Hana Gleitender Durchschnitt

Moving AverageampMoving Sum Diese beiden integrierten Funktionen berechnen einen gleitenden Durchschnitt oder eine Bewegungssumme über eine bestimmte Anzahl von Perioden. Die Formel für Moving Average ist: Durchschnittliche Summe der Originale über n Perioden Anzahl der zu mittelnden Perioden Die Formel für Moving Sum ist: Moving Sum Summe von Originals über n Perioden Die Beziehung zwischen der Moving Sum S und dem Moving Average A ist: Wobei die Länge die Länge des gleitenden Durchschnitts ist. Die Wahl, welche Originale in die Formel aufzunehmen sind, hängt vom Stil des Durchschnitts und der Methode des Umgangs mit Endbedingungen für fehlende Daten ab. Die Methoden R für das Replikat und L für die lineare Extrapolation schätzen die Werte für die fehlenden Perioden. Die Methoden P für prime, T für take, U für ungleich und W für Gewichtungen schätzen das Ergebnis direkt. Replizieren: Die erste und die letzte Originalperiode werden so oft wie nötig repliziert. Dies ist die einfachste Regel und wird als Standard verwendet, wenn Sie keine andere Methode angeben. Lineare Extrapolation: Die fehlenden n Perioden an der Vorderseite der ursprünglichen Serie werden durch Verlängern der Linie bereitgestellt, die die Zentren der ersten und zweiten Gruppe von n Perioden der ursprünglichen Reihe verbindet. Die fehlenden Perioden auf der Rückseite werden auf die gleiche Weise bereitgestellt, indem die Linie, die die letzten beiden Sätze von n Eingabeperioden nach rechts verbindet, erweitert wird. Prime: Erhalten Sie die nicht verfügbaren Durchschnittswerte aus einer anderen Variablen. Dies ist typischerweise eine Konstante (z. B. Null), da streng genommen die Daten nicht verfügbar sind, aber wenn Sie die fehlenden Daten kennen, können Sie sie hier in der Prime-Variablen eingeben. Nehmen Sie: Nehmen Sie einen Durchschnitt über so viele Perioden, wie es Daten verfügbar ist, aber nicht extrapolieren oder schätzen weitere. Zum Beispiel würde bei Verwendung eines 3-Perioden-letzten durchschnittlichen Stils (L3) mit der Methode T für die Endbedingungen ein Durchschnitt von (Jan1) in Jan, (JanFeb) 2 in Feb und (JanFebMar) 3 in Mar. Methode T nicht zugelassen werden Mit Stil W. Ungleich: Berechnet die getrennten Rechts - und Linkdurchschnitte unter Verwendung des größten verfügbaren Durchschnittswerts und berechnet dann die beiden Mittelwerte. Dies ist eine bessere Variante der T für Take-Methode für die zentrierten Stile C. Für Stile F und L-Methode U ist die gleiche wie Methode T. Die zentrale Periode wird zwischen den beiden Durchschnitten geteilt. Methode U ist nicht mit Stil W erlaubt. Gewichte: Diese Option gibt Ihnen die Flexibilität, angemessene Gewichte für die durchschnittlichen Werte zu liefern. Eine Menge von Gewichten wird für jeden fehlenden Mittelwert oder die Summe für die Stile L und F bereitgestellt. Für die zentrierten Stile C und W ist ein Satz von Gewichten für die Hälfte der Reihe vorgesehen, wobei die gleichen Gewichte verwendet werden, um die Vorder - und die Rückseite zu füllen Der geglätteten Serien. Von Eric Du Als technischer Berater für die Startups habe ich die Chance, mit den innovativen Start-ups aus allen Bereichen zu arbeiten. Ein besonderes Gebiet sehr beliebt in diesem Jahr ist IoT. Streaming Datenverarbeitung in Echtzeit ist, was viele Startups hatte mich gefragt, zu teilen, dass I8217d die neue Smart Data Streaming-Funktion in SPS09 von HANA mit gleichen Beispiel-Use-Cases einzuführen. Smart Data Streaming bietet die Möglichkeit, eingehende Ereignisströme in Echtzeit zu verarbeiten, sobald die Daten eintreffen, die gewünschten Daten in der SAP HANA-Datenbank erfassen, Daten überwachen, Warnungen und Benachrichtigungen generieren. Die Daten fließen in ein Streaming-Projekt, das auf dem Streaming-Cluster läuft, über Adapter, die die Verbindung zu Datenquellen bereitstellen. Ununterbrochene Abfragen, die in den strömenden Projekten enthalten sind, machen die rohe Eingabe in die gewünschte Ausgabe um. Die Daten werden dann über Ausgabeadapter, die mit den Streams oder Fenstern im Projekt verbunden sind, zu Zielquellen übertragen. Gehen Sie zur Landschaftsansicht der HANA Studio-Verwaltungskonsole, um die Dienste zu überprüfen und sicherzustellen, dass der Streaming-Server ausgeführt wird. Installieren Sie das HANA Streaming Plug-in in HANA Studio: Sie können das Installationsprogramm von Ihrem Instructor erhalten, gehen Sie dann zu Help-gtInstall New Software, klicken Sie auf Hinzufügen, und wählen Sie den Pfad, in dem Sie das Installationsprogramm, folgen Sie den Anweisungen auf dem Bildschirm. Nach der Installation starten Sie Ihr HANA Studio neu und jetzt sollten Sie zwei zusätzliche Prospects, SAP HANA Streaming Development und SAP HANA Streaming Run-Test sehen. Streaming Server und Data Services hinzufügen Umschalten auf die SAP HANA Streaming Run-Test-Perspektive, klicken Sie im Fenster Server View auf eine neue Server-URL hinzufügen, esps: ltYour HOSTgt: 30026 und melden Sie sich mit HANA-Benutzernamen und Passwort an SYSTEM-Benutzer. Sie können auch neue Arbeitsbereiche erstellen, in denen Sie Ihre Streamingprojekte später einfügen können, hier haben wir einen Arbeitsbereich sfp8221 erstellt. Gehen Sie nun zu SAP HANA Streaming Development, um die Datendienste hinzuzufügen, klicken Sie mit der rechten Maustaste auf den dämpfenden Server und klicken Sie auf ODBC-Dienst hinzufügen, wählen Sie den 64-Bit-Treiber aus, geben Sie den HANA-Benutzer und das Kennwort ein, aktivieren Sie den HANA-Referenzdienst und geben Sie den ODBC-DSN an. Wenn Sie das ODBC DSN nicht kennen, fragen Sie Ihren Instruktor, das ODBC DSN muss im Linux-Server Ihres HANA-Systems konfiguriert sein. Hier ist ein Beispiel für die ODBC-DSN-Konfiguration in Linux, wo eine. odbc. ini-Datei im Home-Verzeichnis des hdbadm-Benutzers im HANA-System vorhanden sein muss, standardmäßig bei usrsapHDBhome und unten die DSN-Definition in unserem Beispiel. Hanaservice DriverhanasharedHDBhdbclientlibodbcHDB. so ServerNode10.248.135.107: 30015 Jetzt speichern Sie den Datendienst und klicken Sie mit der rechten Maustaste, um den Server zu entdecken. Sie sehen die Schemas, Tabellen, Tabellenspalten aus dem HANA-System. Gehen Sie zu den Vorgaben, ändern Sie den Standard-Compile-Server (localhost) zu Ihrem Streaming-Server. Wählen Sie im folgenden Fenster die Schaltfläche Ändern, und wählen Sie im Eingabeaufforderungsbildschirm Ihren Server aus. Nun sind alle Voraussetzungen erfüllt und wir können damit beginnen, das Streaming-Projekt zu erstellen, um einen echten IoT-Use-Case zu simulieren. Das Streaming Use Case Szenario: Einfaches IoT-Szenario, in dem wir Sensordaten von Kälteanlagen sammeln und überwachen. Die Kühler sind mit Sensoren für Temperatur-, Leistungs - und Türöffnungsvorgänge ausgestattet. Die Datenstruktur der aus den Kühlschränken erzeugten Meldungen sieht folgendermaßen aus: Wir erstellen Streaming-Projekte, die davon ausgehen, dass die eingehenden Ereignisdaten wie die folgende Tabelle die Ereignisse in Bezug auf Tür, Temperatur und Leistung darstellen. Dies sind einige häufige Anwendungsfälle: 1. Filtern Sie die Daten, um alle Türereignisse zu erfassen, dh openclose Ereignisse in einer HANA-Tabelle, die die Aktivität für die Kühler darstellt (Objekte: Filterfensterobjekt, HANA Ausgabeobjekt) 2. Erstellen Sie einen gleitenden Durchschnitt von Die Temperatur für jeden Kühler und überwachen, dass die Temperatur jedes Kühler im gewünschten Bereich ist, wenn nicht ein Alert zu einem Ausgabefenster hinzugefügt wird (Objekte: Fensterobjekt verbinden, Mittelwertes Fensterobjekt, Abgeleitetes Fensterobjekt) Übung 1 8211 Aufnehmen der Türereignisse Beginnt von Der einfachste Anwendungsfall, um einige Ereignisse herauszufiltern und die bestimmten Arten von Ereignissen in HANA zu erfassen. In diesem Fall wollen wir nur die Türereignisse mit einem Filter auf StreamWindow und dem HANA Output Object im Smart Data Streaming. Erstellen Sie das Streaming-Projekt: Öffnen Sie die Perspektive von SAP HANA Streaming Development von HANA Studio, klicken Sie mit der rechten Maustaste in das Projekt-Explorer-Fenster, klicken Sie auf New-gtOthers, wählen Sie SAP HANA smart data Streaming-gtNew Streaming Project, geben Sie einen Projektnamen doorevent ein und klicken Sie auf Fertig stellen Erstellen Sie das Projekt. Benennen Sie den Standardstream zu MACHINEDATA um, fügen Sie die Spalten MACHINEID, EVENTTIME, EVENTNAME, EVENTDESCRIPTION und EVENTVALUE dem Stream hinzu, erstellen Sie den Filter, um sicherzustellen, dass EVENTNAME gleich DOOR ist. Erstellen Sie eine HANA-Ausgabe von Ausgabeadaptern, konfigurieren Sie die Adapter-Eigenschaften wie unten. Die Zieldatenbank-Tabelle hier ist sfp. iot. streaming. data::doorevents hier (die Tabelle muss erstellt worden sein). Verbinden Sie das Stream-Objekt mit dem Ausgang und speichern Sie das Projekt. Wählen Sie den Projektnamen, klicken Sie mit der rechten Maustaste auf das SAP-HANA-Smart-Daten-Streaming-gtCompile-Streaming-Projekt. Wenn keine Fehlermeldung angezeigt wird, wurde das Projekt kompiliert und betriebsbereit. In Ihrem Projekt befindet sich eine entsprechende. ccl-Datei, die der generierte Code des Projekts ist. CCL steht für Continuous Computation Language ist die primäre Ereignisbearbeitungssprache von SAP HANA Smart Data Streaming. CCL basiert auf Structured Query Language (SQL), angepasst für die Stream-Verarbeitung. Das zentrale Merkmal von CCL ist seine Fähigkeit, dynamische Daten kontinuierlich zu verarbeiten. Eine SQL-Abfrage wird typischerweise nur einmal ausgeführt, wenn sie an einen Datenbankserver gesendet wird, und muss jedes Mal erneut gesendet werden, wenn ein Benutzer oder eine Anwendung die Abfrage ausführen muss. Im Gegensatz dazu ist eine CCL-Abfrage kontinuierlich. Sobald es im Projekt definiert ist, wird es für die kontinuierliche Ausführung registriert und bleibt unbegrenzt aktiv. In den anderen Beispielen können wir mehr behandeln. Markieren Sie nun das Projekt, klicken Sie mit der rechten Maustaste auf SAP HANA smart data streaming-gtRun-gtRun Streaming-Projekt im Arbeitsbereich ltYour Workspacegt und es wird automatisch auf die SAP HANA Streaming Run-Test-Perspektive geschaltet und Sie können auch das laufende Projekt und das Eingabestream-Objekt MACHINEDATA sehen , Doppelklicken Sie darauf und zeigen Ihnen die Stream-Sicht des Objekts. In der realen Welt wird es die GeräteMachines eine Verbindung zum Streaming-Server über verschiedene Adapter für alle Arten von Quellsystemen. Hier simulieren wir es mit der manuellen Eingabe repräsentieren die eingehenden Ereignisse. Ich werde diese beiden Ereignisse senden, wie Sie sich vorstellen können, das erste Ereignis wird gefiltert und das zweite ist das Türereignis, und es wird von SAP HANA erfasst werden. Wie Sie hier sehen können, wurden zwei Nachrichten an den Streaming-Server gesendet, aber nur das Türereignis wird in der Stream-Ansicht und der HANA-Tabelle 8220sfp. iot. streaming. data::doorevents8221 angezeigt. Übung 2 8211 Monitor Moving Average of Temperature Wir erstellen einen gleitenden Durchschnitt der Temperatur für jeden Kühler und überwachen, dass die Temperatur der einzelnen Kühler im gewünschten Bereich liegt, wenn nicht ein Alert zu einem Ausgabefenster hinzugefügt wird. Wir verwenden das Fenster "Fenster", das Objekt "Durchschnittliches Fenster" und das Objekt "Abgeleitete Fenster" in diesem Projekt. Gehen Sie zur SAP HANA Streaming-Entwicklungsperspektive von HANA Studio, klicken Sie mit der rechten Maustaste in das Projekt-Explorer-Fenster, klicken Sie auf New-gtOthers, wählen Sie SAP HANA smart data Streaming-gtNew Streaming Project, geben Sie einen Projektnamen avgtemperature ein und klicken Sie auf Fertig stellen, um das Projekt und Sie zu erstellen Wird die. ccl sehen. Ccr und. cclnotation-Datei des Projekts. Benennen Sie wie das vorherige Projekt das Standard-Stream-Objekt in MACHINEDATA um, fügen Sie die gleichen Spalten mit den entsprechenden Typen hinzu. In der rechten Seite der Leinwand, gehen Sie zu Streams und Windows, wählen Sie die Referenz, die sich auf vorhandene Tabellen in HANA. Hier verwenden wir die Tabelle sfp. iot. streaming. data::machine, die die Detailinformationen jeder Kühleinheit speichert, z. B. Den Ort, den Namen, die Max - und Minimaltemperatur der einzelnen Einheiten. Verbinden Sie die Referenz mit dem MACHINEDATA-Stream-Objekt auf der Grundlage der Spalte MACHINEID. Das MACHINEDATA-Stream-Objekt repräsentiert die Echtzeit-Streaming-Daten und das MACHINEDETAISREFERENCE ist das Window-Objekt, das die statischen Daten der Maschinenspezifikationen repräsentiert. Dies ist in der realen Welt sehr häufig, dass Sie diese Arten von Daten in der Streaming-Verarbeitung verbinden müssen. Hier ist die Join-Eingabeaufforderung: Da wir die durchschnittliche Temperatur überwachen wollen, müssen wir dann das Aggregate-Objekt erstellen, die Durchschnittstemperatur für alle 1000 Datensätze mit der unten dargestellten Formel berechnen, die Gruppierung nach Bedingung festlegen und herausfiltern Diese Ereignisse stehen nicht im Zusammenhang mit den Temperaturen. Schließlich erstellen Sie ein abgeleitetes Fensterobjekt für den Alarm, wenn die gleitende Durchschnittstemperatur höher als die maximale Temperatur der Maschine ist, senden Sie den Alarm aus. So wird das gesamte Projekt wie unten aussehen, kompilieren Sie das Projekt und beheben Sie alle Fehler, die Sie in der Konsole sehen. Unten ist der CCL-Code des Projekts. Der Code selbst erklärt den Workflow und sollte leicht verständlich sein. EVENTTIME msdate, Eventname string, eventdescription String, EVENTVALUE string) CREATE BEZUGS MACHINEDETAILSREFERENCE SCHEMA (MachineID string, Maschinenart string, MACHINENAME - string, MaxTemp integer, MINTEMP integer, LOCATION string, TEMPUNIT string) PRIMARY KEY (MachineID) PROPERTIES Service 8216hana8217, Sourceschema 8216SFP8217, Quelle 8216sfp. iot. streaming. data :: machine8217 SIMPLEQUERYJOIN OUTPUT STREAM EVENTS AS SELECT MACHINEDATA. MACHINEID MachineID, MACHINEDATA. EVENTTIME EVENTTIME, MACHINEDATA. EVENTNAME Eventname, MACHINEDATA. EVENTDESCRIPTION eventdescription, MACHINEDATA. EVENTVALUE EVENTVALUE, MACHINEDETAILSREFERENCE. MACHINETYPE Maschinenart, MACHINEDETAILSREFERENCE CREATE. MACHINENAME - MACHINENAME-, MACHINEDETAILSREFERENCE. MAXTEMP MaxTemp, MACHINEDETAILSREFERENCE. MINTEMP MINTEMP, MACHINEDETAILSREFERENCE. LOCATION LOCATION, MACHINEDETAILSREFERENCE. TEMPUNIT TEMPUNIT VON MACHINEDATA INNER JOIN MACHINEDETAILSREFERENCE AUF MACHINEDATA. MACHINEID MACHINEDETAILSREFERENCE. MACHINEID SIMPLEQUERYAGGREGATE CREATE WINDOW OUTPUT AVGTEMP PRIMARY KEY deduzierten HALTEN alle 1000 ROWS AS SELECT EVENTS. MachineID MachineID, EVENTS. EVENTTIME EVENTTIME, EVENTS. EVENTNAME Eventname, EVENTS. EVENTDESCRIPTION eventdescription, avg (toInteger (EVENTS. EVENTVALUE)) AVGTEMP, EVENTS. MACHINETYPE Maschinenart, EVENTS. MACHINENAME MACHINENAME-, EVENTS. MAXTEMP MaxTemp, EVENTS. MINTEMP MINTEMP, EVENTS. location LAGE, EVENTS. TEMPUNIT TEMPUNIT VON EVENTS GROUP FILTER EVENTS. EVENTNAME 8216TEMP8217 GROUP BY EVENTS. MACHINEID CREATE Ausgabefenster ALARMTEMP PRIMARY KEY deduzierten AS SELECT AVGTEMP. MACHINEID MachineID, AVGTEMP. EVENTTIME EVENTTIME, AVGTEMP. LOCATION LOCATION, AVGTEMP. AVGTEMP AVGTEMP, AVGTEMP. MAXTEMP MaxTemp, 8216TEMP8217 ALARME, 8216Machine Aufrechterhaltung nicht temperature8217 ALARMDESC VON AVGTEMP WHERE AVGTEMP. AVGTEMP gt AVGTEMP. MAXTEMP nun das Projekt mit der rechten Klick SAP HANA Smart Daten auswählen Streaming-gtRun-gtRun Streaming-Projekt im Arbeitsbereich ltYour Workspacegt und es schaltet auf Die SAP HANA Streaming Run-Test Perspektive automatisch und Sie können auch das laufende Projekt und die Eingabe Streamfensterobjekte MACHINEDATA, doppelklicken Sie auf eine von ihnen, um die Daten zu überwachen. Auch hier verwenden wir die manuelle Eingabe, um die eingehenden Ereignisse zu simulieren und die Ereignisdaten sind wie die folgende Tabelle. Hier sehen Sie die Liste der StreamWindow-Objekte für das aktuelle Projekt. Von der Konsole aus können Sie sehen, dass vier Nachrichten an den Streaming-Server gesendet wurden. Für das EVENTS-Objekt, das der JOIN von MACHINEDATA und MACHINEDETAILSREFERENCE ist, können Sie den Namen, Standort und andere Informationen der Maschinen sehen, die in einer vorhandenen HANA-Tabelle gespeichert wurden. Im AVGTEMP-Fenster sehen Sie den gleitenden Mittelwert. Für das ALARMTEMP-Fenster können Sie die Warnung wie unten sehen. Dies stellt die Ausgabe der Streaming-Verarbeitung dar, in der realen Welt können Sie das Ergebnis davon an Ihr Monitoring-Dashboard übergeben, eine Warnung an den Techniker vor Ort senden, um das Problem oder andere notwendige Maßnahmen zu beheben. Monitoring mit SAP HANA Cockpit: Mit dem SAP HANA Cockpit können Sie die Knoten, Arbeitsbereiche, Adapter und Projekte im Streaming verwalten sowie Streaming Alerts und Speicherauslastung überwachen. Es gibt sieben Fliesen im Streaming-Katalog, die einer neuen oder bestehenden Cockpit-Gruppe hinzugefügt werden können. Sie müssen diese beiden Rollen zuordnen, um die Streaming-Kacheln im HANA Cockpit zu sehen. Wählen Sie das System aus, klicken Sie mit der rechten Maustaste und wählen Sie Configuration and MonitoringgtUm das SAP HANA Cockpit zu starten: (1 Stimmen, Durchschnitt: 4.00 von 5) Sie müssen ein registriertes Mitglied sein um diesen Beitrag zu bewerten. Was ist neu. Moving-Mittelwerte - Einfache und Exponential Moving Averages - Einfache und Exponential Einführung Die gleitenden Mittelwerte glatt die Preisdaten zu einem Trend folgend Indikator zu bilden. Sie prognostizieren nicht die Kursrichtung, sondern definieren die aktuelle Richtung mit einer Verzögerung. Moving Averages Lag, weil sie auf vergangenen Preisen basieren. Trotz dieser Verzögerung, gleitende Durchschnitte helfen, glatte Preis-Aktion und Filter aus dem Lärm. Sie bilden auch die Bausteine ​​für viele andere technische Indikatoren und Overlays, wie Bollinger Bands. MACD und dem McClellan-Oszillator. Die beiden beliebtesten Arten von gleitenden Durchschnitten sind die Simple Moving Average (SMA) und die Exponential Moving Average (EMA). Diese Bewegungsdurchschnitte können verwendet werden, um die Richtung des Trends zu identifizieren oder potentielle Unterstützungs - und Widerstandswerte zu definieren. Here039s ein Diagramm mit einem SMA und einem EMA auf ihm: Einfache gleitende durchschnittliche Berechnung Ein einfacher gleitender Durchschnitt wird gebildet, indem man den durchschnittlichen Preis eines Wertpapiers über einer bestimmten Anzahl von Perioden berechnet. Die meisten gleitenden Mittelwerte basieren auf den Schlusskursen. Ein 5-tägiger einfacher gleitender Durchschnitt ist die fünftägige Summe der Schlusskurse geteilt durch fünf. Wie der Name schon sagt, ist ein gleitender Durchschnitt ein Durchschnitt, der sich bewegt. Alte Daten werden gelöscht, wenn neue Daten verfügbar sind. Dies bewirkt, dass sich der Durchschnitt entlang der Zeitskala bewegt. Unten ist ein Beispiel für einen 5-tägigen gleitenden Durchschnitt, der sich über drei Tage entwickelt. Der erste Tag des gleitenden Durchschnitts deckt nur die letzten fünf Tage ab. Der zweite Tag des gleitenden Mittelwerts fällt den ersten Datenpunkt (11) und fügt den neuen Datenpunkt (16) hinzu. Der dritte Tag des gleitenden Durchschnitts setzt sich fort, indem der erste Datenpunkt (12) abfällt und der neue Datenpunkt (17) addiert wird. Im obigen Beispiel steigen die Preise allmählich von 11 auf 17 über insgesamt sieben Tage. Beachten Sie, dass der gleitende Durchschnitt auch von 13 auf 15 über einen dreitägigen Berechnungszeitraum steigt. Beachten Sie auch, dass jeder gleitende Durchschnittswert knapp unter dem letzten Kurs liegt. Zum Beispiel ist der gleitende Durchschnitt für Tag eins gleich 13 und der letzte Preis ist 15. Preise der vorherigen vier Tage waren niedriger und dies führt dazu, dass der gleitende Durchschnitt zu verzögern. Exponentielle gleitende Durchschnittsberechnung Exponentielle gleitende Mittelwerte reduzieren die Verzögerung, indem mehr Gewicht auf die jüngsten Preise angewendet wird. Die Gewichtung des jüngsten Preises hängt von der Anzahl der Perioden im gleitenden Durchschnitt ab. Es gibt drei Schritte, um einen exponentiellen gleitenden Durchschnitt zu berechnen. Berechnen Sie zunächst den einfachen gleitenden Durchschnitt. Ein exponentieller gleitender Durchschnitt (EMA) muss irgendwo anfangen, so dass ein einfacher gleitender Durchschnitt als die vorherige Periode039s EMA in der ersten Berechnung verwendet wird. Zweitens, berechnen Sie die Gewichtung Multiplikator. Drittens berechnen Sie den exponentiellen gleitenden Durchschnitt. Die folgende Formel ist für eine 10-tägige EMA. Ein 10-Perioden-exponentieller gleitender Durchschnitt wendet eine 18,18 Gewichtung auf den jüngsten Preis an. Eine 10-Perioden-EMA kann auch als 18.18 EMA bezeichnet werden. Eine 20-Periode EMA wendet eine 9,52 wiegt auf den jüngsten Preis (2 (201) .0952). Beachten Sie, dass die Gewichtung für den kürzeren Zeitraum mehr ist als die Gewichtung für den längeren Zeitraum. In der Tat, die Gewichtung sinkt um die Hälfte jedes Mal, wenn die gleitende durchschnittliche Periode verdoppelt. Wenn Sie uns einen bestimmten Prozentsatz für eine EMA zuweisen möchten, können Sie diese Formel verwenden, um sie in Zeiträume zu konvertieren, und geben Sie dann diesen Wert als den EMA039s-Parameter ein: Nachstehend ist ein Kalkulationstabellenbeispiel für einen 10-tägigen einfachen gleitenden Durchschnitt und ein 10- Tag exponentiellen gleitenden Durchschnitt für Intel. Einfache gleitende Durchschnitte sind geradlinig und erfordern wenig Erklärung. Der 10-Tage-Durchschnitt bewegt sich einfach, sobald neue Preise verfügbar sind und alte Preise fallen. Der exponentielle gleitende Durchschnitt beginnt mit dem einfachen gleitenden Mittelwert (22.22) bei der ersten Berechnung. Nach der ersten Berechnung übernimmt die Normalformel. Da ein EMA mit einem einfachen gleitenden Durchschnitt beginnt, wird sein wahrer Wert erst nach 20 oder späteren Perioden realisiert. Mit anderen Worten, der Wert auf der Excel-Tabelle kann sich aufgrund des kurzen Rückblicks von dem Diagrammwert unterscheiden. Diese Kalkulationstabelle geht nur zurück 30 Perioden, was bedeutet, dass der Einfluss der einfachen gleitenden Durchschnitt hatte 20 Perioden zu zerstreuen. StockCharts geht mindestens 250 Perioden (typischerweise viel weiter) für seine Berechnungen zurück, so dass die Effekte des einfachen gleitenden Durchschnitts in der ersten Berechnung vollständig abgebaut sind. Der Lagfaktor Je länger der gleitende Durchschnitt ist, desto stärker ist die Verzögerung. Ein 10-Tage-exponentieller gleitender Durchschnitt wird die Preise sehr eng umringen und sich kurz nach dem Kursumschlag wenden. Kurze gleitende Durchschnitte sind wie Schnellboote - flink und schnell zu ändern. Im Gegensatz dazu enthält ein 100-Tage gleitender Durchschnitt viele vergangene Daten, die ihn verlangsamen. Längere gleitende Durchschnitte sind wie Ozeantanker - lethargisch und langsam zu ändern. Es dauert eine größere und längere Kursbewegung für einen 100-Tage gleitenden Durchschnitt, um Kurs zu ändern. Die Grafik oben zeigt die SampP 500 ETF mit einer 10-tägigen EMA eng ansprechender Preise und einem 100-tägigen SMA-Schleifen höher. Selbst mit dem Januar-Februar-Rückgang hielt die 100-tägige SMA den Kurs und kehrte nicht zurück. Die 50-Tage-SMA passt irgendwo zwischen den 10 und 100 Tage gleitenden Durchschnitten, wenn es um den Verzögerungsfaktor kommt. Simple vs Exponential Moving Averages Obwohl es klare Unterschiede zwischen einfachen gleitenden Durchschnitten und exponentiellen gleitenden Durchschnitten, ist eine nicht unbedingt besser als die anderen. Exponentielle gleitende Mittelwerte haben weniger Verzögerungen und sind daher empfindlicher gegenüber den jüngsten Preisen - und den jüngsten Preisveränderungen. Exponentielle gleitende Mittelwerte drehen sich vor einfachen gleitenden Durchschnitten. Einfache gleitende Durchschnitte stellen dagegen einen wahren Durchschnittspreis für den gesamten Zeitraum dar. Als solches können einfache gleitende Mittel besser geeignet sein, um Unterstützungs - oder Widerstandsniveaus zu identifizieren. Die gleitende Durchschnittspräferenz hängt von den Zielen, dem analytischen Stil und dem Zeithorizont ab. Chartisten sollten mit beiden Arten von gleitenden Durchschnitten sowie verschiedene Zeitrahmen zu experimentieren, um die beste Passform zu finden. Die nachstehende Grafik zeigt IBM mit der 50-Tage-SMA in Rot und der 50-Tage-EMA in Grün. Beide gipfelten Ende Januar, aber der Rückgang in der EMA war schärfer als der Rückgang der SMA. Die EMA erschien Mitte Februar, aber die SMA setzte weiter unten bis Ende März. Beachten Sie, dass die SMA über einen Monat nach der EMA. Längen und Zeitrahmen Die Länge des gleitenden Mittelwerts hängt von den analytischen Zielen ab. Kurze gleitende Durchschnitte (5-20 Perioden) eignen sich am besten für kurzfristige Trends und den Handel. Chartisten, die sich für mittelfristige Trends interessieren, würden sich für längere bewegte Durchschnitte entscheiden, die 20-60 Perioden verlängern könnten. Langfristige Anleger bevorzugen gleitende Durchschnitte mit 100 oder mehr Perioden. Einige gleitende durchschnittliche Längen sind beliebter als andere. Die 200-Tage gleitenden Durchschnitt ist vielleicht die beliebteste. Wegen seiner Länge ist dies eindeutig ein langfristiger gleitender Durchschnitt. Als nächstes ist der 50-Tage gleitende Durchschnitt für den mittelfristigen Trend ziemlich populär. Viele Chartisten nutzen die 50-Tage-und 200-Tage gleitenden Durchschnitte zusammen. Kurzfristig war ein 10 Tage gleitender Durchschnitt in der Vergangenheit ziemlich populär, weil er leicht zu berechnen war. Man hat einfach die Zahlen addiert und den Dezimalpunkt verschoben. Trendidentifikation Die gleichen Signale können mit einfachen oder exponentiellen gleitenden Mittelwerten erzeugt werden. Wie oben erwähnt, hängt die Präferenz von jedem Individuum ab. Die folgenden Beispiele werden sowohl einfache als auch exponentielle gleitende Mittelwerte verwenden. Der Begriff gleitender Durchschnitt gilt für einfache und exponentielle gleitende Mittelwerte. Die Richtung des gleitenden Durchschnitts vermittelt wichtige Informationen über die Preise. Ein steigender Durchschnitt zeigt, dass die Preise im Allgemeinen steigen. Ein sinkender Durchschnittswert zeigt an, dass die Preise im Durchschnitt sinken. Ein steigender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Aufwärtstrend wider. Ein sinkender langfristiger gleitender Durchschnitt spiegelt einen langfristigen Abwärtstrend wider. Das Diagramm oben zeigt 3M (MMM) mit einem 150-Tage-exponentiellen gleitenden Durchschnitt. Dieses Beispiel zeigt, wie gut bewegte Durchschnitte arbeiten, wenn der Trend stark ist. Die 150-Tage-EMA sank im November 2007 und wieder im Januar 2008. Beachten Sie, dass es einen Rückgang von 15 nahm, um die Richtung dieses gleitenden Durchschnitts umzukehren. Diese Nachlaufindikatoren identifizieren Trendumkehrungen, wie sie auftreten (am besten) oder nach deren Eintritt (schlimmstenfalls). MMM setzte unten in März 2009 und dann stieg 40-50. Beachten Sie, dass die 150-Tage-EMA nicht auftauchte, bis nach diesem Anstieg. Sobald es aber tat, setzte MMM die folgenden 12 Monate höher fort. Moving-Durchschnitte arbeiten brillant in starken Trends. Doppelte Frequenzweichen Zwei gleitende Mittelwerte können zusammen verwendet werden, um Frequenzweiche zu erzeugen. In der technischen Analyse der Finanzmärkte. John Murphy nennt dies die doppelte Crossover-Methode. Doppelte Crossover beinhalten einen relativ kurzen gleitenden Durchschnitt und einen relativ langen gleitenden Durchschnitt. Wie bei allen gleitenden Durchschnitten definiert die allgemeine Länge des gleitenden Durchschnitts den Zeitrahmen für das System. Ein System, das eine 5-Tage-EMA und eine 35-Tage-EMA verwendet, wäre kurzfristig. Ein System, das eine 50-tägige SMA - und 200-Tage-SMA verwendet, wäre mittelfristig, vielleicht sogar langfristig. Eine bullische Überkreuzung tritt auf, wenn der kürzere gleitende Durchschnitt über dem längeren gleitenden Durchschnitt kreuzt. Dies wird auch als goldenes Kreuz bezeichnet. Eine bärische Überkreuzung tritt ein, wenn der kürzere gleitende Durchschnitt unter dem längeren gleitenden Durchschnitt liegt. Dies wird als ein totes Kreuz bekannt. Gleitende Mittelübergänge erzeugen relativ späte Signale. Schließlich setzt das System zwei hintere Indikatoren ein. Je länger die gleitenden Durchschnittsperioden, desto größer die Verzögerung in den Signalen. Diese Signale funktionieren gut, wenn eine gute Tendenz gilt. Allerdings wird ein gleitender Durchschnitt Crossover-System produzieren viele whipsaws in Abwesenheit einer starken Tendenz. Es gibt auch eine Dreifach-Crossover-Methode, die drei gleitende Durchschnitte beinhaltet. Wieder wird ein Signal erzeugt, wenn der kürzeste gleitende Durchschnitt die beiden längeren Mittelwerte durchläuft. Ein einfaches Triple-Crossover-System könnte 5-Tage-, 10-Tage - und 20-Tage-Bewegungsdurchschnitte beinhalten. Das Diagramm oben zeigt Home Depot (HD) mit einer 10-tägigen EMA (grüne gepunktete Linie) und 50-Tage EMA (rote Linie). Die schwarze Linie ist die tägliche Schließung. Mit einem gleitenden Durchschnitt Crossover hätte dazu geführt, dass drei Peitschen vor dem Fang eines guten Handels. Die 10-tägige EMA brach unterhalb der 50-Tage-EMA Ende Oktober (1), aber dies dauerte nicht lange, wie die 10-Tage zog zurück oben Mitte November (2). Dieses Kreuz dauerte länger, aber die nächste bärige Crossover im Januar (3) ereignete sich gegen Ende November Preisniveaus, was zu einer weiteren Peitsche führte. Dieses bärische Kreuz dauerte nicht lange, als die 10-Tage-EMA über die 50-Tage ein paar Tage später zurückging (4). Nach drei schlechten Signalen, schien das vierte Signal eine starke Bewegung als die Aktie vorrückte über 20. Es gibt zwei Takeaways hier. Erstens, Crossovers sind anfällig für whipsaw. Ein Preis oder Zeitfilter kann angewendet werden, um zu helfen, whipsaws zu verhindern. Händler könnten verlangen, dass die Crossover 3 Tage dauern, bevor sie handeln oder verlangen, dass die 10-Tage-EMA über die 50-Tage-EMA zu bewegen, um einen bestimmten Betrag vor handeln. Zweitens kann MACD verwendet werden, um diese Frequenzweichen zu identifizieren und zu quantifizieren. MACD (10,50,1) zeigt eine Linie, die die Differenz zwischen den beiden exponentiellen gleitenden Mittelwerten darstellt. MACD wird positiv während eines goldenen Kreuzes und negativ während eines toten Kreuzes. Der Prozentsatz-Oszillator (PPO) kann auf die gleiche Weise verwendet werden, um Prozentunterschiede anzuzeigen. Beachten Sie, dass MACD und das PPO auf exponentiellen gleitenden Durchschnitten basieren und nicht mit einfachen gleitenden Durchschnitten zusammenpassen. Diese Grafik zeigt Oracle (ORCL) mit dem 50-Tage EMA, 200-Tage EMA und MACD (50.200,1). Es gab vier gleitende durchschnittliche Frequenzweichen über einen Zeitraum von 12 Jahren. Die ersten drei führten zu Peitschen oder schlechten Trades. Eine anhaltende Tendenz begann mit dem vierten Crossover als ORCL bis Mitte der 20er Jahre. Erneut bewegen sich die durchschnittlichen Crossover-Effekte groß, wenn der Trend stark ist, erzeugen aber Verluste in Abwesenheit eines Trends. Preis-Crossover Moving-Durchschnitte können auch verwendet werden, um Signale mit einfachen Preis-Crossover zu generieren. Ein bullisches Signal wird erzeugt, wenn die Preise über dem gleitenden Durchschnitt liegen. Ein bäres Signal wird erzeugt, wenn die Preise unter dem gleitenden Durchschnitt liegen. Preis-Crossover können kombiniert werden, um innerhalb der größeren Trend Handel. Der längere gleitende Durchschnitt setzt den Ton für den größeren Trend und der kürzere gleitende Durchschnitt wird verwendet, um die Signale zu erzeugen. Man würde bullish Preiskreuze nur dann suchen, wenn die Preise schon über dem längeren gleitenden Durchschnitt liegen. Dies würde den Handel im Einklang mit dem größeren Trend. Wenn zum Beispiel der Kurs über dem gleitenden 200-Tage-Durchschnitt liegt, würden sich die Chartisten nur auf Signale konzentrieren, wenn der Kurs über dem 50-Tage-Gleitender Durchschnitt liegt. Offensichtlich würde ein Schritt unterhalb der 50-Tage gleitenden Durchschnitt ein solches Signal vorausgehen, aber solche bearish Kreuze würden ignoriert, weil der größere Trend ist. Ein bearish Kreuz würde einfach vorschlagen, ein Pullback in einem größeren Aufwärtstrend. Ein Cross-Back über dem 50-Tage-Gleitender Durchschnitt würde einen Preisanstieg und eine Fortsetzung des größeren Aufwärtstrends signalisieren. Die nächste Tabelle zeigt Emerson Electric (EMR) mit dem 50-Tage EMA und 200-Tage EMA. Die Aktie bewegte sich über und hielt über dem 200-Tage gleitenden Durchschnitt im August. Es gab Dips unterhalb der 50-Tage-EMA Anfang November und wieder Anfang Februar. Die Preise schnell zurück über die 50-Tage-EMA zu bullish Signale (grüne Pfeile) in Harmonie mit dem größeren Aufwärtstrend. Im Indikatorfenster wird MACD (1,50,1) angezeigt, um Preiskreuze über oder unter dem 50-Tage-EMA zu bestätigen. Die 1-tägige EMA entspricht dem Schlusskurs. MACD (1,50,1) ist positiv, wenn das Schließen oberhalb der 50-Tage-EMA und negativ ist, wenn das Schließen unterhalb der 50-Tage-EMA liegt. Unterstützung und Widerstand Der Gleitende Durchschnitt kann auch als Unterstützung in einem Aufwärtstrend und Widerstand in einem Abwärtstrend dienen. Ein kurzfristiger Aufwärtstrend könnte Unterstützung nahe dem 20-tägigen einfachen gleitenden Durchschnitt finden, der auch in Bollinger-Bändern verwendet wird. Ein langfristiger Aufwärtstrend könnte Unterstützung nahe dem 200-tägigen einfachen gleitenden Durchschnitt finden, der der populärste langfristige bewegliche Durchschnitt ist. Wenn Tatsache, die 200-Tage gleitenden Durchschnitt bieten kann Unterstützung oder Widerstand, nur weil es so weit verbreitet ist. Es ist fast wie eine sich selbst erfüllende Prophezeiung. Die Grafik oben zeigt die NY Composite mit dem 200-Tage einfachen gleitenden Durchschnitt von Mitte 2004 bis Ende 2008. Die 200-Tage-Support zur Verfügung gestellt, mehrmals während des Vorhabens. Sobald der Trend mit einem Doppel-Top-Support-Pause umgekehrt, der 200-Tage gleitenden Durchschnitt als Widerstand um 9500 gehandelt. Erwarten Sie nicht genaue Unterstützung und Widerstand Ebenen von gleitenden Durchschnitten, vor allem längeren gleitenden Durchschnitten. Märkte werden durch Emotionen gefahren, wodurch sie anfällig für Überschreitungen sind. Statt genauer Ebenen können gleitende Mittelwerte verwendet werden, um Unterstützungs - oder Widerstandszonen zu identifizieren. Schlussfolgerungen Die Vorteile der Verwendung von bewegten Durchschnitten müssen gegen die Nachteile gewogen werden. Moving-Durchschnitte sind Trend nach, oder nacheilende, Indikatoren, die immer einen Schritt hinter sich. Dies ist nicht unbedingt eine schlechte Sache. Immerhin ist der Trend ist dein Freund und es ist am besten, in die Richtung des Trends Handel. Die gleitenden Durchschnitte gewährleisten, dass ein Händler dem aktuellen Trend entspricht. Auch wenn der Trend ist dein Freund, verbringen die Wertpapiere viel Zeit in Handelsspannen, die gleitende Durchschnitte ineffektiv machen. Einmal in einem Trend, bewegte Durchschnitte halten Sie in, sondern geben auch späte Signale. Don039t erwarten, an der Spitze zu verkaufen und an der Unterseite mit bewegten Durchschnitten kaufen. Wie bei den meisten technischen Analysetools sollten die gleitenden Mittelwerte nicht allein verwendet werden, sondern in Verbindung mit anderen komplementären Tools. Chartisten können gleitende Durchschnitte verwenden, um den Gesamttrend zu definieren und dann RSI zu verwenden, um überkaufte oder überverkaufte Niveaus zu definieren. Hinzufügen von Bewegungsdurchschnitten zu StockCharts Diagrammen Gleitende Durchschnitte sind als Preisüberlagerungsfunktion auf der SharpCharts-Workbench verfügbar. Mit dem Dropdown-Menü Overlays können Benutzer entweder einen einfachen gleitenden Durchschnitt oder einen exponentiellen gleitenden Durchschnitt auswählen. Der erste Parameter wird verwendet, um die Anzahl der Zeitperioden einzustellen. Ein optionaler Parameter kann hinzugefügt werden, um festzulegen, welches Preisfeld in den Berechnungen verwendet werden soll - O für die Open, H für High, L für Low und C für Close. Ein Komma wird verwendet, um Parameter zu trennen. Ein weiterer optionaler Parameter kann hinzugefügt werden, um die gleitenden Mittelwerte nach links (vorbei) oder nach rechts (zukünftig) zu verschieben. Eine negative Zahl (-10) würde den gleitenden Durchschnitt auf die linken 10 Perioden verschieben. Eine positive Zahl (10) würde den gleitenden Durchschnitt auf die rechten 10 Perioden verschieben. Mehrere gleitende Durchschnitte können dem Preisplot überlagert werden, indem einfach eine weitere Überlagerungslinie zur Werkbank hinzugefügt wird. StockCharts-Mitglieder können die Farben und den Stil ändern, um zwischen mehreren gleitenden Durchschnitten zu unterscheiden. Nachdem Sie eine Anzeige ausgewählt haben, öffnen Sie die erweiterten Optionen, indem Sie auf das kleine grüne Dreieck klicken. Erweiterte Optionen können auch verwendet werden, um eine gleitende mittlere Überlagerung zu anderen technischen Indikatoren wie RSI, CCI und Volumen hinzuzufügen. Klicken Sie hier für ein Live-Diagramm mit mehreren verschiedenen gleitenden Durchschnitten. Verwenden von Moving Averages mit StockCharts-Scans Hier finden Sie einige Beispielscans, die die StockCharts-Mitglieder verwenden können, um verschiedene gleitende Durchschnittssituationen zu scannen: Bullish Moving Average Cross: Diese Scans suchen nach Aktien mit einem steigenden 150-Tage-Durchschnitt und einem bullish Kreuz der 5 Tag EMA und 35-Tage EMA. Der 150-Tage gleitende Durchschnitt steigt, solange er über seinem Niveau vor fünf Tagen handelt. Ein bullish Kreuz tritt auf, wenn die 5-Tage-EMA bewegt sich über dem 35-Tage-EMA auf überdurchschnittlichen Volumen. Bearish Moving Average Cross: Diese Scans sucht nach Aktien mit einem fallenden 150-Tage einfachen gleitenden Durchschnitt und einem bärischen Kreuz der 5-Tage EMA und 35-Tage EMA. Der 150-Tage gleitende Durchschnitt fällt, solange er unter seinem Niveau vor fünf Tagen handelt. Ein bäriges Kreuz tritt auf, wenn die 5-Tage-EMA unterhalb der 35-Tage-EMA auf überdurchschnittlichem Volumen bewegt. Weitere Studie John Murphy039s Buch hat ein Kapitel gewidmet gleitende Durchschnitte und ihre verschiedenen Verwendungen. Murphy deckt die Vor-und Nachteile der gleitenden Durchschnitte. Darüber hinaus zeigt Murphy, wie bewegte Durchschnitte mit Bollinger Bands und kanalbasierten Handelssystemen funktionieren. Technische Analyse der Finanzmärkte John Murphy