Exponential Smoothing Contoh ini mengajarkan cara menerapkan smoothing eksponensial ke rangkaian waktu di Excel. Perataan eksponensial digunakan untuk menghaluskan penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-in Analisis ToolPak. 3. Pilih Exponential Smoothing dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak faktor Damping dan ketik 0.9. Sastra sering berbicara tentang penghalusan smoothing (alfa). Nilai (1-) disebut faktor redaman. 6. Klik pada kotak Output Range dan pilih cell B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita atur alpha menjadi 0,1, titik data sebelumnya diberi bobot yang relatif kecil sedangkan nilai smoothed sebelumnya diberi bobot yang besar (yaitu 0,9). Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang semakin meningkat. Excel tidak bisa menghitung nilai smoothed untuk titik data pertama karena tidak ada titik data sebelumnya. Nilai smoothed untuk titik data kedua sama dengan titik data sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk alpha 0.3 dan alpha 0.8. Kesimpulan: Alfa yang lebih kecil (faktor redaman yang lebih besar), semakin puncak dan lembah diratakan. Alfa yang lebih besar (faktor redaman yang lebih kecil), semakin dekat nilai yang merata ke titik data aktual. Rata-rata Mutasi Contoh ini mengajarkan cara menghitung rata-rata pergerakan deret waktu di Excel. Rata-rata bergerak digunakan untuk memperlancar penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-in Analisis ToolPak. 3. Pilih Moving Average dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak Interval dan ketik 6. 6. Klik pada kotak Output Range dan pilih sel B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita mengatur interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan titik data saat ini. Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang semakin meningkat. Excel tidak bisa menghitung moving average untuk 5 poin data pertama karena tidak ada cukup data point sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk interval 2 dan interval 4. Kesimpulan: Semakin besar interval, semakin puncak dan lembah dihaluskan. Semakin kecil interval, semakin dekat rata-rata bergerak ke titik data aktual. Penggerak Adaptive Moving Average (KAMA) Kaufman039s Adaptive Moving Average (KAMA) Pendahuluan Dikembangkan oleh Perry Kaufman, Kaufman039 Adaptive Moving Average (KAMA) adalah moving average yang dirancang untuk Memperhitungkan kebisingan pasar atau volatilitas. KAMA akan mengikuti harga saat harga ayunan relatif kecil dan suaranya rendah. KAMA akan menyesuaikan saat harga ayunan melebar dan mengikuti harga dari jarak yang lebih jauh. Indikator berikut ini dapat digunakan untuk mengidentifikasi tren keseluruhan, titik balik waktu dan pergerakan harga filter. Perhitungan Ada beberapa langkah yang diperlukan untuk menghitung Kaufman039 Adaptive Moving Average. Pertama mulailah dengan setting yang direkomendasikan oleh Perry Kaufman, yaitu KAMA (10.2,30). 10 adalah jumlah periode untuk Efisiensi Rasio (ER). 2 adalah jumlah periode untuk konstanta EMA tercepat. 30 adalah jumlah periode untuk konstanta EMA paling lambat. Sebelum menghitung KAMA, kita perlu menghitung Efficiency Ratio (ER) dan Smoothing Constant (SC). Memecah formula menjadi ukuran kecil nugget membuat lebih mudah untuk memahami metodologi di belakang indikator. Perhatikan bahwa ABS mewakili Absolute Value. Efficiency Ratio (ER) ER pada dasarnya adalah perubahan harga yang disesuaikan dengan volatilitas harian. Secara statistik, Rasio Efisiensi memberi tahu kita efisiensi fraktal perubahan harga. ER berfluktuasi antara 1 dan 0, namun ekstrem ini adalah pengecualian, bukan norma. ER akan menjadi 1 jika harga bergerak naik 10 periode berturut-turut atau turun 10 periode berturut-turut. ER akan menjadi nol jika harga tidak berubah selama 10 periode. Smoothing Constant (SC) Konstanta pemulusan menggunakan ER dan dua konstanta pemulusan berdasarkan rata-rata pergerakan eksponensial. Seperti yang mungkin Anda perhatikan, Konstanta Smoothing menggunakan konstanta pemulusan untuk rata-rata bergerak eksponensial dalam formula. (2301) adalah konstanta pemulusan untuk EMA 30 periode. SC Tercepat adalah konstanta pemulusan untuk EMA lebih pendek (2 periode). SC yang paling lambat adalah konstanta pemulusan untuk EMA paling lambat (30 periode). Perhatikan bahwa 2 di akhir adalah untuk mensejajarkan persamaan. Dengan Efficiency Ratio (ER) dan Smoothing Constant (SC), kita sekarang siap untuk menghitung Kaufman039 Adaptive Moving Average (KAMA). Karena kita membutuhkan nilai awal untuk memulai perhitungan, KAMA pertama hanyalah sebuah moving average yang sederhana. Perhitungan berikut didasarkan pada rumus di bawah ini. Contoh PerhitunganChart Gambar di bawah ini menunjukkan tangkapan layar dari spreadsheet Excel yang digunakan untuk menghitung KAMA dan grafik QQQ yang sesuai. Penggunaan dan Sinyal Chartis dapat menggunakan KAMA seperti indikator berikut lainnya, seperti moving average. Chartis dapat mencari harga persilangan, perubahan terarah dan sinyal yang disaring. Pertama, sebuah salib di atas atau di bawah KAMA menunjukkan perubahan arah harga. Seperti halnya rata-rata bergerak, sistem crossover sederhana akan menghasilkan banyak sinyal dan banyak whipsaws. Chartists dapat mengurangi whipsaws dengan menerapkan filter harga atau waktu ke crossover. Seseorang mungkin memerlukan harga untuk memegang salib selama beberapa hari atau membutuhkan salib melebihi KAMA dengan persentase yang ditetapkan. Kedua, chartists dapat menggunakan arah KAMA untuk menentukan keseluruhan kecenderungan keamanan. Ini mungkin memerlukan penyesuaian parameter untuk memperlancar indikator lebih lanjut. Chartists dapat mengubah parameter tengah, yang merupakan konstanta EMA tercepat, untuk menghaluskan KAMA dan mencari perubahan arah. Tren turun selama KAMA jatuh dan menambat posisi terendah. Trennya naik selama KAMA naik dan menempa harga tertinggi. Contoh Kroger di bawah ini menunjukkan KAMA (10,5,30) dengan tren naik yang curam dari bulan Desember sampai Maret dan tren kenaikan yang kurang tajam dari bulan Mei sampai Agustus. Dan akhirnya, chartists bisa menggabungkan sinyal dan teknik. Chartists dapat menggunakan KAMA jangka panjang untuk menentukan tren yang lebih besar dan KAMA jangka pendek untuk sinyal perdagangan. Misalnya, KAMA (10,5,30) bisa dijadikan trend filter dan dianggap bullish saat naik. Setelah bullish, chartists kemudian bisa mencari bullish cross saat harga bergerak diatas KAMA (10.2,30). Contoh di bawah ini menunjukkan MMM dengan kenaikan KAMA jangka panjang dan persilangan bullish pada bulan Desember, Januari dan Februari. KAMA jangka panjang turun pada bulan April dan terjadi persilangan bearish pada bulan Mei, Juni dan Juli. SharpCharts KAMA dapat ditemukan sebagai indikator overlay di meja kerja SharpCharts. Pengaturan default akan secara otomatis muncul di kotak parameter setelah dipilih dan para chartis dapat mengubah parameter ini agar sesuai dengan kebutuhan analitis mereka. Parameter pertama adalah untuk Rasio Efisiensi dan chartists harus menahan diri untuk tidak meningkatkan jumlah ini. Sebagai gantinya, chartists dapat menurunkannya untuk meningkatkan sensitivitas. Chartis yang ingin memperlancar KAMA untuk analisis tren jangka panjang dapat meningkatkan parameter tengah secara bertahap. Meskipun perbedaannya hanya 3, KAMA (10,5,30) secara signifikan lebih mulus dari KAMA (10,2,30). Studi lebih lanjut Dari pencipta, buku di bawah ini menawarkan informasi terperinci mengenai indikator, program, algoritma, dan sistem, termasuk rincian tentang KAMA dan sistem rata-rata bergerak lainnya. Sistem dan Metode Trading Perry Kaufman
Comments
Post a Comment