Déménagement Moyenne Khan Académie

Comment l'Académie Khan utilise la Machine Learning pour évaluer la maîtrise des étudiants L'Académie Khan est bien connue pour sa vaste bibliothèque de plus de 2600 leçons vidéo. Il devrait également être connu pour son ensemble à croissance rapide de maintenant 225 exercices 8212 surpassant les points de suture sur un baseball 8212 avec près de 2 millions de problèmes fait chaque jour. Pour déterminer quand un étudiant a terminé un certain exercice, nous attribuer compétence à un utilisateur qui a répondu au moins 10 problèmes dans une rangée correctement 8212 connu comme une strie. La compétence se manifeste comme une étoile d'or, un patch vert sur les tableaux de bord des enseignants8217, une exigence pour certains badges (p. Ex., Gagner 3 compétences) et une prime de 8220energy8221 points. Fondamentalement, cela signifie que nous pensons que vous maîtrisez le concept et que vous pouvez aller de l'avant dans votre quête de tout savoir. Il s'avère que le modèle de strie a de graves défauts. Tout d'abord, si nous définissons la compétence comme votre chance d'obtenir le prochain problème correct étant au-dessus d'un certain seuil, alors la strie devient un mauvais classificateur binaire. Les expériences menées sur nos données ont montré une différence significative entre les étudiants qui prennent, par exemple, 30 problèmes pour obtenir une strie contre 10 problèmes directement de la batte 8212 le premier groupe était beaucoup plus susceptible de manquer le problème suivant après une pause que le dernier. Les faux positifs ne sont pas notre seul problème, mais aussi de faux négatifs. L'une de nos plus grandes sources de plaintes provient d'étudiants frustrés qui ont perdu leur strie. Vous obtenez 9 correct, faire une typo idiote, et perdre tous vos progrès durement gagné. En d'autres termes, la strie pense que les utilisateurs qui ont obtenu 9 droit et 1 faux sont au même niveau que ceux qui haven8217t commencé. À la recherche d'un meilleur modèle Ces résultats, présentés par un de nos bénévoles à temps plein Jace, nous ont conduits à rechercher si nous pourrions construire un meilleur modèle de compétence. Nous avons prototypé un modèle d'accélération constante (avec des gnomes lourds qui vous ralentissent sur les réponses fausses), mais finalement décidé qu'une première étape prudente serait d'abstraire le modèle de strie avec la notion de 8220 remplir le bar8221. Nous sommes passés de l'affichage de la strie actuelle user8217s (bogue non destiné ne pouvait pas trouver une autre capture d'écran): Cela nous a donné plus de liberté d'expérimenter avec différents modèles sous-jacents sans perturber l'interface. Les conversations avec l'équipe m'ont amené à concevoir l'application de l'apprentissage automatique pour prédire la probabilité d'obtenir le prochain problème correct et de l'utiliser comme base pour un nouveau modèle de compétence. Fondamentalement, si nous pensons que vous êtes plus que probable pour obtenir le problème suivant correct, pour un certain seuil. We8217ll disent que vous êtes compétent. J'ai commencé par pirater ensemble un classificateur binaire Bayes naïf modifié pour donner une estimation de probabilité. J'ai formé ceci sur quelques jours 8217 la valeur de journaux de problème, et les premiers résultats étaient prometteurs 8212 le plus frappant étant que moins de problème étaient nécessaires pour atteindre le même niveau de précision. Ce que je veux dire par exactitude Nous le définissons comme ce qui est juste la notation essayant désespérément de dire 8221 Étant donné que nous venons d'acquérir la compétence, quelle est la probabilité d'obtenir le problème suivant correct8221 Cependant, Bayes naïf est généralement utilisé pour la classification 8212 la tâche de déterminer qui Catégorie discrète un point de données appartient à 8212 plutôt que pour la régression 8212 renvoyant une valeur continue (dans notre cas, une estimation de probabilité en). Donc, notre bénévole à temps plein Jace, qui est beaucoup plus versé dans les statistiques et l'apprentissage automatique, a utilisé R pour rapidement prototype et évaluer différents algorithmes d'apprentissage machine et ensembles de caractéristiques. R est le langage de programmation de facto pour l'informatique statistique et est préemballé avec des outils d'analyse de données et d'apprentissage automatique. Pour évaluer les différents algorithmes, les caractéristiques d'entrée et les seuils, nous avons trouvé quelques mesures pour mesurer les caractéristiques souhaitables: Moyenne des problèmes pour atteindre la compétence 8212 idéalement nous aimons minimiser ce afin que les étudiants peuvent passer moins de temps grinding sur les problèmes qu'ils connaissent Bien, et passer à d'autres concepts. 8212 Malheureusement, cela est difficile à mesurer correctement dans notre jeu de données hors ligne en raison du biais de strie-de-10: les étudiants peuvent se relâcher après avoir acquis leur compétence et passer moins de temps sur des problèmes ultérieurs. Taux de compétence 8212 Pourcentage de compétences obtenues par paire d'exercices utilisateur. Encore une fois, cela est difficile à mesurer en raison du biais de stries. Matrice de confusion pour le problème suivant prédit suivant 8212 Ceci est pour comparer les classificateurs binaires sur leur exactitude dans la prédiction du résultat de n'importe quelle réponse dans un historique de réponse de user8217s. Nous construisons la matrice de confusion. Et de cet extrait deux mesures précieuses de la performance d'un classificateur binaire. Nous avons testé différents modèles, y compris des Bayes naïfs, des machines à vecteurs de soutien, un modèle simple 10-out-of-last-11-correct, et la régression logistique. Basé sur les métriques ci-dessus, nous nous sommes fixés sur 8230 en utilisant la régression logistique comme un modèle de compétence (Sentez-vous libre de sauter cette section si vous n'êtes pas techniquement incliné.) Régression logistique est généralement utilisé comme un classificateur qui donne une estimation de probabilité raisonnable de chaque catégorie 8212 exactement notre exigence. Il est tellement simple, let8217s le dériver. Let8217s disent que nous avons les valeurs des caractéristiques d'entrée (par exemple, correct), et nous les farcir dans un vecteur. Let8217s dire que nous arrivons aussi à savoir combien chaque caractéristique rend plus probable que l'utilisateur est compétent, et les matières de poids dans un vecteur. Nous pouvons alors prendre la somme pondérée des caractéristiques d'entrée, plus une constante prédéterminée pour corriger toute polarisation constante, et appeler cela: Maintenant, si nous définissons. Nous pouvons écrire que compacte comme un produit d'algèbre linéaire point: Et that8217s c'est l'estimation de probabilité que la régression logistique crache. Le bit délicat consiste à déterminer les valeurs du vecteur de poids 8212, c'est-à-dire à former une régression logistique de sorte que. alias. La fonction d'hypothèse dans la terminologie d'apprentissage machine, nous donne une estimation bonne probabilité. Pour être bref, je vous épargne les détails, mais il suffit de savoir qu'il ya beaucoup de bibliothèques existantes pour le faire. Donc, cela soulève la question, quelles caractéristiques avons-nous utilisé ewma3 et ewma10 8212 Moyenne mobile exponentiellement pondérée. Il ne s'agit que de mathématiques pour une moyenne où nous accordons plus de poids à des valeurs plus récentes. It8217s pratique car il peut être mis en œuvre récursivement en tant que. Où est le facteur de pondération, est la valeur la plus récente, et est la moyenne mobile exponentielle précédente. Nous avons fixé à 0,333 et 0,1 pour ewma3 et ewma10 respectivement. Currentstreak 8212 Cela s'est avéré être un signal plutôt faible et we8217ll le rejeter en faveur d'autres fonctionnalités à l'avenir. Lognumdone 8212. Nous n'essayerons pas de prévoir jusqu'à ce qu'au moins un problème ait été posé. 8212 percentcorrect 8212 En ce qui concerne le seuil de proficiency, nous avons choisi 94 en fonction de nos métriques. Maintenant, pour un code Python. Pour calculer la moyenne mobile pondérée exponentiellement: et pour la fonction réelle d'hypothèse de régression logistique: Voici un autre problème intéressant ici 8212 comment affichez-vous cette valeur de probabilité sur la barre de progression? Nous essayons de linéariser l'affichage et de le distribuer uniformément sur la barre. Puisqu'il est à 4 heures du matin, je vais juste vous donner le code pour lui (it8217s bien commenté) et won8217t faire des graphiques explicatifs utiles (à moins que les gens le demandent)). Maintenant, jusqu'à ce que Google App Engine prend en charge NumPy, la mise en œuvre pour exponentialfit est juste la dérivée du coût des moindres carrés. Le code complet, non coupé, non modifié est disponible à notre repo Kiln. La métrique peut nous dire que la régression logistique gagne, mais étant l'illogique, squishy humains que nous sommes, nous avons aspiré à une compréhension intuitive du comportement unique des différents modèles. J'ai développé un outil interne pour simuler les réponses de l'exercice et visualiser la prédiction des différents modèles. Here8217s un moulinet en évidence des caractéristiques saillantes. Comme prévu, ordre des questions. Les deux modèles pèseront les problèmes plus récents que les problèmes antérieurs. Ce qui peut surprendre, c'est l'importance relative: la régression logistique semble se soucier beaucoup moins que la strie. Les deux modèles monotoniquement augmentent la confiance, plus les réponses du même type qu'ils reçoivent: La régression logistique reconnaît également la performance uniformément irrégulière: La régression logistique tient compte des performances antérieures. Donc, obtenir des lots corrects est toujours une bonne chose, et you8217ll être en mesure de récupérer plus rapidement à partir d'une mauvaise réponse si vous faisiez auparavant bien. Contraste avec le modèle de stries, qui perd toute la mémoire après une seule réponse incorrecte. Cela pourrait également travailler contre vous. Si vous avez obtenu beaucoup de mauvaises réponses, vous devrez faire plus de travail pour convaincre la régression logistique que vous êtes réellement compétent. Cela atténue l'un des problèmes que nous avons eu avec la strie, où nous avons constaté qu'il y avait une différence significative dans la compétence réelle pour ceux qui obtiennent une strie immédiatement contre après 30 problèmes. Cela pourrait-il être trop sévère pour les étudiants en difficulté? C'est une question que nous étudions activement et, en guise de mesure provisoire, nous ne gardons que les 20 derniers problèmes comme histoire. Ce compromis a un effet insignifiant sur l'exactitude prédictive de la régression logistique, mais il nous laisse dormir en sachant qu'un étudiant ne sera pas damné pour la vie si elles faisaient une exploration inhabituelle et ont eu 10 problèmes dans une rangée faux. En raison de 4 am, je don8217t ont une démo interactive sur cette page, mais il won8217t être difficile de l'ajouter. Si vous voulez jouer avec ceci, veuillez le dire. Il s'agissait d'un changement assez important que, naturellement, nous ne voulions déployer que dans un petit groupe d'utilisateurs. Cela a été facilité par Bengineer Kamen8217s GAEBingo split-testing framework pour App Engine. De façon cruciale, elle nous a permis de mesurer les conversions comme un moyen de recueillir des statistiques plus précises sur les données d'utilisation réelles. L'expérience est en cours depuis 6 jours jusqu'à présent avec 10 utilisateurs utilisant le nouveau modèle de compétence de régression logistique. Avant de révéler quoi que ce soit d'autre, voir une capture d'écran de GAEBingo en action (il ya quelques heures): Le graphique ci-dessus montre les résultats au fil du temps, vous pouvez voir quand les tendances se sont stabilisées. Maintenant, ce que vous attendiez, nos statistiques actuelles (5 h PST, 2 nov.) Montrent que, pour le nouveau modèle, nous avons: Veuillez activer JavaScript pour de jolis graphiques. 20,8 plus de compétences acquises: Proficiences gagnées par utilisateur: 2,4205 pour la strie et 2,9237 pour l'exactitude 15,7 plus de nouveaux exercices tentés: Nouveaux exercices tentés par utilisateur: 2,9843 pour la strie contre 3,4533 pour l'exactitude 4,4 moins de problèmes (26 moins) par compétence: Problèmes réalisés Précision - P (problème suivant correct gagné): 0,951 pour la strie contre 0,949 pour la précision Plus grande précision obtenue parmi un ensemble de 3 pré-choisies faciles problèmes. Jace est venu avec cette statistique pour mesurer les différences réelles dans l'apprentissage. L'idée de base est la suivante: Si l'exactitude telle que déterminée par la régression logistique est une bonne approximation de compétence, alors des précisions plus élevées seraient indicatives d'une plus grande compétence. Notons la chute abrupte à 94 pour le modèle d'exactitude 8212, ceci est dû au seuil de proficience fixé à 94 pour la régression logistique, donc une fois qu'un utilisateur atteint ce niveau, nous leur disons de passer. (Une strie de 10 avec pas de réponses fausses filet une précision de 96.7.) S'il vous plaît activer JavaScript. Problèmes simples - Répartition de la précision obtenue des utilisateurs, Précision obtenue: 0,85, 0,1064, 0,9, 0,1052, 0,92, 0,1029, 0,94, 0,0973, 0,96, 0,0844 Précision: 0,85, 0,1207, 0,9, 0,1200, 0,92, 0,1195, 0,94, 0,1181 , 0,96, 0,0272 Précision légèrement supérieure obtenue pour un ensemble de 10 problèmes difficiles pré-sélectionnés. Aller au-delà et au-delà de l'appel du devoir semble beaucoup moins populaire ici, parmi les participants modèle de précision. Veuillez activer JavaScript. Problèmes simples - Répartition de la précision obtenue chez les utilisateurs, Précision obtenue: 0,85, 0,0464, 0,9, 0,0433, 0,92, 0,0395, 0,94, 0,0326, 0,96, 0,0193 Précision: 0,85, 0,0473, 0,9, 0,0441, 0,92, 0,0407, 0,94, 0,0392 , 0,96, 0,0025 P (faire un autre problème vient de répondre incorrectement) pas affecté 11,7 plus de compétences gagnées pour les problèmes difficiles 14,8 plus de compétences gagnées pour les problèmes faciles En termes de haut niveau, nous avons augmenté l'intérêt global 8212 plus de nouveaux exercices tentés, La compétence 8212 sans abaisser la barre pour la compétence 8212 P (le problème suivant juste la compétence juste acquise) était approximativement le même pour les deux groupes. En outre, il semble que l'apprentissage global, mesuré par la répartition des exactitudes obtenues, a légèrement augmenté sous le nouveau modèle. De façon optimiste, nous faisons l'hypothèse que nos gains proviennent du fait que les étudiants sont plus rapides que les exercices qu'ils exercent, tout en les faisant passer plus de temps sur des concepts dans lesquels ils ont besoin de plus de pratique. Pour confirmer ou nier cela8230 Dans le pipeline 8230 nous examinerons véritablement où les nouvelles compétences proviennent. Nous sommes également intéressés à voir s'il ya une variation dans la rétention des connaissances 8212 en particulier, nous voulons savoir si P (Problème suivant corrigé quelques jours pause) est affectée. Ce n'est que la fin du début pour nous. Nous souhaitons étudier et éventuellement mettre en œuvre: Descente en gradient stochastique pour l'apprentissage en ligne de régression logistique qui permettrait des modèles adaptatifs par utilisateur et par exercice. Devrait-on bump up le seuil de compétence pour les utilisateurs qui trouvent les exercices trop facile Sur une note similaire, pourrait-on définir une fonction de remise en forme qui prend en compte à la fois la précision et la frustration des élèves, et trouver le temps optimal pour dire à l'étudiant de se déplacer Nous permettent de maximiser l'apprentissage des élèves en maximisant la précision à travers de nombreux exercices Modèles d'amélioration. Voici quelques choses que nous devons encore essayer: Incorporer plus de fonctionnalités, comme le temps passé par problème, le temps depuis le dernier problème fait, et la performance de l'utilisateur sur des exercices similaires. Expérimentez avec des transformations de caractéristiques non linéaires et des combinaisons. Par exemple. Avec ce qui précède, appliquer la régularisation pour éviter overfitting (merci Andrew Ng et ml-classe) Train et utiliser des modèles distincts pour les 5 premiers problèmes vs ceux qui suivent. Ce travail pour créer un prédicteur précis a beaucoup d'autres applications que juste pour alimenter le compteur de compétence: Déterminez si l'utilisateur est en difficulté, et si donc suggérer une vidéo à regarder, en utilisant quelques conseils, ou prendre une pause. Déterminer la date optimale pour planifier une revue pour l'apprentissage à répétition espacé. Concevez une session de révision personnalisée des questions mixtes qui traite des points faibles. Restez à l'écoute pour une continuation blog si nous trouvons des résultats plus intéressants Obligatory Recruiting Plug Pensez que vous pouvez faire mieux Eh bien, je suis d'accord I8217m sûr que vous savez beaucoup de façons d'améliorer ce que nous avons fait. Bonne nouvelle: we8217re open-source et l'embauche Nous accueillons les contributeurs à nos exercices et le cadre d'exercice sur GitHub. Certains de nos meilleurs exercices ont été créés par des bénévoles: consultez cet exercice d'intuition dérivée génial créé par Bengineer Eater. Une autre raison pour laquelle j'aime travailler à l'Académie Khan est l'équipe passionnée et talentueuse. Notre développeur principal, Bengineer Kamens. Est engagé à notre productivité et notre bien-être. Il Bengineers interne refactorings, outils, et passe beaucoup de son temps à obtenir de nouveaux développeurs à la vitesse. Sans son Bengineering, il n'aurait pas été possible de recueillir toutes ces données intéressantes. Aussi, si vous avez une question sur jQuery, vous pouvez demander à John Resig ici. Voulez-vous faire des améliorations de 0,1 dans les taux de click-thru de publicité pour le reste de votre vie, ou venir avec nous et changer le monde de l'éducation Aussi, si vous vous demandez, nous ne sommes pas basés au Royaume-Uni, Canada ou Australia8230 my Le patrimoine canadien m'oblige à épeler 8220-our8221 et 8220-ise8221 quand it8217s ne code pas. P Mise à jour (3 novembre, 2 h PST) Merci à tous pour vos suggestions et commentaires There8217s une discussion intéressante sur Hacker News et Reddit. Mise à jour (12 novembre) Après avoir effectué l'expérience pendant plus de deux semaines maintenant, nous avons analysé 10 jours8217 données pour voir si la rétention des connaissances à plus long terme a été affectée. Il s'avère que les étudiants sont légèrement plus susceptibles de répondre correctement après avoir pris une pause dans le nouveau modèle: P (suivant correcte compétent et a pris pause) 0,861 pour la strie, 0,875 pour la précision P (suivant mauvais pas compétent et a pris pause) 0,273 pour la strie , 0,283 pour la précision Ces résultats sont encourageants. Il montre que le nouveau modèle tente d'aborder l'un des problèmes principaux avec la strie 8212 la variabilité des taux de réussite des élèves après avoir pris une pause 8212 tout en augmentant les taux de compétence. Ainsi, nous avons des raisons de conclure que le modèle d'exactitude est juste un meilleur modèle de compétence des élèves. Ces informations nous ont donné la confiance nécessaire pour déployer de 10 à 100 utilisateurs. Nous avons maintenant officiellement lancé le modèle de compétence de régression logistique site wideOANDA 1080108910871086108311001079109110771090 10921072108110831099 cookie 10951090108610731099 1089107610771083107210901100 1085107210961080 10891072108110901099 10871088108610891090109910841080 1074 1080108910871086108311001079108610741072108510801080 1080 108510721089109010881086108010901100 10801093 10891086107510831072108910851086 108710861090108810771073108510861089109011031084 10851072109610801093 10871086108910771090108010901077108310771081. 10601072108110831099 biscuits 10851077 10841086107510911090 1073109910901100 108010891087108610831100107910861074107210851099 107610831103 109110891090107210851086107410831077108510801103 10741072109610771081 10831080109510851086108910901080. 1055108610891077109710721103 108510721096 1089107210811090, 10741099 108910861075108310721096107210771090107710891100 1089 10801089108710861083110010791086107410721085108010771084 OANDA8217 109210721081108310861074 biscuit 1074 108910861086109010741077109010891090107410801080 1089 10851072109610771081 105510861083108010901080108210861081 108210861085109210801076107710851094108010721083110010851086108910901080. 1048108510891090108810911082109410801080 10871086 107310831086108210801088108610741072108510801102 1080 10911076107210831077108510801102 109210721081108310861074 cookie 1072 10901072108210781077 1091108710881072107410831077108510801102 108010841080 108710881080107410771076107710851099 10851072 10891072108110901077 aboutcookies. org. 1042 108910831091109510721077 10861075108810721085108010951077108510801103 1080108910871086108311001079108610741072108510801103 109210721081108310861074 biscuit 108610871088107710761077108310771085108510991077 1092109110851082109410801080 108510721096107710751086 10891072108110901072 10731091107610911090 1085107710761086108910901091108710851099. 104710721075108810911079108010901100 108410861073108010831100108510991077 1087108810801083108610781077108510801103 1042109310861076 1042109910731088107210901100 1089109510771090: 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 (WMA) 10541087108010891072108510801077 WMA 10861079108510721095107210771090 1711074107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077187 (1072108510751083. 171weighted mouvement average187). 10551086108410861075107210771090 10891075108310721076108010901100 108210881080107410911102 1094107710851099, 10951090108610731099 10831091109510961077 1080107610771085109010801092108010941080108810861074107210901100 10901088107710851076. WMA 107610771083107210771090 107710971077 1073108610831100109610801081 1091108710861088 10851072 1085107710761072107410851086 1087108610831091109510771085108510991077 107610721085108510991077, 109510771084 EMA. 1060108610881084109110831072 1042107910741077109610771085108510861077 1089108210861083110010791103109710771077 1089108810771076108510771077 10741099109510801089108311031077109010891103 10871091109010771084 109110841085108610781077108510801103 1082107210781076108610751086 10791085107210951077108510801103 1074 108710861089108310771076108610741072109010771083110010851086108910901080 10851072 108810721079108510991081 10821086110110921092108010941080107710851090 1080 10891083108610781077108510801103 1087108610831091109510771085108510991093 10881077107910911083110010901072109010861074. 1042 10891074110310791080 10891086 1089108310861078108510861089109011001102 1074109910951080108910831077108510801103 1076107210851085108610751086 10891082108610831100107911031097107710751086 10891088107710761085107710751086 1085108010781077 10871088108010741077107610771085 108710881080108410771088. 10551088107710761087108610831086107810801084, 109510901086 1094107710851099 10791072108210881099109010801103 10791072 108710861089108310771076108510801077 5 1076108510771081 108910831077107610911102109710801077: 1044107710851100 1060108610881084109110831072 108210861101109210921080109410801077108510901072, 108710881080108410771085110310771084108610751086 1082 108210721078107610861081 10801079 109410771085, 108910831077107610911102109710721103: lt n. 1095108010891083108010901077108310771084 1074 108210721078107610861084 108910831091109510721077 11031074108311031077109010891103 10951080108910831086, 108610731086107910851072109510721102109710771077 10851086108410771088 107610851103 1074 108710861089108310771076108610741072109010771083110010851086108910901080. lt d. 107910851072108410771085107210901077108310771084 11031074108311031077109010891103 10891091108410841072 1082108610831080109510771089109010741072 1076108510771081 1074 1074108010761077 109010881077109110751086108311001085108610751086 10951080108910831072. 105810721082 108210721082 10861073109710771077 1082108610831080109510771089109010741086 1076108510771081 10881072107410851086 5, 109010881077109110751086108311001085109910841080 1095108010891083107210841080 11031074108311031102109010891103 5, 4, 3, 2 1080 1, 1072 10801093 10891091108410841072 10881072107410851072 5432115. 1055108611011090108610841091 5-1076108510771074108510861077 WMA 10881072108910891095108010901099107410721077109010891103 108210721082 83 (515) 81 ( 415) 79 (315) 79 (215) 77 (115) 80,7 1044107710851100 1042 107610721085108510861081 10871088107710791077108510901072109410801080 108710881077107610861089109010721074108311031077109010891103 109010861083110010821086 10861073109710721103 1080108510921086108810841072109410801103. 1055108810801084107710881099 1087108810801074108610761103109010891103 1080108910821083110210951080109010771083110010851086 1074 10801083108311021089109010881072109010801074108510991093 10941077108311031093 1080 10841086107510911090 10851077 10861090108810721078107210901100 1090107710821091109710801077 1094107710851099 OANDA. 105410851080 10851077 11031074108311031102109010891103 10801085107410771089109010801094108010861085108510861081 1088107710821086108410771085107610721094108010771081 108010831080 10871086107310911078107610771085108010771084 1082 1089108610741077108810961077108510801102 108910761077108310821080. 1056107710791091108311001090107210901099, 10761086108910901080107510851091109010991077 1074 1087108810861096108310861084, 1085107710861073110310791072109010771083110010851086 109110821072107910991074107211021090 10851072 1088107710791091108311001090107210901099 1074 1073109110761091109710771084. 169 199682112017 OANDA Corporation. 104210891077 10871088107210741072 10791072109710801097107710851099. 10581086107410721088108510991077 10791085107210821080 OANDA, fxTrade 1080 108910771084107710811089109010741086 10901086107410721088108510991093 107910851072108210861074 fx 10871088108010851072107610831077107810721090 OANDA Corporation. 104210891077 108710881086109510801077 10901086107410721088108510991077 10791085107210821080, 10871088107710761089109010721074108310771085108510991077 10851072 1101109010861084 10891072108110901077, 11031074108311031102109010891103 10891086107310891090107410771085108510861089109011001102 108910861086109010741077109010891090107410911102109710801093 1074108310721076107710831100109410771074. 10581086108810751086107410831103 10821086108510901088107210821090107210841080 10851072 10801085108610891090108810721085108510911102 107410721083110210901091 108010831080 10801085109910841080 107410851077107310801088107810771074109910841080 1087108810861076109110821090107210841080 1089 10801089108710861083110010791086107410721085108010771084 10841072108810781080 1080 1082108810771076108010901085108610751086 10871083107710951072 107410831077109510771090 1074109910891086108210801077 10881080108910821080 1080 10871086107610931086107610801090 10851077 1074108910771084 1080108510741077108910901086108810721084. 10561077108210861084107710851076109110771084 107410721084 109010971072109010771083110010851086 1086109410771085108010901100, 10871086107610931086107611031090 10831080 107410721084 10901072108210801077 10901086108810751086107410991077 10861087107710881072109410801080 1089 109110951077109010861084 10741072109610801093 108310801095108510991093 1086107310891090108611031090107710831100108910901074. 1042107210961080 109110731099109010821080 10841086107510911090 108710881077107410991089108010901100 10861073109810771084 10741072109610801093 1080108510741077108910901080109410801081. 1048108510921086108810841072109410801103, 10871088108010741077107610771085108510721103 10851072 107610721085108510861084 10891072108110901077, 10851086108910801090 10861073109710801081 10931072108810721082109010771088. 10561077108210861084107710851076109110771084 107410721084 10761086 108510721095107210831072 10901086108810751086107410831080 1086107310881072109010801090110010891103 10791072 1087108610841086109711001102 1082 10851077107910721074108010891080108410991084 1082108610851089109110831100109010721085109010721084 1080 109110731077107610801090110010891103, 109510901086 10741099 108710861083108510861089109011001102 108710861085108010841072107710901077 107410891077 1089108610871091109010891090107410911102109710801077 10881080108910821080. 10581086108810751086107410831103 10871086108910881077107610891090107410861084 108610851083107210811085 -108710831072109010921086108810841099 107410831077109510771090 10761086108710861083108510801090107710831100108510991077 10881080108910821080. 10571084. 108810721079107610771083 17110551088107210741086107410991077 1074108610871088108610891099187 10791076107710891100. 1060108010851072108510891086107410991081 10891087108810771076-1073107710901090108010851075 10761086108910901091108710771085 109010861083110010821086 10821083108010771085109010721084 OANDA Europe Ltd, 1103107410831103110210971080108410891103 10881077107910801076107710851090107210841080 105710861077107610801085107710851085108610751086 10501086108810861083107710741089109010741072 108010831080 1056107710891087109110731083108010821080 10481088108310721085107610801103. 105010861085109010881072108210901099 10851072 1088107210791085108010941091, 1092109110851082109410801080 109310771076107810801088108610741072108510801103 105210584 1080 108210881077107610801090108510861077 10871083107710951086 10891074109910961077 50: 1 1085107710761086108910901091108710851099 107610831103 1088107710791080107610771085109010861074 10571086107710761080108510771085108510991093 106410901072109010861074 1040108410771088108010821080. 1048108510921086108810841072109410801103 10851072 1101109010861084 10891072108110901077 10851077 1087108810771076108510721079108510721095107710851072 107610831103 1078108010901077108310771081 10891090108810721085, 1074 1082108610901086108810991093 10771077 108810721089108710881086108910901088107210851077108510801077 108010831080 1080108910871086108311001079108610741072108510801077 10831102107310991084 10831080109410861084 108710881086109010801074108610881077109510801090 1084107710891090108510991084 1079107210821086108510721084 1080 10871088107210741080108310721084. 10501086108410871072108510801103 1089 108610751088107210851080109510771085108510861081 1086109010741077109010891090107410771085108510861089109011001102 OANDA Europe Limited 1079107210881077107510801089109010881080108810861074107210851072 1074 104010851075108310801080, 108810771075108010891090108810721094108010861085108510991081 10851086108410771088 7.110.087, 11021088108010761080109510771089108210801081 10721076108810771089: Tour 42, 9a étage, 25 Old Broad Street, Londres EC2N 1HQ. 104410771103109010771083110010851086108910901100 10821086108410871072108510801080 1083108010941077108510791080108810861074107210851072 1080 108810771075109110831080108810911077109010891103 10591087108810721074108310771085108010771084 10921080108510721085108910861074108610751086 1085107210761079108610881072. 10831080109410771085107910801103 8470 542574. OANDA Japan Co. Ltd. 8212 108710771088107410991081 10761080108810771082109010861088 10871086 108610871077108810721094108011031084 1089 10921080108510721085108910861074109910841080 1080108510891090108810911084107710851090107210841080 1090108010871072 Kanto Local Bureau financier (Kin-sho), 108810771075. 8470 2137 1095108310771085 1040108910891086109410801072109410801080 1092108010851072108510891086107410991093 109211001102109510771088108910861074, 108810771075. 8470 Moyennes de déplacement - Simple et exponentielle Moyennes mobiles - Simple et exponentiel Introduction Moyennes mobiles lisser les données de prix pour former un indicateur de tendance suivant. Ils ne prédisent pas la direction des prix, mais plutôt définir la direction actuelle avec un décalage. Les moyennes mobiles retardent parce qu'elles sont basées sur des prix passés. Malgré ce décalage, les moyennes mobiles aident à atténuer l'effet des prix et à éliminer le bruit. Ils forment également les blocs de construction pour de nombreux autres indicateurs techniques et superpositions, tels que les bandes de Bollinger. MACD et l'oscillateur McClellan. Les deux types les plus populaires de moyennes mobiles sont la moyenne mobile simple (SMA) et la moyenne mobile exponentielle (EMA). Ces moyennes mobiles peuvent être utilisées pour identifier la direction de la tendance ou définir des niveaux de support et de résistance potentiels. Voici un diagramme à la fois avec un SMA et un EMA sur elle: calcul simple de moyenne mobile Une moyenne mobile simple est formé en calculant le prix moyen d'un titre sur un certain nombre de périodes. La plupart des moyennes mobiles sont basées sur les cours de clôture. Une moyenne mobile simple de 5 jours est la somme de cinq jours des prix de clôture divisée par cinq. Comme son nom l'indique, une moyenne mobile est une moyenne qui se déplace. Les données anciennes sont supprimées lorsque de nouvelles données sont disponibles. Cela provoque la moyenne se déplacer le long de l'échelle de temps. Voici un exemple d'une moyenne mobile de 5 jours évoluant sur trois jours. Le premier jour de la moyenne mobile couvre simplement les cinq derniers jours. Le deuxième jour de la moyenne mobile dépose le premier point de données (11) et ajoute le nouveau point de données (16). Le troisième jour de la moyenne mobile se poursuit en abandonnant le premier point de données (12) et en ajoutant le nouveau point de données (17). Dans l'exemple ci-dessus, les prix augmentent progressivement de 11 à 17 sur un total de sept jours. Notez que la moyenne mobile passe également de 13 à 15 sur une période de calcul de trois jours. Notez également que chaque valeur moyenne mobile est juste en dessous du dernier prix. Par exemple, la moyenne mobile pour le premier jour est égale à 13 et le dernier prix est 15. Les prix des quatre jours précédents étaient plus bas et cela entraîne un décalage de la moyenne mobile. Moyenne mobile exponentielle Calcul Les moyennes mobiles exponentielles réduisent le décalage en appliquant plus de poids aux prix récents. La pondération appliquée au prix le plus récent dépend du nombre de périodes de la moyenne mobile. Il y a trois étapes pour calculer une moyenne mobile exponentielle. Tout d'abord, calculer la moyenne mobile simple. Une moyenne mobile exponentielle (EMA) doit commencer quelque part, une moyenne mobile simple est utilisée comme EMA de la période précédente039 dans le premier calcul. Deuxièmement, calculez le multiplicateur de pondération. Troisièmement, calculez la moyenne mobile exponentielle. La formule ci-dessous est pour un EMA de 10 jours. Une moyenne mobile exponentielle de 10 périodes applique une pondération de 18,18 au prix le plus récent. Un EMA de 10 périodes peut également être appelé un 18.18 EMA. Une EMA de 20 périodes applique une pondération de 9.52 au prix le plus récent (2 (201) .0952). Notez que la pondération pour la période de temps plus courte est plus que la pondération pour la plus longue période. En fait, la pondération diminue de moitié chaque fois que la période de moyenne mobile double. Si vous souhaitez nous attribuer un pourcentage spécifique pour une EMA, vous pouvez utiliser cette formule pour la convertir en périodes, puis saisir cette valeur en tant que paramètre EMA039s: Ci-dessous un exemple de tableur d'une moyenne mobile simple de 10 jours et d'un 10- Moyenne mobile exponentielle pour Intel. Les moyennes mobiles simples sont simples et nécessitent peu d'explications. La moyenne de 10 jours se déplace simplement que de nouveaux prix deviennent disponibles et les anciens prix baisse. La moyenne mobile exponentielle commence par la valeur moyenne mobile simple (22,22) dans le premier calcul. Après le premier calcul, la formule normale reprend. Parce qu'un EMA commence avec une moyenne mobile simple, sa valeur réelle ne sera pas réalisé jusqu'à 20 périodes plus tard. En d'autres termes, la valeur de la feuille de calcul Excel peut différer de la valeur du graphique en raison de la courte période de retour. Cette feuille de calcul ne remonte qu'à 30 périodes, ce qui signifie que l'effet de la moyenne mobile simple a eu 20 périodes à dissiper. StockCharts remonte au moins 250 périodes (généralement beaucoup plus loin) pour ses calculs de sorte que les effets de la moyenne mobile simple dans le premier calcul ont complètement dissipé. Le facteur Lag Plus la moyenne mobile est longue, plus le décalage est important. Une moyenne mobile exponentielle de 10 jours va étreindre les prix tout à fait étroitement et tourner peu après que les prix tournent. Les moyennes mobiles courtes sont comme les bateaux rapides - agiles et rapides à changer. En revanche, une moyenne mobile de 100 jours contient beaucoup de données passées qui ralentit. Les moyennes mobiles plus longues sont comme les pétroliers océaniques - léthargiques et lentes à changer. Il faut un mouvement de prix plus long et plus long pour une moyenne mobile de 100 jours pour changer de cap. Le graphique ci-dessus montre le FNB SampP 500 avec une EMA de 10 jours suivent de près les prix et un meulage SMA de 100 jours plus élevé. Même avec la baisse de janvier-février, la SMA de 100 jours a tenu le cap et n'a pas refusé. Le SMA de 50 jours s'inscrit quelque part entre les moyennes mobiles 10 et 100 jours quand il s'agit du facteur de retard. Simple vs Moyennes mobiles exponentielles Même si il ya des différences claires entre les moyennes mobiles simples et exponentielles moyennes mobiles, on n'est pas nécessairement mieux que l'autre. Les moyennes mobiles exponentielles ont moins de retard et sont donc plus sensibles aux prix récents et aux récentes variations de prix. Les moyennes mobiles exponentielles tournent avant les moyennes mobiles simples. Les moyennes mobiles simples, en revanche, représentent une vraie moyenne des prix pour toute la période. En tant que tel, les moyennes mobiles simples peuvent être mieux adaptées pour identifier les niveaux de soutien ou de résistance. La préférence en matière de déménagement dépend des objectifs, du style analytique et de l'horizon temporel. Chartistes devraient expérimenter avec les deux types de moyennes mobiles ainsi que des délais différents pour trouver le meilleur ajustement. Le graphique ci-dessous montre IBM avec la SMA de 50 jours en rouge et l'EMA de 50 jours en vert. Les deux ont culminé à la fin de janvier, mais la baisse de l'EMA a été plus forte que la baisse de la SMA. L'EMA est arrivée à la mi-février, mais la SMA a continué à baisser jusqu'à la fin de mars. Notez que la SMA s'est révélée plus d'un mois après l'EMA. Longueurs et délais La longueur de la moyenne mobile dépend des objectifs analytiques. Moyennes mobiles courtes (5-20 périodes) sont les mieux adaptés pour les tendances à court terme et le commerce. Les chartistes intéressés par les tendances à moyen terme opteront pour des moyennes mobiles plus longues qui pourraient s'étendre de 20 à 60 périodes. Les investisseurs à long terme préfèrent les moyennes mobiles avec 100 périodes ou plus. Certaines longueurs moyennes mobiles sont plus populaires que d'autres. La moyenne mobile de 200 jours est peut-être la plus populaire. En raison de sa longueur, il s'agit clairement d'une moyenne mobile à long terme. Ensuite, la moyenne mobile de 50 jours est très populaire pour la tendance à moyen terme. Beaucoup de chartistes utilisent les moyennes mobiles de 50 jours et de 200 jours ensemble. À court terme, une moyenne mobile de 10 jours était très populaire dans le passé parce qu'il était facile à calculer. On a simplement ajouté les chiffres et déplacé la virgule décimale. Identification des tendances Les mêmes signaux peuvent être générés en utilisant des moyennes mobiles simples ou exponentielles. Comme indiqué ci-dessus, la préférence dépend de chaque individu. Ces exemples ci-dessous utiliseront des moyennes mobiles simples et exponentielles. Le terme moyenne mobile s'applique aux moyennes mobiles simples et exponentielles. La direction de la moyenne mobile donne des informations importantes sur les prix. Une hausse de la moyenne mobile montre que les prix augmentent généralement. Une moyenne mobile en baisse indique que les prix, en moyenne, sont en baisse. Une hausse de la moyenne mobile à long terme reflète une tendance à la hausse à long terme. Une baisse de la moyenne mobile à long terme reflète une tendance à la baisse à long terme. Le graphique ci-dessus montre 3M (MMM) avec une moyenne mobile exponentielle de 150 jours. Cet exemple montre à quel point les moyennes mobiles fonctionnent quand la tendance est forte. L'EMA de 150 jours a refusé en novembre 2007 et encore une fois en Janvier 2008. Notez qu'il a fallu une baisse de 15 pour inverser la direction de cette moyenne mobile. Ces indicateurs de retard identifient les retournements de tendance au fur et à mesure qu'ils se produisent (au mieux) ou après leur apparition (au pire). MMM a continué plus bas en mars 2009, puis a bondi de 40-50. Notez que l'EMA de 150 jours n'a pas apparu avant cette surtension. Une fois cela fait, cependant, MMM a continué plus haut les 12 prochains mois. Moyennes mobiles travaillent brillamment dans de fortes tendances. Double Crossover Deux moyennes mobiles peuvent être utilisées ensemble pour générer des signaux de croisement. Dans Analyse Technique des Marchés Financiers. John Murphy appelle cela la méthode du double crossover. Les croisements doubles impliquent une moyenne mobile relativement courte et une moyenne mobile relativement longue. Comme pour toutes les moyennes mobiles, la longueur générale de la moyenne mobile définit le calendrier du système. Un système utilisant un EMA de 5 jours et un EMA de 35 jours serait jugé à court terme. Un système utilisant un SMA de 50 jours et un SMA de 200 jours serait considéré à moyen terme, peut-être même à long terme. Un croisement haussier se produit lorsque la moyenne mobile plus courte croise au-dessus de la moyenne mobile plus longue. C'est aussi connu comme une croix d'or. Un croisement baissier se produit lorsque la moyenne mobile plus courte croise en dessous de la moyenne mobile plus longue. C'est ce qu'on appelle une croix morte. Les crossovers moyens mobiles produisent des signaux relativement tardifs. Après tout, le système emploie deux indicateurs de retard. Plus les périodes de moyenne mobile sont longues, plus le décalage dans les signaux est élevé. Ces signaux fonctionnent très bien quand une bonne tendance prend place. Cependant, un système de crossover moyen mobile produira beaucoup de whipsaws en l'absence d'une tendance forte. Il existe également une méthode de croisement triple impliquant trois moyennes mobiles. Encore une fois, un signal est généré lorsque la moyenne mobile la plus courte traverse les deux moyennes mobiles plus longues. Un simple système de croisement triple peut impliquer des moyennes mobiles de 5 jours, 10 jours et 20 jours. Le tableau ci-dessus montre Home Depot (HD) avec une EMA de 10 jours (ligne pointillée verte) et une EMA de 50 jours (ligne rouge). La ligne noire est la fermeture quotidienne. L'utilisation d'un crossover moyen mobile aurait entraîné trois whipsaws avant de prendre un bon commerce. L'EMA de 10 jours a éclaté en dessous de l'EMA de 50 jours à la fin d'octobre (1), mais cela n'a pas duré longtemps car les 10 jours sont revenus au-dessus à la mi-novembre (2). Cette croix a duré plus longtemps, mais le prochain croisement baissier en Janvier (3) a eu lieu vers la fin de novembre niveaux de prix, résultant en une autre whipsaw. Cette croix baissière n'a pas duré longtemps car l'EMA de 10 jours est revenue au-dessus des 50 jours quelques jours plus tard (4). Après trois mauvais signaux, le quatrième signal annonçait un fort mouvement alors que le stock avançait au-dessus de 20. Il y a deux takeaways ici. Tout d'abord, les crossovers sont sujettes à whipsaw. Un filtre de prix ou de temps peut être appliqué pour aider à prévenir whipsaws. Les traders peuvent exiger que le croisement dure trois jours avant d'agir ou de demander à l'EMA de 10 jours de se déplacer au-dessus de l'EMA de 50 jours d'un certain montant avant d'agir. Deuxièmement, MACD peut être utilisé pour identifier et quantifier ces croisements. MACD (10,50,1) montrera une ligne représentant la différence entre les deux moyennes mobiles exponentielles. MACD devient positif pendant une croix d'or et négatif pendant une croix morte. L'oscillateur de prix en pourcentage (PPO) peut être utilisé de la même façon pour montrer les différences de pourcentage. Notez que le MACD et le PPO sont basés sur des moyennes mobiles exponentielles et ne correspondent pas aux moyennes mobiles simples. Ce graphique montre Oracle (ORCL) avec l'EMA de 50 jours, EMA de 200 jours et MACD (50, 200,1). Il y avait quatre croisements moyens mobiles sur une période de 12 ans. Les trois premiers se sont soldés par des whipsaws ou des mauvais métiers. Une tendance soutenue a commencé avec le quatrième croisement comme ORCL avancé au milieu des années 20. Encore une fois, les crossovers de moyenne mobile fonctionnent très bien quand la tendance est forte, mais produisent des pertes en l'absence d'une tendance. Crossovers de prix Les moyennes mobiles peuvent également être utilisées pour générer des signaux avec des crossovers de prix simple. Un signal haussier est généré lorsque les prix se déplacent au-dessus de la moyenne mobile. Un signal baissier est généré lorsque les prix se déplacent au-dessous de la moyenne mobile. Croisements de prix peuvent être combinés pour le commerce dans la plus grande tendance. La moyenne mobile plus longue donne le ton pour la tendance plus importante et la moyenne mobile plus courte est utilisée pour générer les signaux. On rechercherait des croissants haussiers de prix seulement quand les prix sont déjà au-dessus de la moyenne mobile plus longue. Ce serait le commerce en harmonie avec la plus grande tendance. Par exemple, si le prix est au-dessus de la moyenne mobile de 200 jours, les chartistes se concentrer uniquement sur les signaux lorsque le prix se déplace au-dessus de la moyenne mobile de 50 jours. Évidemment, un mouvement au-dessous de la moyenne mobile de 50 jours précéderait un tel signal, mais de telles croix baissières seraient ignorées parce que la tendance plus grande est vers le haut. Une croix baissière suggérerait simplement un retrait dans une plus grande tendance haussière. Un retour en arrière au-dessus de la moyenne mobile de 50 jours signifierait une reprise des prix et la poursuite de la plus forte tendance haussière. Le graphique suivant montre Emerson Electric (EMR) avec l'EMA de 50 jours et EMA de 200 jours. Le stock a déménagé au-dessus et a tenu au-dessus de la moyenne mobile de 200 jours en août. Il y avait des creux au-dessous de l'EMA de 50 jours au début de novembre et encore au début de février. Les prix ont rapidement reculé au-dessus de l'EMA de 50 jours pour fournir des signaux haussiers (flèches vertes) en harmonie avec la plus grande tendance haussière. MACD (1,50,1) est affiché dans la fenêtre d'indicateur pour confirmer les croix de prix au-dessus ou en dessous de l'EMA de 50 jours. L'EMA d'un jour correspond au cours de clôture. MACD (1,50,1) est positif lorsque la fermeture est supérieure à l'EMA de 50 jours et négative lorsque la fermeture est inférieure à l'EMA de 50 jours. Soutien et résistance Les moyennes mobiles peuvent également servir de support dans une tendance haussière et de résistance dans une tendance baissière. Une tendance à la hausse à court terme pourrait trouver un soutien près de la moyenne mobile simple de 20 jours, qui est également utilisé dans les bandes de Bollinger. Une tendance haussière à long terme pourrait trouver un soutien près de la moyenne mobile simple de 200 jours, qui est la moyenne mobile à long terme la plus populaire. En fait, la moyenne mobile de 200 jours peut offrir un soutien ou une résistance simplement parce qu'elle est si largement utilisée. C'est presque comme une prophétie auto-réalisatrice. Le graphique ci-dessus montre le NY Composite avec la moyenne mobile simple de 200 jours de mi 2004 à la fin de 2008. Les 200 jours ont fourni le soutien de nombreuses fois au cours de l'avance. Une fois que la tendance s'est inversée avec une double rupture de support supérieure, la moyenne mobile de 200 jours a agi comme une résistance autour de 9500. Ne vous attendez pas à des niveaux de soutien et de résistance exacts à partir des moyennes mobiles, en particulier des moyennes mobiles plus longues. Les marchés sont stimulés par l'émotion, ce qui les rend sujets à des dépassements. Au lieu des niveaux exacts, les moyennes mobiles peuvent être utilisées pour identifier les zones de soutien ou de résistance. Conclusions Les avantages de l'utilisation de moyennes mobiles doivent être mis en balance avec les inconvénients. Les moyennes mobiles sont des tendances qui suivent, ou qui sont en retard, des indicateurs qui seront toujours un pas en arrière. Ce n'est pas forcément une mauvaise chose cependant. Après tout, la tendance est votre ami et il est préférable de négocier dans le sens de la tendance. Moyennes mobiles assurer qu'un commerçant est en ligne avec la tendance actuelle. Même si la tendance est votre ami, les titres passent beaucoup de temps dans les gammes de négociation, ce qui rend les moyennes mobiles inefficaces. Une fois dans une tendance, les moyennes mobiles vous tiendront, mais aussi donner des signaux tardifs. Don039t s'attendent à vendre au sommet et acheter au bas en utilisant des moyennes mobiles. Comme pour la plupart des outils d'analyse technique, les moyennes mobiles ne doivent pas être utilisées seules, mais conjointement avec d'autres outils complémentaires. Les chartistes peuvent utiliser des moyennes mobiles pour définir la tendance générale, puis utiliser RSI pour définir les niveaux de sur-achat ou de survente. Ajout de moyennes mobiles aux graphiques StockCharts Les moyennes mobiles sont disponibles en tant que fonctionnalité de superposition de prix sur le workbench de SharpCharts. À l'aide du menu déroulant Superpositions, les utilisateurs peuvent choisir soit une moyenne mobile simple, soit une moyenne mobile exponentielle. Le premier paramètre est utilisé pour définir le nombre de périodes. Un paramètre facultatif peut être ajouté pour spécifier le champ de prix à utiliser dans les calculs - O pour l'Open, H pour le High, L pour le Low et C pour le Close. Une virgule est utilisée pour séparer les paramètres. Un autre paramètre facultatif peut être ajouté pour déplacer les moyennes mobiles vers la gauche (passé) ou vers la droite (future). Un nombre négatif (-10) déplacerait la moyenne mobile vers la gauche 10 périodes. Un nombre positif (10) déplacerait la moyenne mobile vers la droite 10 périodes. Plusieurs moyennes mobiles peuvent être superposées à l'intrigue des prix en ajoutant simplement une autre ligne de superposition à l'atelier. Les membres de StockCharts peuvent changer les couleurs et le style pour différencier entre plusieurs moyennes mobiles. Après avoir sélectionné un indicateur, ouvrez Options avancées en cliquant sur le petit triangle vert. Les options avancées peuvent également être utilisées pour ajouter une superposition de moyenne mobile à d'autres indicateurs techniques comme RSI, CCI et Volume. Cliquez ici pour un graphique en direct avec différentes moyennes mobiles. Utiliser les moyennes mobiles avec les balayages StockCharts Voici quelques exemples de balayages que les membres StockCharts peuvent utiliser pour analyser diverses situations de moyenne mobile: Bullish Moving Average Cross: Cette analyse cherche des stocks avec une hausse de la moyenne mobile de 150 jours et une croix haussière des 5 EMA de jour et EMA de 35 jours. La moyenne mobile de 150 jours est en hausse tant qu'elle se négocie au-dessus de son niveau il ya cinq jours. Un croisement haussier se produit lorsque l'EMA de 5 jours se déplace au-dessus de l'EMA de 35 jours sur un volume supérieur à la moyenne. Moyenne mobile baissière Croix: Cette analyse cherche des actions avec une baisse de la moyenne mobile de 150 jours simples et une croix baissière de l'EMA de 5 jours et de l'EMA de 35 jours. La moyenne mobile de 150 jours est en baisse tant qu'elle est en dessous de son niveau il ya cinq jours. Une croix baissière se produit lorsque l'EMA de 5 jours se déplace au-dessous de l'EMA de 35 jours sur un volume supérieur à la moyenne. Étude complémentaire Le livre de John Murphy a un chapitre consacré aux moyennes mobiles et à leurs diverses utilisations. Murphy couvre les avantages et les inconvénients des moyennes mobiles. De plus, Murphy montre comment les moyennes mobiles travaillent avec Bollinger Bands et les systèmes de négociation basés sur les canaux. Analyse technique des marchés financiers John Murphy