ง่าย เฉลี่ยเคลื่อนที่ อคติ

วิธีการใช้ค่าเฉลี่ยเคลื่อนที่เฉลี่ยเฉลี่ยก่อนกำหนดแนวโน้มและอันดับที่สองเพื่อให้ทราบถึงการเปลี่ยนแปลงในเทรนด์นั่นคือไม่มีสิ่งอื่นใดที่เป็นประโยชน์ต่อสิ่งอื่นใดเพียงแค่เสียเวลาเท่านั้น การเข้าสู่รายละเอียดเกี่ยวกับวิธีการที่พวกเขาถูกสร้างขึ้นมีเกี่ยวกับเว็บไซต์ zillion ที่จะอธิบายการแต่งหน้าทางคณิตศาสตร์ของพวกเขาฉันจะให้คุณทำอย่างนั้นในวันหนึ่งของคุณเองเมื่อคุณเบื่อมากออกจากใจของคุณ แต่ทั้งหมดที่คุณ จริงๆต้องรู้ว่าเป็นเส้นเฉลี่ยเคลื่อนที่เป็นเพียงราคาเฉลี่ยของหุ้นเมื่อเวลาผ่านไปนั่นคือสองค่าเฉลี่ยเคลื่อนที่ฉันใช้สองค่าเฉลี่ยเคลื่อนที่เฉลี่ย 10 เคลื่อนไหวระยะเวลา SMA เฉลี่ยและค่าเฉลี่ยระยะเวลา 30 ค่าเฉลี่ยเคลื่อนที่ EMA I ชอบที่จะใช้ช้าลงและหนึ่งได้เร็วขึ้นทำไมเพราะเมื่อเร็วขึ้นอย่างใดอย่างหนึ่ง 10 ข้ามไปช้ากว่าหนึ่ง 30 ก็มักจะส่งสัญญาณการเปลี่ยนแปลงแนวโน้ม Let s ดูตัวอย่างคุณสามารถดูในแผนภูมิข้างต้นวิธีการเหล่านี้สามารถช่วย คุณกำหนดแนวโน้มที่ด้านซ้ายของแผนภูมิ 10 SMA อยู่เหนือเส้น 30 EMA และมีแนวโน้มไต่ระดับขึ้น 10 SMA ข้ามต่ำลงมาที่ 30 EMA ในช่วงกลางเดือนสิงหาคมและแนวโน้มลดลงแล้ว SMA 10 ตัวกลับตัวกลับขึ้นมาที่ 30 EMA ในเดือนกันยายนและมีแนวโน้มเพิ่มขึ้นอีกครั้ง - และอยู่ต่อเป็นเวลาหลายเดือนหลังจากนั้นกฎต่อไปนี้คือการโฟกัสตำแหน่งที่ยาวเมื่อ SMA 10 อยู่เหนือ EMA 30 EE ในตำแหน่งสั้น ๆ เมื่อ SMA 10 อยู่ด้านล่าง 30 EMA มันไม่ได้ง่ายกว่านั้น และจะทำให้คุณอยู่ทางด้านขวาของแนวโน้มโปรดทราบว่าค่าเฉลี่ยเคลื่อนที่จะทำงานได้ดีเมื่อหุ้นมีแนวโน้มสูงไม่ใช่เมื่ออยู่ในช่วงการซื้อขายเมื่อหุ้นหรือตลาดกลายเป็นเลอะเทอะคุณสามารถละเลยค่าเฉลี่ยเคลื่อนที่ได้ - พวกเขาได้รับรางวัลงาน t. Here เป็นสิ่งสำคัญที่ต้องจำไว้สำหรับตำแหน่งยาว - ย้อนกลับสำหรับตำแหน่งสั้น ๆ SMA 10 ต้องอยู่เหนือ 30 EMA. There ต้องมีช่องว่างระหว่างค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเคลื่อนที่ทั้งสองต้องลาด สูงกว่า 200 ค่าเฉลี่ยเคลื่อนที่เฉลี่ย 200 SMA ใช้ เพื่อแยกอาณาเขตของวัวจากดินแดนหมีการศึกษาแสดงให้เห็นว่าโดยการมุ่งเน้นไปที่ตำแหน่งที่ยาวเหนือเส้นนี้และตำแหน่งสั้น ๆ ด้านล่างบรรทัดนี้สามารถทำให้คุณมีขอบเล็กน้อยคุณควรเพิ่มค่าเฉลี่ยเคลื่อนที่นี้ลงในแผนภูมิทั้งหมดในแผนภูมิเวลาทั้งหมด , แผนภูมิรายวันและภายในวัน 15 นาที, แผนภูมิ 60 นาที 200 SMA เป็นค่าเฉลี่ยเคลื่อนที่ที่สำคัญที่สุดที่จะมีอยู่ในแผนภูมิหุ้นคุณจะประหลาดใจที่จำนวนครั้งที่หุ้นจะกลับรายการในพื้นที่นี้ นอกจากนี้เมื่อเขียนการสแกนหุ้นคุณสามารถใช้ตัวเลือกนี้เป็นตัวกรองเพิ่มเติมเพื่อหาการตั้งค่าแบบยาวที่อาจเกิดขึ้นซึ่งอยู่เหนือบรรทัดนี้และอาจมีการตั้งค่าสั้น ๆ ที่อยู่ต่ำกว่าบรรทัดนี้สนับสนุนและความต้านทานต่อความเชื่อที่ได้รับความนิยมหุ้นไม่ หาการสนับสนุนหรือวิ่งเข้าสู่ความต้านทานต่อค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยหลายครั้งคุณจะได้ยินคำพูดของผู้ค้าว่า Hey ดูหุ้นนี้เด้งออกจากค่าเฉลี่ยเคลื่อนที่ 50 วันทำไมหุ้นจะพุ่งขึ้นจากเส้นที่ผู้ค้าบางรายใส่สต็อก แผนภูมิมัน หุ้นจะเด้งขึ้นถ้าคุณต้องการเรียกมันว่าออกจากระดับราคาที่สำคัญที่เกิดขึ้นในอดีตไม่ใช่บรรทัดบนแผนภูมิหุ้นจะกลับขึ้นหรือลงในระดับราคาที่ใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่เป็นที่นิยม แต่สมมติว่าคุณกำลังมองไปที่แผนภูมิและคุณเห็นสต็อคที่ดึงกลับมาให้สมมติว่าค่าเฉลี่ยของช่วงเวลาในช่วงระยะเวลา 200 ดูที่ระดับราคาในแผนภูมิที่พิสูจน์แล้วว่ามีนัยสำคัญ สนับสนุนหรือความต้านทานพื้นที่ในอดีตที่ผ่านมาเป็นพื้นที่ที่หุ้นจะมีแนวโน้มที่จะย้อนกลับการเปลี่ยนแปลงค่าเฉลี่ยและแบบจำลองการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่ารุ่นหมายถึงรูปแบบการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบและแนวโน้ม nonseasonal สามารถ การอนุมานโดยใช้แบบจำลองการเคลื่อนที่โดยเฉลี่ยหรือการปรับให้เรียบข้อสมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและการปรับให้ราบเรียบคือชุดเวลาเป็นแบบคงที่เฉพาะที่มีค่าเฉลี่ยที่แตกต่างกันอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินกระแส ค่าของค่าเฉลี่ยแล้วใช้เป็นที่คาดการณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการลอยตัวกลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักเรียกว่าเป็นแบบเรียบของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิมโดยการปรับระดับของความเรียบความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถหวังว่าจะตีชนิดบาง ความสมดุลระหว่างสมรรถนะของโมเดลเฉลี่ยและแบบสุ่มเดินแบบที่ง่ายที่สุดคือเฉลี่ยเคลื่อนที่อย่างเท่าเทียมกันการคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่าย ของข้อสังเกต m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนวันที่เป็นไปได้เร็วที่สุดโดยแบบจำลองที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันไปอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าว ฯลฯ ภายในตัวอย่างข้อมูลที่เป็นข้อมูลย้อนหลังจากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยเพิ่มขึ้นเป็น 10. บอกได้เลยว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้ราบเรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในช่วงระยะเวลา 3 และค่าเฉลี่ย 9 วันและ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รูปแบบที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่าย Exponential 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 ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูก interpolation ให้มากที่สุด 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 คาดการณ์ค่อนข้างดีกว่าการย้ายง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่าแบบ SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของกำลังเฉลี่ยเฉลี่ยค่าที่เหมาะสมที่สุดในโมเดล 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 จึงเป็นพื้นฐานสำหรับการคำนวณช่วงความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่เรียกอีกอย่างว่ารูปแบบ 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 การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน 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 ให้ผลตอบแทนนี้ e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่การคาดการณ์ถูกสร้างโดยใช้สมการข้างต้นนี้จะทำให้ได้ค่าพอดีกัน 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 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประมาณแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเรากำหนด 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือ 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 การเรียบง่ายแบบเอ็กซ์โปเนนนิดที่มี alpha 0 3. E การเรียบง่ายที่ชี้แจงด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปพิจารณาเรื่องอื่น 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 มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นสินค้าล้าสมัยการแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดการณ์เกี่ยวกับแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับตัวของแบบจำลองการเยื้องแบบเชิงเส้นแบบเชิงเส้นมักใช้ในการแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปเป็นร่างโดยการพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังซอฟต์แวร์ทั้งหมดไม่คำนวณช่วงความเชื่อมั่นสำหรับโมเดลเหล่านี้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกไปได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปใน ARIMA รุ่นส่วนของบันทึกกลับไปด้านบนของหน้า 200 ค่าเฉลี่ยเคลื่อนที่หนึ่งในส่วนที่สำคัญที่สุดของการซื้อขายเทรนด์คือรู้อคติการค้านี้เป็นสิ่งสำคัญเพื่อความเข้าใจเมื่อเราอยู่ใน วัวหรือหมีตลาดในคำอื่น ๆ ว่าเราควรจะพิจารณาซื้อหรือขายโอกาสสิ่งแรกที่ฉันมองหาในแผนภูมิเป็นที่ราคาอยู่ในการไปถึง 20 ค่าเฉลี่ยเคลื่อนที่เฉลี่ยรายวัน 0 หากราคาต่ำกว่า 200 sma ฉันจะมองหาโอกาสในการขายสั้น ๆ หากราคาอยู่เหนือ 200 m ที่ฉันจะมองหาโอกาสในการซื้อนานโดยสรุปนี้เป็นสิ่งที่คุณต้องรู้ในหัวข้อนี้ ฉันรู้ว่าผู้อ่านจำนวนมากมีน้อยอยากรู้อยากเห็นและต้องการทราบว่าทำไมจึงเป็นกรณีนี้การใช้งานทางประวัติศาสตร์เหตุผลหลัก 200 sma ใช้ในลักษณะนี้เป็นส่วนหนึ่ง history. Before เรามีซอฟต์แวร์เพื่อวาดค่าเฉลี่ยเคลื่อนที่ใด ๆ ที่เราต้องการ สำหรับในเรื่องของการวินาทีสิ่งเหล่านี้ต้องถูกคำนวณและวาดด้วยมือเพื่อให้ผู้ค้าจู้จี้จุกจิกมากเกี่ยวกับสิ่งที่เป็นข้อมูลที่เป็นประโยชน์และสิ่งที่ประกอบขึ้นเป็นเสียงบทเรียนที่เราจะทำดีที่จะจำวันนี้ 200 sma พบว่าเป็นตัวบ่งชี้ที่ดี ของทิศทางทิศทางโดยรวมตราบเท่าที่ราคายังอยู่เหนือมันแล้วอคติแนวโน้มได้รับการพิจารณารั้นและถ้าราคาซื้อขายด้านล่างแล้วแนวโน้มอคติได้รับการพิจารณาหยาบคายถ้าราคาซ้ำแล้วซ้ำอีก 200 sma ราคาถูกถือว่าอยู่ในช่วงค. onsolidation. Trading อคติที่ 200 fails failsafe ปลอดภัยแน่นอนแนวโน้มใหม่สามารถเริ่มต้นในด้านที่ไม่ถูกต้องของ 200 sma เมื่อตลาดหมีตามตลาดวัวที่แข็งแกร่งแล้วราคาสามารถลงมาเป็นเวลาหลายสัปดาห์หรือหลายเดือนก่อนที่จะข้ามด้านล่าง 200 sma และในทางกลับกันแน่นอนนี่คือ 200 failsafe fails เราอาจจะต้องทนสัปดาห์ของแนวโน้มใหม่โดยไม่ต้องสามารถที่จะค้ามันเนื่องจากมันเป็นด้านผิดของ 200 ma แต่นี่คือเพื่อป้องกันเราจากการกลับรายการ เป็น pullback ชั่วคราว pullbacks บางสามารถลึกและยาวและนี้สามารถล่อคนบางคนด้านมืดของการซื้อขายที่พวกเขาต้องการค้ากับแนวโน้มโดยรวม แต่จนกว่าราคาข้าม 200 sma เราถือว่าอคติรั้นหรือหย่อนยังคงเหมือนเดิมแม้ว่า เราได้รับรางวัล t จำเป็นต้องซื้อขายมันเมื่อราคาอยู่เหนือ 200 sma อคติเป็น BULLISH เมื่อราคาต่ำกว่า 200 sma อคติเป็น BEARISH. So ติดกับ 200 sma failsafe ใช่มันอาจมีลักษณะเช่นโอกาสกำลังผ่านเราโดย บางครั้งเราจำเป็นต้องใช้ เลือกมากขึ้นเราจำเป็นต้องตระหนักถึงความลำเอียงการค้าและไม่ได้รับฟุ้งซ่านต่อไปผู้ผลิตในตลาดเหตุผลอื่น ๆ ที่ฉันปฏิบัติตามกฎ 200 sma เป็นเพราะธนาคารขนาดใหญ่จำนวนมากและสถาบันการเงินทำองค์กรเหล่านี้มีเงินมากพวกเขาถือที่พวกเขา การกำจัดและเพื่อให้มีจำนวนมากที่มีอิทธิพลบางส่วนเงินที่การค้าตำแหน่งระยะยาวอาจเริ่มต้นการสะสมตำแหน่งขนาดใหญ่ด้านผิดของ 200 SMA ตามที่พวกเขามีเงินทุนที่จะทำเช่นนี้สามารถใช้พวกเขาสัปดาห์หรือเป็นเดือนพวกเขาทำมันช้ามากเพราะ พวกเขา don t ต้องการให้คนอื่นเห็นสิ่งที่พวกเขาทำเช่นนี้อาจทำให้พวกเขาไม่สามารถกรอกตำแหน่งในราคาที่พวกเขาต้องการ แต่ส่วนใหญ่ของผู้ค้าสถาบันการค้าที่มีอคติด้วยเหตุนี้ผู้ค้าปลีกที่มีขนาดบัญชีของเราค่อนข้างเล็ก เพียงดูเพื่อเข้าสู่การค้าทางด้านขวาของ 200 sma เนื่องจากนี่คือ momentum โปรดทราบว่า 200 sma มีความเกี่ยวข้องเฉพาะเมื่อเข้าสู่การค้าการจัดการทางการค้าควรให้คุณออกจากการค้านานก่อนที่ p ข้าวกลับไปที่ 200 sma เราจะมองหาวิธีการจัดการและออกจากตำแหน่งในซีรีส์ต่อไปสรุปผลการดำเนินงานของการจัดจำหน่ายอย่างสม่ำเสมอมีค่าเฉลี่ยเคลื่อนที่ประมาณ 200 เส้นที่วางแผนไว้ในแผนภูมิรายวันของคุณโดยไม่คำนึงถึงช่วงเวลาที่คุณค้าขาย กฎหากราคาอยู่เหนือทุกวัน 200 sma เท่านั้นมองหาและการค้าตำแหน่งซื้อนานหากราคาต่ำกว่า 200 sma ทุกวันเพียงมองหาและการค้าตำแหน่งขายสั้น ๆ เราเรียกนี้อคติการค้าจะช่วยให้สแต็ค อัตราต่อรองของการค้าที่ประสบความสำเร็จในความโปรดปรานของเรานี้ใช้กับตลาดใด ๆ และทุกที่คุณสามารถคิดในวันพรุ่งนี้ s บทความเราจะมองไปที่สองกฎเพิ่มเติมที่เราสามารถเพิ่มการอคติการค้าของเราเพื่อวัตถุระบุแนวโน้มฉันได้ทำ จำนวนมากของการวิจัยใน Forex บนอินเทอร์เน็ต แต่พบว่าไม่มีอะไรจริงสารฉันเข้าร่วมการสัมมนา แต่พบว่าหลักสูตรของพวกเขาถูก over-priced สำหรับความยาวและเนื้อหามีเพียงมากเกินไปขายและฉันไม่หนึ่งซื้อภายใต้ความกดดันขายหลักสูตร เป็นเอกลักษณ์และแน่นอน สิ่งที่ฉันกำลังมองหาฉันต้องการแช่ที่สมบูรณ์ในการซื้อขายและมีการสนับสนุนที่เกิดขึ้นเพื่อไม่ให้ตัวเองตกอยู่ในนิสัยที่ไม่ดีฉันเริ่มต้นทันทีและมีการดูดซึมหลักการทั้งหมดของเงินที่สมาร์ทมาจากพื้นหลังการซื้อขายวัน และตอนนี้ก็ยากที่จะทำลายกฎบางอย่างเพื่อความหายนะของตัวเองตอนนี้ผมปฏิบัติตามกฎอย่างต่อเนื่องและสามารถดูบัญชีของฉันที่เติบโตอย่างช้าๆและมั่นคงได้เรื่อย ๆ วันแรกเป็นเรื่องที่ท้าทายและคุณต้องใช้เวลาในการเข้าใจกลยุทธ์ แต่เมื่อทุกอย่างทำให้รู้สึกจะกลายเป็นง่ายและตรงไปตรงมาอัลเบิร์ Costas. Unique หลักสูตรการซื้อขาย ณ วันนี้ฉันอยู่ใน 11 ธุรกิจการค้าที่มีบัญชีของฉันที่ 3200 pips ของธุรกิจการค้าเหล่านี้ 1 ไม่ได้อยู่ในกำไร 10 ตำแหน่งอยู่ในกำไรจัสมิน 31200 Pips ประสิทธิผลที่แท้จริงของการให้คำปรึกษา Javid มาจากคำแนะนำผู้ป่วยของเขาผ่านทางซอฟต์แวร์มืออาชีพในขณะที่คุณใช้กลยุทธ์ของเขาพยายามและทดสอบ forex เขาอธิบายข้อมูลใหม่และมีประสิทธิภาพในชัดเจนและง่ายต่อการเข้าใจ และวิธีการถ้าคุณต้องการที่จะเป็นสิ่งที่ดีที่สุดที่คุณต้องเรียนรู้จากที่ดีที่สุดและ Javid ให้โอกาสที่ Marc F. Easy เพื่อทำความเข้าใจกับกลยุทธ์