เฉลี่ยเคลื่อนที่ ล่าช้า

Debunking Convergence Divergence Indicator (MACD) เมื่อสิ่งที่มีชื่อที่มีพยางค์มากกวาที่ฉันสามารถนับไดก็มักจะเขาใจวามันอาจเปนปุมปุม ค่าเฉลี่ยเคลื่อนที่เป็นค่าที่ดีถ้าใช้อย่างถูกต้องในการซื้อขายทางเทคนิค นี่เป็นความจริงสำหรับเหตุผลหนึ่งที่พวกเขาแนะนำการหน่วงเวลา จำนวนความล่าช้าในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ความยาว ค่าเฉลี่ยเคลื่อนที่รอบระยะเวลา 20 เช่นจะแนะนำระยะเวลาการหน่วงเวลา 10 ครั้งจากข้อมูลที่ใช้ ถ้าคุณต้องการติดตามข้อมูลอย่างใกล้ชิดคุณจะชดเชยโดย 10 ช่วงเวลา (12 ความยาวเฉลี่ย) จากนั้นเมื่อคุณดูข้อมูลบนแผนภูมิจะติดตามข้อมูลอย่างใกล้ชิด การแลกเปลี่ยนความสามารถในการติดตามอย่างใกล้ชิดนี้ก็คือข้อมูลจะมีอยู่ในปัจจุบันเพียง 10 บาร์เท่านั้น ให้ดูที่ภาพเพื่อให้เราสามารถดูว่ามีความหมายอะไร (ชมเชย TradeStation): กราฟด้านบนแสดงกราฟ 10 นาทีโดยมีค่าเฉลี่ยเคลื่อนที่ 30 ช่วง (เส้นสีน้ำเงิน) ที่คุณสามารถดูได้จุดหักเหของค่าเฉลี่ยเคลื่อนที่ที่อยู่ที่ขอบของวงรีด้านซ้ายมีถึง 15 บาร์หลังจากที่ราคาสูงจริง ด้านบนวงรีด้านขวามีค่าเฉลี่ยต่ำสุดที่มีการเคลื่อนไหวอยู่ที่ 15 บาร์หลังจากที่ราคาถูกลง โดยเฉลี่ยแล้วค่าเฉลี่ยเคลื่อนที่ 30 ช่วงจะมีการหน่วงเวลา 15 ครั้ง ถ้าเราหักล้างค่าเฉลี่ยเคลื่อนที่ด้วยจำนวนเงินนี้จะสมบูรณ์ตรง (โดยเฉลี่ยกับการหมุนในตลาด) ขณะนี้มีการชดเชยระยะเวลา 15 (12 ที่ความยาวเฉลี่ยเคลื่อนที่ 30 ช่วง) ค่าเฉลี่ยเคลื่อนที่จะเคลื่อนที่ไปมาได้อย่างถูกต้อง ความล่าช้าครึ่งคลื่นที่แนะนำให้ใช้ค่าเฉลี่ยโดยรวมของการย้ายคือประเด็นสำคัญที่คุณต้องเข้าใจเมื่อใช้ค่าเฉลี่ยเคลื่อนที่ในการซื้อขายของคุณ ค่าเฉลี่ยของการเคลื่อนที่ครึ่งคลื่นจะติดตามข้อมูลได้ดีเท่าที่กล่าวมาข้างต้นไม่จะไม่เป็นเช่นนั้น เนื่องจากความยาวของความยาวเฉลี่ยที่เคลื่อนที่ไม่ตรงกับความยาวของรอบที่มีอยู่ในข้อมูลเดิม ซึ่งหมายความว่าฐานความยาวที่เคลื่อนที่โดยเฉลี่ยจะสามารถติดตามข้อมูลพื้นฐานได้อย่างแม่นยำมากขึ้นในเวลาที่ต่างกัน โดยปกติความยาวเฉลี่ยที่เคลื่อนที่ซึ่งจะติดตามข้อมูลอย่างถูกต้องที่สุดคือการเปลี่ยนแปลงตลอดเวลา เก็บไว้ในใจในขณะที่เราดำเนินการต่อไปในการสนทนาของเรา Moving Average Convergence Divergence ฐานความคลาดเคลื่อนการบรรจบกันของค่าเฉลี่ยเคลื่อนที่ในแพ็กเกจแผนภูมิส่วนใหญ่ประกอบด้วยค่าเฉลี่ยเคลื่อนที่สองค่าที่มีระยะเวลา 12 และ 26 ช่วงความยาว (คงที่) จากนั้นการคำนวณคือการใช้ความแตกต่างระหว่างสองค่าเฉลี่ยเหล่านี้เพื่อที่จะสร้างสิ่งที่เรียกว่า Signal Line สายสัญญาณจะล่าช้าอีกครั้งโดยมีค่าเฉลี่ย (เลขลำดับ) อีก 9 งวด ในภาษาอังกฤษธรรมดาเส้นสัญญาณคือความแตกต่างที่ล่าช้าระหว่างค่าเฉลี่ยเคลื่อนที่สองค่า (ความล่าช้า) โดยทั่วไปแล้วเมื่อค่าเฉลี่ยเคลื่อนที่เร็วขึ้น (12 ระยะเวลา) อยู่เหนือค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นความแตกต่างจะเป็นบวกและจะบ่งชี้ว่าตลาดกำลังเพิ่มขึ้น เมื่อค่าเฉลี่ยเคลื่อนที่เร็วขึ้นต่ำกว่าค่าที่วัดได้ต่อไปความแตกต่างจะเป็นค่าลบซึ่งแสดงว่าตลาดกำลังถดถอยลง สำหรับฉันมันเป็นไปไม่ได้ที่จะเป็นผู้ใช้ MACD เพราะเพียงแค่มองแผนภูมิจะบอกฉันหากตลาดกำลังเพิ่มขึ้นหรือลดลง มองไปที่กราฟยังบอกฉันนี้โดยไม่ล่าช้า นี่เป็นสิ่งสำคัญอย่างยิ่งเมื่อคุณเพิ่มความซับซ้อนของการคำนวณที่เกิดขึ้นจากการเคลื่อนที่ของค่าเฉลี่ยทั้งสองแบบ (ความล่าช้าในการแนะนำ) ที่ไม่สอดคล้องกับความยาวของรอบตลาด ความซับซ้อนเหล่านี้อาจส่งผลให้ MACD ทำสิ่งที่แปลกมากโดยเฉพาะอย่างยิ่งในตลาดที่มีการเปลี่ยนแปลงอย่างรวดเร็วซึ่งความยาวของรอบการเปลี่ยนแปลงหรือยาวนานกว่าค่าเฉลี่ยระยะเวลา 12 และ 26 ลองดูตัวอย่าง: ในภาพด้านบนเราจะเห็น MACD ที่ด้านล่าง มีทั้งค่าเฉลี่ยระยะเวลา 12 และ 26 ในกราฟและเส้นสัญญาณซึ่งแสดงเป็นฮิสโตแกรม อย่างที่เห็นในระยะก่อนเริ่มกลางก่อน MACD เริ่มมีแนวโน้มลดลง (เมื่อเส้นสีเหลืองสั้น 12 รอบข้ามเส้นแนวนอน 26 เส้น) สัญญาณตกต่ำในเวลานี้ขณะที่ตลาดยังคงเดินหน้าต่อไป เนื่องจากการเปลี่ยนแปลงความยาวคลื่นคลื่นและความล่าช้าที่นำมาใช้โดยส่วนประกอบเฉลี่ยที่เคลื่อนไหวอยู่ MACD จึงกลับมาจากทิศทางที่ตลาดกำลังทำอยู่ จะใช้เวลาประมาณ 26 บาร์หรือช่วงเวลา (บวกหรือลบ) เพื่อแก้ไขปัญหานี้ คำถามคือนี่คือปัจจัยการผกผันที่ทำให้เราเข้าใจผิดใน MACD มีตัวบ่งชี้แนวโน้มที่ดีกว่าที่ไม่ได้มีประเด็นเหล่านี้ให้ดูที่ตารางการเพิ่มประสิทธิภาพของระบบการซื้อขายแบบง่ายขึ้นจากการซื้อขายหลักทรัพย์ของ MACD และดูว่ามีเสถียรภาพอย่างไร เป็นของตัวเอง เพื่อความเรียบง่ายฉันจะเพิ่มประสิทธิภาพความยาวของช่วง 12 และ 26 และไม่ใช่ความล่าช้าของ MACD ที่นำมาใช้โดยค่าเฉลี่ยเคลื่อนที่แบบเสด็จมาเป็นระยะเวลา 9 ฉันจะช่วยให้ระบบสามารถหยุดและย้อนกลับได้เสมอในตลาด ในระยะทดสอบเป็นเวลาสองปีโดยใช้กลยุทธ์ MACD ในการสร้างสัญญาณซื้อและขายในสัญญา Sampamp Emini บนแผนภูมิ 10 นาทีผลการค้นหามีความชัดเจน ชุดค่าพารามิเตอร์เพียงชุดเดียวไม่ทำกำไร (มีการทดสอบขนาดใหญ่กว่าที่แสดง) Ouch สิ่งนี้บอกเราว่าทำตรงกันข้ามของ MACD เป็นจุดเริ่มต้นที่ดีกว่าสำหรับการพัฒนาระบบมากกว่าที่ภูมิปัญญาดั้งเดิมจะทำให้เราเชื่อ แน่นอนว่าสิ่งนี้จะแตกต่างกันไปตามช่วงเวลา (เช่น 5 นาที, ข้อมูลรายวัน 10 นาทีเป็นต้น) เพื่อความสนุกสนานให้พลิกสัญญาณซื้อเข้าสู่สัญญาณขายและเรียกใช้การทดสอบของเราอีกครั้ง นี่คือผลลัพธ์: ว้าวที่น่าอัศจรรย์สวยเรียงลำดับไปด้านบนชุดเราจะเห็นสิ่งที่น่าสนใจคู่ หนึ่งคือกำไรเป็นที่น่าทึ่ง สองชุดที่ดีที่สุดจำนวนมากจะเพิ่มประสิทธิภาพเป็นระยะเวลา 2 ในค่าเฉลี่ยเคลื่อนที่ระยะสั้น ซึ่งแสดงให้เห็นว่าส่วน MACD ในช่วงที่สั้นกว่า (เช่นเดียวกับความล่าช้าอื่น ๆ ในสายสัญญาณ) อาจจะถูกตัดออกไปและทำให้เสียชื่อเสียงในการออกแบบแฟนซีของ MACD นี่เป็นอะไรที่เกินความคาดหมายส่วนตัวของฉันเกี่ยวกับสิ่งที่เราจะพบในการทดสอบเหล่านี้ก่อนที่จะตื่นเต้นมากเกินไปนี้สามารถซื้อขายได้ได้หรือไม่โชคร้ายก็ไม่ใช่ การค้าเฉลี่ยประมาณ 15 น้อยกว่าค่าใช้จ่ายในการซื้อขาย ในท้ายที่สุดสิ่งนี้บอกเราว่าเราอยู่ที่หรือเกี่ยวกับเกณฑ์ของการสุ่มกับการศึกษา MACD ของเรา MACD ไม่มีค่าอะไรขึ้นอยู่กับคุณ สำหรับฉันแล้วในครั้งต่อไปฉันต้องการทราบว่าตลาดกำลังขึ้นหรือลงฉันจะดูกราฟ การเข้าใจสิ่งที่เกิดขึ้นโดยไม่ต้องมีการล่าช้าและไม่สามารถติดตามการขี่จักรยานได้ง่ายขึ้น การฝึกอบรมคนตาเพื่อดูสิ่งที่ได้โดยตรงจากแผนภูมิเป็นวิธีที่ดีที่สุดสำหรับฉัน MACD สามารถใช้ในรูปแบบอื่นได้หรือไม่แน่นอนมันอาจเป็นไปได้ แต่บางทีค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่เพียงอย่างเดียวอาจทำได้ดีเหมือนกันโดยไม่มีปัญหาทั้งหมดที่นำเสนอโดยตัวบ่งชี้ที่มีชื่อว่าแฟนซีและชื่อนี้ คุณใช้ MACD คุณเคยประสบความสำเร็จมาแล้วหรือยัง? คุณเปลี่ยนความคิดของคุณใน MACD หลังจากอ่านบทความนี้คุณใช้ตัวบ่งชี้อะไรคุณต้องการให้ฉันไปหักล้างตัวชี้วัดอื่นใด i8217d ต้องการฟังจากคุณทิ้งความคิดเห็นไว้ด้านล่าง 6 Comments ฉันใช้ macd เป็นตัวบ่งชี้การซื้อขายหลักของฉันสำหรับ scalping แต่ฉันใช้มันในลักษณะที่แตกต่างจากสิ่งที่คุณอธิบาย สิ่งที่คุณอธิบายถึงการทำงานของ won8217t ใช้เวลานานในการคิดออกระบบดังนั้น I8217m ไม่ให้มันไป แต่มันทำงานได้ดีและฉันต้องบอก สิ่งที่เกี่ยวกับการใช้เทรนด์และ Macd togeather - ใช้การค้าเมื่อมีเส้นแบ่งแนวโน้ม - พร้อม Macd Divergence หรือ Macd Cross 1 จากการเลือก 8220about8221 ความคิดที่ระบุประเภทของฉันเป็นมั่นเหมาะบาง การชำระเงินขั้นต่ำเพียงไม่กี่ (8E200) ในกรณีที่ต้องการ ไชโยฉันเพิ่งสูญเสียการฝึกของ 2 หลังจากนั้นมันเป็นเรื่องง่ายมากทีเดียวเมื่อฉันเรียกดู 3 ทิศทางขอบคุณมากเลยค่าคอมมิชชั่นในเวลาต่อมาแสดงเพียง 2 ของผลกำไรเมื่อเทียบกับ 4 รายขณะที่กำลังซื้อขาย e-mini Dow สวัสดีผมชอบการเขียนของคุณมากดังนั้นสัดส่วนที่เราเก็บไว้ในการสัมผัสมากขึ้นเกี่ยวกับบทความของคุณใน AOL ฉันต้องการผู้เชี่ยวชาญในพื้นที่นี้เพื่อคลี่คลายปัญหาของฉัน อาจเป็นไปได้ว่าคุณกำลังมองไปข้างหน้าเพื่อมองหาคุณ แสดงตัวอย่างการใช้ตัวกรองเฉลี่ยแบบเคลื่อนไหวและการสุ่มตัวอย่างใหม่เพื่อแยกผลกระทบขององค์ประกอบเป็นระยะ ๆ ของช่วงเวลาในการอ่านอุณหภูมิรายชั่วโมงตลอดจนลบเสียงสัญญาณรบกวนที่ไม่พึงประสงค์ออกจากการวัดแรงดันไฟฟ้าแบบลูปเปิด ตัวอย่างนี้ยังแสดงวิธีทำให้ระดับสัญญาณนาฬิกาลดลงในขณะที่รักษาขอบโดยใช้ตัวกรองค่ามัธยฐาน ตัวอย่างยังแสดงวิธีการใช้ตัวกรอง Hampel เพื่อลบค่าดีเอ็นเอที่มีขนาดใหญ่ การทำให้เรียบเนียนเป็นสิ่งที่เราค้นพบรูปแบบที่สำคัญในข้อมูลของเราขณะออกจากสิ่งที่ไม่สำคัญ (เช่นเสียง) เราใช้การกรองเพื่อทำการเรียบนี้ เป้าหมายของการราบเรียบคือการผลิตการเปลี่ยนแปลงที่ช้าลงในคุณค่าเพื่อให้เห็นแนวโน้มในข้อมูลของเราได้ง่ายขึ้น บางครั้งเมื่อคุณตรวจสอบข้อมูลการป้อนข้อมูลที่คุณอาจต้องการทำให้ข้อมูลมีความราบรื่นเพื่อดูแนวโน้มของสัญญาณ ในตัวอย่างของเราเรามีชุดของการอ่านอุณหภูมิในเซลเซียสที่ถ่ายทุกชั่วโมงที่สนามบิน Logan ตลอดเดือนมกราคม 2011 โปรดทราบว่าเราสามารถมองเห็นผลกระทบที่ช่วงเวลาของวันมีค่าการอ่านอุณหภูมิ หากคุณสนใจเฉพาะความแปรผันของอุณหภูมิรายวันในช่วงเดือนความผันผวนรายชั่วโมงมีส่วนทำให้เกิดเสียงรบกวนเท่านั้นซึ่งจะทำให้รูปแบบรายวันดูยากขึ้น หากต้องการลบผลกระทบของเวลาในวันนี้ตอนนี้เราต้องการให้ข้อมูลของเราราบรื่นโดยใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่ ตัวกรองค่าเฉลี่ยเคลื่อนที่ (Moving Average Filter) ในรูปแบบที่ง่ายที่สุดตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความยาว N ใช้ค่าเฉลี่ยของทุกๆตัวอย่าง N ต่อเนื่องของรูปคลื่น หากต้องการใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ไปยังจุดข้อมูลแต่ละจุดเราจะสร้างค่าสัมประสิทธิ์ของตัวกรองของเราเพื่อให้แต่ละจุดมีการถ่วงน้ำหนักอย่างเท่าเทียมกันและมีส่วนทำให้ค่าเฉลี่ยรวม 124 ค่า ซึ่งจะทำให้เรามีอุณหภูมิเฉลี่ยตลอดช่วงเวลา 24 ชั่วโมง Filter Delay โปรดทราบว่าผลลัพธ์ที่กรองออกจะล่าช้าประมาณ 12 ชั่วโมง เนื่องจากตัวกรองค่าเฉลี่ยเคลื่อนที่ของเรามีความล่าช้า ตัวกรองสมมาตรใด ๆ ที่มีความยาว N จะมีความล่าช้าของ (N-1) 2 ตัวอย่าง เราสามารถบัญชีสำหรับความล่าช้านี้ด้วยตนเอง การแยกความแตกต่างเฉลี่ยนอกจากนี้เรายังสามารถใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ค่าประมาณที่ดีขึ้นว่าช่วงเวลาของวันมีผลต่ออุณหภูมิโดยรวมอย่างไร เมื่อต้องการทำเช่นนี้ขั้นแรกให้ลบข้อมูลที่ราบเรียบออกจากการวัดอุณหภูมิรายชั่วโมง จากนั้นแบ่งส่วนข้อมูลที่แตกต่างออกเป็นวันและใช้เวลาเฉลี่ยมากกว่า 31 วันในเดือน Extracting Peak Envelope บางครั้งเราก็อยากจะมีการประมาณการที่แตกต่างกันอย่างราบรื่นว่าเสียงสูงและต่ำของสัญญาณอุณหภูมิของเรามีการเปลี่ยนแปลงทุกวัน ในการทำเช่นนี้เราสามารถใช้ฟังก์ชันซองจดหมายเพื่อเชื่อมต่อเสียงสูงและต่ำสุดที่ตรวจพบได้ในเซตย่อยของช่วงเวลา 24 ชั่วโมง ในตัวอย่างนี้เรามั่นใจว่าจะมีอย่างน้อย 16 ชั่วโมงระหว่างแต่ละระดับที่สูงมากและต่ำสุด นอกจากนี้เรายังสามารถรับรู้ได้ว่าเสียงสูงและต่ำมีแนวโน้มอย่างไรโดยการใช้ค่าเฉลี่ยระหว่างสองสุดขั้ว ตัวกรองเฉลี่ยถ่วงน้ำหนักแบบอื่นตัวเก็บประจุแบบอื่น ๆ ที่มีค่าเฉลี่ยเคลื่อนที่ไม่ได้มีน้ำหนักเท่ากัน ตัวกรองอื่น ๆ ตามการขยายตัวของสอง (12,12) n ตัวกรองชนิดนี้จะประมาณเส้นโค้งปกติสำหรับค่าที่มีขนาดใหญ่ของ n เป็นประโยชน์สำหรับการกรองเสียงรบกวนความถี่สูงสำหรับ n ขนาดเล็ก ในการหาค่าสัมประสิทธิ์สำหรับตัวกรองแบบทวินามให้หมุนตัว 12 12 ด้วยตัวเองแล้วค่อยๆหมุนวนเอาท์พุทด้วย 12 12 จำนวนครั้งที่กำหนด ในตัวอย่างนี้ใช้การวนซ้ำทั้งหมดห้าครั้ง ตัวกรองอื่นที่คล้ายกับตัวกรองการขยายตัวของ Gaussian คือตัวกรองค่าเฉลี่ยเลขยกกำลัง ตัวกรองค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักชนิดนี้ใช้งานง่ายและไม่ต้องใช้ขนาดหน้าต่างที่ใหญ่ คุณสามารถปรับตัวกรองเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักด้วยค่าพารามิเตอร์เลขคณิตตามพารามิเตอร์ alpha ระหว่างศูนย์และหนึ่ง ค่าอัลฟาจะสูงขึ้น ขยายการอ่านสำหรับหนึ่งวัน เลือกตัวกรองเฉลี่ยของ CountryMoving (ตัวกรอง MA) กำลังโหลด ตัวกรองค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองแบบ FIR (Finite Impulse Response) แบบ Low Pass ที่ใช้กันโดยทั่วไปสำหรับการจัดเรียงข้อมูลตัวอย่างแบบสุ่มตัวอย่าง ใช้เวลา M ตัวอย่างของการป้อนข้อมูลในแต่ละครั้งและใช้ค่าเฉลี่ยของ M-samples เหล่านี้และสร้างจุดเอาต์พุตเดี่ยว เป็นโครงสร้าง LPF (Low Pass Filter) ที่เรียบง่ายซึ่งเป็นประโยชน์สำหรับนักวิทยาศาสตร์และวิศวกรในการกรององค์ประกอบเสียงรบกวนที่ไม่พึงประสงค์จากข้อมูลที่ต้องการ เมื่อความยาวของตัวกรองเพิ่มขึ้น (พารามิเตอร์ M) ความนุ่มนวลของเอาท์พุทจะเพิ่มขึ้นในขณะที่ความคมชัดของการเปลี่ยนข้อมูลจะเพิ่มมากขึ้น นี่หมายความว่าตัวกรองนี้มีการตอบสนองโดเมนเวลาที่ยอดเยี่ยม แต่มีการตอบสนองต่อความถี่ต่ำ ตัวกรอง MA ทำหน้าที่สำคัญ 3 ประการคือ 1) ต้องใช้ M Input Point, คำนวณค่าเฉลี่ยของ M-points เหล่านี้และสร้างจุดเอาต์พุตเดี่ยว 2) เนื่องจากมีการคำนวณการคำนวณ ตัวกรองแนะนำจำนวนครั้งที่แน่นอนของการหน่วงเวลา 3) ตัวกรองทำหน้าที่เป็นตัวกรองความถี่ต่ำ (มีการตอบสนองโดเมนความถี่ต่ำและการตอบสนองโดเมนที่ดี) รหัส Matlab: โค้ด MATLAB ดังต่อไปนี้จะจำลองการตอบสนองโดเมนเวลาของตัวกรองค่าเฉลี่ยเคลื่อนที่แบบ M-point และคำนวณการตอบสนองความถี่สำหรับความยาวของตัวกรองต่างๆ การตอบสนองโดเมนระยะเวลา: ในพล็อตแรกเรามีข้อมูลเข้าที่จะเข้าสู่ตัวกรองค่าเฉลี่ยเคลื่อนที่ การป้อนข้อมูลมีเสียงดังและวัตถุประสงค์ของเราคือการลดเสียงรบกวน ตัวเลขต่อไปคือการตอบสนองการส่งออกของตัวกรองการเคลื่อนที่เฉลี่ย 3 จุด สามารถอนุมานได้จากรูปที่ตัวกรอง 3 จุด Moving Average ไม่ได้ทำอะไรมากนักในการกรองเสียงรบกวน เราเพิ่มตัวกรองก๊อกเป็น 51 จุดและเราจะเห็นว่าเสียงในเอาต์พุตลดลงมากซึ่งแสดงในรูปถัดไป เราเพิ่มก๊อกต่อไปที่ 101 และ 501 และเราสามารถสังเกตได้ว่าถึงแม้จะมีสัญญาณรบกวนอยู่เกือบเป็นศูนย์การเปลี่ยนภาพจะลดลงอย่างเห็นได้ชัด (สังเกตความชันที่ด้านข้างของสัญญาณและเปรียบเทียบกับการเปลี่ยนแปลงของผนังอิฐที่เหมาะสมใน ข้อมูลของเรา) การตอบสนองต่อความถี่: จากการตอบสนองต่อความถี่คุณสามารถยืนยันได้ว่าการม้วนออกช้ามากและการลดทอนของแถบหยุดไม่ดี เมื่อพิจารณาการลดทอนแถบหยุดนี้อย่างชัดเจนตัวกรองค่าเฉลี่ยเคลื่อนที่จะไม่สามารถแยกย่านความถี่หนึ่งจากอีกความถี่หนึ่งได้ อย่างที่เราทราบดีว่าประสิทธิภาพที่ดีในโดเมนเวลาทำให้ประสิทธิภาพในโดเมนความถี่ต่ำและในทางกลับกัน (การกระทำในโดเมนเวลา) แต่เป็นตัวกรองความถี่ต่ำที่ไม่ดี (การกระทำในโดเมนความถี่) ลิงก์ภายนอก: หนังสือแนะนำ: ค่าเฉลี่ยแถบด้านข้างเฉลี่ยตัวอย่างนี้สอนให้คุณ วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้เกิดความผิดปกติ (ยอดเขาและหุบเขา) เพื่อรับรู้แนวโน้มได้ง่ายขึ้น 1. ขั้นแรกให้ดูที่ซีรี่ส์เวลาของเรา 2. ในแท็บข้อมูลคลิกการวิเคราะห์ข้อมูล หมายเหตุ: ไม่สามารถหาปุ่ม Data Analysis คลิกที่นี่เพื่อโหลด Add-in Analysis ToolPak 3. เลือก Moving Average และคลิก OK 4. คลิกที่กล่อง Input Range และเลือกช่วง B2: M2 5. คลิกที่ช่อง Interval และพิมพ์ 6. 6. คลิกที่ Output Range box และเลือก cell B3 8. วาดกราฟของค่าเหล่านี้ คำอธิบาย: เนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบัน เป็นผลให้ยอดเขาและหุบเขาจะเรียบออก กราฟแสดงแนวโน้มที่เพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกได้เนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้เพียงพอ 9. ทำซ้ำขั้นตอนที่ 2 ถึง 8 สำหรับช่วงที่ 2 และช่วงที่ 4 ข้อสรุป: ช่วงที่ใหญ่กว่ายอดเนินและหุบเขาจะยิ่งเรียบขึ้น ระยะห่างที่เล็กลงค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ที่ใกล้เคียงกับค่าข้อมูลจริงมากขึ้น