آموزش گام به گام Moving Average
برای ایجاد حساب در بازار فارکس ابتدا باید در یک کارگزاری معتبر ثبت نام کنید ، پس از ثبت نام با توجه به دارایی که قصد معامله آن را دارید نوع حساب خود را که شامل حساب سهام ، استاندارد ، ارز های دیجیتال و PRO می شود را انتخاب کرده و در نهایت با تایید اطلاعات هویتی و اقامتی شما توسط کارگزاری مربوطه ، مجاز به انجام معامله با حساب کاربری خود هستید .
از آنجایی که بازار فارکس یک بازار برای تبادل انواع ارز های خارجی بوده که در آن انواع دارایی ها به صورت بین المللی مبادله می شود ، سبب شده تا معامله در این بازار همراه با سود های کلان برای فعالان در آن باشد . در نتیجه این موضوع روزانه افراد بیشتری ترغیب به فعالیت در این بازار با هدف کسب سود می شوند ، اما برای وارد شدن و ساختن حساب در بازار فارکس چه شرایطی لازم است ؟
برای ساختن حساب و وارد شدن به بازار فارکس در قدم اول باید یک کارگزاری مناسب و معتبر انتخاب کرده و در آن ثبت نام کنید ، پس از ثبت نام و وارد کردن اطلاعات خواسته شده با توجه به دارایی که قصد انجام معامله بر روی آن را دارید نوع حساب مورد نظر را انتخاب کرده و در نهایت پس از تایید اطلاعات هویتی و سکونتی شما توسط کارگزاری مربوطه توانایی شارژ کردن حساب خود و انجام معاملات را بدست می آورید . در ادامه به توضیح انواع حساب های موجود در بازار بورس فارکس و آموزش گام به گام ساختن حساب در آن پرداخته شده است .
گروه بی نظیر
مدرس و تحلیلگر بازار سرمایه تحلیلگر بازار مالی فارکس تحلیلگر ارشد سایت یار سرمایه برگزاری بیش از صد دوره آموزشی تحلیل بورس و فارکس عضو تیم icf_market تنها ارائه دهنده سبک ولوم تریدینگ به زبان فارسی در دنیا
تحلیل تکنیکال چیست
photo_2021-11-18_15-03-24
تحلیل تکنیکال ابزاری در بازار تریدینگ است که با به کارگیری آن میتوانیم سرمایه گذاری های مختلف را ارزیابی کرده و فرصت های مختلف خود در ترید کردن را شناسایی کنیم. در این تحلیل از اطلاعات فعالیت تجاری یک پروژه مانند روند قیمت کریپتو و یا شاخص حجم معاملات روزانه آن (Volume) آمار گرفته میشود. تحلیل گران تکنیکال بر این باورند که فعالیت تجاری و تغییرات قیمت یک پروژه در گذشته میتواند بیانگر نحوه تغییرات قیمت آن در آینده باشد. معمولا تحلیل تکنیکال در تقابل با تحلیل بنیادی قرار میگیرد؛ زیرا بر خلاف تحلیل بنیادی که بر اقتصادیات یک پروژه تمرکز میکند، تحلیل تکنیکال نگاه به الگوهای قیمت و سهام یک پروژه در گذشته دارد.
برخلاف تحلیل بنیادی که تلاش میکند امنیت یک ارز را بر اساس نتایج آن در بازار مانند میزان فروش و درآمد آن تخمین بزند، تحلیل تکنیکال بر مطالعه قیمت و حجم معاملات روزانه یک ارز تمرکز میکند. با استفاده از ابزار تحلیل تکنیکال میتوان موشکافی کرد که چگونه عرضه و تقاضای یک ارز میتواند بر تغییرات قیمت، شاخص حجم معاملات روزانه، و نوسانات آن تاثیر گذار باشد.
آنچه که ما امروزه به عنوان تحلیل تکنیکال میشناسیم، ابتدا توسط چارلز دو (Charles Dow) در اواخر قرن ۱۹ میلادی و در قالب نظریه ی دو (Dow Theory) معرفی شد. پس از آن شماری از محققان این نظریه را ارتقا داده و پایه های آن را شکل دادند. اکنون نظریه دو بسار گسترده است و شامل صدها الگو و سیگنال هایی است که طی سالها تحقیق به دست آمده. درک مبنا های نظریه دو باعث میشود تحلیل درستی از داده ها داشته باشیم.
به صورت کلی در تحلیل تکنیکال از ابزار زیر استفاده میشود:
- روند قیمت ها
- الگوی نمودارها
- شاخص های حجم معاملات روزانه و مومنتوم (Momentum) یا سرعت حرکت قیمت
- اسیلاتور ها (Oscillator) یا نوسانگرها
- میانگین متحرک (Moving Average)
- سطوح حمایت و مقاومت (Support and Resistance Levels)
امروزه اطلاعات گسترده و کاملی درباره تمام این ابزارها در پلتفرم های اجتماعی در اختیار عموم است. نکته مهم دیگر این است که محاسبات انجام شده در این ابزارها پایه های ریاضی داشته و به همین خاطر در چند سال اخیر در وبسایت ها و پلتفرم های مختلف برنامه هایی راه اندازی شده که با وارد کردن اطلاعات ساده ای از ارز مورد نظر شاخص های بالا را محاسبه کرده و با استفاده از آن میتوانید تخمین بزنید که کدام سرمایه گذاری ها مناسب هستند.
تحلیل گران بنیادی همه چیز را، از شرایط کلی اقتصادی و صنعتی گرفته تا شرایط اقتصادی و نحوه مدیریت یک پروژه، در نظر میگیرند. در مقابل، تحلیل گران تکنیکال بر این باورند که تمام بنیاد های مهم در مهم ترین بخش یک پروژه یعنی قیمت ارز تاثیر گذاشته و بخودی خود اعمال و محاسبه شده اند. بنابراین کار آنها این است که تنها قیمت و حجم معاملات گذشته را به وسیله ابزارها و الگوهای بالا محاسبه کرده و قیمت آن در آینده را بدین وسیله تخمین بزنند.
باید این نکته را در نظر دات که نتایج تحلیل بنیادی و تکنیکال هیچکدام قطعی نیستند. تحلیل تکنیکال محدودیت های دیگری نیز دارد. یکی از نقدهای وارد بر آن این است که تاریخ همیشه تکرار نمیشود و امکان دارد روند قیمت یک ارز در آینده بر طبق روند قیمت آن در گذشته پیش نرود. هرچند در تحلیل تکنیکال، ابزارهای دقیق و تخصصی امروزه با استفاده از محاسبات ریاضی دقیق، تخمین های بسیار دقیقی نیز به دست میدهند. نقد دیگری که به آن وارد است این است که تحلیل تکنیکال در مواقعی نتایج موفقی دارد زیرا خود به صورت یک پیشگویی که به حقیقت میپیوندد عمل میکند. به عنوان مثال اگر نتایج حاصل از تحلیل تکنیکال پیش بینی کند که قیمت ارزی کاهش پیدا کند، و شماری از تریدر ها این فرض را قبول کنند، ارز خود را میفروشند و قیمت این ارز اینگونه کاهش پیدا میکند. بنابراین اگر تعداد زیادی از تریدر ها از یک سیگنال استفاده کنند، تغییر پیش بینی شده توسط آن سیگنال به مدت کوتاهی به وقوع میپیوندد، اما این تاثیر در بلند مدت ماندگار نیست.
در آخر باید گفت که به دلیل استفاده تحلیل تکنیکی از محاسبات ریاضی و آماری، شمار زیادی از تریدر ها از این تحلیل در خرید و فروش ارزهای دیجیتال استفاده گسترده میکنند و اگر شما قصد دارید که تجارت ارز دیجیتال را به صورت حرفه ای ادامه دهید بهتر است هم ابزار تحلیل تکنیکال و هم تحلیل بنیادی را یاد بگیرید.
چگونه از میانگین‌های متحرک استفاده کنیم؟
تعدادی استراتژی های معاملاتی وجود دارند که در اطراف استفاده از میانگین متحرک ساخته می‌شوند. در درس‌های زیر، به شما می‌آموزیم:
- چگونه از میانگین متحرک برای تعیین روند استفاده کنید
- چگونه نقاط تقاطع میانگین‌های متحرک را با سیستم تجاری خود ترکیب کنید
- چگونه میانگین‌های متحرک می‌توانند به عنوان حمایت و مقاومت پویا استفاده شوند
زمان زنگ تفریح است! نموداری پیدا کنید و شروع به بازی با برخی میانگین متحرک کنید! انواع مختلفی را امتحان کنید و سعی کنید با دوره‌های مختلف آزمایش کنید. در زمان مناسب، متوجه خواهید شد که کدام میانگین متحرک بهترین کاربر را برای شما دارد.
یکی از روش‌های جذاب استفاده از میانگین متحرک زمانی است که برای تعیین روند از آن استفاده می‌کنید.
ساده‌ترین راه این است که یک میانگین متحرک را روی نمودار رسم کنید. زمانی که نوسان قیمت تمایل به ماندن در بالای میانگین را دارد، نشان‌دهنده این است که قیمت در روند صعودی کلی است. اگر نوسان قیمت تمایل به ماندن در زیر میانگین را دارد، نشان می‌دهد که در روند نزولی خود است.
مشکل این روش این است که خیلی ساده است.
فرض کنیم که USD / JPY در روند نزولی بوده است، ولی انتشار یک خبر موجب میشود روند صعودی شود.
می‌بینید؟ حالا قیمت بالای میانگین متحرک است. پیش خودتان فکر می‌کنید: به نظر می‌رسد این جفت ارز در آستانه تغییر جهت است. وقت خرید آن است!
خرید را انجام می‌دهید. یک بیلیون (میلیارد) از آن واحد می‌خرید چرا که مطمئنید USD / JPY بالا می‌رود.
بله، شما فریب خوردید! متوجه می‌شوید که معامله‌گران به اخبار واکنش نشان دادند ولی روند ادامه می‌یابد و قیمت به سیر نزولی خود ادامه می‌دهد.
فیلتر سیگنال جعلی میانگین متحرک
آن چه که برخی معامله‌گران انجام میدهند (و آنچه ما پیشنهاد می‌کنیم شما نیز انجام دهید) این است که چندین میانگین متحرک در نمودار خود به جای فقط یک میانگین رسم میکنند.
این کار به آنها سیگنال واضح‌تر از این مطلب می‌دهد که آیا این جفت ارز روند رو به بالا یا رو به پایین بسته به سفارش میانگین‌های متحرک دارد. اجازه دهید توضیح دهیم.
در روند رو به بالا، میانگین متحرکِ «سریع‌تر» باید بالاتر از میانگین متحرکِ «آهسته‌تر» باشد.
و برای روند نزولی، بالعکس. می‌دانید که هرچه دوره یک میانگین متحرک کمتر باشد، سریع‌تر است و هرچه دوره بیشتر باشد، کندتر.
مثلاً، فرض کنیم که دو میانگین متحرک داریم: میانگین متحرک ۱۰ دوره‌ای و میانگین متحرک ۲۰ دوره‌ای، در نمودار به این شکل خواهد بود:
در بالا نمودار روزانه USD آموزش گام به گام Moving Average / JPY است.
در طول روند صعودی، ۱۰SMA بالای ۲۰SMA است.
همان طور که می‌بینید، میتوانید از میانگین‌های متحرک برای کمک به نشان دادن اینکه آیا جفت ارز روند صعودی یا نزولی دارند، استفاده کنید.
ترکیب این نمودار با دانش خود در مورد خطوط روند، میتواند به شما کمک کند که تصمیم بگیرید که آیا پیش روید یا ارز را بفروشید.
همچنین میتوانید بیش از دو میانگین متحرک را روی نمودارتان قرار دهید.
فقط تا زمانی که خطوط به ترتیب هستند (سریع‌ترین به کندترین در یک روند صعودی، کندترین به سریع‌ترین در یک روند نزولی) میتوانید بگویید که آیا این جفت ارز در روندی صعودی یا در روندی نزولی است.
سری زمانی واریانس همسان:
سری زمانی واریانس همسان،در آموزش قبلی با مفهوم سری زمانی آشنا شدیم،در این آموزش با انواع فرآیندهای سری زمانی با فرض همسانی واریانس فرآیند خودتوضیح AR،میانگین متحرک MA ، فرآیند خود توضیح میانگین متحرک ARMA و نحوه ی تعیین نوع فرآیند سری زمانی در نرم افزار ایویوز با استفاده از ریز برنامه ی ARIMASel آشنا می شویم.
فرآیند های سری زمانی با فرض هم سانی واریانس را می توان به سه دسته تقسیم کرد:
۱- فرآیند خود توضیح (AR)
۲- فرآیند میانگین متحرک (MA)
۳- فرآیند خود توضیح میانگین متحرک (ARMA)
Autoregressive Moving average
۱- فرآیند خودتوضیح (AR):سری زمانی واریانس همسان
سری زمانی واریانس همسان،اگر مقادیر پیشین داده های یک متغیر (وقفه)(Laged values)،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند خودتوضیح می گویند.
فرمول فرآیند مدل خود توضیحی زیر را در نظر بگیرید:
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی خود متغیر تعریف شده می شود.
۲- فرآیند میانگین متحرک (MA):سری زمانی واریانس همسان
اگر مقادیر پیشین جملات خطای مدل (وقفه)(Laged values)،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند میانگین متحرک گفته خواهد شد.
فرمول فرآیند میانگین متحرک زیر را در نظر بگیرید:
میانگین متحرک MA نوع فرآیند سری زمانی
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی باقی مانده های متغیر ε تعریف شده است.
۳- خود توضیح میانگین متحرک ARMA :
اگر مقادیر پیشین جملات خطای مدل (وقفه)(Laged values) و وقفه های جمله ی خطا،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند میانگین متحرک می گویند.
فرمول فرآیند خود توضیح میانگین متحرک زیر را در نظر بگیرید:
میانگین متحرک MA
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی باقی مانده های متغیر ε و زمان های گذشته ی خود متغیر تعریف شده است.
تعیین نوع فرآیند سری زمانی در ایویوز EViews:
برای تعیین نوع فرآیند یک سری زمانی در ایویوز ساده ترین و دقیق ترین روش اجرای یک افزونه یا زیر برنامه ارائه شده توسط نرم افزار ایویوز EViews می باشد.
به منظور دانلود این پلاگین باید وارد سایت اصلی نرم افزار ایویوز شد و از تب
User Community/EViews Add-in
وارد صفحه ریز برنامه های ایویوز شد.
از مسیر لینک گذاشته شده در اینجا مستقیم به صفحه ریز برنامه ایویوز وارد شوید.
برای دانلود ریز برنامه ی ARIMASel با لینک مستقیم از اینجا اقدام کنید.
در جدولی مانند تصویر زیر از بخش Title ریز برنامه به نام ARIMASel را انتخاب کنید و مستقیم دانلود کنید.
بعد از دانلود در سیستم خود ریز برنامه را پیدا کنید و روی آن کلیک کنید.
ریز برنامه را نصب کنید.
سری زمانی واریانس همسان
نحوه ی استفاده از ریز برنامه ی ARIMASel:
پوشه ی سری زمانی که می خواهید فرآیند آن را بررسی کنید باز کنید.
Proc/Add-ins/Automatic ARIMA selection
در پنجره ای که باز می شود بدون تغییر OK کنید.
در پنجره ی کوچکی که باز می شود پارامتر های بهترین ترکیب ارائه می شود.
ok را بزنید و مانند تصویر زیر دو جدول باز می شود:
خود توضیح میانگین متحرک ARMA
تحلیل خروجی زیر برنامه ی ARIMASel:
تصویر بالا خروجی انواع فرآیندهای سری زمانی را نمایش می دهد.
در تصویر بالا دو قسمت هایلایت شده است و مشخص است که یک بار از متغیر سری زمانی D(TSE,1) تفاضل گیری شده است.
بازه ی زمانی که متفاوت با بازه ی سری زمانی اصلی است و دلیل آن اعمال جملات خود توضیح است.
در جدول معناداری تصویر بالا مشاهده می شود که AR(1) و AR(2) معنادارند چون Prob آن ها زیر ۰٫۰۵ است.
در نتیجه فرآیند این سری زمانی بعد از یکبار تفاضل گیری AR(2) است.
با لینک زیر می توانید به صفحه ی آموزش نرم افزار ایویوز رایگان،جامع و گام به گام EViews بروید.
از طریق آیکون زیر برای تماس مستقیم تلفنی به منظور سفارش تحلیل و مشاوره با امور پشتیبانی اقدام نمایید.
سری زمانی واریانس همسان:
سری زمانی واریانس همسان،در آموزش قبلی با مفهوم سری زمانی آشنا شدیم،در این آموزش با انواع فرآیندهای سری زمانی با فرض همسانی واریانس فرآیند خودتوضیح AR،میانگین متحرک MA ، فرآیند خود توضیح میانگین متحرک ARMA و نحوه ی تعیین نوع فرآیند سری زمانی در نرم افزار ایویوز با استفاده از ریز برنامه ی ARIMASel آشنا می شویم.
فرآیند های سری زمانی با فرض هم سانی واریانس را می توان به سه دسته تقسیم کرد:
۱- فرآیند خود توضیح (AR)
۲- فرآیند میانگین متحرک (MA)
۳- فرآیند خود توضیح میانگین متحرک (ARMA)
Autoregressive Moving average
۱- فرآیند خودتوضیح (AR):سری زمانی واریانس همسان
سری زمانی واریانس همسان،اگر مقادیر پیشین داده های یک متغیر (وقفه)(Laged values)،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند خودتوضیح می گویند.
فرمول فرآیند مدل خود توضیحی زیر را در نظر بگیرید:
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی خود متغیر تعریف شده می شود.
۲- فرآیند میانگین متحرک (MA):سری زمانی واریانس همسان
اگر مقادیر پیشین جملات خطای مدل (وقفه)(Laged values)،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند میانگین متحرک گفته خواهد شد.
فرمول فرآیند میانگین متحرک زیر را در نظر بگیرید:
میانگین متحرک MA نوع فرآیند سری زمانی
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی باقی مانده های متغیر ε تعریف شده است.
۳- خود توضیح میانگین متحرک ARMA :
اگر مقادیر پیشین جملات خطای مدل (وقفه)(Laged values) و وقفه های جمله ی خطا،بتوانند تغییرات داده های زمان حال را توضیح دهند به سری زمانی،فرآیند میانگین متحرک می گویند.
فرمول فرآیند خود توضیح میانگین متحرک زیر را در نظر بگیرید:
میانگین متحرک MA
همانطور که در فرمول بالا مشاهده می شود متغیر X در زمان t توسط زمان های گذشته ی باقی مانده های متغیر ε و زمان های گذشته ی خود متغیر تعریف شده است.
تعیین نوع فرآیند سری زمانی در ایویوز EViews:
برای تعیین نوع فرآیند یک سری زمانی در ایویوز ساده ترین و دقیق ترین روش اجرای آموزش گام به گام Moving Average یک افزونه یا زیر برنامه ارائه شده توسط نرم افزار ایویوز EViews می باشد.
به منظور دانلود این پلاگین باید وارد سایت اصلی نرم افزار ایویوز شد و از تب
User Community/EViews Add-in
وارد صفحه ریز برنامه های ایویوز شد.
از مسیر لینک گذاشته شده در اینجا مستقیم به صفحه ریز برنامه ایویوز وارد شوید.
برای دانلود ریز برنامه ی ARIMASel با لینک مستقیم از اینجا اقدام کنید.
در جدولی مانند تصویر زیر از بخش Title ریز برنامه به نام ARIMASel را انتخاب کنید و مستقیم دانلود کنید.
بعد از دانلود در سیستم خود ریز برنامه را پیدا کنید و روی آن کلیک کنید.
ریز برنامه را نصب کنید.
سری زمانی واریانس همسان
نحوه ی استفاده از ریز برنامه ی ARIMASel:
پوشه ی سری زمانی که می خواهید فرآیند آن را بررسی کنید باز کنید.
Proc/Add-ins/Automatic ARIMA selection
در پنجره ای که باز می شود بدون تغییر OK کنید.
در پنجره ی کوچکی که باز می شود پارامتر های بهترین ترکیب ارائه می شود.
ok را بزنید و مانند تصویر زیر دو جدول باز می شود:
خود توضیح میانگین متحرک ARMA
تحلیل خروجی زیر برنامه ی ARIMASel:
تصویر بالا خروجی انواع فرآیندهای سری زمانی را نمایش می دهد.
در تصویر بالا دو قسمت هایلایت شده است و مشخص است که یک بار از متغیر سری زمانی D(TSE,1) تفاضل گیری شده است.
بازه ی زمانی که متفاوت با بازه آموزش گام به گام Moving Average ی سری زمانی اصلی است و دلیل آن اعمال جملات خود توضیح است.
در جدول معناداری تصویر بالا مشاهده می شود که AR(1) و AR(2) معنادارند چون Prob آن ها زیر ۰٫۰۵ است.
در نتیجه فرآیند این سری زمانی بعد از یکبار تفاضل گیری AR(2) است.
با لینک زیر می توانید به صفحه ی آموزش نرم افزار ایویوز رایگان،جامع و گام به گام EViews بروید.
از طریق آیکون زیر برای تماس مستقیم تلفنی به منظور سفارش تحلیل و مشاوره با امور پشتیبانی اقدام نمایید.
دیدگاه شما