میانگین متحرک

میانگین متحرک یا Moving Average یکی از مهم ترین پارامتر هایی است که در تحلیل ارز های دیجیتال بسیار کاربرد دارد. کمتر متنی در خصوص بررسی و پیش بینی قیمت رمز ارز ها دیده می شود که از میانگین متحرک استفاده نکرده باشد. این پارامتر تحلیل تکنیکال با حذف نویز و با استفاده از قیمت های پیشین به تریدر نشان می دهد روند قیمت یک ارز مانند بیت کوین چگونه است. با استفاده از MA، تریدر می تواند روند قیمت یک ارز را در گذشته بررسی کرده و قیمت آینده را به کمک آن پیش بینی کند.

انواع مختلفی از میانگین متحرک وجود دارد که تریدرها نه تنها در تجارت های روزانه و شناور بلکه در طرح های بلند مدت خود نیز می توانند آنها را به کار ببرند. علیرغم تنوع زیاد، میانگین های متحرک به دو دسته ی کلی تقسیم بندی می شوند: میانگین متحرک ساده (SMA) و میانگین متحرک نمایی (EMA). تریدرها می توانند با توجه به بازار و هدف مورد نظرشان از موردی استفاده کنند که با توجه وضعیتشان بیشترین بهره را نصیب آنها کند.

میانگین متحرک ساده

میانگین متحرک ساده داده های خود را از مجموعه ای از دوره های زمانی می گیرد و قیمت متوسط آن را برای مجموعه داده ها تولید می کند. تفاوت میان میانگین متحرک ساده و میانگین اصلی قیمت های گذشته در این است که بلافاصله پس از ورود مجموعه ای از داده های جدید، قدیمی ترین مجموعه از داده ها نادیده گرفته می شود. بنابراین اگر میانگین متحرک ساده میانگین را بر حسب داده های یک دوره 10 روزه محاسبه کند، کل مجموعه داده ها به گونه ای به روز رسانی می شود که تنها شامل داده های 10 روز آخر باشد.

باید توجه داشت که تمام داده های ورودی در یک SMA به صورت یکسانی مورد ارزیابی قرار می گیرند و وزن یکسانی دارند و زمان افزوده شدن آنها به مجموعه داده ها اهمیت خاصی ندارد. تریدرهایی که فکر می کنند داده های جدیدتر ارتباط بیشتری با وضعیت فعلی بازار دارند، اغلب بیان می کنند که سنجش یکسان میانگین متحرک ساده به تحلیل فنی ضربه می زند. میانگین متحرک نمایی (EMA) برای حل کردن این پاسخ به وجود آمده است.

قبل از بررسی میانگین متحرک نمایی ، به ذکر مثالی از SMA می پردازیم:

در نمودار بالا سه MA ساده در نمودار زمانی یک ساعته یک ارز دیجیتال رسم شده است. همانطور که مشاهده می کنید میانگین طولانی تر ( 62 روزه) از نمودار قیمت اصلی دورتر است. دلیل این موضوع این است در در میانگین 62 روزه، قیمت بازه زمانی طولانی تر (62 روز) در MA لحاظ می شود و سپس بر 62 تقسیم می شود. وقتی بازه زمانی طولانی تر باشد، حرکت نمودار مربوط به آن به نسبت روند اصلی کندتر است و تغییرات را آهسته تر نشان می دهد. به عبارت بهتر روند کلی تر نشان داده می شود.

میانگین متحرک نمایی

میانگین های متحرک نمایی یا EMA همانند میانگین های متحرک ساده هستند، چراکه آنها هم بر اساس نوسانات قیمتی گذشته یک تحلیل فنی را ارائه می دهند. اما معادله آنها کمی پیچیده تر است چون که در میانگین های متحرک نمایی ارزش بیشتری برای قیمت های جدیدتر در نظر گرفته می شود. اگرچه هر دو میانگین با ارزش اند و به مقدار زیادی مورد استفاده قرار می گیرند، اما میانگین متحرک نمایی نسبت به واژگونی و نوسانات قیمت ناگهانی حساس تر است.

از آنجا که میانگین های نمایی واژگونی قیمت ها را سریع تر از میانگین متحرک ساده مشخص می کنند، اغلب  به میزان بیشتری از سوی تریدرهایی که درگیر فعالیت های کوتاه مدت هستند مورد توجه قرار می گیرند. بسیار مهم است که یک تریدر یا سرمایه گذار با توجه به استراتژی های شخصی و اهداف خود نوع میانگین مورد نظرش را انتخاب کند و فعالیت هایش را بر اساس آن پیش ببرد.

در مثال زیر نحوه محاسبه EMA را بررسی می کنیم. به نمودار دقت کنید:

در نمودار بالا قیمت ارز در پنج روز گذشته به شرح زیر است:

• روز اول : 1.3172
• روز دوم : 1.3231
• روز سوم : 1.3164
• روز چهارم : 1.3186
• روز پنجم : 1.3293

در قدم اول برای محاسبه EMA باید میاینگین متحرک ساده محاسبه شود.

(1.3172 + 1.3231 + 1.3164 + 1.3186 + 1.3293) / 5 = 1.3209

همانطور که در تعریف میانگین نمایی مطرح کردیم، ضریب وزنی در محاسبه آن تاثیر دارد. پس باید این عدد را بدست آوریم. برای EMA پنج روزه ، ضریب از این روش به دست می آید:

(2/ (5+1))= 0.33

پس از محاسبه ضریب وزنی از این فرمول استفاده می کنیم :

میانگین متحرک نمایی (روز پیش) + ضریب × {میانگین متحرک نمایی (روز پیش) – قیمت بسته شدن}

چگونه از میانگین های متحرک استفاده کنیم؟

از آنجا که میانگین های متحرک به جای قیمت های جدید از قیمت های گذشته استفاده می کنند، پس دارای یک دوره تاخیر می باشند. هرچه مجموعه ی داده ها گسترده تر باشد، میزان تاخیر هم بیشتر خواهد شد. برای مثال میانگین متحرکی که 100 روز گذشته را مورد بررسی قرار می دهد در مقایسه با میانگین متحرکی که تنها 10 روز گذشته را بررسی می کند بسیار آهسته تر به اطلاعات جدید پاسخ می دهد. دلیل این موضوع هم این است که یک ورودی جدید به یک مجموعه اطلاعاتی بزرگ اثر کم تری بر کلیت اعداد خواهد داشت.

هر دو میانگین می توانند با توجه به شرایط ترید مورد نظر مفید باشند. مجموعه داده های بزرگتر برای سرمایه گزاری های طولانی مدت بهترند، چراکه احتمال تغییرات گسترده به خاطر یک یا دو نوسان بزرگ کاهش می یابد. تریدرهایی که به صورت کوتاه مدت فعالیت می کنند اغلب از مجموعه داده های کوچکتری استفاده می کنند چون که مجموعه داده های کوچکتر برای تجارتی انعطاف پذیر بهترند.

در بازارهای سنتی، میانگین های متحرک 50، 100 و 200 روز گذشته بیش سایر حالت ها مورد استفاده قرار می گیرند. میانگین های 50 و 200 روزه به دقت توسط تریدرها مورد بررسی قرار می گیرند و تحرکات خطوط به بالا و پایین به عنوان نشانه های تجاری مهم قلمداد می شوند، به ویژه زمانی که این نشانه ها با همپوشانی نیز همراه باشند. این مورد برای تجارت رمزارزها نیز مورد استفاده قرار می گیرد اما به دلیل فراریت 24 ساعته این بازار، ممکن است ویژگی های MA و استراتژی تجارت با توجه به مشخصات تریدر تغییر کند.

نشانه های همپوشانی

طبیعتاً یک MA رو به بالا نشان دهنده ی یک روند صعودی و یک میانگین متحرک در حال سقوط نشان دهنده ی یک روند نزولی است. با این وجود میانگین متحرک به تنهایی یک شاخص قدرتمند و قابل اطمینان نیست. بنابراین میانگین های متحرک همواره به صورت ترکیبی مورد استفاده قرار میگیرند تا  نشانه های همپوشانی “خرسی” و “گاوی” را مشخص کنند.

یک نشانه همپوشانی زمانی به وجود می آید که دو میانگین متحرک بر روی چارت با یکدیگر همپوشانی داشته باشند. همپوشانی گاوی زمانی رخ  می دهد که میانگین های متحرک کوتاه مدت از  بالای یک میانگین متحرک طولانی مدت عبور کند، و این به معنای شروع یک روند صعودی است. از سوی دیگر، همپوشانی خرسی زمانی رخ می دهد که یک میانگین متحرک کوتاه مدت از زیر یک میانگین متحرک طولانی مدت عبور کند و  این مورد در اینجا به معنای آغاز یک روند نزولی است.

سایر عوامل

تمام مثال هایی که تا الان ذکر کردیم بر حسب روز بودند، اما این یک پارامتر ضروری در زمان تحلیل میانگین های متحرک به حساب نمی آید. افرادی که سرگرم تجارت های روزانه هستند از نحوه عملکرد یک دارایی در چند ساعت گذشته بهره ی بیشتری میبرند تا اینکه وضعیت چند ماه گذشته را بررسی کنند. چارچوب های زمانی گوناگونی را می توان در هنگام محاسبه MA به کار گرفت و تا زمانی که این چارچوب های زمانی با استراتژی تجاری تریدرها هماهنگ باشد، داده های به دست آمده مفید خواهند بود.

یکی از معایب میانگین های متحرک میزان تاخیر آنهاست. از آنجا که میانگین های متحرک شاخص هایی تاخیری به شمار می آیند که فعالیت های قیمتی گذشته را در نظر می گیرند، نشانه ها اغلب دیر ظاهر می شوند. برای مثال یک همپوشانی گاوی شاید نشانه ای برای خرید باشد اما این همپوشانی زمانی رخ می دهد که قیمت به میزان قابل توجهی افزایش داشته باشد.

این بدان معناست که حتی اگر روند صعودی ادامه پیدا کند، سود بلقوه ای از زمان افزایش قیمت تا زمان پدیدار شدن نشانه ی همپوشانی از دست می رود. بدتر از این هم امکان دارد. مثلا وقتی که یک تریدر با مشاهده ی یک نشانه همپوشانی خرسی خرید زیادی انجام دهد و پس از آن قیمت ها با کاهش رو به رو شوند. این نشانه های نادرست برای خرید را اغلب دام های گاوی می نامند.

نتیجه گیری

میانگین های متحرک شاخص های قدرتمندی در تحلیل فنی به حساب می آیند که کاربرد گسترده ای دارند. توانایی تحلیل روند های بازار  به شکلی داده-محور سبب ایجاد بینش عمیقی از چگونگی عملکرد بازار می شود. همیشه به خاطر داشته باشید که میانگین های متحرک و نشانه های همپوشانی را نباید به صورت جداگانه به کاربرد و همیشه امن ترین روش ترکیب شاخص های تحلیلی گوناگون برای نیافتادن در دام نشانه های نادرست است.