ดับเบิล เฉลี่ยเคลื่อนที่ วิธี

Double Moving Average tfmt5 นี่คือระบบค่าเฉลี่ยเคลื่อนที่ 2 เส้นที่ไม่มีอยู่ในตลาดตลอดเวลารายการเกิดขึ้นในทิศทางของ MA cross เมื่อราคาปิดไปด้านนอกของค่าเฉลี่ยเคลื่อนที่เร็วขึ้นอันดับตำแหน่งจะออกเมื่อราคาปิดลง ด้านในของค่าเฉลี่ยเคลื่อนที่เร็วขึ้นหมายเหตุค่าดีฟอลต์ในการป้อนค่าจะไม่ได้รับการปรับให้ดีที่สุด Demo EA และปรับปัจจัยการผลิตเพื่อหาชุดค่าผสมที่เหมาะสมสำหรับความเสี่ยงของคุณและเพื่อเพิ่มผลกำไรระบบ Trend ต่อไปนี้ได้รับการออกแบบมาเป็นระยะ ๆ อัตรากำไรที่ลดลงความสามารถในการทำกำไรมาจากแนวโน้มที่มีขนาดใหญ่เนื่องจากแนวโน้มการลดความสูญเสียในระยะสั้นและช่วยให้ผู้ชนะสามารถทดสอบผลงานของสัญลักษณ์ได้เนื่องจากผลกำไรจากสัญลักษณ์แนวโน้มจะชดเชยการสูญเสียขนาดเล็กและให้ผลกำไรเมื่อสัญลักษณ์อื่น ๆ ไม่ได้มีแนวโน้มเข้าร่วม เกณฑ์การตรวจสอบทิศทางของการข้ามค่าเฉลี่ยเคลื่อนที่ตรวจสอบว่าบาร์อยู่นอกค่าเฉลี่ยเคลื่อนที่เร็วและ c onfirms ว่าค่าเฉลี่ยของการเคลื่อนที่เร็วก่อนหน้าของแถบได้รับการปรับปรุงมากกว่าค่าเฉลี่ยเคลื่อนที่ของแถบก่อนถ้าคุณตั้งค่าตัวแปร Max Unit ด้านบน 1 รายการเพิ่มเติมจะเกิดขึ้นและพีระมิดใน ATR increments ที่ระบุโดย ATR ระหว่างปิรามิด variable. This ผู้เชี่ยวชาญที่ปรึกษาปิด ตำแหน่งของมันเมื่อราคาปิดกลับภายในค่าเฉลี่ยเคลื่อนที่เร็วไปด้านข้างของค่าเฉลี่ยเคลื่อนที่ช้าลงการกำหนดขนาดและการหยุดการทำงานนี้ EA คำนวณตำแหน่งการปรับขนาดโดยใช้เปอร์เซ็นต์ความผันแปรซึ่งผูกโดยตรงกับจุดหยุดการหยุดใช้ ATRPeriods และ อินพุท StopRangeATR เพื่อคำนวณค่า ATR จากนั้นคูณค่าสองค่าเพื่อกำหนดระยะทางหยุดจากราคารายการ Stop จะไม่ถูกเข้ารหัสลงในตำแหน่ง แต่ EA จะปิดตำแหน่งถ้าราคาถึงค่าหยุดเมื่อมีการเพิ่มหน่วยเพิ่มเติมผ่าน pyramiding, stop ย้ายไปตรงกับราคารายการล่าสุดใช้ค่าหยุดการป้อนข้อมูล RiskPercent และข้อมูลบัญชีของคุณติ๊กขนาดขนาดล็อตตัวเลข s ฯลฯ ตำแหน่งการปรับขนาดใช้มูลค่าทางการเงินของระยะทางจากรายการที่จะหยุดและช่วยให้จำนวนของจำนวน จำกัด ร้อยละที่คุณระบุซึ่งจะช่วยให้ทุกสัญลักษณ์ราคาความผันผวนที่จะถือว่าเท่ากันเนื่องจากขนาดบัญชีของคุณเปลี่ยนแปลงไปตามผลกำไรหรือ drawdowns การปรับขนาดตำแหน่งจะทำให้เกิดการเปลี่ยนแปลง ShortMA จำนวนบาร์ที่ใช้ในการสร้างแถบเลื่อนน้อยกว่าที่เคลื่อนที่ได้ง่ายขึ้นค่าเฉลี่ยของการเคลื่อนที่น้อยลง LongMA จำนวนบาร์ที่ใช้ในการสร้างแถบเคลื่อนที่ที่เคลื่อนที่ช้าลงมากขึ้นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย RiskPercent เปอร์เซ็นต์ความเสี่ยงต่อการเคลื่อนที่ ถ้าราคาถึงจุดสิ้นสุดตัวอย่างเช่นถ้าคุณต้องการให้ผู้ถือหุ้นของคุณมีความเสี่ยง 2 ตำแหน่งต่อตำแหน่งให้ป้อน 2 ไปที่ input นี้ ATRPeriods จำนวนบาร์ที่จะใช้ในการคำนวณ ATRStopRangeATR ค่านี้จะถูกคูณด้วย ATR เพื่อกำหนด ที่หยุดจะมาจากราคาเริ่มต้นตัวอย่างถ้าคุณต้องการให้หยุดการตั้งค่าที่ 2 ATR จากราคาให้ป้อน 2 เพื่อป้อนข้อมูลนี้ MaxUnits จำนวนสูงสุดของรายการรวมทั้งรายการเริ่มต้นเป็น t ตำแหน่งของเขาจะได้รับผลกำไรและ EA จะเพิ่มตำแหน่งพีระมิดด้วยกัน ATRbetweenPyramids ค่านี้จะคูณด้วย ATR เพื่อใช้ในการคำนวณเมื่อเพิ่มตำแหน่งถัดไปผ่าน pyramiding Example ตั้งค่านี้เป็น 1 5 และตำแหน่งปิรามิดถัดไปจะถูกเพิ่มเมื่อราคาถึง รายการของคุณบวก 1 5 ATR สำหรับตำแหน่งยาวหรือรายการลบ 1 5 ATR สำหรับตำแหน่งสั้นการเลื่อนลอยจำนวนเงินที่อนุญาตให้เลื่อนออกเมื่อเข้าสู่ตำแหน่งการหักลบเปอร์เซ็นต์ป้อนจำนวนเงินที่จะลดส่วนของคุณสำหรับการคำนวณการคำนวณตำแหน่งตัวอย่างถ้าคุณอยู่ในการเบิกเงินกู้ ระยะเวลาที่คุณสามารถป้อน 20 ไปยังอินพุทนี้และขนาดตำแหน่งจะน้อยกว่า 20 โดยไม่มีการลดตำแหน่งคำนวณขนาดจะรักษาส่วนของคุณเป็น 80 ของสิ่งที่เป็นจริงคือการลดความเสี่ยงของคุณจนกว่าการเบิกเป็น over. Moving ค่าเฉลี่ย - ง่ายและ Exponential. Moving Averages - ง่ายและ Exponential. Moving เฉลี่ยเรียบข้อมูลราคาเพื่อสร้างแนวโน้มตัวบ่งชี้ต่อไปนี้พวกเขาไม่ได้คาดการณ์ทิศทางราคา แต่ค่อนข้าง กำหนดทิศทางในปัจจุบันที่มีความล่าช้าค่าเฉลี่ยค่าเฉลี่ยเคลื่อนที่ล่าช้าเนื่องจากขึ้นอยู่กับราคาที่ผ่านมาแม้จะมีความล่าช้าก็ตามค่าเฉลี่ยเคลื่อนที่ที่ช่วยให้การดำเนินการด้านราคาเรียบและกรองสัญญาณรบกวนนอกจากนี้ยังเป็นการสร้างบล็อคสำหรับตัวชี้วัดทางเทคนิคอื่น ๆ อีกมากมายและการวางซ้อนเช่นกลุ่ม Bollinger Bands MACD และ McClellan Oscillator สองค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่คือ SMA แบบ Simple Moving Average และค่าเฉลี่ยการเคลื่อนที่แบบ Exponential EMA ค่าเฉลี่ยเคลื่อนที่เหล่านี้สามารถใช้เพื่อระบุทิศทางของแนวโน้มหรือกำหนดระดับการสนับสนุนและความต้านทานที่อาจเกิดขึ้นแผนภูมินี้มี SMA และ EMA คลิกแผนภูมิสำหรับแบบสดการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่แบบง่ายถูกสร้างขึ้นโดยการคำนวณราคาเฉลี่ยของการรักษาความปลอดภัยในช่วงเวลาเฉพาะช่วงเวลาค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่จะขึ้นอยู่กับราคาปิด ค่าเฉลี่ยเคลื่อนที่ 5 วันเป็นผลรวมของราคาปิดห้าวันหารด้วย 5 เป็นค่าเฉลี่ยที่เคลื่อนที่โดยเฉลี่ย ta จะลดลงเมื่อมีข้อมูลใหม่มาซึ่งเป็นสาเหตุให้ค่าเฉลี่ยเคลื่อนที่ไปตามช่วงเวลาด้านล่างเป็นตัวอย่างของค่าเฉลี่ยเคลื่อนที่ 5 วันที่มีการเปลี่ยนแปลงมากกว่าสามวันวันแรกของค่าเฉลี่ยเคลื่อนที่จะครอบคลุมช่วง 5 วันที่ผ่านมาวันที่สอง ของค่าเฉลี่ยเคลื่อนที่จะลดลงจุดข้อมูลแรก 11 และเพิ่มจุดข้อมูลใหม่ 16 วันที่สามของค่าเฉลี่ยเคลื่อนที่จะลดลงต่อจุดข้อมูลแรก 12 และเพิ่มจุดข้อมูลใหม่ 17 ในตัวอย่างข้างต้นราคาจะค่อยๆเพิ่มขึ้นจาก 11 เป็น 17 ตลอดเจ็ดวันโปรดสังเกตว่าค่าเฉลี่ยเคลื่อนที่ยังเพิ่มขึ้นจาก 13 ถึง 15 ในช่วงการคำนวณสามวันนอกจากนี้โปรดสังเกตด้วยว่าค่าเฉลี่ยเคลื่อนที่แต่ละค่าต่ำกว่าราคาล่าสุดตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของวันหนึ่งเท่ากับ 13 และ ราคาล่าสุดเป็น 15 ราคาในช่วง 4 วันก่อนหน้านี้ลดลงและทำให้ค่าเฉลี่ยเคลื่อนที่ลดลงค่าเฉลี่ยคำนวณโดยเฉลี่ยที่คำนวณได้ค่าเฉลี่ยถ่วงน้ำหนักที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ที่ลดลงจะช่วยลดความล่าช้าโดยการใช้น้ำหนักมากขึ้นกับราคาล่าสุด มีขั้นตอนสามขั้นตอนในการคำนวณค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ขั้นแรกคำนวณค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายค่า EMA ที่มีการระบุค่าเฉลี่ยเคลื่อนที่จะต้องเริ่มต้นที่ไหนสักแห่งดังนั้นค่าเฉลี่ยเคลื่อนที่ที่ใช้จะเป็นค่าเฉลี่ยเคลื่อนที่ ระยะเวลาก่อนหน้าของ EMA ในการคำนวณครั้งที่สองคำนวณตัวคูณที่ถ่วงน้ำหนักประการที่สามคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนาสูตรด้านล่างมีไว้สำหรับ EMA 10 วันระยะเวลาการเคลื่อนย้ายเลขคณิต 10 ช่วงจะใช้การถ่วงน้ำหนัก 18 18 กับราคาล่าสุด EMA 10 ระยะเวลาสามารถเรียกได้ว่าเป็น EMA 18 18 EMA 20 ระยะเวลาใช้การชั่งน้ำหนัก 9 52 กับราคาล่าสุด 2 20 1 0952 สังเกตว่าน้ำหนักสำหรับช่วงเวลาที่สั้นกว่ามากกว่าการถ่วงน้ำหนักเป็นเวลานาน ในความเป็นจริงการถ่วงน้ำหนักลดลงครึ่งหนึ่งทุกครั้งที่รอบระยะเวลาเฉลี่ยที่เคลื่อนที่ได้สองเท่าหากคุณต้องการให้เราเป็นเปอร์เซ็นต์เฉพาะสำหรับ EMA คุณสามารถใช้สูตรนี้เพื่อแปลงเป็นช่วงเวลาและป้อน th ที่ค่าเป็นพารามิเตอร์ของ EMA ด้านล่างเป็นตัวอย่างของสเปรดชีตของค่าเฉลี่ยเคลื่อนที่ 10 วันและค่าเฉลี่ยเคลื่อนที่แบบก้าวร้าว 10 วันสำหรับ Intel Simple moving averages จะเป็นค่าเริ่มต้นที่ตรงและต้องใช้คำอธิบายเล็กน้อยค่าเฉลี่ยของวันที่ 10 วันจะเปลี่ยนเป็นแบบใหม่ เริ่มต้นด้วยค่าเฉลี่ยเคลื่อนที่ 22 22 ในการคำนวณครั้งแรกหลังจากการคำนวณครั้งแรกสูตรปกติใช้เวลาเนื่องจาก EMA เริ่มต้นด้วยค่าเฉลี่ยเคลื่อนที่แบบง่ายๆค่าที่แท้จริงของมันจะไม่ จะตระหนักถึง 20 หรือมากกว่าระยะเวลาในภายหลังในคำอื่น ๆ ค่าใน Excel สเปรดชีตอาจแตกต่างจากค่าแผนภูมิเนื่องจากระยะเวลามองย้อนกลับสั้นสเปรดชีทนี้จะกลับไป 30 งวดซึ่งหมายความว่าผลกระทบของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายได้ มีระยะเวลาในการกระจายสต๊อกชิพ 20 รอบย้อนหลังอย่างน้อย 250 รอบโดยปกติแล้วจะมากขึ้นสำหรับการคำนวณของตนดังนั้นผลกระทบของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆในการคำนวณครั้งแรกมี ปัจจัยความล่าช้า (Lag Factor) ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ (moving factor) ความล่าช้า (lag) ค่าเฉลี่ยเคลื่อนที่ที่ยาวนานกว่า 10 วันจะกอดราคาค่อนข้างใกล้ชิดและเลี้ยวไปไม่นานหลังจากที่ราคาเปลี่ยนเป็นค่าเฉลี่ยของการเคลื่อนที่แบบสั้น ๆ เช่นเดียวกับเรือเร็ว (fast moving) - ว่องไวและรวดเร็วในการเปลี่ยนแปลง ค่าเฉลี่ยเคลื่อนที่ 100 วันมีจำนวนข้อมูลในอดีตที่ลดลงค่าเฉลี่ยเคลื่อนที่อีกต่อไปเป็นเหมือนเรือบรรทุกน้ำมันในทะเล - เซื่องซึมและชะลอการเปลี่ยนแปลงการเคลื่อนไหวของราคาเคลื่อนไหวใหญ่และยาวนานขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ 100 วันเพื่อเปลี่ยนเส้นทางคลิกที่ แผนภูมิสำหรับแผนภูมิสดแผนภูมิด้านบนแสดง SP 500 ETF ที่มี EMA 10 วันใกล้เคียงกับราคาและ SMA 100 วันที่สูงขึ้นแม้จะมีการลดลงในเดือนมกราคมถึงกุมภาพันธ์ SMA 100 วันก็มีการจัดทำขึ้น ไม่ลดลง SMA 50 วันเหมาะกับบางแห่งระหว่างค่าเฉลี่ยเคลื่อนที่ 10 และ 100 วันเมื่อเทียบกับค่าความล่าช้าค่ามัธยฐานของค่าเฉลี่ยเลขคณิตและค่าเฉลี่ยเคลื่อนที่แม้ว่าจะมีความแตกต่างระหว่างค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ ne ไม่จำเป็นต้องดีไปกว่าค่าเฉลี่ยเคลื่อนที่อื่น ๆ ที่มีความล่าช้าน้อยลงและมีความอ่อนไหวต่อราคาที่สูงขึ้นและการเปลี่ยนแปลงราคาล่าสุดการเปลี่ยนแปลงค่าเฉลี่ยเลขคณิตจะเปลี่ยนไปก่อนค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายค่าเฉลี่ยเคลื่อนที่เฉลี่ยอยู่ที่ประมาณค่าเฉลี่ยที่แท้จริง ราคาสำหรับช่วงเวลาทั้งหมดเช่นนี้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจเหมาะสมกับการระบุระดับการสนับสนุนหรือความต้านทานการเลือกค่าเฉลี่ยของค่าเฉลี่ยขึ้นอยู่กับวัตถุประสงค์รูปแบบการวิเคราะห์และเส้นขอบฟ้าเวลา Chartists ควรทดลองทั้งสองประเภทของค่าเฉลี่ยเคลื่อนที่และระยะเวลาที่แตกต่างกันไป หาพอดีที่ดีที่สุดแผนภูมิด้านล่างแสดงให้เห็น IBM ที่มี SMA 50 วันสีแดงและ EMA 50 วันเป็นสีเขียวทั้งสองจุดในช่วงปลายเดือนมกราคม แต่ EMA ลดลงมากกว่า SMA ที่ลดลง EMA เข้ามา กลางเดือนกุมภาพันธ์ แต่ SMA ยังคงลดลงต่อไปจนถึงสิ้นเดือนมีนาคมสังเกตว่า SMA เปิดขึ้นภายในหนึ่งเดือนหลังจาก EMA ระยะเวลาและระยะเวลาความยาวของ ave ที่เคลื่อนที่ ระยะสั้นการเคลื่อนไหวระยะสั้น 5-20 เหมาะสำหรับแนวโน้มระยะสั้นและการซื้อขาย Chartists สนใจในแนวโน้มระยะกลางจะเลือกใช้ค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นซึ่งอาจขยายได้ 20-60 ช่วงนักลงทุนระยะยาวจะชอบย้าย โดยเฉลี่ยมีระยะเวลาเฉลี่ย 100 หรือยาวนานกว่าค่าเฉลี่ยความยาวเฉลี่ยบางส่วนที่ได้รับความนิยมมากกว่าคนอื่น ๆ ค่าเฉลี่ยเคลื่อนที่ 200 วันอาจเป็นที่นิยมมากที่สุดเนื่องจากความยาวของค่าเฉลี่ยนี้เป็นค่าเฉลี่ยเคลื่อนที่ในระยะยาวถัดไปค่าเฉลี่ยเคลื่อนที่ 50 วัน ค่อนข้างเป็นที่นิยมสำหรับแนวโน้มระยะกลางนักเก็งกำไรหลายคนใช้ค่าเฉลี่ยเคลื่อนที่ 50 วันและ 200 วันโดยระยะสั้นค่าเฉลี่ยเคลื่อนที่ 10 วันเป็นที่นิยมมากในอดีตเพราะง่ายต่อการคำนวณเพียงแค่เพิ่มตัวเลขและ ย้ายจุดทศนิยมการระบุตัวตนสัญญาณเดียวกันสามารถสร้างขึ้นโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายหรือค่าเฉลี่ยที่ระบุไว้ดังที่ระบุไว้ข้างต้นการตั้งค่าขึ้นอยู่กับแต่ละตัวอย่างด้านล่างนี้จะใช้ทั้งแบบง่ายและเลขยกกำลัง ค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยที่ใช้กับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยที่เป็นตัวชี้วัดทิศทางของค่าเฉลี่ยเคลื่อนที่จะบ่งบอกถึงข้อมูลที่สำคัญเกี่ยวกับราคาค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นแสดงให้เห็นว่าราคาโดยทั่วไปจะเพิ่มขึ้นค่าเฉลี่ยถ่วงน้ำหนักที่ลดลงบ่งชี้ว่าราคาเฉลี่ยลดลง ค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นในระยะยาวสะท้อนถึงแนวโน้มขาขึ้นในระยะยาวค่าเฉลี่ยถ่วงน้ำหนักระยะยาวที่ลดลงสะท้อนถึงแนวโน้มขาลงในระยะยาวแผนภูมิข้างต้นแสดงถึง 3M MMM ที่มีค่าเฉลี่ยเคลื่อนที่ 150 วันตัวอย่างนี้แสดงให้เห็นว่า เมื่อมีความผันผวน EMA 150 วันปรับตัวลงในเดือนพฤศจิกายน 2550 และอีกครั้งในเดือนมกราคม 2551 ข้อสังเกตว่าการปรับลดลง 15 ครั้งเพื่อลดทิศทางของค่าเฉลี่ยเคลื่อนที่นี้ดัชนีชี้วัดเหล่านี้ชี้ให้เห็นถึงการผกผันตามแนวโน้มที่เกิดขึ้นได้ดีที่สุดหรือหลังจากเกิดขึ้น ที่เลวร้ายที่สุด MMM ยังคงลดลงในเดือนมีนาคม 2009 และเพิ่มขึ้นแล้ว 40-50 สังเกตว่า EMA 150 วันไม่ได้เปิดขึ้นจนกว่าจะมีการเพิ่มขึ้นนี้เมื่อมันได้ แต่ MMM c ต่อเนื่องในช่วง 12 เดือนข้างหน้าการเคลื่อนย้ายค่าเฉลี่ยทำงานได้ดีในแนวโน้มที่แข็งแกร่ง Double Crossovers. Two ค่าเฉลี่ยเคลื่อนที่สามารถใช้ร่วมกันเพื่อสร้างสัญญาณครอสโอเวอร์ในการวิเคราะห์ทางเทคนิคของตลาดการเงิน John Murphy เรียกวิธีนี้ว่าไขว้คู่ Double crossovers เกี่ยวข้องกับการเคลื่อนไหวที่ค่อนข้างสั้น ค่าเฉลี่ยและค่าเฉลี่ยเคลื่อนที่ที่ค่อนข้างยาวเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ทั้งหมดความยาวโดยทั่วไปของค่าเฉลี่ยเคลื่อนที่จะกำหนดระยะเวลาของระบบระบบที่ใช้ EMA 5 วันและ EMA 35 วันจะถือว่าเป็นระบบระยะสั้นโดยใช้ 50 วัน SMA และ SMA 200 วันถือเป็นระยะปานกลางถึงแม้จะเป็นระยะยาวการทับถมของ bullish จะเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเหนือค่าเฉลี่ยที่ยาวนานกว่านี้เรียกอีกอย่างหนึ่งว่าเครื่องหมายกากบาทสีแดง A crossover หยาบคายเกิดขึ้นเมื่อ ค่าเฉลี่ยต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่ยาวกว่านี้เรียกว่า cross. Moving เฉลี่ย crossovers ผลิตสัญญาณค่อนข้างช้าหลังจากทั้งหมดระบบมี tw ตัวบ่งชี้ที่ล่าช้ากว่าระยะเวลาการเคลื่อนไหวที่ยาวนานมากขึ้นความล่าช้าในสัญญาณสัญญาณเหล่านี้ทำงานได้ดีเมื่อแนวโน้มที่ดีจะถืออย่างไรก็ตามระบบครอสโอเวอร์เฉลี่ยเคลื่อนที่จะผลิตจำนวนมาก whipsaws ในกรณีที่ไม่มีแนวโน้มที่แข็งแกร่งนอกจากนี้ยังมี วิธีการครอสโอเวอร์แบบไขว้ซึ่งมีค่าเฉลี่ยเคลื่อนที่สามตัวอีกครั้งหนึ่งสัญญาณจะถูกสร้างขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นที่สุดข้ามค่าเฉลี่ยเคลื่อนที่อีก 2 เส้นระบบไขว้แบบทริปเปิ้ลที่เรียบง่ายอาจเกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่ 5 วัน 10 วันและ 20 วันข้างต้น แสดง Home Depot HD ด้วยเส้นสีเขียว EMA 10 วันและเส้นสีแดง EMA 50 วันสายสีดำคือการปิดบัญชีรายวันการใช้ Crossover โดยเฉลี่ยจะส่งผลให้มี Whipsaws 3 ตัวก่อนที่จะเริ่มมีการซื้อขายที่ดี EMA 10 วันลดลงด้านล่าง EMA 50 วันในช่วงปลายเดือนตุลาคมที่ผ่านมา แต่ระยะเวลาดังกล่าวไม่นานถึง 10 วันที่กลับมาในช่วงกลางเดือนพฤศจิกายนที่ผ่านมาการข้ามนี้ใช้เวลานานกว่า แต่การทยอยลดลงต่อไปในเดือนม. ค. ส่งผลให้เกิดการแส้วข้ามอีกครั้งการปรับตัวลดลงนี้ไม่ได้เป็นช่วงที่ EMA 10 วันกลับมาเหนือ 50 วันในอีกไม่กี่วันต่อมา 4 หลังจากสัญญาณไม่ดีสามสัญญาณสัญญาณที่ 4 คาดว่าจะมีการเคลื่อนไหวที่แข็งแกร่งเมื่อหุ้นพุ่งขึ้นเหนือ 20 สองครั้งแรกที่ไขว้มีแนวโน้มที่จะ whipsaw ตัวกรองราคาหรือเวลาสามารถนำมาใช้เพื่อช่วยป้องกัน whipsaws ผู้ค้าอาจต้องครอสโอเวอร์ที่จะล่าสุด 3 วันก่อนที่จะทำหน้าที่หรือต้อง EMA 10 วันเพื่อย้ายไปด้านบนด้านล่าง EMA 50 วันโดย ก่อนที่จะมีสัญญาณ MACD 10,50,1 จะแสดงเส้นที่เป็นตัวแทนของความแตกต่างระหว่างค่าเฉลี่ยเลขยกกำลังสองอัน MACD จะมีค่าเป็นบวกในระหว่างช่วงกากบาทสีทองและค่าลบระหว่างช่วงที่ตายแล้ว เปอร์เซ็นต์ Oscillator PPO สามารถใช้วิธีเดียวกันเพื่อแสดงความแตกต่างของเปอร์เซ็นต์หมายเหตุว่า MACD และ PPO ใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดและจะไม่ตรงกับค่าเฉลี่ยที่เคลื่อนที่โดยเฉลี่ยแผนภูมินี้แสดง Oracle ORCL พร้อมด้วย EMA 50 วัน EMA 200 วันและ MACD 50,200,1 หุ้นมีการครอสโอเวอร์ 4 เส้นโดยเฉลี่ยในช่วง 2 1 2 ปีสามตัวแรกส่งผลให้เกิด whipsaws หรือการค้าที่ไม่ดีแนวโน้มเริ่มมีเสถียรภาพขึ้นโดยการครอสโอเวอร์ที่สี่เป็น ORCL ขั้นสูง ถึงช่วงกลางยุค 20 อีกครั้งการเคลื่อนไหวไขว้เฉลี่ยทำงานได้ดีเมื่อมีแนวโน้มแข็งแกร่ง แต่สร้างความสูญเสียในกรณีที่ไม่มีแนวโน้มราคา Crossovers. Moving เฉลี่ยนอกจากนี้ยังสามารถใช้ในการสร้างสัญญาณด้วยไขว้ราคาง่ายสัญญาณรั้นเกิดขึ้นเมื่อ ราคาขยับขึ้นเหนือเส้นค่าเฉลี่ยเคลื่อนที่สัญญาณหยาบคายถูกสร้างขึ้นเมื่อราคาเคลื่อนตัวต่ำกว่าค่าเฉลี่ยที่เคลื่อนที่โดยเฉลี่ยการข้ามไขว้ราคาสามารถรวมเข้ากับการค้าภายในแนวโน้มที่ใหญ่กว่าค่าเฉลี่ยของการเคลื่อนไหวที่ยาวนานขึ้นจะทำให้สัญญาณมีแนวโน้มมากขึ้นและใช้ค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเพื่อสร้าง สัญญาณหนึ่งจะมองหาการข้ามราคารั้นเฉพาะเมื่อราคามีอยู่แล้วสูงกว่าค่าเฉลี่ยเคลื่อนที่อีกต่อไปนี้จะซื้อขายในความสามัคคีกับแนวโน้มที่ใหญ่กว่าตัวอย่างเช่นถ้าราคาอยู่เหนือ ค่าเฉลี่ยเคลื่อนที่ 200 วันแผนภูมิชาตินิยมจะเน้นเฉพาะสัญญาณเมื่อราคาเคลื่อนตัวเหนือค่าเฉลี่ยเคลื่อนที่ 50 วันอย่างเห็นได้ชัดการเคลื่อนตัวต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 50 วันจะเป็นสัญญาณก่อนเช่นสัญญาณดังกล่าวจะถูกละเว้นเนื่องจากแนวโน้มที่ใหญ่กว่า เป็นขาขึ้นการข้ามแบบหยาบคายก็จะแนะนำให้มีการปรับตัวในช่วงขาขึ้นที่ใหญ่ขึ้นการข้ามกลับเหนือ 50 วันค่าเฉลี่ยเคลื่อนที่จะส่งสัญญาณถึงการปรับตัวขึ้นของราคาและความผันผวนของแนวโน้มขาขึ้นที่ใหญ่ขึ้นกราฟถัดไปแสดง Emerson Electric EMR ที่มี EMA 50 วัน และ EMA 200 วันหุ้นขึ้นไปเหนือระดับเฉลี่ย 200 วันในเดือนสิงหาคมมีการปรับตัวลงต่ำกว่า EMA 50 วันในช่วงต้นเดือนพฤศจิกายนและอีกครั้งในช่วงต้นเดือนกุมภาพันธ์ราคาพุ่งขึ้นมาเหนือเส้น EMA 50 วันเพื่อให้รั้น สัญญาณลูกศรสีเขียวสอดคล้องกับขาขึ้นที่ใหญ่ขึ้น MACD 1,50,1 แสดงในหน้าต่างตัวบ่งชี้เพื่อยืนยันการข้ามผ่านด้านล่างหรือด้านล่าง EMA 50 วัน EMA 1 วันเท่ากับ MACD 1,50,1 เป็นบวก เมื่อปิดอยู่เหนือ EMA 50 วันและเป็นลบเมื่อระยะสั้นปิดต่ำกว่า 50 วัน EMA การสนับสนุนและความต้านทานค่าเฉลี่ย Mooding ยังสามารถทำหน้าที่เป็นแนวรับในแนวรองรับและแนวต้านในระยะสั้นขาขึ้นระยะสั้นอาจได้รับการสนับสนุนที่อยู่ใกล้ ๆ 20 วันแบบง่าย ค่าเฉลี่ยเคลื่อนที่ซึ่งใช้ใน Bollinger Bands ขาขึ้นในระยะยาวอาจได้รับแรงหนุนจากค่าเฉลี่ยเคลื่อนที่ 200 วันซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะยาวที่เป็นที่นิยมมากที่สุดถ้าความเป็นจริงค่าเฉลี่ยเคลื่อนที่ 200 วันอาจมีการสนับสนุนหรือ แผนภูมินี้แสดงให้เห็นว่า NY Composite มีค่าเฉลี่ยเคลื่อนที่ 200 วันจากกลางปี ​​2547 จนถึงสิ้นปี พ. ศ. 2551 200 วันให้การสนับสนุนหลายครั้งระหว่าง ความคืบหน้าเมื่อแนวโน้มกลับตัวกลับด้วยแรงสนับสนุนด้านบนคู่ค่าเฉลี่ยเคลื่อนที่ 200 วันทำท่ามักตุ้งราว ๆ 9500 จุดอย่าคาดหวังว่าจะมีการสนับสนุนที่แน่นอนและระดับความต้านทานจากค่าเฉลี่ยเคลื่อนที่โดยเฉพาะค่าเฉลี่ยที่เคลื่อนไหวได้ยาวนานขึ้น ch ทำให้พวกเขามีแนวโน้มที่จะ overshoots แทนระดับที่แน่นอนค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการระบุการสนับสนุนหรือโซนความต้านทานข้อดีของการใช้ค่าเฉลี่ยเคลื่อนที่จะต้องมีการชั่งน้ำหนักกับข้อเสียการย้ายค่าเฉลี่ยมีแนวโน้มตามหรือล้าหลังตัวชี้วัดที่จะเป็น ขั้นตอนหลังนี้ไม่จำเป็นต้องเป็นสิ่งที่ไม่ดีแม้ว่าหลังจากที่ทุกแนวโน้มเป็นเพื่อนของคุณและที่ดีที่สุดคือการค้าในทิศทางของแนวโน้มการย้ายค่าเฉลี่ยประกันว่าผู้ประกอบการค้าจะสอดคล้องกับแนวโน้มปัจจุบันแม้ว่าแนวโน้มเป็นของคุณ เพื่อนของคุณหลักทรัพย์ใช้จ่ายมากเวลาในช่วงการซื้อขายซึ่งจะทำให้ค่าเฉลี่ยเคลื่อนที่ไม่ได้ผลเมื่ออยู่ในแนวโน้มค่าเฉลี่ยเคลื่อนที่จะทำให้คุณอยู่ใน แต่ยังให้สัญญาณปลาย Don t คาดว่าจะขายที่ด้านบนและซื้อที่ด้านล่างโดยใช้การย้าย เฉลี่ยเช่นเดียวกับเครื่องมือวิเคราะห์ทางเทคนิคส่วนใหญ่ค่าเฉลี่ยเคลื่อนที่ไม่ควรใช้ด้วยตนเอง แต่ร่วมกับเครื่องมือเสริมอื่น ๆ Chartists สามารถใช้ค่าเฉลี่ยเคลื่อนที่เพื่อกำหนดแนวโน้มโดยรวม จากนั้นใช้ RSI เพื่อกำหนดระดับซื้อเกินหรือเกินซื้อการเพิ่มค่าเฉลี่ยของการเคลื่อนไหวไปยัง StockCharts Charts. Moving ค่าเฉลี่ยจะมีอยู่ในรูปแบบการวางซ้อนราคาบนโต๊ะทำงาน SharpCharts โดยใช้เมนูแบบเลื่อนลง Overlays ผู้ใช้สามารถเลือกค่าเฉลี่ยเคลื่อนที่แบบง่ายๆหรือเลขยกกำลังก็ได้ ค่าพารามิเตอร์แรกจะใช้เพื่อกำหนดจำนวนรอบระยะเวลาพารามิเตอร์ที่เป็นตัวเลือกสามารถเพิ่มเพื่อระบุว่าควรใช้ฟิลด์ราคาใดในการคำนวณ O สำหรับ Open, H สำหรับ High L สำหรับ Low และ C สำหรับเครื่องหมายจุลภาคปิดเครื่องหมายจุลภาคใช้เพื่อแยกพารามิเตอร์พารามิเตอร์อื่น ๆ ที่เป็นตัวเลือกสามารถเพิ่มเพื่อเลื่อนค่าเฉลี่ยเคลื่อนที่ไปทางซ้ายหรืออนาคตด้านขวาจำนวนลบ -10 จะเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปทางซ้าย 10 ช่วงจำนวนบวก 10 จะเปลี่ยน ค่าเฉลี่ยเคลื่อนที่ไปทางขวา 10 periods. Multiple moving averages สามารถ overlaid พล็อตราคาโดยเพียงแค่เพิ่มอีกชั้นวางซ้อนกับสมาชิก Workbench StockCharts สามารถเปลี่ยนสีและรูปแบบเพื่อ differe ntiate ระหว่างค่าเฉลี่ยเคลื่อนที่หลาย ๆ ตัวเลือกหลังจากเลือกตัวบ่งชี้ให้เปิดตัวเลือกขั้นสูงโดยคลิกสามเหลี่ยมสีเขียวเล็กน้อย นอกจากนี้ยังสามารถใช้ตัวเลือกขั้นสูงเพื่อเพิ่มค่าเฉลี่ยถ่วงน้ำหนักที่เคลื่อนที่ไปยังตัวชี้วัดทางเทคนิคอื่น ๆ เช่น RSI, CCI และ Volume คลิกที่นี่เพื่อดูกราฟสดที่มีค่าเฉลี่ยเคลื่อนที่แตกต่างกันการใช้ค่าเฉลี่ยเคลื่อนที่กับสครอชชอต Scans นี่คือตัวอย่างการสแกนที่ StockCharts สมาชิกสามารถใช้เพื่อสแกนหาค่าเฉลี่ยของสถานการณ์ที่เคลื่อนไหวได้โดยทั่วไปการเคลื่อนไหวเฉลี่ยข้ามเฉลี่ยการสแกนนี้จะหาหุ้นที่มีค่าเฉลี่ยเคลื่อนที่ 150 วันที่เพิ่มขึ้นและการข้ามผ่านแนวราบของ EMA 5 วันและ EMA 35 วันค่าเฉลี่ยเคลื่อนที่ 150 วัน จะเพิ่มขึ้นตราบเท่าที่มีการซื้อขายเหนือระดับของห้าวันที่ผ่านมาข้ามรั้นจะเกิดขึ้นเมื่อ EMA 5 วันเคลื่อนตัวเหนือ EMA 35 วันเมื่อเทียบกับค่าเฉลี่ยสูงกว่าค่าเฉลี่ยการเคลื่อนไหวของค่าเฉลี่ย Cross การสแกนนี้จะมองหาหุ้นที่ลดลง 150- วันค่าเฉลี่ยการเคลื่อนไหวแบบถดถอยและเส้นค่าเฉลี่ยถดถอยในระยะสั้น EMA 5 วันและ EMA 35 วันค่าเฉลี่ยเคลื่อนที่ 150 วันจะลดลงตราบใดที่ยังซื้อขายอยู่ในระดับต่ำกว่า 5 วันที่ผ่านมา ต่ำกว่า EMA 35 วันที่ ABO หนังสือเล่มนี้มีบทที่อุทิศให้กับค่าเฉลี่ยเคลื่อนที่และการใช้งานต่างๆของพวกเขา Murphy ครอบคลุมข้อดีและข้อเสียของการย้ายค่าเฉลี่ยนอกจากนี้เมอร์ฟี่แสดงให้เห็นว่าการเคลื่อนไหวโดยเฉลี่ยทำงานร่วมกับ Bollinger Bands และระบบการซื้อขายบนช่องทางอย่างไรเทคนิค การวิเคราะห์ตลาดการเงิน John Murphy. Moving โมเดลการปรับให้เรียบโดยเฉลี่ยและอธิบายเป็นขั้นตอนแรกในการเคลื่อนย้ายโมเดลที่มีความหมายมากกว่าแบบสุ่มและโมเดลแนวโน้มเชิงเส้นรูปแบบและแนวโน้มที่ไม่เป็นทางการสามารถคาดการณ์ได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นกับค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและจากนั้นใช้ค่าที่เป็นคาดการณ์สำหรับอนาคตอันใกล้นี้สามารถ ถือว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการลอยแบบเดียวกันกลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักเรียกว่าเป็นแบบเรียบของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิมโดยการปรับระดับของความเรียบความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถหวังว่าจะตีชนิดบาง ความสมดุลระหว่างสมรรถนะของโมเดลเฉลี่ยและแบบสุ่มเดินแบบที่ง่ายที่สุดคือเฉลี่ยเคลื่อนที่อย่างเท่าเทียมกันการคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่าย ของข้อสังเกต m ล่าสุด ที่นี่และที่อื่น ๆ ผมจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนหน้านี้โดยรูปแบบที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าการประมาณ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงบอกว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณในท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลังหมายเหตุว่าระยะยาว - คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10. ข้อสังเกตว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้เรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการทำให้ราบเรียบคงที่ระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูกสอดแทรกให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของค่าเฉลี่ยที่เป็นศูนย์ค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณระยะเวลาความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่หรือที่เรียกว่าแบบจำลอง ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ มีแนวโน้มที่จะเท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความลาดชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES แก้ไขปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่เรียบและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตพล็อต ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประเมินแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากมองทั้งหมดคือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเราตั้งค่า 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับซีรีส์นี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาด การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดเดาแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับลดความลาดเอียงของแบบจำลองการแกว่งแบบเชิงเส้นแบบเชิงเส้นก็มักใช้ในทางปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปแบบเลขแจงโดยพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังให้ซอฟต์แวร์ทั้งหมดคำนวณระยะเวลาความเชื่อมั่นสำหรับโมเดลเหล่านี้ได้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปในส่วนแบบ ARIMA ของบันทึกย่อกลับไปด้านบนของหน้า