Movimento Simples Média Viés

Como usar médias móveis. As médias móveis ajudam-nos primeiramente definir a tendência e em segundo lugar, reconhecer mudanças na tendência Que é ele Não há nada mais que são bons para Qualquer outra coisa é apenas um desperdício de tempo. Entrar em detalhes sangrentos sobre como eles são construídos Há cerca de um zilhão de sites que irá explicar a maquiagem matemática deles Eu vou deixá-lo fazer isso em seu próprio dia, quando você está extremamente entediado fora de sua mente. Mas tudo o que você Realmente tem que saber é que uma linha de média móvel é apenas o preço médio de um estoque ao longo do tempo Isso é it. The duas médias móveis. Eu uso duas médias móveis a média móvel de 10 períodos simples SMA e os 30 período exponencial EMA média móvel Como usar um mais lento e um mais rápido Por que Porque quando o mais rápido 10 atravessa o mais lento um 30, ele freqüentemente sinalizará uma mudança de tendência Vamos ver um exemplo. Você pode ver no gráfico acima como essas linhas podem ajudar Você define tendências No lado esquerdo do gráfico o 10 SMA está acima dos 30 EMA ea tendência é para cima Os 10 SMA atravessa abaixo dos 30 EMA em meados de agosto e a tendência é para baixo Então, os 10 SMA cruzes de volta através dos 30 EMA em setembro ea tendência é de novo - E fica para cima por vários meses depois disso. Aqui estão as regras. Foco em posições longas apenas quando o 10 SMA está acima do EMA 30 Foco em posições curtas apenas quando o 10 SMA está abaixo do EMA 30 Não é mais simples do que isso E irá SEMPRE mantê-lo no lado direito da tendência. Note que as médias móveis só funcionam bem quando um estoque está tendendo - não quando estão em um intervalo de negociação Quando um estoque ou o próprio mercado torna-se desleixado, então você pode ignorar as médias móveis - eles não vão trabalhar. Aqui estão as coisas importantes a lembrar para posições longas - inverter para posições curtas. O 10 SMA deve ser acima do 30 EMA. There deve haver abundância de espaço entre as médias móveis. Todas as médias móveis devem ser inclinadas A média móvel de 200 períodos. A 200 SMA é usada Para separar o território do touro do território do urso Estudos têm mostrado que ao se concentrar em posições longas acima desta linha e posições curtas abaixo desta linha pode dar-lhe uma ligeira edge. You deve adicionar essas médias móveis para todos os seus gráficos em todos os quadros de tempo Sim gráficos semanais , Gráficos diários e intra-dia 15 min, 60 min charts. The 200 SMA é a média móvel mais importante para ter em um gráfico de ações Você ficará surpreso com quantas vezes um estoque vai inverter nesta area. Use isso para o seu Além disso, ao escrever exames de ações, você pode usar isso como um filtro adicional para encontrar potenciais longas configurações que estão acima desta linha e potenciais configurações curtas que estão abaixo desta linha. Suporte e resistência. Contrary para a crença popular, os estoques não Encontrar apoio ou correr em resistência em médias móveis Muitas vezes você vai ouvir os comerciantes dizem: Ei, olhe para este estoque Ele saltou fora da média móvel de 50 dias. Por que um estoque de repente saltar de uma linha que alguns comerciantes colocar em um estoque Traçá-lo Wouldn t Uma ação só vai saltar se você quiser chamá-lo que fora de níveis de preços significativos que ocorreram no passado - e não uma linha em um chart. Stocks vai inverter para cima ou para baixo em níveis de preços que estão em estreita proximidade com as médias móveis populares Mas eles não inverter na linha em si. Então, suponha que você está olhando para um gráfico e você vê o estoque puxando de volta para, digamos, a média móvel 200 período olhar para os níveis de preços no gráfico que provou ser significativa Suporte ou áreas de resistência no passado. Essas são as áreas onde o estoque provavelmente inverterá. Modelos de média e exponencial de suavização exponencial. Como um primeiro passo para se mover além de modelos de média, modelos de tendência aleatória e tendências lineares, padrões e tendências não sazonais podem Ser extrapolado usando um modelo de média móvel ou suavização A suposição básica por trás de modelos de média e suavização é que a série de tempo é localmente estacionária com uma média lentamente variável. Portanto, tomamos uma média local móvel para estimar a corrente Valor da média e, em seguida, usá-lo como a previsão para o futuro próximo Isto pode ser considerado como um compromisso entre o modelo médio eo modelo randômico-caminhada-sem-deriva A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local Uma média móvel é muitas vezes chamado de uma versão suavizada da série original, porque a média de curto prazo tem o efeito de alisar os solavancos na série original. Ajustando o grau de suavização da largura da média móvel, podemos esperar a greve algum tipo Do equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O modelo mais simples de média é a média móvel ponderada igualmente. A previsão para o valor de Y no tempo t 1 que é feita no tempo t é igual à média simples Das últimas observações. Aqui e noutros locais, usarei o símbolo Y-hat para representar uma previsão da série de tempo Y feita na data anterior possível mais precoce por um determinado modelo. Esta média é centrada no período t m 1 2, o que implica que a estimativa de A média local tenderá a ficar aquém do verdadeiro valor da média local em cerca de m 1 2 períodos Assim, dizemos que a idade média dos dados na média móvel simples é m 1 2 em relação ao período para o qual a previsão é calculada Por exemplo, se estiver a calcular a média dos últimos 5 valores, as previsões serão cerca de 3 períodos de atraso na resposta a pontos de viragem. Note que se m 1, O modelo SMA de média móvel simples é equivalente ao modelo de caminhada aleatória sem crescimento Se m é muito grande comparável ao comprimento do período de estimação, o modelo SMA é equivalente ao modelo médio Como com qualquer parâmetro de um modelo de previsão, é costume Para ajustar o valor de ki A fim de obter o melhor ajuste para os dados, ou seja, os erros de previsão menor em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta Primeiro, vamos tentar ajustá-lo com uma caminhada aleatória , O que equivale a uma média móvel simples de um termo. O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo escolhe grande parte do ruído nos dados as flutuações aleatórias, bem como o sinal local Média Se nós preferirmos tentar uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves. A média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados neste Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virem até vários períodos mais tarde. Observe que a tendência de longo prazo, Previsões de longo prazo da SMA mod Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões a partir do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões de O modelo SMA é igual a uma média ponderada dos valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se alargam à medida que aumenta o horizonte de previsão. A teoria estatística que nos diz como os intervalos de confiança deve ampliar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de horizonte mais longo. Por exemplo, você poderia configurar uma planilha em que o modelo SMA Seria usado para prever 2 passos à frente, 3 passos à frente, etc dentro da amostra de dados históricos Você poderia então calcular os desvios-padrão da amostra dos erros em cada previsão h E, em seguida, construir intervalos de confiança para previsões de longo prazo, adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obteremos previsões ainda mais suaves e mais de um efeito retardado. A idade média é Agora 5 períodos 9 1 2 Se tomarmos uma média móvel de 19-termo, a idade média aumenta para 10.Notice que, de fato, as previsões estão agora atrasados ​​por pontos de viragem por cerca de 10 períodos. Qual quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de três termos. O modelo C, a média móvel de 5 períodos, produz o menor valor de RMSE por uma pequena margem sobre as médias de 3 e 9 prazos e Suas outras estatísticas são quase idênticas Assim, entre os modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. Voltar ao topo da página. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações igualmente e ignora completamente todas as observações precedentes Intuitivamente, os dados passados ​​devem ser descontados de uma forma mais gradual - por exemplo, a observação mais recente deve Obter um pouco mais de peso do que o segundo mais recente, eo segundo mais recente deve ter um pouco mais de peso do que o terceiro mais recente, e assim por diante O simples exponencial suavização SES modelo realiza this. Let denotar uma constante de alisamento um número entre 0 e 1 Uma maneira de escrever o modelo é definir uma série L que represente o nível atual ie valor médio local da série como estimado a partir de dados até o presente O valor de L no tempo t é computado recursivamente a partir de seu próprio valor anterior como este. Deste modo, o valor suavizado actual é uma interpolação entre o valor suavizado anterior e a observação corrente, onde controla a proximidade do valor interpolado para o máximo A previsão para o próximo período é simplesmente o valor suavizado atual. De forma semelhante, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação Entre a previsão anterior ea observação anterior. Na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior por uma quantidade fracionada. É o erro feito no tempo t Na terceira versão, a previsão é um Ponderada exponencialmente a média móvel descontada com o fator de desconto 1. A versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha, ela se encaixa em uma única célula e contém referências de células que apontam para a previsão anterior Observação e a célula onde o valor de é armazenado. Note que se 1, o modelo SES é equivalente a um modelo de caminhada aleatória Hout growth Se 0, o modelo SES é equivalente ao modelo médio, assumindo que o primeiro valor suavizado é definido igual à média Retornar ao início da página. A idade média dos dados na previsão de suavização exponencial simples é 1 relativa Para o período para o qual a previsão é calculada Isto não é suposto ser óbvio, mas pode facilmente ser mostrado avaliando uma série infinita Por isso, a média móvel simples tende a ficar para trás de pontos de viragem por cerca de 1 períodos Por exemplo, quando 0 5 o atraso é 2 períodos em que 0 2 o atraso é de 5 períodos quando 0 1 o atraso é de 10 períodos, e assim por diante. Para uma dada idade média ou seja, a quantidade de atraso, a simples suavização exponencial SES previsão é um pouco superior ao movimento simples Média de SMA, porque coloca relativamente mais peso na observação mais recente --e é ligeiramente mais sensível às mudanças ocorridas no passado recente Por exemplo, um modelo SMA com 9 termos e um modelo SES com 0 2 ambos têm uma idade média De 5 para o da Ta nas suas previsões, mas o modelo SES põe mais peso nos últimos 3 valores do que o modelo SMA e, ao mesmo tempo, não esquece completamente valores superiores a 9 períodos, como mostrado neste gráfico. Outra vantagem importante de O modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser facilmente otimizado usando um algoritmo de solução para minimizar o erro quadrático médio. O valor ótimo do modelo SES para esta série resulta Para ser 0 2961, como mostrado aqui. A idade média dos dados nessa previsão é de 1 0 2961 3 4 períodos, que é semelhante ao de uma média móvel simples de 6-termo. As previsões de longo prazo do modelo SES são Uma linha reta horizontal como no modelo SMA eo modelo de caminhada aleatória sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoável e que são substancialmente mais estreitos do que os intervalos de confiança para a rand Om modelo de caminhada O modelo SES assume que a série é um pouco mais previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA assim que a teoria estatística de modelos ARIMA fornece uma base sólida para o cálculo de intervalos de confiança para o Modelo SES Em particular, um modelo SES é um modelo ARIMA com uma diferença não sazonal, um termo MA 1 e nenhum termo constante conhecido como modelo ARIMA 0,1,1 sem constante O coeficiente MA 1 no modelo ARIMA corresponde ao modelo ARIMA Quantidade 1- no modelo SES Por exemplo, se você ajustar um modelo ARIMA 0,1,1 sem constante à série aqui analisada, o coeficiente MA 1 estimado será 0 7029, que é quase exatamente um menos 0 2961. É possível adicionar a suposição de uma tendência linear constante não-zero para um modelo SES. Para fazer isso, basta especificar um modelo ARIMA com uma diferença não sazonal e um termo MA 1 com uma constante, ou seja, um modelo ARIMA 0,1,1 As previsões a longo prazo serão Em seguida, ter uma tendência que é igual à tendência média observada durante todo o período de estimação Você não pode fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desativadas quando o tipo de modelo é definido como ARIMA No entanto, você pode adicionar uma constante longo - tendência exponencial a um modelo de suavização exponencial simples com ou sem ajuste sazonal usando a opção de ajuste de inflação no Procedimento de Previsão A taxa de crescimento de porcentagem de inflação apropriada por período pode ser estimada como o coeficiente de declive em um modelo de tendência linear ajustado aos dados em Em conjunto com uma transformação logarítmica natural, ou pode ser baseada em outras informações independentes sobre as perspectivas de crescimento a longo prazo. Os modelos SMA e SES assumem que não há tendência de Qualquer tipo nos dados que é geralmente OK ou pelo menos não-muito ruim para 1-passo-frente previsões quando os dados é relativamente noi Sy, e eles podem ser modificados para incorporar uma tendência linear constante como mostrado acima O que sobre as tendências de curto prazo Se uma série exibe uma taxa variável de crescimento ou um padrão cíclico que se destaca claramente contra o ruído, e se há uma necessidade de Previsão de mais de um período à frente, então a estimação de uma tendência local também pode ser um problema O modelo de suavização exponencial simples pode ser generalizado para obter um modelo linear de suavização exponencial LES que calcula estimativas locais de nível e tendência. A tendência mais simples variando no tempo Modelo é o modelo de suavização exponencial linear de Brown, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos no tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. Uma versão mais sofisticada deste modelo, Holt s, é Discutida abaixo. A forma algébrica do modelo de suavização exponencial linear de Brown, como a do modelo de suavização exponencial simples, pode ser expressa em vários Formas quivalentes A forma padrão deste modelo é usualmente expressa da seguinte forma: Se S denotar a série suavizada individualmente obtida aplicando a suavização exponencial simples à série Y Ou seja, o valor de S no período t é dado por. Lembre-se que, sob simples suavização exponencial, esta seria a previsão para Y no período t 1 Então, S indicam a série duplamente suavizada obtida pela aplicação de suavização exponencial simples usando o mesmo para a série S. Finalmente, a previsão para Y tk para qualquer K 1, é dado por. Isto produz e 1 0 ie trar um pouco e deixar a primeira previsão igual à primeira observação real e e 2 Y 2 Y 1 após o qual as previsões são geradas usando a equação acima Isto produz os mesmos valores ajustados Como a fórmula baseada em S e S se este último foi iniciado usando S 1 S 1 Y 1 Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt s Linear Exponencial Smoothing. Brown O modelo LES calcula as estimativas locais de nível e tendência ao suavizar os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de se ajustar ao nível e tendência não é permitido variar Em Taxas independentes Holt s LES modelo aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência Em qualquer momento t, como no modelo de Brown s, existe uma estimativa L t do nível local e uma estimativa T T da tendência local Aqui eles são computados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado e tendência no tempo t-1 São L t 1 e T t-1 respectivamente, então a previsão para Y t que teria sido feita no tempo t-1 é igual a L t-1 T t-1 Quando o valor real é observado, a estimativa atualizada do É calculado recursivamente pela interpolação entre Y t e sua previsão, L t-1 T t-1, usando pesos de e 1. A mudança no nível estimado, ou seja, L t L t 1 pode ser interpretada como uma medida ruidosa do Tendência no tempo t A estimativa actualizada da tendência é então calculada recursivamente pela interpolação entre L T L t 1 ea estimativa anterior da tendência, T t-1 usando pesos de e 1. A interpretação da constante tendência-alisamento é análoga à da constante de alisamento de nível Os modelos com valores pequenos assumem que a tendência muda Apenas muito lentamente ao longo do tempo, enquanto modelos com maior assumem que está mudando mais rapidamente Um modelo com um grande acredita que o futuro distante é muito incerto, porque os erros na estimativa de tendência tornam-se bastante importantes quando a previsão mais de um período adiante Voltar ao topo Da página. As constantes de suavização e podem ser estimadas da maneira usual, minimizando o erro quadrático médio das previsões de 1 passo. Quando isso é feito em Statgraphics, as estimativas são 0 3048 e 0 008 O valor muito pequeno de Significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo Por analogia com a noção de idade média dos dados que é usada na estimativa de t Ao nível local da série, a idade média dos dados que é utilizada na estimativa da tendência local é proporcional a 1, embora não exatamente igual a ela. Neste caso, que se revela ser 1 0 006 125 Este não é um número muito preciso Na medida em que a precisão da estimativa não é realmente 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, por isso este modelo está em média bastante história na estimativa da tendência O gráfico de previsão Abaixo mostra que o modelo LES estima uma tendência local ligeiramente maior no final da série do que a tendência constante estimada no modelo de tendência SES Também, o valor estimado de é quase idêntico ao obtido pela montagem do modelo SES com ou sem tendência , Então este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis ​​para um modelo que é suposto ser a estimativa de uma tendência local Se você olho este gráfico, parece que a tendência local virou para baixo no final do Série Wh At has happened Os parâmetros deste modelo foram estimados minimizando o erro quadrado das previsões de 1 passo, e não as previsões de longo prazo, caso em que a tendência não faz muita diferença Se tudo o que você está olhando são 1 - passar-frente erros, você não está vendo a imagem maior de tendências, digamos 10 ou 20 períodos Para obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de suavização constante para que ele Usa uma linha de base mais curta para estimativa de tendência. Por exemplo, se escolhemos definir 0 1, a idade média dos dados usados ​​na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo a média da tendência ao longo dos últimos 20 períodos Aqui está o que o gráfico de previsão parece se ajustarmos 0 1 mantendo 0 3 Isto parece intuitivamente razoável para esta série, embora seja provavelmente perigoso extrapolar esta tendência mais do que 10 períodos no futuro. O que sobre as estatísticas de erro Aqui está Uma comparação de modelos f Ou os dois modelos mostrados acima, bem como três modelos SES O valor ideal do modelo SES é aproximadamente 0 3, mas resultados semelhantes com ligeiramente mais ou menos responsividade, respectivamente, são obtidos com 0 5 e 0 2. Um Holt s linear exp suavização Com alfa 0 3048 e beta 0 008. B Holt linear alisamento exp com alfa 0 3 e beta 0 1. C Alisamento exponencial simples com alfa 0 5. D Alisamento exponencial simples com alfa 0 3. E Alisamento exponencial simples com alfa 0 2 . Suas estatísticas são quase idênticas, então realmente não podemos fazer a escolha com base em erros de previsão de 1 passo na amostra de dados. Nós temos que recair sobre outras considerações Se acreditamos firmemente que faz sentido basear a corrente Estimativa da tendência sobre o que aconteceu ao longo dos últimos 20 períodos ou assim, podemos fazer um caso para o modelo LES com 0 3 e 0 1 Se queremos ser agnóstico sobre se há uma tendência local, então um dos modelos SES pode Ser mais fácil de explicar e dar também mais As previsões empíricas sugerem que, se os dados já tiverem sido ajustados se necessário para a inflação, então Pode ser imprudente extrapolar as tendências lineares de curto prazo muito para o futuro Tendências evidentes hoje podem afrouxar no futuro devido a causas variadas como a obsolescência do produto, o aumento da concorrência e desacelerações ou retornos cíclicos em uma indústria Por esta razão, A suavização geralmente desempenha melhor fora da amostra do que seria de esperar, apesar da sua extrapolação de tendência horizontal ingênua modificações de tendência de amortecimento do modelo de suavização linear exponencial também são frequentemente utilizados na prática para introduzir uma nota de conservadorismo em suas projeções de tendência A tendência de amortecimento O modelo LES pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA 1,1,2. É possível calcular intervalos de confiança arou E as previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. Cuidado, nem todos os softwares calculam intervalos de confiança para esses modelos corretamente. A largura dos intervalos de confiança depende do erro RMS do modelo, ii do tipo De alisamento simples ou linear iii o valor s da constante de suavização s e iv o número de períodos à frente que você está prevendo Em geral, os intervalos se espalham mais rápido à medida que se torna maior no modelo SES e eles se espalham muito mais rápido quando linear em vez de simples O alisamento é usado Este tópico é discutido mais na seção de modelos do ARIMA das notas. Voltar para parte superior da página.200 Movendo a média. Um dos aspectos mais importantes da negociação de tendências é saber o viés de negociação Isso é crucial para entender quando estamos em um Touro ou um mercado de urso em outras palavras se devemos considerar comprar ou vender oportunidades. A primeira coisa que procuro em um gráfico é onde o preço é em relação ao 20 0 diária média móvel simples. Se o preço está abaixo dos 200 sma vou procurar oportunidades de venda curta. Se o preço está acima dos 200 sma vou procurar comprar oportunidades longas. Em poucas palavras isso é tudo que você precisa saber sobre este tópico Mas Eu sei que muitos leitores são um pouco mais curioso e gostaria de saber por que razão este é o caso. Utilização histórica. A razão principal a 200 sma é usado desta forma é parcialmente histórico. Antes temos software para desenhar quaisquer médias móveis que poderíamos desejar Pois em questão de segundos essas coisas tinham de ser calculadas e desenhadas à mão. Então, os comerciantes eram extremamente exigentes com o que era informação útil eo que constituía ruído uma lição que faríamos bem em lembrar hoje. A sma 200 foi considerada um bom indicador Da direção da tendência geral Enquanto o preço permaneceu acima dela, em seguida, o viés de tendência foi considerado bullish E se o preço negociado abaixo, em seguida, o viés de tendência foi considerado bearish Se o preço repetidamente interceptou o 200 sma, em seguida, o preço foi considerado em um intervalo c Uma tendência nova pode começar no lado errado do sma 200. Quando um mercado de urso segue um mercado de touro forte então o preço pode vir para baixo por diversas semanas ou meses antes de cruzar abaixo do 200 Sma E vice-versa, é claro. Esta é a 200 sma failsafe podemos ter de suportar semanas de uma nova tendência sem ser capaz de trocá-lo devido a ele ser o lado errado do 200 ma, mas isso é para nos proteger contra a reversão Sendo um retrocesso temporário. Alguns pullbacks pode ser profundo e prolongado e isso pode tentar algumas pessoas para o lado negro da negociação que querem trocar contra a tendência global Mas até preço cruza os 200 sma assumimos o viés de alta ou bearish ainda está intacta embora Nós ganhamos t necessariamente negociação it. When preço está acima do 200 sma o viés é BULLISH. Quando preço está abaixo do 200 sma o viés é BEARISH. So ficar com o 200 sma failsafe Sim, pode parecer oportunidades estão passando por nós , Às vezes, mas precisamos Ser mais seletivo Precisamos estar cientes do viés de negociação e não distracted. Follow os fabricantes de mercado. A outra razão que eu aderir à regra 200 sma é porque muitos grandes bancos e instituições financeiras fazem Essas organizações têm enormes fundos que detêm em seus Disposição e assim têm muita influência. Alguns fundos que negociam posições a longo prazo podem começar a acumular posições grandes o lado errado do sma 200 porque têm o financiamento para fazer assim Isto pode fazer exame lhes semanas ou meses Eles fazem-no muito lentamente porque Eles don t quer que os outros a ver o que eles estão fazendo, pois isso poderia resultar em eles serem incapazes de preencher posições ao preço que eles want. But a maioria dos comerciantes institucionais comércio com o viés Por esta razão comerciantes, com nossos tamanhos de conta relativamente pequeno , Só olhar para entrar em um comércio do lado direito do 200 sma como este é o momento onde o momento é. Note que o 200 sma é apenas de relevância quando entrar em um comércio de gestão do comércio deve tirá-lo de um comércio muito antes p O arroz se retrai para o 200 sma Vamos estar olhando para como gerenciar e sair posições mais tarde na série. Sumário da tendência de negociação. Sempre têm a média móvel simples de 200 traçados em seu gráfico diário Independentemente do que menor tempo você comércio, siga este Regra. Se o preço está acima do diário 200 sma apenas olhar e comércio, comprar compradas posições. Se o preço está abaixo do diário 200 sma apenas olhar e comércio, venda curta positions. We chamar este viés de negociação que ajuda a empilhar As probabilidades de um comércio bem sucedido em nosso favor Isso se aplica a todos e cada mercado que você pode pensar. No artigo de amanhã vamos estar olhando para mais duas regras que podemos adicionar ao nosso preconceito de negociação objetivamente identificar uma tendência. Eu tinha feito um Lote de pesquisa em Forex na internet, mas não encontrei nada de substância real Eu participei de seminários, mas descobriu que seus cursos foram sobre o preço para o comprimento e conteúdo Havia simplesmente muito venda e eu não sou um para comprar sob a pressão de venda Os cursos Eram únicos e exatos O que eu estava procurando Eu queria uma imersão completa em negociação e com o apoio contínuo por isso não foi deixado em meu próprio cair em maus hábitos Eu comecei instantaneamente e ter absorvido todos os princípios do Smart Money Venho de um dia de negociação de fundo E por isso foi difícil no início e eu mesmo quebrou algumas das regras, para a minha própria queda Eu estou agora consistentemente seguindo as regras e eu posso ver minha conta crescendo lenta e firmemente Os primeiros dias são desafiadores e você precisa de tempo para entender as estratégias Mas uma vez que tudo faz sentido, torna-se simples e direta Albert Costas. Unique Trading Courses. As de hoje estou em 11 comércios com minha conta em 3200 pips destes comércios 1 não é em lucro, 10 posições são em lucro Jasmine.3200 Pips Profit. The verdadeira eficácia de Javid s mentoring vem de sua orientação paciente através do software profissional, enquanto você aplicar suas estratégias forex testado e testado Ele explica informações novas e poderosas de forma clara e fácil de entender E maneira Se você quer ser o melhor que você tem que aprender com os melhores e Javid fornece essa oportunidade Marc F. Easy para compreender estratégias.