Saturday 12 August 2017

Rata rata bergerak ke 3


Memindahkan model perataan rata-rata dan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan model rata-rata bergerak atau pemulusan. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Kembali ke atas halaman.) 70.548 kotak pindah 143.567 mil menempuh 54.256 gulungan pita 13.027 pelanggan yang puas Dissassemble, Protect, Pack, Unload, Reassemble, Smile. Kami membuatnya semudah itu. Semua dengan biaya rendah untuk Anda. ApartmentsCondos Bergerak dari lantai 3 ke lantai 3 yang lain Biarkan profesional yang paling sulit bekerja di bisnis melakukannya untuk Anda. Baik itu lantai 1, 3, atau 35, tangga tidak cocok untuk penggerak kami. Tidak ada yang lebih baik. Kantor hukum Laboratorium teknik Seluruh sayap rumah sakit. Tidak ada kantor yang terlalu besar, terlalu kecil, atau terlalu rumit. Efisiensi dan keahlian kami akan membuat Anda kembali bekerja di tempat baru Anda dalam waktu singkat. Temui Tim Kami Paul lahir dan besar di Austin, TX. Ia lulus dari Texas A038M University pada tahun 2011 dengan gelar B. A. Dalam akuntansi dan M. S. Dalam manajemen dengan fokus pada berwirausaha. Dia adalah 8230 Cameron lahir dan dibesarkan di Austin TX dan, kecuali beberapa tugas singkat di sana-sini, telah tinggal di sini sepanjang hidupnya. Dia tidak memiliki rencana untuk pergi dan menyukai kesempatan untuk menyambut orang baru setiap hari ke tempat yang indah ini. Setelah tahun 8230 Jack Brown lahir dan dibesarkan di kota Austin TX yang indah ini dimana ia bermain sepak bola, berpartisipasi dalam Liga Keajaiban (sebuah liga bisbol untuk anak-anak kebutuhan khusus), dan sukarelawan saya dibesarkan dalam keluarga militer sehingga saya membesarkan semua Di atas Amerika Serikat. Saya pernah tinggal di California, Utah, Maryland, Washington, Georgia, Texas dan Wurzburg, Jerman. Definitely8230 Periksa sisa tim Smart Austin Moving Services Moving bukanlah usaha kecil. Ini adalah tanggung jawab finansial dan emosional yang besar. Seperti semua hal, ada cara yang benar dan cara yang salah untuk melakukannya. Einstein Moving Co. telah menghabiskan banyak waktu untuk mempelajari cara memindahkan barang dengan cara yang benar. Dengan persiapan kami yang saksama, pelatihan yang menyeluruh, dan sikap pekerja yang welas asih dan penuh kasih, para pelanggan dapat yakin bahwa barang berharga mereka berada di tangan yang aman. Inilah rumus dasar kesuksesan kami: Great Service At Einstein, kami mengenali kebijaksanaan dalam layanan pelanggan asli. Orang perlu tahu bahwa mereka dapat mempercayai tim yang melindungi barang-barang dan aset pribadi mereka saat mereka pindah dari satu tempat ke tempat lain. Dengan Einstein, orang memiliki kesempatan unik untuk mengenal penggerak mereka sebelum hari besar. Semua penggerak kami juga memiliki profil pribadi yang tersedia untuk umum di situs kami. Pilihan seperti ini membuat pelanggan sangat membutuhkan ketenangan pikiran selama acara besar seperti bergerak. Cara lain kami menyediakan layanan yang luar biasa adalah dengan mempertahankan reputasi yang andal dan andal. Kami mencapainya dengan tetap konsisten, tepat waktu, dan bisa diandalkan. Kita tidak membuang waktu kita menyelesaikan pekerjaan. Kualitas terbaik Einstein karyawan bukan penggerak biasa. Mereka diharuskan memiliki gelar sarjana dan menjalani pelatihan ekstensif sebelum membuat tim. Karyawan kami unggul dalam pelayanan pelanggan dan bergerak dengan efisien. Pada saat mereka menyelesaikan pelatihan mereka, mereka tidak hanya berpendidikan, mereka tepat waktu, terkoordinasi, dan berpengalaman. Einstein memahami bahwa kualitas layanan dimulai dengan kualitas karyawan. Fleksibilitas Einstein membanggakan diri dalam memenuhi kebutuhan setiap pelanggan sebagai bagian dari komitmen kami terhadap layanan pelanggan asli. Berikut adalah beberapa cara yang kami sukai untuk bekerja dengan pelanggan kami: Einstein ingin bergerak secepat mungkin dan tanpa kerumitan. Satu tingkat tetap menghemat banyak waktu dan uang bagi pelanggan kami. Tanpa biaya tersembunyi, pelanggan tidak pernah terkejut dengan biaya tambahan dan dapat merencanakan biaya mereka sesuai dengan itu. Penggerak hanya dibayar untuk saat mereka pindah, dan hanya selama kebutuhan dan delegasi pelanggan. Harga yang ditetapkan pada jadwal pelanggan membuat hal-hal menjadi adil dan sesuai. Hunian untuk komersial Einstein menawarkan layanan rumah serta komersial dan bisnis bergerak. Sebagian dari alasan kita menghabiskan banyak waktu untuk berinvestasi pada pekerja kita adalah memastikan mereka dapat mengatasi stres dan harapan untuk bergerak dalam skala besar. Dengan begitu banyak yang dipertaruhkan saat beraktivitas, Einstein melampaui ekspektasi pergerakan tradisional, menempatkan kita di puncak industri jasa bergerak. Kami berdedikasi untuk membuat setiap langkah menjadi pengalaman positif bagi pelanggan kami. Mengapa Kami ingin Anda memberi tahu teman Anda tentang kami dan membawa bisnis Anda kembali kepada kami di masa mendatang. Perusahaan Bergerak Einstein 9200 Brown Lane, Suite A Austin. TX 78754 Einstein Moving Company dimulai oleh dua orang bernama Paul Morin dan Cameron Brown. Teman-teman sejak TK (mereka benar-benar tumbuh di jalan satu sama lain) mereka berdua lulus dari AampM, mengatakan tidak terima kasih atas pekerjaan di meja kerja, dan memulai perusahaan mereka sendiri. Alamat: 9200 Brown Lane, Suite A Austin. TX 78754 Terhubung Dengan Kami Copyright copy 2017 Einstein Moving Company Inc. Semua Hak Dilindungi TxDMV - (1-888-368-4689) TxDOTDMV - 006604158C US DOT - 2193963MACD (Moving Average Convergence - Divergence) Cara Menggunakan MACD di Forex Trading In: MACD Terakhir Diperbaharui: 14 Desember 2012 MACD adalah salah satu indikator yang paling andal. Meskipun kami tidak percaya dengan menggunakan indikator apapun dalam perdagangan kami sendiri dan kami selalu menggunakan charting candlesticks dan Bollinger Bands untuk menemukan setup perdagangan, kami yakin MACD adalah indikator kuat khususnya bagi trader pemula yang terbiasa masuk dan keluar. Dari pasar terlalu dini MACD adalah indikator lagging dan keterlambatannya membuat Anda bersabar, tidak terburu-buru masuk pasar atau keluar terlalu awal. Baru-baru ini kami menerbitkan artikel lain tentang MACD untuk menunjukkan kepada pengikut kami bagaimana mereka dapat menggunakan pengaturan MACD yang lebih lambat untuk memiliki entri yang lebih baik, dan memegang posisi lebih lama untuk memaksimalkan keuntungan: Bagaimana Menggunakan Pengaturan Indikator MACD yang Lebih Lambat Ada begitu banyak trader profesional ( Baik stock maupun trader forex) yang mengandalkan indikator ini. Tentu saja, kita seharusnya tidak membesar-besarkan tentang indikator ini. Ini bukan alat ajaib untuk menunjukkan sinyal buysell. Namun, dibandingkan indikator lainnya, bagus sekali. Ini bisa digunakan bersamaan dengan RSI untuk mengkonfirmasi pembuatan perdagangan. Itu adalah satu juta dolar pertanyaan. Sebelum kami memberi tahu Anda mengapa MACD bekerja, kami lebih memilih untuk menjelaskan tentang salah satu alasan terpenting trader forex8217 (dan juga jenis kepercayaan trader8217) lainnya. Mungkin Anda pernah mendengar ini dari kami, tapi harus diingatkan juga di artikel ini. Kurangnya kesabaran adalah salah satu alasan terpenting trader forex8217 gagal. Kebanyakan pedagang tidak cukup sabar menunggu setup perdagangan yang kuat. Setelah beberapa menit, jam atau hari mereka menunggu setup perdagangan (tergantung pada kerangka waktu atau sistem yang mereka gunakan), dan mereka tidak dapat menemukannya, mereka kehilangan kesabaran dan memaksa diri untuk mengambil posisi sementara tidak ada yang tajam dan jelas. Setup perdagangan Jadi mereka kalah. Di sisi lain, ketika mereka berhasil mengambil posisi bagus, mereka keluar terlalu dini dengan sedikit keuntungan, karena mereka takut kehilangan keuntungan yang telah mereka hasilkan. Mereka tidak memiliki cukup kesabaran untuk memegang posisi sampai mencapai target. Jadi mereka membuat keuntungan mereka terbatas, karena kurang sabar. MACD adalah solusi untuk masalah ini, karena tertunda dan penundaan ini memaksa Anda untuk menunggu lebih banyak, keduanya saat menunggu setup perdagangan, dan saat Anda memegang posisi. Itulah mengapa MACD direkomendasikan oleh trader forex dan stock. (Catatan: Heikin Ashi adalah salah satu alat lain yang membantu Anda menunggu lebih lama sebelum pengaturan perdagangan dan saat Anda berada di pasar. Anda dapat membaca tentang Heikin Ashi di sini.) Terkadang indikator Anda yang lain dan bahkan bagan harga menunjukkan Anda Setup trader, tapi MACD memberitahu Anda untuk menunggu, dan ini membuat Anda tidak akan melawan tren dan kehilangan uang. Ada juga banyak kasus yang ingin Anda ikuti trennya, namun MACD mengatakan bahwa sudah terlambat dan trennya sudah habis dan bisa berbalik sewaktu-waktu. Pada artikel ini, kami akan melakukan yang terbaik untuk mencakup semua kasus ini dan membantu Anda menggunakan MACD dalam perdagangan Anda dengan cara terbaik. Apa Definisi MACD MACD adalah singkatan dari Moving Average Convergence Divergence. MACD adalah indikator yang digunakan dalam analisis teknis. Indikator ini dikembangkan oleh Gerald Appel yang merupakan trader dan market technical analyst. MACD adalah selisih 12 dan 26 eksponensial moving average. MACD mengurangi 26 periode dari 12 periode dan hasilnya akan ditampilkan dalam satu garis yang merupakan jalur utama MACD. Indikator MACD khas, memiliki satu garis tambahan, yang merupakan moving average eksponensial dari jalur utama. Rata-rata bergerak ini diatur ke 9 secara default dan disebut garis sinyal. Di MetaTrader. Default MACD doesn8217t memiliki garis MACD utama. Sebagai gantinya, ia memiliki bar (histogram). Pada platform lain, Anda bisa melihat garis utama MACD dan histogram MACD. Histogram MACD adalah selisih dari garis utama MACD dan 9 moving average eksponensial: MACD Histogram: Line Line MACD Line 8211 Sinyal Seperti yang Anda lihat, MACD tidak lain adalah kombinasi dari dua moving averages. Meskipun demikian, ini adalah indikator yang sangat kuat dan andal karena menghilangkan kebisingan pasar. Jika Anda seorang pedagang, mungkin formula MACD tidak berguna bagi Anda. Anda akan membutuhkannya, jika Anda seorang programmer dan ingin menggunakan MACD dalam merancang dan mengembangkan EA (expert advisor) atau robot. Namun, rumusnya membantu Anda memahami indikator dengan lebih baik. Kami sudah membicarakan perhitungan indikator ini: Jalur Utama: 12 EMA 8211 26 Sinyal EMA: 9 EMA Jalur Utama Histogram: Jalur Utama 8211 Jalur Sinyal Download MACD Berwarna: MACD yang dilengkapi dengan MetaTrader secara default, hanya memiliki satu warna dengan Histogram Jika Anda ingin memiliki MACD berwarna yang sama dengan yang ada pada grafik kami (di bawah tangkapan layar), silahkan download dan instal ke platform Anda sebelum kami mulai menjelaskan tentang MACD dan cara kami menggunakannya dalam analisis teknis dan perdagangan forex. Indikator ini bekerja di MetaTrader. Anda perlu menyalin dan menempelkannya ke folder expertindicators dan kemudian memulai ulang platform Anda dan menerapkan indikator pada bagan harga. Klik Disini untuk mendownload MACD berwarna. Untuk menginstal MACD Berwarna pada platform MT4 Anda, Anda harus menyalin indikator ke folder Indikator. Klik pada menu File di kiri atas platform MT4 Anda. Klik pada Open Data Folder. Buka folder MQL4. Buka folder Indikator. Salin dan tempel indikator ke folder Indikator. Mulai ulang platform MT4. Buka bagan harga. Tekan CtrlN untuk membuka navigator. Buka menu tarik-turun Indikator. Drag LuckScout-MACD. ex4 dan jatuhkan di chart. Bagaimana Tampilan MACD Seperti Pada Bagan Harga Bagan di bawah ini menunjukkan bagaimana MACD berwarna terlihat. Ini juga memiliki Moving Average 9 namun kita selalu menetapkannya menjadi nol, karena kita tidak menggunakannya. Ini tidak membantu. Pada indikator yang Anda unduh di atas, ini disetel ke nol secara default, namun Anda dapat mengubahnya kembali menjadi 9 jika Anda suka. Batang MACD (histogram) yang Anda lihat di bawah, mencerminkan perbedaan jalur utama dan sinyal. Pada grafik harga, Anda melihat garis utama dan sinyal. Yang merah adalah jalur utama dan garis hijau adalah garis sinyal. Seperti yang Anda lihat, dimanapun jarak kedua garis bergerak ini lebih besar, batang MACD akan menjadi lebih lama juga, dan di manapun kedua garis ini melintang, panjang bar MACD yang terkait adalah nol (ikuti panah hitam). Seperti yang Anda lihat, ketika ada pergerakan dan tekanan ke atas (pasar sedang bullish), histogram MACD naik dan mengubah warna menjadi biru dan bila ada tekanan dan pergerakan turun (pasar bearish), mereka turun dan berubah. Warna menjadi merah Batang MACD membentuk level tinggi dan rendah. Ketika kita memiliki tren naik, mereka membentuk titik terendah yang lebih tinggi dan ketika kita memiliki tren turun, mereka membentuk level terendah dan ketika bar masuk di bawah level nol, mereka membentuk titik terendah: Bagaimana MACD Menyelamatkan Anda dari Melawan Trend Seperti yang kita sebutkan, MACD tertunda dan saat Anda melihat sinyal pembalikan dengan kandil dan Bollinger Bands dan Anda ingin mengambil posisi melawan tren tersebut, MACD memberitahu Anda 8220No8221. Tentu saja, jika Anda tahu tentang Gelombang Elliott dan juga siklusnya, Anda tidak akan mengambil posisi melawan tren ini, bahkan jika Anda tidak memiliki MACD pada tabel Anda, tetapi karena mengetahui siklus dan Elliott Wave sangat sulit, Anda dapat menggunakan MACD tetap berada di jalur yang benar. Silakan lihat sinyal pembalikan di bawah ini. Sebuah candlestick terbentuk sepenuhnya dari Bollinger Bands dan kemudian ada tiga candlestick Bearish yang merupakan semua sinyal pembalikan. Tiga lilin sebelum ini, Anda sudah memiliki sinyal pembalikan lain, tapi seharusnya Anda mengabaikannya, karena segar dan hanya ada setelah candlestick Bullish besar. Tapi, sinyal jual kedua (zona kuning), menjamin bahwa Anda bisa pergi pendek. Katakanlah Anda tidak akan memiliki MACD pada tabel Anda, atau Anda memilikinya, tapi Anda tidak akan memperhatikannya. Anda bisa pergi pendek dan mengatur stop loss Anda di atas tertinggi tertinggi. Dan tebak apa stop loss Anda akan dipicu: Jadi melawan MACD itu berbahaya. Tentu saja, sinyal di atas yang dibentuk oleh candlesticks tidak cukup kuat. Itulah sebabnya harganya tidak berbalik dan terus naik. Sebagai pedagang pemula tidak dapat membedakan setup perdagangan candlestick kuat. Memiliki MACD bisa menjadi bantuan besar untuk tidak melawan tren berdasarkan pada setup perdagangan yang lemah. Melawan tren berdasarkan sinyal candlestick yang lemah bukanlah satu-satunya kesalahan yang bisa Anda buat. MACD juga mengindikasikan apakah pasar sudah overbought atau oversold. Bila sudah overbought, lebih berisiko untuk pergi lama dan saat oversold, lebih berisiko untuk short. Ketika pasar overbought, Bulls (pembeli) dapat mulai mengumpulkan keuntungan mereka (mereka menjual) kapan saja, dan harganya bisa turun, dan saat pasar oversold, Bears dapat mulai membeli kapan saja, dan harganya bisa naik. naik. Tentu saja, lilin juga memberi tahu Anda apakah pasar sudah overbought atau oversold, namun MACD juga sangat membantu. Mari kita lihat contohnya: Anda adalah trader tren. Anda memiliki uptrend di sini (di bawah). Anda melihat beberapa sinyal pembalikan, namun Anda menunggu sinyal lanjutan berlangsung lama. Bentuk candlestick Bullish yang kuat (yang terakhir ada di grafik di bawah) dan pada saat yang sama, batang MACD terakhir akan berubah warnanya dan menunjukkan tekanan ke atas. Inilah yang selama ini Anda tunggu-tunggu, tapi Anda tidak mempertimbangkan bahwa pasar telah lama naik (overbought) dan bisa membalikkan kapan saja. Tentu saja ini bisa berjalan lebih tinggi, tapi kita tidak pernah tahu: Posisi ini naik hanya untuk satu candlestick lagi dan kemudian turun dan memicu stop loss Anda: MACD Buy-Sell Signals MACD trading sangat umum di kalangan trader forex. Mereka hanya menunggu gerakan MACD segar untuk beberapa bar dan kemudian mereka masuk. MACD benar-benar bagus untuk trading trend. Hal ini juga baik untuk mengkonfirmasi sinyal pembalikan. Namun, MACD harus digunakan sebagai konfirmasi. Indikator utamanya adalah harganya. Jika Anda menggunakan MACD sebagai konfirmasi untuk support dan resistance breakout. Itu akan sangat membantu Mereka yang berdagang berdasarkan pelarian supportresistance harus memiliki MACD di grafik mereka, jika tidak, tingkat keberhasilan mereka tidak akan masuk akal. Lihatlah gambar di bawah ini. Ada garis tren dengan garis support yang valid dan terlihat. Anda sedang menunggu pelarian dukungan agar berlangsung singkat. MACD mulai turun beberapa candlesticks sebelum pelarian, tapi Anda tidak bisa melakukannya karena bisa bangkit begitu menyentuh garis support. Salah satu candlesticks ditutup di bawah garis support dan pada saat bersamaan Anda melihat MACD turun, NAMUN segar dan tidak oversold. Hal ini di atas tingkat nol juga. Jadi Anda buka di tempat terbuka kandil berikutnya, tetapkan stop loss Anda di atas harga candlestick yang tinggi dan target Anda akan menjadi level support berikutnya. Ini turun dan mencapai sasaran dengan sangat mudah. Sekarang lihat gambar di bawah yang sama dengan gambar di atas, tapi itu hanya menunjukkan pelarian dukungan lain yang terjadi beberapa saat setelah pelarian dukungan di atas. Jelas, ini adalah kesempatan baru untuk mengambil posisi pendek lagi, tapi lihat MACD dan bedanya dengan posisi sebelumnya. Di posisi sebelumnya, MACD sudah mulai turun saat berada di atas level nol. Artinya, Anda akan pergi sebentar sementara pasar sudah overbought yang merupakan keputusan bagus. Dalam posisi ini (di bawah), tidak hanya MACD yang tidak berada di atas level nol, namun sudah mulai naik dan membuat posisi terendah lebih tinggi. Jadi pasar jenuh jual dan sinyal jual Anda tidak segar. Ini adalah sinyal sell kedua dan tebak apa yang akan terjadi jika Anda pergi pendek dan Anda tidak mempertimbangkan MACD: Ya, posisi Anda memicu stop loss sebelum mencapai target. MACD Divergence adalah salah satu sinyal perdagangan terkuat dan terkuat yang dihasilkan MACD. MACD Divergence terbentuk saat harga naik dan membuat harga tertinggi dan pada saat bersamaan, MACD bar turun dan membuat harga tertinggi. Aturan tersebut mengatakan, harga akhirnya akan mengikuti arah MACD dan akan turun. Namun, masalahnya adalah Anda tidak pernah tahu kapan harga akan mengikuti arah MACD. Jadi, jika Anda terburu-buru dan mengambil posisi pendek saat melihat MACD Divergence, mungkin terus naik untuk beberapa candlesticks lagi. Anda harus pergi pendek ketika MACD Divergence diikuti oleh sinyal sell yang bagus oleh candlesticks andor an support breakout. MACD Divergence dapat dilihat pada akhir uptrend. Apa artinya itu berarti jika Anda adalah seorang trader tren, Anda seharusnya tidak pergi lama ketika Anda melihat bahwa MACD Divergence terbentuk. Itu bisa runtuh kapan saja. Konvergensi MACD juga merupakan sinyal yang terkenal, namun orang mempercayai MACD Divergence lebih karena ketika pasar ambruk dan turun, ia melaju lebih cepat dan lebih kuat. Ketakutan lebih kuat daripada keserakahan dan saat pasar turun, rasa takut adalah emosi yang dominan. Konvergensi MACD terbentuk saat harga turun dan membentuk level tertinggi atau terendah, namun pada saat yang sama, bar MACD naik dan membentuk level tertinggi atau posisi terendah yang lebih tinggi. Aturan mengatakan, harga akhirnya akan berubah arah dan akan mengikuti MACD yang berarti akan naik. Konvergensi MACD dapat dilihat pada akhir downtrend. Apa artinya itu berarti jika Anda adalah trader tren, Anda seharusnya tidak menjadi pendek saat melihat bahwa MACD Convergence terbentuk. Hal itu bisa melambung setiap saat. Bergabunglah dengan 20.000 Pengikut Loyal kami Sekarang Terima E-Book kami untuk Bebas 53 pemikiran tentang MACD ldquo (Moving Average Convergence-Divergence) Cara Menggunakan MACD di Forex Trading rdquo Hai banyak terima kasih telah berbagi pemikiran saya Saya telah berada di pasar selama lebih dari 12 tahun , Tapi tetap saja pendekatan terperinci Anda membantu banyak dalam menyesuaikan strategi saya dari pengalaman saya macd adalah salah satu indikator terbaik. Saya sampai pada sebuah gagasan untuk belajar macd setelah seorang trader yang saya kenal dari sebuah bank besar beberapa tahun yang lalu menghasilkan jutaan dolar setahun dengan menggunakan gelombang Elliott dengan macd. Namun saya percaya bahwa macd itu sendiri berguna untuk mempelajari teori EW selama lebih dari 3 tahun, saya sampai pada kesimpulan bahwa gelombang Elliott terlalu ambigu. Ada 2 pertanyaan: 1) Apa indikator terbaik lainnya yang digunakan dengan macd (preferensi pribadi Anda) 2) menjadi Seorang trader tren (saya kira Anda adalah) apa pendapat Anda tentang membangun posisi upadding yaitu seperti yang diajarkan oleh Bill Williams pada terobosan fraktal atau pada reboundsdips yang senang untuk tetap berhubungan lagi terima kasih atas sumber daya web Anda. Terima kasih Dr Chris konsep tersebut dijelaskan secara luas. Saya punya pertanyaan bagaimana mungkin menggunakan persimpangan jalur utama dan sinyal dalam menentukan pergerakan tren. Apakah ada efek yang saya perhatikan dominan ke atas dari garis merah yang merupakan garis utama dalam tren kenaikan LuckScout Yes. MACD adalah indikator yang lambat dan lagging sehingga sangat baik mengikuti tren. Selain itu persimpangan jalur utama dan sinyal biasanya mencerminkan kecenderungan kelelahan dan pembalikan. Hari yang baik, terima kasih banyak telah menjelaskan konsepnya tapi mengapa saya tidak bisa membuka indikator MACD berwarna TERIMA KASIH SANGAT MUNGKIN MARTIN LuckScout Anda tidak perlu membukanya. Anda harus menyalin dan menempelkannya ke folder indikator MT4. Hanya untuk menambahkan, jika Anda menggunakan MT48230 berikut teps dapat membantu Anda 1.File 8211 gt Buka folder Data 2. MQL4 8211 gt Indikator 3. Salin LuckScout-MACD. ex4 4. tutup MT4 Anda dan buka kembali 5.Buka bagan Anda dan klik Pada indikator tambahan Harus 3 dari kanan di atas 6. Pilih Custom 8211 gt LuckScout - MACD 7. Sebagai penulis, Anda dapat menggunakan dengan tabel HikenAshi terima kasih banyak untuk artikel Anda yang terperinci. Ini sangat membantu saya dan trader baru, saya punya 1 pertanyaan. 1) ketika saya menambahkan MACD ke grafik, saya meminta saya untuk memilih kerangka waktu ema yang jika defaultnya lambat 26 fst 12. Saya menambahkannya tapi tidak memberikan grafik histogram seperti yang Anda masukkan ke dalam artikel ini, melainkan menampilkan Baris turun di bawah dalam grafik, terutama bahwa i8217m menggunakan platfom lain dan bukan MTD4, apa yang saya lakukan salah pada grafik saya, saya memiliki BB8217 dan candlesticks. LuckScout Saya tidak tahu. Aku minta maaf. Saya perlu tahu bagaimana mengatur garis sinyal MACD. Saya menggunakan MACD yang diberikan oleh pedagang meta tapi hanya ada garis MACD, garis sinyal tidak ada di sini. Bagaimana saya bisa mengatur sinyal line8230 LuckScout MT4 doesn8217t memiliki MACD yang Anda inginkan. Anda harus mendownload MACD8221 8220traditional dan menginstalnya pada platform MT4 Anda. Hi. Chris8230 Penjelasan yang baik8230 Meski MACD sudah tertinggal. Kita bisa menggunakannya untuk memastikan waktu yang tepat untuk masuk dan tinggal jauh. Bisakah kita mengatur garis dan garis sinyal secara manual. Maksud saya tanpa MACD hanya menggunakan EMA Please Chris memberitahu saya nilai .. Main Line: 82308230 .. Signal Line: 8230823082308230. LuckScout Pengaturan garis adalah 12, 26. Dan garis sinyal adalah 9.

No comments:

Post a Comment