Moving Average Pdf Datei

Einführung in ARIMA: Nichtseasonal-Modelle ARIMA (p, d, q) Prognosegleichung: ARIMA-Modelle sind in der Theorie die allgemeinste Klasse von Modellen für die Prognose einer Zeitreihe, die gemacht werden kann, um 8220stationary8221 durch differencing (wenn nötig), vielleicht In Verbindung mit nichtlinearen Transformationen wie Logging oder Deflating (falls erforderlich). Eine zufällige Variable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Serie hat keinen Trend, ihre Variationen um ihre Mittel haben eine konstante Amplitude, und es wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen zufälligen Zeitmuster sehen immer in einem statistischen Sinn gleich aus. Die letztere Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder äquivalent, daß sein Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieses Formulars kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn man offensichtlich ist) könnte ein Muster der schnellen oder langsamen mittleren Reversion oder sinusförmigen Oszillation oder eines schnellen Wechsels im Zeichen sein , Und es könnte auch eine saisonale Komponente haben. Ein ARIMA-Modell kann als 8220filter8221 betrachtet werden, das versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Prognosegleichung für eine stationäre Zeitreihe ist eine lineare (d. h. regressionstypische) Gleichung, bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und Verzögerungen der Prognosefehler bestehen. Das heißt: vorhergesagter Wert von Y eine Konstante undeiner gewichteten Summe von einem oder mehreren neueren Werten von Y und einer gewichteten Summe von einem oder mehreren neueren Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, ist es ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit Standardregressionssoftware ausgestattet werden kann. Zum Beispiel ist ein autoregressives (8220AR (1) 8221) Modell erster Ordnung für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur Y um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt hinterlässt). Wenn einige der Prädiktoren die Fehler der Fehler sind, ist es ein ARIMA-Modell, es ist kein lineares Regressionsmodell, denn es gibt keine Möglichkeit, 828last period8217s error8221 als unabhängige Variable anzugeben: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem bei der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen des Modells8217 nicht lineare Funktionen der Koeffizienten sind. Obwohl sie lineare Funktionen der vergangenen Daten sind. So müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) geschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Die Verzögerungen der stationärisierten Serien in der Prognosegleichung werden als quartalspezifische Begriffe bezeichnet, die Verzögerungen der Prognosefehler werden als quadratische Begrenzungsterme bezeichnet, und eine Zeitreihe, die differenziert werden muss, um stationär zu sein, wird als eine quotintegrierte Quotversion einer stationären Serie bezeichnet. Random-Walk - und Random-Trend-Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA-Modellen. Ein Nicht-Seasonal-ARIMA-Modell wird als ein Quoten-Modell von quaremA (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten Nichtseasondifferenzen und q die Anzahl der verzögerten Prognosefehler in Die Vorhersagegleichung. Die Prognosegleichung wird wie folgt aufgebaut. Zuerst bezeichne y die d-te Differenz von Y. Das bedeutet: Beachten Sie, dass die zweite Differenz von Y (der Fall d2) nicht der Unterschied von 2 Perioden ist. Vielmehr ist es der erste Unterschied zwischen dem ersten Unterschied. Welches das diskrete Analog einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe und nicht deren lokaler Trend. In Bezug auf y. Die allgemeine Prognosegleichung lautet: Hier werden die gleitenden Durchschnittsparameter (9528217s) so definiert, dass ihre Zeichen in der Gleichung nach der von Box und Jenkins eingeführten Konventionen negativ sind. Einige Autoren und Software (einschließlich der R-Programmiersprache) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt sind, gibt es keine Mehrdeutigkeit, aber it8217s wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden die Parameter dort mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnen Sie mit der Bestimmung der Reihenfolge der Differenzierung (D) die Serie zu stationieren und die Brutto-Merkmale der Saisonalität zu entfernen, vielleicht in Verbindung mit einer abweichungsstabilisierenden Transformation wie Protokollierung oder Entleerung. Wenn Sie an dieser Stelle anhalten und vorhersagen, dass die differenzierte Serie konstant ist, haben Sie nur einen zufälligen Spaziergang oder ein zufälliges Trendmodell ausgestattet. Allerdings können die stationärisierten Serien immer noch autokorrelierte Fehler aufweisen, was darauf hindeutet, dass in der Prognosegleichung auch eine Anzahl von AR-Terme (p 8805 1) und einigen einigen MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die am besten für eine gegebene Zeitreihe sind, wird in späteren Abschnitten der Noten (deren Links oben auf dieser Seite), aber eine Vorschau auf einige der Typen diskutiert werden Von nicht-seasonalen ARIMA-Modellen, die häufig angetroffen werden, ist unten angegeben. ARIMA (1,0,0) Autoregressives Modell erster Ordnung: Wenn die Serie stationär und autokorreliert ist, kann man sie vielleicht als Vielfaches ihres eigenen vorherigen Wertes und einer Konstante voraussagen. Die prognostizierte Gleichung in diesem Fall ist 8230which ist Y regressed auf sich selbst verzögerte um einen Zeitraum. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann wäre der konstante Term nicht enthalten. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell das Mittelwiederkehrungsverhalten, bei dem der nächste Periode8217s-Wert 981 mal als vorher vorausgesagt werden sollte Weit weg von dem Mittelwert als dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelrückkehrverhalten mit einem Wechsel von Zeichen, d. h. es sagt auch, daß Y unterhalb der mittleren nächsten Periode liegt, wenn es über dem Mittelwert dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)) wäre auch ein Y-t-2-Term auf der rechten Seite und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten könnte ein ARIMA (2,0,0) Modell ein System beschreiben, dessen mittlere Reversion in einer sinusförmig oszillierenden Weise stattfindet, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Spaziergang: Wenn die Serie Y nicht stationär ist, ist das einfachste Modell für sie ein zufälliges Spaziergangmodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem das autoregressive Koeffizient ist gleich 1, dh eine Serie mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann wie folgt geschrieben werden: wobei der konstante Term die mittlere Periodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein Nicht-Intercept-Regressionsmodell eingebaut werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es (nur) eine nicht-seasonale Differenz und einen konstanten Term enthält, wird es als ein quotARIMA (0,1,0) Modell mit constant. quot eingestuft. Das random-walk-without - drift-Modell wäre ein ARIMA (0,1, 0) Modell ohne Konstante ARIMA (1,1,0) differenzierte Autoregressive Modell erster Ordnung: Wenn die Fehler eines zufälligen Walk-Modells autokorreliert werden, kann das Problem eventuell durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung behoben werden - - ie Durch den Rücktritt der ersten Differenz von Y auf sich selbst um eine Periode verzögert. Dies würde die folgende Vorhersagegleichung ergeben: die umgewandelt werden kann Dies ist ein autoregressives Modell erster Ordnung mit einer Reihenfolge von Nicht-Seasonal-Differenzen und einem konstanten Term - d. h. Ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) ohne konstante, einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem zufälligen Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Erinnern Sie sich, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschvolle Schwankungen um ein langsam variierendes Mittel aufweisen), das zufällige Wandermodell nicht so gut wie ein gleitender Durchschnitt von vergangenen Werten ausführt. Mit anderen Worten, anstatt die jüngste Beobachtung als die Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt von vergangenen Werten, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl von mathematisch äquivalenten Formen geschrieben werden. Eine davon ist die so genannte 8220error Korrektur8221 Form, in der die vorherige Prognose in Richtung des Fehlers eingestellt wird, die es gemacht hat: Weil e t-1 Y t-1 - 374 t-1 per Definition, kann dies wie folgt umgeschrieben werden : Das ist eine ARIMA (0,1,1) - ohne Konstante Prognose Gleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung passen können, indem Sie es als ARIMA (0,1,1) Modell ohne Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Erinnern daran, dass im SES-Modell das Durchschnittsalter der Daten in den 1-Perioden-Prognosen 1 945 beträgt. Dies bedeutet, dass sie dazu neigen, hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückzukehren. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA (0,1,1) - without-constant-Modells 1 (1 - 952 1) beträgt. So, zum Beispiel, wenn 952 1 0.8, ist das Durchschnittsalter 5. Wenn 952 1 sich nähert, wird das ARIMA (0,1,1) - without-konstantes Modell zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Nähert sich 0 wird es zu einem zufälligen Walk-ohne-Drift-Modell. Was ist der beste Weg, um Autokorrelation zu korrigieren: Hinzufügen von AR-Terme oder Hinzufügen von MA-Terme In den vorangegangenen zwei Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Walk-Modell auf zwei verschiedene Arten festgelegt: durch Hinzufügen eines verzögerten Wertes der differenzierten Serie Zur Gleichung oder Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz ist am besten Eine Faustregel für diese Situation, die später noch ausführlicher erörtert wird, ist, dass eine positive Autokorrelation in der Regel am besten durch Hinzufügen eines AR-Termes zum Modell behandelt wird und eine negative Autokorrelation wird meist am besten durch Hinzufügen eines MA Begriff. In geschäftlichen und ökonomischen Zeitreihen entsteht oftmals eine negative Autokorrelation als Artefakt der Differenzierung. (Im Allgemeinen verringert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation verursachen.) So wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Term begleitet wird, häufiger als ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) mit konstanter, einfacher, exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell erhalten Sie gewisse Flexibilität. Zunächst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor größer als 1 in einem SES-Modell, was in der Regel nicht durch das SES-Modell-Anpassungsverfahren erlaubt ist. Zweitens haben Sie die Möglichkeit, einen konstanten Begriff im ARIMA-Modell einzubeziehen, wenn Sie es wünschen, um einen durchschnittlichen Trend ungleich Null abzuschätzen. Das ARIMA (0,1,1) - Modell mit Konstante hat die Vorhersagegleichung: Die Prognosen von einem Periodenvorhersage aus diesem Modell sind qualitativ ähnlich denen des SES-Modells, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise ein Schräge Linie (deren Steigung gleich mu ist) anstatt einer horizontalen Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare exponentielle Glättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei Nichtseason-Differenzen in Verbindung mit MA-Terme verwenden. Der zweite Unterschied einer Reihe Y ist nicht einfach der Unterschied zwischen Y und selbst, der um zwei Perioden verzögert ist, sondern vielmehr der erste Unterschied der ersten Differenz - i. e. Die Änderung der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Y t - Y t - 1) - (Y t - 1 - Y t - 2) Y t - 2Y t - 1 Y t - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie misst die quotaccelerationquot oder quotcurvaturequot in der Funktion zu einem gegebenen Zeitpunkt. Das ARIMA (0,2,2) - Modell ohne Konstante prognostiziert, dass die zweite Differenz der Serie gleich einer linearen Funktion der letzten beiden Prognosefehler ist: die umgeordnet werden kann: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein Sonderfall. Es verwendet exponentiell gewichtete Bewegungsdurchschnitte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Serie abzuschätzen. Die langfristigen Prognosen von diesem Modell konvergieren zu einer geraden Linie, deren Hang hängt von der durchschnittlichen Tendenz, die gegen Ende der Serie beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte Trend-lineare exponentielle Glättung. Dieses Modell wird in den beiliegenden Folien auf ARIMA-Modellen dargestellt. Es extrapoliert den lokalen Trend am Ende der Serie, aber erhebt es bei längeren Prognosehorizonten, um eine Note des Konservatismus einzuführen, eine Praxis, die empirische Unterstützung hat. Sehen Sie den Artikel auf quotWhy der Damped Trend Workquot von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, an Modellen zu bleiben, bei denen mindestens eines von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) zu passen, da dies wahrscheinlich zu Überfüllung führen wird Und quotcommon-factorquot-Themen, die ausführlicher in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen diskutiert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen sind einfach in einer Kalkulationstabelle zu implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte der ursprünglichen Zeitreihen und vergangene Werte der Fehler bezieht. So können Sie eine ARIMA-Prognosekalkulationstabelle einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorangehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in anderen Zellen auf der Kalkulationstabelle gespeichert sind. Artikeldetail Druckbeispiele zu einer PDF-Datei (mit frühzeitiger Bindung) Veröffentlicht am 2006-04- 11 04:48 AM Anzahl der Aufrufe: 119323 Einleitung: Dieser Artikel enthält Codebeispiele zum Drucken von Arbeitsblättern in PDF-Dateien. Diese Code-Beispiele sind für PDFCreator, ein Open-Source-PDF-Schriftsteller-Dienstprogramm gebaut. Im Gegensatz zu Adobe Acrobat und CutePDF, die beide Pro-Versionen benötigen, um PDFs per Code zu erstellen, ist PDFCreator völlig kostenlos Download PDF Creator von Sourceforge hier. Bitte beachten Sie, dass dieser Code NICHT mit Adobe Acrobat arbeitet. Es ist auch anzumerken, dass jedes der Beispiele in diesem Abschnitt eine frühe Bindung verwendet. Wenn Sie nicht vertraut sind mit dem Unterschied zwischen Early und Late Binding, lesen Sie bitte unseren Artikel auf Early vs Late Bindung. In diesem Artikel: Ein einzelnes Arbeitsblatt in eine PDF-Datei drucken Mehrere Arbeitsblätter zu mehreren PDF-Dateien drucken Mehrere Arbeitsblätter in eine einzelne PDF-Datei drucken Ausgewählte Arbeitsblätter auf mehrere PDF-Dateien drucken Ausgewählte Arbeitsblätter an eine einzelne PDF-Datei senden Versionen getestet: Diese Routinen waren Ursprünglich entwickelt mit PDFCreator 0.9.1 (GPLGhostscript. exe Download-Paket) unter Windows XP Pro (SP2). Die aktuellen Versionen enthalten zahlreiche Verbesserungen und wurden mit PDFCreator 1.2.0 unter Windows 7 Ultimate x64 und PDFCreator 1.2.3 unter Windows 8 Professional x64 vollständig getestet. Excel 2003 Excel 2010 Excel 2010 Excel 2010 Excel 2010 Excel 2013 Excel 2013 Excel 2013 Excel 2013 Excel 2013 Excel 2013 Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Excel Möchte diesen Artikel lesen. Die einige der in der Entwicklung der PDFCreator-Code-Beispiele entdeckten Eigenheiten teilt. Print ein einzelnes Arbeitsblatt in eine PDF-Datei: Mehrere Arbeitsblätter zu mehreren PDF-Dateien drucken: Mehrere Arbeitsblätter in einer einzigen PDF-Datei drucken: BTW, warum nicht verwenden Excels built - In PDF erstellen Ich weiß nicht, ob mit dem eingebauten pdf erstellen würde so gut wie das Makro arbeiten. Ich brauche, um mehrere Blätter in mehrere PDF-Dateien mit Dateinamen wie pro Blatt Name Amp zu verschlüsseln sie auch mit einem pw, sofern es das jeweilige Blatt. Früher war dieses Makro in der Win XP amp Excel 2007 großartig. Seit ich ein Upgrade auf Windows 8.1 mit MS Office 2013 habe, hat dieses Makro aufgehört zu arbeiten. Also, dann habe ich diese Seite erneut besucht, das neue Makro für Excel 13 angepasst, installierte neue Version von PDFCreator, aber irgendwie funktioniert es nicht. Ich habe ein Makro, das mehrere Excel-Blätter auf mehrere PDF-Dateien drucken wird, aber ich muss jedes Pdf manuell verschlüsseln. Hoffnung, bald eine Lösung zu finden. Hallo Hareesan, mein Problem ist ähnlich und verwirrte für eine lange Zeit bis vor kurzem, wo ich entdeckte, dass vielleicht dieser VBA-Code nicht mehr gültig für die neue PDFcreator Version 2 und höher ist. Ich habe neu installiert die Version 2.1 und in der Installationsordner Datei quotPDFCreventsglish. chmquot, die das Benutzerhandbuch ist, enthält einige Richtlinien über die neue COM für PDFcreator. Es scheint, dass die Referenz auf das PDFcreator-Objekt ganz anders ist. Ich muss es in die Tiefe gehen, um es zu verstehen und es an VBA anzupassen, aber eines ist sicher, dass der PdfCreator. clsPDFCreator nicht mehr der richtige Anruf ist. Von VBA konnte ich den neuen Anruf finden, der so aussehen würde. Dim pdfjob Als PdfCreator. PdfCreatorObj. Andere Teile des Codes sind auch nicht mehr gültig. Es wäre toll, jemanden zu bekommen, um eine neue Version dieses großen VBA PDF-Druckers zu liefern. Es hat viel gearbeitet Ich kann etwas Zeit darauf legen und meine Erkenntnisse später posten. In der Zwischenzeit, wenn jemand anderes ihre Hilfe bringen könnte, wäre es sicherlich willkommen. Die SampP 500 schloss Januar mit einem monatlichen Gewinn von 1,79 nach einem Gewinn von 1,82 im Dezember. Alle drei SampP 500 MAs sind signalisiert investiert und drei der fünf Ivy Portfolio ETF MAs mdash Vanguard Total Börse ETF (VTI), PowerShares DB (DBC) und Vanguard FTSE All-World Ex-US ETF (VEU) mdash sind signalisiert investiert . In der Tabelle werden monatliche Schließungen, die innerhalb eines Signals liegen, gelb markiert. Die obige Tabelle zeigt das aktuelle 10-monatige, einfach gleitende Durchschnitt (SMA) - Signal für jede der fünf ETFs, die im Ivy Portfolio vorgestellt wurden. Weve auch enthalten eine Tabelle von 12-Monats-SMAs für die gleichen ETFs für diese beliebte alternative Strategie. Für eine faszinierende Analyse der Ivy Portfolio-Strategie, siehe diesen Artikel von Adam Butler, Mike Philbrick und Rodrigo Gordillo: Backtesting Moving Averages In den vergangenen Jahren haben wir Excel verwendet, um die Performance der verschiedenen gleitenden durchschnittlichen Timing-Strategien zu verfolgen. Aber jetzt nutzen wir die Backtesting-Tools auf der ETFReplay-Website. Wer sich für das Market Timing mit ETFs interessiert, sollte sich diese Website ansehen. Hier sind die beiden Werkzeuge, die wir am häufigsten verwenden: Hintergrund zu Moving Averages Kauf und Verkauf auf der Grundlage einer gleitenden Durchschnitt der monatlichen Schließungen kann eine effektive Strategie für die Verwaltung der Gefahr von schweren Verlust von großen Bärenmärkten sein. Im Wesentlichen, wenn das monatliche Schließen des Index über dem gleitenden Mittelwert liegt, halten Sie den Index. Wenn der Index unten schließt, ziehst du in Bargeld. Der Nachteil ist, dass es dich niemals an der Spitze oder zurück an der Unterseite bekommt. Auch kann es die gelegentliche whipsaw (kurzfristige kaufen oder verkaufen signal), wie weve gelegentlich erlebt im vergangenen Jahr produzieren. Dennoch zeigt ein Chart der SampP 500 monatlich schließt seit 1995, dass eine 10- oder 12-monatige einfache gleitende durchschnittliche (SMA) - Strategie die Teilnahme an den meisten der Preisbewegungen versichert hätte, während die Verluste drastisch reduziert wurden. Hier ist die 12-monatige Variante: Der 10-monatige exponentielle gleitende Durchschnitt (EMA) ist eine leichte Variante für den einfachen gleitenden Durchschnitt. Diese Version erhöht mathematisch die Gewichtung neuerer Daten in der 10-Monats-Sequenz. Seit 1995 hat es weniger Whipsaws produziert als der äquivalente einfache gleitende Durchschnitt, obwohl es ein Monat langsamer war, einen Verkauf nach diesen beiden Marktspitzen zu signalisieren. Ein Blick zurück auf die 10- und 12-monatigen gleitenden Durchschnitte im Dow während des Crash von 1929 und Great Depression zeigt die Wirksamkeit dieser Strategien während dieser gefährlichen Zeiten. Die Psychologie der Momentum-Signale Timing arbeitet wegen eines grundlegenden menschlichen Merkmals. Menschen imitieren erfolgreiches Verhalten. Wenn sie von anderen hören, die auf dem Markt Geld verdienen, kaufen sie ein. Schließlich kehrt der Trend um. Es kann nur die normalen Erweiterungen und Kontraktionen des Konjunkturzyklus sein. Manchmal ist die Ursache drastischer mdash eine Vermögensblase, ein großer Krieg, eine Pandemie oder ein unerwarteter finanzieller Schock. Wenn sich der Trend rückgängig macht, verkaufen erfolgreiche Investoren frühzeitig. Die Nachahmung des Erfolgs macht allmählich die bisherige Kaufdynamik zum Verkaufsdynamik. Umsetzung der Strategie Unsere Illustrationen aus dem SampP 500 sind genau so mdash Illustrationen. Wir verwenden den SampP wegen der umfangreichen historischen Daten, die leicht verfügbar sind. Allerdings sollten Anhänger einer gleitenden durchschnittlichen Strategie Buysell Entscheidungen über die Signale für jede einzelne Investition, nicht einen breiten Index zu machen. Auch wenn Sie in einen Fonds investieren, der den SampP 500 verfolgt (z. B. Vanguards VFINX oder SPY ETF), werden sich die gleitenden Durchschnittssignale für die Fonds gelegentlich von der zugrunde liegenden Index aufgrund der Dividendenerneuerung unterscheiden. Die SampP 500-Nummern in unseren Abbildungen schließen Dividenden aus. Die Strategie ist am effektivsten in einem steuerbegünstigten Konto mit einem kostengünstigen Maklerdienst. Sie wollen die Gewinne für sich selbst, nicht Ihren Broker oder Ihren Uncle Sam. Hinweis . Für alle, die die 10- und 12-monatigen, einfach bewegten Durchschnitte im SampP 500 und die Equity-versus-Cash-Positionen seit 1950 sehen möchten, heres eine Excel-Datei (xls Format) der Daten. Unsere Quelle für die monatlichen Schließungen (Spalte B) ist Yahoo Finance. Die Spalten D und F zeigen die Positionen, die am Monatsende für die beiden SMA-Strategien signalisiert wurden. In der Vergangenheit, empfehlen wir Mebane Fabers nachdenklichen Artikel Ein quantitativer Ansatz für die taktische Asset Allocation. Der Artikel wurde nun aktualisiert und erweitert als Teil drei: Active Management in seinem Buch The Ivy Portfolio. Mit Eric Richardson coauthored. Dies ist ein Muss für jedermann zu lesen, die die Verwendung eines Timing-Signals für Investitionsentscheidungen in Erwägung zieht. Das Buch analysiert die Anwendung der gleitenden Mittelwerte der SampP 500 und vier weitere Assetklassen: der Morgan Stanley Capital International EAFE Index (MSCI EAFE), der Goldman Sachs Commodity Index (GSCI), der National Association of Real Estate Investment Trusts Index (NAREIT) und United States Regierung 10-jährige Staatsanleihen. Als regelmäßiges Merkmal dieser Website aktualisieren wir die Signale am Ende eines jeden Monats. Für weitere Einblicke von Mebane Faber, besuchen Sie bitte seine Website, Mebane Faber Research. Fußnote zur Berechnung der monatlich gleitenden Durchschnitte: Wenn Sie Ihre eigenen Berechnungen von gleitenden Durchschnitten für Dividendenausschüttungen oder ETFs machen, erhalten Sie gelegentlich unterschiedliche Ergebnisse, wenn Sie sich nicht für Dividenden anpassen. Zum Beispiel, im Jahr 2012 VNQ blieb investiert am Ende November auf bereinigte monatliche Schließungen, aber es gab ein Verkaufssignal, wenn Sie Dividendenanpassungen ignoriert. Da sich die Daten für frühere Monate ändern, wenn Dividenden gezahlt werden, müssen Sie die Daten für alle Monate in der Berechnung aktualisieren, wenn eine Dividende seit dem letzten Monatsschluss bezahlt wurde. Dies gilt für alle Dividendenausschüttungen oder Fonds.