اهمیت نمودارهای بلند مدت

انتخاب مدل آماری بر اساس مانایی

Shadow در کندل استیک چیست؟

سایه (Shadow) یا فتیله خطی است که روی کندل در نمودار کندل استیک یافت می شود و برای نشان دادن محل نوسان قیمت در مقایسه با قیمتهای باز و بسته به کار می رود. اساساً ، این سایه ها بالاترین و پایین ترین قیمت هایی را نشان می دهد که یک سهام یا ارز در یک بازه زمانی خاص معامله کرده است. کندل استیک قسمت وسیعی نیز دارد که به آن “بدنه” می گویند.

نکات کلیدی Shadow در کندل استیک

• در نمودار کندل استیک ، سایه (فتیله) قسمتهای نازکی است که عملکرد قیمت روز را نشان می دهد زیرا با قیمت پایی آن متفاوت است.
• طول و موقعیت سایه می تواند به معامله گران کمک کند تا احساس امنیت بازار را ارزیابی کنند.
• برخی از تحلیل گران تکنیکال معتقدند سایه بلند به معنی چرخش یا معکوس شدن قیمت است در حالی که کندل استیکی که عملا فتیله ندارد ، نشانه قوی بودن روند است.
• در ترید دو شکل اصلی تجزیه و تحلیل وجود دارد: تحلیل فاندامنتال و تکنیکال. تجزیه و تحلیل فاندامنتال به عملکرد شرکت برای ارائه سرنخ و بینش در مورد مسیر آینده قیمت متکی است. تحلیلگران فاندامنتال معیارهای درآمد را ردیابی می کنند.
• برای مقایسه ، تحلیلگران تکنیکال بر روی تغییرات قیمت تمرکز می کنند. آنها سعی می کنند الگوها را در عملکرد قیمت شناسایی کنند و سپس با استفاده از این الگوها جهت قیمت را در آینده پیش بینی می کنند. تجزیه و تحلیل فاندامنتال به تحلیلگران کمک می کند سهام یا ارز موردمعامله را انتخاب کنند ، در حالی که تجزیه و تحلیل تکنیکال به آنها می گوید چه موقع باید آن را معامله کنند. نمودار کندل استیک یکی ازابزارها برای آنالیز تکنیکال است.

شناسایی و استفاده از سایه یا Shadow در کندل استیک

هر کندل استیک دارای یک باز ، بالا ، پایین و نزدیک است. باز ، بالا ، پایین و نزدیک به قیمت اشاره دارد. این مقادیری است که الگوی کندل استیک را ایجاد می کند. قسمت داخل کندل استیک که توخالی است یا پر شده است ، بدنه نامیده می شود.

خطوط موجود در دو انتهای بدنه به عنوان فتیله یا سایه شناخته می شوند و نشان دهنده دامنه بالا یا پایین برای دوره زمانی است.

اهمیت ثبت پیشامدهای برنامه کنترل کیفیت

در این شماره قصد دارم به شما نشان دهم اگر پیشامدهای برنامه کنترل کیفیت را ثبت نکنید چه اتفاقی در طراحی برنامه کنترل کیفیت شما رخ خواهد داد.

به طور کلی، هر وقت به دنبال رخدادهایی مانند تغییر شماره ساخت معرف، شاهد جابجایی نتایج کنترل باشیم، باید به این پرسش اساسی جواب بدهیم:

«آیا نتایج بیماران هم مثل نتایج کنترل تغییر کرده‌اند؟»

اگر جواب مثبت بود، باید از همه نتایج کنترل، قبل و بعد از آن رخداد(ها)، روی هم SD یا CV بلندمدت بگیریم.

اگر جواب منفی بود، باید نتایج کنترل را به قبل و بعد از آن رخداد(ها) قطعه‌بندی کنیم، از هر قطعه جداگانه CV یا SD بگیریم و سپس از CV یا SDهای قطعه‌ای، میانگین بگیریم.

عمده عواملی که باعث می‌شود شاهد جابجایی در نتایج کنترل باشیم:

– تغییر شماره ساخت کالیبراتور/کالیبراسیون مجدد. جواب به پرسش بالا در این حالت مثبت است، یعنی نتایج کنترل و نمونه‌های بیماران مثل هم جابجا می‌شوند. بنا بر این، باید از همه نتایج CV یاSD بلندمدت گرفت.

– نگهداری/تعمیر دستگاه. در این مورد هم جواب مثبت است و باید از کل نتایج CV یا SD بلندمدت گرفت.

– تغییر شماره ساخت ماده کنترل. این بار جواب منفی است زیرا مطمئناً تغییر شماره ساخت ماده کنترل تأثیری روی عملکرد سامانه سنجش ندارد.

بنا بر این اگر شاهد جابجایی در نتایج کنترل بودیم، باید نتایج را به قبل و بعد از تغییر شماره ساخت ماده کنترل تقسیم کنیم، از هر قطعه جداگانه CV یا SD بگیریم و از CV یاSD ها میانگیـــــن بگیریم تا CV یا SDبلندمدت بدست آید.

– تغییر شماره ساخت معرف. جواب پرسش بالا در این مورد می‌تواند منفی یا مثبت باشد. برای رسیدن به جواب، باید تعدادی از نمونه‌های بیماران را با معرف قبلی و جدید آزمایش کرد:

• اگر تفاوت قابل ملاحظه بود، «خانه از پای‌بست ویران است» و باید اول به فکر اصلاح این اختلاف قابل ملاحظه باشیم.
• اگر تفاوت وجود نداشت یا اندک بود باید رفتار کنترل بررسی شود. اگر نتایج کنترل هم مثل نمونه‌ها جابجا شده بود، باید از همه نتایج CV یاSD بلندمدت گرفت؛ اما اگر رفتار کنترل متفاوت بود، باید به شکل قطعه‌بندی شده CV یاSD گرفت.

– کنترل خراب شده است. اگر مطمئن شدیم که کنترل خراب شده است و با باز کردن ویال جدید، مشکل نمودار برطرف شد، باید نتایج کنترل خراب را حذف و از بقیه نتایج (نتایج سالم از ویال قبلی و نتایج جدید) CV یا SD بلندمدت گرفت.

هشدار: زمان استفاده از ویال جدید باید دقت شود که اگر جابجایی پیش‌آمده در عملکرد دستگاه/کیت کوچک باشد، ممکن است در دفعات اولی که ویال جدید را می‌خوانیم به طور اتفاقی نتایج خوب باشد، و ما مشکل را به عنوان خراب شدن ویال قبلی در نظر بگیریم و بعد از چند روز متوجه شویم که مشکل در واقع از دستگاه/کیت بوده نه از ویال قبلی! (دکتر حسن بیات)

اطلاعات ذیل مربوط به تست T3Upاست. کنترل کیفیت این تست با استفاده از ماده کنترلی

Bio Rad #40371 Lyphochek Immunoassay plus Control REF Siemens immulite 2000

بر طبق سوابق موجود در بازه زمانی کوتاهی کاربر احتمال می‌دهد که کنترل تقسیم شده قبل از تاریخ مشخص پایداریش را از دست داده است؛ و بعد از بررسی لازمه، متوجه خراب شدن ماده کنترلی می‌شود.

پرسش: آیا نتایج بیماران هم مثل نتایج کنترل تغییر کرده‌اند؟

جواب: خیر

پس نتایج کنترل قطعه‌بندی می‌شود، از هر قطعه جداگانه SD گرفته می‌شود، سپس از SDهای قطعه‌ای، میانگین گرفته می‌شود.

برای نشان دادن اینکه اگر دیتاهای خراب کنترل را حذف نکنیم چقدر در طرح کیفیت ما می‌تواند تفاوت ایجاد کند دو حالت را در نظر گرفتیم:

الف- اطلاعات مربوط به T3Up قبل از قطعه‌بندی

با استفاده از مرجع CLIA، خطای کل مجاز (TEa) برابر 18% در نظر گرفته شده است که برای سطح غلظتی 29.1 برابر 5.23 می‌شود (29.1 × 0.18= 5.23). بایاس صفر فرض می‌شود و SD برابر 0.95 است.

با استفاده از حسابگر آنلاین QC Frequency Calculator به آدرس http://tools.westgard.com/frequency_calculator.shtml. اطلاعات فوق را مطابق شکل زیر وارد کنید:

ب- بعد از برش زدن و انجام محاسبات

اطلاعات مربوط به T3Up بعد از قطعه‌بندی و حذف کنترل‌های خراب

بحث:

همانطور که مشاهده می‌فرمایید سیگما در دو محاسبه فوق بیش از دو واحد اختلاف را نشان می‌دهد.

و ران سایز از140 نمونه به363 نمونه ارتقا پیدا کرد.

نتیجه: در اجرای یک برنامه کنترل کیفیت، ثبت پیشامدها بسیار مهم است.

References:

1-A new online tool to help you determine your QC Frequency (Run Size)

Online Calculator for QC Frequency or Run Size

James O. Westgard, Hassan Bayat, Paul Schilling, and Sten A. Westgard

2-2019 CLIA Proposed Acceptance Limits for Proficiency Testing

برای دانلود فایل pdf بر روی لینک زیر کلیک کنید

مدل ARDL یا اتورگرسیو با وقفه توزیعی در ایویوز

مدل ardl

۱- روش آردل (ARDL) چیست؟

در بسیاری از مدل های اقتصادی و مالی، تاثیر گذاری متغیرهای توضیحی با تاخیرهای قابل توجهی مواجه اند. به عنوان مثال اثر یک سیاست پولی انبساطی بر متغیرهای مورد نظر، با تاخیر ظاهر می شود و یا اینکه اثر سرمایه گذاری های جدید بر ایجاد ظرفیت تولید و مقدار تولید، دارای تاخیرهایی است.

اثرات تاخیری بیانگر آن است که اگر مقدار X امروز تغییر اهمیت نمودارهای بلند مدت کند، اثر آن در امروز و و روزهای آینده ظاهر خواهد شد.

مدل هایی که برای بررسی اثرات تاخیری ارائه می شوند، معروف به مدل های با وقفه توزیعی (Distributed Lag) هستند که یکی از جدید ترین روش ها برای این بررسی ها، روش خود توضیح با وقفه های توزیعی یا ARDL است. ARDL مخفف عبارت Autoregressive Distributed Lag می باشد. در این مدل، متغیر وابسته تحت تاثیر وقفه های این متغیر و سایر متغیرهای مستقل قرار دارد.

شکل کلی مدل به قرار زیر است.

به عنوان مثال و برای سادگی مدل ( ARDL(1,1 به قرار زیر است:

همانگونه که ملاحظه می شود، در سمت راست رگرسیون متغیر وابسته با وقفه های مختلف و همچنین متغیر یا متغیرهای مستقل با وقفه های متفاوت وجود دارد.

ضمنا در صورتیکه در سمت راست رگرسیون، چندین متغیر مستقل مختلف داشته باشیم، میزان وقفه هر کدام از متغیرها در نگارش مدل آردل به ترتیب لحاظ می گردد. مثلا اگر در مدل خود X1 , X2 , X3 داشته باشیم، آنگاه مدل آردل را به صورت ( ARDL(a, b, c, d خواهند نوشت.

۲- اجرای روش ARDL در نسخه های جدید EViews

نسخه های قبل از ایویوز ۹ توانایی انجام این روش را در منوی نرم افزار ندارند و باید از طریق برنامه نویسی باید انجام شود که خوب کار را بسیار سخت خواهد کرد. بنابراین چنانچه از نسخه های قدیمی نرم افزار ایویوز استفاده می کنید، توصیه ما به شما مراجعه به این صفحه و دانلود نسخه ۹ یا به عبارتی نسخه ۹.۵ ایویوز است (فیلم راهنمای نصب نیز موجود است): دانلود ایویوز ۹.۵ با ویدئوی راهنمای نصب

۳- پیش نیازها قبل از انجام روش آردل

همانند اکثر روشهای اقتصاد سنجی (همانند پانل دیتا) قبل از انجام روش ARDL لازم است ابتدا آزمون ریشه واحد برای بررسی مانایی متغیرهای موجود در مدل و همچنین آزمون هم انباشتگی (هم جمعی) اجرا و نتایج آن مورد تحلیل قرار گیرد.

آماره های توصیفی نیز قبل از آزمون های فوق معمولا مورد توجه قرار می گیرد.

۴- روش تشخیص مدل آردل

در صورت وجود شرایط زیر می توانید از مدل ARDL استفاده کنید:

1. متغیر وابسته در سطح مانا نباشد.
2. متغیرهای توضیحی می توانند در سطح یاا یک تفاضل یا دو تفاضل مانا باشند.
3. محقق قصد داشته باشد روابط کوتاه مدت و بلند مدت را به صورت همزمان مطالعه کند.
4. وجود روابط بلند مدت (هم انباشتگی با یک تفاضل) به اثبات برسد.
5. عدم نقض فروض کلاسیک.

تصویر زیر نیز الگویی است که با توجه به مانایی متغیرها می توانید روش اقتصاد سنجی مورد نیاز را بدست آورید:

انتخاب مدل آماری بر اساس مانایی

حال بپردازیم به مزایای این مدل شور انگیز آماری:

۵- مزیت های مدل ARDL نسبت به مدل VECM و مدل VAR

جهت بررسی رابطه بلند مدت بین متغیرها، بسیاری از پژوهش ها از تکنیک ژوهانسون (و به تبع آن، VAR و VECM) استفاده کرده اند. با این حال در پژوهش های اخیر، رویکرد جدیدی با نام روش خود توضیح با وقفه های توزیعی (ARDL) ارائه شده است. روش اخیر نسبت به رویکرد مزایایی دارد.

اول آن که رویکرد آردل برای نمونه های کوچکتر مناسب است در حالی که برای اعتماد به نتایج رویکرد ژوهانسون (مدل var و vecm) نمونه های بزرگتری مورد نیاز است.

سایر روش های همجمعی یا هم انباشتگی (از جمله ژوهانسون) مستلزم یکسان بودن درجه انباشتگی متغیرها هستند و اگر صرفا یکی از متغیرها با یک درجه تفاضلی مانا شود، باید از تفاضل مرتبه اول تمام متغیرها (حتی متغیرهایی که در سطح پایا (مانا) هستند) استفاده شود. که این کار موجب از دست رفتن حجم زیادی از اطلاعاتی می شود که متغیرهای پایا در دل خود دارند. ولی روش ARDL برای متغیرهایی با درجات انباشتگی متفاوت، قابل استفاده است.

در رویکرد آردل، امکان در نظر گرفتن وقفه های بهینه متفاوت هر متغیر، در مراحل مختلف تخمین وجود دارد، در حالی که در رویکرد ژوهانسون این امکان فراهم نیست.

برآوردهای روش ARDL به دلیل پرهیز از مشکلاتی همچون خود همبستگی و درونزایی، نا اریب و کارا هستند. همچنین ای روش، روابط بلند مدت و کوتاه مدت بین متغیر وابسته و سایر متغیرهای توضیحی الگو را به طور همزمان تخمین می زند.

۶- بررسی روابط کوتاه مدت بین متغیرهای مدل

در این روش می توان روابط کوتاه مدت بین متغیرهای مدل را بیان نموده و تشریح کرد.

۷- بررسی روابط بلند مدت مدل

یکی از امکانات روش خود توضیح برداری با وقفه های گسترده (توزیعی)، برآورد ضرایب مربوط به تعادل بلند مدت است. اما لازم است کاذب بودن و نبودن ضرایب تعادل بلند مدت بدست آمده مورد بررسی قرار گیرد.

به عبارت دیگر بررسی شود که آیا رابطه پویای کوتاه مدت به سمت تعادل بلند مدت گرایش دارد یا خیر.

۸- استخراج جمله تصحیح خطا (ECM)

با استفاده از دستور در نرم افزار ایویوز می توان الگوی تصحیح خطا را بدست آورد و آنرا تفسیر نمود.

در صورتی که ضریب تصحیح خطای بدست آمده منفی و معنی دار باشد، در می یابیم که طی هر دوره زمانی (سال) با چه سرعتی خطای عدم تعادل تعدیل گردیده و مقدار کوتاه مدت به سمت مقدار تعادل و بلند مدت خود میل می کند.

۹- بررسی برازش مدل ARDL

در مدل های آردل نیز همانند تمام مدلهای اقتصاد سنجی لازم است با ابزارها و شاخص هایی برازش و خوب بودن مدل را مورد بررسی قرار دهیم و از مناسب بودن آن اطمینان حاصل کنیم.

۱-۹- خودهمبستگی بین باقیمانده های مدل

برای بررسی خود همبستگی بین باقیمانده های مدل در روش ardl به آزمون دوربین واتسون و آماره آن نمی توان اکتفا نمود و لازم است از سایر روش های آزمودن خود همبستگی بهره برد.

۲-۹- آزمون ثبات ساختاری

انجام این آزمون برای بررسی برازش و مناسب بودن مدل آردل لازم است. این آزمون در قالب نمودار cusum ارائه و تحلیل می گردد.

۳-۹- آزمون ناهمسانی واریانس

برای اطمینان از عدم ناهمسانی واریانس باقیمانده های مدل لازم است این آزمون اجرا و نتایج آن رد کننده ناهمسانی واریانس باشند.

دولت پیشنهاد احیای مجدد سازمان مدیریت و برنامه‌ریزی را بررسی می‌کند

به منظور ایجاد یکپارچگی در مدیریت کلان کشور، همسویی نظام های مدیریتی با برنامه های میان مدت و بلند مدت، تمرکز وظایف و فعالیت های مرتبط و پیوسته و متجانس با یکدیگر در امور برنامه ریزی، کاهش تداخل و توازی وظایف سازمان های ستادی و فراهم نمودن زمینه تحقق مطلوب برنامه توسعه اقتصادی، اجتماعی و فرهنگی کشور، دولت پیشنهاد احیای مجدد سازمان مدیریت و برنامه ریزی کشور را که در اجرای اصل (۱۲۶) قانون اساسی جمهوری اسلامی ایران، از سوی سازمان برنامه و بودجه کشور ارایه شده، بررسی می کند.

به گزارش ایسنا، در طبقه بندی نظام برنامه ریزی، اهداف و برنامه های راهبردی، عنوان سازمان برنامه، نشان دهنده جایگاه راهبردی بالادست نهاد برنامه ریزی نسبت به تمام دستگاه های اجرایی و بخش دولتی و غیردولتی کشور است. بررسی و مطالعه دستاوردها و اوضاع اقتصادی در دوره هایی که سازمان برنامه از شرایط و توانایی های مناسب برخوردار بوده، نشان دهنده اهمیت نقش و جایگاه این سازمان در نظام مقدس جمهوری اسلامی ایران است. تحقق آرمان های کشور، علی الخصوص اسناد بالادستی نظام اقتصادی بدون وجود یک نهاد فکری پویا، قدرتمند، با صلاحیت و برخوردار از حمایت های سیاسی ممکن نیست. نهادی که حرکت کشور را در راستای برنامه های مدون، رصد و ارزیابی نموده و در مواقع لازم، هشدارهای مورد نیاز برای اصلاح جهت گیری ها یا برنامه ها را ارایه نموده و به عبارت دیگر نقش مغز متفکر و علمی کشور را ایفا کند.

در این راستا، احیای مجدد سازمان مدیریت و برنامه ریزی کشور با رویکرد همسان سازی نظام برنامه ریزی و بودجه ریزی با نظام اداری و اجرایی کشور و حاکم نمودن روح مدیریت واحد، یکپارچه و اثربخش در تمام دولت، امری انکارناپذیر است.

از جمله دلایل و توجیهات فنی و تخصصی به منظور احیای مجدد سازمان مدیریت و برنامه ریزی کشور، می توان به موارد زیر اشاره کرد:

- اجرای مفاد مصرح در بندهای (۱۰) و (۲۵) سیاست های کلی نظام اداری ابلاغی مقام معظم رهبری مبنی بر چابک سازی، متناسب سازی و منطقی ساختن تشکیلات نظام اداری در جهت تحقق اهداف چشم انداز و کارآمدسازی و هماهنگی ساختارها و شیوه های نظارت و کنترل در نظام اداری و یکپارچه سازی اطلاعات

- ایجاد یکپارچگی در مدیریت کلان کشور، همسویی نظام های مدیریتی با برنامه های میان مدت و بلندمدت، تمرکز وظایف و فعالیت های مرتبط و پیوسته و متجانس با یکدیگر در امور برنامه ریزی، کاهش تداخل و توازی وظایف سازمان های ستادی، ارتقای توان کارشناسی و تصمیم سازی دولت و فراهم نمودن زمینه تحقق مطلوب برنامه توسعه اقتصادی، اجتماعی و فرهنگی کشور

- ایجاد وحدت مدیریت و انسجام و یکپارچه سازی ساختار سازمانی لازم در راستای فراهم آوردن شرایط و اقتضائات راهبری و رصد توسعه پایدار کشور

- تقویت هدایت و راهبری نظام مدیریتی، برنامه ریزی و اداری کشور و برقراری انسجام، تعادل و توازن میان بخش های مختلف و هم راستا ساختن حرکت دستگاه های متعدد اجرایی کشور

- کاهش بوروکراسی و فرآیندهای زاید اداری ناشی از مشکلات و نارسایی های به وجود آمده بر اثر تفکیک سازمان های برنامه و بودجه کشور و اداری و استخدامی کشور که نه تنها از بار مشکلات دستگاه های اجرایی نکاسته، بلکه در بسیاری از موارد موجب سردرگمی و نارضایتی آنها شده است.

- جاری سازی کارآمد و مؤثر سند تحول دولت مردمی و تحقق اهداف راهبردی مندرج در سند از طریق برقراری ارتباط مناسب بین نظام برنامه ریزی و بودجه ریزی با نظام ارزیابی عملکرد دستگاه های اجرایی کشور

- بسترسازی مناسب و مؤثر جهت اجرای وظایف شورای عالی اداری موضوع ماده (۱۱۵) قانون مدیریت خدمات کشوری و متعادل سازی اقتضائات برنامه و بودجه کشور با نظام اداری – استخدامی کشور

لازم به ذکر است، پیشنهاد ادغام دو سازمان «برنامه و بودجه کشور» و «اداری و استخدامی کشور» و احیای مجدد «سازمان مدیریت و برنامه ریزی کشور» که براساس اختیارات قانونی تعیین شده برای رئیس جمهور در اصل (۱۲۶) قانون اساسی جمهوری اسلامی ایران تهیه شده، درحال حاضر توسط کارشناسان کمیسیون مدیریت امور عمومی و سرمایه انسانی دولت بررسی می شود.

سازمان مدیریت و برنامه‌ریزی کشور از ادغام دو سازمان به عناوین سازمان امور اداری و استخدامی کشور و سازمان برنامه و بودجه مطابق مصوبه ۱۶ اسفند ۱۳۷۸ شورای عالی اداری تأسیس و در ۱۷ تیر ۱۳۷۹ نمودار سازمانی آن تصویب و به اجرا درآمد.

پس از انحلال این سازمان در سال ۱۳۸۶ به دستور محمود احمدی‌نژاد، معاونت برنامه‌ریزی و نظارت راهبردی تأسیس شد و این معاونت بخشی از وظایف آن را به عهده گرفت. با آغاز کار دولت حسن روحانی، زمزمه‌های احیاء این سازمان شنیده می‌شد و در نهایت در ۱۹ آبان ۱۳۹۳، با دستور رئیس‌جمهور و تصویب شورای عالی اداری با ادغام دو معاونت برنامه‌ریزی و نظارت راهبردی و توسعه مدیریت و سرمایه انسانی رئیس‌جمهور، سازمان مدیریت و برنامه‌ریزی کشور احیا گردید.

در تاریخ ۸ دی ماه سال ۱۳۹۳ حسن روحانی در اجرای اصل ۱۲۶ قانون اساسی طی حکم جدید محمدباقر نوبخت را به عنوان معاون رئیس‌جمهور و رئیس سازمان مدیریت و برنامه‌ریزی کشور منصوب کرد.

در ۴ مرداد ۱۳۹۵ سازمان مدیریت و برنامه‌ریزی مجدداً به دو سازمان برنامه و بودجه و سازمان امور استخدامی تفکیک شد، که در پی آن محمدباقر اهمیت نمودارهای بلند مدت نوبخت به عنوان رئیس سازمان برنامه و بودجه و جمشید انصاری به عنوان رئیس سازمان امور استخدامی منصوب گردیدند.

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 ، 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 اهمیت نمودارهای بلند مدت 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 اهمیت نمودارهای بلند مدت 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 ، 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.