Eksponentiell flytende gjennomsnitt - EMA BREAKING DOWN Eksponensiell flytende gjennomsnitt - EMA De 12 og 26-dagers EMAene er de mest populære kortsiktige gjennomsnittene, og de brukes til å skape indikatorer som den flytende gjennomsnittlige konvergensdivergensen (MACD) og prosentvis prisoscillator (PPO). Generelt brukes 50- og 200-dagers EMAer som signaler for langsiktige trender. Traders som ansetter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktige når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som vanligvis brukes i teknisk analyse, er av sin natur sakende indikatorer. Følgelig bør konklusjonene fra å bruke et glidende gjennomsnitt til et bestemt markedskart være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, etter hvert har en glidende gjennomsnittlig indikatorlinje endret seg for å reflektere et betydelig trekk i markedet, og det optimale punktet for markedsinngang har allerede gått. En EMA tjener til å lette dette dilemmaet til en viss grad. Fordi EMA-beregningen plasserer mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere. Dette er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Tolke EMA Som alle bevegelige gjennomsnittsindikatorer, er de mye bedre egnet for trending markeder. Når markedet er i en sterk og vedvarende opptrinn. EMA-indikatorlinjen vil også vise en uptrend og vice versa for en nedtrend. En årvåken handelsmann vil ikke bare være oppmerksom på retningen til EMA-linjen, men også forholdet mellom endringshastigheten fra en linje til den neste. For eksempel, da prisvirkningen av en sterk opptrend begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til den tid som indikatorlinjen flater og endringshastigheten er null. På grunn av den slanke effekten, ved dette punktet, eller til og med noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere en konsistent reduksjon i endringshastigheten til EMA, kunne seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet forårsaket av den bølgende effekten av bevegelige gjennomsnitt. Vanlige bruksområder til EMA-EMAer brukes ofte i forbindelse med andre indikatorer for å bekrefte betydelige markedsbevegelser og å måle deres gyldighet. For handelsmenn som handler intradag og rasktflyttende markeder, er EMA mer anvendelig. Ofte bruker handelsmenn EMAer for å bestemme en handelspartiskhet. For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, kan en intraday-traderstrategi kun være å handle kun fra den lange siden på en intradag-kart. Vektet gjennomsnitt: Grunnleggende I løpet av årene har teknikere funnet to problemer med det enkle glidende gjennomsnittet. Det første problemet ligger i tidsrammen for det bevegelige gjennomsnittet (MA). De fleste tekniske analytikere tror at prisaksjonen. Åpne eller avsluttende aksjekurs, er ikke nok til å avhenge av riktig forutsi kjøp eller salg av signaler fra MAs crossover-handlingen. For å løse dette problemet, tilordner analytikere nå mer vekt til de nyeste prisdataene ved å bruke det eksponensielt glattede glidende gjennomsnittet (EMA). (Lær mer om å utforske det eksponentielt veide flytende gjennomsnitt.) Et eksempel For eksempel, ved hjelp av en 10-dagers MA, ville en analytiker ta sluttprisen på den tiende dagen og multiplisere dette nummeret med 10, den niende dagen med ni, den åttende dag med åtte og så videre til den første av MA. Når summen er blitt bestemt, vil analytikeren da dele tallet ved tilsetning av multiplikatorene. Hvis du legger til multiplikatorene i 10-dagers MA-eksemplet, er tallet 55. Denne indikatoren er kjent som det lineært vektede glidende gjennomsnittet. (For beslektet lesing, sjekk ut enkle bevegelige gjennomsnitt, gjør trender stående ut.) Mange teknikere er fast troende på det eksponensielt glattede glidende gjennomsnittet (EMA). Denne indikatoren har blitt forklart på så mange forskjellige måter at det forveksler både studenter og investorer. Kanskje den beste forklaringen kommer fra John J. Murphys tekniske analyse av finansmarkedene, (publisert av New York Institute of Finance, 1999): Det eksponentielt glattede glidende gjennomsnittet adresserer begge problemene forbundet med det enkle glidende gjennomsnittet. For det første tilordner det eksponentielt glatte gjennomsnittet en større vekt til nyere data. Derfor er det et vektet glidende gjennomsnitt. Men mens den tilordner mindre betydning for tidligere prisdata, inkluderer den i beregningen alle dataene i instrumentets levetid. I tillegg er brukeren i stand til å justere vektingen for å gi større eller mindre vekt til den siste dagsprisen, som legges til en prosentandel av verdien for tidligere dager. Summen av begge prosentverdiene legger til 100. For eksempel kan den siste dagens pris tildeles en vekt på 10 (.10), som legges til den forrige dagens vekt på 90 (.90). Dette gir den siste dagen 10 av totalvekten. Dette ville være tilsvarer et 20-dagers gjennomsnitt, ved å gi den siste dagens pris en mindre verdi på 5 (.05). Figur 1: Eksponentielt glatt flyttende gjennomsnitt Ovennevnte diagram viser Nasdaq Composite Index fra den første uken i august 2000 til 1. juni 2001. Som du tydeligvis kan se, er EMA, som i dette tilfellet bruker sluttprisdataene over en 9-dagers periode, har bestemte salgssignaler den 8. september (merket med en svart nedpilt). Dette var dagen da indeksen brøt under 4000-nivået. Den andre svarte pilen viser et annet nedre ben som teknikerne faktisk forventer. Nasdaq kunne ikke generere nok volum og interesse fra detaljhandlerne til å bryte 3000 mark. Derefter dør du ned igjen til bunnen ut på 1619.58 på 4. april. Opptrenden av 12. april er markert med en pil. Her stengte indeksen på 1961,46, og teknikere begynte å se institusjonelle fondforvaltere begynner å hente opp gode kjøp som Cisco, Microsoft og noen av energirelaterte problemstillinger. (Les våre relaterte artikler: Flytte gjennomsnittlige konvolutter: Raffinere et populært handelsverktøy og flytte gjennomsnittlig tilbakeslag.) Et første bud på et konkursfirma039s eiendeler fra en interessert kjøper valgt av konkursfirmaet. Fra et basseng av tilbudsgivere. Artikkel 50 er en forhandlings - og oppgjørsklausul i EU-traktaten som skisserer trinnene som skal tas for ethvert land som. Beta er et mål for volatiliteten, eller systematisk risiko, av en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever at eksponentiell utjevning forklares. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med mye utjevning. uansett utjevning er. De begynner deretter å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det. Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som gir en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, bidrar det til å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes til å oppnå glatting. Hva er utjevning Utjevning er en svært vanlig statistisk prosess. Faktisk møter vi jevnlig jevne data i ulike former i vårt daglige liv. Når du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer. Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning. For eksempel har vi nettopp opplevd den varmeste vinteren på rekord. Hvordan kan vi kvantifisere dette Vel, vi begynner med datasett av de daglige høye og lave temperaturene for perioden vi kalder Vinter for hvert år i innspilt historie. Men det gir oss en mengde tall som hopper rundt ganske mye (det er ikke som hver dag i vinter var varmere enn tilsvarende dager fra alle tidligere år). Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles glatting, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsoversikt bruker vi utjevning for å fjerne tilfeldig variasjon (støy) fra vår historiske etterspørsel. Dette gjør at vi bedre kan identifisere etterspørselsmønstre (primært trend og sesongmessighet) og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel. Støyen i etterspørsel er det samme konseptet som den daglige hoppingen rundt temperaturdataene. Ikke overraskende, den vanligste måten folk fjerner støy fra etterspørselshistorien, er å bruke en enkel gjennomsnittlig, nærmere bestemt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går. Hvis jeg for eksempel bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg et gjennomsnitt av etterspørselen som skjedde i januar, februar, mars og april. 1. juni bruker jeg etterspørsel fra februar, mars, april og mai. Vektet glidende gjennomsnitt. Ved bruk av et gjennomsnitt bruker vi samme vekt (vekt) til hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av glidende gjennomsnitt. Når du bruker etterspørselshistorie for å projisere fremtidig etterspørsel (og spesielt fremtidig trend), er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen din. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få våre ønskede resultater. Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100. Derfor, hvis vi bestemmer oss for å søke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å dele over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 i de 4 månedene (15 20 30 35 100). Eksponensiell utjevning. Hvis vi går tilbake til konseptet med å legge vekt på den siste perioden (for eksempel 35 i det forrige eksempelet) og sprer gjenværende vekt (beregnet ved å trekke den siste tidsvekten på 35 fra 100 til 65), har vi de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning. Den kontrollerende inngangen til eksponensiell utjevningsberegning er kjent som utjevningsfaktoren (også kalt utjevningskonstanten). Den representerer i hovedsak vektingen som er brukt på de siste periodene etterspørselen. Så, hvor vi brukte 35 som vekten for den siste perioden i den vektede glidende gjennomsnittlige beregningen, kunne vi også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevningsberegning er at i stedet for at vi også må finne ut hvor mye vekt som skal gjelde for hver tidligere periode, blir utjevningsfaktoren brukt til å automatisk gjøre det. Så her kommer eksponentiell del. Hvis vi bruker 35 som utjevningsfaktor, vil vekten av de siste perioder etterspørselen bli 35. Vektingen av de neste siste perioder krever (perioden før den siste) vil være 65 av 35 (65 kommer fra å trekke 35 fra 100). Dette tilsvarer 22,75 vekting for den perioden hvis du gjør matematikken. De neste siste perioder etterspørselen vil være 65 av 65 av 35, som tilsvarer 14,79. Perioden før det vil bli vektet som 65 av 65 av 65 av 35, som tilsvarer 9,61, og så videre. Og dette går videre gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden (eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet på). Du tenker nok det som ser ut som en masse matte. Men skjønnheten i eksponensiell utjevningsberegning er at i stedet for å beregne for hver tidligere periode hver gang du får en ny periode etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere perioder. Er du forvirret ennå Dette vil gi mer mening når vi ser på den faktiske beregningen Vanligvis refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den endelige prognosen litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger: De siste periodene krever multiplikasjon med utjevningsfaktoren. PLUS De siste periodene prognosen multiplisert med (en minus utjevningsfaktoren). D siste perioder krever S utjevningsfaktoren representert i desimalform (så 35 ville bli representert som 0,35). F de siste periodene prognosen (utgangen av utjevningsberegningen fra forrige periode). ELLER (antar en utjevningsfaktor på 0,35) (D 0,35) (F 0,65) Det blir ikke mye enklere enn det. Som vi kan se, er alt vi trenger for datainnganger her de siste perioder etterspørselen og de siste periodene prognosen. Vi bruker utjevningsfaktoren (vekting) til de siste periodene, krever samme måte som vi ville i den veide gjennomsnittlige beregningen. Vi bruker deretter den gjenværende vekten (1 minus utjevningsfaktoren) til de siste periodene. Siden de siste prognoseperiodene ble opprettet basert på forrige perioder, var etterspørselen og de foregående periodene prognosen, som var basert på etterspørselen etter perioden før og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. Vel, du kan se hvordan alle tidligere perioder etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det var det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram. Og fordi du ikke trengte å tenke på hva vekting å gi tidligere perioder eller hvor mange tidligere perioder å bruke, som du ville i vektet glidende gjennomsnitt. Og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektverdige resultater, så hvorfor ikke gå med enklere og kjøligere lyd. Eksponensiell utjevning i Excel Leter du se hvordan dette faktisk ville se i et regneark med ekte data. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel-regneark med 11 ukers etterspørsel, og en eksponensielt jevn prognose beregnet ut fra den etterspørselen. Ive brukte en utjevningsfaktor på 25 (0,25 i celle C1). Den nåværende aktive cellen er Cell M4 som inneholder prognosen for uke 12. Du kan se i formellinjen, formelen er (L3C1) (L4 (1-C1)). Så de eneste direkte inngangene til denne beregningen er forutgående perioder etterspørsel (Cell L3), forrige perioder prognose (Cell L4) og utjevningsfaktoren (Cell C1, vist som absolutt cellereferanse C1). Når vi starter en eksponensiell utjevningsberegning, må vi manuelt plukke verdien for den første prognosen. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning (B3C1) (B4 (1-C1)). Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en hvilken som helst prognosecelle for å se at den er basert på de foregående periodene forutsatt celle og forrige perioder krever celle. Så arver hver etterfølgende eksponensiell utjevningsberegning utgangen av den forrige eksponensielle utjevningsberegningen. Det er hvordan hver tidligere perioder etterspørsel er representert i den siste perioderegningen, selv om denne beregningen ikke direkte refererer til tidligere perioder. Hvis du vil ha lyst, kan du bruke Excels spore presenter funksjon. For å gjøre dette, klikk på Cell M4, deretter på verktøylinjen for bånd (Excel 2007 eller 2010), klikk på Formler-fanen, og klikk deretter Sporprecedenter. Det trekker tilkoblingslinjer til det første nivået av precedenter, men hvis du fortsetter å klikke på Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg de arvede forhold. Nå kan vi se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram over vår etterspørsel og prognose. Du ser hvordan den eksponentielt glatte prognosen fjerner det meste av den ujevnheten (hoppingen rundt) fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognoselinjen har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge etter trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre (å gjøre en nedadgående trend), ser du etterspørselslinjen slipp, og trendlinjen beveger seg over den før du begynner å følge nedadgående trenden. Det er derfor jeg tidligere nevnte produksjonen fra eksponentiell utjevningsberegning som vi kaller en prognose, fortsatt trenger litt mer arbeid. Det er mye mer å prognose enn å bare utjevne støtene i etterspørselen. Vi må gjøre ytterligere tilpasninger for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen, etc. Men alt som er utenfor rammen av denne artikkelen. Du vil sannsynligvis også komme inn i begreper som dobbel eksponensiell utjevning og tredobbelt eksponensiell utjevning. Disse begrepene er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger (du kan hvis du vil, men det er ikke poenget her). Disse betingelsene representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Så med enkel eksponensiell utjevning, utjevner du grunnbehovet, men med dobbel eksponensiell utjevning utjevner du basen etterspørsel og trenden, og med tredoble eksponensiell utjevning utjevner du basen etterspørsel pluss trenden pluss sesongmessigheten. Det andre vanligste spørsmålet om eksponensiell utjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her, du må teste forskjellige utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som automatisk kan angi (og endre) utjevningsfaktoren. Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse av hva denne beregningen gjør. Du bør også kjøre om-scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker for testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier. Det bestemte dataeksemplet viser en noe konsistent oppadgående trend. Mange store selskaper med svært kostbar prognoseprogramvare fikk store problemer i den ikke så fjerne fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi, ikke reagerte bra da økonomien begynte å stagnere eller krympe. Ting som dette skjer når du ikke forstår hva dine beregninger (programvare) faktisk gjør. Hvis de forsto deres prognosesystem, ville de ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i sin virksomhet. Så det har du det grunnleggende om eksponensiell utjevning forklart. Ønsker du å vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Dave Piasecki. er eieroperatør av Inventory Operations Consulting LLC. et konsulentfirma som tilbyr tjenester knyttet til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsledelse og kan nås gjennom sin nettside (inventoryops), hvor han opprettholder tilleggsinformasjon. Min BusinessExponential Moving Average (EMA) Forklart Som vi sa i forrige leksjon, kan enkle bevegelige gjennomsnitt bli forvrengt av pigger. We8217ll starter med et eksempel. Let8217s sier at vi plotter en 5-årig SMA på det daglige diagrammet på EURUSD. Sluttprisene for de siste 5 dagene er som følger: Det enkle glidende gjennomsnittet beregnes som følger: (1.3172 1.3231 1.3164 1.3186 1.3293) 5 1.3209 Enkel nok, vel Vel, hva om det var en nyhetsrapport på dag 2 som forårsaker euroen å slippe over bordet. Dette får EURUSD til å stupe og lukke ved 1.3000. Let8217s se hvilken effekt dette ville ha på 5-tiden SMA. Det enkle glidende gjennomsnittet vil bli beregnet som følger: Resultatet av det enkle glidende gjennomsnittet ville være mye lavere, og det ville gi deg ideen om at prisen faktisk gikk ned, da i virkeligheten var dag 2 bare en engangsarrangement forårsaket av de dårlige resultatene av en økonomisk rapport. Poenget vi prøver å gjøre er at noen ganger det enkle glidende gjennomsnittet kan være for enkelt. Hvis det bare var en måte at du kunne filtrere ut disse pigger, slik at du ikke ville få feil ide. Hmm8230 Vent et øyeblikk8230 Ja, det er en måte It8217s kalt eksponentielle flytende gjennomsnittlige eksponentielle glidende gjennomsnitt (EMA) gir mer vekt til de siste periodene. I vårt eksempel ovenfor vil EMA legge mer vekt på prisene på de siste dagene, som ville være dag 3, 4 og 5. Dette ville bety at spissen på dag 2 ville være mindre verdi og wouldn8217t ha så stor en effekt på glidende gjennomsnitt som det ville hvis vi hadde beregnet for et enkelt glidende gjennomsnitt. Hvis du tenker på det, gir dette mye mening fordi det som gjør dette, legger det større vekt på hva handelsmenn gjør nylig. Eksponentiell Moving Average (EMA) og Simple Moving Average (SMA) Side ved side Let8217s ta en titt på 4-timers diagrammet for USDJPY for å markere hvordan et enkelt glidende gjennomsnitt (SMA) og eksponentielt glidende gjennomsnitt (EMA) vil se side om side på et diagram. Legg merke til hvordan den røde linjen (30 EMA) ser ut til å være nærmere pris enn den blå linjen (30 SMA). Dette betyr at det representerer mer nøyaktig ny prishandling. Du kan sikkert gjette hvorfor dette skjer. Det er fordi det eksponentielle glidende gjennomsnittet legger større vekt på hva som har skjedd i det siste. Når det handler om handel, er det langt viktigere å se hva handelsmenn gjør nå, hva de gjorde sist uke eller forrige måned. Lagre fremgangen din ved å logge inn og merke leksjonen fullstendig
No comments:
Post a Comment