., & Zhou, B. (2009). Mean first-passage time in a bistable system driven by multiplicative and additive colored noises with colored cross-correlation. Communications in Nonlinear Science and Numerical Simulation, 14(12), 4220-4225. https://doi.org/10.1016/J.CNSNS.2009.02.029

[4] Geist, M., & Pietquin, O. (2011). Kalman filtering & colored noises: the (autoregressive) moving-average case Proceedings of the IEEE Workshop on Machine Learning Algorithms, Systems and Applications (MLASA 2011). https://hal.archives-ouver tes.fr/hal-00660607

[5] Park, S.-T., & Lee, J. G. (2001). Improved Kalman filter design for three-dimensional radar tracking. Aerospace and Electronic Systems, IEEE Transactions on, 37(2), 727-739. https://doi.org/10.1109/7.937485

[6] Yadaiah, N., Srikanth, T., & Rao, V. S. (2011, December 5-8). Fuzzy Kalman Filter based trajectory estmation. 2011 11th International Conference on Hybrid Intelligent Systems (HIS), Malacca, Malaysia. https://ieeexplore.ieee.org/document/6122167

[7] Mousavi Moaiied, M., & Mosavi, M. R. (2016). Increasing accuracy of combined GPS and GLONASS positioning using fuzzy kalman filter. Iranian Journal of Electrical and Electronic Engineering, 12(1), 21-28. https://doi.org/10.22068/IJEEE.12.1.21

[8] Alinaghizadeh Ardestani, M., & Vakili, A. (2020). Output feedback Controller design for HVAC system with delayed based Robust control approach. Karafan Quarterly Scientific Journal, 17(1), 89-99. https://doi.org/10.48301/kssa.2020.112758

[9] Jamali, A., Masoumnezhad, M., Nahaleh, M., & Nariman Zadeh, N. (2015). Optimal state estimation of a dynamical system corrupted with colored noises using Mixed Kalman/H-infinity filter. Modares Mechanical Engineering, 14(12), 67-74. http:// mme.modares.ac.ir/article-15-11172-en.html

iranfxopen آموزش حرفه ای فارکس

آشنایی با انواع میانگین های متحرک در بررسی تغییرات قیمتها

میانگین متحرک، میانگینی از داده های بازار در بازه زمانی خاص می باشد. میانگین متحرک عموما به عنوان یک Indicator (شاخص نمای تکنیکی) شناخته می شود اما از آنجا که امروزه در بین معامله گران (به خصوص معامله گران ارز) بیشتر بر روی خاصیت ساپورت و رزیستنس آن حساب باز می شود کاربردی دوگانه یافته 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.

ميانگين هاي متحرک ساده ( Simple Moving Averages)

ساده ترین شیوه محاسبه، میانگین متحرک ساده (Simple Moving Average) می باشد. به اختصار آنرا SMA می خوانند. این میانگین متحرک از آخرین تغییرات قیمت داده می پذیرد. به علت اینکه در بازار فارکس یا بازارهای دیگر تمامی تغییرات قیمتی (تیک چارت) را نداریم برای سهولت محاسبه از قیمت بسته شدن کندل استیک یا بار چارت برای بدست آوردن میانگین متحرک استفاده می شود.

اساسا يک ميانگين متحرک ساده SMA به اين صورت بدست مي آيد :
قيمتهاي بسته شدن در “X” پريود اخير را با هم جمع مي کنيم ، سپس حاصل را بر “X” تقسيم مي کنيم . اجازه بدهيد بيشتر توضيح ده ی م .

اگر مي خواهيد ميانگين متحرک با دوره پنج را در يک نموداريک ساعتي رسم کنيد بايد در نقطه مورد نظر قيمتهاي بسته شدن براي پنج ساعت آخر قبل از آن را با هم جمع کرده و حاصل را بر پنج تقسيم کنيد . همين طور براي تمام نقاط تا آخر ودر نهايت اتصال اين نقاط به همديگر ميانگين متحرک شما را تشکيل مي دهد .

در اينجا مثالي از نحوه ملايم کردن حرکت قيمت توسط ميانگين متحرک را مشاهده مي کنيم .

در نمودار بالا شما سه SMA ساده را مي توانيد مشاهده کنيد . همانطوري که مي بينيد ، هر چقدر دوره SMA طولاني تر باشد ، آن ميانگين از قيمت دورتر مي شود . دقت کنيد که چگونه SMA 62 از SMA 30 و SMA 5 از قيمت دورتر است .اين به خاطر اين است که شما براي SMA 62 قيمت هاي بسته شدن 62 دوره قبل را با هم جمع زده و به 62 تقسيم کرده ايد و همين امر باعث کندي عکس العمل ميانگين به حرکت قيمت شده است .

SMA هاي موجود دراين نمودار يک ديد کلي از تمايل بازار در آن نقطه به شما مي دهد . با کمک ميانگين هاي متحرک ما به جاي آنکه روي قيمت فعلي تمرکز کنيم ، ديد بازتري نسبت به قيمت پيدا مي کنيم و پيش بيني ما به واقعيت نزديکتر خواهد بود

برای محاسبه میانگین متحرک غیر از قیمت انتهایی کندل استیک، میتوان از قیمت آغازین کندل استیک یا بالاترین و پایین ترین قیمت کندل استیک نیز استفاده کرد. در محاسبه میانگین متحرک روش های گوناگونی وجود دارد. ساده ترین و کاربردی ترین آن را در بالا توضیح دادیم اما میانگین های متحرک دیگری نیز وجود دارد که ارزش متفاوتی به داده های قیمت می دهند مانند میانگین های متحرک نمایی Exponential (کاربر ارزش هر داده قیمت را در این میانگین تایین می کند) میانگین متحرک سطحی Smoothed و میانگین متحرک خطی وزنی Linear Weighted از انواع دیگر هستند که عموما به داده های جدید ارزش و وزن بیشتری برای محاسبه می دهند. به هر حال آنچه مهم است تحقیق و بررسی شما روی میانگین های متحرک گوناگون در بازارهای مختلف (در اینجا ارزهای گوناگون) می باشد.

ميانگين هاي متحرک نمايي ( Exponential Moving Average)

با وجود اينکه ميانگين هاي متحرک ساده ابزاري عالي هستند ولي يک عيب بزرگ هم دارند و ان اين است که نسبت به حرکات تيز قيمت آسيب پذير مي باشند . با يک مثال منظور را واضح تر بيان مي کنم :
فرض کنيد مي خواهيم ميانگين متحرک ساده با دوره پنج روي نمودار روزانه EUR/USD بکشيم و قيمت هاي بسته شدن هم براي اين پنج روز عبارتند از :
روز اول : 1.2345
روز دوم : 1.2350
روز سوم : 1.2360
روز چهارم : 1.2365
روز پنجم : 1.2370
ميانگين متحرک مورد نظر بدين گونه محاسبه مي شود :

حال اگر قيمت روز دوم 1.2300 بود چطور ؟ مقدار ميانگين خيلي کمتر مي شد و اين احساس را به وجود مي آورد که قيمت در حال سقوط است ، در حاليکه ممکن است در همان يک روز چنين اتفاقي افتاده باشد ( مثلا شايد نرخ بهره کاهش يافته باشد )

منظور اين است که شايد گاهي اين ميانگين هاي متحرک بيش از نحوه اجرای فیلتر Moving Average اندازه ساده باشند . بايد راهي وجود داشته باشد که شما بتوانيد اين قيمت هاي تيز را فيلتر کنيد .اين راه در واقع همان ، ميانگين هاي متحرک نمايي است .

ميانگين هاي متحرک نمايي (EMA) وزن بيشتري به دوره هاي اخير مي دهند . در مثال ما يک ميانگين متحرک نمايي وزن بيشتري به روزهاي 3-5 مي دهد . و اين بدان معني است که قيمت تيز روز دوم با وزن کمتري در ميانگين دخالت دارد و در نتيجه نمي تواند تاثير زيادي روي آن بگذارد . درواقع اين ميانگين هاي بيشتر به آنچه معامله گران اکنون در حال انجام ان هستند توجه دارند .

به عبارت ديگر خيلي بهتر است که ما رفتار اخير معامله گران را در نظر بگيريم تا رفتاري که انها مثلا در هفته يا ماه گذشته نشان داده اند .

SMA در مقابل EMA

کداميک بهترند ؟ ساده يا نمايي

اگر شما مي خواهيد که ميانگين شما به حرکات قيمت عکس العمل سريعتري داشته باشد بهتر است از يک ميانگين متحرک نمايي با دوره زماني کوتاه استفاد کنيد . اين امر باعث مي شود که شما روند را سريعتر تشخيص دهيد و سريع تشخيص دادن روند به معني گرفتن سود بيشتر است .

از طرف ديگر ممکن است شما دچار اشتباه شويد . چرا که ميانگين خيلي سريع به قيمت عکس العمل نشان مي دهد و شما در جايي فکر کنيد که يک روند در حال شکل گيري است در صورتيکه آن يک جهش موقت قيمت بيشتر نبوده است .

در مورد ميانگين هاي متحرک ساده عکس اين موضوع صحيح است . وقتي مي خواهيد که ميانگين شما خيلي ملايم وکند به قيمت جواب دهد ، بهتر است از يک ميانگين متحرک ساده با دوره طولاني استفاده کنيد .
از يک طرف اين واکنش هاي کند شما را از اشتباهات مصون مي دارد و از طرف ديگر ممکن است در تشخيص روند دچار تاخير شده و معامله را از دست بدهيد .

پس کداميک بهترند ؟ اين ديگر به شما بستگي دارد . بيشتر معامله گران چندين ميانگين متحرک مي کشند تا هر دو طرف داستان را داشته باشند . آنها ممکن است از يک ميانگين متحرک ساده با دوره طولاني براي تشخيص روند استفاده کنند ويک ميانگين متحرک نمايي بادوره کوتاه را براي تشخيص زمان ورود به معامله به کار مي برند .
در واقع بيشتر سيستم هاي معاملاتي از تلفيق ميانگين هاي متحرک استفاده مي کنند .

اصول کار با میانگین های متحرک

تصویر زیر نشان می دهد که ایندیکاتور Moving Average در منوی Insert و زیر منوی Trend در چه مکانی قرار دارد.

پس از باز کردن این اندیکاتور پنجره تنظیمات مشاهده می شود.

زبانه اول این پنجره Parameters تنظیمات اولیه میانگین متحرک را نشان می دهد.
کادر Period مربوط به تعداد کندل استیک ها یا دوره های محاسبه میانگین متحرک است. در قسمت بعد توضیحات برای بهترین بازده این پارامتر داده خواهد شد. در کادر MA method نمونه محاسباتی میانگین متحرک تعریف می شود. این قسمت به صورت پیش فرض Simple می باشد اما توصیه می شود برای دادن وزن بیشتر به تغییرات قیمتی جدیدتر، از Exponential یا Linear Weighted استفاده شود. کادر Apply to قیمت مورد نظر هر کندل استیک یا داده قیمتی را مشخص می کند. بهترین گزینه در این قسمت Weighted Close می باشد. در این گزینه در عین حال که قیمت های بالا و پایین هر کندل استیک مورد محاسبه قرار گرفته وزن حرکتی بیشتر به قیمت پایانی به خاطر اهمیت آن داده شده است. در قسمت Style نیز نحوه نمایش خط میانگین متحرک تنظیم می گردد در این قسمت رنگ دلخواه، پیوسته یا نقطه چین بودن این خط و قطر خط تنظیم می گردد.

در بین معامله گران میانگین متحرک از پر طرفدارترین اندیکاتورها می باشد. این ابزار از یکسو به عنوان ساپورت و رزیستنس عمل کرده و از سوی دیگر جهت قیمت و سیگنال های معاملاتی را به معامله گر نشان می دهد. قبل از آشنایی بیشتر با این ابزار لازم به ذکر است که همیشه این سوال وجود دارد که چه دوره زمانی برای این اندیکاتور بهترین می باشد؟ این سوال بیشتر از آنکه بین معامله گران دارای اجماع باشد امری سلیقه ای است و بسته به هر بازاری متغیر است. در بازارهای با نوسان شدید عموما از دوره های زمانی کوتاه مدت تر و در بازارهای با نوسانات کندتر از دوره های زمانی طولانی تر استفاده می گردد.

ساده ترین روش استفاده از میانگین متحرک قطع این شاخص از روی نمودار خطی قیمت می باشد. اگر نحوه نمایش نمودار به صورت خطی باشد و یک میانگین متحرک روی نمودار ترسیم کنیم، ساده ترین سیگنال قطع قیمت از روی میانگین متحرک است. همانطور که در شکل زیر دیده می شود خط سبز تغییرات قیمت و خط آبی میانگین متحرک 55 روزه بر روی نمودار یورو به دلار می باشد. فلش رو به پایین نقطه ورود به سیگنال فروش را نشان می دهد و دو فلش رو به بالای بعدی نقطه خرید را برای افزایش قیمت نشان می دهد. عموما از این روش برای بازارها یا بازه های زمانی استفاده می شود که نمودار آنها عموما دارای روند های پایدار باشند و در بازارهایی مانند فارکس که فراریت در آنها زیاد و زمانهای بسیاری بدون روند هستیم این روش کاربرد چندانی ندارد. نقطه ضعف دیگر این روش باز بودن معاملات در هر زمانی می باشد. به این معنی که همیشه سیگنال فروش قبلی به ما سیگنال خرید می دهد و سیگنال خرید با سیگنال فروش بسته می شود. نمونه دیگری که از میانگین های متحرک برای معاملات استفاده می کنند قطع دو میانگین متحرک توسط یکدیگر است.

روش دو میانگین متحرک شباهت بسیاری به روش قطع قیمت با یک میانگین دارد. تنها تفاوت در این است که به جای قطع یک میانگین متحرک از روی قیمت، این بار قطع یک میانگین توسط میانگین دیگر برای معامله گر سیگنال صادر می کند. در این روش حتما باید از دو میانگین متحرک با دوره های زمانی متفاوت استفاده کرد و هر زمان که میانگین با دوره کمتر زیر میانگین با دوره بلندتر قرار گرفت سیگنال فروش داریم و هر زمان که میانگین با دوره کمتر بالای میانگین بلند مدت تر آمد سیگنال خرید داریم. در این روش نیز حد سود و ضرر با قطع دوباره میانگین ها معلوم می گردد. ایراد عمومی میانگین های متحرک دیرکرد آنها نسبت به قیمت می باشد و همیشه زمانی سیگنال می دهند که تغییرات قیمتی زیادی بوجود آمده است.
در شکل زیر میانگین با دوره 14 خط ابی بوده و میانگین با دوره 30 به رنگ قرمز نشان داده شده است. همانطور که ملاحظه می کنید سیگنال فروش داده شده.

روش دیگری که برای استفاده از میانگین های متحرک کاربرد بسیاری برای معامله گران حرفه ای دارد استفاده از آنها به عنوان ساپورت و رزیستنس می باشد. از آنجا که به تجربه ثابت شده میانگین های متحرک قابلیت تغییر قیمت و عکس العمل روی بازارها را دارند، با رسیدن قیمت به یک میانگین متحرک معامله گران در برخورد میانگین متحرک و قیمت، میانگین متحرک را در نقش یک حمایت یا مقاومت در نظر می گیرند و در جهت معکوس وارد بازار می شوند. در شکل بالا فلش سوم دقیقا بیان کننده همین موضوع است. قیمت با برخورد به میانگین متحرک 55 روزه ناگهان شتاب گرفته و در جهت رو به بالا حرکت کرده است.

خلاصه

يک ميانگين متحرک راهي براي ملايم کردن حرکت قيمت است .

انواع زيادي از ميانگين هاي متحرک وجود دارد که دوتا از رايج ترين آنها عبارتند از : ميانگين هاي متحرک ساده SMA و ميانگين هاي متحرک نمايي EMA .

ميانگين هاي متحرک ساده ، ساده ترين نوع ميانگين هاي متحرک هستند ولي نسبت به جهش قيمت آسيب پذيرند .

ميانگين هاي متحرک نمايي وزن بيشتري به قيمتهاي آخر مي دهند ، درنتيجه آنچه را که معامله گران اکنون در حال انجام آن هستند به ما نشان مي دهند .

ميانگين هاي متحرک با دوره طولاني از ميانگين هاي متحرک با دوره کوتاه ملايم ترند .

ميانگين هاي متحرک تيز نسبت به حرکت قيمت سريع تر واکنش نشان مي دهند و مي توانند روند را به سرعت تشخيص دهند ولي همين موضوع باعث مي شود که نسبت به جهش هاي ناگهاني قيمت آسيب پذير باشند .

ميانگين هاي متحرک ملايم نسبت به حرکت قيمت واکنش کندي دارند ولي شما را از اشتباه کردن در مورد حرکات تيز قيمت مصون مي دارند . ولي همين موضوع خود باعث مي شود که نتوانيد روند را به موقع تشخيص داده و وارد معامله شويد .

بهترين راه استفاده از ميانگين هاي متحرک اين است که انواع مختلفي از آنها را بکشيد و بتوانيد هم حرکات بلند مدت را و هم حرکات کوتاه مدت را ببينيد .

بروکر FXOpen اقدام به تغییر فرم های افتتاح حساب خود کرده است.
21 خرداد 1389

از این تاریخ امکان استفاده از نرم افزار MetaTrader 4 MultiTerminal در Forex4You بوجود آمده است.
13 خرداد 1389

کلیه آموزش های بروکر آلپاری بروز شد.
19 اردیبهشت 1389

به دلیل تغییراتی که آلپاری در قسمت کابینت حساب و همچنین افتتاح حساب ایجاد کرده است. کلیه آموزش های آلپاری مجددا در دست آماده سازی است.
13 اردیبهشت 1389

استراتژی میانگین متحرک | استراتژی Moving average

در این مقاله از تاپ سایت 98 قصد داریم به استراتژی میانگین متحرک بپردازیم. اندیکاتور موینگ اوریج یکی از ابزارهای ساده اما مفید تحلیل تکنیکال است که می تواند برای معامله گر بسیار مفید باشد با این ابزار براحتی می توانید روند بازار را تشخیص دهید و اگر طبق استراتژی معامله کنید می توانید از آن سود خوبی بگیرید.

اندیکاتور میانگین متحرک

میانگین متحرک نمایی (exponential moving average) از قدیمی ترین ابزار تحلیل تکنیکال است.

این یکی از بهترین اندیکاتورها در تریدینگ ویو و بازارهای معاملاتی است که توسط هزاران معامله گر مورد استفاده قرار می گیرد.

در این راهنمای گام به گام ، یک استراتژی میانگین متحرک نمایی ساده را یاد خواهید گرفت که می توانید در تمامی بازارهای مالی از جمله ارز دیجیتال ، بورس ، فارکس و غیره استفاده نمایید.

از آنچه آموخته اید برای تغییر معاملات خود و تبدیل شدن به یک معامله گر موفق و بلند مدت استفاده کنید.

میانگین متحرک می تواند یک اندیکاتور بسیار موثر باشد. بسیاری از معامله گران برای معامله در بازارهای مختلف از میانگین متحرک نمایی استفاده می کنند.

استراتژی میانگین متحرک نمایی یا استراتژی EMA برای شناسایی روند غالب در بازار استفاده می شود. همچنین می تواند به عنوان یک حمایت و مقاومت متحرک استفاده شود.

استراتژی میانگین متحرک نمایی EMA یک استراتژی تجاری جهانی است که در همه بازارها کار می کند. این شامل سهام ، شاخص ها ، فارکس ، ارزها و بازار ارزهای رمزنگاری شده ، مانند ارز دیجیتال بیت کوین است .

استراتژی میانگین متحرک نمایی در هر نوع بازاری و هر تایم فریمی کار می کند به زبان ساده ، می توانید با آن در نمودار دلخواه خود معامله کنید.

بیایید ابتدا میانگین متحرک و فرمول میانگین متحرک نمایی را بررسی کنیم. پس از آن ، به برخی از قوانین کلیدی استراتژی میانگین متحرک نمایی می پردازیم.

فرمول میانگین متحرک

میانگین متحرک نمایی (Exponential) خطی در نمودار قیمت است که از یک فرمول ریاضی برای مشخص کردن عملکرد قیمت استفاده می کند و میانگین قیمت ​​را در یک بازه زمانی مشخص نشان می دهد.

فرمول EMA بر قیمت اخیر وزن بیشتری می گذارد. این بدان معناست که از قابلیت اطمینان بالاتری برخوردار است زیرا سریعتر به آخرین تغییرات در داده های قیمت واکنش نشان می دهد.

همان طور که می دانید قیمت دائما بالا و پایین می رود و معمامله گر را دچار سردرگمی می کند.

اندیکاتور میانگین متحرک نمایی سعی می کند سردرگمی فعالیت روزانه قیمت را کاهش دهد. ثانیاً ، میانگین متحرک قیمت را هموار می کند و روند را آشکار می کند یعنی با نگاه کردن به موینگ اوریج می توانید روند را سریعتر تشخیص دهید که روند صعودی ، نزولی یا خنثی است.

حتی گاهی الگوهایی را آشکار می کند که شما نمی توانید آنها را ببینید. میانگین نیز در پیش بینی تغییرات آینده قیمت بازار قابل اطمینان تر و دقیق تر است.

3 مرحله برای فرمول میانگین متحرک نمایی و محاسبه EMA وجود دارد. فرمول از یک میانگین متحرک ساده SMA به عنوان نقطه شروع برای مقدار EMA استفاده می کند.

برای محاسبه SMA ، مجموع تعداد دوره های زمانی را گرفته و بر 20 تقسیم کنید.

ما به یک ضرب نیاز داریم که باعث شود میانگین متحرک بیشتر روی قیمت اخیر تمرکز کند.

فرمول میانگین متحرک همه این مقادیر را با هم جمع می کند. آنها میانگین متحرک را تشکیل می دهند.

فرمول میانگین متحرک Exponential زیر برای میانگین متحرک نمایی 20 روزه است:

قاعده کلی این است که اگر قیمت بیش از میانگین متحرک یا بالاتر از آن معامله شود ، در یک روند صعودی قرار داریم.

تا زمانی که بالاتر از میانگین متحرک نمایی هستیم ، باید انتظار قیمت های بالاتری را داشته باشیم برعکس ، اگر معاملات زیر را انجام می دهیم ، در روند نزولی قرار داریم.

تشخیص روند یکی از مهمترین کارهایی است که یک معامله گر باید انجام دهید و برای موفقیت بایستی مطابق روند معامله کنید.

تا زمانی که ما زیر میانگین متحرک معامله می کنیم ، باید انتظار کاهش قیمت ها را داشته باشیم.

قبل از ادامه کار ، همیشه توصیه می کنیم قوانین معاملات را روی یک تکه کاغذ بنویسید. این تمرین منحنی یادگیری شما را افزایش می دهد و شما معامله گر بهتری خواهید شد.

بیایید شروع کنیم…

استراتژی میانگین متحرک

استراتژی میانگین متحرک نمایی ما از دو عنصر تشکیل شده است. استفاده از دو میانگین متحرک نمایی به عنوان فیلتر ورودی، با استفاده از یک میانگین متحرک با دوره طولانی تر مثلا 50 و دیگری با دوره کوتاه تر مثلا 20 ، ما استراتژی را خودکار می کنیم. با این کار هر نوع ذهنیتی از روند معاملات ما حذف می شود.

مرحله 1: در نمودار خود EMA 20 و 50 را ترسیم کنید

اولین قدم این است که نمودارهای خود را با میانگین متحرک مناسب تنظیم کنیم. ما می توانیم کراس اوور EMA را در مراحل بعدی شناسایی کنیم. استراتژی متوسط ​​نمایی متحرک از 20 و 50 دوره EMA استفاده می کند.

اکثر سیستم عامل های معاملاتی استاندارد دارای شاخص های میانگین متحرک پیش فرض هستند. قرار دادن EMA در پلت فرم MT4 یا Tradingview نباید مشکلی داشته باشد.

در حال حاضر ، ما قصد داریم نگاهی دقیق تر به ساختار قیمت داشته باشیم. این نحوه اجرای فیلتر Moving Averنحوه اجرای فیلتر Moving Average age ما را به مرحله بعدی استراتژی می رساند.

مرحله 2: منتظر کراس اوور EMA و قیمت بالاتر از میانگین متحرک نمایی 20 و 50 باشید.

دومین قانون این استراتژی میانگین متحرک (موینگ اوریج) ، نیاز به مبادله قیمت بالای هر دو میانگین متحرک نمایی 20 و 50 است. در مرحله دوم ، باید منتظر کراس اوور EMA باشیم که به وزن کیس صعودی اضافه نحوه اجرای فیلتر Moving Average می کند.

با مشاهده کراس اوور EMA ، ما سیگنال های خرید و فروش خودکار ایجاد می کنیم.

از آنجا که بازار مستعد شکستن اشتباه است ، ما به مدارک بیشتری نسبت به یک کراس اوور ساده EMA نیاز داریم.

در این مرحله ، ما نمی دانیم که آیا احساس صعودی آنقدر قوی است که بتواند پس از خرید قیمت را بیشتر کند تا بتواند به سود برسد.

برای جلوگیری از شکست کاذب ، یک محل تلاقی جدید را برای پشتیبانی از دیدگاه خود اضافه کردیم یعنی پس از کراس اور اول وارد معامله نمی شویم. این ما را به مرحله بعدی استراتژی می رساند.

مرحله 3: منتظر بمانید تا منطقه بین 20 تا 50 EMA حداقل دوبار آزمایش شود ، سپس به دنبال فرصت های خرید باشید.

اعتقاد به این استراتژی میانگین متحرک به عوامل متعددی متکی است. پس از وقوع کراس اوور EMA ، باید صبر بیشتری به خرج دهیم. ما منتظر دو آزمایش مجدد متوالی و موفق منطقه بین 20 و 50 EMA خواهیم بود.

دو آزمایش مجدد موفق منطقه بین 20 تا 50 EMA به بازار زمان کافی برای توسعه روند را می دهد.

هرگز فراموش نکنید که هیچ قیمتی برای خرید در معاملات زیاد نیست و هیچ قیمتی برای فروش خیلی پایین نیست.

توجه* وقتی ما به منطقه بین 20 تا 50EMA اشاره می کنیم ، در واقع منظور ما این نیست که قیمت باید در فضای بین دو میانگین متحرک مبادله شود.

ما فقط می خواهیم طیف قیمت بین دو EMA را پوشش دهیم. این به این دلیل است که قیمت فقط به طور میانگین متحرک کوتاهتر (20-EMA) را لمس می کند. اما این هنوز یک آزمایش مجدد موفق است.

اکنون ، ما هنوز باید مشخص کنیم که دقیقاً کجا را خریداری می کنیم. این ما را به مرحله بعدی استراتژی می رساند.

مرحله 4: وقتی برای سومین بار منطقه بین 20 تا 50 EMA را دوباره آزمایش می کنیم ،خرید خود را انجام دهید

اگر قیمت برای بار سوم مجدداً منطقه بین 20 تا 50 EMA را آزمایش کند ، ما پیش می رویم و با قیمت بازار خرید می کنیم. پس خرید خود را در اینجا انجام می دهیم.

ما در حال حاضر شواهد کافی داریم که نشان می دهد حرکت صعودی قوی است تا بتواند این بازار را به سمت بالا ادامه دهد.

اکنون ، ما باید حد ضرر را مشخص کنیم که حد ضرر خود را در کجا قرار دهیم و سود را از کجا بگیریم. این ما را به مرحله بعدی استراتژی می رساند.

مرحله 5: پیپ های محافظ Stop Los 20 را زیر 50 EMA قرار دهید

پس از وقوع کراس اوور EMA و پس از دو آزمایش مجدد پی در پی ، می دانیم که روند صعودی است.

تا زمانی که ما بیش از هر دو میانگین متحرک نمایی معامله می کنیم ، روند دست نخورده باقی می ماند.

در این راستا ، ما حد ضرر خود را 20 پیپ زیر 50 EMA قرار می دهیم. ما یک بافر 20 پیپ اضافه کردیم زیرا می دانیم که در یک دنیای کامل زندگی نمی کنیم. بازار مستعد انجام شکست های کاذب است.

آخرین بخش از استراتژی EMA ما استراتژی خروج است. دوباره بر اساس میانگین متحرک نمایی است.

مرحله شماره 6: پس از شکستن و بستن زیر 50-EMA ، سود بگیرید

در این مورد خاص ، ما از تکنیک خروج یکسان مانند تکنیک ورود خود که بر اساس کراس اوور EMA استفاده شده است ، استفاده نمی کنیم.

اگر منتظر بودیم که کراس اوور EMA در طرف دیگر اتفاق بیفتد ، برخی از سودهای بالقوه را پس می دادیم. ما باید این واقعیت را در نظر بگیریم که میانگین های متحرک نمایی یک شاخص عقب ماندگی هستند.

فرمول میانگین متحرک نمایی که برای ترسیم EMA های ما استفاده می شود به ما امکان می دهد همچنان در زمانی که بازار در حال معکوس شدن است هنوز سود دریافت کنیم.

توجه ** موارد فوق نمونه ای از معامله BUY بود. حال برای معامله فروش یا sell از قوانین یکسان استفاده می کنیم اما کمی تفاوت دارد.

با این حال ، از آنجا که بازار بسیار سریعتر رو به زوال می رود ، ما در اولین آزمایش و کراس یا قطع کردن منطقه بین 20 تا 50 می فروشیم. پس از وقوع کراس اوور EMA

در شکل زیر ، می توانید یک نمونه معامله واقعی SELL را با استفاده از استراتژی ما مشاهده کنید.

در بایننس و صرافی های ارز دیجیتال ، به خرید یا buy اصطلاحا Long و به فروش short می گویند.

خلاصه

استراتژی میانگین متحرک نمایی یک مثال کلاسیک از نحوه ساخت یک سیستم متقاطع ساده EMA است. با این سیستم میانگین متحرک نمایی ، ما سعی در پیش بینی بازار نداریم. ما در حال تلاش برای واکنش به شرایط فعلی بازار هستیم که راه بسیار بهتری برای معامله است.

مزیت استراتژی معاملاتی ما در فرمول میانگین متحرک نمایی است. این EMA بسیار روان تر را ارائه می دهد که ورودی ها و خروجی های بهتری را ارائه می دهد.

نکته مهم دیگر این است که می توانیم همزمان از چندین اندیکاتور یا ابزار بصورت همزمان استفاده کنیم تا معامله های موفق بیشتری داشته باشیم.

نکته مهم دیگر این است که همیشه حد ضرر را فراموش نکنید بازار می تواند با یک اتفاق ، شما را به سود یا ضرر زیادی برساند.

امیدواریم این مقاله برای شما مفید باشد.

عزیزانی که تمایل دارند به تیم نویسندگی تاپ سایت 98 بپیوندند می توانند از طریق واتساپ با ما در ارتباط باشند. ما بهترین افراد را به تیم خود اضافه خواهیم کرد.

اگر سوال یا نظری دارید در بخش کامنت ها بنویسید.اگر موضوع خاصی مد نظر شماست که در سایت موجود نیست در بخش کامنت ها بنویسید