การย้าย ค่าเฉลี่ย การทำเหมืองข้อมูล

ค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่เป็นตัวชี้วัดการวิเคราะห์ทางเทคนิคที่มีความยืดหยุ่นมากที่สุดและใช้บ่อยมากที่สุด เป็นที่นิยมอย่างมากในหมู่พ่อค้าส่วนใหญ่เนื่องจากความเรียบง่าย ทำงานได้ดีที่สุดในสภาพแวดล้อมที่มีแนวโน้ม บทนำในสถิติค่าเฉลี่ยเคลื่อนที่เป็นเพียงค่าเฉลี่ยของชุดข้อมูลบางชุดเท่านั้น ในกรณีของการวิเคราะห์ทางเทคนิคข้อมูลเหล่านี้ส่วนใหญ่จะแสดงด้วยการปิดราคาหุ้นในแต่ละวัน อย่างไรก็ตามผู้ค้าบางรายยังใช้ค่าเฉลี่ยแยกกันสำหรับทุกๆนาทีและสูงสุดหรือแม้แต่ค่าเฉลี่ยของจุดกึ่งกลาง (ซึ่งคำนวณโดยบวกขึ้นทุกวันและต่ำสุดและหารด้วยสองค่านี้) อย่างไรก็ตามคุณสามารถสร้างค่าเฉลี่ยเคลื่อนที่ได้ในกรอบเวลาที่สั้นลงเช่นโดยการใช้ข้อมูลรายวันหรือนาที ตัวอย่างเช่นถ้าคุณต้องการสร้างค่าเฉลี่ยเคลื่อนที่ 10 วันคุณเพียงแค่เพิ่มราคาปิดทั้งหมดในช่วง 10 วันที่ผ่านมาและหารด้วย 10 (ในกรณีนี้เป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย) ในวันถัดไปเราทำเช่นเดียวกันยกเว้นว่าเราใช้ราคาอีกครั้งในช่วง 10 วันที่ผ่านมาซึ่งหมายความว่าราคาที่เป็นวันสุดท้ายในการคำนวณของเราสำหรับวันก่อนหน้าจะไม่รวมอยู่ในค่าเฉลี่ยในปัจจุบันอีกต่อไปด้วยซึ่งจะถูกแทนที่ด้วยในวันวาน ราคา. การเปลี่ยนแปลงข้อมูลในลักษณะนี้กับทุกๆวันทำการซื้อขายใหม่จึงเป็นค่าเฉลี่ยระยะยาว วัตถุประสงค์และการใช้ค่าเฉลี่ยเคลื่อนที่ในการวิเคราะห์ทางเทคนิคค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้แนวโน้ม จุดประสงค์ของมันคือการตรวจจับจุดเริ่มต้นของเทรนด์ตามความคืบหน้าและรายงานการกลับรายการหากเกิดขึ้น ในทางตรงกันข้ามกับแผนภูมิการย้ายค่าเฉลี่ยไม่ได้คาดหวังให้เริ่มหรือจุดสิ้นสุดของแนวโน้ม พวกเขายืนยันเพียง แต่บางครั้งหลังจากการกลับรายการที่เกิดขึ้นจริง เกิดจากการก่อสร้างของพวกเขาเนื่องจากตัวชี้วัดเหล่านี้ใช้ข้อมูลทางประวัติศาสตร์เพียงอย่างเดียวเท่านั้น ค่าเฉลี่ยเคลื่อนที่ที่มีค่าเฉลี่ยน้อยกว่านี้จะเร็วกว่าที่จะสามารถตรวจจับการกลับรายการแนวโน้มได้ เป็นเพราะจำนวนข้อมูลในอดีตซึ่งมีอิทธิพลอย่างมากต่อค่าเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ 20 วันสร้างสัญญาณการกลับรายการแนวโน้มเร็วกว่าค่าเฉลี่ย 50 วัน อย่างไรก็ตามยังเป็นความจริงที่ว่าจำนวนวันที่เราใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่จะน้อยกว่าสัญญาณที่ผิดพลาดมากขึ้นที่เราได้รับ ดังนั้นผู้ค้าส่วนใหญ่จึงใช้การรวมกันของค่าเฉลี่ยเคลื่อนที่หลายค่าซึ่งทั้งหมดจะต้องให้สัญญาณพร้อมกันก่อนที่ผู้ค้าจะเปิดตำแหน่งในตลาด อย่างไรก็ตามค่าเฉลี่ยเคลื่อนที่ที่ล่าช้าหลังแนวโน้มไม่สามารถตัดออกได้อย่างสมบูรณ์ สัญญาณการซื้อขายใด ๆ ของค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการสร้างสัญญาณซื้อหรือขายและกระบวนการนี้ง่ายมาก ซอฟต์แวร์แผนภูมิจะคำนวณค่าเฉลี่ยเคลื่อนที่เป็นเส้นตรงลงในแผนภูมิราคา สัญญาณถูกสร้างขึ้นในสถานที่ที่ราคาตัดกันสายเหล่านี้ เมื่อราคาพุ่งสูงขึ้นเหนือเส้นค่าเฉลี่ยเคลื่อนที่จะแสดงถึงจุดเริ่มต้นของแนวโน้มขาขึ้นใหม่และหมายความว่าสัญญาณซื้อ ในทางตรงกันข้ามหากราคาทะลุตามเส้นค่าเฉลี่ยเคลื่อนที่และตลาดปิดในบริเวณนี้ก็จะส่งสัญญาณถึงจุดเริ่มต้นของแนวโน้มลดลงและถือเป็นสัญญาณการขายโดยใช้ค่าเฉลี่ยหลาย ๆ รายการนอกจากนี้เรายังสามารถเลือกใช้การเคลื่อนไหวหลายรายการ เฉลี่ยในเวลาเดียวกันเพื่อลดเสียงรบกวนในราคาและโดยเฉพาะอย่างยิ่งสัญญาณเท็จ (whipsaws) ซึ่งใช้อัตราผลตอบแทนถัวเฉลี่ยเคลื่อนที่เพียงครั้งเดียว เมื่อใช้ค่าเฉลี่ยหลายค่าสัญญาณการซื้อจะเกิดขึ้นเมื่อค่าเฉลี่ยที่สั้นกว่าจะสูงกว่าค่าเฉลี่ยที่ยาวนานเช่น ค่าเฉลี่ยเฉลี่ย 50 วันเหนือค่าเฉลี่ย 200 วัน ในทางกลับกันสัญญาณการขายในกรณีนี้จะเกิดขึ้นเมื่อค่าเฉลี่ยของค่าเฉลี่ย 50 วันมีค่าต่ำกว่าค่าเฉลี่ย 200 โดยในทำนองเดียวกันเรายังสามารถใช้การรวมกันของสามค่าเฉลี่ยเช่น ค่าเฉลี่ย 5 วัน 10 วันและ 20 วัน ในกรณีนี้มีแนวโน้มสูงขึ้นหากเส้นค่าเฉลี่ย 5 วันอยู่เหนือค่าเฉลี่ยเคลื่อนที่ 10 วันในขณะที่ค่าเฉลี่ย 10 วันยังคงสูงกว่าค่าเฉลี่ย 20 วัน การข้ามค่าเฉลี่ยเคลื่อนที่ซึ่งนำไปสู่สถานการณ์นี้ถือเป็นสัญญาณการซื้อ ตรงกันข้ามแนวโน้มลดลงจะแสดงโดยสถานการณ์เมื่อเส้นเฉลี่ย 5 วันต่ำกว่าค่าเฉลี่ย 10 วันในขณะที่ค่าเฉลี่ย 10 วันต่ำกว่าค่าเฉลี่ยเฉลี่ย 20 วันการใช้ค่าเฉลี่ยเคลื่อนที่สามครั้งพร้อมกันจะ จำกัด จำนวนเท็จ สัญญาณที่สร้างขึ้นโดยระบบ แต่ยัง จำกัด ศักยภาพในการทำกำไรด้วยเช่นกันระบบดังกล่าวจะสร้างสัญญาณการซื้อขายเฉพาะหลังจากที่มีการกำหนดแนวโน้มอย่างมั่นคงในตลาดแล้ว สัญญาณเข้าสามารถสร้างขึ้นได้ภายในระยะเวลาสั้น ๆ ก่อนการกลับรายการแนวโน้ม ช่วงเวลาที่ผู้ค้าใช้สำหรับการคำนวณค่าเฉลี่ยเคลื่อนที่จะแตกต่างกันมาก ตัวอย่างเช่นตัวเลข Fibonacci เป็นที่นิยมมากเช่นการใช้ค่าเฉลี่ย 5 วัน 21 วันและ 89 วัน ในการซื้อขายล่วงหน้าการรวมกันของ 4-9- และ 18- วันเป็นที่นิยมอย่างมากด้วย ข้อดีข้อเสียเหตุผลที่ว่าทำไมค่าเฉลี่ยเคลื่อนที่ที่ได้รับความนิยมมากจึงแสดงให้เห็นถึงกฎพื้นฐานหลายประการในการซื้อขาย การใช้ค่าเฉลี่ยเคลื่อนที่ช่วยให้คุณสามารถลดความสูญเสียของคุณได้ขณะที่ปล่อยให้ผลกำไรของคุณทำงาน เมื่อใช้ค่าเฉลี่ยเคลื่อนที่เพื่อสร้างสัญญาณการซื้อขายคุณมักจะค้าทิศทางของแนวโน้มตลาดไม่ใช่กับการซื้อขาย นอกจากนี้เมื่อเทียบกับการวิเคราะห์รูปแบบแผนภูมิหรือเทคนิคอัตนัยอื่น ๆ ค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการสร้างสัญญาณการซื้อขายตามกฎที่ชัดเจนซึ่งจะช่วยขจัดความเป็นส่วนตัวของการตัดสินใจซื้อขายหลักทรัพย์ซึ่งสามารถช่วยผู้ค้าจิตได้ อย่างไรก็ตามข้อเสียที่สำคัญของค่าเฉลี่ยเคลื่อนที่คือการทำงานได้ดีเมื่อตลาดมีแนวโน้มเท่านั้น ดังนั้นในช่วงเวลาของตลาดที่เปลี่ยนแปลงเร็วเมื่อราคาผันผวนในช่วงราคาหนึ่ง ๆ พวกเขาไม่ได้ผลเลย ระยะเวลาดังกล่าวสามารถใช้เวลามากกว่าหนึ่งในสามของเวลาดังนั้นการพึ่งพาค่าเฉลี่ยเคลื่อนที่โดยลำพังจึงมีความเสี่ยงมาก ผู้ค้าบางรายจึงแนะนำให้รวมค่าเฉลี่ยเคลื่อนที่โดยใช้ตัวบ่งชี้ความแรงของแนวโน้มเช่น ADX หรือใช้ค่าเฉลี่ยเคลื่อนที่เท่านั้นเพื่อเป็นตัวบ่งชี้ยืนยันระบบการซื้อขายของคุณ ประเภทของค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยที่ใช้บ่อยที่สุดคือค่าเฉลี่ยเคลื่อนที่แบบถดถอย (SMA) และค่าเฉลี่ยถ่วงน้ำหนักแบบแทน (EMA, EWMA) ค่าเฉลี่ยเคลื่อนที่นี้เรียกว่าค่าเฉลี่ยเลขคณิตและแสดงถึงค่าเฉลี่ยเคลื่อนที่ที่ใช้ง่ายและใช้บ่อยที่สุด เราคำนวณโดยการสรุปราคาปิดทั้งหมดในช่วงเวลาที่กำหนดซึ่งเราจะหารด้วยจำนวนวันในช่วงนั้น อย่างไรก็ตามปัญหาสองข้อเกี่ยวข้องกับค่าเฉลี่ยดังกล่าว: จะพิจารณาเฉพาะข้อมูลที่รวมอยู่ในช่วงเวลาที่เลือกไว้ (เช่นค่าเฉลี่ยเคลื่อนที่ 10 วันจะพิจารณาเฉพาะข้อมูลจาก 10 วันที่ผ่านมาและไม่สนใจข้อมูลอื่น ๆ ทั้งหมด ก่อนหน้านี้) นอกจากนี้ยังมีการวิพากษ์วิจารณ์ว่าบ่อยครั้งสำหรับการจัดสรรน้ำหนักที่เท่ากันให้กับข้อมูลทั้งหมดในชุดข้อมูล (นั่นคือค่าเฉลี่ยเคลื่อนที่ 10 วันจาก 10 วันก่อนมีน้ำหนักเช่นเดียวกับราคาตั้งแต่วันนี้ - 10) ผู้ค้าหลายรายให้เหตุผลว่าข้อมูลจากวันล่าสุดน่าจะมีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าซึ่งจะส่งผลต่อการลดค่าเฉลี่ยของความล่าช้าหลังแนวโน้ม ค่าเฉลี่ยเคลื่อนที่นี้จะแก้ปัญหาทั้งสองที่เกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ ประการแรกมันจัดสรรน้ำหนักมากขึ้นในการคำนวณข้อมูลล่าสุด นอกจากนี้บางส่วนยังสะท้อนถึงข้อมูลทางประวัติศาสตร์ทั้งหมดของตราสารนั้น ประเภทของค่าเฉลี่ยนี้มีชื่อตามข้อเท็จจริงที่ว่าน้ำหนักข้อมูลในอดีตลดลงอย่างมาก ความลาดชันของการลดลงนี้สามารถปรับเปลี่ยนตามความต้องการของผู้ค้าได้ตัวอย่างการเรียบอย่างเรียบง่ายตัวอย่างนี้แสดงให้เห็นถึงวิธีการใช้เทคนิคการเลื่อน Smoothing เฉลี่ยของ XLMiners เพื่อค้นหาแนวโน้มในชุดเวลาที่มีฤดูกาล บนริบบิ้น XLMiner จากแท็บ Model ให้เลือก Help - Examples ตัวอย่างเช่น ForecastingData Mining และเปิดชุดข้อมูลตัวอย่าง Airpass. xlsx ชุดข้อมูลนี้ประกอบด้วยผลรวมรายเดือนของผู้โดยสารสายการบินระหว่างประเทศตั้งแต่ปีพ. ศ. 2492-2560 หลังจากที่ชุดข้อมูลตัวอย่างเปิดขึ้นให้คลิกเซลล์ในชุดข้อมูลจากนั้นบนริบบิ้น XLMiner จากแท็บ Time Series เลือก Partition เพื่อเปิดไดอะล็อก Data Partition Data Series เลือก Month as Time Variable และ Passengers เป็นตัวแปรในข้อมูล Partition คลิกตกลงเพื่อแบ่งพาร์ติชันข้อมูลลงในชุดฝึกอบรมและการตรวจสอบความถูกต้อง (การแบ่งพาร์ติชั่นเป็นทางเลือกเทคนิคการเรียบอาจทำงานบนชุดข้อมูลที่ไม่ได้แบ่งพาร์ติชันเต็มรูปแบบ) คลิกแผ่นงาน DataPartitionTS จากนั้นบนริบบิ้น XLMiner จากแท็บ Time Series ให้เลือก Smoothing - Moving Average เพื่อเปิดไดอะล็อก Moving Average Smoothing เดือนได้รับเลือกให้เป็นตัวแปรเวลาแล้ว เลือกผู้โดยสารเป็นตัวแปรที่เลือก เนื่องจากชุดข้อมูลนี้คาดว่าจะมีฤดูกาล (เช่นจำนวนผู้โดยสารเพิ่มขึ้นในช่วงวันหยุดและฤดูร้อน) ค่าสำหรับพารามิเตอร์ Interval - น้ำหนักควรเป็นระยะเวลาหนึ่งรอบตามฤดูกาล (เช่น 12 เดือน) ด้วยเหตุนี้ให้ป้อน 12 สำหรับช่วงเวลาและเลือกสร้างการคาดการณ์เกี่ยวกับการตรวจสอบ คลิกตกลงเพื่อใช้เทคนิคการปรับให้เรียบกับชุดข้อมูลที่แบ่งพาร์ติชัน สองแผ่นงาน MASmoothingOutput และ MASmoothingStored จะแทรกทันทีที่ด้านขวาของแผ่นงาน DataPartitionTS สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแผ่นงาน MASmoothingStored ให้ดูที่การใช้โมเดล - การให้คะแนนข้อมูลใหม่ คลิกแผ่นงาน MASmoothingOutput พล็อตเรียลไทม์ แผนภูมิการพยากรณ์ (ข้อมูลการฝึกอบรม) และ (ข้อมูลการตรวจสอบความถูกต้อง) แสดงให้เห็นว่าเทคนิคการขยับค่าเฉลี่ยเคลื่อนที่ไม่ได้ส่งผลให้มีรูปแบบที่เหมาะสมเนื่องจากรูปแบบไม่สามารถจับภาพฤดูกาลในชุดข้อมูลได้อย่างมีประสิทธิภาพ เดือนฤดูร้อนซึ่งโดยปกติจำนวนผู้โดยสารสายการบินจะอยู่ในระดับสูงและดูเหมือนจะเป็นตัวเลขที่คาดการณ์ไว้ในเดือนที่มีจำนวนผู้โดยสารสายการบินต่ำมาก ไม่ควรใช้การคาดการณ์ค่าเฉลี่ยเคลื่อนที่เมื่อชุดข้อมูลมีฤดูกาล ทางเลือกหนึ่งคือการทำการถดถอยบนแบบจำลองและใช้เทคนิคนี้กับส่วนที่เหลือ ตัวอย่างต่อไปไม่รวมถึงฤดูกาล บนริบบิ้น XLMiner จากแท็บ Model ให้เลือก Help - Examples จากนั้นเลือก ForecastingData Mining Examples และเปิดชุดข้อมูลตัวอย่างเช่น Income. xlsx ชุดข้อมูลนี้มีรายได้เฉลี่ยของผู้จ่ายเงินตามรัฐ ขั้นแรกให้แบ่งพาร์ติชันชุดข้อมูลลงในชุดการฝึกอบรมและชุดตรวจสอบโดยใช้ปีเป็นตัวแปรเวลาและ CA เป็นตัวแปรในข้อมูลพาร์ทิชัน คลิกตกลงเพื่อยอมรับค่าดีฟอลต์พาร์ติชันและสร้างชุดการฝึกอบรมและการตรวจสอบ แผ่นงาน DataPartitionTS แทรกทันทีที่ด้านขวาของแผ่นงานรายได้ คลิกแผ่นงาน DataPartitionTS แล้วบนริบบิ้น XLMiner จากแท็บ Time Series เลือก Smoothing - Moving Average เพื่อเปิดไดอะล็อกบ็อกซ์ Moving Average Smoothing ปีได้รับเลือกให้เป็นตัวแปรเวลาโดยอัตโนมัติ เลือก CA เป็นตัวแปรที่เลือกและใน Output Options ให้เลือก Produce forecast คลิกตกลงเพื่อเรียกใช้เทคนิค Smoothing แบบเคลื่อนไหวเฉลี่ย สองแผ่นงาน MASmoothingOutput และ MASmoothingStored จะถูกแทรกลงไปทางขวาของแผ่นงาน DataPartitionTS สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแผ่นงาน MASmoothingStored ให้ดูที่การใช้โมเดล - การให้คะแนนข้อมูลใหม่ ผลลัพธ์ของเทคนิค "Moving Average Smoothing" ในชุดข้อมูลนี้แสดงให้เห็นถึงความพอดีที่ดีขึ้นมากในโพสต์นี้ฉันแสดงเคล็ดลับในการคำนวณค่าเฉลี่ยเคลื่อนที่ (สามารถขยายไปยังการดำเนินการอื่น ๆ ที่ต้องใช้ฟังก์ชั่น windowing) ซึ่งเร็วเกินไป บ่อยครั้งที่นักวิเคราะห์ของ SAS จำเป็นต้องคำนวณค่าเฉลี่ยเคลื่อนที่และมีหลายทางเลือกตามลำดับความชอบ: 1. PROC EXPAND 2. ขั้นตอนของข้อมูล PROC SQL แต่หลายไซต์อาจไม่ได้รับอนุญาต SASETS ใช้ PROC EXPAND และทำค่าเฉลี่ยเคลื่อนที่ใน DATA ขั้นตอนต้องมีการเขียนโค้ดและมีข้อผิดพลาดเกิดขึ้น PROC SQL เป็นทางเลือกที่เป็นธรรมชาติสำหรับโปรแกรมเมอร์รุ่นจูเนียร์และในหลายกรณีทางธุรกิจจะเป็นทางออกเดียว แต่ SAS PROC SQL ของ SAS ไม่มีฟังก์ชันการทำ Windowing ที่มีอยู่ในหลาย Ds เพื่อช่วยในการคำนวณค่าเฉลี่ยเคลื่อนที่ คนเทคนิคหนึ่งมักใช้คือ CROSS JOIN ซึ่งมีราคาแพงมากและไม่ใช่โซลูชันที่ทำงานได้สำหรับชุดข้อมูลที่มีขนาดปานกลาง ในโพสต์นี้ฉันแสดงเคล็ดลับการคำนวณค่าเฉลี่ยเคลื่อนที่ (สามารถขยายไปยังการดำเนินการอื่น ๆ ที่ต้องใช้ฟังก์ชัน windowing) ซึ่งเร็วเกินไป พิจารณาการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ง่ายที่สุดที่มีการสังเกตการณ์ K ต่อท้ายรวมอยู่ในการคำนวณ ได้แก่ MA (K) ที่นี่เรากำหนด K5 เราสร้างข้อมูลตัวอย่าง 20 ครั้งแรกซึ่งใช้ตัวแปร ID สำหรับหน้าต่างและตัวแปร X จะใช้ในการคำนวณ MA และจากนั้นเราจะใช้ CROSS JOIN มาตรฐานเพื่อตรวจสอบข้อมูลที่ได้ก่อนไม่ได้จัดกลุ่มไว้ เพื่อทำความเข้าใจวิธีใช้โครงสร้างข้อมูล จากชุดข้อมูลที่เป็นผลลัพธ์มันเป็นการยากที่จะหาเงื่อนงำตอนนี้ให้เรียงตามคอลัมน์ quotbidquot ในชุดข้อมูลนี้: จากข้อมูลที่เรียงลำดับนี้เป็นที่แน่ชัดว่าเราไม่มีข้อมูล CROSS JOIN ทั้งชุดข้อมูลเดิม แต่ใช้ CROSS JOIN, เราสามารถสร้างชุดข้อมูล quotoperationquot ที่มีค่าความแตกต่างได้และให้ชุดข้อมูลต้นฉบับ CROSS JOIN กับชุดข้อมูล quotoperationquot ขนาดเล็กมากนี้และข้อมูลทั้งหมดที่เราต้องการใช้สำหรับการคำนวณ MA จะอยู่ที่นั่น ตอนนี้ให้ทำ: CROSS JOIN ข้อมูลเดิมที่มีข้อมูล quotoperationquot จัดเรียงตาม (a. idops) ซึ่งเป็นจริงในชุดข้อมูล sortbid39 ตามที่ระบุไว้ในโค้ดด้านบนมีความจำเป็นต้องมีขวานคูณด้วย b. weight เพื่อให้ข้อมูล สามารถเป็นแบบ inter-leaved ได้มิเช่นนั้นค่า X เดียวกันจากตารางต้นฉบับจะถูกส่งออกและการคำนวณ MA จะล้มเหลว ตัวแปรน้ำหนักอย่างชัดเจนจะเพิ่มความยืดหยุ่นในการคำนวณ MA ทั้งหมดได้มากขึ้น ในขณะที่การตั้งค่าให้เป็น 1 สำหรับผลการปฏิบัติงานทั้งหมดในผลการคำนวณ MA แบบธรรมดาให้กำหนดน้ำหนักที่แตกต่างกันจะช่วยในการแก้ไขปัญหาการประมวลผลแบบ MA ที่ซับซ้อนมากขึ้นเช่นให้ข้อสังเกตเพิ่มเติมเกี่ยวกับน้ำหนักที่น้อยลงสำหรับ MA ที่ผุกร่อน ถ้าจำเป็นต้องมี K parameter ที่แตกต่างกันในการคำนวณ MA (K) จะต้องมีการปรับปรุงชุดข้อมูลการทำงานซึ่งเป็นงานที่ไม่สำคัญ ตอนนี้แม่แบบรหัสจริงสำหรับการคำนวณ MA (K) จะเป็น: ด้วยวิธีการใหม่นี้เป็นที่น่าสนใจเพื่อเปรียบเทียบกับ CROSS JOIN รวมทั้ง PROC EXPAND บนเวิร์กสเตชันของฉัน (Intel i5 3.8Ghz หน่วยความจำ 32GB และฮาร์ดดิสก์แบบ 1TB 72K) CROSS JOIN มีความยาวมากในการทำงาน (ถ้าข้อมูลมีขนาดใหญ่) ขณะที่วิธีการใหม่ใช้เวลาในการ PROC EXPAND เพียง 2 เท่าใช้เวลาทั้งสอง เล็กน้อยเมื่อเทียบกับตนเองเข้าร่วม การบริโภคเวลาที่แสดงด้านล่างอยู่ใน quotsecondquot ด้านล่างนี้ผู้อ่านโค้ดสามารถเรียกใช้และเปรียบเทียบตัวเองได้ บริษัท เหมืองแร่ได้เพิ่มขึ้นชัยชนะของโดนัลด์ทรัมป์ในการเลือกตั้งประธานาธิบดีสหรัฐในปีพ. ศ. 2560 ซึ่งส่งผลให้เกิดความกลัวในหมู่นักลงทุนโลหะมีค่า ขณะที่ความกังวลเหล่านี้ลดลงโลหะมีค่าและหุ้นเหมืองแร่เริ่มค่อยๆลดลง การปรับขึ้นอัตราดอกเบี้ยเงินสำรองของรัฐบาลกลางในเดือน ธ . ค. 2016 ยังเป็นแรงกดดันต่อโลหะมีค่าซึ่งเข้าร่วมกับ บริษัท เหมืองแร่ที่มีแนวโน้มลดลง นักลงทุนยังคงระมัดระวังเรื่องผลการดำเนินงานทางเศรษฐกิจของประเทศและโลหะมีค่าและหุ้นเหมืองแร่ได้เพิ่มขึ้นเป็นผล นักลงทุนบางรายคาดว่าตลาดโลหะมีค่าสำหรับ บริษัท เหมืองแร่โลหะหนักหลังชัยชนะของ Trumps จะไม่ค่อยดีนัก แต่ก็ไม่ได้เกิดขึ้น คนงานเหมืองมักทำตามโลหะมีค่า ในช่วงปีงบประมาณ (YTD) (Year-to-date) หุ้นเหมืองแร่ได้เพิ่มขึ้น Coeur Mining (CDE), Barrick Gold (ABX), CIA De Minas Buenaventura (BVN) และ Hecla Mining (HL) เพิ่มขึ้น 0.67, 20.9, 21.5 และ 23.1 ตามลำดับ กองทุน Global Silver Silver Miners (SIL) เพิ่มขึ้น 22.5 YTD ตัวบ่งชี้ทางเทคนิคทุก บริษัท เหมืองแร่ทั้งสี่แห่งข้างต้นยกเว้น Coeur Mining กำลังซื้อขายเหนือเส้นค่าเฉลี่ยระยะสั้น 20 วันและค่าเฉลี่ยเคลื่อนที่ 100 วัน พรีเมี่ยมที่สำคัญเกี่ยวกับราคาซื้อขายหุ้นชี้ให้เห็นการลดลงของราคาที่มีศักยภาพ ส่วนลดอาจบ่งบอกถึงการเพิ่มขึ้นของราคา ราคาเป้าหมายของ บริษัท เหมืองแร่ทั้งสามแห่งดังกล่าวสูงกว่าราคาปัจจุบันซึ่งแสดงให้เห็นถึงแนวโน้มในเชิงบวก Coeur Mining มีการซื้อขายที่ราคาลดลงเมื่อเทียบกับราคาเฉลี่ยเคลื่อนที่ของวันที่ 20 และ 100 วัน RSI (ดัชนีความแข็งแกร่ง) สูงกว่า 70 แสดงว่าหุ้นถูกซื้อเกินและอาจลดลงขณะที่ระดับ RSI ต่ำกว่า 30 แสดงว่าหุ้นมีการขายเกินและอาจเพิ่มขึ้น บริษัท เหมืองแร่อ่าน RSI ยังช้าเพิ่มขึ้น เมื่อวันที่ 23 กุมภาพันธ์ 2017 SILS RSI ใกล้เคียงกับ 66.8 ซึ่งแสดงให้เห็นว่าอาจมีการปรับลดราคาลงอีก นอกจากนี้ยังมีแนวโน้มว่าจะมีการปรับขึ้นอัตราดอกเบี้ยอีกครั้งซึ่งอาจส่งผลเสียต่อโลหะมีค่าและ บริษัท เหมืองแร่โลหะมีค่า