이동 평균

마지막 업데이트: 2022년 5월 5일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
그럼 그냥 평균이라고 쓰면 되는데 왜 굳이 이동평균이라고 사용할까요?

3.1.1. 이동평균법

그럼 그냥 평균이라고 쓰면 되는데 왜 굳이 이동평균이라고 사용할까요?

평균과 이동평균의 가장 큰 차이점은 시간이라는 개념입니다.

앞절에서 리스크를 이야기할 때도 시간이라는 개념을 언급했습니다.

학자들을 위험선호이기 때문에 기대값이 음수임에도 불구하고 로또를 구매한다고 이야기 합니다.

하지만 저의 생각은 다릅니다. 로또를 통해 얻을 수 있는 금전적 기대값은 비록 음수이지만, 시간적 기대값은 양수입니다.

투자에 있어서 의외로 시간의 개념은 너무 과소 평가되고 있습니다.

다시 평균과 이동평균에 대해서 이야기 하겠습니다.

평균은 동일시점에서 산출되는 것이 흔한 반면, 이동평균은 동일 대상이지만 시점이 서로 상이해서 발생합니다.

본체는 동일하나 시점이 다릅니다.

비록 같은 나이지만, 어제의 나와 오늘의 나는 서로 동일하다고는 할 수 없습니다.

2002년 16강 월드컵 때 패널티 킥을 실축한 시점에서 안정환과 연장전에서 역전 결승골을 넣은 안정환은 동일 인물이지만, 불과 몇시간만에 사람들에게서 평가가 전혀 달라집니다.

고작 2시간 남짓밖에 안되는 시간이지만, 이 때 안정환에 대한 팬들의 기대치를 평가하면 매우 큰 변화가 나타날 것입니다.

3시간도 안되는 상황에서 선수에 대한 기대치는 급변하는 것을 느낄 수 있습니다.

8강 경기가 시작될 때 안정환 선수에 대한 팬들의 기대치는 어느 정도 될까요?

각 시점의 기대치를 단순 합해서 나누는 방법을 사용할 수도 있습니다.

가장 마지막 기대치를 통해 측정할 수도 있습니다.

가장 최근 기대치에 가장 많은 가중치를 주어서 측정할 수도 있습니다.

평균은 동일 시점에서 발생하기 때문에 단순 평균이 많이 사용됩니다.

하지만 시간시점이 다를 경우 최근의 정보가 더 많은 영향력을 미칠 수 있기 때문에

최근에 단순 평균보다 최근 정보에 가중치를 더 주는 방법을 사용할 수도 있습니다.

그 결과 이동평균을 구하는 방법엔

단순이동평균(Simple Moving Average)

가중이동평균(Weighted Moving Average)

지수이동평균(Exponential Moving Average)

단순이동평균(Simple Moving Average)

일반적인 평균을 구하는 방법입니다.

n1 , n2, n3 가 존재한다고 가정하면, (n1 + n2 + n3) / 3 입니다.

가중이동평균(Weighted Moving Average)

n1 , n2, n3 가 존재한다고 이동 평균 가정하고 각각의 가중치를 w1, w2, w3라고 하면

(w1n1 + w2n2 + w3*n3) / (w1 + w2 + w3) 입니다.

일반적으로 최근일에 높은 가중치를 줍니다.

상황에 따라서 이벤특 발생한 특정일에 높은 가중치를 주어 사용할 수도 있습니다.

지수이동평균(Exponential Moving Average)

최근에 높은 가중치를 주지만, 오래된 과거도 비록 낮은 영향력이지만 가중치를 두여하도록 고려한 방법입니다.

EMV(t) = (1-w) * EMV(t-1) + w * Price(t)

오늘의 종가에 w의 가중치를 주고 (1-w)를 어제의 이동평균에 주는 방식입니다.

EMV(t) = (1-w) * ((1-w) * EMV(t-2) + w * Price(t-1)) + w * Price(t)

결국 과거의 값도 지속적으로 영향력이 잔존하게 됩니다.

이동평균법

주식 관련 책이나 방송을 보면, 골든크로스, 데드크로스라는 용어를 들어본 적이 있을 것입니다. 이는 가장 널리 알려진 기술적 지표인 이동평균선을 이용한 지표들입니다.

이동 평균법은 단기 추세가 장기 추세를 상향 돌파하면 매수, 하향돌파하면 매도를 합니다.

추세가 있다면, 통계적인 관점에서 자기 상관관계가 존재할 가능성이 높습니다. 자기 상관관계가 높으면 추세를 형성할 가능성이 더 높게 됩니다. 즉, 기초자산이 random보다 자기상관 관계가 높을 때, 상승 추세 하락 추세가 더 강하게 나타납니다. 그렇기 때문에 이동평균법을 적용할 때는 기초자산의 수익률의 자기 상관관계를 살펴서 투자 자산을 선별하면 보다 높은 성공확률을 얻을 수 있습니다.

변수명은 MA_m_N로 설정하고 이 값을 데이터프레임에 join함수를 이용해서 추가 시켰습니다.

대신은 배열[0]에 최신 데이터가 저장됩니다. 하지만 pandas 기본설정은 배열[0]을 가장 오래된 데이터로 인식합니다. 따라서 이동평균을 구하기 위해서 역순의 값이 필요하여, 이를 위해 사전에 fnSortDateTime(m_Df)를 통해 재배열하여 테이터를 사용하겠습니다.

시스템 트레이딩에 이용하기 위해서 시그널 라인을 포함시켰고, 매수 매도의 연속성을 나타내기 위해서 run함수를 사용하였습니다.

데이터 가공용( 데이터 오름차순으로 재정렬)

데이터 오름차순으로 재정렬 오름차순을 기준으로 작성된 코드가 일반적인데, 대신에서는 날짜 내림차순으로 데이터를 쏴주는 것이 기본으로 되어있습니다. 따라서 데이터를 한번 재가공하기 위해 다음 함수를 사용하겠습니다.

pandas update 이후 형태가 아래처럼 바뀌었습니다.

지수이동평균 부분 내용중 = (1-w)^2 * EMV(t-2) + (1-w )*w* Price(t-1)) + w * Price(t-1)) 여기서 마지막에 w * Price(t) 아닌가요? - 유승, 2020년 10월 30일 7:39 오전

이동평균이란 무엇인가! 이동평균 개념과 종류 및 이동평균 공식을 이용한 이동평균계산방법

본 글은 이동평균이란 무엇인지 Moving Average (MA) 이동평균 개념과 종류 및 이동평균 공식을 이용한 이동평균계산방법을 설명합니다.

이동평균 (MA, Moving Average) 계산법을 이용해 산출된 이동평균선은 가격, 지수 등의 수치의 변화를 관찰하고 분석하는데 있어서 일정한 부분집합의 평균값 계산으로 인해 값의 전반적인 변화 흐름(추세) 파악을 용이하게 해줍니다.

이동평균법을 통해 도출된 이동평균 값을 선으로 연결하여 그래프로 표현한 이동평균선은 값의 변화와 추세에 의미를 부여하는 주식, 선물, 옵션 등 투자 분야에서 기술적분석의 도구로써 활발히 사용되고 있습니다.

이동평균이란 수의 집합에서 특정 크기의 부분 집합을 연속적으로 이동하며 산출한 평균 입니다.

이러한 이동평균은 가격, 지수, 무게, 거래량, 거리 등 수치적으로 표현할 수 있는 모든 부분에 적용하여 활용할 수 있습니다.

이동평균은 일반 평균과는 다르게 한정되어있는 수 집합의 모든 값을 대상으로 평균을 산출하는 것과는 다르게 일정한 크기의 부분집합을 평균 계산에 활용한다는 것이 특징입니다.

또한 이 부분집합을 이동시키며 연속적인 평균값을 산출함으로써 평균값의 흐름을 알 수 있게 하며, 일정 기간 혹은 데이터 구간의 평균의 흐름을 알 수 있게 해줍니다.

이러한 특징으로 인해 이동평균계산법에 의해 도출된 이동평균값은 주로 선으로 표현하여 시각화 하며, 이렇게 시각화된 이동평균선은 추세 파악과 변화를 용이하게 해줌으로써 투자 분야에서 활발히 사용되고 있습니다.

이동평균 종류에는 단순 이동평균, 이동 평균 가중 이동평균, 기하 이동평균, 누적 이동평균, 지수 이동평균 등이 있습니다.

다음은 단순 이동평균 (SMA, Simple Moving Average) 계산 공식 입니다.

앞서, 이동평균계산법은 수의 집합에서 일정 크기의 부분집합의 평균을 연속적으로 이동하며 계산한다고 했습니다.

이동평균계산법의 공식은 다음과 같습니다.

이동평균계산 공식에서 n은 부분집합의 크기이며, Pd는 데이터 값을 의미합니다.

위 이동평균계산 공식은 특정 데이터를 기준으로 부분집합의 수만큼 반복적으로 데이터를 더해서 부분집합의 크기만큼 나눈다는 것을 의미합니다.

예를들어, 다음과 같이 총 5개의 숫자가 있고 부분집합의 크기가 2인 이동평균을 계산한다고 합시다.

1 : 1000, 2 : 1050, 3 : 1010, 4 : 1020, 5 : 1040

부분집합의 크기를 2으로 할 경우, 위 5개의 숫자에서 2개씩 부분집합을 이루어 평균을 계산하는 것입니다.

따라서 이동평균값은 위의 예제에서는 총 4개가 나오게 됩니다.

첫번째의 경우, 이동평균을 산출할 데이터가 부족하기 때문에 산출할 수 없습니다.

아래는 위 5개의 숫자를 이동평균계산법을 이용해 산출한 이동평균값입니다.

이동평균계산법을 이용한 계산 결과

각 이동평균값을 계산한 세부적인 계산 결과는 다음과 같습니다.

다음은 기본 데이터와 이동평균값을 그래프로 그린 데이터선과 이동평균선입니다.

이동평균계산 결과 그래프 : 이동평균선

이동평균계산법을 이용한 이동평균 계산 결과는 일정 데이터 집합 (부분집합)에서 특징적으로 나타난 값들이 평균에 의해서 희석되는 효과가 나타남에 따라 전반적인 추세를 확인하는데 용이합니다.

특히 가격 변화 추세를 확인할 경우, 일시적을 발생한 돌출된 값에 의해서 추세 분석의 어려움이 있습니다.

하지만, 이동평균계산법은 이러한 돌출된 값이 희석되는 효과를 제공함과 동시에 계산 구간이 이동함에 따라 지나친 과거 데이터로 인해서 최근 형성된 데이터가 왜곡되는 문제를 방지해 줍니다.

뿐만아니라 이동평균은 다양한 부분집합 크기를 설정함으로써, 다양한 부분집합 크기의 이동평균 계산 결과 간 비교 분석을 할 수 있으며, 이로인해 다양한 데이터 구간 간의 추세 변화를 비교 분석할 수 있습니다.

다양한 데이터 구간 간의 추세 변화는 가격 변화 분석에서 매우 유용하게 활용됩니다. 예를들어, 장기적으로는 큰 변화가 없는 듯 보이지만, 단기적으로 가격이 상승하게 된 시점을 알 수 있게 해주는 것이 대표적인 예 입니다.

물론, 데이터 각각을 놓고 본다면 가격 변화가 어떻게 이루어졌는지 알 수 있지만, 앞서 이야기 드렸던 바와 같이 일시적으로 데이터 급등과 급락을 반복하며 변화할 경우, 가격이 오르면 변동하는 것인지 가격이 내리며 변동하는 것인지 파악하기 어렵기 때문입니다.

이러한 장점에도 불구하고 이동평균은 부분집합의 크기 (평균 산출 데이터 구간의 크기)를 어떻게 설정하느냐에 따라서 달리지는 특징을 가지고 있습니다.

또한, 부분집합의 크기가 지나치게 작거나 크게 되면, 이동평균계산방법을 통해서 파악할 수 있는 데이터가 매우 한정적이게 됩니다.

물론, 부분집합의 크기는 이동평균의 적용분야에 따라 상이하며, 같은 분야에서도 분석자의 관점과 분석 목표에 따라 상이하다고 볼 수 있습니다.

따라서 이동평균법 (이동평균계산방법)을 다양한 분야에 적용 시, 해당 분야에 맞게 부분집합 크기를 설정하는 과정이 추가적으로 필요하다고 볼 수 있습니다.

이동평균은 가격, 무게, 거리, 수량, 거래량 등 가공되지 않은 데이터에 활용할 수 있지만, 수익률, 주가수익률, 거래량비율, 자산비율, 주가순자산비율, 주당순이익, 총자산이익률, 배당률, 이자율 등 다양하게 가공된 데이터 적용하여 활용할 수 있습니다.

이동 평균

이전에 포스팅에서, RSI수치를 구할 때 이동평균(Moving average)를 이용한다고 하였는데요,

이번에는 이것에 대해 더 자세히 알아보려고 합니다.

RSI(Relative Strength Index) 계산방법

RSI는 30이하/70이상 일 때, 시장이 과매도/과매수인지를 판별함으로서 투자에 활용할 수 있는 유용한 지표입니다. 이번에 다룰 내용은 이것의 구체적인 계산방법입니다. 1. 데이터 추출 시간순서

이동평균(moving average)이란, 말 그대로 어떤 것이 방향성을 가지고 움직일 때, 이동하면서 구해지는 평균을 뜻합니다. 즉, 동적으로 변화하는 것에는 어디든 이동평균을 적용할 수 있습니다. 주가데이터 또한, 1차원적인 방향성을 가지고 이동하기 때문에 이동평균을 적용할 수 있습니다.

1. 단순이동평균(simple moving average, SMA)

맨 오른쪽이 최신 데이터인 주가 데이터가 있다고 가정합니다.

U = [4, 1, 1, 2, 4, 11, 0, 0, 4, 2, 8]

먼저, 단순이동평균은 몇일을 기준으로 할 것인지 정해주어야 합니다.

우리는 m일의 평균을 구한다고 가정해봅시다. (window의 크기를 결정한다고도 합니다.)

구하는 방식은 다음과 같습니다.

n번째 데이터의 단순이동평균 = n번째 데이터를 포함한 왼쪽 m개의 데이터의 산술평균

이해를 돕기 위해, m=6이라고 가정해보겠습니다.

n = 1일 경우, '1번째 데이터의 이동평균 = 1번째 데이터를 포함하여 왼쪽의 6개의 데이터의 산술평균' 이 되겠군요.

그런데, 1번째 데이터를 포함하여 왼쪽에 6개 데이터가 있나요? 존재하지 않습니다. 이런 경우, 평균을 구할 수가 없습니다.

따라서, 값 11에 해당하는 6번째 데이터부터 구할 수가 있을 것입니다.

n = 6일 경우, ( 4 +1+1+2+4+11)/6 = 3.833

n = 7일 경우, (1+1+2+4+11+ 0 )/6 = 3.167

사실 매번 m = 6개를 더해줄 필요 없이, (이전의 이동평균)+ (들어온 가장 최신의 값 - 나간 가장 오래된 값)/m 을 해주면 될 것입니다.

이렇게 해서 이동평균을 구하게 될 경우, 각 데이터의 이동 평균 이동평균은 아래와 같이 구해집니다.

NaN(Not a number)은 연산이 불가능하다는 의미입니다.

simple moving average = [NaN, NaN, NaN, NaN, NaN, 3.833, 3.167, 3, 3.5, 3.5, 4.5]

눈치채셨겠지만, 이러한 moving average는 window의 크기, m의 값에 큰 영향을 받습니다. 왜냐하면, m의 크기에 따라 몇개의 이전 데이터로 계산할지가 결정되기 때문입니다. window크기보다 더 이전의 데이터는 이동평균에 영향을 미치지 못한다는 단점이 있습니다. 이런 이유로 여러 다른 이동평균이 사용됩니다.

2. 누적이동평균(Cumulative moving average, CMA)

누적이동평균은, simple moving average와 같이 산술평균을 구하는 것은 동일하나, window (m값)을 정해놓지 않습니다.

따라서, 모든 데이터를 고려하고 싶을 때 사용합니다.

이것은, 새로운값이 들어올때마다 전체 평균을 새롭게 구하는 것과 동일합니다. 다시 이전의 데이터를 가져와 보겠습니다.

U = [4, 1, 1, 2, 4, 11, 0, 0, 4, 2, 8]

구하는 방식은 다음과 같습니다.

n번째 데이터의 누적이동평균 = n번째 데이터를 포함한, 이전 모든 데이터의 평균

n = 1일 경우, 1번째 데이터를 포함한, 이전 모든 데이터의 평균이므로 그냥 4가 되겠군요.

n = 2일 경우, 2번째 데이터를 포함한, 이전 모든 데이터의 평균이므로, (4+1)/2

n = 3일 경우, 3번째 데이터를 포함한, 이전 모든 데이터의 평균이므로, (4+1+1)/3

마지막 데이터의 누적이동평균은 결국 전체 데이터의 평균이 될 것임을 알 수 있습니다.

계산은 n+1번째 이동평균 = (n번째 누적이동평균*n + 새로 들어온 값)/(n+1) 을 이용하면

매번 모든 것을 더하지 않고 계산 할 수 있음을 확인할 수 있습니다.

cululative moving average = [4, 2.5, 2, . ]

이러한 결과는 이전의 모든 데이터를 포함하게 되므로, simple moving average과 다르게 이전의 모든 데이터의 영향을 받게 됩니다. 하지만, 우리는 최신의 데이터가 훨씬 현재의 상황을 더 잘 반영해 준다고 생각하기 때문에, 최신의 데이터가 더 큰 영향력을 발휘하기를 원합니다. 따라서, 또 다른 방식을 이용하게 됩니다.

3. (선형)가중이동평균(weighted moving average, WMA)

가중이동평균은, 데이터의 위치에 따라 서로 다른 가중치를 부여한 후 이동평균을 계산하게 됩니다.

simple moving average와 동일하게 몇일을 기준으로 구할 것인지 window의 크기 m을 지정해 주어야 합니다.

구하는 방식은 다음과 같습니다.

A = dot product( [m, m-1, m-2, . , 1], [n번째 데이터, n-1번째 데이터, . , n-m+1번째 데이터] )

B = m + (m-1) + . +1

n번째 데이터의 선형가중이동평균 = A / B

이러한 방식을 선형가중이동평균이라고 합니다. 왜냐하면, 오래된 데이터로 갈 수록 곱해지는 값이 선형적으로 감소하기 때문입니다. 이 또한, 수학적으로 식을 변형하면, 매번 전체를 계산하지 않고 구할 수 있습니다.

참고) 왜 이것이 평균의 의미를 갖는지 궁금해 하실 수도 있습니다. 지금은 곱해지는 값이 선형적으로 감소하지만, 이것이 선형적이지 않고 상수함수의 형태라고 생각해보겠습니다. 그렇다면, 아래와 같은 식의 꼴일 것입니다.

A = dot_product( [m, m, m, . m], [n번째 데이터, n-1번째 데이터, . n-m+1번째 데이터] )

A/B를 계산하면, 이것은 단순히 m = 6 인 simple moving average와 동일하게 됩니다. 즉, simple moving average 또한 사실 위의 꼴인데 그것을 상수함수가 아닌 선형함수로 변형해서 평균을 구하였다고 생각하면 될 것 같습니다.

어쨌든 이러한 방식은, 최신의 데이터에 더 큰 가중치 곱함으로서 최신의 데이터가 결과에 더 큰 영향력을 발휘하게 합니다.

하지만, 목적에 맞추어 조금 더 유연하게 활용하기 위해 비선형적인 방식으로 곱해갈 수도 있습니다.

4. 지수가중이동평균 (Exponentially weighted moving average, EWMA)

지수적으로 감소하는 가중치를 곱해준다는 의미만 다르고, 선형가중이동평균과 본질은 동일합니다.

따라서, 구하는 방식은 다음과 같습니다.

A = dot product( [ 1 , (1 - α) , (1 이동 평균 - α)^2 , . , (1 - α)^(m-1) ], [n번째 데이터, n-1번째 데이터, . , n-m+1번째 데이터] )

B = 1 + (1 - α) + (1 - α)^2+ . + 이동 평균 (1 - α)^(m-1)

n번째 데이터의 지수가중이동평균 = A / B

이것은 다음과 같은 식으로 변형할 수 있습니다.

따라서, 현재의 지수가중이동평균은 바로 이전의 데이터의 지수가중이동평균을 이용하여 구할 수 있음을 보여줍니다.

위의 식을 다시 쓰면 다음과 같습니다.

1번째 지수가중이동평균 = 1번째 데이터 값

n번째 지수가중이동평균 = (1 - α ) * (n-1번째 지수가중평균) + α * 현재 데이터값

따라서, 가장 오래된 데이터부터 시작해서 재귀적(recursive)하게 가장 최근의 데이터까지 지수가중이동평균을 구할 수 있습니다. 새로운 데이터가 추가되어도 재귀적으로 바로 구할 수 있습니다.

이 때, α 값은 다음과 같은 세가지 방식 중 하나로 구해질 수 있습니다. 이것은 우리가 임의로 설정해 줄 수 있고, 각자가 가지는 의미는 다양합니다만 저도 사실 아주 자세히는 아직 살펴보지 않았습니다. 아마도 물리적인 의미를 가지고 있지 않을까 생각해 봅니다.

그렇다면 우리가 자주사용하는 RSI 14지표에 대해 설명할 수 있습니다.

Wilder는 RSI 14를 추천했으며, α = 1/14 에 해당합니다. 즉 , c = period -1

window의 크기는 정해져 있지 않고, 새로운 데이터가 들어올 때마다 RSI값은 계산됩니다.

핵심은, 각기 다른 이동평균도 결국은 이동평균이라는 큰 맥락에서 벗어나지 않는다는것 같습니다. 제 생각에는, 적절한 목적에 맞게 각자 다른 이동평균을 고려하는 것은 중요함과 동시에, 비선형적인 새로운 방식으로 가중치를 주는 것은 하나의 시도가 될 수도 있을 것 같습니다. 또는, 단순 dot product의 형태에서 벗어나 새로운 형태를 고안해보는것도 좋은 시도일 것 같습니다. 물론, 그것은 특정한 목적과 아이디어가 필요하다고 생각됩니다.. 또한, 수학적으로 충분히 의미를 함포하고 있어야 할 것이라고 생각됩니다.

이동 평균 (Moving Average) 이란 무엇일까요?

Pixabay

이동 평균 (MA)이란 무엇입니까?

통계에서 이동 평균은 전체 데이터 집합의 여러 하위 집합에 대한 일련의 평균을 만들어 데이터 요소를 분석하는 데 사용되는 계산입니다. 금융에서 이동 평균 (MA)은 기술 분석에 일반적으로 사용되는 주식 지표입니다. 주식의 이동 평균을 계산하는 이유는 지속적으로 업데이트되는 평균 가격을 생성하여 가격 데이터를 평활화하는 데 도움이 됩니다.

이동 평균을 계산하면 지정된 기간 동안 주식 가격에 대한 임의의 단기 변동의 영향이 완화됩니다.

이동 평균 (MA) 이해

이동 평균은 간단한 기술 분석 도구입니다. 이동 평균은 일반적으로 주식의 추세 방향을 식별하거나 지원 및 저항 수준을 결정하기 위해 계산됩니다.

이동 평균의 기간이 길수록 지연이 커집니다. 따라서 200 일 이동 평균은 지난 200 일 동안의 가격을 포함하기 때문에 20 일 이동 평균보다 훨씬 더 많은 지연을 갖습니다. 주식에 대한 50 일 및 200 일 이동 평균 수치는 투자자와 거래자들이 널리 따르며 중요한 거래 신호로 간주됩니다.

이동 평균은 완전히 사용자 정의 가능한 지표이므로 투자자가 평균을 계산할 때 원하는 시간 프레임을 자유롭게 선택할 수 있습니다. 이동 평균에 사용되는 가장 일반적인 기간은 15 일, 20 일, 30 일, 50 일, 100 일 및 200 일입니다. 평균을 생성하는 데 사용되는 시간 범위가 짧을수록 가격 변동에 더 민감해집니다. 시간 범위가 길수록 평균은 덜 민감합니다.

투자자는 거래 목표에 따라 이동 평균을 계산하기 위해 다양한 길이의 다른 기간을 선택할 수 있습니다. 단기 이동 평균은 일반적으로 단기 거래에 사용되는 반면 장기 이동 평균은 장기 투자자에게 더 적합합니다.

이동 평균을 설정할 때 사용할 정확한 시간 프레임이 없습니다. 어떤 것이 가장 적합한 지 알아내는 가장 좋은 방법은 전략에 맞는 기간을 찾을 때까지 다양한 기간을 실험하는 것입니다. 주식 시장의 추세를 예측하는 것은 단순한 과정이 아닙니다. 특정 주식의 미래 움직임을 예측하는 것은 불가능하지만 기술 분석 및 연구를 사용하면 더 나은 예측을 할 수 있습니다.

이동 평균이 상승하면 유가 증권이 상승 추세에 있음을 나타내고 이동 평균이 하락하면 하락 추세에 있음을 나타냅니다. 마찬가지로 상승 모멘텀은 단기 이동 평균이 장기 이동 평균 위로 교차할 때 발생하는 강세 크로스 오버로 확인됩니다. 반대로 하락 모멘텀은 단기 이동 평균이 장기 이동 평균 아래로 교차할 때 발생하는 약세 교차로 확인됩니다.

이동 평균 계산은 그 자체로 유용하지만이 계산은 이동 평균 수렴 발산 (MACD)과 같은 다른 기술적 분석 지표의 기초를 형성할 수도 있습니다.

이동 평균 수렴 발산 (MACD)은 거래자가 두 이동 평균 간의 관계를 모니터링하는 데 사용됩니다. 일반적으로 12 일 지수 이동 평균에서 26 일 지수 이동 평균을 빼서 계산합니다. MACD가 양수이면 단기 평균이 장기 평균 위에 있습니다. 이것은 상승 모멘텀의 표시입니다. 단기 평균이 장기 평균보다 낮으면 모멘텀이 하락하고 있다는 신호입니다. 많은 거래자들은 또한 제로 선 위 또는 아래의 움직임을 지켜 볼 것입니다. 0 위의 움직임은 매수 신호이고, 0 아래의 십자가는 매도 신호입니다.

SMA (단순 이동 평균)라고 하는 가장 단순한 형태의 이동 평균은 주어진 값 집합의 산술 평균을 사용하여 계산됩니다. 즉, 일련의 숫자 (금융 상품의 경우 가격)를 더한 다음 세트의 가격 수로 나눕니다.

지수 이동 평균은 새로운 정보에 대한 반응을 높이기 위해 최근 가격에 더 많은 가중치를 부여하는 이동 평균의 한 유형입니다. EMA를 계산하려면 먼저 특정 기간 동안 단순 이동 평균 (SMA)을 계산해야 합니다.

단순 이동 평균 (SMA) 대 지수 이동 평균 (EMA)

EMA 계산은 최근 데이터 포인트에 더 중점을 둡니다. 이 때문에 EMA는 가중 평균 계산으로 간주됩니다.

아래 그림에서 각 평균에 사용된 기간 수는 15 개로 동일하지만 EMA는 SMA보다 가격 변동에 더 빠르게 대응합니다. 또한 그림에서 가격이 SMA보다 상승할 때 EMA가 더 높은 가치를 갖는 것을 관찰할 수 있습니다 (가격이 하락할 때 SMA보다 빠르게 하락함). 가격 변동에 대한 이러한 반응은 일부 거래자가 SMA보다 EMA를 선호하는 주된 이유입니다.

이동 평균은 SMA 또는 EMA 유형에 따라 다르게 계산됩니다. 아래에서는 15 일 동안 다음과 같은 종가가 있는 유가 증권의 단순 이동 평균 (SMA)을 살펴봅니다.

  • 1 주차 (5 일) : 20, 22, 24, 25, 23
  • 2 주차 (5 일) : 26, 28, 26, 29, 27
  • 3 주차 (5 일) : 28, 30, 27, 29, 28

10 일 이동 평균은 첫 번째 데이터 포인트로 처음 10 일 동안의 종가를 평균화합니다. 다음 데이터 포인트는 가장 이른 가격을 낮추고 11 일에 가격을 더한 다음 평균을 취합니다.

이동 평균 지표의 예

볼린저 Band® 기술 지표 밴드는 일반적으로 상단 밴드로 이동하면 자산이 과매수되고 있음을 의미하고 하단 밴드로 이동하면 자산이 과매도되고 있음을 나타냅니다. 표준 편차는 변동성의 통계적 척도로 사용되기 때문에 이 지표는 시장 상황에 맞게 조정됩니다.

단순 이동 평균 (Simple Moving Average : SMA) 이란 무엇일까요?

단순 이동 평균 (SMA)이란 무엇입니까? 단순 이동 평균 (SMA)은 선택한 가격 범위 (일반적으로 종가)의 평균을 해당 범위의 기간 수로 계산합니다. 단순 이동 평균 (SMA)의 이해 단순 이동 평균 (SMA)은

이동 평균

이동평균 전략, 초과 수익률은 얼마나 될까?

    본문 폰트 크기 조정 본문 폰트 크기 작게 보기 본문 폰트 크기 크게 보기 가

기술적 분석(주가 차트 패턴에 기반 한 트레이딩)은 항상 논쟁이 뜨거운 투자 전략이었다. 펀더멘털 애널리스트들이 그것을 엉터리 과학이라고 매도할지도 모르지만, 여전히 오늘날까지 월스트리트의 프랍 트레이딩 데스크에는 많은 지지자들이 있다.

저항 수준, 지지 수준, 삼각형 패턴, 이중 고점, 헤드 앤 숄더, 이동평균 등등이 기술적 애널리스트들이 미래의 시장 움직임을 예측하고 수익을 얻기 위해 연구할 수 있는 주가 패턴이다.

한 가지 기술적 분석(이동평균)을 통해 지난 수십 년 동안의 성과를 살펴보자.

50일 및 200일 이동평균을 바탕으로, S&P 500이 이들 이동평균 위에 있을 경우에는 롱 포지션을, 아래에 있을 때는 숏 포지션으로 각각 두 개의 포트폴리오를 구축했다.

하나의 전략으로서, 지난 60년 동안 50일 이동평균을 상회하는 날에 시장을 매수했을 경우 일평균 수익률은 0.11~0.18%였고, 1980년대에 최고치를 기록했다. 이동평균 이하로 떨어진 날에 시장을 매수한 결과, 일평균 수익률은 -0.14%~-0.28%였으며, 역시 1980년대에 손실이 가장 컸다.

1960년대, 시장이 50일 이동평균을 상회하는 날마다 매수(롱 포지션) 하고, 하회하는 날마다 매도했을 경우, 연평균 수익률은 대략 22%인 반면, 같은 기간 S&P 500은 10%였다. 즉 이 전략으로 12%의 초과 수익률이 얻어졌다는 의미다. 조사한 전체 기간 동안의 초과 수익률은 1% 수준이었다.


0 개 댓글

답장을 남겨주세요